Data center AI bắt đầu học cách “nhường điện”: Startup tỷ USD muốn biến GPU thành tải linh hoạt cho lưới

Emerald AI vừa được định giá 1,05 tỷ USD sau vòng gọi vốn 150 triệu USD. Startup này muốn biến các cụm GPU từ tải điện luôn bật thành tài nguyên có thể giảm, trì hoãn hoặc chuyển workload khi lưới điện căng thẳng — mà vẫn giữ các tác vụ AI quan trọng hoạt động.

Tháng 8 26, 2026

Data center AI bắt đầu học cách “nhường điện”: Startup tỷ USD muốn biến GPU thành tải linh hoạt cho lưới

Data center lâu nay được thiết kế theo một nguyên tắc gần như bất khả xâm phạm: điện phải luôn có sẵn. Nhưng khi AI đẩy nhu cầu điện tăng nhanh hơn tốc độ xây đường dây, trạm biến áp và nhà máy điện, một ý tưởng ngược đời đang trở nên hấp dẫn: thay vì luôn bắt lưới điện chạy theo GPU, tại sao GPU không học cách chạy theo lưới?

Ngày 25/8/2026, Emerald AI — startup phát triển phần mềm điều phối điện cho hạ tầng AI — công bố vòng Series A trị giá 150 triệu USD, đưa định giá công ty lên 1,05 tỷ USD. Công ty cho biết đã hoàn thành năm đợt trình diễn tại các data center thương mại ở Mỹ và Anh, đồng thời bắt đầu triển khai ở quy mô nhiều megawatt.

Đề xuất của Emerald AI nghe đơn giản: khi lưới thiếu điện trong vài chục phút hoặc vài giờ, data center không nhất thiết phải tiếp tục tiêu thụ đúng mức công suất ban đầu. Một số job AI có thể chạy chậm lại. Một số có thể tạm dừng. Một số inference có thể được chuyển sang khu vực khác. Nếu có pin hoặc nguồn phát tại chỗ, chúng có thể được phối hợp cùng workload.

Kết quả đáng chú ý nhất tới nay không chỉ nằm trong slide gọi vốn. Một thử nghiệm thực địa tại Phoenix với 256 GPU đã được công bố trên Nature Energy: hệ thống giảm công suất cụm AI 25% trong ba giờ khi lưới có nhu cầu cao, đồng thời vẫn giữ các cam kết về chất lượng dịch vụ.

Ý tưởng này có thể mở ra một thay đổi lớn trong cách ngành điện nhìn data center. Thay vì coi mỗi campus AI là một phụ tải khổng lồ phải được phục vụ ở mức cực đại mọi lúc, utility có thể coi một phần công suất đó là flexible load — tải có thể điều chỉnh theo tình trạng lưới.

Nhưng “nhường điện” không có nghĩa tắt data center khi hàng xóm bật điều hòa. Bài toán thực sự khó hơn nhiều: phải biết workload nào có thể chậm, chậm bao lâu, giảm bao nhiêu megawatt, chuyển đi đâu và làm tất cả mà không phá hợp đồng SLA của khách hàng.

AI đang gặp một nút thắt không nằm trong GPU: điện

Trong nhiều năm, cuộc đua AI chủ yếu xoay quanh chip, model và vốn. Đến 2026, điện đang ngày càng trở thành giới hạn vật lý của việc mở rộng hạ tầng.

International Energy Agency dự báo điện tiêu thụ bởi data center trên toàn cầu sẽ tăng từ khoảng 485 TWh năm 2025 lên khoảng 950 TWh vào năm 2030. Riêng tại Mỹ, data center được dự báo đóng góp khoảng một nửa mức tăng nhu cầu điện trong giai đoạn tới 2030.

Vấn đề không chỉ là tổng số kilowatt-hour trong một năm.

Data center AI có xu hướng tập trung vào những khu vực cụ thể, tạo ra các phụ tải hàng trăm megawatt hoặc thậm chí hướng tới quy mô gigawatt. Một hệ thống điện quốc gia có thể đủ năng lượng tính trên toàn năm nhưng vẫn không đủ đường dây, transformer hoặc công suất tại đúng địa điểm và đúng giờ mà data center cần.

