Triết lý tiết kiệm tiền trong thời đại AI: Cách tiêu từng token một cách khôn ngoan

Bài viết | Sleepy.md

Trong thời đại điện báo tính phí theo từng từ, bút và mực là tiền. Người ta quen cô đọng hàng nghìn từ thành dạng tối thượng. “Về nhà sớm” là một lá thư dài, và “bình yên” là lời nhắc nhở quan trọng nhất.

Sau đó, điện thoại được mang đến tận nhà nhưng cước đường dài tính theo phút. Những cuộc điện thoại đường dài của bố mẹ tôi luôn ngắn gọn và súc tích, sau khi nói xong chuyện nghiêm túc thì vội vàng cúp máy. Khi cuộc trò chuyện kéo dài hơn một chút, ý nghĩ lo lắng về hóa đơn điện thoại sẽ cắt đứt những lời chào hỏi đến.

Sau đó, băng thông rộng đến từng nhà và việc truy cập Internet được tính phí theo giờ. Mọi người nhìn chằm chằm vào đồng hồ trên màn hình. Các trang web đóng lại ngay khi chúng được mở. Video chỉ có thể được tải xuống. Truyền phát trực tuyến là một động từ xa xỉ vào thời điểm đó. Ẩn sau mỗi thanh tiến trình tải xuống là mong muốn "kết nối với thế giới" của mọi người và nỗi sợ "không đủ số dư".

Đơn vị thanh toán đã thay đổi nhiều lần nhưng bản năng tiết kiệm tiền vẫn không thay đổi.

Ngày nay, Token đã trở thành tiền tệ của thời đại AI. Tuy nhiên, hầu hết mọi người vẫn chưa học được cách thận trọng trong thời đại này, bởi vì chúng ta chưa học được cách tính toán lãi lỗ trong các thuật toán vô hình.

Khi ChatGPT ra mắt lần đầu tiên vào năm 2022, hầu như không ai quan tâm đến Token là gì. Đó là thời đại của AI, nơi bạn có thể chi 20 USD mỗi tháng và trò chuyện bao nhiêu tùy thích.

Nhưng kể từ khi Tác nhân AI trở nên phổ biến gần đây, việc chi tiêu bằng token đã trở thành điều mà tất cả những ai sử dụng Tác nhân AI đều phải chú ý.

Khác với cuộc trò chuyện hỏi đáp đơn giản, đằng sau luồng nhiệm vụ là hàng trăm hoặc hàng nghìn lệnh gọi API. Suy nghĩ độc lập của Đặc vụ phải trả giá. Mỗi lần tự sửa lỗi và mỗi lệnh gọi công cụ đều tương ứng với một bước nhảy vọt trong số trên hóa đơn. Khi đó bạn sẽ thấy số tiền bạn nạp đột nhiên không đủ và bạn vẫn không biết Agent đã làm gì.

Trong cuộc sống thực, ai cũng biết cách tiết kiệm tiền. Khi đi chợ mua rau, chúng ta biết rửa sạch lá thối bằng bùn trước khi đặt lên bàn cân; Khi bắt taxi ra sân bay, những tài xế có kinh nghiệm sẽ biết tránh đường cao tốc trên cao vào giờ cao điểm buổi sáng.

Logic của việc tiết kiệm tiền trong thế giới kỹ thuật số thực chất là giống nhau, ngoại trừ việc đơn vị thanh toán được đổi từ "jin" và "km" thành Token.

Trước đây, việc tiết kiệm là do khan hiếm; trong thời đại AI, việc tiết kiệm là do sự chính xác.

Chúng tôi hy vọng rằng thông qua bài viết này, chúng tôi có thể giúp bạn tìm ra một bộ phương pháp tiết kiệm tiền trong kỷ nguyên AI, để bạn có thể tiêu từng xu một cách khôn ngoan.

Trước khi cân, hãy nhặt lá thối trước

Trong thời đại AI, giá trị của thông tin không còn được quyết định bởi độ rộng của nó mà bằng độ tinh khiết của nó.

Logic thanh toán của AI là tính phí dựa trên số từ mà nó đọc được. Cho dù bạn cung cấp cho nó thông tin chi tiết hay định dạng vô nghĩa, miễn là nó đọc được, bạn đều phải trả tiền.

Vì vậy, cách nghĩ đầu tiên để tiết kiệm Token là khắc sâu “tỷ lệ tín hiệu trên tạp âm” vào tiềm thức.

