Render Network：AI công việc tải trọng như thế nào định hình lại logic giá trị giảm phát của RENDER

Tháng 9 năm 2022, Ethereum hoàn tất việc hợp nhất mang tính lịch sử từ bằng chứng công việc sang bằng chứng cổ phần, chỉ trong một đêm, các máy đào GPU trị giá hàng tỷ đô la đã mất đi chỗ đứng. Việc hợp nhất của Ethereum không chỉ chấm dứt thời kỳ vàng son của khai thác GPU, mà còn để lại một vấn đề sâu sắc: lượng lớn GPU bị bỏ quên trên toàn cầu, sẽ đi về đâu?

Vấn đề này đang được các mạng hạ tầng vật lý phi tập trung giải đáp. Trong lĩnh vực DePIN, một số mạng lưới tổ chức lại GPU bỏ quên thành các cụm tính toán phân tán, cung cấp dịch vụ render và AI với mức giá thấp hơn nhiều so với các dịch vụ đám mây truyền thống. Render Network chính là một trong những đối tác trung tâm của xu hướng này.

Tính đến ngày 8 tháng 5 năm 2026, theo dữ liệu thị trường của Gate, giá token RENDER là 1.9626 USD, tăng 2.27% trong 24 giờ, tăng tổng cộng 14.82% trong 7 ngày, vốn hóa thị trường khoảng 1.018 tỷ USD. Tuy nhiên, so với biến động giá, các thay đổi mang tính cấu trúc về mặt cơ bản của mạng lưới còn đáng chú ý hơn: AI đã chiếm 35% đến 40% hoạt động của mạng, số lượng khung render tích lũy vượt 71 triệu khung, hơn 5.700 nút GPU hoạt động, lượng token bị đốt tích lũy vượt 1,24 triệu token. Những dữ liệu này chỉ ra một xu hướng sâu xa hơn: mô hình kinh doanh của mạng tính toán phi tập trung đang chuyển từ “cung cấp bằng trợ cấp token” sang “dòng tiền thực dựa trên nhu cầu”, và động lực chính của quá trình chuyển đổi này chính là AI.

Từ bỏ máy khai thác do thảm họa đến hạ tầng tính toán AI

Để hiểu vị thế của Render Network vào năm 2026, cần mở rộng dòng thời gian và xem xét ba bước chuyển đổi mô hình chính.

Lần chuyển đổi đầu tiên xảy ra vào nửa cuối năm 2022. Việc Ethereum hợp nhất khiến hàng loạt máy đào GPU bị bỏ quên, các thợ mỏ đối mặt với thực trạng giảm giá phần cứng và mất thu nhập. Đồng thời, AI tạo sinh vẫn chưa vào tầm nhìn công chúng, cung cầu GPU ở cả hai phía đều trong trạng thái bối rối. Giai đoạn này, vấn đề giải quyết GPU bỏ quên trở thành một nỗi lo tiềm ẩn của ngành.

Lần chuyển đổi thứ hai diễn ra trong khoảng 2023-2024. Cơn sốt AI tạo sinh do ChatGPT bùng nổ khiến nhu cầu GPU toàn cầu tăng theo cấp số nhân. Tuy nhiên, sự bùng nổ này không tự nhiên mang lại lợi ích cho GPU bỏ quên trên toàn cầu, vì việc huấn luyện và suy luận AI tập trung cao tại các nền tảng đám mây như AWS, Google Cloud. Trong giai đoạn này, nhiệm vụ chính của mạng tính toán phi tập trung là giải quyết vấn đề “tổ chức cung cấp”: làm thế nào để hợp nhất các GPU bỏ quên rải rác thành các cụm tính toán đáng tin cậy, có thể sử dụng được.

Lần chuyển đổi thứ ba bắt đầu từ năm 2025 và nhanh chóng rõ nét trong nửa đầu năm 2026. Đặc điểm cốt lõi của giai đoạn này là mạng GPU phi tập trung bắt đầu chuyển từ “cung cấp bằng trợ cấp token” sang “dòng tiền thực dựa trên nhu cầu”. Các máy khai thác còn lại sau hợp nhất Ethereum, đang được các mạng như Render tái sử dụng cho huấn luyện và suy luận AI. Nhu cầu lớn về suy luận AI với chi phí thấp phù hợp cấu trúc với lợi thế về giá của mạng GPU phi tập trung.

