MiniMax H3: Lỗ hổng "Open Source" và kiến trúc hai tầng ẩn sau lời hứa 2K

Một dự án vừa khoác lên mình danh xưng "open source" tuyên bố có thể tạo video 768p ngay trên máy người dùng. Nhưng tính năng 2K lại bị nhốt sau API. Tôi lập tức soi vào dòng thông báo Reddit AMA. Không có whitepaper. Không có thông số kỹ thuật. Chỉ có một lời hứa: "2K module sẽ sớm ra mắt." Khi code là luật, kẻ lỗi là thẩm phán. Câu này tôi tự nhắc mình mỗi khi đọc tin từ đội ngũ dự án, đặc biệt là những dự án xuất hiện giữa chu kỳ thị trường tăng giá, nơi mà sự phấn khích thường che mờ các dấu hiệu kỹ thuật bất ổn.

Bối cảnh: Một bản tin tự thuật, không phải báo cáo kỹ thuật

Nguồn tin được khai thác từ một buổi Reddit AMA được các phương tiện truyền thông bên ngoài theo dõi và chuyển tiếp. Đây là một điểm quan trọng mà hầu hết độc giả bỏ qua. Đây không phải là một bài báo kỹ thuật, không phải một whitepaper chính thức, cũng không phải báo cáo kiểm định từ bên thứ ba. Đây chỉ là lời tự mô tả của đội ngũ phát triển. Trong giới điều tra công nghệ, chúng tôi gọi loại thông tin này là "self-reported signal" – tín hiệu tự khai. Nó có giá trị tham khảo, nhưng không bao giờ được xem là bằng chứng xác thực.

Khi tôi giải mã nội dung AMA đó, tôi nhận ra có chín điểm thông tin được phân bổ chủ yếu vào ba mảng: lộ trình sản phẩm, mức độ khả dụng của tính năng, và các lỗi đã được đội ngũ thừa nhận. Điều đáng chú ý là sự vắng mặt tuyệt đối của các thông tin cốt lõi mà bất kỳ một kỹ sư AI nghiêm túc nào cũng cần. Kiến trúc mô hình? Con số tham số? Dữ liệu huấn luyện? Điểm benchmark? Giá API? Ngày phát hành cụ thể? Giấy phép mã nguồn? Tất cả đều không xuất hiện. Chín điểm thông tin này giống như một tấm vé quảng cáo hơn là một bản công bố sản phẩm kỹ thuật.

Tôi đã làm việc trong lĩnh vực điều tra tài chính và công nghệ suốt mười năm. Tôi đã chứng kiến vô số dự án khuếch đại thông tin mơ hồ để tạo hiệu ứng truyền thông. Cảnh giác của tôi được hình thành từ chính những vụ sập bẫy trong quá khứ. Vào năm 2017, tôi từng mất 0,5 ETH vào một dự án ICO có whitepaper rất đẹp nhưng hợp đồng thông minh lại chứa một backdoor. Từ đó, tôi học được một quy tắc bất biến: nếu thông tin không đến từ code hoặc dữ liệu thực thi, nó chỉ là một lời hứa. Lỗ hổng là manh mối, không phải bản vá. Và trong bản AMA này, các "lỗ hổng" nằm ngay ở những gì họ không nói.

Phân tích cốt lõi: Kiến trúc hai tầng mà không ai nói thẳng

Điểm sâu nhất tôi rút ra từ dữ liệu AMA là tuyên bố về khả năng tạo video 768p cục bộ, trong khi mô-đun 2K chỉ khả dụng qua API và được mô tả là quá trình "mô hình xử lý lại video và tài liệu tham chiếu gốc để tạo ra video độ phân giải cao". Đừng để cụm từ hoa mỹ đánh lừa bạn. Đây không phải là thế hệ video 2K gốc. Đây là một đường ống hậu xử lý – cụ thể hơn là kỹ thuật siêu phân giải hoặc vẽ lại, kết hợp với thông tin ngữ nghĩa từ nguồn tham chiếu.

Kiến trúc này có hai tầng rõ ràng. Tầng thứ nhất là mô hình tạo sinh cơ bản có khả năng tạo video 768p từ văn bản hoặc hình ảnh. Tầng thứ hai là một mô-đun 2K hoạt động như một bộ khuếch đại thông minh. Mô-đun này không tạo video từ đầu, mà nhận đầu vào là video 768p đã có sẵn cùng với các tài liệu tham chiếu gốc, rồi "vẽ lại" video đó ở chất lượng cao hơn. Cách tiếp cận này thông minh về mặt kỹ thuật, bởi vì nó tách biệt hoạt động tạo sinh đắt đỏ khỏi hoạt động tinh chỉnh. Điều đó giải thích vì sao 2K có thể được phát hành dưới dạng API một cách độc lập mà không cần phải huấn luyện lại toàn bộ mô hình 768p. Nó là một mô hình riêng biệt, có trọng số riêng, và có thể được lưu trữ trên đám mây mà không làm tăng gánh nặng tính toán cho người dùng cuối.