Bạn phải trả tiền cho từng từ, từng hình ảnh và từng dòng mã mà bạn cung cấp cho AI. Vì vậy, trước khi trao bất cứ thứ gì cho AI, hãy nhớ tự hỏi bản thân: AI thực sự cần bao nhiêu trong số này? Bao nhiêu lá rau thối dính bùn?

Ví dụ: "Xin chào, xin hãy giúp tôi..." Câu mở đầu dài dòng này, phần giới thiệu bối cảnh lặp đi lặp lại và những nhận xét mã không đầy đủ đều là những chiếc lá mục nát đầy bùn.

Ngoài ra, hành vi lãng phí phổ biến nhất là gửi trực tiếp tệp PDF hoặc ảnh chụp màn hình trang web cho AI. Điều này quả thực giúp bạn tránh khỏi rắc rối, nhưng trong thời đại AI “tiết kiệm rắc rối” thường có nghĩa là “đắt”.

Một tệp PDF được định dạng đầy đủ, ngoài nội dung văn bản, còn chứa đầu trang, chân trang, chú thích biểu đồ, hình mờ ẩn và một số lượng lớn mã định dạng để sắp chữ. Những điều này không giúp ích gì cho AI hiểu được vấn đề của bạn, nhưng tất cả đều phải tính phí.

Lần tới, hãy nhớ chuyển đổi tệp PDF thành văn bản Markdown rõ ràng trước khi đưa nó cho AI. Khi bạn biến một tệp PDF 10MB thành 10KB văn bản sạch, bạn không chỉ tiết kiệm được 99% số tiền mà còn khiến bộ não AI chạy nhanh hơn trước rất nhiều.

Trong ảnh là một con thú ăn vàng khác.

Theo logic của mô hình trực quan, AI không quan tâm ảnh của bạn đẹp hay không, nó chỉ quan tâm đến việc bạn chiếm bao nhiêu pixel.

Lấy logic tính toán chính thức của Claude làm ví dụ: Mức tiêu thụ mã thông báo của hình ảnh = pixel chiều rộng × pixel chiều cao ÷ 750.

Một hình ảnh 1000×1000 pixel tiêu thụ khoảng 1334 Mã thông báo. Theo giá của Claude Sonnet 4.6, mỗi bức tranh có giá khoảng 0,004 USD;

Nhưng nếu cùng một hình ảnh được nén thành 200×200 pixel thì chỉ tiêu thụ 54 Token và chi phí giảm xuống còn 0,00016 USD, chênh lệch gấp 25 lần.

Nhiều người trực tiếp gửi ảnh độ phân giải cao và ảnh chụp màn hình 4K do điện thoại di động của họ chụp cho AI. Họ ít biết rằng số token mà những bức ảnh này tiêu thụ có thể đủ để AI đọc hầu hết tiểu thuyết. Nếu nhiệm vụ chỉ là nhận dạng văn bản trong ảnh hoặc đưa ra các phán đoán trực quan đơn giản, chẳng hạn như yêu cầu AI nhận ra số tiền trên hóa đơn, đọc văn bản trong sách hướng dẫn hoặc xác định xem trong ảnh có đèn giao thông hay không, thì độ phân giải 4K là một sự lãng phí thuần túy và việc nén hình ảnh ở độ phân giải tối thiểu hiện có là đủ.

Nhưng lý do khiến Token dễ bị lãng phí nhất ở đầu vào thực ra không phải là định dạng tệp mà là cách diễn đạt không hiệu quả.

Nhiều người coi AI như hàng xóm thực sự và quen với việc giao tiếp với nhau thông qua trò chuyện xã hội. Đầu tiên họ sẽ nói "Viết một trang web cho tôi" rồi đợi AI đưa ra một bán thành phẩm, sau đó thêm chi tiết và lặp lại. Kiểu đối thoại bóp kem đánh răng này sẽ khiến AI liên tục tạo ra nội dung và mỗi vòng sửa đổi sẽ làm tăng mức tiêu thụ mã thông báo.

Các kỹ sư của Tencent Cloud nhận thấy trên thực tế rằng với cùng một nhu cầu, nhiều vòng trò chuyện kiểu kem đánh răng thường tiêu thụ số lượng mã thông báo nhiều hơn gấp 3 đến 5 lần so với những gì được nêu rõ ràng cùng một lúc.

