Không phải ngược lại. Ai không dùng model thì không hiểu vì sao cần phần cứng đó — và không bán được giải pháp, chỉ bán được cái thùng máy.
Bán lẻ tiêu dùng đang hết cửa: laptop bị các chuỗi lớn hút hết nguồn, kênh Game Net gần như biến mất, thị trường Campuchia còn một phần nhỏ. MSI đã đổi ngôn ngữ marketing từ “máy gaming” sang “máy AI” và đang kéo về server, storage, card pro, PC công nghiệp và dự án nhà nước. Buổi này trả lời đúng một câu hỏi anh Huy lặp lại nhiều lần: bắt đầu từ đâu.
Hai người ngồi ở hai đầu của cùng một vấn đề. Anh Huy có nguồn hàng, quan hệ hãng và kênh dự án nhưng không có giải pháp để bán. NTA có giải pháp đang chạy thật nhưng chưa có kênh doanh nghiệp và quy mô phần cứng. Cả hai đều kết luận giống nhau: bán lẻ tiêu dùng không hồi phục trước sang năm.
Các chuỗi lớn hút gần hết sản lượng. Ai không nằm trong nhóm đó thì không có room ở nhà phân phối. Cơ chế sống sót duy nhất là bảo trợ giá của hãng — hãng cover phần chênh giữa giá bán thực tế và giá nhập.
Kênh từng chiếm 50–60% nay còn rất ít. Khách vẫn nâng cấp nhưng gần như không có phòng máy mở mới. Hàng phần lớn đang xoay vòng giữa các đại lý và đẩy lên sàn, không phải tiêu thụ thật.
Nhóm khách hàng lớn tại Campuchia không còn. Trước đây lợi nhuận từ thị trường này được dùng để bù cho hoạt động trong nước; nay phần bù đó mất.
Nhu cầu dự án có thật, nhưng giá thiết bị AI tăng theo từng lô giao — mỗi vài tháng có thể tăng 700–800 USD. Không forecast được nguồn hàng và giá thì không ai dám báo giá cho hợp đồng giao sau.
Duyệt nhanh, có ngân sách, có áp lực giải ngân. Một dự án cỡ trăm tới trăm mấy bộ, đi qua các nhà thầu. Đã qua giai đoạn cho mượn thiết bị để test, đang bắt đầu chuyển sang triển khai và đặt hàng.
Khối này yêu cầu dữ liệu ở tại chỗ. Nhu cầu gốc là camera và xử lý ngay tại khu vực, nên hệ thống AI buộc phải chạy local — đây không phải lựa chọn kỹ thuật mà là điều kiện tham gia.
AI tạo ngách mà các hãng server lớn chưa phủ. Đồng thời NVIDIA đang dịch lên trên và bớt quan tâm các SKU nhỏ — phần đó rơi xuống kênh commercial phía dưới. Đây chính là chỗ cả hai bên thấy cơ hội.
Điểm ngắm của buổi này. Không phải chọn mua máy nào. Là hiểu đủ để tư vấn được: bài toán nào cần model gì, model đó cần phần cứng nào, và khi nào thì không nên bán phần cứng.
Đây là thứ tự phải đi khi tư vấn một doanh nghiệp. Bắt đầu từ bậc 3 — tức là chào cấu hình trước khi biết bài toán — là cách nhanh nhất để bán sai máy hoặc mất deal.
Cụ thể tới mức đo được: nhập bao nhiêu hóa đơn một ngày, bao nhiêu đoạn chat, bao nhiêu request cùng lúc, dữ liệu có được rời khỏi công ty không. “Dùng AI cho công ty” không phải một bài toán.
Bài toán phức tạp cần model to có suy luận. Bài toán đơn giản nhưng khối lượng lớn cần model nhỏ hiệu suất cao. Không phải cái gì cũng cần to — đây là chỗ quyết định toàn bộ chi phí phía sau.
Bộ nhớ quyết định model to tới đâu thì load được và chạy được bao nhiêu luồng song song. Băng thông quyết định tốc độ sinh token. Compute quyết định tốc độ nuốt prompt và throughput khi gộp nhiều yêu cầu. Phần cứng phục vụ model, không phải ngược lại.
Model chỉ là trí thông minh; nó cần một lớp dẫn dắt: bước một làm gì, bước hai làm gì, con nào chạy ở máy nào, tải bao nhiêu thì chuyển. Đây là phần phải tự xây và cũng là phần khó sao chép.
