1. Một bản đề xuất thiết bị và câu hỏi đằng sau nó
Hãy tưởng tượng một tờ giấy đề xuất thiết bị CNTT cho một lab nghiên cứu mới thành lập tại một trường đại học đa ngành: ba máy trạm AI với GPU NVIDIA RTX 5090 (32GB VRAM), một hệ thống lưu trữ NAS tập trung 80–120TB, mạng nội bộ 10GbE, tám laptop cho cán bộ, docking station, kết nối đám mây và hệ thống email/website thể chế.
Đọc lướt qua, danh sách này trông rất hợp lý — thậm chí là bài bản. Nhưng đặt câu hỏi đúng sẽ hé lộ một bức tranh phức tạp hơn nhiều: Bao nhiêu trong số này thực sự cần thiết ngay từ ngày đầu? Chi phí thực sự là bao nhiêu nếu tính cả những gì không được ghi trong đề xuất? Và có phương án nào thông minh hơn không?
Bài viết này không phán xét bất kỳ quyết định cụ thể nào. Nó dùng trường hợp thực tế đó như một điểm xuất phát để thảo luận về một câu hỏi mà nhiều trường đại học Việt Nam đang phải đối mặt: làm thế nào để đầu tư hạ tầng số cho nghiên cứu một cách thực sự hiệu quả?
2. Giá thực tế: Con số không nằm trong đề xuất
Khi đề xuất thiết bị được trình lên hội đồng, thường chỉ có một con số: tổng chi phí phần cứng mua một lần. Nhưng đó mới là phần nổi của tảng băng.
Khảo sát giá thị trường tháng 6/2026 từ các nhà phân phối chính hãng tại Việt Nam — Nguyễn Công PC, An Phát Computer, Phong Vũ, HACOM — cho thấy:
Chi phí phần cứng đề xuất (ước tính, chưa VAT 10%):
- Ba máy trạm AI (AMD Ryzen 9 9950X / 128GB RAM / RTX 5090 32GB / SSD 6TB): khoảng 690 triệu đồng (230 triệu/máy, theo báo giá Nguyễn Công PC)
- Tám laptop business-grade (Dell Latitude / ThinkPad): khoảng 280 triệu đồng (35 triệu/máy)
- Sáu docking station: khoảng 30 triệu đồng
- NAS Synology RS4021xs+ (chassis 16 bay) + sáu ổ WD Ultrastar 20TB: khoảng 194 triệu đồng (50 triệu chassis + 144 triệu HDD, theo Phong Vũ: 23,99 triệu/ổ)
- Switch 10GbE managed + cáp: khoảng 45 triệu đồng
- Email, website, domain: khoảng 15 triệu đồng
Tổng phần cứng: khoảng 1,25 tỷ đồng — tức ~1,38 tỷ đồng sau VAT.
Đây là con số hợp lý nếu lab đã có đủ khối lượng công việc để tận dụng. Nhưng vấn đề không nằm ở đây.
Chi phí ẩn — thứ không ai ghi vào đề xuất
Andreev et al. (2021), trong một vị trí luận gửi đến cộng đồng khoa học Mỹ, chỉ ra rằng các nhà khoa học thường chỉ tính chi phí mua sắm ban đầu mà bỏ qua chi phí vận hành liên tục của hạ tầng dữ liệu — và đây chính xác là lý do nhiều hệ thống NAS đại học bị bỏ không sau vài năm vì thiếu ngân sách duy trì.
Với cấu hình đề xuất, chi phí ẩn hàng năm ước tính:
| Khoản mục | Ước tính/năm |
|---|---|
| Điện năng (3 máy trạm + NAS, ~700 kWh/tháng) | ~24 triệu đồng |
| Điều hòa riêng cho phòng thiết bị | ~20 triệu đồng |
| Nhân sự IT quản trị hệ thống (bán thời gian) | ~36 triệu đồng |
| Bảo trì, thay thế linh kiện dự phòng (5%/năm) | ~62 triệu đồng |
| Tổng chi phí ẩn/năm | ~142 triệu đồng |
Sau 5 năm, chi phí ẩn tích lũy thêm khoảng 710 triệu đồng — gần bằng 60% chi phí đầu tư ban đầu. Tổng chi phí thực tế 5 năm (TCO): gần 2 tỷ đồng.
3. Ba điểm kỹ thuật quan trọng mà các đề xuất thường bỏ qua
3.1. RTX 5090 là GPU gaming cao cấp, không phải GPU nghiên cứu khoa học
Đây là điểm mà nhiều người không để ý. NVIDIA RTX 5090 thuộc dòng GeForce — được thiết kế cho gaming và workstation nhẹ, không phải cho tính toán khoa học dài hạn.