Cách tiết kiệm tiền thực sự là từ bỏ sự cám dỗ xã hội kém hiệu quả này và giải thích rõ ràng các yêu cầu, điều kiện biên và ví dụ tham khảo cùng một lúc. Đừng bận tâm đến việc giải thích “những điều không nên làm”, vì câu phủ định thường tốn nhiều thời gian để hiểu hơn câu khẳng định; nói trực tiếp với nó “làm thế nào” và đưa ra một minh chứng rõ ràng và chính xác.

Đồng thời, nếu biết mục tiêu ở đâu thì hãy nói thẳng với AI và đừng để AI làm thám tử.

Khi bạn ra lệnh cho AI "tìm mã liên quan đến người dùng", nó phải thực hiện quét, phân tích và đoán trên quy mô lớn ở chế độ nền; và khi bạn trực tiếp bảo nó "xem file src/services/user.ts" thì mức tiêu thụ Token rất khác nhau. Trong thế giới kỹ thuật số, thông tin ngang bằng là khoản tiết kiệm lớn nhất.

Đừng trả tiền cho sự “lịch sự” của AI

Có một quy tắc bất thành văn đối với việc thanh toán theo mô hình lớn mà nhiều người không nhận ra: token đầu ra thường đắt hơn 3 đến 5 lần so với token đầu vào.

Nói cách khác, những gì AI nói đắt hơn nhiều so với những gì bạn nói với nó. Lấy giá của Claude Sonnet 4.6 làm ví dụ, chi phí đầu vào chỉ 3 USD trên một triệu Token, trong khi đầu ra đột ngột tăng lên 15 USD, chênh lệch giá gấp 5 lần.

Những lời mở đầu lịch sự như "Được rồi, tôi đã hiểu rõ nhu cầu của bạn, và bây giờ tôi sẽ trả lời câu hỏi của bạn..." và những lời kết thúc lịch sự như "Tôi hy vọng nội dung trên hữu ích cho bạn" là những lời nói xã giao lịch sự khi giao tiếp với người thật, nhưng trong dự luật API, những lời chào không có bất kỳ thông tin gia tăng nào cũng sẽ khiến bạn phải trả giá.

Cách hiệu quả nhất để giải quyết lãng phí ở đầu ra là đặt ra các quy tắc cho AI. Dùng hệ thống hướng dẫn nói rõ ràng: không tán gẫu, không giải thích, không lặp lại yêu cầu, chỉ trực tiếp đưa ra đáp án.

Những quy tắc này chỉ cần được đặt một lần và sẽ có hiệu lực trong mọi cuộc trò chuyện. Đó là phương pháp quản lý tài chính “đầu tư một lần, lợi ích vĩnh viễn” đúng nghĩa. Nhưng khi thiết lập các quy tắc, nhiều người lại rơi vào một sự hiểu lầm khác: sử dụng ngôn ngữ tự nhiên dài dòng để chồng các chỉ dẫn.

Số liệu đo thực tế của các kỹ sư cho thấy hiệu quả thực hiện các chỉ dẫn không phụ thuộc vào số lượng từ mà phụ thuộc vào mật độ. Bằng cách nén lời nhắc hệ thống 500 từ thành 180 từ, bằng cách xóa các từ lịch sự vô nghĩa, hợp nhất các hướng dẫn lặp đi lặp lại và cơ cấu lại đoạn văn thành danh sách chia thành từng mục ngắn gọn, chất lượng đầu ra của AI gần như không có biến động, nhưng mức tiêu thụ Token của một cuộc gọi có thể giảm 64%.

Ngoài ra còn có một phương pháp kiểm soát tích cực hơn, đó là giới hạn độ dài đầu ra. Nhiều người không bao giờ đặt ra giới hạn đầu ra trên và cho phép AI phát triển tự do. Quyền tự do ngôn luận này thường dẫn đến việc kiểm soát chi phí quá mức. Bạn có thể chỉ cần một câu ngắn gọn, nhưng để thể hiện sự “chân thành về mặt trí tuệ”, AI sẽ tự động tạo cho bạn một bài luận dài 800 từ.