Triển khai, dữ liệu, đào tạo, hỗ trợ, mở rộng theo tải thật. Phần cứng mở cửa và tạo giá trị hợp đồng; phần này tạo biên lợi nhuận và sự khác biệt.
| Nhóm | Đánh giá tại bàn | Vì sao | Ưu tiên |
|---|---|---|---|
| Doanh nghiệp vừa trở lên | Nhóm chính | Kiểu gì cũng phải xài. Ngưỡng hợp lý được nêu: doanh thu từ 100–200 tỷ trở lên. Rào cản không phải ngân sách mà là không biết dùng | Làm trước |
| Dự án / chính phủ / công an | Nhóm ok | Có ngân sách, duyệt nhanh, privacy bắt buộc nên phải local. Cần giải được bài toán báo giá và nguồn hàng | Làm trước |
| Cộng đồng | Nhóm ok | Được nhắc cùng hai nhóm trên; chưa bàn cách tiếp cận | Sau |
| Content creator (kiến trúc, đồ họa, dựng phim) | Chưa kết luận | Anh Huy nêu như một hướng thay thế cho gaming; buổi này không chốt | Câu hỏi mở |
| MMO / farm | Bỏ qua | Họ đã hiểu phần cứng và tự mua card cũ VRAM cao giá rẻ. Họ tự chơi với nhau, không cần mình | Không đuổi |
| Cá nhân / consumer | Chưa tới | Cloud thông minh hơn nhiều bậc và rẻ hơn. Cần 2–3 năm nữa, khi kiến trúc phần cứng mới trôi xuống consumer | Chờ |
Hệ quả trực tiếp cho bán lẻ. Các chương trình mùa vụ kiểu back-to-school gắn nhãn AI hiện chưa có nội dung thật để bán. Máy cá nhân 16 GB VRAM chạy model nhỏ, không suy luận, người dùng vào thử là bỏ ngay. Gắn chữ AI lên tờ rơi không tạo ra lý do mua.
Toàn bộ phần giải thích trong buổi, sắp lại theo thứ tự dùng được khi ngồi trước khách. Đây cũng là bản nháp đầu tiên của giáo trình educate doanh nghiệp.
Dành cho nơi privacy là bắt buộc: nhà nước, công an, y tế, bệnh viện, và các agency làm cho tập đoàn đa quốc gia có điều khoản bảo mật phạt rất nặng. Hồ sơ bệnh án, hồ sơ đất đai, hồ sơ khách hàng không thể đẩy lên cloud.
Hệ quả: vì không có hybrid nên mọi bài toán đều phải chạy model to — phần cứng rất nặng. Model 500 tới 1.000, thậm chí 2.000 tỷ tham số, cần khoảng 300 GB tới gần 1 TB bộ nhớ ở mức lượng tử hóa 4-bit, tương ứng hạ tầng 10–50 tỷ. Ở FP16 thì riêng model 500 tỷ đã chiếm khoảng 1 TB — nên mọi con số dung lượng đều phải đi kèm mức lượng tử hóa, nếu không là so sai.
Local lo phần tải lớn và lặp lại, dữ liệu nhạy cảm. Cloud lo phần suy luận khó, tần suất thấp. Không phải chọn một bên.
Vì sao không anti-cloud: với bài toán phức tạp thì cloud là vô địch và chi phí cực rẻ — 20 tới 100 USD một tháng, rẻ so với giá trị mang lại cho một người có chi phí giờ công cao. Local thắng ở chỗ khác: khối lượng.
Dung lượng cần = số tham số × số byte mỗi tham số. FP16 là 2 byte, 4-bit là 0,5 byte — nên model 12 tỷ chiếm ~24 GB ở FP16 nhưng chỉ ~7 GB ở 4-bit. Nói “bao nhiêu tỷ tham số thì bấy nhiêu GB” chỉ đúng ở mức 8-bit.
Đây mới là thứ quyết định trả lời nhanh hay chậm. Mỗi token sinh ra phải đọc lại toàn bộ trọng số, nên xấp xỉ: token/giây ≈ băng thông ÷ dung lượng model. Chỗ này khác nhau rất xa giữa Apple, AMD, NVIDIA, Intel, Qualcomm.
Quyết định tốc độ xử lý phần đầu vào và throughput khi gộp nhiều yêu cầu, không quyết định tốc độ sinh token. Đây là con số hay bị đem ra so một mình và cũng là chỗ hay bị hiểu sai nhất.