Sự tiến hóa của Render Network chính là sự phản ánh vi mô của câu chuyện vĩ mô này. Mạng này do Jules Urbach, sáng lập của OTOY, hình dung từ năm 2009, lần đầu phát hành token ra công chúng vào 2017, chính thức ra mắt mainnet vào tháng 4 năm 2020. Năm 2023, cộng đồng đã hoàn thành việc chuyển đổi từ Ethereum sang Solana qua đề xuất RNP-002, tạo nền tảng cho các giao dịch trên chuỗi có khả năng xử lý cao và phí thấp. Trong giai đoạn 2024-2025, mạng tập trung vào tích hợp các nhà vận hành nút bên ngoài, xác thực khả năng điều phối tài nguyên GPU phân tán. Đến đầu năm 2026, với đề xuất RNP-023 được thông qua, khoảng 60.000 GPU từ subnet phi tập trung Salad đã được kết nối vào mạng, trở thành kho tính toán chuyên dụng cho suy luận AI.

Cơ chế cân bằng Burn-and-Mint (BME)

Mô hình BME: “Bộ chuyển đổi giảm phát” của nhu cầu tính toán

Mô hình kinh tế của Render Network trung tâm là cơ chế Burn-and-Mint Equilibrium (BME). Đây là mô hình do cộng đồng bỏ phiếu đề xuất, vận hành theo ba bước chính:

Thứ nhất, định giá cố định. Mỗi nhiệm vụ render hoặc AI tính toán đều định giá bằng USD, người dùng thanh toán bằng lượng token RENDER tương đương. Thiết kế này giải quyết vấn đề biến động giá của tài sản mã hóa gây ra sự không chắc chắn về chi phí tính toán, giúp các nhà sáng tạo và doanh nghiệp dự đoán chi tiêu một cách đáng tin cậy.

Thứ hai, thanh toán đi kèm đốt token. Sau khi hoàn thành nhiệm vụ, lượng token RENDER tương ứng bị đốt, đồng thời trừ 5% phí vận hành mạng. Điều này có nghĩa mỗi lần mạng được sử dụng đều là một sự kiện giảm phát.

Thứ ba, đúc token theo chu kỳ. Mạng đúc một lượng token mới cố định theo epoch (thường là một tuần), để thưởng cho các nút vận hành cung cấp tính toán. Số lượng đúc theo lịch trình giảm dần theo thời gian, đảm bảo nguồn cung dài hạn được kiểm soát.

Điểm tinh tế của mô hình BME là nó tạo ra mối quan hệ nhân quả trực tiếp giữa “sử dụng” và “cung cấp token”. Khi hoạt động AI và render tăng lên, lượng token RENDER bị đốt sẽ tăng theo; lượng token mới đúc ra để thưởng không phụ thuộc vào lượng đốt, mà theo kế hoạch đã định. Thiết kế này khiến trong giai đoạn tăng trưởng nhanh của hoạt động mạng, lượng đốt có thể vượt quá lượng đúc, tạo ra áp lực giảm phát cấu trúc. Dữ liệu từ tháng 1 đến tháng 9 năm 2025 cho thấy lượng token bị đốt tăng khoảng 279% so với cùng kỳ, chứng minh cơ chế này đang phát huy hiệu quả.

Hiệu ứng “kích hoạt giảm phát” của AI

Tính chất đặc thù của AI khiến nó trở thành “bộ tăng giảm phát” của cơ chế BME. So với các nhiệm vụ render 3D, AI suy luận có ba điểm khác biệt chính:

Thứ nhất, tần suất cao hơn. Một nhiệm vụ render 3D có thể kéo dài vài giờ, trong khi một yêu cầu suy luận AI thường chỉ mất vài giây đến vài phút, do đó, dưới cùng một mức tiêu thụ tính toán, các giao dịch thanh toán và đốt token trên chuỗi của AI sẽ cao hơn nhiều so với render.

Thứ hai, tính liên tục cao hơn. Nhiệm vụ render mang tính dự án, gián đoạn, còn AI suy luận thường là dịch vụ trực tuyến hoạt động liên tục 7×24 giờ, cung cấp nhu cầu ổn định cho mạng.