Nếu bạn theo đuổi dữ liệu thuần túy, bạn nên buộc AI trả về định dạng có cấu trúc thay vì các mô tả dài dòng bằng ngôn ngữ tự nhiên. Khi mang cùng một lượng thông tin, mức tiêu thụ mã thông báo ở định dạng JSON thấp hơn nhiều so với các đoạn văn xuôi. Điều này là do dữ liệu có cấu trúc loại bỏ tất cả các kết nối dư thừa, các phần tử phương thức và các sửa đổi giải thích, chỉ giữ lại sự tập trung cao độ vào cốt lõi logic. Trong thời đại AI, bạn nên nhận thức rõ ràng rằng điều đáng trả tiền chính là giá trị của kết quả chứ không phải sự tự giải thích vô nghĩa của AI.

Ngoài ra, việc "suy nghĩ quá mức" của AI cũng đang ăn mòn số dư tài khoản của bạn một cách điên cuồng.

Một số mô hình nâng cao có chế độ "tư duy mở rộng" thực hiện suy luận nội bộ sâu rộng trước khi trả lời. Quá trình suy luận này cũng cần phải được tính phí và được định giá dựa trên giá đầu ra, rất đắt.

Mô hình này về cơ bản được thiết kế cho "các nhiệm vụ phức tạp yêu cầu hỗ trợ logic sâu". Nhưng hầu hết mọi người cũng chọn chế độ này khi đặt những câu hỏi đơn giản. Đối với những nhiệm vụ không yêu cầu suy luận sâu, việc nói rõ ràng với AI “không cần giải thích ý tưởng, chỉ cần đưa ra câu trả lời trực tiếp” hoặc tắt thủ công tư duy mở rộng cũng có thể giúp bạn tiết kiệm rất nhiều chi phí.

Đừng để AI phát lại điểm cũ

Mô hình lớn không có bộ nhớ thực, nó cứ điên cuồng ghi lại điểm cũ.

Đây là cơ chế cơ bản mà nhiều người chưa biết. Mỗi khi bạn gửi tin nhắn mới trong cửa sổ hội thoại, AI sẽ không bắt đầu hiểu câu nói của bạn mà đọc lại mọi thứ bạn đã nói trước đó, bao gồm mọi vòng trò chuyện, mọi đoạn mã và mọi tài liệu được trích dẫn trước khi trả lời bạn.

Trong dự luật của Token, kiểu “xem lại quá khứ và học hỏi cái mới” này hoàn toàn không miễn phí. Khi các vòng đối thoại chồng lên nhau, ngay cả khi bạn chỉ yêu cầu một từ đơn giản, chi phí đọc lại toàn bộ tài khoản cũ đằng sau AI sẽ tăng theo cấp số nhân. Cơ chế này xác định rằng lịch sử hội thoại càng nặng thì mỗi câu hỏi của bạn sẽ càng đắt giá.

Ai đó đã theo dõi 496 cuộc trò chuyện thực tế chứa hơn 20 tin nhắn và nhận thấy rằng tin nhắn đầu tiên đọc trung bình 14.000 Token và mỗi mã có giá khoảng 3,6 xu; đến tin nhắn thứ 50, trung bình 79.000 Token đã được đọc và mỗi Token có giá khoảng 4,5 cent, đắt hơn 80%. Và bối cảnh ngày càng dài hơn. Đến mục thứ 50, AI phải xử lý lại 5,6 lần bối cảnh của mục thứ 1.

Để giải quyết vấn đề này, thói quen đơn giản nhất là: một nhiệm vụ và một hộp thoại.

Khi kết thúc một chủ đề, hãy bắt đầu cuộc trò chuyện mới một cách dứt khoát. Đừng coi AI như một cửa sổ trò chuyện không bao giờ tắt. Thói quen này nghe có vẻ rất đơn giản nhưng nhiều người lại không làm được mà luôn nghĩ “lỡ như mình vẫn cần sử dụng nội dung trước đó thì sao”. Trên thực tế, điều "nếu như" mà bạn lo lắng hầu như không xảy ra và để đề phòng trường hợp này, bạn đã phải trả nhiều lần hơn cho mỗi tin nhắn mới.

Khi cuộc trò chuyện thực sự cần được tiếp tục nhưng ngữ cảnh đã trở nên rất dài, chúng ta có thể tận dụng khả năng nén của một số công cụ. Claude Code có lệnh /compact có thể cô đọng lịch sử cuộc trò chuyện dài thành một bản tóm tắt ngắn để giúp bạn thực hiện đột nhập mạng.