Khác biệt quan trọng nhất: RTX 5090 không có ECC memory (Error-Correcting Code). Trong tính toán khoa học kéo dài nhiều giờ — huấn luyện mô hình AI, mô phỏng vật lý, xử lý dữ liệu lớn — lỗi bit ngẫu nhiên (bit-flip) có thể xảy ra và tích lũy âm thầm, làm sai kết quả mà không có cảnh báo. Karniadakis et al. (2021), trong bài tổng quan về học máy tích hợp vật lý trên Nature Reviews Physics, nhấn mạnh rằng độ tin cậy tính toán là yêu cầu thiết yếu khi GPU được dùng cho mô phỏng khoa học — không phải thứ yếu.
GPU dành cho nghiên cứu thực sự (NVIDIA A100, H100, RTX 6000 Ada) đều có ECC bắt buộc và bảo hành doanh nghiệp. Chúng đắt hơn, nhưng dùng đúng mục đích.
Tuy nhiên — đây không phải lý do để bác bỏ RTX 5090 hoàn toàn. Với ngân sách đại học hạn chế, RTX 5090 là lựa chọn thực dụng cho nhiều tác vụ AI thường nhật. Vấn đề là mua ba cái cùng lúc cho lab mới thành lập.
3.2. NAS 120TB cho lab mới: lưu trữ cho ai?
Theo Shu et al. (2025) trong khảo sát về hạ tầng HPC tại các trường đại học Mỹ, nhu cầu lưu trữ của một nhóm nghiên cứu trung bình tăng chậm hơn nhiều so với dự đoán trong năm đầu — phần lớn do pipeline dữ liệu chưa được xây dựng hoàn chỉnh khi lab mới ra đời.
Với 8 cán bộ và một lượng sinh viên nghiên cứu ban đầu, nhu cầu lưu trữ thực tế trong 3–5 năm đầu ước tính 20–40TB — tức chưa đến một phần ba công suất NAS 120TB. Phần còn lại là vốn cố định nằm im.
Giải pháp tốt hơn: bắt đầu với NAS 48TB (4 ổ × 20TB, RAID-5) — đủ dùng và có thể mở rộng khi cần thêm ổ. Tiết kiệm ngay ~100 triệu đồng so với NAS 120TB full, không mất gì về tính năng.
3.3. Bảo mật dữ liệu: nghĩa vụ pháp lý, không phải tùy chọn
Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân và Thông tư 12/2022/TT-BTTTT về an toàn thông tin mạng yêu cầu bất kỳ tổ chức nào xử lý dữ liệu cá nhân (bao gồm dữ liệu khảo sát nghiên cứu, dữ liệu sinh viên) phải có chính sách bảo mật rõ ràng.
Một NAS 120TB lưu dữ liệu nghiên cứu đa ngành mà không có mã hóa, phân quyền truy cập, và kế hoạch ứng phó sự cố là rủi ro pháp lý — không phải chỉ là rủi ro kỹ thuật. Đây là điều một đề xuất thiết bị thuần túy thường quên đề cập.
4. Phương án thay thế: Cùng ngân sách, thông minh hơn
Thay vì phủ nhận toàn bộ đề xuất, một câu hỏi thực tiễn hơn là: với cùng mục tiêu, có cách nào chi ít hơn mà không mất năng lực không?
Mô hình hybrid: 1 máy trạm + cloud GPU
Brynjolfsson, Li và Raymond (2023) trong nghiên cứu về tác động của AI đối với năng suất ghi nhận rằng lợi ích của công cụ AI phân phối rộng nhất khi tiếp cận được linh hoạt — không cần mọi người cùng có phần cứng mạnh như nhau, mà cần có thể truy cập sức mạnh tính toán khi cần. Đây chính xác là logic của mô hình cloud GPU.
Phương án điều chỉnh Giai đoạn 1A (ước tính, chưa VAT):
| Hạng mục | Thay đổi | Chi phí |
|---|---|---|
| 1 máy trạm AI (RTX 5090, 96GB, SSD 4TB) | Giảm từ 3 xuống 1 | ~200 triệu |
| Cloud GPU subscription (A100, 1.000 giờ/năm) | Thay cho 2 máy còn lại | ~50 triệu/năm |
| 8 laptop Dell Latitude / ThinkPad (32GB, TPM 2.0) | Giữ nguyên, chọn cụ thể | ~224 triệu |
| 4 docking station (giảm từ 6) | Giảm 2 cái | ~20 triệu |
| NAS 48TB (Synology DS1823xs+, 4 ổ WD Ultrastar 20TB) | Giảm từ 120TB | ~131 triệu |
| Switch 10GbE + cáp | Giữ nguyên | ~40 triệu |
| Email + website + pfSense firewall | Thêm firewall | ~20 triệu |
| Tổng | ~685 triệu |
Tiết kiệm so với đề xuất gốc: ~569 triệu đồng (~45%).
Cloud GPU không phải giải pháp rẻ mãi mãi — sau khi lab có đủ khối lượng tính toán thường xuyên, mua thêm máy trạm sẽ rẻ hơn thuê cloud. Nhưng trong 12–18 tháng đầu của lab mới, mô hình này cho phép linh hoạt mà không bỏ tiền vào thiết bị chạy không đủ công suất.
