Mở đầu — vì sao bài này quan trọng
Suốt 57 bài trước, chúng ta đã đi qua gần như toàn bộ bản đồ kỹ thuật và chiến lược của một AI Product Manager: từ kiến trúc LLM, RAG, evaluation, cho tới token economics và agent. Nhưng có một câu hỏi mà rất nhiều học viên Việt Nam đặt cho tôi mà các tài liệu nước ngoài không bao giờ trả lời được: "Em làm AI PM ở Việt Nam thì thực ra hệ sinh thái quanh em trông như thế nào? Em dựa được vào ai, học được từ ai, và cơ hội nằm ở đâu?"
Bài này tồn tại để trả lời chính xác câu đó. Đây không phải một bài kỹ thuật. Đây là một bài "đọc bản đồ". Một AI PM giỏi không chỉ biết build sản phẩm — họ còn phải hiểu mình đang đứng ở đâu trong một hệ sinh thái: ai làm research, ai làm hạ tầng, ai làm ứng dụng, vốn chảy từ đâu, nhân tài đến từ đâu, và đâu là khoảng trống mà sản phẩm của bạn có thể lấp.
VinAI là điểm khởi đầu hoàn hảo, vì đó là nỗ lực nghiêm túc và quy mô nhất mà một tập đoàn tư nhân Việt Nam từng đổ vào AI research. Nhưng VinAI chỉ là một mảnh. Hiểu được cả bức tranh — VinAI, FPT, Zalo (VNG), các startup, các trường đại học, và làn sóng Vietnamese LLM — sẽ giúp bạn ra quyết định build/buy/partner thông minh hơn rất nhiều khi làm sản phẩm tại thị trường này.
Khái niệm cốt lõi
VinAI Research — tham vọng "research-first" hiếm có
VinAI Research được thành lập năm 2019, trực thuộc tập đoàn Vingroup, với một mục tiêu khác thường so với phần lớn công ty công nghệ Việt Nam thời điểm đó: làm nghiên cứu AI ở tầm quốc tế, công bố tại các hội nghị hàng đầu (NeurIPS, CVPR, ICML, ACL), chứ không chỉ làm outsourcing hay ứng dụng.
Người dẫn dắt là TS. Bùi Hải Hưng, một nhà khoa học từng làm việc tại Google DeepMind, Adobe Research và Nuance. Việc một người ở tầm đó về Việt Nam dẫn dắt là tín hiệu mạnh: VinAI muốn cạnh tranh ở "tầng research", nơi mà rất ít quốc gia đang phát triển dám bước vào. Đội ngũ ban đầu được tuyển từ các lab và công ty lớn — FAANG (Facebook, Amazon, Apple, Netflix, Google), MILA (lab của Yoshua Bengio ở Montreal), và các tiến sĩ Việt kiều muốn về nước.
Điều quan trọng với một PM cần hiểu: VinAI chọn mô hình "research-first". Họ đầu tư vào năng lực nền tảng (computer vision, NLP, generative models) trước, rồi mới chuyển hóa thành sản phẩm. Các đầu ra đáng chú ý gồm:
- PhoBERT — mô hình ngôn ngữ pre-trained cho tiếng Việt, được cộng đồng NLP toàn cầu dùng rộng rãi và trích dẫn rất nhiều. Đây có lẽ là đóng góp có ảnh hưởng nhất của VinAI tới cộng đồng, vì nó trở thành "baseline" cho hầu hết bài toán NLP tiếng Việt.
- Computer vision cho ô tô — VinAI gắn với VinFast, làm các tính năng giám sát người lái (Driver Monitoring System), ADAS, nhận diện. Đây là ví dụ điển hình research phục vụ một dòng sản phẩm phần cứng cụ thể.
- Các sản phẩm hướng người dùng từng được thử nghiệm như camera AI, giải pháp y tế hình ảnh, và sau này là các hướng generative.
Bài học mô hình: research-first vs application-first
Có hai triết lý xây dựng năng lực AI mà bạn sẽ gặp đi gặp lại:
Research-first (VinAI giai đoạn đầu, hay OpenAI giai đoạn đầu): xây năng lực nền tảng, chấp nhận đốt tiền dài hạn, kỳ vọng đột phá. Rủi ro: khoảng cách giữa research và doanh thu rất xa, dễ bị áp lực tài chính cắt ngắn.
Application-first (phần lớn startup AI Việt Nam hôm nay): lấy mô hình có sẵn (GPT, Claude, Gemini, open-source) rồi tập trung vào lớp ứng dụng, dữ liệu riêng, và phân phối. Rủi ro: dễ bị thay thế, moat mỏng (chúng ta đã bàn ở Bài 8).