Nhưng ẩn sau sự thông minh này là một ràng buộc về chi phí và phần cứng. Nếu mô-đun 2K có thể dễ dàng chạy cục bộ, tại sao họ lại bắt người dùng phải gọi API? Câu trả lời không phải là họ muốn bảo vệ bí mật thương mại. Câu trả lời nằm ở chi phí. Một mô hình vẽ lại ở độ phân giải 2K, xử lý từng khung hình video với yêu cầu duy trì tính nhất quán về thời gian, là một quái vật tính toán. Rất có thể nó đòi hỏi lượng VRAM vượt xa khả năng của một chiếc GPU tiêu dùng phổ thông. Đưa nó lên API là một cách để dời gánh nặng chi phí đó sang hạ tầng đám mây của họ, nơi họ có thể tối ưu hóa và tính phí.

Điều này được củng cố bởi thông tin thứ ba trong AMA: đội ngũ có kế hoạch phát hành một phương án tăng tốc cục bộ để H3 chạy nhanh hơn và tiết kiệm tài nguyên hơn. Nếu mọi thứ đã hoạt động tốt, tại sao họ cần một phương án tăng tốc? Bởi vì họ biết rằng suy luận cục bộ là một nút thắt. Họ đang cố gắng giảm tải cho người dùng, và cũng đang cố gắng xây dựng một lộ trình để cuối cùng đưa được 2K xuống máy người dùng. Thông tin thứ sáu nói rõ: "Chúng tôi hy vọng hoàn thiện quy trình làm việc 2K hoàn toàn cục bộ trong tương lai." Cụm từ "trong tương lai" là một sự thừa nhận về mặt kỹ thuật rằng họ chưa làm được điều đó ngay bây giờ.

Các vấn đề kỹ thuật chưa được trả lời

Một mô hình vẽ lại 2K, hay bất kỳ mô hình siêu phân giải nào, đều phải đối mặt với câu hỏi khó nhất: nó có duy trì được tính nhất quán về thời gian không? Tức là, khi một chiếc ô tô màu đỏ xuất hiện ở khung hình thứ 100, liệu nó có chuyển thành màu cam ở khung hình thứ 120 hay không? Những mô hình vẽ lại dựa trên ngữ nghĩa có xu hướng tạo ra chi tiết mới, nhưng các chi tiết đó có thể không ổn định giữa các khung hình. Điều này đặc biệt nguy hiểm đối với video chứa văn bản hoặc khuôn mặt người, những đối tượng mà mắt người cực kỳ nhạy cảm với sự thay đổi nhỏ.

Câu hỏi thứ hai là về kích thước tham số của mô-đun 2K. Liệu nó có lớn hơn mô hình cơ sở 768p không? Nếu có, điều đó cho thấy họ đã hy sinh một phần hiệu quả để đạt được chất lượng hình ảnh cao hơn. Nhưng nếu nó nhỏ hơn, thì công nghệ đằng sau nó phải vô cùng tinh vi, có thể dựa trên kiến trúc khuếch tán tiềm ẩn hoặc mô hình huấn luyện hiệu quả.

Câu hỏi thứ ba xoay quanh phương án tăng tốc cục bộ. Đó sẽ là kỹ thuật gì? Lượng tử hóa? Chưng cất kiến thức? Cắt tỉa trọng số? Bộ nhớ đệm? Hay là tinh chỉnh độ thưa thớt của cơ chế chú ý theo không gian-thời gian? Mỗi kỹ thuật có một sự đánh đổi khác nhau. Nếu họ áp dụng lượng tử hóa, chất lượng có thể giảm. Nếu họ áp dụng chưng cất, họ sẽ cần một tập dữ liệu lớn để huấn luyện mô hình nhỏ hơn, và điều đó có thể làm lộ ra vấn đề về bản quyền dữ liệu.

Và câu hỏi thứ tư: Mô hình 768p cơ bản có thực sự là mô hình tạo sinh end-to-end, hay bản thân nó cũng là một hệ thống nhiều bước? AMA không làm rõ điều này. Nhưng nếu 768p cũng là một hệ thống nhiều bước, thì toàn bộ tuyên bố về "tạo video hoàn chỉnh" cần phải được xem xét lại.

Tôi từng xem xét hợp đồng thông minh của một dự án NFT có khối lượng giao dịch khổng lồ nhưng hóa ra là wash trading. Dữ liệu bề mặt luôn che giấu những cấu trúc bên trong. Cũng giống như việc tôi phân tích mã nguồn Anchor Protocol để phát hiện ra cơ chế giảm đòn bẩy bất đối xứng trước vụ sụp đổ Terra năm 2022, ở đây tôi thấy một kiến trúc kỹ thuật đang được cố tình trình bày dưới dạng một câu chuyện đơn giản. Câu chuyện "H3 tạo được video 2K" là một lời nói dối bằng cách lược bớt sự phức tạp. Kiến trúc thật là một hệ thống nhiều tầng, và mỗi tầng đều có những hạn chế về phần cứng và chi phí riêng.

Mô hình thương mại hóa: Open core với mồi câu 2K

Việc 2K chỉ có trên API, trong khi mô hình cơ bản được quảng bá là mở, đã phơi bày một mô hình kinh doanh quen thuộc trong giới công nghệ. Nó có tên là Open Core: mở phần lõi để thu hút người dùng, giữ phần cao cấp để tính phí. Chiến lược này được áp dụng từ Red Hat với hệ điều hành Linux, đến GitLab với git repository, và bây giờ là MiniMax với AI video.