IEA lưu ý data center có thể được xây trong khoảng hai tới ba năm, trong khi nhiều hạng mục của hệ thống điện cần thời gian quy hoạch và xây dựng dài hơn đáng kể.

Điều đó tạo ra nghịch lý của làn sóng AI: doanh nghiệp có thể mua GPU, có đất và có vốn, nhưng vẫn phải chờ nhiều năm chỉ để được cắm điện.

Lưới điện không thiếu công suất giống nhau trong 8.760 giờ mỗi năm

Phần lớn hệ thống điện được thiết kế để sống sót qua những giờ khó nhất — chiều hè cực nóng, đợt rét sâu, mất một đường dây lớn hoặc nhà máy bất ngờ ngừng hoạt động.

Trong những giờ bình thường, một phần đáng kể công suất của hệ thống không được sử dụng hết. Nhưng utility vẫn phải đầu tư đường dây và máy biến áp để đủ khả năng phục vụ đỉnh tải hiếm khi xuất hiện.

Đây là nền tảng kinh tế của demand response: thay vì luôn xây thêm nguồn cung để đáp ứng đỉnh nhu cầu, đôi khi rẻ hơn nếu trả tiền hoặc tạo ưu đãi để một số khách hàng tạm thời giảm tải.

Nhà máy công nghiệp, hệ thống HVAC, kho lạnh và nhiều phụ tải thương mại đã tham gia demand response từ lâu.

Data center truyền thống thường được xem là ngoại lệ. Khách hàng trả tiền để máy chủ luôn sẵn sàng; downtime có giá rất cao; hệ thống được thiết kế với nguồn điện dự phòng, UPS và nhiều lớp redundancy nhằm tránh gián đoạn.

AI lại tạo ra một cơ hội mới: không phải tất cả compute đều có độ khẩn cấp giống nhau.

Một job training không giống một câu hỏi ChatGPT

Hãy tưởng tượng bên trong một cụm GPU có ba loại công việc cùng chạy.

Loại thứ nhất là inference thời gian thực. Người dùng đang chờ câu trả lời từ chatbot, một agent đang xử lý giao dịch hoặc ứng dụng doanh nghiệp có giới hạn latency rất chặt. Đây là workload khó động vào nhất.

Loại thứ hai là batch inference. Công ty cần xử lý vài triệu tài liệu, tạo embedding hoặc phân tích dữ liệu qua đêm. Công việc phải hoàn thành trước một deadline, nhưng không nhất thiết phải chạy đúng 14 giờ 32 phút hôm nay.

Loại thứ ba là training hoặc fine-tuning kéo dài nhiều giờ, nhiều ngày. Nếu job được checkpoint tốt và deadline cho phép, một phần throughput có thể được hy sinh tạm thời rồi bù lại sau.

Emerald AI xây phần mềm quanh sự khác biệt này.

Thay vì utility gửi một tín hiệu “giảm 20 MW” rồi operator tự tìm thứ để tắt, nền tảng tạo một lớp điều phối giữa tín hiệu lưới và scheduler của hạ tầng AI. Workload có thể được gắn các mức linh hoạt: job nào được phép giảm throughput, job nào có thể pause, job nào phải được bảo vệ.

Trong thử nghiệm Phoenix, cách tiếp cận đó giúp cụm 256 GPU giảm điện 25% trong ba giờ mà vẫn giữ chất lượng dịch vụ theo các ràng buộc đã đặt.

Không nhất thiết phải tắt GPU

“Giảm tải” dễ tạo cảm giác data center phải tắt cả rack. Trên thực tế, có nhiều mức điều chỉnh tinh tế hơn.

Một GPU có thể bị giới hạn power cap và chạy chậm hơn. Scheduler có thể giảm số job hoạt động cùng lúc. Workload có thể tạm pause ở checkpoint. Batch job có thể được lùi lại sau giờ cao điểm.

Với inference, một lựa chọn khác là spatial flexibility: chuyển lưu lượng hoặc workload tới data center ở khu vực mà lưới điện đang ít căng hơn.

Emerald AI cho biết đã thử cách này giữa Virginia và Chicago trên hạ tầng NVIDIA Hopper của Oracle Cloud Infrastructure, sử dụng NVIDIA Dynamo để duy trì chất lượng dịch vụ inference trong khi giảm áp lực điện tại khu vực cần relief.