VinAI là một case study sống về cái giá và giá trị của con đường research-first ở một thị trường mới nổi. Khi Vingroup tái cấu trúc và tập trung nguồn lực, các mảng AI cũng được điều chỉnh theo định hướng phục vụ hệ sinh thái VinFast/VinBigData nhiều hơn — minh chứng rằng ngay cả research xuất sắc cũng cần một "đường ống" rõ ràng dẫn tới giá trị kinh doanh.
Bức tranh rộng hơn: hệ sinh thái AI Việt Nam
VinAI không tồn tại một mình. Để làm AI PM ở Việt Nam, bạn nên thuộc các "lớp" sau:
- Lớp tập đoàn lớn (corporate R&D & nền tảng): VinAI/VinBigData (Vingroup), FPT (FPT.AI, FPT Smart Cloud, akaBot, akaChat), Viettel (Viettel AI/Cyberspace), VNG/Zalo AI. Đây là nơi có vốn, dữ liệu lớn và hạ tầng tính toán.
- Lớp Vietnamese LLM: PhoGPT (VinAI), ViGPT, Vistral, các nỗ lực fine-tune trên Llama/Qwen cho tiếng Việt. (Bài 51 đã đào sâu phần này — ở đây ta chỉ nhìn nó như một "lớp" trong hệ sinh thái.)
- Lớp startup ứng dụng: rất nhiều startup làm chatbot CSKH, AI voice, OCR, legal-tech, medtech, edtech — phần lớn application-first.
- Lớp học thuật & nhân tài: VietAI (cộng đồng/đào tạo do Vũ Hà Văn và các giảng viên dẫn dắt), các đại học (Bách Khoa, VNU, các nhóm nghiên cứu), và lực lượng Việt kiều trong các Big Tech.
- Lớp hạ tầng & vốn: cloud nội địa (FPT, Viettel, VNG Cloud), GPU, và dòng vốn từ quỹ trong/ngoài nước.
Tình huống thực tế
Tình huống 1 — PhoBERT và "lực đòn bẩy" của một mô hình mở
Một startup edtech ở TP.HCM (giả định, đặt tên là "HocThongMinh") cần xây tính năng tự động chấm điểm và phản hồi cho bài luận tiếng Việt của học sinh. Năm 2020, nếu họ tự train một mô hình ngôn ngữ tiếng Việt từ đầu, chi phí dữ liệu và tính toán sẽ vượt xa ngân sách seed của họ.
Thay vào đó, đội ngũ dùng PhoBERT (do VinAI công bố mở) làm backbone, rồi fine-tune trên vài chục nghìn bài luận đã được giáo viên chấm. Kết quả: họ ra được MVP phân loại lỗi ngữ pháp và gợi ý cải thiện trong khoảng 3 tháng, với một team 4 người.
Diễn giải: Đây là tác động "hệ sinh thái" mà nhiều PM bỏ qua. Một mô hình research công bố mở của VinAI đã trở thành hạ tầng miễn phí cho hàng loạt startup application-first. Giá trị của VinAI với cộng đồng không chỉ nằm ở sản phẩm thương mại của họ, mà ở những "viên gạch nền" họ để lại.
Bài học rút ra: Khi làm AI PM ở Việt Nam, luôn khảo sát "có viên gạch nội địa nào dùng được không" trước khi mặc định dùng đồ ngoại. Một mô hình tiếng Việt được tối ưu sẵn có thể tiết kiệm cho bạn hàng tháng trời và nhiều chục nghìn đô.
Tình huống 2 — Tập đoàn lớn build research, vì sao và khi nào hợp lý
Hãy nhìn vào logic của Vingroup khi lập VinAI. Họ có VinFast (ô tô), Vinhomes, VinMart, hệ sinh thái khổng lồ. Với ô tô điện, các tính năng như giám sát người lái, ADAS, nhận diện không thể "đi mua đại trà" vì chúng gắn chặt với phần cứng, dữ liệu vận hành, và tiêu chuẩn an toàn riêng. Tự chủ năng lực AS là một quyết định chiến lược, không chỉ kỹ thuật.
Đối chiếu: một chuỗi cà phê 50 cửa hàng muốn làm chatbot đặt món. Họ KHÔNG nên lập một lab research. Họ nên dùng API của một foundation model + một lớp RAG trên menu của mình. Cùng là "làm AI", nhưng quy mô, tính chiến lược và khả năng tạo moat hoàn toàn khác.
Diễn giải: VinAI hợp lý vì Vingroup có (1) sản phẩm phần cứng cần AI tích hợp sâu, (2) dữ liệu độc quyền quy mô lớn, (3) túi tiền chịu được chu kỳ dài. Khi thiếu một trong ba yếu tố đó, mô hình research-first thường không kinh tế.
