Khi phần lớn ngành công nghiệp AI còn đang mải mê đua kiến trúc mô hình — từ MoE đến Mamba, từ sparse attention đến state-space models — ByteDance lặng lẽ kéo một quân bài chiến lược khác: dữ liệu. Không ồn ào, không phô trương, nhưng việc thành lập phòng "AI Data & Security" cấp một, ngang hàng với Seed (mô hình) và Flow (sản phẩm), là một tín hiệu tổ chức mà tôi cho rằng giới đầu tư đang bỏ qua. Trong 26 năm quan sát thị trường, tôi học được một điều: khi một công ty bắt đầu xây dựng cơ sở hạ tầng dữ liệu ở cấp độ cao nhất, đó là lúc họ chuẩn bị cho một cuộc chiến kéo dài, không phải một sprint ngắn hạn.
Bối cảnh: Ba trụ cột và một khoảng trống
ByteDance từ lâu đã vận hành AI với hai trụ cột chính: Seed — nhóm nghiên cứu mô hình nền tảng do Zhu Wenjia dẫn dắt, và Flow — nhóm sản phẩm chịu trách nhiệm về Doubao, Jimeng và các ứng dụng AI khác. Cả hai đều được đầu tư mạnh, với đội ngũ hàng trăm kỹ sư và ngân sách không giới hạn. Nhưng giữa chúng luôn thiếu một mắt xích: dữ liệu. Dữ liệu đào tạo, dữ liệu đánh giá, dữ liệu căn chỉnh — tất cả trước đây đều được xử lý phân tán bởi các nhóm nhỏ thuộc Global Data, DMC và AIDP của Flow. Sự phân mảnh này tạo ra những hòn đảo dữ liệu: mỗi nhóm có tiêu chuẩn chất lượng riêng, pipeline riêng, và không ai có cái nhìn tổng thể về toàn bộ nguồn cung cấp dữ liệu của công ty.
Việc bổ nhiệm Wang Yinglei — cựu lãnh đạo của TikTok LIVE và Trust & Safety — làm người đứng đầu phòng mới là một lựa chọn có chủ đích. Ông không phải là nhà nghiên cứu AI thuần túy, mà là một người vận hành giỏi, từng quản lý các nhóm lớn, xử lý các vấn đề tuân thủ phức tạp trên toàn cầu. Điều này cho thấy ByteDance không chỉ muốn một người quản lý dữ liệu, mà còn muốn một người có thể điều phối giữa các bộ phận, đàm phán với nhà cung cấp bên ngoài và đảm bảo an toàn nội dung. Đây là một tín hiệu rõ ràng: dữ liệu không chỉ là tài nguyên kỹ thuật, mà còn là vấn đề quản trị và rủi ro.
Phân tích cốt lõi: Tại sao dữ liệu là chiến trường mới
Từ góc nhìn của một người đã đầu tư vào Ethereum từ năm 2017 và chứng kiến sự trỗi dậy của DeFi, tôi thấy sự tương đồng rõ rệt giữa cuộc đua cơ sở hạ tầng blockchain và cuộc đua dữ liệu AI. Trong cả hai trường hợp, giá trị thực sự không nằm ở lớp ứng dụng (dApps / sản phẩm AI) hay lớp giao thức (blockchain / mô hình nền tảng), mà nằm ở lớp trung gian — thanh khoản trong DeFi, dữ liệu trong AI. ByteDance đang xây dựng một "lớp thanh khoản dữ liệu" cho mô hình của mình.
Con số 10 nghìn tỷ tham số là một điểm mấu chốt. Theo ước tính của tôi dựa trên kinh nghiệm làm việc với các mô hình ngôn ngữ lớn, một mô hình 10 nghìn tỷ tham số cần khoảng 200 đến 500 nghìn tỷ token đào tạo chất lượng cao. Toàn bộ kho ngữ liệu văn bản chất lượng cao trên thế giới ước tính chỉ vào khoảng 100-300 nghìn tỷ token. Nói cách khác, ByteDance có thể sẽ phải đối mặt với một "cơn khát dữ liệu" chưa từng có. Mô hình không thể được đào tạo chỉ bằng cách tổng hợp dữ liệu công khai; cần có dữ liệu độc quyền, dữ liệu tổng hợp, và dữ liệu đa phương thức với quy mô lớn. Đây là lý do tại sao việc hợp nhất tất cả các nguồn dữ liệu nội bộ — từ Douyin, TikTok, Fanqie Novel, Toutiao, Feishu — dưới một mái nhà là bước đi bắt buộc.
Yêu cầu "tự chủ phát triển, không phụ thuộc vào chưng cất" là một tín hiệu khác. Trong ngành, việc chưng cất kiến thức từ các mô hình lớn hơn (như GPT-4 hoặc Claude) đã là một chiến lược phổ biến để giảm chi phí đào tạo. Nhưng ByteDance đã từ bỏ con đường đó. Điều này có nghĩa là họ phải tự xây dựng một "vòng quay dữ liệu tự sinh" — nơi dữ liệu đào tạo, dữ liệu đánh giá và dữ liệu phản hồi của con người đều được tạo ra nội bộ. Đây là một thách thức kỹ thuật cực kỳ lớn, và nó giải thích tại sao cần một phòng ban riêng để quản lý toàn bộ chuỗi cung ứng dữ liệu.