Lộ trình phân kỳ gắn với KPI
Đây có lẽ là thay đổi quan trọng nhất về tư duy quản trị — không phải thay đổi kỹ thuật:
| Giai đoạn | Nội dung | Điều kiện mở khóa |
|---|---|---|
| 1A — Ngay | Cấu hình điều chỉnh (~685 triệu) | Cam kết KPI bằng văn bản + chính sách ATTT được phê duyệt |
| 1B — Sau 12–18 tháng | Máy trạm AI thứ 2 + mở rộng NAS (~320 triệu) | Có ít nhất 2 bài báo ISI/Scopus + 1 đề tài cấp Bộ được duyệt |
| 1C — Sau 24–36 tháng | Máy trạm AI thứ 3 + bảo mật nâng cao (~280 triệu) | Đạt KPI Giai đoạn 1B + có dự án quốc tế hoặc đề tài Nhà nước |
Tổng ba giai đoạn (~1,28 tỷ) xấp xỉ đề xuất gốc — nhưng được giải ngân theo năng lực chứng minh, không phải theo niềm tin.
5. Bài học rộng hơn: Cách đánh giá một đề xuất hạ tầng số
Câu chuyện này không phải cá biệt. Quy et al. (2023), trong nghiên cứu về chuyển đổi số đại học tại Việt Nam trên tạp chí Sustainability, chỉ ra rằng thách thức lớn nhất không phải là thiếu đầu tư vào công nghệ, mà là thiếu khung đánh giá hiệu quả sau khi đầu tư — tức là thiếu vòng phản hồi giữa chi tiêu và kết quả.
Khi xem xét bất kỳ đề xuất hạ tầng số nào cho lab nghiên cứu, có bảy câu hỏi thực tế cần đặt ra:
- Tỷ lệ sử dụng dự kiến là bao nhiêu? Thiết bị chạy dưới 30% công suất trong 12 tháng đầu là dấu hiệu đầu tư quá sớm.
- Chi phí ẩn 5 năm là bao nhiêu? Luôn yêu cầu TCO, không chỉ CAPEX.
- Có phương án cloud nào tương đương không? Không phải để thay thế hoàn toàn, mà để so sánh.
- Ai vận hành hệ thống? Không có nhân sự IT = NAS trở thành hộp đen.
- Chính sách bảo mật là gì? Đây là yêu cầu pháp lý, không phải tùy chọn.
- KPI đầu ra là gì? Đầu tư hạ tầng phải gắn với cam kết sản phẩm nghiên cứu.
- Có thể mở rộng dần không? Ưu tiên kiến trúc mở rộng được hơn là mua đủ ngay từ đầu.
6. Kết luận: Hạ tầng đúng là hạ tầng phù hợp với giai đoạn
Không có câu trả lời chung cho câu hỏi "một lab nghiên cứu đại học cần bao nhiêu hạ tầng CNTT." Câu trả lời phụ thuộc vào giai đoạn phát triển, loại nghiên cứu, quy mô nhóm, và quan trọng nhất — năng lực thực sự vận hành những gì được mua.
Ba máy trạm RTX 5090 và NAS 120TB có thể là đầu tư hoàn toàn hợp lý cho một lab đang chạy ba đề tài song song với 30 sinh viên nghiên cứu. Cũng chính cấu hình đó sẽ là gánh nặng tài chính nếu lab mới thành lập và chưa có đủ khối lượng công việc để lấp đầy công suất.
Bài học không phải là "đừng đầu tư vào hạ tầng AI" — ngược lại. Bài học là: đầu tư thông minh có nghĩa là mua vừa đủ cho hôm nay, thiết kế để mở rộng cho ngày mai, và luôn gắn chi tiêu với kết quả đo lường được.
Tài liệu tham khảo
Andreev, A., Morrell, T., Briney, K., Gesing, S., & Manor, U. (2021). Biologists need modern data infrastructure on campus. arXiv. https://doi.org/10.48550/arxiv.2108.07631
Brynjolfsson, E., Li, D., & Raymond, L. (2023). Generative AI at Work. National Bureau of Economic Research. https://doi.org/10.3386/w31161
Karniadakis, G. E., Kevrekidis, I. G., Lu, L., & Perdikaris, P. (2021). Physics-informed machine learning. Nature Reviews Physics, 3, 422–440. https://doi.org/10.1038/s42254-021-00314-5
Quy, V. K., Thanh, B. T., Chehri, A., Linh, D. M., & Tuan, D. A. (2023). AI and Digital Transformation in Higher Education: Vision and Approach of a Specific University in Vietnam. Sustainability, 15(14), 11093. https://doi.org/10.3390/su151411093
Shu, P., Chen, J., Liu, Z., Zhao, H., Li, X., & Liu, T. (2025). Survey of HPC in US Research Institutions. arXiv. https://arxiv.org/abs/2506.19019