Bài học rút ra: Trước khi mơ "team chúng ta cũng làm AI research", hãy soi đủ ba điều kiện: phần cứng/tích hợp sâu, dữ liệu độc quyền, và khả năng chịu lỗ dài hạn. Đây chính là phiên bản Việt Nam của khung build-vs-buy ở Bài 7.
Tình huống 3 — Chọn partner nội địa cho bài toán tuân thủ dữ liệu
Một ngân hàng tầm trung ở Hà Nội (giả định "ABBank-style") muốn triển khai trợ lý nội bộ trả lời quy trình, văn bản pháp lý. Vấn đề: dữ liệu nhạy cảm, ràng buộc của Nghị định 13/2023 về bảo vệ dữ liệu cá nhân, và yêu cầu dữ liệu không rời khỏi hạ tầng kiểm soát được.
Họ cân nhắc ba phương án: (a) gọi thẳng API OpenAI/Anthropic ra nước ngoài, (b) tự host open-source LLM trên cloud nội địa (FPT/Viettel/VNG Cloud), (c) hợp tác với một nhà cung cấp Việt như FPT.AI hoặc dùng PhoGPT/Vistral self-hosted.
Cuối cùng họ chọn kết hợp (b)+(c): host một mô hình tiếng Việt fine-tuned trên cloud nội địa, có hợp đồng và SLA bằng tiếng Việt, đội hỗ trợ cùng múi giờ.
Diễn giải: Ở đây, "hệ sinh thái nội địa" không phải lựa chọn yêu nước cảm tính — nó là lựa chọn tuân thủ và vận hành. Cloud nội địa giải quyết bài toán data residency; nhà cung cấp Việt giải quyết bài toán ngôn ngữ pháp lý, hỗ trợ và trách nhiệm hợp đồng.
Bài học rút ra: Bản đồ hệ sinh thái (cloud nội địa, LLM tiếng Việt, nhà tích hợp Việt) trở thành tài sản chiến lược ngay khi bạn chạm tới các bài toán nhạy cảm về dữ liệu hoặc bị quản lý chặt. Một AI PM giỏi ở Việt Nam phải biết "ai làm được gì" trong nước.
Hướng dẫn từng bước
Đây là quy trình để bạn — với tư cách AI PM — "đọc" và tận dụng hệ sinh thái AI Việt Nam cho một dự án cụ thể.
Bước 1 — Định vị bài toán theo bốn lớp. Hỏi: sản phẩm của bạn cần research mới, hay chỉ cần ứng dụng mô hình có sẵn? Cần model tiếng Việt riêng, hay model đa ngôn ngữ là đủ? Phần lớn dự án nằm ở lớp ứng dụng — đừng tự đẩy mình lên lớp research khi không cần.
Bước 2 — Lập "inventory" tài nguyên nội địa. Liệt kê các viên gạch có sẵn: mô hình mở tiếng Việt (PhoBERT, PhoGPT, Vistral, ViGPT), cloud nội địa, nhà cung cấp dịch vụ (FPT.AI, Viettel AI, Zalo AI), và cộng đồng/nhân tài (VietAI, các nhóm đại học). Đối chiếu với đồ ngoại (OpenAI, Anthropic, Google, open-source toàn cầu).
Bước 3 — Áp ràng buộc thực tế. Ba ràng buộc thường quyết định: (1) data residency/tuân thủ (Nghị định 13), (2) ngân sách và token economics (Bài 40), (3) chất lượng tiếng Việt cho domain của bạn. Chấm điểm từng phương án theo ba trục này.
Bước 4 — Ra quyết định build/buy/partner. Build (research-first) chỉ khi có tích hợp sâu + dữ liệu độc quyền + chịu lỗ dài hạn. Còn lại: buy API hoặc partner với nhà cung cấp nội địa, rồi dồn sức vào lớp dữ liệu và trải nghiệm riêng của bạn — đó mới là moat.
Bước 5 — Kết nối với cộng đồng. Tham gia các cộng đồng như VietAI, các nhóm NLP/ML Việt, theo dõi công bố của VinAI/FPT để cập nhật baseline. Nhân tài AI ở Việt Nam còn khan hiếm; mạng lưới là lợi thế tuyển dụng và học hỏi thật sự.
Bước 6 — Thiết kế phương án dự phòng. Hệ sinh thái non trẻ nghĩa là rủi ro: nhà cung cấp đổi chiến lược, mô hình ngừng cập nhật. Luôn có kiến trúc cho phép thay model (model routing — Bài 41) để không bị khóa cứng vào một nhà cung cấp duy nhất.
Lỗi thường gặp & mẹo
Lỗi 1 — Tôn sùng "research-first" một cách mù quáng. Nhiều founder thấy VinAI, OpenAI làm research rồi nghĩ mình cũng phải có lab. 95% sản phẩm AI thương mại không cần. Câu chuyện VinAI cho thấy ngay cả research xuất sắc cũng phải gắn vào đường ống giá trị kinh doanh, nếu không sẽ chịu áp lực tái cấu trúc.