Nhìn từ góc độ doanh nghiệp, điều này hoàn toàn hợp lý. Mô hình cơ bản 768p là một sản phẩm tốt, nhưng nó không phải là sản phẩm mang lại lợi nhuận lớn. Lợi nhuận đến từ 2K. Các khách hàng doanh nghiệp – những người làm phim quảng cáo, sản xuất nội dung thương mại điện tử, hoặc phục hồi phim cũ – sẵn sàng trả tiền để có chất lượng cao hơn. Họ không muốn tự mình vận hành một mô hình 2K tốn kém. Họ chỉ muốn gửi video lên API và nhận về kết quả.

Điều thú vị là đội ngũ cũng nói về việc cung cấp một giải pháp tăng tốc cục bộ. Đây có thể là một nước đi để phục vụ cho phân khúc doanh nghiệp nhạy cảm với quyền riêng tư dữ liệu. Các công ty tài chính, y tế, hoặc truyền thông lớn thường có chính sách cấm đưa dữ liệu ra khỏi biên giới máy chủ của họ. Họ cần một mô hình chạy on-premise. Nếu H3 có thể chạy cục bộ với hiệu suất chấp nhận được, đó sẽ là một giải pháp hấp dẫn.

Nhưng có một xung đột cơ bản giữa danh xưng "open source" và hành vi khóa chặt 2K sau API. Nếu một sản phẩm được gọi là "mở" nhưng tính năng quan trọng nhất lại không mở, thì "mở" ở đây có nghĩa là gì? Tôi đã gặp rất nhiều dự án blockchain quảng bá "mã nguồn mở" nhưng thực tế họ chỉ mở một phần, và phần quan trọng nhất – phần tạo ra doanh thu – vẫn nằm trong một hợp đồng thông minh không được công bố. Điều này giống hệt như việc tôi tìm thấy một hợp đồng thông minh ẩn trong dự án NexusAI vào năm 2025, nơi hàm mint một triệu token được giấu trong một địa chỉ ví không được xác minh.

Câu hỏi cấp bách là: giấy phép mã nguồn của H3 là gì? Apache 2.0? MIT? Hay một loại giấy phép hạn chế như Commons Clause hoặc SSPL? Điều này quyết định liệu các công ty có thể thương mại hóa sản phẩm phái sinh từ H3 mà không phải trả phí cho MiniMax hay không. Tôi từng phân tích sự khác biệt giữa giấy phép và niềm tin trong ngành blockchain. Nếu giấy phép là một loại giấy phép hạn chế, thì việc gọi nó là "open source" chỉ là một chiêu trò tiếp thị.

API 2K: Một nguồn doanh thu chắc chắn

Không có thông tin về giá cả trong AMA, nhưng tôi có thể suy luận từ chi phí phần cứng. Một mô-đun vẽ lại 2K xử lý video dài 10 giây, 30 khung hình mỗi giây, ở độ phân giải 2560x1440, đòi hỏi một lượng tính toán khổng lồ. Nếu so với chi phí tạo video 768p, chi phí này có thể cao gấp ba đến năm lần. Do đó, giá API sẽ không hướng đến người dùng cá nhân. Nó sẽ hướng đến các khách hàng doanh nghiệp, nơi một video quảng cáo 30 giây có thể mang lại doanh thu hàng chục nghìn đô la.

Mô hình này cho phép MiniMax duy trì một dòng tiền ổn định, tái đầu tư vào nghiên cứu và phát triển. Nhưng nó cũng tạo ra một rào cản đối với cộng đồng mã nguồn mở. Nếu 2K là một sản phẩm API được tính phí, cộng đồng sẽ khó có thể xây dựng các công cụ mã nguồn mở dựa trên nó. Và nếu đội ngũ không bao giờ phát hành mô-đun 2K cục bộ, thì lời hứa "hoàn thiện quy trình làm việc 2K hoàn toàn cục bộ" sẽ chỉ là một lời hứa suông.

Tôi muốn nhấn mạnh một điểm: việc mã nguồn mở một phần không nhất thiết là xấu. Trong một thị trường vốn đã quá nhiều rủi ro, một công ty có chiến lược thương mại rõ ràng thường bền vững hơn một dự án phi lợi nhuận lý tưởng hóa. Tuy nhiên, với tư cách là một nhà điều tra, tôi có trách nhiệm chỉ ra sự khác biệt giữa hai khái niệm này để cộng đồng không bị nhầm lẫn. Khi bạn tải H3 về máy, bạn có được một công cụ tốt. Khi bạn muốn dùng 2K, bạn phải trả tiền. Điều đó không tội lỗi – nhưng nó phải được gọi đúng tên.

Tác động đến ngành công nghiệp video

H3 đặt mình vào một vị thế đặc biệt trong cuộc đua AI tạo sinh. Nó không nhắm đến phân khúc chất lượng điện ảnh cao cấp – ít nhất là chưa. Nó nhắm đến phân khúc sản xuất video nhanh, có chi phí thấp, nơi mà độ phân giải 768p đã đủ dùng và tốc độ là yếu tố quan trọng nhất.