Ngoài compute còn có một lớp linh hoạt thứ ba: pin, máy phát hoặc nguồn năng lượng tại chỗ. Phần mềm có thể phối hợp tất cả thành một mục tiêu công suất duy nhất mà utility nhìn thấy.

Từ góc nhìn của lưới, điều quan trọng không phải GPU nào đã chậm lại. Điều quan trọng là data center cam kết “10 phút nữa tôi sẽ giảm 15 MW trong hai giờ” và thực sự làm đúng như vậy.

Đây là điểm khác giữa “tối ưu điện” và một tài nguyên của lưới

Nhiều data center đã tối ưu năng lượng từ lâu: tăng nhiệt độ phòng máy, cải thiện cooling, nâng hiệu suất PSU hoặc điều chỉnh lịch chạy workload.

Nhưng một grid resource phải đáp ứng yêu cầu khác.

Nó phải dispatchable: grid operator hoặc utility có thể yêu cầu một mức thay đổi cụ thể.

Nó phải predictable: hệ thống phải biết trước data center thực sự có bao nhiêu MW linh hoạt ở thời điểm đó.

Nó phải verifiable: sau sự kiện, utility cần dữ liệu chứng minh mức giảm tải đã xảy ra.

Và nó phải giữ các ràng buộc nội bộ của data center: latency, throughput, deadline, thermal limits và SLA.

Đó là lý do Emerald AI mô tả Conductor không đơn thuần là một phần mềm tiết kiệm điện mà là lớp điều phối và xác minh giữa data center với lưới.

Thử nghiệm Phoenix đã chứng minh điều gì?

Công trình của Emerald AI, Oracle, NVIDIA, Salt River Project và EPRI được công bố trực tuyến trên Nature Energy cuối năm 2025 và xuất hiện trong số tháng 2/2026.

Thử nghiệm diễn ra trên cụm 256 GPU trong một hyperscale cloud facility tại Phoenix, Arizona.

Trong một sự kiện peak demand, hệ thống giảm công suất cụm 25% trong ba giờ. Theo bài báo, mức điều chỉnh được thực hiện bằng phần mềm, không cần sửa phần cứng hoặc bổ sung battery storage.

Điểm quan trọng là thử nghiệm không chỉ chạy benchmark giả lập rồi đo watt. Cụm chạy các workload AI đại diện, trong khi hệ thống phải giữ các quality-of-service guarantees.

NVIDIA mô tả quá trình giảm tải diễn ra với ramp-down khoảng 15 phút, giữ mức giảm trong ba giờ rồi tăng trở lại mà không vượt baseline ban đầu.

Đây chưa phải bằng chứng rằng mọi data center có thể cắt 25% công suất bất cứ lúc nào. Nhưng nó cho thấy một cụm AI thực tế có thể tạo ra mức linh hoạt đủ lớn để utility quan tâm.

Đến London, tốc độ phản ứng được đẩy xuống dưới một phút

Sang năm 2026, nhóm tiếp tục thử nghiệm ở London với Nebius, NVIDIA, EPRI và National Grid.

Theo NVIDIA, cụm gồm 96 GPU Blackwell Ultra đã thực hiện hơn 200 mục tiêu công suất mô phỏng và đạt 100% mức bám mục tiêu trong thử nghiệm.

Trong các bài test khẩn cấp, cụm có thể giảm khoảng 30% tải trong hàng chục giây; ở một số tình huống mức giảm lên tới khoảng 40% trong chưa đầy một phút, trong khi workload ưu tiên vẫn tiếp tục chạy.

Các bài test còn mô phỏng yêu cầu giảm tải kéo dài tới 10 giờ.

Điều này mở rộng use case từ demand response chậm — giảm vài megawatt trong vài giờ — sang các dịch vụ phản ứng nhanh hơn mà lưới điện có thể cần khi có sự cố.

Tuy nhiên, các con số London chủ yếu được công bố qua NVIDIA và Emerald AI, chưa có cùng mức bằng chứng bình duyệt như thử nghiệm Phoenix. Chúng nên được xem là kết quả trình diễn kỹ thuật, không phải một đặc tính bảo đảm của mọi deployment.

