AI và Lý thuyết trò chơi: Thuật toán cạnh tranh thị trường

1. Mở đầu

Trong kinh tế học cổ điển, thị trường được xem như một bàn cờ chiến lược nơi các doanh nghiệp đưa ra quyết định dựa trên hành vi dự kiến của đối thủ. Lý thuyết trò chơi (Game Theory) – với các công trình nền tảng của John von Neumann và John Nash – đã đặt nền móng toán học để mô tả trạng thái cân bằng này.

Bước vào kỷ nguyên số, "người chơi" trên thị trường không còn đơn thuần là các nhà quản trị đưa ra quyết định sau các cuộc họp chiến lược hàng tuần. Thay vào đó, các thuật toán định giá tự động và hệ thống trí tuệ nhân tạo (AI) đang phản ứng theo thời gian thực với tần suất hàng nghìn lần mỗi giây. Sự kết hợp giữa Toán kinh tế (Lý thuyết trò chơi) và Khoa học máy tính (Học tăng cường đa tác tử - MARL) đang tái định hình toàn bộ quy luật cạnh tranh, đặt ra cả cơ hội tối ưu hóa lẫn những thách thức pháp lý chưa từng có tiền lệ.

2. Nền tảng giao thoa: Từ Cân bằng Nash đến Học tăng cường đa tác tử

Sự chuyển dịch từ lý thuyết thuần túy sang ứng dụng AI thực chiến bắt nguồn từ việc mô hình hóa các tương tác chiến lược thành các bài toán tối ưu lặp.

Yếu tố	Lý thuyết trò chơi truyền thống	AI & Học tăng cường đa tác tử (MARL)
Chủ thể ra quyết định	Con người / Doanh nghiệp giả định duy lý	Các thuật toán (Agents) tự học
Không gian hành động	Thường là tập hữu hạn hoặc phương trình tĩnh	Không gian liên tục, thay đổi theo thời gian thực
Cơ chế đạt cân bằng	Giải giải tích tìm Cân bằng Nash ($Nash\ Equilibrium$)	Hội tụ qua hàng triệu bước thử - sai (Trial and error)
Giả định thông tin	Thường yêu cầu giả định thông tin hoàn hảo/bất đối xứng cụ thể	Học trực tiếp từ dữ liệu thị trường và phản ứng của đối thủ

Trong mô hình cạnh tranh Cournot (cạnh tranh về sản lượng) hay Bertrand (cạnh tranh về giá), các tác tử AI được thiết lập với hàm mục tiêu là tối đa hóa dòng lợi nhuận kỳ vọng:

$$\max_{\pi_i} \mathbb{E} \left[ \sum_{t=0}^{\infty} \gamma^t R_i(s_t, a_{i,t}, a_{-i,t}) \right]$$

Trong đó:

$R_i$ là hàm lợi nhuận của doanh nghiệp $i$.
$a_{i,t}$ là hành động (ví dụ: giá bán) của doanh nghiệp $i$ tại thời điểm $t$.
$a_{-i,t}$ là tập hợp các hành động của tất cả các đối thủ cạnh tranh.
$\gamma$ là hệ số chiết khấu theo thời gian.

Thay vì cần biết trước hàm phản ứng của đối thủ, thuật toán Q-Learning hoặc Deep Q-Networks (DQN) tự quan sát trạng thái thị trường $s_t$, thực hiện hành động, nhận phần thưởng và tự động hiệu chỉnh chiến lược để thích ứng với chiến lược của đối thủ.

3. Các kịch bản thực tiễn trên thị trường số

Sự kết hợp này vận hành rõ nét nhất trong ba môi trường kinh doanh có mức độ số hóa cao:

3.1. Cuộc chiến giá thuật toán trên sàn thương mại điện tử

Trên các nền tảng như Amazon hay Shopee, hàng triệu người bán sử dụng "repricing bots" (thuật toán tự động định giá).

Cơ chế: Khi đối thủ A hạ giá 1%, thuật toán của đối thủ B phát hiện ngay lập tức và hạ giá tương ứng để giữ hộp mua hàng (Buy Box).
Kết quả mô phỏng: Nếu không cài đặt biên lợi nhuận tối thiểu, hai thuật toán sẽ rơi vào trạng thái "Thế lưỡng nan của người tù" (Prisoner's Dilemma), dẫn đến vòng xoáy giảm giá xuống tận mức chi phí biên ($P = MC$), triệt tiêu toàn bộ lợi nhuận của cả hai bên.

3.2. Cạnh tranh trên thị trường gọi xe và giao vận (Ride-hailing Platforms)

Các nền tảng như Grab hay Uber không chỉ định giá cho khách hàng mà còn phân bổ tài xế theo thời gian thực.

