Sau khi Fable bị cấm, liệu DeAI có trở thành điểm nóng tiếp theo không?

Dịch giả: CoinW Research

Vào ngày 25 tháng 6, tranh cãi về bảo mật mô hình, kiểm soát truy cập và rò rỉ năng lực của Anthropic lại leo thang. Anthropic công khai cáo buộc Alibaba đã sử dụng gần 25.000 tài khoản gian lận để khai thác có hệ thống thông tin liên quan đến năng lực mô hình Claude. Cáo buộc này càng làm phức tạp quá trình phục hồi vốn đã bị cản trở của Fable 5, đồng thời đưa một vấn đề cốt lõi trở lại: khi các mô hình tiên tiến đồng thời sở hữu khả năng an ninh mạng, phân tích mã và tự động hóa mạnh mẽ hơn, thì việc truy cập mô hình, kiểm soát rủi ro tài khoản, sử dụng xuyên biên giới và rò rỉ năng lực sẽ cùng nhau được đưa vào khuôn khổ quản lý và quản trị nền tảng.

Để hiểu được cuộc tranh cãi này, cần quay lại ngày 12 tháng 6. Vào ngày hôm đó, Claude Fable 5 và Mythos 5 của Anthropic đột ngột bị tạm dừng truy cập, nhanh chóng thu hút sự chú ý của ngành AI và thị trường tiền mã hóa. Fable 5 vốn là mô hình cấp Mythos được mở công khai, với các lớp bảo mật bên ngoài để giảm thiểu khả năng lạm dụng trong các lĩnh vực rủi ro cao như an ninh mạng và an toàn sinh học; nhưng sau khi phát hiện ra các đường vòng có thể vượt qua lớp bảo vệ, chính phủ Mỹ đã hạn chế công dân nước ngoài truy cập các mô hình liên quan dưới dạng kiểm soát xuất khẩu, sau đó Anthropic đã mở rộng hạn chế truy cập cho tất cả người dùng. Gần như cùng lúc, Microsoft cũng tạm thời hạn chế nhân viên nội bộ sử dụng mô hình này do yêu cầu lưu giữ dữ liệu của Fable 5. Chuỗi phản ứng này cho thấy, mối quan tâm của khách hàng doanh nghiệp đã mở rộng từ bản thân năng lực mô hình sang việc lưu giữ dữ liệu, mã nội bộ và bảo vệ bí mật thương mại.

Sau đó, kỳ vọng phục hồi của Fable 5 liên tục thay đổi. Vào ngày 18 tháng 6, các quan chức chính phủ Mỹ yêu cầu Anthropic phải chứng minh rằng lớp bảo vệ an ninh của nó không thể bị vượt qua trước khi phát hành lại; vào ngày 22 tháng 6, các trang tài liệu API liên quan xuất hiện trở lại trong kết quả tìm kiếm, nhưng điểm truy cập thực tế vẫn chưa được khôi phục. Dự đoán trên Polymarket cho thấy thị trường vẫn đặt cược rằng Fable 5 cuối cùng sẽ được phục hồi: xác suất phục hồi tại Mỹ trước cuối tháng 7 là khoảng 90%, và trước cuối tháng 8 là khoảng 94%. Sự thay đổi này tự nó đã cho thấy quyền truy cập vào AI tiên tiến không còn chỉ là vấn đề sản phẩm ra mắt hay ngừng hoạt động, mà là kết quả của việc chứng minh an ninh, đánh giá chính sách và thực thi nền tảng phối hợp với nhau.

Nguồn:

Có thể thấy, điểm mấu chốt của sự kiện cấm Fable 5 không phải là khi nào một mô hình nào đó được khôi phục truy cập, mà là ranh giới cấu trúc của AI tiên tiến tập trung bị phơi bày một cách tập trung: năng lực mô hình càng mạnh, càng dễ bị ràng buộc bởi kiểm duyệt an ninh, kiểm soát xuất khẩu, tuân thủ dữ liệu doanh nghiệp và quyền hạn nền tảng. Đối với ngành tiền mã hóa, điều này cung cấp một góc nhìn để hiểu lại DeAI. Ý nghĩa của AI phi tập trung là cố gắng sử dụng sức mạnh tính toán mở, suy luận phân tán, khuyến khích trên chuỗi, tính toán bảo mật và thực thi có thể xác minh, để làm suy yếu sự kiểm soát của một nền tảng duy nhất đối với truy cập mô hình, xử lý dữ liệu và quá trình thực thi. Theo hướng này, CoinW Research sẽ trước tiên điểm lại sự kiện Fable, sau đó lần lượt phân tích ba loại lỗ hổng của AI tập trung, các vấn đề mà DeAI có thể giải quyết, ba con đường kỹ thuật cho AI tính toán có thể xác minh, và sự phân hóa của các dự án đại diện ở các tầng cơ sở hạ tầng khác nhau, cuối cùng quay trở lại ranh giới thực tế và cơ hội dài hạn của DeAI.

1. Điểm lại sự kiện Fable: Không chỉ đơn giản là một lần ngừng hoạt động mô hình

Dòng chính sự kiện: Nhà nghiên cứu Amazon phát hiện đường vòng vượt rào chắn

Sự nhạy cảm của Fable 5 và Mythos 5 đến từ năng lực của chúng trong các nhiệm vụ an ninh mạng. Mythos 5 chủ yếu được mở cho các tổ chức đối tác đã được sàng lọc, dùng để phát hiện và sửa lỗ hổng phần mềm; Fable 5 là phiên bản công khai được phát hành rộng rãi hơn, giữ lại một phần năng lực cấp Mythos, đồng thời thông qua các hạn chế bảo mật để ngăn chặn nó đưa ra nội dung tấn công.

Vấn đề nằm ở lớp hạn chế bảo mật này. Thông tin công khai cho thấy, các nhà nghiên cứu Amazon phát hiện ra rằng rào chắn của Fable 5 có đường vòng có thể bị vượt qua, sau đó CEO Amazon Andy Jassy đã bày tỏ lo ngại với Nhà Trắng. Sau đó, các quan chức cấp cao của Nhà Trắng đã có nhiều cuộc thảo luận với CEO Anthropic Dario Amodei trong vòng 24 giờ, yêu cầu công ty chủ động ngừng hoạt động mô hình và xử lý lỗ hổng. Anthropic cho rằng cách vượt qua này gần giống một vấn đề cục bộ, không cấu thành một "vượt ngục" rộng rãi; phía Nhà Trắng cho rằng rủi ro an ninh này đã đủ để kích hoạt can thiệp ở cấp độ an ninh quốc gia.