Ngoài ra còn có một logic tiết kiệm tiền được gọi là Bộ nhớ đệm nhanh. Nếu bạn sử dụng cùng một từ nhắc hệ thống nhiều lần hoặc tham chiếu đến cùng một tài liệu tham khảo trong mỗi cuộc trò chuyện, AI sẽ lưu vào bộ nhớ đệm phần nội dung này và chỉ tính một khoản phí đọc bộ nhớ đệm nhỏ vào lần tiếp theo bạn gọi, thay vì tính toàn bộ giá mỗi lần.

Giá chính thức của Anthropic cho thấy giá Token truy cập vào bộ đệm là 1/10 so với giá bình thường. Bộ nhớ đệm nhanh chóng của OpenAI cũng có thể giảm chi phí đầu vào khoảng 50%. Một bài báo xuất bản trên arXiv vào tháng 1 năm 2026 đã thử nghiệm các tác vụ dài trên nhiều nền tảng AI và nhận thấy rằng bộ nhớ đệm từ nhanh chóng có thể giảm chi phí API từ 45% đến 80%.

Nói cách khác, đối với cùng một nội dung, bạn phải trả toàn bộ giá cho lần đầu tiên cung cấp nội dung đó cho AI và bạn chỉ phải trả 1/10 cho mỗi cuộc gọi tiếp theo. Đối với những người dùng sử dụng lại cùng một bộ tài liệu đặc tả hoặc lời nhắc hệ thống mỗi ngày, tính năng này có thể tiết kiệm rất nhiều Token.

Nhưng Bộ nhớ đệm nhanh có một điều kiện tiên quyết. Nội dung và thứ tự của các từ gợi ý trong hệ thống cũng như tài liệu tham khảo phải nhất quán và chúng phải được đặt ở đầu cuộc trò chuyện. Khi có bất kỳ thay đổi nào đối với nội dung, bộ đệm sẽ bị vô hiệu và toàn bộ giá sẽ được tính lại. Vì vậy, nếu bạn có một bộ thông số kỹ thuật công việc cố định, hãy viết chúng ra và không tùy ý sửa đổi chúng.

Mẹo quản lý ngữ cảnh cuối cùng là tải theo yêu cầu. Nhiều người thích nhét tất cả các thông số kỹ thuật, tài liệu và biện pháp phòng ngừa vào lời nhắc của hệ thống để đề phòng.

Nhưng cái giá phải trả cho việc này là rõ ràng bạn chỉ đang làm một công việc rất đơn giản nhưng lại buộc phải tải hàng nghìn từ quy tắc, lãng phí rất nhiều Token. Tài liệu chính thức của Claude Code khuyên bạn nên giữ CLAUDE.md trong phạm vi 200 dòng, chia các quy tắc đặc biệt cho các kịch bản khác nhau thành các tệp kỹ năng độc lập và tải các quy tắc cho kịch bản nào được sử dụng. Giữ bối cảnh hoàn toàn trong sạch là mức độ tôn trọng cao nhất đối với sức mạnh tính toán.

Đừng lái chiếc Porsche đi mua hàng tạp hóa

Có sự chênh lệch rất lớn về giá giữa các mẫu xe AI khác nhau.

Claude Opus 4.6 có giá 5 USD cho đầu vào và 25 USD cho đầu ra trên một triệu Token, trong khi Claude Haiku 3.5 chỉ có giá 0,8 USD cho đầu vào và 4 USD cho đầu ra, chênh lệch gần 6 lần. Để những người mẫu hàng đầu thực hiện công việc thu thập dữ liệu và định dạng không chỉ chậm mà còn tốn kém.

Cách sử dụng thông minh là mang lại sự chung Tư duy "phân công lao động giai cấp" trong xã hội loài người chúng ta đối với xã hội AI và giao những nhiệm vụ có độ khó khác nhau cho các mô hình có mức giá khác nhau.

Giống như thuê người làm việc trong thế giới thực, bạn sẽ không thuê một chuyên gia với mức lương hàng năm một triệu để chuyển gạch trên công trường. Điều tương tự cũng xảy ra với AI. Tài liệu chính thức của Claude Code cũng khuyến nghị rõ ràng: Sonnet xử lý hầu hết các nhiệm vụ lập trình, Opus được dành riêng cho các quyết định kiến ​​trúc phức tạp và lý luận nhiều bước, còn Haiku được chỉ định cho các nhiệm vụ phụ đơn giản.

