Apple chọn Gemini, Alphabet đổ $185B: Điều gì thực sự xảy ra với ngành AI phi tập trung?

Ngày 18 tháng 3, Apple thông báo chọn Google Gemini làm nền tảng AI cho trợ lý ảo Siri. Trên Crypto Briefing, dòng tin được đặt cạnh con số $185B Alphabet cam kết chi cho hạ tầng AI. Với nhà giao dịch crypto, hai sự kiện này tạo ra một phản xạ quen thuộc: liệu đây có phải tín hiệu mua vào cho các token AI phi tập trung? Tôi đã giao dịch qua ba chu kỳ halving Bitcoin và chứng kiến không ít lần thị trường biến một bản tin công nghệ thành cơn sốt đầu cơ. Nhưng lần này, thay vì vội vàng kết luận, tôi muốn nhìn vào cấu trúc thực sự của câu chuyện. Bởi vì bên dưới hợp đồng giữa hai gã khổng lồ công nghệ là một loạt tín hiệu kỹ thuật mà hầu hết nhà đầu tư bỏ lỡ. Bối cảnh rộng hơn đang diễn ra như sau: ngành AI tập trung đang được vun đắp bằng dòng vốn khổng lồ chưa từng thấy. Alphabet không chỉ tung ra $185B cho hạ tầng vật lý - trung tâm dữ liệu, chip TPU, hệ thống năng lượng - mà còn có được kênh phân phối lớn nhất thế giới qua Siri. Trong khi đó, các dự án AI phi tập trung như Bittensor, Ritual hay Gensyn vẫn đang vật lộn ở giai đoạn testnet, với lượng người dùng chủ yếu là cộng đồng crypto. Khoảng cách về nguồn lực không còn là chênh lệch - nó là một vực thẳm. Đây là lý do điều này chưa được định giá đúng trên thị trường. Khi một bản tin xuất hiện, hầu hết trader nhìn vào nó qua lăng kính tường thuật: "tin tốt cho AI phi tập trung vì nó cho thấy mọi người sẽ tìm kiếm giải pháp thay thế". Nhưng nếu nhìn vào dòng vốn và cấu trúc phân phối, câu chuyện lại hoàn toàn khác. $185B mà Alphabet chi ra không chỉ là con số trên báo cáo tài chính - nó tương đương với toàn bộ vốn hóa thị trường của top 50 token crypto cộng lại. Không một quỹ token nào có thể huy động được lượng vốn tương tự trong vòng một thập kỷ, chứ đừng nói đến việc cạnh tranh trực tiếp. Hãy nhìn vào số liệu cụ thể. Gemini Ultra hiện đạt 90,04% trên MMLU benchmark, trong khi các mô hình lớn nhất của Bittensor đạt khoảng 70%. Dù con số này có thể gây tranh cãi, nhưng hướng đi của nó rất rõ ràng. Các mô hình tập trung không chỉ mạnh hơn nhờ tham số lớn hơn mà còn nhờ chuỗi dữ liệu độc quyền từ Google Search, YouTube và Android. Trong khi đó, các mô hình phi tập trung phụ thuộc vào dữ liệu công khai, vốn đang ngày càng bị che chắn bởi các nhà cung cấp nội dung lớn. Hệ số tương quan ở đây thật đáng chú ý: cứ mỗi lần một tường lửa dữ liệu được dựng lên, chất lượng của mô hình phi tập trung lại tụt hậu thêm một bước so với các đối thủ độc quyền dữ liệu. Theo dõi dòng tiền trong ngành, tôi nhận thấy một nghịch lý thú vị. Các quỹ đầu tư mạo hiểm vẫn liên tục đổ tiền vào các dự án AI phi tập trung, với tổng số vốn lên tới hàng tỷ USD vào năm 2024. Nhưng dòng vốn này chỉ đủ để duy trì sự tồn tại, không đủ để tạo ra sự đột phá. Khi Alphabet có thể chi $185B cho một năm, và các quỹ crypto gom góp được $5B cho toàn bộ hệ sinh thái AI phi tập trung trong ba năm, thì cuộc chơi đã định đoạt từ trước. Không có sự kỳ diệu nào có thể biến một đội quân nhỏ thành đối thủ xứng tầm chỉ bằng sự nhiệt tình. Nhưng ở đây tôi muốn đưa ra một góc nhìn phản trực giác. Có thể chính sự chênh lệch về nguồn lực này lại là tín hiệu tốt nhất cho ngành AI phi tập trung - không phải vì họ có thể cạnh tranh với Google, mà vì họ đang chứng minh một mô hình hoàn toàn khác. Thị trường hiện đang định giá các dự án AI phi tập trung như thể chúng sẽ thay thế OpenAI hoặc Google. Điều này sẽ không xảy ra trong vòng ba đến năm năm tới. Nhưng nếu nhìn vào chiều sâu, giá trị thực sự của các dự án này nằm ở phân khúc mà người khổng lồ không muốn phục vụ: các ứng dụng cần kiểm chứng tính toàn