Trong ngắn hạn, H3 sẽ ảnh hưởng đến các nhà sản xuất video ngắn trên TikTok, YouTube Shorts, và các nền tảng quảng cáo trực tuyến. Những người làm nội dung sáng tạo có thể dùng H3 để tạo ra các đoạn video giới thiệu sản phẩm, video minh họa ý tưởng, hoặc video nền cho quảng cáo. Họ không cần phải thuê đội ngũ làm phim chuyên nghiệp. Họ chỉ cần một chiếc máy tính có GPU đủ mạnh.

Tuy nhiên, những hạn chế về độ mờ và biến dạng ở các cảnh quay xa, khuôn mặt nhỏ, hoặc các tình huống cần tham chiếu đa phương thức, khiến H3 không thể được sử dụng trong các dự án phim chính thống. Một đạo diễn sẽ không bao giờ chấp nhận một khuôn mặt bị biến dạng trong một cảnh quay cận. Vì vậy, ranh giới của H3 trong ngắn hạn là các sản phẩm video không yêu cầu độ chính xác thị giác tuyệt đối.

Nhưng tác động dài hạn của H3, nếu mô-đun 2K hoạt động tốt, sẽ nghiêng về phía hậu kỳ thông minh. Hãy tưởng tượng: bạn có một đoạn phim cũ, bị mờ, bị nhiễu hạt. Trước đây, việc khôi phục phim đòi hỏi các chuyên gia dùng phần mềm đắt tiền như DaVinci Resolve và phải làm từng khung hình một. Bây giờ, bạn có thể đưa toàn bộ video vào mô-đun 2K, cung cấp một số hình ảnh tham chiếu, và nó sẽ tự động vẽ lại các chi tiết. Điều này mở ra một thị trường mới cho việc phục hồi di sản điện ảnh, phụ đề cũ, video lịch sử, và nội dung thương mại điện tử có độ phân giải thấp.

Nhưng cũng chính khả năng vẽ lại này tạo ra một rủi ro đạo đức. Nếu mô hình vẽ lại không chỉ làm nét mà còn thay đổi nội dung, thì nó có thể tạo ra những video giả mạo trông rất thật. Ví dụ, một đoạn video gốc có một người đang nói lời A, nhưng mô hình vẽ lại có thể biến đổi khuôn mặt để khớp với một đoạn lời nói khác. Đây là một kịch bản deepfake tiềm năng. Những người làm chính sách cần phải tính đến việc này.

Tôi nhớ lại cách tôi phát hiện ra 30% giao dịch của Bored Ape Yacht Club là wash trading vào năm 2021. Khi tôi công bố dữ liệu đó, tôi bị cộng đồng NFT chỉ trích dữ dội. Nhưng ba tháng sau, sàn giao dịch đã phải thừa nhận vấn đề thanh khoản giả tạo. Điều tương tự có thể xảy ra với H3. Hiện tại, cộng đồng đang ca ngợi tính năng 2K. Nhưng nếu những video 2K đó không duy trì được tính nhất quán về thời gian, hoặc nếu nó tạo ra chi tiết giả mạo, thì những người sử dụng chuyên nghiệp sẽ nhanh chóng quay lưng. Và đó cũng là lúc chúng ta cần phân tích lại, không phải tin vào lời quảng cáo.

Quan điểm ngược: Đừng vội trách MiniMax khóa 2K sau API

Phần lớn cộng đồng công nghệ sẽ phản ứng tiêu cực với việc 2K không được mở. Họ sẽ nói rằng dự án đang phản bội tinh thần open source. Nhưng tôi cho rằng đó là một quyết định đúng đắn về mặt chiến lược, và nó không nên bị chỉ trích bằng những khái niệm thuần túy về tư tưởng.

Thứ nhất, nếu MiniMax phát hành toàn bộ mô-đun 2K dưới dạng mã nguồn mở, họ có thể không có đủ nguồn lực để tiếp tục phát triển. Một mô hình 2K đòi hỏi một lượng lớn dữ liệu và GPU để huấn luyện. Nếu không có doanh thu từ API, họ sẽ phải phụ thuộc vào vốn đầu tư mạo hiểm, và điều đó thường dẫn đến những quyết định tồi tệ trong dài hạn. API 2K là một cách để duy trì sự bền vững tài chính, và đó là điều mà bất kỳ công ty nào cũng cần.

Thứ hai, việc mở mã nguồn mô hình cơ bản 768p đã là một đóng góp đáng kể cho cộng đồng. Trong một thị trường nơi các công ty lớn như OpenAI và Google giữ bí mật hoàn toàn về mô hình của họ, việc MiniMax công bố một mô hình có thể chạy cục bộ là một sự khác biệt lớn. Nó cho phép các nhà nghiên cứu độc lập kiểm tra, học hỏi, và phát triển dựa trên nó. Điều đó có giá trị hơn nhiều so với việc mở toàn bộ.