Sau đó, chính phủ Mỹ áp dụng kiểm soát xuất khẩu đối với Fable 5 và Mythos 5, cấm công dân nước ngoài sử dụng các mô hình liên quan. Do Anthropic khó có thể xác định chính xác quốc tịch và danh tính của tất cả người dùng trong thời gian ngắn, công ty cuối cùng đã tạm dừng truy cập cho tất cả khách hàng. Bước này đã biến sự kiện Fable từ tranh cãi về bảo mật mô hình thành một sự kiện về quyền truy cập AI tiên tiến.

Chi tiết 1: Tính năng sử dụng kép của năng lực cấp Mythos

Cốt lõi của vụ việc Fable không nằm ở các câu hỏi đáp thông thường, mà ở ranh giới ngày càng mờ nhạt giữa “khả năng phòng thủ” và “khả năng tấn công”. Mô hình an ninh mạng có thể giúp doanh nghiệp phát hiện lỗ hổng, sửa chữa hệ thống, nhưng cũng có thể giúp kẻ tấn công tìm kiếm điểm xâm nhập, tự động hóa khai thác lỗ hổng.

Đây cũng là lý do chính phủ can thiệp nhanh chóng. Một mô hình chỉ có thể viết văn bản hoặc tạo mã thì áp lực quản lý tương đối hạn chế; một khi nó có khả năng phát hiện và khai thác lỗ hổng mạnh mẽ, nó sẽ được đặt vào khuôn khổ an ninh quốc gia để định giá lại. Fable 5, với tư cách là phiên bản công khai, ban đầu nhằm giảm thiểu rủi ro thông qua rào chắn; khi rào chắn có thể bị vượt qua, cơ quan quản lý sẽ thấy đó là "cổng vào năng lực nguy hiểm có thể bị mở ra".

Chi tiết 2: Microsoft hạn chế sử dụng làm lộ rõ rủi ro phía doanh nghiệp

Một manh mối khác của sự kiện Fable đến từ Microsoft. Microsoft tạm thời hạn chế nhân viên sử dụng Claude Fable 5, vì yêu cầu lưu giữ dữ liệu mới của Anthropic. Các câu lệnh và đầu ra của Fable 5 có thể được lưu giữ trong 30 ngày, và nội dung bị hệ thống an ninh đánh dấu có thể được lưu giữ lâu hơn. Microsoft lo ngại rằng nhân viên trong quá trình sử dụng có thể nhập dữ liệu khách hàng, tài liệu công ty hoặc mã nội bộ, một khi nội dung liên quan bị lưu giữ và đi vào quy trình điều tra, có thể mang lại rủi ro tuân thủ và cạnh tranh.

Chi tiết này rất quan trọng. Nó cho thấy rủi ro của AI tiên tiến đã mở rộng từ "mô hình có nguy hiểm không" sang "doanh nghiệp có thể kiểm soát dữ liệu của mình không". Khi doanh nghiệp sử dụng AI, họ không chỉ quan tâm đến câu trả lời của mô hình có đủ tốt không, mà còn liệu câu lệnh có được lưu lại không, dữ liệu có thể bị xóa không, việc gọi mô hình có tuân thủ quy định nội bộ không, và nhà cung cấp có thể truy cập nội dung nhạy cảm trong quá trình điều tra an ninh hay không.

Chi tiết 3: Kiểm soát xuất khẩu gây ra vấn đề chủ quyền AI

Sự kiện Fable cũng kích hoạt các cuộc thảo luận rộng rãi hơn về chủ quyền AI. Cốt lõi của sự hoài nghi từ thị trường là: chính phủ Mỹ một mặt muốn thúc đẩy AI Mỹ ra nước ngoài, mặt khác có thể thông qua kiểm soát xuất khẩu tạm thời cắt đứt truy cập của các mô hình tiên tiến ở nước ngoài, điều này sẽ khiến khách hàng toàn cầu đánh giá lại độ tin cậy của nguồn cung AI Mỹ.

Điều này có nghĩa là tác động của sự kiện Fable sẽ không chỉ dừng lại ở Anthropic. Doanh nghiệp, quốc gia và nhà phát triển đều cần suy nghĩ lại về chuỗi cung ứng AI: nếu các mô hình cốt lõi đến từ một số ít công ty Mỹ, liệu quyền truy cập có ổn định không; nếu quy trình làm việc của doanh nghiệp phụ thuộc sâu vào một mô hình, liệu thay đổi chính sách có gây gián đoạn kinh doanh không; nếu các quy tắc an ninh và tuân thủ do nền tảng quyết định nội bộ, liệu người dùng bên ngoài có thể có đủ bằng chứng không.

Đến đây, sự kiện Fable không còn là một vụ ngừng hoạt động mô hình đơn lẻ. Lý do thực sự khiến nó kích hoạt các cuộc thảo luận về DeAI là vì ba loại lỗ hổng cấu trúc tồn tại lâu dài trong AI tập trung đồng thời bị phóng đại: quyền truy cập do nền tảng và cơ quan quản lý cùng quyết định, dòng dữ liệu nằm lại trong nền tảng, và quá trình thực thi của mô hình và Agent thiếu bằng chứng có thể xác minh bên ngoài.

2. Lỗ hổng của AI tập trung: Truy cập, dữ liệu và thực thi không thể xác minh

Truy cập không kiểm soát: Dịch vụ mô hình có thể bị cắt bởi các quy tắc bên ngoài

Sự kiện Fable chứng minh rằng các mô hình tiên tiến không còn hoàn toàn là dịch vụ internet thông thường. Nó bị ảnh hưởng bởi an ninh quốc gia, kiểm soát xuất khẩu, nhận dạng danh tính, phản hồi từ đối tác và quan hệ địa chính trị. Một khi doanh nghiệp tích hợp R&D, kiểm toán mã, quản lý rủi ro, dịch vụ khách hàng hoặc nhiệm vụ tự động hóa vào một mô hình duy nhất, việc mô hình đột ngột tạm dừng sẽ trở thành vấn đề liên tục kinh doanh.

Loại rủi ro này trước đây bị thị trường đánh giá thấp. Người dùng thường chỉ so sánh năng lực mô hình, giá cả và tốc độ phản hồi, nhưng hiếm khi đưa "liệu mô hình có đột ngột không khả dụng" vào đánh giá. Sau khi Fable bị rút, rủi ro này được thể hiện một cách thực tế. Trong tương lai, khi doanh nghiệp chọn nhà cung cấp AI, họ có thể xem xét các phương án dự phòng, mô hình sao lưu và khả năng chuyển đổi giữa các nhà cung cấp giống như khi chọn dịch vụ đám mây.