Tại sao NVIDIA quan tâm?

Đối với NVIDIA, bài toán điện không còn nằm ngoài phạm vi sản phẩm.

Một GPU không tạo ra doanh thu nếu data center chưa được cấp điện. Khi các dự án AI phải chờ interconnection nhiều năm, bottleneck của ngành chip trở thành bottleneck của ngành điện.

Năm 2026, NVIDIA đưa DSX Flex vào kiến trúc DSX cho AI factory. Thành phần này kết nối hạ tầng compute với các dịch vụ của lưới, cho phép workload phản ứng với load shedding, demand response, tín hiệu giá điện và nguồn năng lượng tại chỗ.

Emerald AI tích hợp Conductor với DSX Flex để quyết định phần linh hoạt thực sự nằm ở đâu trong workload và chuyển yêu cầu từ utility thành hành động trên cluster.

Nói ngắn gọn: NVIDIA xây khả năng điều khiển sâu trong AI factory; Emerald AI muốn trở thành lớp “phiên dịch” giữa megawatt và GPU scheduler.

Từ “xin 100 MW cố định” thành “xin 100 MW nhưng có thể trả lại 20 MW khi cần”

Ứng dụng hấp dẫn nhất của flexible computing có thể không phải doanh thu demand response.

Nó có thể là được kết nối vào lưới sớm hơn.

Một utility thường phải đánh giá trường hợp xấu: nếu cấp cho data center 100 MW, liệu hệ thống có chịu nổi 100 MW đó vào đúng giờ tải khu vực đạt đỉnh và một đường dây quan trọng vừa gặp sự cố?

Nếu câu trả lời là không, utility phải nâng cấp hạ tầng trước khi cho dự án kết nối.

Nhưng nếu data center có thể ký cam kết kỹ thuật rằng trong những giờ hiếm hoi đó nó sẽ tự giảm xuống 80 MW theo lệnh, bài toán quy hoạch thay đổi.

Đây chính là hướng Silicon Valley Power đang thử tại Santa Clara.

Tháng 4/2026, utility thuộc thành phố Santa Clara và Emerald AI công bố pilot thương mại nhiều megawatt tại một data center nơi NVIDIA chạy workload trên GPU. Mục tiêu là đánh giá liệu khả năng giảm tải có thể giúp sử dụng tốt hơn hạ tầng hiện có và cho phép quá trình cấp điện diễn ra theo từng giai đoạn nhanh hơn.

Nói cách khác, flexibility có thể trở thành một phần của hợp đồng interconnection, không chỉ một chương trình tiết kiệm điện tự nguyện.

Startup 1,05 tỷ USD đang bán một thứ khá lạ: “độ tin cậy của việc giảm điện”

Emerald AI được thành lập năm 2024 và ra mắt công khai năm 2025. Ngày 25/8/2026, công ty cho biết đã gọi thêm 150 triệu USD trong Series A do Energize Capital và DCVC đồng dẫn đầu, với mức định giá sau đầu tư 1,05 tỷ USD.

Vòng này có sự tham gia của NVIDIA, Samsung Ventures, Siemens, Aramco Ventures, Salesforce Ventures, GE Vernova, RWE, JERA Ventures và nhiều quỹ khác.

Sự quan tâm của cả công ty chip lẫn utility và nhà sản xuất thiết bị điện cho thấy bài toán không nằm gọn trong một ngành.

Emerald AI cho biết công nghệ đã qua năm đợt trình diễn tại Arizona, Illinois, Virginia, Oregon và London, và hiện bước vào giai đoạn commercial scaling với deployment ở cấp toàn data center tại California.

Đây là bước tiến đáng kể so với một proof-of-concept 256 GPU. Nhưng công ty vẫn còn rất trẻ, và giá trị 1,05 tỷ USD là định giá của vòng vốn tư nhân — không phải bằng chứng rằng mô hình kinh doanh hoặc công nghệ đã được chứng minh ở quy mô toàn ngành.

Con số “100 GW” hấp dẫn — nhưng cần đọc như một kịch bản, không phải công suất đã tìm thấy

Emerald AI nhiều lần nói flexible AI data center có thể “unlock up to 100 GW” công suất trên hệ thống điện Mỹ.