Phần bộ nhớ còn lại sau khi nạp model dùng để giữ ngữ cảnh cho từng luồng. Nó tăng theo độ dài context nhân với số người dùng cùng lúc — và chính nó, không phải một giới hạn cứng của phần cứng, quyết định phục vụ được bao nhiêu người.
Vì sao TOPS cao mà vẫn chậm — lấy đúng DGX Spark làm ví dụ. Spark có khoảng 1 PFLOP FP4, tức compute rất lớn, nhưng băng thông chỉ 273 GB/s. Kết quả: chạy một luồng thì chậm, dù TOPS rất cao. Nếu TOPS quyết định tốc độ sinh token thì nó đã phải nhanh nhất thị trường. Đây là bằng chứng rõ nhất cho việc đừng so máy bằng con số TOPS trên hộp.
Đính chính một hiểu nhầm phổ biến: “máy này chỉ chạy được vài request cùng lúc”. GPU không xử lý tuần tự từng yêu cầu — server suy luận gộp chúng vào cùng một bước tính (continuous batching). Benchmark thực đo trên DGX Spark cho thấy nó phục vụ được tới 256 luồng đồng thời với tổng throughput khoảng 695 token/giây. Với 128 GB bộ nhớ hợp nhất, concurrency là điểm mạnh của Spark, không phải điểm yếu — điểm yếu của nó nằm ở tốc độ một luồng. Bán ngược chỗ này thì hoặc mất deal oan, hoặc bán thừa máy khi một con đã dư.
Một request nhưng bên dưới có hàng chục bước. Ví dụ: phân tích bệnh án theo lịch sử bệnh, chỉ số và tri thức y khoa để ra một gợi ý; hoặc nghiệp vụ vận hành nhiều bước nối nhau. Cần model to, có suy luận. Đây là nhóm mà không thứ gì qua được các model siêu lớn.
Request đơn giản nhưng khối lượng khổng lồ. Chat real-time hàng ngàn khách cùng lúc, phân loại, OCR, nhập liệu. Model nhỏ hiệu suất cao là đủ — thậm chí không cần suy luận. Đây là nhóm mà local thắng cloud, vì cloud tính quota.
Chat liên tục, phản hồi khách, và các event trên website chạy gần như từng mili giây — scroll là một event, click là một event, cộng lại hàng triệu event mỗi ngày. Một luồng phân loại chạy liên tục, cứ khoảng 5–7 section chat thì sinh một ticket để phân tích hội thoại giữa nhân viên và khách: khách hỏi gì, có dấu hiệu không hài lòng không, có bỏ sót không.
Một card 16 GB VRAM, chạy model khoảng 12 tỷ tham số ở mức 4-bit — tức model chiếm ~7 GB, còn lại ~9 GB dành cho KV cache nên phục vụ được nhiều luồng cùng lúc. Chạy suốt ngày, chi phí biên gần như bằng 0 vì server đã có sẵn.
Tên model cần xác nhận lại: bản ghi nghe ra “Qwen 3.5 12B” nhưng họ Qwen3 không có bản 12B (8B, 14B, 30B-A3B, 32B); 12B là của Gemma 3.
Đây là câu chuyện bán hàng mạnh nhất: một VGA 16 GB có thể là toàn bộ hạ tầng AI vận hành của một doanh nghiệp bán lẻ — nếu chọn đúng bài toán.
Chỉ đọc và trả về thông tin, không suy luận: “đây là MSI”, “đây là cái bút”. Vài tỷ tham số là đủ. Với robot thì phải chạy on-device, không cần mạng.
Hiện rất mạnh và rất nhẹ. Bản mạnh nhất là PaddleOCR-VL của Baidu — chỉ 0,9 tỷ tham số, đạt 94,5 điểm OmniDocBench v1.5 và 96,33 ở v1.6, vượt cả GPT-4o ở tác vụ đọc tài liệu. DeepSeek-OCR là 3 tỷ tham số (570 triệu active).
Chỉ gọi khi thật sự cần nghĩ nhiều bước. Nguyên tắc: mỗi model dùng đúng phần cứng phù hợp, rồi ghép lại thành một workflow — nhìn, kiểm tra, suy luận, hành động, báo cáo.
Ghép chung hay để rời rạc đều dùng được. Kết nối qua mạng nội bộ, PCIe hoặc các cổng giao tiếp trên main, luôn có một con điều tiết chung gồm CPU, trình điều khiển và hệ điều hành.