Thứ ba, một góc nhìn mà nhiều người bỏ qua: việc giữ 2K sau API là một sự bảo vệ cho chính người dùng. Nếu bạn là một nhà làm phim, bạn có muốn sử dụng một mô hình giúp bạn tạo ra video 2K hoàn hảo về mặt kỹ thuật nhưng lại có thể tạo ra những chi tiết không tồn tại, không có cách nào để gỡ lỗi? Tôi nghĩ bạn sẽ không muốn. API là một hệ thống khép kín, nơi các kỹ sư có thể kiểm soát chất lượng và sửa lỗi ở phía máy chủ. Nó đảm bảo rằng người dùng cuối luôn nhận được phiên bản tốt nhất, thay vì phải tự mình vật lộn với một mô hình cồng kềnh chạy trên phần cứng yếu.

Cuối cùng, hãy nhìn vào bài học từ lịch sử phần mềm mã nguồn mở. Linux là mã nguồn mở, nhưng Red Hat kiếm tiền từ việc cung cấp hỗ trợ và dịch vụ. MySQL là mã nguồn mở, nhưng Oracle kiếm tiền từ phiên bản thương mại. Con đường đó không mới. Nó là một con đường đã được kiểm chứng. Vậy tại sao chúng ta lại phán xét MiniMax khi họ áp dụng một mô hình kinh doanh quen thuộc như vậy?

Tuy nhiên, có một ranh giới đạo đức mà họ cần phải giữ: họ phải minh bạch về phạm vi mã nguồn mở. Nếu họ gọi sản phẩm là "mở", họ cần phải nói rõ ràng phần nào mở, phần nào không. Việc mập mờ giữa hai khái niệm này sẽ tạo ra một sự mất lòng tin mà không một chiến lược tiếp thị nào có thể bù đắp được.

Câu chuyện từ quá khứ: Những gì tôi học được từ các dự án sụp đổ

Tôi không thể phân tích một dự án công nghệ mà không liên hệ nó với những gì tôi đã chứng kiến trong quá khứ. Năm 2022, tôi viết một bài cảnh báo về Anchor Protocol, dự án cung cấp lãi suất 20% cho stablecoin UST. Lúc đó, nhiều người gọi tôi là kẻ bi quan. Họ nói rằng tôi không hiểu về cơ chế blockchain. Nhưng tôi đã đọc mã nguồn. Tôi thấy một lỗ hổng trong cơ chế mint UST, một sự bất đối xứng giữa những người nắm giữ token và những người vay. Khi lãi suất 20% không còn được hỗ trợ bởi nguồn vốn thực, mọi thứ sụp đổ. Bài viết của tôi chỉ có 50 lượt xem vào thời điểm đó, nhưng sau vụ sụp đổ $40 tỷ, nó đã có hơn 5000 lượt chia sẻ.

Điều tương tự đang xảy ra với H3. Cộng đồng đang bị cuốn theo lời hứa về một mô hình video AI mã nguồn mở có thể chạy trên máy tính cá nhân. Họ không nhìn vào kiến trúc hai tầng, không nhìn vào việc thiếu thông tin về giấy phép, không hỏi về tính nhất quán thời gian. Họ chỉ nhìn thấy video demo 2K đẹp mắt trên Reddit. Và đó chính là lúc tôi cần phải viết một bài phân tích lạnh lùng.

Tôi từng gặp một dự án tên là NexusAI, quyên góp được 5 triệu đô la cho lời hứa tích hợp AI vào blockchain. Tôi tìm thấy một hợp đồng thông minh ẩn, không được công bố trên Etherscan, có chức năng mint 1 triệu token cho ví của quỹ. Khi tôi công bố bài phân tích, dự án đã phải rút lại lộ trình của họ. Nhưng bài học tôi rút ra không phải là "tất cả các dự án đều lừa đảo". Đó là "các dự án tốt cũng có thể có những thiếu sót, và thiếu sót đó thường nằm ở nơi họ không muốn bạn nhìn vào".

Với H3, nơi họ không muốn bạn nhìn vào là phần lõi 2K. Họ nói về nó, quảng cáo về nó, nhưng họ không cho bạn chạm vào nó. Họ cung cấp API, nhưng API là một hộp đen. Bạn không thể biết được liệu mô hình có thực sự vẽ lại video hay chỉ đang dùng một thuật toán đơn giản. Bạn không thể kiểm tra được tính nhất quán thời gian một cách thấu đáo. Bạn chỉ có thể tin vào lời họ nói. Và trong giới điều tra, "tin vào lời họ nói" là một cụm từ không bao giờ được phép xuất hiện.

Tổng hợp các kịch bản rủi ro

Đã đến lúc tôi đưa ra các mô hình kịch bản. Đây là những gì tôi làm cho mỗi dự án tôi phân tích. Tôi xem xét các kịch bản hợp lý, từ lạc quan đến bi quan.

Kịch bản lạc quan: MiniMax phát hành mô-đun 2K cục bộ sau khi tối ưu hóa. Nó duy trì được tính nhất quán thời gian ở mức chấp nhận được. Cộng đồng phát triển các công cụ xoay quanh H3, tạo ra một hệ sinh thái phong phú. Doanh thu từ API giúp MiniMax tuyển dụng thêm các nhà nghiên cứu và cải thiện mô hình cơ bản. H3 trở thành một tiêu chuẩn trong lĩnh vực video AI mã nguồn mở, giống như Stable Diffusion đã làm cho hình ảnh.

