AI không thiếu GPU, AI thiếu dữ liệu sạch và hạ tầng vững
Khoảng cách giữa chi tiêu cho AI và hạ tầng dữ liệu AI là tình trạng doanh nghiệp tập trung mua GPU, triển khai mô hình và dịch vụ thông minh, nhưng lại không đầu tư tương xứng vào nền tảng dữ liệu sạch, an toàn, có khả năng phục hồi sau sự cố và đủ linh hoạt để lưu trữ dữ liệu lớn cho toàn bộ vòng đời AI. Đây là nghịch lý khiến nhiều dự án AI ở Việt Nam mạnh phần “não” nhưng yếu phần “máu” – dữ liệu. Trên thế giới, đầu tư doanh nghiệp vào AI nhiều năm qua chủ yếu dồn vào compute: GPU, hiệu năng mô hình, chi phí suy luận. Tại Việt Nam, khảo sát cho thấy 91% doanh nghiệp hiểu hạ tầng đáp ứng cho AI là sống còn với hiệu quả quy trình và năng suất. Vấn đề không nằm ở nhận thức, mà ở việc hạ tầng dữ liệu vẫn bị xem là “phần phụ” so với GPU và mô hình. Đó là sai lầm chiến lược.
Dữ liệu phân mảnh: khi AI phải làm việc trong tình trạng "mù"
Nếu coi dữ liệu là nhiên liệu của AI, thì nhiều doanh nghiệp Việt đang cho hệ thống chạy bằng xăng bẩn, lại chứa trong nhiều can rò rỉ. Ông Antoine Yang nhận xét xây dựng mô hình AI không còn quá phức tạp, nhưng thách thức cốt lõi nằm ở tầng dữ liệu bên dưới. Khi kho dữ liệu bị phân mảnh, nằm biệt lập ở từng chi nhánh, phòng ban, AI chỉ nhìn thấy một phần nhỏ bức tranh và buộc phải làm việc trong tình trạng “mù” dữ liệu. Phần lớn dữ liệu nội bộ lại ở dạng phi cấu trúc như hình ảnh, video, tài liệu văn bản – rất khó bóc tách chuẩn xác, dễ biến thành “tín hiệu nhiễu” cho mô hình. Nền tảng dữ liệu sạch không chỉ là chuyện làm đẹp dữ liệu, mà là thiết kế lại cách thu thập, chuẩn hóa, phân loại, gắn nhãn và lưu trữ dữ liệu lớn sao cho AI có thể hiểu và sử dụng được. Không có bước này, mọi khoản chi cho GPU đều bị giảm giá trị.
Hạ tầng dữ liệu AI yếu: rủi ro an ninh mạng và phục hồi sau sự cố
Một nghịch lý khác: doanh nghiệp nói nhiều về bảo mật dữ liệu AI, nhưng hệ thống lại mong manh trước tấn công mạng. Dù 97,6% đơn vị khảo sát cho biết đã trang bị công cụ bảo vệ dữ liệu, chỉ 19,1% tự tin có thể nhanh chóng phục hồi sau tấn công ransomware mà không mất dữ liệu sao lưu. Đó không phải là bảo mật, mà là cảm giác an toàn giả. Trong khi bảo mật và quyền riêng tư là mối quan tâm hàng đầu của 56,7% doanh nghiệp khi ứng dụng AI, chỉ khoảng 16% tự tin xuất được nhật ký hoạt động AI đầy đủ. Phần còn lại gần như “mù” về kiểm soát. Ở tầng hạ tầng, khả năng phục hồi sau sự cố phải gắn chặt với bảo mật dữ liệu AI: bản sao bất biến, kiểm soát truy cập phù hợp và quy trình phục hồi rõ ràng giúp bảo vệ dữ liệu quan trọng trước ransomware, xóa nhầm và sửa trái phép. Nếu lưu trữ rẻ nhưng không thể phục hồi, đó là tiết kiệm sai chỗ.
Lưu trữ dữ liệu lớn: quan trọng không kém sức mạnh GPU
Trong làn sóng AI hiện nay, nhiều lãnh đạo công nghệ vẫn xem GPU là trung tâm của mọi quyết định. Nhưng khi khối lượng dữ liệu AI tăng mạnh với thêm dữ liệu huấn luyện, phiên bản mô hình và các artefact liên quan, lớp lưu trữ trở thành thành phần mang tính chiến lược của hạ tầng AI. Không có kiến trúc lưu trữ dữ liệu lớn phù hợp, chi phí vận hành sẽ phình to và hiệu quả mô hình suy giảm. Các giai đoạn khác nhau của vòng đời AI cần kiểu lưu trữ khác nhau: dữ liệu đang xử lý cần hạ tầng hiệu năng cao, còn dữ liệu lịch sử, checkpoint và artefact lại ưu tiên độ bền, bảo mật, khả năng truy cập và chi phí. Áp dụng một cách lưu trữ cho tất cả là công thức dẫn đến lãng phí. Khái niệm “AI storagemaxxing” nhấn mạnh tối ưu lưu trữ xuyên suốt vòng đời AI để hạ tầng dữ liệu AI phù hợp với nhu cầu công việc và chiến lược kinh doanh.
Cân bằng đầu tư: từ "GPU-first" sang "data-first"
Sự bùng nổ chi tiêu AI toàn cầu với tốc độ tăng trưởng 44% so với năm trước cho thấy doanh nghiệp không thiếu quyết tâm. Vấn đề là cách phân bổ ngân sách: quá nhiều tiền cho compute, quá ít cho hạ tầng dữ liệu. Theo phân tích quốc tế, giai đoạn tiếp theo của việc áp dụng AI trong doanh nghiệp sẽ buộc tổ chức phải nhìn xa hơn tối ưu compute; GPU vẫn quan trọng, hiệu quả mô hình vẫn cần, nhưng cả hai không thể tối ưu nếu bỏ qua dữ liệu mà chúng phụ thuộc. Doanh nghiệp Việt cần dịch chuyển tư duy từ “GPU-first” sang “data-first”: xây nền tảng dữ liệu sạch, thống nhất; đầu tư lưu trữ dữ liệu lớn có khả năng di chuyển giữa các nhà cung cấp; gắn bảo mật dữ liệu AI với khả năng phục hồi sau sự cố; và thiết kế hạ tầng dữ liệu AI như một tài sản chiến lược chứ không phải chi phí phụ. Nếu không làm điều này, mọi dự án AI sẽ mãi ở trạng thái thử nghiệm đắt đỏ, khó bước vào sản xuất lâu dài.
