DEEPX và Rebellions: cùng làm chip AI Hàn Quốc nhưng không cùng một sân đấu

DEEPX phù hợp AI tại thiết bị biên; Rebellions tập trung AI inference tại server và data center.Phóng to

Quy tắc nhớ nhanh: AI nằm cạnh cảm biến thì xem DEEPX; AI phục vụ từ phòng máy thì xem Rebellions.

Giả sử một nhà máy tại Bắc Ninh có 1.000 camera kiểm tra lỗi sản phẩm. Mỗi camera phải phát hiện vết xước ngay lập tức, không thể gửi toàn bộ video lên cloud vì tốn mạng và có độ trễ. Đây là bài toán gần với DEEPX.

Cũng doanh nghiệp đó muốn xây chatbot nội bộ để 20.000 nhân viên tìm quy trình, hỏi chính sách và tóm tắt tài liệu. Hệ thống đặt trong data center, phải xử lý nhiều yêu cầu cùng lúc và cần bộ nhớ lớn. Đây lại là bài toán gần với Rebellions.

Vì vậy, câu hỏi “DEEPX hay Rebellions mạnh hơn?” chưa đúng. Câu hỏi đúng là:

Hai công ty trong một bảng

DEEPX: mang “bộ não nhỏ” tới nơi dữ liệu sinh ra

DEEPX tập trung vào edge AI. Edge có thể hiểu là “mép ngoài của mạng”: camera, robot, cổng kiểm soát, dây chuyền sản xuất hoặc phương tiện — nơi hình ảnh và tín hiệu được tạo ra.

Thay vì gửi video về một data center xa, chip xử lý ngay tại chỗ. Cách này có bốn lợi ích:

1. Độ trễ thấp: máy có thể phản ứng ngay.

2. Tiết kiệm băng thông: không phải truyền video liên tục.

3. Riêng tư hơn: dữ liệu hình ảnh không cần rời thiết bị.

4. Vận hành khi mất mạng: robot hoặc máy kiểm tra vẫn hoạt động.

DX-M1 đại diện cho hướng đi nào?

Theo DEEPX, DX-M1 đạt tối đa 25 TOPS INT8, tiêu thụ khoảng 1–5 W và module M.2 có 4 GB LPDDR5. AI Player sử dụng DX-M1 là một edge box nhỏ, có CPU Intel N97, mạng Ethernet và các cổng công nghiệp.

Những con số này nói lên mục tiêu thiết kế: không phải tạo một “siêu máy chủ thu nhỏ”, mà là chạy inference với ít điện và ít nhiệt trong thiết bị có không gian hạn chế.

Ví dụ phù hợp:

• camera phát hiện người xâm nhập;
• máy kiểm tra lỗi bề mặt trong nhà máy;
• OCR đọc mã sản phẩm hoặc tài liệu;
• robot nhận diện vật thể;
• drone xử lý hình ảnh khi đang bay;
• phân tích giao thông tại nút đường;
• cửa hàng tự động và thiết bị bán lẻ.

DEEPX cho biết DX-M1 đã hỗ trợ workflow từ PyTorch, TensorFlow và ONNX; hãng cũng hợp tác với Ultralytics và Baidu PaddlePaddle. Tuy nhiên, doanh nghiệp vẫn phải kiểm tra model, operator và pipeline video của chính mình.

DX-M2 có phải sản phẩm LLM cạnh tranh Rebellions?

DX-M2 được DEEPX định hướng cho generative AI và mô hình ngôn ngữ nhỏ tại thiết bị, nhưng vẫn là sản phẩm trên roadmap/“coming soon” ở thời điểm kiểm tra. Mục tiêu của nó là đưa SLM hoặc AI tạo sinh xuống thiết bị di động, robot và hệ thống công suất thấp.

Điều đó không biến DEEPX thành đối thủ trực tiếp của Rebellions trong mọi data center. Một mô hình ngôn ngữ nhỏ chạy offline trên robot khác rất xa một dịch vụ LLM phục vụ hàng nghìn người dùng.

Rebellions: xây “nhà máy trả lời” trong data center

Rebellions tập trung vào AI inference trong server. Inference là giai đoạn mô hình đã được huấn luyện và đang thực hiện công việc thật: trả lời câu hỏi, tìm kiếm tài liệu, phân loại, tóm tắt hoặc tạo nội dung.

Nếu DEEPX đặt một bộ não bên cạnh camera, Rebellions xây một phòng máy nơi nhiều accelerator cùng phục vụ người dùng.

ATOM dành cho điều gì?

Theo thông tin Rebellions công bố, ATOM có 16 GB GDDR6 và mức tiêu thụ tối đa khoảng 85 W. Chip được thiết kế cho data center inference, có thể lắp nhiều card trong server.

ATOM đã được xác nhận trong môi trường server nhiều card và được KT Cloud sử dụng trong dịch vụ AI SERV NPU. Rebellions cùng SK Telecom cũng thử nghiệm ATOM/ATOM-Max cho các dịch vụ như tóm tắt cuộc gọi, lọc spam và AI doanh nghiệp.