Dữ liệu không thể nhìn thấy: Doanh nghiệp khó xác nhận thông tin nhạy cảm được xử lý như thế nào

Cốt lõi của việc Microsoft hạn chế Fable 5 là lưu giữ dữ liệu. Mô hình càng mạnh, càng dễ được tích hợp vào mã nguồn, tài liệu khách hàng, hồ sơ tài chính, tài liệu chiến lược và cơ sở kiến thức nội bộ. Lúc này, liệu các câu lệnh và đầu ra có được lưu giữ không, lưu giữ bao lâu, ai có thể truy cập, và liệu chúng có được sử dụng cho các cuộc điều tra an ninh không, tất cả đều trở thành yếu tố quyết định doanh nghiệp có tích hợp mô hình hay không.

Các dịch vụ AI tập trung thường đặt các quy trình này bên trong nền tảng. Người dùng chỉ có thể đọc các điều khoản chính sách, khó có thể xác minh về mặt kỹ thuật liệu dữ liệu có thực sự bị xóa, có đi vào một bộ phân loại nào đó, hay có bị truy cập bởi một quy trình điều tra nào đó. Doanh nghiệp cần các tuyên bố về quyền riêng tư rõ ràng hơn, và cũng cần bằng chứng thực thi có thể được kiểm tra bên ngoài.

Thực thi không thể kiểm tra: Lớp bảo mật có thực sự có hiệu lực hay không, bên ngoài khó đánh giá

Tranh cãi về Fable còn liên quan đến lớp bảo mật. Mô hình tuyên bố có các hạn chế, nhưng liệu các hạn chế có được thực thi chính xác mỗi lần hay không, người dùng bên ngoài khó xác minh. Phiên bản mô hình, câu lệnh hệ thống, cơ chế định tuyến, bộ phân loại an ninh và bộ lọc đầu ra đều được thực hiện bên trong nền tảng. Người dùng thấy câu trả lời, nhưng không thấy đường dẫn thực thi đằng sau câu trả lời.

Trong các tình huống rủi ro thấp, sự không minh bạch này có thể được chấp nhận; trong tài chính, an ninh mạng, kiểm toán mã, giao dịch trên chuỗi và quản lý tài sản, nó trở thành vấn đề trách nhiệm. Người dùng cần biết liệu mô hình có bị thay thế, môi trường thực thi có đáng tin cậy, đầu vào và đầu ra có bị giả mạo, và AI Agent có vượt quá quyền hạn hay không. Lỗ hổng cấu trúc của AI tập trung nằm ở đây: năng lực ngày càng mạnh, nhưng cơ chế xác minh bên ngoài không phát triển đồng bộ.

Từ đó, câu hỏi mà DeAI cần trả lời trở nên cụ thể hơn: khi truy cập mô hình có thể bị cắt, liệu có cổng vào thay thế không; khi dữ liệu nhạy cảm phải đi vào quy trình làm việc của mô hình, liệu có thể cung cấp môi trường xử lý có thể chứng minh được không; khi AI Agent bắt đầu thực hiện giao dịch, gọi hợp đồng và quản lý quyền hạn, liệu có thể để lại bằng chứng về trách nhiệm pháp lý không. Tầm quan trọng của AI tính toán có thể xác minh cũng bắt đầu được thể hiện ở lớp này.

3. DeAI có thể giải quyết vấn đề gì: Từ truy cập mở đến thực thi đáng tin cậy

Sự kiện Fable gây ra cộng hưởng trong ngành tiền mã hóa vì nó chạm đến một vấn đề quen thuộc: cơ sở hạ tầng quan trọng có thể bị một thực thể duy nhất đóng cửa hay không. Giá trị cốt lõi của Bitcoin không chỉ nằm ở giá tài sản, mà còn ở việc cung cấp một mạng lưới chuyển giao giá trị toàn cầu, không cần cấp phép, chống kiểm duyệt. AI đang trở thành cơ sở hạ tầng quan trọng mới, khi năng lực mô hình bắt đầu ảnh hưởng đến mã, an ninh, quy trình doanh nghiệp và thực thi tài sản, thị trường tự nhiên sẽ đặt câu hỏi: liệu có cần một lớp truy cập và thực thi AI mở hơn, có thể chuyển đổi và xác minh hay không.

Điều này không có nghĩa là tất cả AI phải được đào tạo thông qua mạng phi tập trung, cũng không có nghĩa là công nghệ có thể hoàn toàn tránh né quy định. Đánh giá thực tế hơn là người dùng sẽ cần đồng thời hai loại khả năng: một là trí thông minh mạnh do các mô hình tiên tiến tập trung cung cấp, hai là dự phòng truy cập, bảo vệ quyền riêng tư và thực thi có thể xác minh do mạng mở cung cấp. Khi các mô hình như Fable đột ngột bị tạm dừng vì chính sách hoặc quy tắc nền tảng, thị trường sẽ hiểu lại nhu cầu về AI không cần cấp phép. Hiện tại, giá trị của DeAI chủ yếu thể hiện ở ba khía cạnh sau:

Giải quyết điểm đơn truy cập: Giảm sự phụ thuộc vào một nhà cung cấp mô hình duy nhất

DeAI trước hết có thể giảm bớt vấn đề điểm đơn truy cập. Sự kiện Fable cho thấy các mô hình tiên tiến có thể bị cắt đột ngột do chính sách hoặc quy tắc nền tảng. Cụ thể ở cấp sản phẩm, DeAI có thể giảm thiểu rủi ro theo ba cách: thứ nhất, giới thiệu định tuyến đa mô hình, cho phép người dùng chuyển đổi giữa các mô hình tập trung, mã nguồn mở và mạng suy luận phi tập trung; thứ hai, thông qua thị trường mô hình mở, cho phép các mô hình và dịch vụ suy luận khác nhau tự do kết nối, giảm quyền kiểm soát của một nhà cung cấp duy nhất; thứ ba, thông qua cổng vào suy luận riêng tư và kết hợp mô hình cục bộ, cho phép người dùng giữ lại các đường dẫn dự phòng trong các nhiệm vụ quan trọng.

Trong ngắn hạn, DeAI có thể không đào tạo được một Claude khác. Giá trị thực tế hơn là làm cho các quy trình làm việc quan trọng không còn hoàn toàn phụ thuộc vào một cổng vào mô hình duy nhất. Đối với người dùng thông thường, đây là quyền lựa chọn truy cập; đối với doanh nghiệp, đây là tính liên tục kinh doanh; đối với quốc gia và khu vực, đây là một phần của chủ quyền AI.