Thứ ba, tốc độ tăng trưởng dốc hơn. Nhu cầu về năng lực suy luận AI toàn cầu đang bùng nổ. Render Network cho biết, thực tế huấn luyện chỉ chiếm một phần nhỏ trong tổng lượng AI sử dụng, còn khoảng 80% là suy luận, mở ra cánh cửa hấp thụ toàn bộ tải trọng tính toán của GPU tiêu dùng toàn cầu.

Kết quả của ba đặc điểm này là: mỗi điểm phần trăm tăng trong tỷ lệ AI chiếm dụng sẽ làm tăng hiệu ứng tăng giảm phát của mô hình BME theo cách phi tuyến. Hiện tại, tỷ lệ AI chiếm khoảng 35-40%, vẫn còn tăng, nghĩa là mạng đang bước vào vòng quay tích cực: “nhu cầu tăng → đốt tăng → cung giảm → giá trị tăng → thu hút thêm nút → nhu cầu tiếp tục tăng”.

Các chỉ số chính

Để dễ hình dung về các thay đổi cơ bản của mạng Render, dưới đây là bảng tổng hợp các chỉ số chính tính đến nửa đầu năm 2026:

Phân tích quan điểm dư luận: xung đột giữa phe lạc quan và bi quan

Về mạng Render và mô hình kinh tế token của nó, thị trường không đồng thuận hoàn toàn. Hiện tại, các ý kiến tích cực và tiêu cực tồn tại song song, có căn cứ rõ ràng.

Lập luận lạc quan: câu chuyện về giá trị và nhu cầu

Nhiều chỉ số cho thấy sự quan tâm của thị trường đối với Render Network đang tăng lên. Trước đó, Render xếp thứ 4 trong bảng xếp hạng hoạt động xã hội của các dự án DePIN, có 1.800 bài đăng tham gia, tương tác 16.290 lượt. Độ nóng của các tín hiệu xã hội phần nào phản ánh sự cải thiện về mặt cơ bản của mạng.

Lập luận lạc quan có thể tóm tắt thành ba tầng: tầng thứ nhất là xu hướng ngành, nhu cầu AI tăng vọt, chi phí và giới hạn cung của các dịch vụ đám mây tập trung ngày càng rõ rệt, thị trường cho các giải pháp phi tập trung mở rộng; tầng thứ hai là các tín hiệu về cơ bản mạng, như đốt token tăng mạnh, tỷ lệ AI chiếm dụng tăng, đề xuất RNP-023 được phê duyệt với tỷ lệ cao, cho thấy mạng chuyển từ trợ cấp token sang nhu cầu thực; tầng thứ ba là tầng kinh tế token, mô hình BME có thể tạo ra giảm phát cấu trúc trong bối cảnh tải AI cao, tạo nền tảng kinh tế cho giá trị dài hạn của RENDER.

Phản biện tiêu cực: cạnh tranh gia tăng và thiếu tính xác thực

Phản biện cũng không thể bỏ qua. Các câu hỏi chính tập trung vào hai khía cạnh.

Thứ nhất, về cạnh tranh. Dù Render có lợi thế đi trước trong lĩnh vực GPU phi tập trung, các đối thủ đang bắt kịp rõ rệt. Akash Network dùng mô hình đấu giá ngược, cung cấp đa dạng tài nguyên tính toán, bao gồm GPU; io.net tích hợp nhiều nền tảng GPU, tập trung vào AI và machine learning. Thách thức lớn hơn đến từ các ông lớn trung tâm như AWS, Google Cloud, với doanh thu hàng nghìn tỷ USD mỗi năm, trong khi doanh thu của các mạng phi tập trung còn hạn chế.

Thứ hai, về tính xác thực. Năm 2025, đã xảy ra trường hợp nút độc hại trả về kết quả render Blender bị hỏng, và không có cách kiểm tra trên chuỗi vào thời điểm đó. Sự kiện này dẫn đến cuộc tranh luận sâu về “tính xác thực kết quả” của các mạng tính toán phi tập trung: trong khi thiếu các bằng chứng mã hóa, các mạng này chỉ là “Airbnb GPU” — giải quyết vấn đề phù hợp cung cầu, nhưng chưa hoàn toàn giải quyết niềm tin.

Về các phản biện “thiếu tính xác thực” này, các ý kiến ngành cho rằng đây là một điểm yếu cấu trúc, nhưng không phủ nhận khả năng ứng dụng của mạng tính toán phi tập trung trong render và suy luận AI. Các luận điểm này thường quy kết “chưa hoàn thiện niềm tin” thành “toàn bộ lĩnh vực thất bại”, bỏ qua các tiến bộ nhanh của các công nghệ như chứng minh không kiến thức (zk-proof) và môi trường thực thi đáng tin cậy (TEE).