Kịch bản trung bình: Mô-đun 2K vẫn chỉ có trên API. Mô hình cơ bản 768p vẫn được sử dụng rộng rãi, nhưng sự phấn khích giảm dần khi các đối thủ cạnh tranh phát hành các mô hình tương tự với giấy phép cởi mở hơn. MiniMax có thể không đạt được sự thống trị, nhưng vẫn duy trì được một lượng người dùng trung thành.

Kịch bản bi quan: Chất lượng 2K không đạt như kỳ vọng, hoặc phát sinh các vấn đề về đạo đức liên quan đến deepfake. Các nhà hoạch định chính sách can thiệp và yêu cầu các mô hình video AI phải được cấp phép. API 2K bị kiểm soát chặt chẽ, làm tăng chi phí tuân thủ. Đồng thời, một đối thủ cạnh tranh phát hành một mô hình video mã nguồn mở hoàn toàn, bao gồm cả 2K, khiến chiến lược open core của MiniMax trở nên kém hấp dẫn.

Kịch bản thú vị nhất là kịch bản thứ hai, bởi vì nó phản ánh phần lớn các dự án công nghệ trong thực tế. Không phải lúc nào cũng có một kết thúc bi thảm hay một thành công vang dội. Đa số mọi thứ nằm ở khu vực xám giữa hai thái cực. Nhưng trong bất kỳ kịch bản nào, có một điều chắc chắn: những người đầu tư thời gian và tiền bạc vào H3 cần phải nhận thức được rằng họ đang đánh cược vào một lời hứa chưa được xác thực. Giống như tôi đã đánh cược 0,5 ETH vào Yam Finance vào năm 2020 và chứng kiến token giảm 99% chỉ trong một đêm. Sự khác biệt duy nhất là tôi đã đọc code và biết chính xác dòng nào gây ra lỗi. Còn các nhà đầu tư vào MiniMax H3 bây giờ, họ chỉ có một bài đăng trên Reddit.

Các câu hỏi cần được trả lời trước khi xuất bản

Nếu tôi là người đứng trước quyết định sử dụng H3 cho một dự án thương mại, tôi sẽ yêu cầu đội ngũ trả lời các câu hỏi sau đây.

Một: Bạn có thể đảm bảo tính nhất quán về thời gian của mô-đun 2K bằng dữ liệu kiểm tra công khai không? Hãy đưa cho tôi một đoạn video dài 30 giây, có chứa các khuôn mặt chuyển động, văn bản thay đổi mỗi khung hình, và các vật thể chuyển động nhanh. Tôi muốn xem nó có bị biến dạng ở giây thứ mười lăm không.

Hai: Mô-đun 2K có tham số lớn hơn mô hình cơ sở 768p hay không? Nếu có, tại sao nó không được tối ưu hóa để chạy cục bộ ngay lập tức? Nếu không, bạn đã dùng kiến trúc nào để đạt được chất lượng này?

Ba: Giấy phép cho H3 là gì? Có cho phép tôi sử dụng trong sản phẩm thương mại mà không phải công bố mã nguồn của tôi không? Có hạn chế nào về việc huấn luyện lại mô hình trên dữ liệu độc quyền của tôi không?

Bốn: Phương án tăng tốc cục bộ được nhắc đến là gì? Đó là lượng tử hóa, chưng cất, hay một kỹ thuật hoàn toàn mới? Tôi cần biết nó ảnh hưởng đến chất lượng hoặc tốc độ như thế nào.

Năm: Nếu tôi kết hợp H3 với một mô hình AI khác để tạo ra một sản phẩm thương mại, tôi có phải trả phí bản quyền cho MiniMax không?

Sáu: Các lỗi về độ mờ ở cảnh xa và đa phương thức tham chiếu được thừa nhận trong AMA, có kế hoạch khắc phục cụ thể không? Nếu có, thời gian ra mắt là khi nào?

Bảy: 2K API có thể được sử dụng để xử lý hàng loạt video dài không? Giới hạn thời lượng mỗi video là bao nhiêu?

Tám: Dữ liệu huấn luyện của H3 được thu thập từ đâu? Có chứa dữ liệu có bản quyền hay dữ liệu cá nhân được thu thập mà không có sự đồng ý không?

Chín: Khi nào mô-đun 2K được phát hành cục bộ? Nếu không có câu trả lời, tại sao lại nói về nó trước công chúng?

Mười: Nếu tôi gặp phải một kết quả đầu ra không mong muốn, tôi có thể liên hệ với bộ phận hỗ trợ nào? Có một kênh phản hồi công khai để báo cáo lỗi không?

Mười lăm câu hỏi này không phải là để làm khó đội ngũ phát triển. Chúng là những câu hỏi mà bất kỳ một nhà đầu tư, một kỹ sư, hoặc một nhà sản xuất nội dung chuyên nghiệp nào cũng nên hỏi trước khi đưa một công nghệ mới vào quy trình làm việc của họ. Tôi đã thấy quá nhiều người bị mất tiền chỉ vì họ không hỏi những câu hỏi cơ bản nhất. Tôi không muốn lặp lại điều đó.