Giải quyết lòng tin dữ liệu: Đưa tính toán nhạy cảm vào môi trường có thể chứng minh

Giá trị thứ hai của DeAI là làm cho tính toán nhạy cảm có khả năng chứng minh mạnh mẽ hơn. Khi doanh nghiệp và ứng dụng trên chuỗi gọi AI, thường liên quan đến dữ liệu riêng tư, mã, chiến lược giao dịch hoặc tài sản người dùng. Môi trường thực thi đáng tin cậy, chứng minh từ xa, tính toán bảo mật và kiểm toán trên chuỗi có thể giúp người dùng xác nhận liệu dữ liệu nhạy cảm có được xử lý trong môi trường được bảo vệ hay không.

Trọng tâm của con đường này là cho phép người dùng có được bằng chứng về môi trường thực thi mà không tiết lộ quyền riêng tư. Ví dụ, doanh nghiệp có thể yêu cầu suy luận AI diễn ra trong môi trường thực thi đáng tin cậy, và thông qua chứng minh từ xa xác nhận mã và phiên bản mô hình đang chạy; ứng dụng trên chuỗi có thể ghi lại băm nhiệm vụ, kết quả thực thi và chứng minh trên chuỗi; người dùng có thể xác nhận môi trường thực thi không bị thay thế tùy ý mà không công khai dữ liệu gốc. Đối với tài chính, y tế, tuân thủ doanh nghiệp và quản lý tài sản trên chuỗi, điều này quan trọng hơn việc đơn thuần theo đuổi các mô hình mạnh hơn.

Giải quyết trách nhiệm thực thi: Để lại chuỗi bằng chứng cho hành vi của AI Agent

Giá trị thứ ba của DeAI là thiết lập chuỗi trách nhiệm cho AI Agent. Trong tương lai, AI Agent sẽ gọi ví, sàn giao dịch, dịch vụ đám mây, hệ thống doanh nghiệp và hợp đồng trên chuỗi. Nó sẽ chuyển từ trả lời câu hỏi sang trực tiếp thực hiện nhiệm vụ. Lúc này, thị trường cần đầu ra mô hình, cũng cần nhật ký thực thi, hồ sơ quyền hạn, đường dẫn gọi, dòng tiền và cơ chế truy trách nhiệm.

Hệ thống trên chuỗi phù hợp hơn để ghi lại những hành vi này. Thông qua nhật ký trên chuỗi, ký quỹ, cơ chế thách thức và trừng phạt kinh tế, DeAI có thể biến việc thực thi AI từ "hoạt động hậu trường nền tảng" thành các hành vi có thể theo dõi, đối chiếu và truy trách nhiệm. Ví dụ, mỗi lần Agent gọi hợp đồng, đọc dữ liệu, khởi tạo giao dịch hoặc gửi kết quả, đều có thể để lại hồ sơ có thể kiểm toán; khi nút gửi kết quả sai, có thể thông qua cơ chế thách thức để kiểm tra lại và trừng phạt. Sự kiện Fable thực sự thúc đẩy nhu cầu ở lớp này.

4. DeAI xây dựng thực thi đáng tin cậy như thế nào: Ba con đường cho AI tính toán có thể xác minh

Từ các dự án hiện có và hướng nghiên cứu, AI tính toán có thể xác minh không phải là một công nghệ duy nhất, mà là một giải pháp kết hợp xoay quanh "môi trường thực thi, kết quả tính toán và hành vi thực thi". Các con đường khác nhau giải quyết các vấn đề khác nhau và có tiến độ triển khai khác nhau.

Xác minh môi trường thực thi: Xác nhận mô hình chạy ở đâu trước

Con đường đầu tiên là môi trường thực thi đáng tin cậy, cốt lõi là chứng minh mô hình chạy trong môi trường phần cứng được bảo vệ. Người dùng không cần nhìn thấy máy chủ hậu trường, nhưng có thể thông qua chứng minh từ xa xác nhận rằng mã, mô hình và môi trường thực thi không bị giả mạo tùy ý. Loại giải pháp này gần với ứng dụng thực tế hơn, phù hợp với các mô hình riêng tư của doanh nghiệp, thực thi AI Agent, quản lý rủi ro tài chính và nhiệm vụ tự động hóa trên chuỗi.

Ưu điểm của nó là chi phí và độ trễ tương đối kiểm soát được, có thể giải quyết trước vấn đề "mô hình chạy ở đâu, dữ liệu có được xử lý trong môi trường được bảo vệ không". Hạn chế là nó vẫn phụ thuộc vào nhà sản xuất phần cứng, môi trường thực thi đáng tin cậy và cơ chế chứng minh từ xa. Nếu phần cứng cơ bản hoặc cơ chế chứng minh bị lỗi, cơ sở xác minh cũng sẽ bị ảnh hưởng.

Xác minh kết quả tính toán: Đưa bằng chứng vào đầu ra AI

Con đường thứ hai là bằng chứng mật mã, các hướng phổ biến bao gồm bằng chứng không kiến thức và zkML. Mục tiêu của nó là tạo ra một chứng chỉ tính toán có thể xác minh cho việc tính toán AI, cho phép bên thứ ba xác nhận kết quả thực sự đến từ quá trình tính toán đã chỉ định mà không cần chạy lại toàn bộ mô hình.

Con đường này gần với "chứng minh toán học" hơn. Ưu điểm là tính chắc chắn mạnh hơn, phù hợp với các tình huống yêu cầu độ chính xác cao về kết quả; hạn chế là chi phí tạo bằng chứng cao, độ trễ cao, hỗ trợ cho các mô hình tiên tiến lớn vẫn còn hạn chế. Nghiên cứu về suy luận có thể xác minh nhẹ đã bắt đầu thử nghiệm sử dụng lấy mẫu và cơ chế cam kết để giảm chi phí, nhưng từ nghiên cứu đến triển khai thương mại quy mô lớn vẫn cần thời gian.

Xác minh hành vi thực thi: Làm cho lỗi và vượt quyền có chi phí

Con đường thứ ba là khuyến khích kinh tế và nhật ký có thể kiểm toán. Nó không yêu cầu mỗi lần suy luận AI đều tạo ra bằng chứng đầy đủ ngay lập tức, cốt lõi là thông qua thách thức, tính toán lại, xác minh mẫu, trừng phạt ký quỹ và ghi chép trên chuỗi, để làm cho kết quả sai và hành vi độc hại phải trả giá. Nút gửi kết quả giả có thể bị mất ký quỹ, bên phát hiện lỗi có thể nhận được phần thưởng.