vẹn của mô hình, cần chống kiểm duyệt, hoặc cần xử lý dữ liệu nhạy cảm mà không được phép chuyển ra khỏi biên giới quốc gia. Đây chính là điểm mù trong chiến lược của Google - họ tối ưu cho hàng trăm triệu người dùng phổ thông, trong khi quên rằng có một lớp khách hàng doanh nghiệp và chính phủ sẵn sàng trả phí cao hơn cho đảm bảo về quyền riêng tư. Thử nhìn vào sự kiện depeg USDC tháng 3/2023 mà tôi từng phân tích. Khi Circle tiết lộ 3,3 tỷ USD dự trữ bị mắc kẹt tại Silicon Valley Bank, thị trường hoảng loạn và hàng tỷ USD stablecoin được rút trong 48 giờ. Nhưng điều thú vị là trong cơn hoảng loạn đó, các giao thức cho vay phi tập trung như Aave và Compound vẫn hoạt động bình thường, oracle vẫn cập nhật giá chính xác, và hệ thống thanh lý tự động vẫn vận hành trơn tru. Một số người cho rằng sự kiện này chứng minh DeFi hoạt động hiệu quả. Nhưng nhìn sâu hơn, nó cho thấy điều ngược lại: hệ thống tài chính phi tập trung vẫn phụ thuộc vào các oracle tập trung của Chainlink để biết giá USDC là bao nhiêu. Sự phi tập trung hóa chỉ ở lớp trên, trong khi lớp dưới - nguồn cấp dữ liệu - vẫn nằm trong tay một số ít bên cung cấp. Bài học tương tự có thể áp dụng cho AI phi tập trung: bạn có thể phân tán sức mạnh tính toán, nhưng nếu dữ liệu và quy trình đào tạo vẫn tập trung, thì tính phi tập trung chỉ là lớp vỏ bọc. Quay lại với quyết định của Apple. Điều mà hầu hết bản tin bỏ qua là Apple không chọn Gemini vì nó tốt nhất. Họ chọn Gemini vì Google là đối tác đáng tin cậy nhất trong việc xử lý dữ liệu người dùng theo cách không vi phạm cam kết quyền riêng tư của Apple. Google đã chi hàng tỷ USD để trở thành công cụ tìm kiếm mặc định trên Safari, và thỏa thuận Gemini này có thể là phần tiếp theo của hợp đồng đó. Nếu nhìn từ góc độ này, quyết định của Apple không phải là một sự chứng thực cho AI tập trung - nó là một quyết định kinh doanh được tính toán kỹ lưỡng. Điều này có nghĩa là nếu một dự án AI phi tập trung nào đó có thể chứng minh khả năng xử lý dữ liệu mà không cần chuyển nó ra khỏi thiết bị của người dùng, họ sẽ có cơ hội chen chân vào chuỗi cung ứng của Apple. Đây là một thị trường ngách nhưng có giá trị rất lớn. Báo cáo từ các công ty nghiên cứu chỉ ra rằng chi phí để đào tạo một mô hình ngôn ngữ lớn ở cấp độ Gemini là khoảng $200-500 triệu cho mỗi lần huấn luyện. Con số này không bao gồm chi phí suy luận - tức là chi phí vận hành mô hình sau khi đã huấn luyện xong. Nếu Apple tích hợp Gemini vào Siri cho hàng tỷ người dùng, Google sẽ phải mở rộng hạ tầng suy luận của mình lên gấp nhiều lần, và đó chính là lý do $185B được đưa ra. Nhưng nếu nhìn vào phần cứng, một mô hình như Gemini Ultra yêu cầu khoảng 1.000 GPU H100 để vận hành suy luận theo thời gian thực cho một triệu người dùng đồng thời. Một mạng lưới phi tập trung như Akash hiện có khoảng 10.000 GPU H100 trong mạng lưới, và hầu hết đang được sử dụng cho các tác vụ nhỏ hơn. Việc đạt được quy mô tương đương với Google sẽ cần một lượng vốn khổng lồ mà không có token nào đủ sức tài trợ. Khi làn sóng thanh lý ập đến với các altcoin AI sau mỗi đợt điều chỉnh, chúng ta thấy rõ ràng một chu kỳ: tin tức về AI tập trung xuất hiện → token AI phi tập trung tăng vọt → dòng tiền đầu cơ rút đi → giá sụp đổ. Nếu nhìn vào dữ liệu từ CoinGecko, các token AI đã tăng trung bình 40% trong vòng 48 giờ sau khi ChatGPT được ra mắt vào tháng 11/2022, nhưng sau đó mất gần hết mức tăng trong vòng 60 ngày. Cùng một kịch bản lặp lại với tin tức về Gemini, về Claude 3, và bây giờ là về Apple. Mô hình này cho thấy thị trường vẫn đang giao dịch theo câu chuyện, không phải theo nền tảng cơ bản. Đây là nơi tôi muốn chỉ ra điểm mù trong cách nhìn của số đông. Hầu hết