Tháng trước, một nhóm nhà nghiên cứu tại Meta đã công bố một nghiên cứu cho thấy tiềm năng của Meta trong việc kiếm tiền từ các mô hình ngôn ngữ lớn (LLM) thông qua nền tảng quảng cáo cốt lõi của hãng. Dù ban lãnh đạo Meta từng đề cập điều này trong các cuộc họp công bố kết quả kinh doanh, nghiên cứu mới đã cho thấy bức tranh rõ ràng hơn.
Meta hiện tích hợp một tính năng mang tên “Text Generation” trong công cụ Ads Manager. Tính năng này cho phép nhà quảng cáo nhập nội dung gốc, sau đó LLM sẽ gợi ý nhiều phiên bản biến thể của nội dung đó. Nhà quảng cáo có thể dùng làm cảm hứng, chỉnh sửa sâu hoặc giữ nguyên bản gốc.
Nghiên cứu giới thiệu khái niệm Reinforcement Learning with Performance Feedback (RLPF) và mô hình AdLlama. Thay vì mô phỏng cách con người viết, hệ thống tối ưu hóa dựa trên hành vi thực tế của người dùng. Trong quảng cáo, hiệu quả văn bản có thể đo lường rõ ràng qua tỷ lệ nhấp (CTR) – số lượt nhấp chia cho số lần hiển thị – một chỉ số khách quan và định lượng.
Quy trình gồm hai bước:
-
Huấn luyện mô hình đánh giá hiệu suất dự đoán CTR của văn bản quảng cáo dựa trên dữ liệu lịch sử. Các cặp quảng cáo chỉ khác nhau về văn bản nhưng nhắm đến nhóm đối tượng tương tự được so sánh trực tiếp để xác định văn bản nào hiệu quả hơn.
-
Tinh chỉnh LLM gốc (trong nghiên cứu là Llama 2 Chat 7B) dựa trên mô hình đánh giá này, giúp AI ưu tiên tạo ra văn bản có điểm CTR dự đoán cao hơn.
Thử nghiệm A/B trên Facebook kéo dài 10 tuần đầu năm 2024 với gần 35.000 nhà quảng cáo và khoảng 640.000 biến thể quảng cáo. Kết quả cho thấy nhóm sử dụng AdLlama đạt CTR cao hơn 6,7% so với nhóm dùng mô hình bắt chước trước đó – một mức tăng đáng kể trên nền tảng đã được tối ưu hóa cao như Meta.
Đáng chú ý, tổng lượt hiển thị không đổi, nhưng lượng nhấp tăng lên, cho thấy chất lượng nội dung quảng cáo được cải thiện thực sự. Ngoài ra, các nhà quảng cáo sử dụng AdLlama tạo ra nhiều hơn 18,5% biến thể quảng cáo, cho thấy họ đánh giá cao và tích cực áp dụng gợi ý từ mô hình.
CEO Mark Zuckerberg trong cuộc họp gần đây cũng nhấn mạnh khả năng nội bộ của Meta trong việc điều chỉnh Llama 4 thành các tác tử AI tự động nhằm cải thiện thuật toán Facebook, tăng chất lượng và mức độ tương tác. Ông cho rằng đây là một bước tiến quan trọng, hứa hẹn ảnh hưởng rộng đến cách Meta phát triển sản phẩm, vận hành công ty và khám phá những sáng kiến mới.
Dù không phải sáng kiến độc quyền của Meta, nguyên tắc RLPF có thể áp dụng ở nhiều lĩnh vực khác khi dữ liệu hiệu suất gắn với ngôn ngữ. Từ chiến dịch email cá nhân hóa, mô tả sản phẩm thương mại điện tử đến nội dung hỗ trợ khách hàng, giáo dục trực tuyến hay các chiến dịch tuyên truyền cộng đồng, AI có thể tối ưu hóa thông điệp dựa trên phản hồi thực tế để tăng hiệu quả truyền tải.
Trong một cuộc phỏng vấn gần đây, đồng sáng lập Stripe John Collison đã trao đổi với đồng sáng lập Anthropic Dario Amodei về mô hình kinh doanh của các công ty phát triển LLM.
Amodei đưa ra ví dụ: Năm 2023, một công ty chi 100 triệu USD để huấn luyện mô hình, triển khai năm 2024 và thu về 200 triệu USD. Năm 2024, công ty lại đầu tư 1 tỷ USD cho mô hình mới, thu về 2 tỷ USD năm 2025, rồi tiếp tục chi 10 tỷ USD cho mô hình tiếp theo. Nếu nhìn báo cáo tài chính, công ty sẽ liên tục “lỗ” lớn do chi phí R&D tăng nhanh hơn doanh thu, dù từng mô hình riêng lẻ vẫn có thể sinh lời.
Theo Amodei, đây giống mô hình đầu tư mạo hiểm lặp lại nhiều lần trong cùng một công ty: chi phí ban đầu lớn, sau đó mới thu hồi vốn, và vòng lặp này tiếp tục cho đến khi mô hình đạt giới hạn về kích thước hoặc chất lượng không còn cải thiện. Khi đó, doanh nghiệp hoặc trở nên cực kỳ sinh lợi, hoặc đối mặt với “khoảng trống” nếu khoản đầu tư cuối không mang lại kết quả.
Tuy nhiên, thị trường LLM hiện không mang tính độc quyền, khiến giá mỗi token có thể giảm nhanh hơn chi phí. Trong khi chuỗi giá trị chip và hạ tầng đám mây do các thế lực gần như độc quyền nắm giữ, các nhà phát triển mô hình lại phải cạnh tranh gay gắt. Ngay cả khi đạt trạng thái cân bằng, chưa chắc họ có thể duy trì “mô hình cuối cùng” để thu lợi lâu dài; đối thủ có thể chuyển hướng sang tối ưu hóa chi phí và hiệu suất, làm suy giảm lợi thế.
Amodei cho rằng mô hình AI vẫn khác biệt nhiều hơn so với dịch vụ đám mây, và nếu các nhà cung cấp đám mây có thể đạt biên lợi nhuận 20–40%, thì các nhà phát triển mô hình hàng đầu cũng có thể duy trì sức khỏe tài chính. Ông ví sự khác biệt giữa các mô hình giống như cá tính riêng của con người – khó bị đồng nhất hóa hoàn toàn.
Dù vậy, tác giả bài phân tích cho rằng “tính cách mô hình” có thể là lợi thế bền vững ở thị trường tiêu dùng, nhưng với mảng doanh nghiệp – nơi quyết định mua hàng không phải lúc nào cũng do người dùng cuối đưa ra – yếu tố này kém quan trọng hơn, đặc biệt khi hóa đơn API có thể lên tới hàng tỷ USD.
