Vì sao huấn luyện AI lại dùng Mac chứ không phải GPU?

Không phải thay thế GPU, mà là một loại khối lượng công việc khác. Bản thân việc huấn luyện model vẫn dựa vào GPU, nhưng huấn luyện 'agent biết thao tác máy tính' cần cho AI xem màn hình, bấm, nhận phản hồi trong hệ điều hành thật, lặp lại hàng triệu lần. Thứ cần là lượng lớn máy tính chạy thật, chứ không phải nhiều card đồ họa hơn.

Vì sao là Mac chứ không phải máy Windows hay Linux rẻ hơn?

Bản tin công khai chưa nói rõ lý do chọn. Có thể suy đoán hợp lý các yếu tố gồm: kiến trúc bộ nhớ hợp nhất của Apple silicon cho một máy chạy được model tại máy khá lớn, máy nhỏ gọn mật độ cao, tiêu thụ điện thấp, và macOS là một trong những hệ điều hành mục tiêu quan trọng — agent muốn học thao tác Mac thì cách trực tiếp nhất là tập ngay trên Mac.

Chuyện này ảnh hưởng doanh thu Apple có lớn không?

Với quy mô doanh thu của Apple, vài vạn máy Mac không phải con số quyết định. Ý nghĩa thật sự nằm ở tầng tự sự: Apple từ 'kẻ đi sau về AI' biến thành 'một trong những nhà cung cấp hạ tầng AI', điều này có ảnh hưởng đến cách thị trường nhìn nhận định vị của Apple silicon.

OpenAI mua hàng vạn máy Mac mini để huấn luyện AI: vì agent muốn học dùng máy tính, thì phải có máy tính thật

Q: Chuỗi cung ứng Việt Nam có hưởng lợi không?

Việc lắp ráp và linh kiện của Mac vốn dựa nhiều vào chuỗi cung ứng khu vực, đơn hàng tăng tự nhiên là tích cực. Nhưng phải nhìn thực tế về quy mô — vài vạn máy trong tổng lượng xuất Mac chiếm tỷ lệ có hạn, thứ thật sự đáng quan tâm là liệu điều này có đại diện cho việc 'huấn luyện agent cần lượng lớn thiết bị vật lý' sẽ trở thành nhu cầu kéo dài hay không.

The Information đưa tin ngày 31/8 rằng OpenAI đã mua hàng vạn máy Mac mini và Mac Studio để huấn luyện AI Agent biết tự thao tác phần mềm; còn Anthropic thì thuê năng lực tính toán Mac qua AWS. Ý nghĩa của chuyện này với Việt Nam nằm ở câu 'thứ được huấn luyện không phải model, mà là thao tác'.

Nếu năm 2023 bạn nói với một nhà nghiên cứu AI rằng "tương lai huấn luyện AI cần mua mấy vạn máy tính để bàn", anh ta chắc sẽ thấy bạn nhầm gì đó — huấn luyện chẳng phải nên chất đống GPU sao?

Nhưng bản tin ngày 31/8/2026 của The Information hé lộ chuyện này: OpenAI đã mua hàng vạn máy Mac mini và Mac Studio, dùng để huấn luyện AI Agent biết tự thao tác phần mềm. Anthropic thì đi con đường khác, thuê năng lực tính toán Mac qua AWS để làm việc tương tự.

Bối cảnh sự việc

Muốn hiểu chuyện này, trước hết phải phân biệt hai kiểu huấn luyện.

Huấn luyện model: cho model học ngôn ngữ và suy luận từ khối văn bản khổng lồ. Việc này cần lượng lớn phép tính ma trận, GPU là phần cứng phù hợp nhất, Nvidia gần như độc quyền.

Huấn luyện agent thao tác máy tính: cho AI học "thấy màn hình này thì nên bấm chỗ nào". Việc này cần AI chạy trong một hệ điều hành thật, quan sát màn hình, thực thi hành động, nhận phản hồi, rồi lặp lại vài triệu lần.

Kiểu thứ hai cần không phải nhiều card đồ họa hơn, mà là nhiều máy tính chạy thật hơn.

Đây chính là hiện thực huấn luyện của agent computer-use. Bạn không thể chỉ cho model xem ảnh chụp màn hình, vì thứ nó phải học là "bấm xuống rồi thì sẽ xảy ra gì" — quan hệ nhân quả đó chỉ học được khi đã thật sự thực thi. Thứ mà học tăng cường (reinforcement learning) cần là một môi trường, và bản thân hệ điều hành chính là môi trường.