100 GW là con số khổng lồ — tương đương công suất của hàng chục nhà máy điện lớn.

Nhưng đây là ước tính về tiềm năng của công ty dựa trên việc sử dụng tốt hơn hạ tầng hiện có, không phải 100 GW điện đang nằm nhàn rỗi và có thể cắm vào data center ngay lập tức.

Mỗi khu vực lưới có bottleneck khác nhau. Có nơi thiếu generation, nơi thiếu transmission, nơi vướng transformer, nơi bị giới hạn bởi fault current hoặc tiêu chí độ tin cậy. Flexibility chỉ giúp nếu constraint xuất hiện trong một số giờ và data center có thể giảm đúng lúc, đúng vị trí.

Nếu một khu vực đơn giản là thiếu 200 MW suốt cả năm, scheduler thông minh không thể tạo ra điện từ không khí.

Vì vậy, con số 100 GW nên được hiểu là thesis về mức sử dụng hiệu quả hơn của lưới nếu flexible interconnection được triển khai rộng, chứ chưa phải capacity đã được utility xác nhận trên toàn quốc.

Tải linh hoạt không biến data center thành nhà máy điện

Một data center giảm 20 MW có tác động lên cân bằng lưới gần giống việc một nguồn phát tăng 20 MW: cung và cầu được kéo gần nhau hơn.

Nhưng hai thứ không hoàn toàn tương đương.

Nhà máy điện có thể phát cho tới giới hạn nhiên liệu và thiết bị. Data center chỉ có thể giảm tới khi chạm vào các workload không được phép ảnh hưởng.

Sau sự kiện, job bị trì hoãn vẫn cần hoàn thành. Có thể xuất hiện rebound effect: tải tăng trở lại khi compute được chạy bù.

Vì vậy scheduler phải tính cả hậu quả sau demand-response event, không chỉ khoảnh khắc giảm công suất.

Nếu mọi data center cùng bật lại 100% vào 20 giờ, chúng có thể tạo ra một peak mới.

Training AI có linh hoạt, nhưng không phải miễn phí

Một quan niệm dễ mắc phải là “training vài ngày thì dừng một giờ chẳng sao”.

Trong hệ thống distributed training lớn, hàng nghìn GPU phải phối hợp rất chặt. Làm chậm một nhóm GPU có thể khiến cả job chờ. Pause và resume có thể cần checkpoint hàng terabyte dữ liệu. Việc di chuyển job giữa data center còn phụ thuộc tốc độ truyền dataset, kiến trúc storage, network topology và phần mềm.

Ngoài ra, thời gian GPU rất đắt. Nếu giảm điện 20% khiến training kéo dài 20%, doanh nghiệp có thể mất nhiều giá trị compute hơn số tiền tiết kiệm được từ điện.

Do đó, bài toán tối ưu thực sự là kinh tế:

Giá trị của việc giảm 1 MW cho lưới có lớn hơn chi phí của số token hoặc thời gian training bị mất hay không?

Ở những giờ bình thường, câu trả lời có thể là không. Trong vài giờ cực kỳ căng thẳng — khi giá điện tăng mạnh hoặc interconnection phụ thuộc vào cam kết flexibility — câu trả lời có thể đảo ngược.

Inference khó nhường điện hơn, nhưng lại có lợi thế địa lý

AI inference phục vụ người dùng thường cần latency thấp nên không thể tùy ý pause.

Tuy nhiên, inference có một thuộc tính mà nhiều ngành công nghiệp không có: sản phẩm của nó là dữ liệu số.

Một lò luyện nhôm ở Virginia không thể chuyển quá trình điện phân sang Chicago trong 200 mili giây. Một API inference, trong một số kiến trúc, có thể redirect request sang cluster khác nếu network latency và data residency cho phép.

Đây là lợi thế đặc biệt của compute như một flexible load.

Trong tương lai, cloud scheduler có thể xem điện gần giống cách internet routing xem congestion: nếu vùng A căng điện, một phần workload được route sang vùng B, miễn vẫn đáp ứng latency, privacy và chi phí.