Bài toán nào chạy ở đâu, model nào ở máy nào, tải bao nhiêu thì chuyển, máy nào đang khỏe. Setup thật đang chạy: Mac Studio ở nhà, workstation server 4080 Super, DGX Spark, RTX 5090 và một RTX Pro 6000 mượn — tất cả nối về một con điều phối duy nhất.
Đọc trực tiếp trên file thì hiệu suất cực kém, dễ vỡ context window, và model sẽ quên trước quên sau rồi nói bậy. Dữ liệu để phân tích và lưu trữ nhiều kỳ thì phải nằm trong database, không phải trong file.
Automation là if/else. Tuần này nhà phân phối gửi kiểu này, tuần sau họ đổi format là luồng gãy và không tự sửa được. AI được đặt đúng vào chỗ đó để phát hiện và tự sửa — một agent chuyên trách với skill và bài học riêng, mỗi lần có vấn đề thì được gọi ra fix rồi cập nhật lại.
| Agent | Việc nó làm | Điểm đáng chú ý |
|---|---|---|
| Tra cứu tồn kho & báo giá | Gộp báo giá và tồn kho từ hàng chục nhà phân phối, mỗi nhà một format. Tự scan và cập nhật 1–2 lần mỗi ngày, tự sửa cái sửa được, báo cái không sửa được | Nhân viên không phải đụng vào, nhà phân phối cũng không phải đổi cách làm |
| Đổi giá bán | Kiểm tra có nhầm không, lợi nhuận còn không; tính giá vốn lần nhập gần nhất và giá vốn trung bình 30 ngày; hỏi xác nhận rồi cập nhật đồng thời web, hệ thống bán hàng và hệ thống nội bộ | Chặn sai sót đúng ở chỗ con người hay quên |
| Theo dõi tiến độ dự án | Tự follow-up tiến độ, tự báo cáo hằng ngày cho group vài chục người | Mọi người không cần nói chuyện với nhau để biết trạng thái |
| Quản lý khuyến mãi | Phát hiện thiếu banner, tư vấn booking, cập nhật chương trình, phản biện lại nội dung nhân viên định đăng | Agent tư vấn ngược, không chỉ báo cáo xuôi |
| Tổ chức sự kiện | Dựng trang đăng ký, thanh toán, xác nhận tự động, quản lý đăng ký, mail xác nhận — trong khoảng 2 ngày | Marketing không tham gia họp, chỉ hỏi agent về agenda và nội dung |
Chỗ dễ hiểu nhầm. Model chỉ là trí thông minh. Cái làm agent chạy được là lớp bên trên: skill dạy nó vào đâu lấy cái gì, tool mở cổng cho nó, quy trình quy định bước một bước hai. Không có lớp đó thì model dù to cũng chỉ trả lời chứ không làm được việc.
| Thiết bị / dòng | Vai trò được mô tả | Trạng thái |
|---|---|---|
| Entry (bộ nhỏ) | Camera tại shop, model nhỏ, chạy trực tiếp tại máy | Thảo luận |
| Jetson Thor | Robot tự hành, ứng dụng nhà máy; được nói là NVIDIA đang bán nhiều cho nhà máy | Chưa kiểm chứng |
| DGX Spark (GB10) | 128 GB bộ nhớ hợp nhất, ~1 PFLOP FP4, băng thông 273 GB/s. Mạnh ở nhiều luồng đồng thời (đo được tới 256 luồng, ~695 tok/s tổng), yếu ở tốc độ một luồng vì băng thông thấp | Đã xác minh spec |
| AMD Ryzen AI Max | Unified memory, được đánh giá “ok, hợp lý”; đợt này đặt được hàng | Thảo luận |
| RTX Pro 6000 | Đang được NTA mượn để test trong cụm điều phối | Đã xác nhận |
| MSI XpertStation WS300 | Chính là con “WS300” anh Huy mở ra xem — sản phẩm của MSI trên kiến trúc NVIDIA DGX Station GB300. 784 GB bộ nhớ tổng (288 GB HBM3e + 496 GB LPDDR5X), trong đó 748 GB coherent, ~20 PFLOPS AI compute | Đã xác minh spec |
Hai chi tiết được giải mã sau buổi. Con số “748.000” hiện trên màn hình lúc xem line-up không phải giá — nó là 748 GB, đúng bằng dung lượng coherent memory của DGX Station GB300. Và “WS300” không phải cách gọi tắt của GB300: đó là tên thương mại MSI XpertStation WS300 — tức anh Huy đang cho xem sản phẩm của chính hãng mình. Giá tham chiếu: MSI niêm yết 85.000 USD, CDW từng list 96.996 USD → khoảng 2,2–2,5 tỷ, khớp với mức “2–3 tỷ” nói tại bàn.