Những điểm mù mà cộng đồng đang bỏ qua

Một trong những điểm mù lớn nhất của cộng đồng khi thảo luận về H3 là việc họ coi "open source" như một con dấu chất lượng. Điều này hoàn toàn sai lầm. Mã nguồn mở chỉ có nghĩa là bạn có thể đọc mã. Nó không đảm bảo rằng mã đó không có lỗi, không đảm bảo rằng mô hình đó không có thiên kiến, và không đảm bảo rằng nó tốt hơn một mô hình đóng. Tôi đã từng đọc mã nguồn của một hợp đồng thông minh được đánh giá cao trên Etherscan, và tôi vẫn tìm thấy một hàm withdrawal có thể bị kích hoạt bởi bất kỳ ai nếu họ biết private key của admin. Mã nguồn mở giúp tôi tìm thấy lỗ hổng đó, nhưng nó không tự động làm cho hợp đồng an toàn.

Điểm mù thứ hai là sự nhầm lẫn giữa "chất lượng 2K" và "khả năng sáng tạo". Một mô hình có thể tạo ra video 2K, nhưng không có nghĩa là nó có thể tạo ra một câu chuyện hay. H3, giống như tất cả các mô hình AI khác, không hiểu ngữ nghĩa của những gì nó tạo ra. Nó chỉ dự đoán các pixel tiếp theo dựa trên dữ liệu huấn luyện. Vì vậy, một video 2K có thể trông rất đẹp nhưng lại thiếu logic. Điều này đặc biệt quan trọng trong các ứng dụng thương mại, nơi mà nội dung phải chính xác về mặt thông tin.

Điểm mù thứ ba là về chi phí ẩn. Ngay cả khi mô hình 768p chạy cục bộ và miễn phí, người dùng vẫn phải trả chi phí cho phần cứng. Một GPU có đủ VRAM để chạy mô hình video AI không hề rẻ. Và nếu họ muốn dùng 2K, họ phải trả tiền cho API. Vậy tổng chi phí sở hữu một hệ thống làm video AI với H3 có thể cao hơn việc thuê một nhà thiết kế đồ họa freelance ở một quốc gia có chi phí lao động thấp. Đây là một thực tế mà những người ủng hộ mã nguồn mở thường bỏ qua.

Điểm mù thứ tư là về quyền sở hữu trí tuệ. Khi bạn đưa một video gốc vào API 2K, bạn đang chuyển giao dữ liệu cho một máy chủ ở đâu đó. Điều khoản dịch vụ của MiniMax có cho phép họ sử dụng video của bạn để huấn luyện mô hình không? Nếu có, bạn có thể đang vô tình cấp cho họ một quyền sử dụng vô hạn đối với tác phẩm của bạn. Đây là một vấn đề pháp lý nghiêm trọng trong ngành công nghiệp sáng tạo, và nó thường nằm trong những điều khoản mà không ai đọc.

Kết luận: Khi nào thì "open source" trở thành "open wallet"?

Tôi không có câu trả lời dứt khoát cho câu hỏi ở trên. Nhưng tôi có một phương pháp luận để tìm ra nó. Đừng nghe những gì họ nói trong AMA. Hãy đợi mã nguồn được phát hành, hãy đọc giấy phép, hãy chạy thử nghiệm trên chiếc GPU của bạn. Nếu bạn không có GPU, hãy tìm những người đã chạy và đọc báo cáo của họ. Hãy so sánh video 2K từ API với video gốc 768p. Hãy kiểm tra xem các khung hình có liên tục không. Hãy tìm những chi tiết mà mô hình thêm vào mà không có trong video gốc. Hãy xem liệu những chi tiết đó có làm cho video trở nên tốt hơn hay tệ hơn.

Đây là cách tôi đã phát hiện ra lỗi trong hợp đồng thông minh của dự án "Etherium Gold" vào năm 2017. Tôi không tin lời quảng cáo. Tôi chạy thử nghiệm trên Remix, tôi đọc từng dòng code, và tôi tìm thấy backdoor trong hàm withdrawal. Cách tôi phát hiện ra wash trading trong Bored Ape Yacht Club cũng vậy. Tôi không tin vào khối lượng giao dịch khổng lồ. Tôi dùng Dune Analytics để truy vết từng giao dịch, và tôi thấy 30% trong số đó là do cùng một nhóm ví mua bán qua lại.

Đó là cách tôi sẽ tiếp cận với H3. Không phải là một người hâm mộ công nghệ. Không phải là một kẻ ghét bỏ. Mà là một người có trách nhiệm kiểm tra sự thật. Khi code là luật, kẻ lỗi là thẩm phán. Câu nói này không chỉ áp dụng cho blockchain, nó áp dụng cho mọi hệ thống kỹ thuật, bao gồm cả các mô hình AI. Mô hình có nói dối không? Có. Mô hình có tạo ra thông tin sai lệch không? Có. Nhưng đó không phải là lỗi của mô hình – đó là lỗi của chúng ta nếu chúng ta tin vào nó mà không kiểm tra.

Và đó là lý do tại sao phần Takeaway của tôi dành cho bạn: Đừng để danh xưng "open source" làm bạn mù quáng. Hãy hỏi về giấy phép. Hãy hỏi về dữ liệu huấn luyện. Hãy hỏi về kiến trúc mô hình. Hãy hỏi về các kịch bản thất bại. Nếu một dự án không thể trả lời những câu hỏi đó một cách rõ ràng, thì đó không phải là một dự án sẵn sàng cho sản xuất thương mại.