Con đường này đặc biệt quan trọng đối với AI Agent. Trong tương lai, người dùng không chỉ xem câu trả lời của mô hình, mà còn xem Agent đã gọi giao diện nào, sử dụng quyền hạn gì, có vượt quyền không, có thực thi theo ủy quyền không. Nhật ký có thể kiểm toán biến hành vi AI từ hoạt động hậu trường thành một bản ghi có thể theo dõi, và có thể được triển khai sớm hơn so với việc xác minh đầy đủ các mô hình lớn.

5. Dự án đại diện: DeAI đang phân hóa thành các tầng cơ sở hạ tầng khác nhau

Theo ba con đường xác minh ở trên, các dự án DeAI đang phân hóa thành các tầng cơ sở hạ tầng khác nhau: Bittensor và Gensyn thiên về mạng cung cấp trí thông minh, Venice thiên về cổng vào người dùng, OpenGradient và Ritual gần với lớp thực thi có thể xác minh và thực thi trên chuỗi hơn. Sự khác biệt giữa các dự án này cũng cho thấy DeAI là một hệ sinh thái kết hợp xoay quanh truy cập, quyền riêng tư, chứng minh và thực thi.

5.1 Bittensor: Sử dụng cơ chế mạng con để sàng lọc cung cấp trí thông minh máy móc

X:

Là một trong những mạng lưới AI phi tập trung khởi đầu sớm và có quy mô sinh thái lớn, Bittensor đại diện cho hướng đi thị trường trí thông minh mở. Nó bao gồm nhiều mạng con, mỗi mạng con là một thị trường trí thông minh máy móc tương đối độc lập: thợ mỏ chịu trách nhiệm sản xuất hàng hóa số, bao gồm sức mạnh tính toán, lưu trữ, suy luận AI, đào tạo, dự đoán tài chính, v.v.; người xác thực chịu trách nhiệm đánh giá chất lượng đầu ra của thợ mỏ; người tạo mạng con chịu trách nhiệm thiết kế cơ chế khuyến khích; người nắm giữ TAO có thể ủng hộ người xác thực thông qua staking. Mạng lưới cuối cùng phân phối phần thưởng TAO cho những người tham gia được đánh giá là có đóng góp cao hơn.

Về cấu trúc vốn, Bittensor không giống với các dự án huy động vốn cổ phần điển hình. Nó chưa từng thực hiện huy động vốn tư nhân hay ICO theo nghĩa truyền thống, giao thức cốt lõi được duy trì bởi Quỹ Opentensor, và TAO cũng không có phần dành riêng cho các nhà đầu tư ban đầu. Nhưng điều này không có nghĩa là vốn vắng mặt: Polychain đã tham gia ươm tạo Bittensor từ năm 2019 và tích lũy khoảng 200 triệu USD vị thế TAO thông qua thị trường thứ cấp cũng như khai thác và xác thực; Digital Currency Group thông qua Yuma liên tục mua vào, từng là bên nắm giữ lớn nhất, với khoảng 500.000 TAO, chiếm khoảng 2,4% tổng cung.

Từ hoạt động trên chuỗi, trang mạng con Taostats cho thấy tổng khối lượng giao dịch 24 giờ của thị trường mạng con Bittensor là khoảng 193.400 TAO, trong đó khối lượng giao dịch Alpha Token (token mạng con gốc tương ứng với mỗi mạng con, phản ánh định giá thị trường, staking và dòng vốn của mạng con cụ thể) của mỗi mạng con là khoảng 139.000 TAO, chiếm 71,93%; khối lượng giao dịch liên quan đến Root TAO (tài sản TAO gốc của mạng chính Bittensor, làm tài sản cơ sở để vào và ra khỏi Alpha Token của mỗi mạng con) là khoảng 54.300 TAO, chiếm 28,07%. Điều này cho thấy hoạt động giao dịch hiện tại chủ yếu đến từ tài sản mạng con cụ thể, chứ không phải từ phía TAO mạng chính.

Nguồn:

Trong số các mạng con hiện tại, các đại diện nổi bật bao gồm SN3 τemplar và SN64 Chutes: SN3 τemplar tập trung vào đào tạo mô hình lớn phi tập trung, nhóm của nó đã hoàn thành việc đào tạo mô hình 72B tham số Covenant-72B trên Bittensor Subnet 3, là mạng con đại diện cho khả năng đào tạo của Bittensor; SN64 Chutes tập trung vào suy luận AI Serverless, đã xử lý tổng cộng hơn 9,1 nghìn tỷ token, đỉnh điểm hàng ngày vượt quá 50 tỷ token, là mạng con suy luận có khối lượng sử dụng nổi bật hiện nay. Đồng thời, CoinW đã ra mắt khu vực sinh thái TAO và đã niêm yết sớm ba mạng con Chutes-SN64, Gradients-SN56 và Targon-SN4.

Bittensor đã mở rộng từ một mạng AI đơn lẻ thành một thị trường trí thông minh mở với nhiều nhiệm vụ, nhiều tài sản và nhiều đường cong khuyến khích cùng tồn tại, chia các hàng hóa số khác nhau như suy luận AI, đào tạo, dữ liệu, dự đoán tài chính, sức mạnh tính toán và lưu trữ thành các thị trường độc lập, do thợ mỏ cung cấp, người xác thực đánh giá và phân phối phần thưởng token.

Đáng chú ý hơn, một số mạng con suy luận đã bắt đầu tăng cường lớp đánh giá kết quả và xác minh. "Xác minh" ở đây gần giống với cơ chế sàng lọc chất lượng nội bộ của mạng: thợ mỏ gửi đầu ra mô hình hoặc kết quả nhiệm vụ, người xác thực đánh giá chất lượng kết quả thông qua chấm điểm, kiểm tra ngược, xác minh mẫu, nhiệm vụ chuẩn và quy tắc khuyến khích, cuối cùng ảnh hưởng đến phần thưởng TAO mà thợ mỏ nhận được. Giá trị của Bittensor nằm ở việc biến "ai có thể cung cấp dịch vụ thông minh" thành một vấn đề cạnh tranh mở, khó khăn là chất lượng các mạng con khác nhau khác biệt lớn, tiêu chuẩn xác minh và cơ chế chống gian lận quyết định liệu mạng có thể thực sự sàng lọc ra các dịch vụ AI chất lượng cao hay không.

5.2 Venice: Cổng vào AI riêng tư phía người dùng

X:

Venice thiên về cổng vào ứng dụng của DeAI. Nó tích hợp nhiều loại khả năng AI như văn bản, hình ảnh, video, âm thanh, mã và tìm kiếm, đồng thời nhấn mạnh truy cập riêng tư hoặc ẩn danh. Ở cấp mô hình, Venice hỗ trợ nhiều cổng vào như Claude, Google, DeepSeek, OpenAI, Mistral, Meta, Qwen, Grok, Kimi, đồng thời cung cấp API tương thích với OpenAI, có thể kết nối với bộ công cụ Agent, gọi hàm, tìm kiếm Web và tạo đa phương thức.