Tuy nhiên, khả năng này mạnh nhất với cloud có nhiều vùng. Một data center độc lập hoặc mô hình AI gắn chặt với dataset tại chỗ sẽ ít linh hoạt hơn.

Có một giới hạn khác: AI workload đang trở nên “gấp” hơn

Trong giai đoạn đầu của làn sóng AI, một phần lớn GPU được dùng cho training và experimentation — những workload có thể có deadline tương đối mềm.

Khi AI chuyển sang production, tỷ trọng inference thời gian thực, agent và dịch vụ luôn bật tăng lên. Những workload này ít chấp nhận việc giảm throughput hơn.

Điều đó có nghĩa tiềm năng flexibility của mỗi megawatt AI không cố định theo thời gian.

Một cluster nghiên cứu có thể rất linh hoạt. Một cluster phục vụ hàng trăm triệu truy vấn khách hàng có thể gần giống data center truyền thống.

Các nền tảng như Emerald AI vì vậy phải dự đoán flexibility động, chứ không thể tuyên bố “data center này linh hoạt 25%” rồi giữ con số đó quanh năm.

Utility cần tin vào phần mềm như từng tin vào turbine

Đây có thể là rào cản khó hơn cả kỹ thuật.

Grid operator quen với tài sản điện có đặc tính rõ: một turbine có ramp rate, minimum load, maximum output và lịch bảo trì.

Compute thì thay đổi từng phút. Hàng nghìn job đến và đi. Tenant khác nhau có SLA khác nhau. Phần mềm được cập nhật liên tục.

Muốn utility dựa vào 20 MW flexibility thay vì xây thêm transformer, hệ thống phải chứng minh mức linh hoạt đó đáng tin trong nhiều năm.

Cần measurement & verification độc lập, baseline rõ ràng, audit trail, tiêu chuẩn giao tiếp, penalty nếu không thực hiện và fail-safe khi scheduler gặp lỗi.

Nói cách khác, flexible compute sẽ phải trưởng thành từ một optimization feature thành một power-system resource có thể kiểm toán.

“Nhường điện” cũng có thể giải bài toán công bằng giá điện

Sự bùng nổ data center đang tạo tranh luận lớn tại Mỹ về ai phải trả cho đường dây, trạm điện và nhà máy mới.

Nếu utility xây hàng tỷ USD infrastructure chỉ để phục vụ một số campus AI, nhưng chi phí sau đó được phân bổ rộng vào hóa đơn của hộ gia đình, phản ứng chính trị là điều dễ hiểu.

Flexible interconnection đưa ra một phương án khác: data center nhận điện nhanh hơn nhưng đổi lại phải cam kết giảm tải khi hệ thống thực sự cần công suất cho khách hàng khác.

Điều này không tự giải quyết toàn bộ bài toán giá điện. Data center vẫn có thể yêu cầu hạ tầng mới, và các chương trình flexibility phải được thiết kế sao cho lợi ích thực sự vượt chi phí.

Nhưng về nguyên tắc, nó tạo thêm một công cụ giữa hai cực: “xây mọi thứ để phục vụ peak” và “không cho data center kết nối”.

Pin vẫn hữu ích — nhưng software có thể rẻ hơn nếu workload vốn đã linh hoạt

Một cách khác để data center giảm điện lấy từ grid là lắp battery storage.

Pin có ưu điểm lớn: workload không cần biết lưới đang có vấn đề. GPU vẫn chạy, battery cấp phần công suất thiếu.

Nhưng pin lớn tốn vốn, có thời lượng giới hạn và suy giảm theo chu kỳ.

Nếu một job training vốn có thể chậm 10% trong hai giờ mà khách hàng không quan tâm, dùng software để điều chỉnh compute có thể rẻ hơn việc mua hàng chục MWh battery chỉ nhằm giữ job đó chạy đúng tốc độ.

Giải pháp tối ưu có thể là kết hợp cả hai.

Battery xử lý vài giây hoặc phút đầu tiên. Scheduler bắt đầu giảm workload linh hoạt. Nguồn phát tại chỗ có thể khởi động nếu sự kiện kéo dài. Inference quan trọng tiếp tục được bảo vệ.

Khi đó data center trở thành một hệ thống năng lượng chủ động thay vì chỉ là ổ cắm rất lớn.