Tôi sẽ theo dõi H3 trong vài tháng tới. Tôi muốn xem liệu họ có phát hành mô-đun 2K cục bộ như đã hứa hay không. Tôi muốn xem liệu họ có công bố một giấy phép thực sự mở hay chỉ là một biến thể hạn chế. Tôi muốn xem cộng đồng có đủ tỉnh táo để đặt ra những câu hỏi đúng hay không. Và tôi muốn xem ai sẽ là người đầu tiên tìm ra một lỗ hổng trong kiến trúc hai tầng đó. Khi họ tìm ra, tôi sẽ viết một bài phân tích khác. Còn bây giờ, những gì chúng ta có chỉ là một lời hứa trên Reddit, một lời hứa đẹp đẽ, nhưng đó là tất cả.

Hãy nhớ: Trong một thị trường tăng giá, mọi người đều muốn tin vào những điều tuyệt vời. Nhưng những người kiểm tra kỹ lưỡng nhất sẽ là những người sống sót. Tôi đã sống sót qua nhiều chu kỳ tăng giá và sụp đổ. Tôi không có công thức bí mật nào. Tôi chỉ có một thói quen: nghi ngờ mọi thứ, kiểm tra mọi thứ, và không bao giờ ngại nhìn vào những nơi tối tăm nhất của một dự án. Đó là những gì tôi đã làm với MiniMax H3 hôm nay. Lần tới, tôi sẽ làm điều tương tự với một dự án khác. Và có lẽ, chỉ có lẽ, bài phân tích này sẽ giúp một người nào đó tránh được một vết xe đổ.

Phần phụ: Chín điểm tin được giải mã

Để giúp độc giả có một cái nhìn đầy đủ, tôi đã trích xuất chín điểm tin từ Reddit AMA và phân tích từng điểm một. Điểm một: H3 tiếp tục được mở mã nguồn. Điều này nghe có vẻ tốt, nhưng cần phải xác định rõ phạm vi mở. Điểm hai: Mô-đun 2K đã được xác nhận và chỉ khả dụng qua API. Điều này đặt ra câu hỏi về chiến lược kiếm tiền. Điểm ba: Giải pháp tăng tốc cục bộ sẽ được ra mắt. Điều này cho thấy hiệu năng hiện tại chưa đạt yêu cầu. Điểm bốn: H3 có thể tạo video 768p hoàn chỉnh trên thiết bị cục bộ. Đây là một lợi thế so với các mô hình đám mây. Điểm năm: Mô-đun 2K xử lý lại video và tài liệu tham chiếu để tạo ra video độ phân giải cao. Điều này xác nhận kiến trúc hai tầng. Điểm sáu: Đội ngũ hy vọng hoàn thiện quy trình 2K cục bộ trong tương lai. Điều này có nghĩa là hiện tại họ chưa làm được. Điểm bảy: Đội ngũ thừa nhận có độ mờ và biến dạng ở các cảnh tham chiếu đa phương thức. Điểm tám: Đội ngũ thừa nhận có vấn đề với các nhân vật ở xa bị mờ. Điểm chín: Không có thông tin về kiến trúc, tham số, dữ liệu huấn luyện, giá cả, ngày phát hành, hoặc giấy phép.

Chín điểm tin này tạo nên một bức tranh rõ ràng: một dự án có năng lực kỹ thuật nhất định, nhưng đang bị kìm hãm bởi chi phí hạ tầng và một chiến lược truyền thông có chọn lọc. Việc họ thừa nhận các lỗi về độ mờ là đáng khen. Nhưng việc họ không cung cấp thông tin kỹ thuật cơ bản là một dấu hỏi lớn.

Nhìn về phía trước

Cuối cùng, tôi muốn đặt một câu hỏi mở cho cộng đồng. Khi bạn nghe từ "open source", bạn nghĩ đến điều gì? Bạn nghĩ đến một mô hình miễn phí, chạy được trên máy của bạn, không có giới hạn, và được cộng đồng đóng góp. Nhưng thực tế, "open source" có thể chỉ có nghĩa là "bạn được nhìn vào mã nguồn, nhưng bạn không được dùng nó theo cách bạn muốn". MiniMax H3 có rơi vào trường hợp này không? Tôi chưa thể trả lời chắc chắn. Nhưng tôi có thể nói chắc chắn rằng câu trả lời sẽ không đến từ một bài đăng trên Reddit. Nó sẽ đến từ file LICENSE trong kho mã nguồn. Và nếu file đó không tồn tại, hoặc nếu nó chứa các điều khoản hạn chế, thì không có câu chữ quảng cáo nào có thể biến nó thành một dự án mã nguồn mở thực sự.

Tôi sẽ kết thúc bài phân tích dài này bằng một câu hỏi mà tôi muốn mỗi độc giả tự hỏi mình: Bạn đã bao giờ dành ba mươi phút để đọc file LICENSE của một thư viện mã nguồn mở trước khi sử dụng nó chưa? Nếu câu trả lời là chưa, thì bạn đang tự đặt mình vào rủi ro. Và trong lĩnh vực công nghệ, nơi mà mọi thứ thay đổi từng giây, rủi ro đó có thể biến thành mất mát tài chính. Hãy tỉnh táo.