Bài toán: Đây là một trò chơi hợp tác kết hợp cạnh tranh (Coopetitive Game). Nền tảng cần cân bằng giữa việc giữ chân tài xế (thu nhập cao) và thu hút khách hàng (giá hợp lý), đồng thời cạnh tranh thị phần với đối thủ cùng khu vực.
Ứng dụng: Thuật toán AI mô phỏng liên tục phản ứng của đối thủ cạnh tranh khi tung ra các mã khuyến mãi theo khu vực địa lý, nhằm tìm ra mức giá giữ vững thị phần mà không gây lãng phí ngân sách trợ giá.

3.3. Đấu thầu quảng cáo kỹ thuật số (Real-Time Bidding - RTB)

Mỗi lượt hiển thị quảng cáo trên Google hay Meta diễn ra qua một cuộc đấu giá thứ cấp (Second-Price Auction / Vickrey Auction) trong vài phần trăm giây. Các nhà quảng cáo dùng AI để ước tính giá trị chuyển đổi của người dùng và tự động đặt giá thầu tối ưu, biến mỗi phiên tải trang web thành một ván cờ cân não giữa hàng nghìn thuật toán.

4. Nguy cơ "Thông đồng thuật toán" (Algorithmic Collusion)

Một phát hiện quan trọng từ các nghiên cứu kinh tế lượng gần đây là hiện tượng Thông đồng ngầm (Tacit Collusion) tự phát sinh giữa các AI.

[Thuật toán Doanh nghiệp A] ◄──(Quan sát giá)──► [Thuật toán Doanh nghiệp B]
             │                                              │
             ▼                                              ▼
    (Học chiến lược Tit-for-Tat)                  (Học chiến lược Tit-for-Tat)
             │                                              │
             └──────────────► GIỮ GIÁ CAO ◄─────────────────┘
                          (Tối đa hóa lợi nhuận nhóm)

Cơ chế hình thành: Các thuật toán MARL qua hàng triệu vòng lặp tự nhận ra rằng: cạnh tranh phá giá chỉ đem lại thiệt hại dài hạn. Chúng tự động áp dụng chiến lược "Ăn miếng trả miếng" (Tit-for-Tat) hoặc "Kích hoạt cảnh báo" (Grim Trigger).
Hệ quả thị trường: Cả hai bên ngầm duy trì mức giá cao tương đương giá độc quyền mà hoàn toàn không cần con người liên lạc hay thỏa thuận trực tiếp.
Thách thức pháp lý: Luật cạnh tranh hiện hành chỉ xử phạt hành vi thông đồng khi có bằng chứng trao đổi thông tin (email, tin nhắn, họp bàn). Khi hai cỗ máy tự học được cách bắt tay nhau thông qua quan sát dữ liệu công khai, các cơ quan chống độc quyền đứng trước khoảng trống pháp lý nghiêm trọng.

5. Hướng phát triển: Cơ chế thiết kế thị trường (Mechanism Design) bằng AI

Để giải quyết các xung đột chiến lược và ngăn chặn thông đồng ngầm, các nhà kinh tế học đang ứng dụng nhánh đảo ngược của Lý thuyết trò chơi: Thiết kế cơ chế (Mechanism Design), kết hợp với AI.

Thay vì dự đoán người chơi sẽ hành động ra sao trong một luật chơi có sẵn, mục tiêu ở đây là dùng AI để thiết kế ra luật chơi sao cho kết quả cân bằng phục vụ lợi ích cộng đồng tốt nhất.

Quy định thuật toán (Auditing Algorithms): Cơ quan quản lý triển khai các "tác tử giám sát" (RegTech agents) để phát hiện hành vi ghìm giá bất thường của các bot định giá trên sàn thương mại.
Tối ưu hóa thuế và trợ cấp: Mô phỏng phản ứng của các tập đoàn đa quốc gia trước các kịch bản chính sách thuế nhằm hạn chế chuyển giá và tối ưu hóa nguồn thu ngân sách.

6. Kết luận

Sự kết hợp giữa AI và Lý thuyết trò chơi đã nâng toán kinh tế từ việc phân tích hồi quy thụ động lên thành công cụ tương tác chiến lược chủ động. Bàn cờ thị trường số hiện đại không còn chỗ cho những phán đoán cảm tính; lợi thế cạnh tranh thuộc về bên nào sở hữu thuật toán mô phỏng hành vi đối thủ chuẩn xác hơn và hội tụ về điểm cân bằng nhanh hơn.

Đối với các nhà quản trị và hoạch định chính sách, thấu hiểu logic toán học đằng sau các thuật toán cạnh tranh là yêu cầu bắt buộc để vừa khai thác tối đa hiệu quả thị trường, vừa thiết lập các rào cản kỹ thuật bảo vệ người tiêu dùng trong kỷ nguyên tự động hóa.