REBEL100 và REBEL-Quad đi xa hơn

REBEL100 được Rebellions định vị cho LLM và mô hình MoE, với 144 GB HBM3E và băng thông công bố 4,8 TB/s. Dung lượng bộ nhớ lớn quan trọng vì mô hình ngôn ngữ cần chỗ chứa trọng số và KV cache.

REBEL-Quad ghép bốn chiplet để hướng tới AI workload quy mô lớn. Rebellions cho biết sản phẩm dùng HBM3E và đang bước vào quá trình sản xuất, cung cấp và PoC. Đây là hướng cạnh tranh gần với accelerator data center hơn là chip cho camera.

Nhưng cần đọc đúng mức độ trưởng thành: ATOM đã có triển khai thực tế; những sản phẩm mới hơn vẫn cần được đánh giá theo trạng thái cung ứng, server được chứng nhận, phần mềm và benchmark tại thời điểm mua.

Vì sao không nên so 25 TOPS với 85 W?

25 TOPS của DX-M1 và mức công suất 85 W của ATOM không trả lời cùng một câu hỏi.

• TOPS nói về số operation theo một kiểu dữ liệu và cách đếm nhất định.
• Watt nói về công suất điện.
• Bộ nhớ quyết định mô hình có vừa hay không.
• Băng thông quyết định dữ liệu có tới bộ tính toán đủ nhanh hay không.
• Phần mềm quyết định doanh nghiệp có chạy được model thật hay chỉ chạy được demo.

So chip edge với chip data center bằng một con số giống như so xe máy giao hàng với xe buýt bằng dung tích động cơ. Phải hỏi mỗi phương tiện đang chở gì, bao nhiêu người, trên quãng đường nào.

Chọn DEEPX khi nào?

DEEPX đáng đưa vào danh sách thử nghiệm nếu doanh nghiệp có các dấu hiệu sau:

• cần triển khai AI trên hàng trăm hoặc hàng nghìn thiết bị;
• thiết bị bị giới hạn điện, nhiệt hoặc kích thước;
• dữ liệu sinh ra từ camera/cảm biến;
• yêu cầu phản ứng thời gian thực;
• không muốn gửi video lên cloud;
• chỉ chạy một nhóm model thị giác đã tương đối ổn định;
• tổng chi phí điện, quạt, tản nhiệt và mạng đang là vấn đề.

Tại Việt Nam, nhóm khách hàng tiềm năng gồm:

• nhà máy điện tử, linh kiện, dệt may và thực phẩm;
• công ty sản xuất camera hoặc NVR;
• nhà tích hợp hệ thống machine vision;
• doanh nghiệp robot, AGV/AMR và drone;
• dự án giao thông, thành phố thông minh;
• nhà sản xuất kiosk và thiết bị bán lẻ.

DEEPX có thể được bán như một linh kiện hoặc module nằm trong sản phẩm của khách hàng. Quy trình bán hàng vì vậy thường bắt đầu bằng dev kit, PoC trên một model, thiết kế bo mạch và kế hoạch sản xuất hàng loạt.

Chọn Rebellions khi nào?

Rebellions đáng thử nghiệm nếu doanh nghiệp:

• đang vận hành chatbot, RAG hoặc AI agent;
• có nhiều người dùng đồng thời;
• muốn đặt dữ liệu trong private cloud;
• cần giảm chi phí inference trên workload ổn định;
• quan tâm sovereign AI hoặc giảm phụ thuộc một nhà cung cấp GPU;
• có đội hạ tầng đủ khả năng vận hành server accelerator;
• chấp nhận benchmark và tối ưu phần mềm trước khi chuyển tải.

Khách hàng tiềm năng tại Việt Nam có thể là:

• nhà mạng và cloud provider;
• ngân hàng, bảo hiểm, chứng khoán;
• cơ quan nhà nước và hệ thống dữ liệu nhạy cảm;
• tập đoàn có private cloud;
• doanh nghiệp vận hành contact center lớn;
• công ty cung cấp chatbot/RAG dưới dạng dịch vụ;
• trường đại học và trung tâm nghiên cứu cần hạ tầng inference.

Rebellions được bán theo logic server, rack hoặc năng lực inference, không phải như một module gắn vào camera.

Trường hợp doanh nghiệp cần cả hai

Một thành phố thông minh có thể dùng DEEPX tại camera để lọc và phát hiện sự kiện. Chỉ metadata hoặc đoạn video quan trọng được gửi về trung tâm. Tại data center, Rebellions có thể chạy mô hình ngôn ngữ, tìm kiếm và hệ thống điều phối để nhân viên hỏi–đáp hoặc tổng hợp sự kiện.

Một nhà máy cũng có thể:

• dùng DEEPX trong máy kiểm tra lỗi;
• dùng Rebellions trong private cloud để tóm tắt báo cáo, tra cứu quy trình và phục vụ AI agent;
• dùng GPU NVIDIA cho huấn luyện hoặc các model chưa tương thích.