Venice được ra mắt bởi người sáng lập ShapeShift Erik Voorhees vào tháng 5 năm 2024, tự nó có sự ủng hộ mạnh mẽ từ người sáng lập, nguồn vốn và khuyến khích của nó dựa nhiều vào token hơn là các vòng gọi vốn mạo hiểm truyền thống. Vào tháng 1 năm 2025, Venice phát hành token gốc VVV trên mạng Base, với nguồn cung khởi tạo 100 triệu, trong đó khoảng một nửa được phân phối thông qua airdrop cho người dùng sớm và cộng đồng AI tiền mã hóa, phần còn lại do đội ngũ dự án, pool thanh khoản và quỹ khuyến khích nắm giữ. Sau đó, Venice lại ra mắt token DIEM, tạo thành cấu trúc hai token: mỗi DIEM tương ứng với một hạn mức API cố định hàng ngày và chỉ có thể được đúc bởi người nắm giữ VVV, từ đó gắn nhu cầu token với sức mạnh tính toán thực tế của nền tảng.

Quay trở lại sản phẩm, điểm khác biệt của Venice tập trung vào phân lớp quyền riêng tư. Nó có bốn loại kiến trúc quyền riêng tư: truy cập ẩn danh vào mô hình bên thứ ba, không lưu giữ dữ liệu trên mô hình mã nguồn mở tự quản lý, giảm khả năng nhìn thấy phía nền tảng thông qua TEE, và mã hóa đầu cuối. Đối với người dùng thông thường, điều này dễ hiểu hơn so với mạng chứng minh cơ bản: người dùng muốn biết liệu có thể truy cập không, dữ liệu có bị lưu lại không, việc gọi có bị nền tảng sử dụng để đào tạo hoặc kiểm duyệt không. Sau sự kiện Fable, nhu cầu này sẽ trực tiếp hơn. Bởi vì việc mô hình bị vô hiệu hóa không chỉ là vấn đề của nhà phát triển, mà còn ảnh hưởng đến niềm tin của người dùng thông thường vào tính liên tục của công cụ AI.

Venice tương ứng với vấn đề cổng vào phía người dùng của DeAI. Mạng chứng minh cơ bản giải quyết "liệu tính toán có thể được xác minh không", cổng vào AI riêng tư giải quyết "liệu người dùng có thể sử dụng an toàn, liên tục, với ma sát thấp không". Venice không thể thay thế zkML hoặc lớp thực thi TEE, cũng không thể loại bỏ hoàn toàn các hạn chế của nhà cung cấp mô hình, nhưng nó cho thấy con đường thương mại hóa của DeAI không nhất thiết phải bắt đầu từ tầng thấp nhất, người dùng thường cảm nhận được đầu tiên là khả năng truy cập, chuyển đổi, ma sát thấp và bảo vệ quyền riêng tư.

5.3 OpenGradient: Đưa lưu trữ mô hình, suy luận xác minh và Agent trên chuỗi vào cùng một mạng

X:

OpenGradient gần với một mạng tính toán AI có thể xác minh full-stack hơn. Nó cố gắng tích hợp lưu trữ mô hình, gọi suy luận, thanh toán x402, Agent trên chuỗi và lớp chứng minh vào cùng một mạng dành cho nhà phát triển, thay vì chỉ cung cấp một cổng vào mô hình duy nhất, mục tiêu là đưa việc triển khai, gọi, thanh toán và chứng minh đáng tin cậy của mô hình vào cùng một quy trình làm việc của nhà phát triển.

Về mặt gọi vốn, OpenGradient đã hoàn thành vòng gọi vốn hạt giống 8,5 triệu đô la vào năm 2024, do a16z dẫn đầu, với sự tham gia của Coinbase Ventures, Symbolic Capital, Wintermute Ventures, GSR, v.v. Các nhà đầu tư đồng thời bao gồm vốn AI Thung lũng Silicon, cơ sở hạ tầng giao dịch tiền mã hóa và tổ chức tạo lập thị trường, sự kết hợp này có lợi cho việc đồng thời thúc đẩy hệ sinh thái nhà phát triển, thanh toán trên chuỗi và thị trường tài nguyên tính toán.

Từ dữ liệu trên chuỗi, trang Portal của nó hiển thị dữ liệu mới nhất: mạng OpenGradient đã có 4.448 mô hình, khoảng 874.900 giao dịch Inference TX, khoảng 332.200 giao dịch x402, chiều cao khối hiện tại khoảng 1.599.860; gần 30 ngày trung bình khoảng 2.510 giao dịch mỗi ngày.

Nguồn:

Từ dữ liệu sản phẩm, OpenGradient đã hình thành một con đường hoàn chỉnh bao gồm lưu trữ mô hình, gọi suy luận, thanh toán x402, Agent trên chuỗi và lớp chứng minh. Người dùng có thể hiểu nó như một thị trường tính toán AI dành cho nhà phát triển: mô hình sau khi được lưu trữ có thể được gọi trực tiếp, việc gọi tạo ra giao dịch và thanh toán, và các kết quả quan trọng sau đó được tăng cường độ tin cậy thông qua zkML hoặc TEE.

Ưu điểm của OpenGradient là chuỗi sản phẩm tương đối đầy đủ và cung cấp dữ liệu sử dụng trên chuỗi tương đối có thể kiểm tra. Giai đoạn tiếp theo cần xem xét hai vấn đề: liệu số lượng giao dịch có thể kết tinh thành thanh toán liên tục không, và liệu nhu cầu chứng minh có thể bù đắp chi phí tính toán bổ sung không. Số lượng mô hình và số lần suy luận có thể tăng nhanh thông qua các khuyến khích, nhưng yếu tố thực sự quyết định giá trị mạng là liệu nhà phát triển có sẵn sàng trả phí dài hạn cho các cuộc gọi ổn định, thực thi riêng tư và kết quả có thể xác minh hay không.

5.4 Gensyn: Từ mạng sức mạnh tính toán đến thị trường trí thông minh máy móc

X:

Gensyn là một dự án có nền tảng vốn và tham vọng kỹ thuật nổi bật trong số các mạng cơ bản DeAI. Ban đầu nó khởi đầu từ mạng sức mạnh tính toán tổng hợp GPU nhàn rỗi, với mục tiêu dần phát triển thành một mạng trí thông minh máy móc hoàn chỉnh hơn, cho phép đào tạo, suy luận, cộng tác mô hình và dịch vụ thông minh được gọi và giao dịch trong mạng mở.