Lợi thế của NVIDIA không nằm ở thông số. Hệ sinh thái model open-source hiện support chuẩn của NVIDIA tốt hơn. Đó là lý do kỹ thuật để ưu tiên, chứ không phải vì con số trên hộp.
Anh Huy hỏi đi hỏi lại một câu: “anh đâu có hình dung được giờ nó bắt đầu từ cái gì.” Đây là câu trả lời, xếp đúng thứ tự thực hiện.
Giai đoạn đầu 20 USD, khi dùng nhiều thì lên 100 USD. Model đủ to cho bài toán phức tạp hiện là GPT và Claude. Không dùng thì không có cách nào hiểu được sự khác nhau giữa các model.
Chỗ đang mất thời gian nhất và chưa chính xác. Với anh Huy đó là: mỗi tuần năm nhà phân phối gửi năm báo cáo bán hàng khác nhau, phải tốn một người tổng hợp thành báo cáo phía Nam và phía Bắc.
Tự đụng vào bài toán đó, không đứng ngoài xem. Đây là điều kiện bắt buộc — không có đường tắt nào thay được.
Thuê máy cloud rất rẻ, khoảng 5 USD một tháng. Đổ file vào, có luồng ETL tự làm sạch, lưu vào database, rồi mới xuất lên dashboard.
Đây là bước biến người bán phần cứng thành người bán giải pháp. Hiểu model thì mới trả lời được vì sao khách cần con máy đó, và quan trọng hơn — khi nào khách không cần.
NTA nói thẳng: “em cũng đâu phải dân kỹ thuật, đâu phải dân lập trình” nhưng vẫn giải quyết được bằng cách dùng AI. Nhân viên trong công ty cũng không cần hiểu sâu mà vẫn tự động hóa được việc của mình.
Bài toán của anh là bài toán quản lý cá nhân, hybrid cloud là đủ. Local dành cho doanh nghiệp có bài toán cụ thể phù hợp — đó là thứ để bán, không phải thứ để tự mua.
| # | Việc | Người làm | Ưu tiên | Trạng thái |
|---|---|---|---|---|
| 1 | Mua gói AI trả phí và dùng thật (20 USD, sau nâng 100 USD) | Anh Huy | P1 | Đề xuất — chưa xác nhận mua |
| 2 | Chọn một bài toán thật để NTA làm mẫu và show cách làm | Hai bên | P1 | Đã đồng ý nguyên tắc, chưa chọn bài toán |
| 3 | Gộp báo cáo bán hàng nhiều nhà phân phối → ETL → database → dashboard | NTA | P1 | Ứng viên số một cho việc số 2 |
| 4 | Xác định dải cấu hình có nguồn hàng để đóng gói demo | Anh Huy | P2 | Đề xuất |
| 5 | Workshop chung để educate doanh nghiệp | Hai bên | P2 | Đề xuất — chưa có ngày |
| 6 | Hoàn thiện plan và budget cho hướng mới | Anh Huy + chị Na | P2 | Đang làm phía MSI |
| 7 | Xác minh line-up, giá và nguồn hàng các thiết bị đã bàn | Anh Huy | P1 | Chưa làm — chặn mọi báo giá |
Chưa có gì được cam kết. Anh Huy chốt buổi bằng câu “anh là người nghe đầu” và cho biết đang cùng chị Na làm kế hoạch, làm plan, làm budget để bắt đầu. Nhưng phạm vi hợp tác, mô hình chia việc và chia lợi, timeline và người phụ trách hai phía đều chưa có.
Số nào là mốc tham chiếu của GEARVN đều được ghi rõ. Số thị trường là quan sát trong lúc trò chuyện, chưa kiểm chứng, và không dùng cho báo giá hay kế hoạch tài chính.
Vì sao quota là lý do kỹ thuật để về local. Xử lý 1.000 file đơn hàng là 1.000 request. Cloud tính quota theo cửa sổ 5 giờ và 7 ngày — chạy vài vòng là hết. Cùng khối lượng đó chạy trên một máy đã mua thì chỉ trả tiền điện. Đây là ranh giới thật giữa cloud và local, không phải chuyện bảo mật hay khẩu hiệu.
Toàn bộ lộ trình này là đề xuất rút ra từ buổi nói chuyện, chưa phải cam kết của bên nào. Mỗi chặng chỉ mở khi chặng trước đã có kết quả nhìn thấy được.