Đây là kiến trúc nhiều tầng, không phải trận đấu “chỉ được chọn một”.

Rào cản lớn nhất: phần mềm và khả năng hỗ trợ

Chip tốt nhưng model không chuyển đổi được thì không tạo ra giá trị.

Với DEEPX, cần kiểm tra

• model vision có được hỗ trợ đầy đủ không;
• preprocessing và postprocessing chạy ở đâu;
• bộ giải mã video có đáp ứng số luồng camera không;
• host CPU, RAM và I/O cần bao nhiêu;
• SDK có phù hợp đội embedded tại Việt Nam không;
• module có sẵn cho sản xuất hàng loạt không.

Với Rebellions, cần kiểm tra

• model LLM cụ thể có chạy được không;
• PyTorch, vLLM, Triton và operator tùy biến được hỗ trợ đến đâu;
• tensor parallel, batching và KV cache hoạt động ra sao;
• server nào đã được chứng nhận;
• giám sát, cập nhật driver và xử lý lỗi thế nào;
• ai hỗ trợ kỹ thuật tại Việt Nam khi hệ thống production gặp sự cố.

NVIDIA có lợi thế lớn về CUDA, TensorRT và cộng đồng kỹ sư. Cả DEEPX lẫn Rebellions đều phải chứng minh rằng lợi ích điện năng hoặc chi phí đủ lớn để bù cho công sức tích hợp.

Một kế hoạch PoC công bằng

PoC DEEPX

1. Chọn một camera và một model production.

2. Dùng cùng độ phân giải, FPS và ngưỡng chính xác.

3. Đo latency P95, FPS, công suất tại ổ điện và nhiệt độ.

4. Chạy liên tục tối thiểu 72 giờ.

5. Tính chi phí toàn hệ thống: host, module, bộ nhớ, giải mã, nguồn và tản nhiệt.

6. Kiểm tra thời gian chuyển model và cập nhật từ xa.

PoC Rebellions

1. Chọn cùng model, tokenizer và bộ dữ liệu.

2. Cố định độ chính xác và độ dài ngữ cảnh.

3. Đo time-to-first-token, token/giây và số người dùng đồng thời.

4. Đo điện của cả server, không chỉ card.

5. Kiểm tra batching, KV cache và độ ổn định nhiều card.

6. Tính chi phí trên một triệu token và thời gian kỹ sư tích hợp.

Cây quyết định trong 30 giây

• AI gắn trong camera, robot hoặc máy công nghiệp? → Thử DEEPX.
• AI chạy trên server và phục vụ nhiều người? → Thử Rebellions.
• Cần huấn luyện mô hình lớn hoặc đồ họa/mô phỏng? → Hai hãng này chưa phải lựa chọn thay thế trực tiếp GPU đa năng.
• Model chưa được SDK hỗ trợ? → Giữ nền tảng hiện tại hoặc yêu cầu hãng chứng minh bằng PoC.
• Chưa rõ tải thực tế? → Thuê/benchmark trước, không mua theo brochure.

Cơ hội hợp tác tại Việt Nam

DEEPX cần đối tác hiểu thiết bị: embedded software, camera pipeline, board design, robot integration, nhà máy và hỗ trợ mass production.

Rebellions cần đối tác hiểu hạ tầng: server, Kubernetes, model serving, RAG, bảo mật, private cloud và vận hành 24/7.

Một công ty công nghệ Việt Nam muốn hợp tác với cả hai nên tách đội go-to-market:

• DEEPX: bán giải pháp theo ngành và theo thiết bị.
• Rebellions: bán PoC giảm chi phí inference cho khách hàng data center.
• Không dùng cùng một slide bán hàng cho hai hãng.

Kết luận

DEEPX và Rebellions không phải hai phiên bản lớn–nhỏ của cùng một con chip.

• DEEPX tối ưu việc đưa AI đến nơi dữ liệu sinh ra.
• Rebellions tối ưu việc phục vụ AI tập trung ở nơi nhiều người cùng sử dụng.
• DEEPX thắng khi điện, nhiệt, kích thước và offline là ưu tiên.
• Rebellions có cơ hội khi bộ nhớ, throughput và chi phí trên mỗi yêu cầu là ưu tiên.
• Cả hai chỉ đáng mua sau khi chạy đúng model và đo toàn bộ hệ thống.

Doanh nghiệp không mua một con số TOPS hay một câu chuyện “chip AI quốc gia”. Doanh nghiệp mua kết quả: máy phát hiện đúng lỗi, chatbot trả lời đủ nhanh và tổng chi phí thấp hơn trong nhiều năm.

Nguồn kiểm chứng

• DEEPX DX-M1
• DEEPX DX-AI Player
• DEEPX AI chips
• Rebellions ATOM và triển khai server
• Rebellions và SK Telecom
• REBEL-Quad tại ISSCC 2026