AI có thể trở thành loại phụ tải “kỳ lạ” nhất của lưới điện

Trong lịch sử, phụ tải điện thường gắn với một quá trình vật lý tại một địa điểm.

Máy lạnh phải làm mát căn nhà đó. Motor phải chạy dây chuyền đó. Lò điện phải nung vật liệu đang nằm trong nhà máy đó.

Compute khác biệt.

Nó có thể được dời theo thời gian. Một phần có thể chuyển qua không gian. Công suất GPU có thể thay đổi bằng software. Đầu ra — token, embedding, model checkpoint — không cần được sản xuất tại đúng nơi người dùng đang đứng.

Đó là lý do AI vừa là vấn đề lớn cho lưới, vừa có thể là một trong những tải dễ “lập trình” nhất mà grid operator từng gặp.

Từ data center “five nines” tới data center có hai SLA

Ngành data center nổi tiếng với mục tiêu 99,999% availability. Flexible computing không xóa yêu cầu đó.

Thứ thay đổi là khái niệm SLA có thể được tách thành hai lớp.

Lớp thứ nhất là SLA với khách hàng compute: latency, throughput, deadline và availability.

Lớp thứ hai là SLA với utility: bao nhiêu MW có thể giảm, trong bao lâu, cần báo trước bao nhiêu giây và tỷ lệ thực hiện thành công là bao nhiêu.

Một orchestration platform phải đồng thời giữ cả hai lời hứa.

Nếu làm được, data center không còn phải chọn giữa “phục vụ khách hàng” và “hỗ trợ lưới”. Hệ thống sẽ tự tìm phần compute có thể nhường mà khách hàng gần như không nhận ra.

2026 có thể là năm flexible AI chuyển từ ý tưởng sang hạ tầng

Vào đầu làn sóng AI, phản ứng phổ biến trước bài toán điện là xây thêm: thêm turbine khí, thêm solar, thêm nuclear, thêm battery, thêm transmission.

Tất cả vẫn cần thiết.

Nhưng phía cầu đang bắt đầu được xem như một phần của lời giải.

Thử nghiệm Phoenix đã cung cấp bằng chứng bình duyệt rằng software có thể giảm 25% điện của một cụm GPU trong nhiều giờ mà giữ QoS. Các demo tiếp theo đẩy tốc độ phản ứng xuống hàng chục giây. NVIDIA đưa grid flexibility vào kiến trúc DSX. Silicon Valley Power bắt đầu thử flexible interconnection ở quy mô thương mại. Emerald AI vừa huy động 150 triệu USD với định giá hơn 1 tỷ USD.

Những dấu hiệu này chưa chứng minh mọi AI factory trong tương lai sẽ trở thành một virtual power plant. Nhưng chúng cho thấy “data center là tải cố định” đang từ một giả định kỹ thuật trở thành một lựa chọn thiết kế.

Không phải mọi GPU đều cần chạy hết ga mọi lúc

Điểm đáng chú ý nhất của flexible AI không nằm ở một thuật toán tối ưu hay một startup unicorn.

Nó nằm ở việc ngành AI đang bắt đầu thay đổi cách định nghĩa hiệu suất.

Trong vài năm qua, mục tiêu gần như tuyệt đối là giữ GPU utilization càng cao càng tốt. Một GPU trị giá hàng chục nghìn USD mà đứng yên được xem là tài sản lãng phí.

Nhưng khi constraint chuyển từ chip sang megawatt, “100% utilization mọi lúc” có thể không còn là optimum của toàn hệ thống.

Một data center có thể tạo nhiều giá trị hơn nếu chấp nhận chạy 80% trong vài giờ hiếm hoi để đổi lấy kết nối lưới sớm hơn nhiều năm, tránh đầu tư hạ tầng đỉnh tải và tiếp cận điện rẻ hơn trong phần thời gian còn lại.

Khi đó GPU không chỉ là compute resource. Nó trở thành một phần của hệ thống điện.

Và câu hỏi mới của AI infrastructure sẽ không chỉ là “còn bao nhiêu GPU?”

Mà còn là: “có bao nhiêu megawatt chúng ta thực sự cần ngay lúc này — và bao nhiêu có thể nhường lại cho lưới?”