Vì sao thứ tự này quan trọng. Anh Huy không thiếu nguồn hàng, không thiếu quan hệ hãng, không thiếu kênh dự án. Thứ thiếu là hiểu biết ứng dụng. Nên chặng 1 không phải là chọn máy hay làm bảng giá — mà là tự dùng cho tới khi trả lời được câu hỏi của khách.
| # | Rủi ro | Nguyên nhân | Mức độ | Xử lý |
|---|---|---|---|---|
| 1 | Báo giá dự án khi chưa chốt được nguồn hàng và giá | Giá thiết bị AI tăng theo từng lô, không forecast được | Cao | Xác minh line-up và giá trước; không báo giá cho lịch giao xa |
| 2 | Bán phần cứng khi chưa biết bài toán của khách | Đi từ bậc 3 thay vì bậc 1 của thang | Cao | Hỏi bài toán, tải và yêu cầu privacy trước khi nói tới cấu hình |
| 3 | Mặc định “bài toán nào cũng cần model to” | Nhầm giữa bài toán phức tạp và bài toán tải lớn | Cao | Phân loại đúng hai kiểu; nhiều trường hợp 16 GB là đủ |
| 4 | Gắn nhãn AI lên máy tiêu dùng để bán mùa vụ | Máy 16 GB VRAM chạy model nhỏ, không suy luận | Cao | Chưa làm consumer; chờ kiến trúc mới trôi xuống, 2–3 năm |
| 5 | Đuổi theo nhóm MMO / farm | Họ đã hiểu phần cứng và mua card cũ giá rẻ | Trung bình | Bỏ qua nhóm này, tập trung doanh nghiệp và dự án |
| 6 | So máy bằng con số TOPS trên hộp | Tưởng compute quyết định tốc độ trả lời, trong khi decode bị chặn bởi băng thông | Cao | Hỏi băng thông trước, TOPS sau; TOPS chỉ có nghĩa cho prefill và batch |
| 7 | Nói “máy này chỉ chạy được vài request cùng lúc” | Tưởng GPU xử lý tuần tự; bỏ qua continuous batching và KV cache | Cao | Tính KV cache còn trống; Spark đo được tới 256 luồng đồng thời |
| 8 | Để AI đọc thẳng file thay vì database | Vỡ context window, model quên trước quên sau | Trung bình | ETL đưa về database, đặt lớp truy vấn ở trên |
| 9 | Dùng automation thuần cho luồng dữ liệu nhiều nguồn | Nhà phân phối đổi format là luồng gãy | Thấp | Đặt AI vào đúng chỗ tự phát hiện và tự sửa |
Câu hỏi còn mở. Mô hình hợp tác là gì — giới thiệu, đồng bán, đồng triển khai, hay chỉ trao đổi kiến thức? Ai đứng tên giải pháp trước khách? Phần cứng đi qua kênh nào và ai bảo vệ deal? Phần giải pháp, triển khai và đào tạo định giá và chia thế nào? Ai bên MSI được training để tư vấn? Chưa câu nào có trả lời.
Phần từ ngữ viết cho người đi bán, để lần sau ngồi trước khách là nói được chứ không phải hỏi lại.
“Cái con nào cũng xài WS300 là sai.”
“Không phải cái gì cũng cần to.”
“Phần cứng nó phục vụ cho cái chuyện model mà.”
“Mình không hiểu model thì mình sẽ không hiểu AI. Tại vì nó xoay quanh cái chuyện đó thôi.”
“Marketing cũng chuyển hết rồi, đâu bây giờ đâu có kêu máy gaming nữa đâu. Giờ còn máy AI chứ.”
“Giờ không làm là chết.”
“Anh đâu có hình dung được giờ nó bắt đầu từ cái gì, làm cái gì đâu.”
“Giống như bây giờ anh đi bán hàng mà anh đâu có biết sản phẩm là cái gì đâu.”
“Doanh nghiệp là kiểu gì họ cũng phải xài. Chỉ có điều là họ không biết xài.”
“Robot mà cần cloud, cần mạng là banh xác rồi.”
“Em cũng đâu phải là dân kỹ thuật đâu, em cũng đâu phải dân lập trình đâu.”
“Sếp cho em một bài toán, em show cho sếp xem là em làm cái việc đó như thế nào.”
“Nên phải có cái tay, chứ không phải cái gì cũng phải nhờ người khác.”
“Anh là người nghe đầu.”