Hook
3 tỷ USD. Đó là con số định giá mà Sequoia Capital đặt lên bàn cho Trajectory — một startup AI chưa từng công bố sản phẩm, chưa có doanh thu, và cũng chưa để lộ bất kỳ benchmark nào về mô hình của mình. Trong 7 ngày qua, không có một tweet nào từ đội ngũ Trajectory về kỹ thuật. Chỉ có một dòng thông báo financing trên Crypto Briefing, và cả làng AI bắt đầu xôn xao về “continuous learning”.
Tôi đã nhìn thấy kịch bản này trước đây. Năm 2021, một dự án NFT “Punks Comic” huy động được 1.2 ETH từ tôi chỉ dựa trên hype. Tôi mất 30% vì không có thanh khoản. Hôm nay, Trajectory có thể là Punks Comic của làng AI, hoặc có thể là Filecoin — nơi tôi kiếm 5x nhờ tự tay kiểm tra whitepaper. Sự khác biệt nằm ở dữ liệu.
Context
Continuous learning — hay học liên tục — là một nhánh nghiên cứu đã tồn tại hàng thập kỷ. Vấn đề cốt lõi là “catastrophic forgetting”: khi mô hình học kiến thức mới, nó quên kiến thức cũ. Các giải pháp hiện tại gồm regularization, experience replay, parameter isolation, dynamic architecture — nhưng chưa có giải pháp nào được công nhận là breakthrough.
Trajectory được giới thiệu là startup “giải quyết bài toán này”. Sequoia tin đến mức bỏ ra mức định giá $300M. Nhưng bài báo gốc không tiết lộ: round nào, số tiền bao nhiêu, team đến từ đâu, sản phẩm đang ở giai đoạn nào. Đây là một tín hiệu, không phải bằng chứng.
Với tư cách là một Options Strategist đã sống qua 5 chu kỳ thị trường, tôi học được một điều: định giá cao không phải là xác nhận công nghệ. Đó là xác nhận kỳ vọng của nhà đầu tư. Và kỳ vọng có thể vỡ bất cứ lúc nào.
Core: Phân tích dữ liệu và kỹ thuật
Hãy nhìn vào những gì chúng ta có — và không có.
1. Công nghệ
Không có architecture, không có training method, không có dataset, không có benchmark. Tất cả những gì chúng ta biết là “continuous learning”. Đây là một thuật ngữ rộng đến mức vô dụng. Nếu Trajectory chỉ đang làm incremental fine-tuning trên các mô hình có sẵn (LoRA, adapter), thì đó là innovation ở cấp độ engineering, không phải paradigm shift. Ngược lại, nếu họ có kiến trúc mới cho phép học liên tục mà không forget, họ phải có paper, có code, có ít nhất một kết quả trên một benchmark phổ biến như GLUE, SuperGLUE, hoặc MMLU.
Không có gì. Điều này khiến tôi đặt câu hỏi: liệu Sequoia có đang đầu tư vào “team” thay vì “công nghệ”? Trong early-stage AI, đó là chuyện bình thường. Nhưng với định giá $300M, họ đang mua một câu chuyện, không phải một sản phẩm.
2. Thương mại hóa
Continuous learning có một câu chuyện bán hàng hấp dẫn: “thay vì retrain tốn kém, hãy để mô hình tự thích nghi với dữ liệu mới”. Nhưng câu chuyện đó chỉ có giá trị nếu: - Chi phí thấp hơn retrain (phải đo lường được) - Không làm giảm accuracy (phải benchmark) - Có thể scale lên hàng trăm tỷ parameter (không có bằng chứng)
Hiện tại, RAG (Retrieval-Augmented Generation) và fine-tuning đã giải quyết phần lớn nhu cầu “cập nhật kiến thức” cho doanh nghiệp. Trajectory phải chứng minh continuous learning của họ vượt trội hơn các giải pháp này ít nhất 10x về cost hoặc latency. Tôi chưa thấy con số nào.
3. Rủi ro bảo mật và đạo đức
Đây là điểm mù lớn nhất. Mô hình học liên tục đồng nghĩa với việc hành vi của nó thay đổi theo thời gian. Điều này phá vỡ mọi quy trình alignment hiện tại. Nếu attacker có thể inject poisoned data vào luồng training, họ có thể điều khiển mô hình từ từ. Không có bài báo nào từ Trajectory về safety, red-teaming, hay rollback mechanism.
Contrarian: Góc nhìn ngược chiều
Tôi nghĩ đa số đang hiểu sai về continuous learning. Nó không phải là “thay thế pretraining”. Nó là “giảm chi phí bảo trì mô hình”. Nhưng nếu chi phí bảo trì vốn đã rẻ (nhờ RAG, LoRA), thì continuous learning chỉ là giải pháp cho một vấn đề không tồn tại.
Hơn nữa, Sequoia có thể đang “đặt cược phòng thủ” — họ sợ bỏ lỡ một công nghệ nền tảng, nên chấp nhận định giá cao để chiếm chỗ. Điều này từng xảy ra với hàng loạt startup AI trong năm 2021-2022, và nhiều cái đã chết.
Takeaway: Hành động giá và câu hỏi mở
Nếu bạn là trader, hãy xem xét Trajectory như một option out-of-the-money. Nó có thể x10, nhưng xác suất thấp. Nếu bạn là builder, hãy hỏi: “Tôi có thể tự xây continuous learning bằng cách kết hợp LoRA + experience replay không?” Câu trả lời có thể là có, và khi đó $300M kia là một mức overpay.
Còn tôi, tôi sẽ đợi whitepaper. Giống như năm 2017, tôi đọc whitepaper Filecoin trước khi đầu tư. Nếu Trajectory không show ra code, tôi pass. Thị trường đang giảm, sống sót quan trọng hơn FOMO vào một câu chuyện không có dữ liệu.