Trọng tâm lần này

Thời gian và nguồn: The Information đưa tin ngày 31/8/2026
Quy mô: OpenAI đã mua hàng vạn máy Mac mini và Mac Studio
Mục đích: huấn luyện học tăng cường, đặc biệt là agent computer-use biết tự thao tác phần mềm
Cách làm của đối thủ: Anthropic thuê năng lực tính toán Mac qua Amazon Web Services để chạy khối lượng công việc tương tự
Hàm ý ngành: Apple bất ngờ trở thành một trong những nhà cung cấp hạ tầng huấn luyện AI, xuất hiện vai trò mới trong lĩnh vực vốn do Nvidia chủ đạo lâu nay
Bối cảnh kỹ thuật: agent cần quan sát, hành động, nhận phản hồi trong hệ điều hành thật, lặp lại số lần lớn mới học được cách thao tác phần mềm

Phân tích tác động thị trường

Với người dùng Việt Nam

Ngắn hạn không có ảnh hưởng trực tiếp, nhưng nó báo trước tương lai bạn sẽ dùng tới thứ gì.

Thứ OpenAI dồn nhiều công sức huấn luyện, cuối cùng sẽ biến thành các tính năng bạn thấy trên máy tính — AI Agent giúp bạn điền tờ khai trong hệ thống khai thuế, tra sao kê trên website ngân hàng, chuyển dữ liệu trong hệ thống cũ của công ty. Đây là những việc AI hiện làm chưa tốt, vì chúng không có API, chỉ có màn hình.

Việt Nam có rất nhiều hệ thống kiểu này. Các cổng dịch vụ hành chính của nhà nước, hệ thống đặt lịch của bệnh viện, ERP mà công ty phát triển hơn chục năm trước — những thứ này sẽ không mở API vì AI, nhưng chúng có màn hình. Khi agent computer-use đủ trưởng thành, cả một mảng lớn tài sản "đã số hóa nhưng chưa hiện đại hóa" này mới thật sự tự động hóa được.

Tôi cho rằng ý nghĩa của chuyện này với Việt Nam lớn hơn nhiều người tưởng, vì mức độ già cỗi của hệ thống ở Việt Nam không thấp.

Với ứng dụng doanh nghiệp

Điều doanh nghiệp cần chú ý là "ranh giới của tự động hóa" đang dịch chuyển.

Các công ty làm RPA (tự động hóa quy trình bằng robot) trước đây đều biết, khâu mong manh nhất là so khớp màn hình — nút bấm dịch chỗ một chút, kích thước cửa sổ đổi, cả quy trình sập. Nên chi phí bảo trì dự án RPA rất cao, nhiều doanh nghiệp Việt Nam triển khai xong hai năm là bỏ.

Agent computer-use đi con đường khác: nó hiểu được màn hình đang làm gì, chứ không phải ghi nhớ tọa độ. Về nguyên lý điều này gần với cách thao tác của con người hơn, lý thuyết là cũng chịu được thay đổi giao diện tốt hơn.

Nếu con đường này đi thông, chuyện xảy ra trong ba năm tới là: những quy trình "vì hệ thống quá cũ, không có API nên không tự động hóa được" sẽ hạ ngưỡng rất nhiều. Thứ doanh nghiệp Việt Nam nên chuẩn bị bây giờ không phải mua công cụ, mà là kiểm kê trước — những quy trình nào là người bấm qua bấm lại trên màn hình, mỗi tháng tốn bao nhiêu giờ công. Danh sách này làm xong, khi công cụ trưởng thành bạn mới biết bắt đầu từ đâu. Muốn xem trước các công cụ tự động hóa hiện có làm được tới đâu, trang tác vụ đã sắp xếp các bộ công cụ tương ứng theo tình huống.

Với lập trình viên

Có hai quan sát ở mặt kỹ thuật.

Môi trường chính là hạ tầng. Chuyện này với người trong lĩnh vực học tăng cường không mới — huấn luyện robot cần trình mô phỏng, huấn luyện AI chơi game cần môi trường game. Nhưng lấy "máy tính văn phòng thông thường" làm môi trường huấn luyện và phải quy mô hóa, là bài toán kỹ thuật mới. Làm sao reset trạng thái nhanh, làm sao chạy song song vài nghìn instance, làm sao đảm bảo tính nhất quán của mỗi môi trường, đây đều là thách thức thực tế.

Định vị của Apple silicon đã đổi. Kiến trúc bộ nhớ hợp nhất khiến Mac chạy được model tại máy khá lớn với chi phí tương đối thấp, chuyện này trong cộng đồng lập trình viên đã bàn từ lâu. Giờ đến cả các phòng thí nghiệm tiền tuyến cũng mua sắm quy mô lớn, coi như một sự ủng hộ cho kiến trúc này. Có bài viết đề cập Nvidia đã coi Apple là đối thủ chính trong xử lý AI tại máy — điều mà hai năm trước sẽ không ai nói ra.