Ngoài ra, giá RENDER giảm khoảng 58.46% trong một năm qua, trong khi các chỉ số cơ bản của mạng lại tăng trưởng rõ rệt, khiến một số nhà quan sát đặt câu hỏi về hiệu quả thu giá trị token.

Ảnh hưởng ngành: Cơ cấu lại ngành tính toán phi tập trung

Việc đề xuất RNP-023 được thông qua cùng với nhu cầu AI liên tục tăng đã không chỉ là một sự kiện đơn lẻ, mà còn là sự tái cấu trúc về cung cầu, cạnh tranh và mô hình kinh tế token.

Thứ nhất, cung cấp tính toán từ “phân tán” chuyển sang “quy mô lớn”. Khoảng 60.000 GPU được thêm vào, giúp mạng Render mở rộng quy mô tính toán một cách đột biến. Quan trọng hơn, các GPU này đến từ các nút đã được xác thực của Salad, có độ tin cậy và chất lượng dịch vụ đã được thị trường kiểm nghiệm, có khả năng giảm tỷ lệ nút độc hại, giải quyết các vấn đề xác thực kết quả render trước đó.

Thứ hai, suy luận AI đang trở thành chiến trường trung tâm của tính toán phi tập trung. So với render 3D truyền thống, các nhiệm vụ suy luận AI yêu cầu độ trễ và tính xác thực cao hơn, nhưng tiềm năng thị trường cũng lớn hơn nhiều. Render Network đã bắt đầu xây dựng hệ sinh thái hợp tác trong lĩnh vực này, hợp tác với các công ty AI như Stability AI.

Thứ ba, mô hình kinh tế token chuyển từ “khuyến khích lạm phát” sang “chu trình giảm phát tích cực”. Các mô hình DePIN ban đầu dựa vào phát hành token để thu hút cung cấp, dẫn đến “cung cấp trợ cấp” và mất cân đối cung cầu. Khi các tải AI mang lại các khoản thanh toán thực, lượng token đốt bắt đầu vượt quá lượng đúc, thay đổi căn bản về cung cầu. Từ 2025 đến đầu 2026, các mạng GPU hàng đầu đang thực hiện một quá trình chuyển đổi chưa được định giá đầy đủ: từ cung cấp dựa trợ cấp sang dòng tiền dựa trên nhu cầu thực.

Kết luận

Ethereum hợp nhất đã khiến nhiều thợ mỏ GPU rơi vào bối rối, nhưng nhu cầu tính toán AI bùng nổ đã mở ra khả năng mới cho các nguồn tài nguyên bỏ quên này. Thông qua mô hình Burn-and-Mint Equilibrium, Render Network đã xây dựng một vòng khép kín kinh tế đặc thù trong mạng GPU phi tập trung: mỗi yêu cầu suy luận AI vừa là tiêu thụ tính toán, vừa là sự kiện giảm phát token.

Đến năm 2026, với đề xuất RNP-023 được thông qua với tỷ lệ ủng hộ cao 98.86%, đưa khoảng 60.000 GPU từ Salad vào làm nhà cung cấp độc quyền, cùng với sự tăng trưởng liên tục của tỷ lệ tải AI và lượng token đốt tích lũy nhanh chóng, Render Network đang ở giai đoạn chuyển đổi từ “mạng chuyên render” sang “hạ tầng tính toán AI”. Tuy nhiên, cạnh tranh ngày càng gay gắt, sự chênh lệch giữa giá token và các chỉ số cơ bản của mạng, cùng với thách thức về tính xác thực kết quả vẫn là các biến số không thể bỏ qua trong lộ trình phát triển của nó.

Với các nhà quan sát theo dõi lĩnh vực GPU phi tập trung, câu hỏi then chốt là: Liệu mô hình BME có thể thực sự hiện thực hóa “giảm phát dựa trên nhu cầu” trong bối cảnh tăng trưởng cấu trúc của nhu cầu suy luận AI? Câu trả lời không chỉ ảnh hưởng đến giá trị token RENDER, mà còn định hình vị trí của mạng tính toán phi tập trung trong toàn bộ chuỗi giá trị AI.