AI Chip War: NVIDIA, AMD, Intel và các startup cạnh tranh thị phần AI

Cuộc chiến chip AI đang nóng dần khi nhu cầu tính toán cho trí tuệ nhân tạo bùng nổ. Năm 2024, thị trường AI accelerator đạt hơn 100 tỷ USD doanh thu, trong đó NVIDIA chiếm phần lớn nhưng AMD, Intel và hàng loạt startup như Groq, Cerebras đang cải thiện vị thế với kiến trúc khác biệt.

Không chỉ là cuộc đua về hiệu năng đơn lẻ — AI chip war còn về tối ưu cost-per-token, băng thông interconnect, và hệ sinh thái software (CUDA, ROCm, oneAPI). Mỗi ông lớn đều có chiến lược riêng.

NVIDIA: Ông vua với Blackwell và Rubin

NVIDIA vẫn chiếm ưu thế với dòng Blackwell (B100, B200, GB200 NVL72). Mỗi GPU Blackwell có 192GB HBM3E, throughput FP4 lên đến 18 petaflops. GB200 NVL72 — 72 GPU trong một cabinet — cho AI factory scale với interconnect NVLink 1.8TB/s giữa các GPU.

NVIDIA chiến lược mới là AI factory — cung cấp cả chip + networking + software (cuDNN, TensorRT, NeMo) như một turnkey solution cho datacenter. Doanh thu FY2025 Q2 đạt 30 tỷ USD, gần như toàn bộ từ Data Center/AI.

Tuy nhiên, NVIDIA đối mặt với antitrust pressure từ EU và Trung Quốc, cùng nỗi lo khách hàng phụ thuộc CUDA lock-in. AMD và Intel đang tận dụng điểm này.

AMD: MI300X đấu với NVIDIA H100

AMD MI300 Series — bao gồm MI300A (APU tích hợp CPU+GPU) và MI300X (GPU pure compute) — nhắm vào AI training và inference.

MI300X có 192GB HBM3, 5.4TB/s memory bandwidth, FP8 throughput ~1300 TFLOPS. Cạnh tranh trực tiếp với NVIDIA H100: AMD nhấn mạnh lower cost-per-GPU và open ecosystem qua ROCm.

Điểm mạnh AMD:

• ROCm hỗ trợ PyTorch, TensorFlow chính thức — mở khóa hàng ngàn nhà khoa học không dùng CUDA.
• Thiết kế chiplet (CDNA 3 architecture) linh hoạt hơn monolithic die.
• Doanh thu Data Center AI tăng 115% QoQ FY2025 Q1.

Điểm yếu: ecosystem nhỏ hơn NVIDIA, driver maturity chưa bằng, và nhiều deployment vẫn phụ thuộc CUDA-only codebase.

Intel: Gaudi 3 và chiến lược software-first

Intel Gaudi 3 tiếp nối Gaudi 2 với kiến trúc ML-specific:

• 128 GB HBM2e, 3.7 TB/s bandwidth
• 24x 200Gb Ethernet ports — interconnect tự xây, không phụ thuộc NVIDIA InfiniBand
• TPC (Tensor Processing Core) optimized cho FP8/BF16 training

Intel định vị Gaudi 3 là cost-effective alternative cho inference và mid-scale training. Họ tập trung vào software stack: oneAPI, PyTorch và TensorFlow integration, và đặc biệt là OpenVINO cho edge AI.

Thách thức lớn nhất là foundry delay — Intel đang chuyển sang Intel 18A process, nhưng sản xuất Gaudi 3 vẫn dùng TSMC 5nm. Nếu Intel giải được vấn đề manufacturing, họ có thể tái cấu trúc chip AI với chi phí thấp hơn.

Startup và kiến trúc khác biệt

Nhiều startup chọn con đường khác:

• Groq: Chip LPU (Language Processing Unit) cho inference tốc độ cực cao, bù đắp bằng software-first latency optimization. Dành cho real-time LLM inference.
• Cerebras: Wafer-scale chip — cả 12-inch wafer thành một “chip” duy nhất. Trọng tâm LLM training, 2.6 triệu core trên một wafer.
• SambaNova: Reconfigurable dataflow unit (RDU) — không phải GPU hay TPU thuần túy. Tập trung enterprise AI workloads.
• Graphcore: IPU (Intelligence Processing Unit) kiến trúc graph-based, nhắm vào sparse model optimization. Gặp khó khăn tài chính nhưng vẫn là lựa chọn trong UK/EU.
• Tenstorrent: RISC-V based AI chip, gọi là “anti-CUDA”. Jim Keller thiết kế, open architecture, nhắm vào flexible AI compute.

Bối cảnh địa chính trị và chuỗi cung ứng

Cuộc chiến chip AI không chỉ là công nghệ:

• Hoa Kỳ cấm xuất khẩu chip AI cao cấp sang Trung Quốc — NVIDIA H20, AMD MI200 bị hạn chế.
• Trung Quốc phát triển Huawei Ascend (910C) và Cambricon (MLU370) để thay thế. Hiệu năng đang bắt kịp nhưng software stack còn yếu.
• EU AI Chips Act đầu tư 10 tỷ EUR cho chip AI châu Âu, ưu tiên startup và academic research.

Semiconductor manufacturing vẫn tập trung ở Đài Loan (TSMC), Hàn Quốc (Samsung), và Mỹ (Intel Foundry). Geopolitical tension có thể thúc đẩy onshoring nhưng làm tăng chi phí sản xuất.

Kết luận: AI chip war chưa có người chiến thắng cuối cùng

NVIDIA hiện dẫn đầu, nhưng cuộc đua còn dài. Yếu tố quyết định:

• Software ecosystem: CUDA network effect khó vượt, nhưng ROCm và OpenVINO đang thu hẹp khoảng cách.
• Cost-per-token: Khi inference chiếm 80% AI spend, chip giá rẻ sẽ thắng.
• Specialization: General-purpose GPU vs domain-specific accelerator — tùy workload, mỗi kiến trúc có nơi tỏa sáng.
• Data center infrastructure: Interconnect, cooling, power — phần này đang bị bỏ qua nhưng quyết định TCO thực tế.

Đối với doanh nghiệp, không có “một size fit all”. Training LLM lớn vẫn thích NVIDIA, edge inference thích Intel/Qualcomm, và startup AI-specific có thể chọn Cerebras/Groq/SambaNova. Diversification trong AI infrastructure sẽ tiếp tục trong vài năm tới.

Nguồn tham khảo: NVIDIA Blackwell, AMD Instinct MI300, Intel Gaudi 3, Cerebras, Groq, SambaNova