Từ cấu trúc sản phẩm, mạng Gensyn không chỉ là một lớp điều phối GPU. Thành phần AXL của nó được sử dụng để trao đổi trọng số, gradient và tín hiệu giữa các nút học máy; danh tính và danh tiếng trên chuỗi ghi lại hiệu suất lịch sử của mô hình, Agent và nút tính toán; cơ chế xác minh được sử dụng để xác nhận liệu một phần tính toán có được thực thi theo yêu cầu hay không. Thị trường thông tin Delphi của Gensyn tiếp tục thử nghiệm các kịch bản mà con người và AI Agent cùng tham gia dự đoán, với AI oracle hoàn tất thanh toán.

Về mặt gọi vốn, nền tảng vốn của Gensyn nổi bật hơn so với các dự án tương tự. Năm 2022, Gensyn hoàn thành vòng gọi vốn hạt giống 6,5 triệu đô la, do Eden Block dẫn đầu, với sự tham gia của Galaxy Digital, CoinFund, v.v.; năm 2023, nó hoàn thành vòng gọi vốn Series A 43 triệu đô la, do a16z dẫn đầu, tổng cộng hai vòng gọi vốn công khai ít nhất 49,5 triệu đô la. Vòng đời R&D dài và sự hỗ trợ vốn liên tục từ các nhà đầu tư hàng đầu cho phép nó đồng thời thúc đẩy nhiều dòng kỹ thuật như đào tạo phân tán, thị trường trí thông minh máy móc, danh tính trên chuỗi và cơ chế xác minh.

Gensyn tương ứng với tính dễ bị tổn thương của nguồn cung sau khi năng lực AI tiên tiến tập trung quá mức. Sự kiện Fable cho thấy truy cập mô hình có thể bị cắt nhanh chóng giữa các chính sách, khu vực và chiến lược an ninh doanh nghiệp. Gensyn hy vọng biến trí thông minh máy móc thành một thị trường mở có thể tham gia, cạnh tranh và xác minh, để đào tạo mô hình, cộng tác mô hình, giao dịch Agent và dịch vụ trí thông minh máy móc không hoàn toàn phụ thuộc vào một nền tảng duy nhất. Khó khăn của nó là đào tạo phi tập trung đòi hỏi băng thông, đồng bộ dữ liệu, xác minh gradient và thiết kế khuyến khích cao, trong ngắn hạn có thể sẽ triển khai trước trong các mô hình dọc, tối ưu hóa mô hình mở, cộng tác Agent và thị trường dự đoán.

5.5 Ritual: Biến nhiệm vụ AI thành thực thi trên chuỗi có thể gọi và theo dõi

X:

Ritual tiếp cận lớp thực thi AI, tập trung vào cách làm cho việc gọi mô hình, hành vi Agent và các nhiệm vụ phức tạp có thể được điều phối, thực thi và thanh toán trực tiếp trên chuỗi, thay vì nằm trong các dịch vụ hộp đen ngoài chuỗi. Ritual Chain sử dụng kiến trúc EVM với các nhiệm vụ máy có thể xác minh ngoài chuỗi. Các nhiệm vụ xác định như chuyển khoản thông thường và đọc lưu trữ vẫn được thực thi sao chép bởi EVM, trong khi các nhiệm vụ chi phí cao như suy luận LLM, gọi Agent, tạo hình ảnh được thực thi trong môi trường TEE, sau đó kết quả được liên kết với yêu cầu ban đầu và trả về chuỗi. Các hợp đồng hệ thống như AsyncJobTracker, TEEServiceRegistry, Scheduler và AsyncDelivery lần lượt quản lý trạng thái nhiệm vụ, đăng ký người thực thi, lập lịch và gọi lại kết quả. Ritual cũng phát triển Infernet, cho phép hợp đồng thông minh gọi mô hình và tính toán bên ngoài, vị trí sản phẩm gần với "hệ điều hành thực thi AI trên chuỗi" hơn.

Về mặt gọi vốn, Ritual đã hoàn thành vòng gọi vốn 25 triệu đô la vào năm 2023, do Archetype dẫn đầu, với sự tham gia của Accomplice, Robot Ventures, dao5, Avra và Hypersphere; năm 2024, nó đưa Polychain trở thành nhà đầu tư chiến lược, củng cố thêm nguồn lực của nó theo hướng cơ sở hạ tầng tiền mã hóa.

Ưu điểm của Ritual là gần với nhu cầu thực tế trên chuỗi, phù hợp cho giao dịch tự động hóa, AI oracle, Agent trên chuỗi, thanh toán máy và điều phối nhiệm vụ phức tạp. Vấn đề trọng tâm nó giải quyết không phải là đào tạo một mô hình mạnh hơn, mà là làm cho việc gọi mô hình có thể đi vào hệ thống quyền hạn và thanh toán của hợp đồng thông minh. Rủi ro là TEE vẫn phụ thuộc vào gốc tin cậy phần cứng, việc lựa chọn người thực thi, an ninh gọi lại không đồng bộ và rào cản nhà phát triển cần được liên tục xác minh. Liệu Ritual có hình thành quy mô hay không cuối cùng phụ thuộc vào việc các ứng dụng trên chuỗi có sẵn sàng giao các nhiệm vụ AI có giá trị cao cho lớp thực thi này không.

6. Ranh giới thực tế: DeAI chưa thể giải quyết tất cả các vấn đề

Đào tạo phi tập trung vẫn đối mặt với các ràng buộc vật lý

Giá trị dài hạn của DeAI cần được xây dựng trên các ranh giới thực tế. Đào tạo trước mô hình lớn yêu cầu băng thông cực cao, cụm GPU ổn định, lượng lớn dữ liệu chất lượng cao và hệ thống kỹ thuật trưởng thành. Mạng phi tập trung mặc dù có thể giảm một số rào cản về sức mạnh tính toán, nhưng truyền thông internet công cộng, phối hợp thiết bị không đồng nhất, chất lượng tập dữ liệu, v.v. có thể ảnh hưởng đến hiệu quả đào tạo. Điều này không làm giảm giá trị của DeAI. Con đường thực tế hơn là: lớp đào tạo trước tiên phục vụ các mô hình phân khúc và tối ưu hóa mô hình mở; lớp suy luận trước tiên phục vụ quyền riêng tư, chi phí và định tuyến đa mô hình; lớp xác minh trước tiên phục vụ chứng minh và kiểm toán cho các tình huống giá trị cao; lớp thực thi trước tiên phục vụ Agent trên chuỗi và nhiệm vụ tự động hóa. Hướng trưởng thành đầu tiên của DeAI có thể là một cơ sở hạ tầng đáng tin cậy hình thành xung quanh việc gọi mô hình.