Ý nghĩa thực tế với lập trình viên Việt Nam là: nếu bạn đang đánh giá phần cứng chạy model tại máy, tính hiệu quả chi phí của Apple silicon đáng tính lại một lần, nhất là các tình huống cần bộ nhớ lớn. Muốn bắt tay thử thì Hướng dẫn LM Studio toàn tập là điểm khởi đầu nhanh nhất.

Xu hướng phát triển tương lai

Nhu cầu huấn luyện trên thiết bị vật lý sẽ tiếp diễn. Chừng nào agent còn cần học thao tác phần mềm của con người, thì còn cần những cỗ máy chạy được các phần mềm đó. Điều này có thể sinh ra hình thái dịch vụ mới — "môi trường huấn luyện agent dưới dạng dịch vụ", việc Anthropic thuê Mac qua AWS chính là phôi thai của mô hình này.

Vai trò của nhà cung cấp phần cứng sẽ đa dạng hóa. Trước đây nói về phần cứng AI chỉ có một đáp án là GPU, giờ xuất hiện kiểu nhu cầu thứ hai. Ý nghĩa với cả chuỗi cung ứng là: hạ tầng AI không còn là cuộc đua của một loại mặt hàng duy nhất.

Điểm quan sát của chuỗi cung ứng Việt Nam. Việc lắp ráp và linh kiện của Mac vốn dựa nhiều vào các nhà sản xuất khu vực châu Á, đơn hàng tăng tất nhiên là tích cực. Nhưng phải thực tế — vài vạn máy trong tổng lượng xuất Mac chiếm tỷ lệ có hạn, không làm thay đổi báo cáo tài chính của bất kỳ công ty nào. Thứ thật sự đáng theo dõi là: đây là một lần mua sắm nhất thời, hay "huấn luyện agent cần lượng lớn thiết bị vật lý" sẽ trở thành nhu cầu mang tính cơ cấu. Nếu là vế sau, quy mô sẽ tiếp tục phình to, đó mới là tín hiệu chuỗi cung ứng nên nhìn nghiêm túc.

Tổng kết và nhận định của TheAI Academy

Chỗ tôi thích nhất ở tin này là nó phơi ra một đạo lý rất mộc mạc: khi AI muốn học làm việc của con người, nó phải ở trong môi trường của con người.

Chúng ta mất mấy năm để quen với việc "AI là thứ chạy trên đám mây", rồi phát hiện muốn dạy nó dùng Excel, cách hiệu quả nhất là đưa cho nó một cái máy tính thật có cài Excel. Chuyện này hơi buồn cười, nhưng thật ra phản ánh sự chuyển giai đoạn của AI — từ "xử lý thông tin" đi sang "thực thi hành động", mà hành động phải xảy ra trong môi trường thật.

Với độc giả Việt Nam, góc nhìn tôi muốn đề xuất là thế này: đừng chỉ coi nó là tin tốt cho Apple. Thứ nó thật sự đang nói là, nút thắt của ngành AI đang chuyển từ "model thông minh cỡ nào" sang "model có làm được việc trong môi trường thật không". Sự chuyển dịch này sẽ tạo ra cả một loại nhu cầu mới — môi trường huấn luyện, kiểm chứng thao tác, kiểm toán hành động — và những nhu cầu này chưa chắc chỉ Thung lũng Silicon mới làm được.

Nhận định: AI muốn học dùng máy tính thì phải có trước mấy vạn máy tính — chuyện này nghe như trò đùa, nhưng lại mô tả chính xác việc ngành AI đang đi từ "suy nghĩ" sang "ra tay".

Lời khuyên cụ thể cho độc giả Việt Nam: nếu bạn làm tối ưu quy trình trong doanh nghiệp, bây giờ hãy bắt đầu kiểm kê những quy trình "chỉ có thể dùng tay người bấm trên màn hình", ước tính số giờ công mỗi tháng. Danh sách này sẽ rất có giá khi agent computer-use trưởng thành, mà làm việc này hoàn toàn không cần đợi bất kỳ công nghệ nào đến. Nếu bạn là lập trình viên, tính hiệu quả chi phí suy luận tại máy của Apple silicon đáng đánh giá lại một lần, đặc biệt là các tình huống ứng dụng cần bộ nhớ lớn.

Đọc mở rộng có thể xem Hướng dẫn xây dựng AI Agent, và Hướng dẫn tự động hóa AI toàn tập.

Nguồn tham khảo

Bản tin gốc từ The Information (ngày 31/8/2026). Tổng hợp theo thông tin công khai, lấy theo công bố chính thức; các quan sát về ngành và đầu tư trong bài chỉ mang tính tham khảo, không cấu thành khuyến nghị đầu tư.