Một giải pháp thực tế cụ thể hơn là xây dựng "quy trình làm việc hai giai đoạn". Trong giai đoạn đầu, hãy sử dụng các mô hình cơ bản miễn phí hoặc rẻ tiền để thực hiện các công việc khó khăn trong giai đoạn đầu, chẳng hạn như thu thập dữ liệu, làm sạch định dạng, tạo bản nháp đầu tiên, phân loại và quy nạp đơn giản. Bước sang giai đoạn thứ hai, tinh chất có độ tinh khiết cao được tinh chế sẽ được đưa vào mô hình hàng đầu để đưa ra quyết định cốt lõi và sàng lọc chuyên sâu.

Ví dụ: nếu bạn muốn phân tích một báo cáo ngành dài 100 trang, trước tiên bạn có thể sử dụng Gemini Flash để trích xuất dữ liệu chính và kết luận trong báo cáo, sắp xếp thành bản tóm tắt 10 trang, sau đó giao bản tóm tắt này cho Claude Opus để phân tích và đánh giá chuyên sâu. Quy trình làm việc gồm hai giai đoạn này có thể giảm đáng kể chi phí mà vẫn đảm bảo chất lượng.

Điều tiên tiến hơn quy trình phân đoạn đơn giản là sự phân công lao động chuyên sâu dựa trên việc phân tách nhiệm vụ. Một nhiệm vụ kỹ thuật phức tạp có thể được chia thành nhiều nhiệm vụ phụ độc lập và phù hợp với mô hình phù hợp nhất.

Ví dụ: đối với một nhiệm vụ yêu cầu mã hóa, mô hình giá rẻ trước tiên có thể viết mã khung và mã soạn sẵn, sau đó chỉ có logic cốt lõi mới có thể được triển khai bằng mô hình đắt tiền. Với bối cảnh rõ ràng, tập trung cho từng nhiệm vụ phụ, kết quả sẽ chính xác hơn và tiết kiệm chi phí hơn.

Bạn không cần phải chi tiêu Token

Tất cả các cuộc thảo luận trước đây về cơ bản là giải quyết vấn đề chiến thuật “làm thế nào để tiết kiệm tiền”, nhưng một đề xuất hợp lý ở cấp độ thấp hơn đã bị nhiều người bỏ qua: Hành động này có cần đến Token không?

Tiết kiệm cuối cùng không phải là tối ưu hóa các thuật toán mà là việc ngừng đưa ra quyết định. Chúng ta đã quen với việc tìm kiếm những câu trả lời phổ quát từ AI, nhưng chúng ta đã quên rằng trong nhiều tình huống, việc gọi những mô hình lớn đắt tiền cũng tương đương với việc đuổi muỗi bằng đại bác phòng không.

Ví dụ: nếu AI tự động xử lý email, nó sẽ coi mỗi email là một nhiệm vụ độc lập để hiểu, phân loại và trả lời, việc này sẽ tiêu tốn một lượng lớn mã thông báo. Nhưng nếu trước tiên bạn dành 30 giây để quét hộp thư đến của mình, lọc thủ công những email rõ ràng không cần xử lý AI và sau đó chuyển phần còn lại cho AI, chi phí sẽ giảm ngay lập tức xuống một phần chi phí ban đầu. Sự phán xét của con người không phải là trở ngại ở đây mà là bộ lọc tốt nhất.

Con người ở thời đại điện báo biết rằng mỗi từ gửi thêm sẽ tốn bao nhiêu tiền nên họ sẽ cân nhắc. Đây là một nhận thức trực quan về tài nguyên. Điều này cũng đúng trong thời đại AI. Khi bạn thực sự biết sẽ tốn bao nhiêu tiền để để AI nói được nhiều lời hơn, bạn sẽ tự nhiên cân nhắc xem có đáng để AI làm việc đó hay không, nhiệm vụ này yêu cầu mô hình đỉnh cao hay mô hình giá rẻ và liệu bối cảnh này có còn hữu ích hay không.

Loại cân này là khả năng tiết kiệm nhất. Trong thời đại mà sức mạnh tính toán ngày càng đắt đỏ, cách sử dụng thông minh nhất không phải là để AI thay thế con người mà là để AI và con người làm những gì họ giỏi. Khi khả năng nhạy cảm với Token này được nội hóa thành phản xạ có điều kiện, bạn sẽ thực sự chuyển đổi từ một chư hầu của sức mạnh tính toán trở thành bậc thầy về sức mạnh tính toán.