Khả năng xác minh vẫn có ranh giới áp dụng

AI tính toán có thể xác minh cũng có ranh giới áp dụng rõ ràng. TEE có thể chứng minh môi trường thực thi, nhưng cần tin tưởng vào phần cứng và cơ chế chứng minh từ xa; zkML có thể chứng minh kết quả tính toán, nhưng chi phí và độ trễ vẫn là ràng buộc; khuyến khích kinh tế có thể làm cho hành vi xấu phải trả giá, nhưng cần cơ chế thách thức hợp lý, thiết kế ký quỹ và khuyến khích người xác thực. Các giải pháp khác nhau giải quyết các vấn đề khác nhau, không thể dùng một nhãn "có thể xác minh" để tóm tắt tất cả khả năng. Do đó, trong tương lai, khi sàng lọc dự án cần xem nó chứng minh cụ thể điều gì. Chứng minh danh tính mô hình, chứng minh môi trường thực thi, chứng minh kết quả đầu ra, v.v., tương ứng với các ranh giới sản phẩm khác nhau. Dự án càng có thể nói rõ đối tượng xác minh, càng có khả năng thực sự đáp ứng nhu cầu của doanh nghiệp và ứng dụng trên chuỗi.

Nhiệt độ thị trường không bằng sử dụng thực tế

Sự kiện Fable sẽ mang lại tâm lý cho ngành DeAI, nhưng tâm lý không thể trực tiếp chuyển thành giá trị dài hạn. Điều thực sự cần quan sát là liệu dự án có nhu cầu nhiệm vụ liên tục không, người dùng có sẵn sàng trả phí cho khả năng xác minh không, thu nhập mạng có đến từ các cuộc gọi thực tế không, chi phí xác minh có thấp hơn mức phí bảo mật mà người dùng sẵn sàng trả không. DeAI không có sử dụng thực tế cuối cùng sẽ quay trở lại giao dịch khái niệm.

7. Tóm tắt: Cơ hội của DeAI nằm ở việc xây dựng lại lớp tin cậy AI

Điều thực sự đáng chú ý trong sự kiện Fable không phải là một mô hình cụ thể của Anthropic bị tạm ngừng sử dụng, mà là lần đầu tiên AI tiên tiến phơi bày rõ ràng mâu thuẫn cấu trúc giữa việc nâng cao năng lực mô hình và suy giảm độ ổn định truy cập. Trước đây, thị trường thường mặc định rằng năng lực mô hình mạnh hơn sẽ dẫn đến tỷ lệ áp dụng cao hơn; nhưng sự kiện Fable cho thấy, khi mô hình sở hữu các khả năng nhạy cảm cao như an ninh mạng, an toàn sinh học, thực thi mã, ranh giới hoạt động của nó cũng dễ dàng bị đưa vào khuôn khổ kiểm soát xuất khẩu, tuân thủ doanh nghiệp và an ninh quốc gia. Năng lực mô hình càng mạnh, nền tảng càng cần thêm lớp bảo mật; lớp bảo mật càng phức tạp, người dùng bên ngoài càng khó xác minh quá trình thực thi của nó; sự can thiệp của quản lý càng sâu, quyền truy cập mô hình càng không còn chỉ là vấn đề về sản phẩm. Điều này có nghĩa là, trong tương lai, cạnh tranh AI sẽ không chỉ xoay quanh năng lực mô hình, mà còn mở rộng ra độ ổn định truy cập, khả năng kiểm soát dữ liệu và độ tin cậy thực thi.

Đây cũng là lý do DeAI cần được hiểu lại. Trong ngắn hạn, DeAI có thể chưa thể sao chép các mô hình tiên tiến như Claude, nhưng có thể bắt đầu từ những điểm yếu nhất của AI tập trung, đó là liệu mô hình có thể được thay thế, dữ liệu có thể được bảo vệ, quá trình tính toán có thể được chứng minh, và hành vi Agent có thể bị truy trách nhiệm. Các dự án DeAI thực sự có giá trị không phải là đơn giản chuyển khả năng AI lên chuỗi, mà là chia nhỏ quá trình gọi AI thành nhiều bước có thể xác minh, bao gồm ai cung cấp mô hình, ai thực thi suy luận, kết quả được tạo ra như thế nào, ai chịu trách nhiệm cho lỗi, và liệu người dùng có thể chuyển đổi giữa các dịch vụ khác nhau không. Trước đây, những vấn đề này hầu hết bị ẩn bên trong các nền tảng tập trung; trong tương lai, chúng có thể phát triển thành một thị trường cơ sở hạ tầng mới.

Từ góc nhìn này, AI tính toán có thể xác minh có thể là hướng đáng nghiên cứu sâu nhất trong DeAI. AI đang chuyển đổi từ công cụ tạo nội dung thành các thực thể thông minh có khả năng thực thi nhiệm vụ. Khi AI chủ yếu được sử dụng để tạo văn bản, người dùng có thể chấp nhận một mức độ không minh bạch nhất định; nhưng khi AI bắt đầu tham gia vào kiểm toán mã, quản lý tài sản, gọi ví, thực thi giao dịch và tương tác hợp đồng, sự không minh bạch sẽ trở thành rủi ro hệ thống. Trong tương lai, thị trường sẽ không chỉ trả tiền cho năng lực mô hình mạnh hơn, mà còn trả tiền cho quá trình thực thi có thể chứng minh, kiểm toán và truy trách nhiệm.

Do đó, sau sự kiện Fable, logic đầu tư DeAI cũng cần chuyển từ tự sự cảm xúc sang tự sự xác minh. Trước đây, thị trường dễ dàng theo đuổi các khái niệm AI, tên mô hình và các điểm nóng ngắn hạn; giai đoạn tiếp theo nên chú ý hơn đến ba loại chỉ số: liệu có nhu cầu gọi thực tế không, liệu có cơ chế chứng minh có thể xác minh không, và liệu có người dùng sẵn sàng trả phí bảo hiểm cho thực thi đáng tin cậy không. Chỉ khi đồng thời có những điều kiện này, AI tính toán có thể xác minh mới có thể phát triển từ điểm nóng theo giai đoạn của thị trường tiền mã hóa thành lớp tin cậy mới của kỷ nguyên AI. Cốt lõi của cạnh tranh AI trong tương lai sẽ không còn chỉ là bản thân năng lực mô hình, mà là liệu mô hình có thể được gọi một cách ổn định, đáng tin cậy và có thể xác minh trong môi trường mở hay không, đây mới là không gian dài hạn mà DeAI thực sự có thể mở ra.