Lỗi 2 — Bỏ qua tài nguyên nội địa. Mặc định "cứ GPT là xong" khiến bạn bỏ lỡ các mô hình tiếng Việt được tối ưu sẵn (rẻ hơn, đôi khi tốt hơn cho tiếng Việt thuần) và bỏ lỡ lợi thế tuân thủ của cloud nội địa.
Lỗi 3 — Nhầm "có model tiếng Việt" với "giải quyết được bài toán". Một mô hình tiếng Việt tốt vẫn cần dữ liệu domain của bạn, evaluation riêng (Bài 26), và guardrails (Bài 28). Đừng kỳ vọng PhoGPT/Vistral "cắm vào là chạy" cho domain pháp lý hay y tế.
Lỗi 4 — Đánh giá hệ sinh thái bằng tin tức cũ. Hệ sinh thái AI Việt Nam thay đổi rất nhanh; định hướng của một tập đoàn năm nay có thể khác năm sau. Hãy kiểm tra trạng thái hiện tại trước khi đưa vào quyết định kiến trúc.
Mẹo: Lập một bảng so sánh "nội địa vs quốc tế" cho mỗi dự án, chấm theo 4 cột: chất lượng tiếng Việt, chi phí, tuân thủ/data residency, độ chín & hỗ trợ. Quyết định sẽ tự lộ ra.
Mẹo: Theo dõi các công bố khoa học và open-source release của VinAI/các nhóm Việt — chúng thường là chỉ báo sớm cho năng lực sắp được thương mại hóa, giúp bạn đi trước đối thủ vài tháng.
Bài tập thực hành
- Vẽ bản đồ hệ sinh thái cá nhân. Lập sơ đồ năm lớp (corporate R&D, Vietnamese LLM, startup ứng dụng, học thuật/nhân tài, hạ tầng/vốn). Với mỗi lớp, điền ít nhất hai tên thật mà bạn biết. Đánh dấu lớp nào liên quan trực tiếp tới sản phẩm bạn đang/định làm.
- Phân tích quyết định VinAI. Viết một đoạn 200 từ trả lời: "Vì sao mô hình research-first của VinAI hợp lý với Vingroup nhưng sẽ không hợp lý với một startup SaaS 10 người?" Dùng đúng ba điều kiện đã học (tích hợp sâu, dữ liệu độc quyền, chịu lỗ dài hạn).
- Bài toán build/buy/partner thực tế. Chọn một sản phẩm cụ thể (vd: trợ lý CSKH cho một sàn TMĐT Việt). Lập bảng 4 cột (chất lượng tiếng Việt, chi phí, tuân thủ, độ chín & hỗ trợ) so sánh: API quốc tế vs LLM tiếng Việt self-hosted vs partner FPT.AI. Đưa ra khuyến nghị và lý do.
- Kế hoạch chống khóa cứng (vendor lock-in). Phác thảo kiến trúc cho phép thay đổi nhà cung cấp model trong vòng một sprint. Liệt kê những gì cần trừu tượng hóa (prompt, interface gọi model, evaluation set) để không phụ thuộc cứng vào một mô hình duy nhất.
Tóm tắt
VinAI Research (thành lập 2019, dẫn dắt bởi TS. Bùi Hải Hưng, đội ngũ từ FAANG/MILA) là nỗ lực research-first nghiêm túc nhất của khu vực tư nhân Việt Nam, để lại những "viên gạch nền" như PhoBERT và các năng lực computer vision gắn với VinFast. Nhưng VinAI chỉ là một mảnh của một hệ sinh thái gồm năm lớp: tập đoàn lớn (Vingroup, FPT, Viettel, VNG/Zalo), Vietnamese LLM (PhoGPT, Vistral, ViGPT), startup ứng dụng, học thuật/nhân tài (VietAI, đại học), và hạ tầng/vốn (cloud nội địa).
Với một AI PM, ba thông điệp cốt lõi: (1) Research-first chỉ hợp lý khi có tích hợp sâu, dữ liệu độc quyền và khả năng chịu lỗ dài hạn — phần lớn dự án không cần. (2) Tài nguyên nội địa (mô hình tiếng Việt mở, cloud nội địa, nhà tích hợp Việt) là tài sản chiến lược, đặc biệt cho bài toán tuân thủ dữ liệu theo Nghị định 13. (3) Hiểu "ai làm được gì" trong hệ sinh thái giúp bạn ra quyết định build/buy/partner thực tế và xây kiến trúc tránh khóa cứng. Đọc được bản đồ này, bạn không chỉ là người làm sản phẩm — bạn là người định vị sản phẩm đúng chỗ trong một thị trường đang lớn rất nhanh.