Tôi muốn nhấn mạnh một điểm thường bị bỏ qua: dữ liệu đánh giá (eval data) cũng quan trọng như dữ liệu đào tạo. Trong quá trình audit các giao thức DeFi, tôi học được rằng một hệ thống chỉ tốt khi bộ kiểm thử của nó tốt. Tương tự, một mô hình AI không thể được cải thiện nếu không có một bộ dữ liệu đánh giá toàn diện, đa dạng và không bị nhiễm. Phòng Data mới sẽ phải xây dựng không chỉ pipeline đào tạo mà còn cả pipeline đánh giá — một nhiệm vụ mà nhiều công ty công nghệ lớn vẫn đang vật lộn.
Góc nhìn contrarian: Sự thật phũ phàng về "cuộc đua dữ liệu"
Trong khi hầu hết các bình luận đều ca ngợi động thái này như một bước đi chiến lược đúng đắn, tôi cho rằng có một khía cạnh contrarian đáng xem xét: ByteDance đang đến muộn trong cuộc chơi dữ liệu, không phải dẫn đầu. Hãy nhìn vào các đối thủ:
- OpenAI đã ký hợp đồng độc quyền với nhiều nhà xuất bản (Springer Nature, Associated Press, Reddit) và xây dựng một đội ngũ nhân sự gắn nhãn dữ liệu khổng lồ ngay từ đầu.
- Google DeepMind sở hữu YouTube và chỉ mục tìm kiếm, cung cấp nguồn dữ liệu video và văn bản gần như vô tận.
- Meta có Facebook, Instagram và WhatsApp — dữ liệu xã hội phi cấu trúc mà không công ty nào có thể sao chép.
ByteDance, mặc dù có Douyin và TikTok, nhưng dữ liệu từ các nền tảng này chủ yếu là video ngắn — một dạng dữ liệu đa phương thức phức tạp, khó xử lý hơn văn bản thuần túy. Hơn nữa, việc sử dụng nội dung do người dùng tạo ra (UGC) để đào tạo AI vẫn còn là vùng xám pháp lý ở nhiều khu vực pháp lý. Điều này có thể tạo ra rủi ro kiện tụng và làm chậm tiến độ.
Một rủi ro khác: sự xung đột giữa an toàn và hiệu quả. Việc đặt an toàn dữ liệu dưới cùng một bộ phận với sản xuất dữ liệu có thể tạo ra một "cổ chai" nội bộ. Nếu nhóm an toàn quá thận trọng, họ có thể làm chậm quá trình làm sạch dữ liệu, giảm sản lượng dữ liệu hữu ích cho đào tạo. Tôi đã thấy điều tương tự trong thế giới crypto: các giao thức DeFi có quy trình kiểm toán quá chặt chẽ thường mất cơ hội thị trường. Sự cân bằng giữa tốc độ và an toàn là một nghệ thuật, và không phải công ty nào cũng làm chủ được.
Takeaway: Định vị lại chu kỳ đầu tư AI
Đối với các nhà đầu tư, sự kiện này không chỉ là một tin tức tổ chức của ByteDance, mà còn là một tín hiệu vĩ mô cho thấy ngành AI đang chuyển từ giai đoạn "kiến trúc" sang giai đoạn "dữ liệu". Trong 12 tháng tới, tôi sẽ theo dõi chặt chẽ các chỉ số sau:
- Tốc độ tuyển dụng của phòng Data mới — số lượng vị trí đăng tuyển và loại kỹ năng (kỹ sư dữ liệu, chuyên gia tổng hợp dữ liệu, luật sư bản quyền) sẽ tiết lộ quy mô tham vọng.
- Các hợp đồng mua dữ liệu bên ngoài — nếu ByteDance bắt đầu ký kết với các nền tảng nội dung (sách, báo, video), đó là dấu hiệu họ đang tìm kiếm nguồn dữ liệu độc quyền.
- Cập nhật điều khoản dịch vụ — nếu Douyin hoặc TikTok sửa đổi điều khoản để cho phép sử dụng nội dung người dùng cho đào tạo AI, đó là một bước tiến lớn nhưng cũng là rủi ro pháp lý.
Câu hỏi cuối cùng tôi đặt ra là: Liệu dữ liệu có thực sự là lợi thế cạnh tranh bền vững, hay chỉ là một yếu tố cần thiết nhưng không đủ? Trong lịch sử công nghệ, đã có nhiều công ty sở hữu dữ liệu khổng lồ nhưng thất bại trong việc xây dựng mô hình tốt (ví dụ: Yahoo, Myspace). Ngược lại, những công ty có dữ liệu hạn chế nhưng kiến trúc vượt trội (như DeepSeek) vẫn có thể cạnh tranh. ByteDance đang đặt cược lớn vào dữ liệu, nhưng canh bạc này vẫn chưa có hồi kết.
Khi thị trường hoảng loạn, tôi vẫn bình tĩnh thực hiện kế hoạch. Và hiện tại, kế hoạch của tôi là quan sát, không hành động. Bởi vì trong cuộc đua dữ liệu, người chiến thắng thường là người kiên nhẫn nhất, không phải người nhanh nhất.