nhà đầu tư đều hiểu rằng AI phi tập trung không thể cạnh tranh về hiệu suất, nên họ chuyển sang lập luận "phi tập trung là giá trị khác biệt". Lập luận này nghe có vẻ logic nhưng lại bỏ qua một thực tế: phần lớn người dùng không quan tâm đến việc mô hình có được vận hành trên mạng lưới phi tập trung hay không. Họ chỉ quan tâm đến việc kết quả có chính xác hay không. Trong một cuộc khảo sát gần đây trên Hugging Face, chỉ 12% người dùng cho biết họ sẵn sàng chấp nhận chất lượng kém hơn để đổi lấy tính phi tập trung. Đây là một con số cực kỳ thấp. Nhưng trong cộng đồng crypto, con số đó được cho là 70-80%. Sự khác biệt này tạo ra một ảo tưởng về nhu cầu thị trường: các nhà phát triển crypto tin rằng mọi người đều muốn AI phi tập trung, trong khi thực tế người dùng phổ thông chưa bao giờ đặt câu hỏi đó. Điều này dẫn tôi đến một kết luận có thể đi ngược lại số đông: tin tức Apple-Gemini không phải là chất xúc tác cho AI phi tập trung, mà là một sự soi gương tàn nhẫn. Khi bạn đặt $185B cạnh nhau với $5B, bạn sẽ thấy rằng không có câu chuyện nào có thể khỏa lấp sự chênh lệch này. Nhưng tôi không tin rằng điều đó khiến AI phi tập trung trở nên vô nghĩa. Nó chỉ có nghĩa là ngành này cần phải định vị lại hoàn toàn. Thay vì cố gắng thay thế Google, các dự án AI phi tập trung nên tập trung vào những gì Google không thể làm: chứng minh rằng một mô hình không bị kiểm duyệt bởi một thực thể duy nhất, rằng các quyết định về dữ liệu được đưa ra bởi cộng đồng thay vì hội đồng quản trị, và rằng giá trị được phân phối đến những người đóng góp thay vì cổ đông. Luận điểm hội tụ mà tôi đang theo dõi nằm ở sự giao thoa giữa AI phi tập trung và các yêu cầu tuân thủ dữ liệu mới. Khi EU siết chặt GDPR và khi ngày càng nhiều quốc gia áp dụng luật về quyền dữ liệu, các doanh nghiệp sẽ phải tìm kiếm các giải pháp AI có thể vận hành trong môi trường dữ liệu bị hạn chế. Một mạng lưới AI phi tập trung, nơi dữ liệu không bao giờ rời khỏi biên giới quốc gia và mô hình được vận hành trên các nút trong nước, sẽ trở nên hấp dẫn. Đây là thị trường ngách mà Google gặp khó khăn trong việc thâm nhập vì họ phải tập trung hóa dữ liệu. Nếu một dự án phi tập trung có thể giải quyết được bài toán này trong vòng 12-18 tháng tới, họ sẽ có một lợi thế mà không một nguồn vốn nào có thể mua được. Tôi cũng muốn nhấn mạnh một yếu tố kỹ thuật mà hầu hết bản tin bỏ qua: chi phí xác minh. Trong một mạng lưới AI phi tập trung, việc xác minh rằng mô hình thực sự chạy đúng với tham số đã công bố là một bài toán cực kỳ khó. ZK-ML (zero-knowledge machine learning) là một hướng đi, nhưng chi phí để tạo bằng chứng zero-knowledge cho một mô hình có hàng tỷ tham số vẫn còn quá cao. Ước tính chi phí để tạo bằng chứng ZK cho một mô hình 7B tham số là khoảng vài trăm nghìn USD - con số này không khả thi cho các ứng dụng sử dụng hàng ngày. Cho đến khi bài toán này được giải quyết, các mô hình phi tập trung sẽ không thể cung cấp sự đảm bảo về tính toàn vẹn mà doanh nghiệp yêu cầu. Đây là một trở ngại kỹ thuật, không phải trở ngại về vốn, và nó sẽ quyết định tốc độ áp dụng thực tế. Trải qua ba chu kỳ thị trường, tôi hiểu rằng việc đưa ra một phán đoán mang tính tiến bộ là không thể tránh khỏi. Thị trường AI phi tập trung sẽ trải qua một cuộc thanh lọc. Phần lớn các token hiện tại sẽ không còn tồn tại sau hai năm nữa, và chỉ một số ít có nền tảng kỹ thuật thực sự sẽ sống sót. Nhưng trong cơn bão này, tôi nhìn thấy một cơ hội rất cụ thể: các dự án hướng tới thị trường ngách với sản phẩm có thể sử dụng ngay, thay vì theo đuổi thị trường đại chúng mà họ sẽ không bao giờ chiếm được. Khi phần lớn nhà đầu tư đang nhìn vào con số $185B và mất tinh thần, tôi lại nhìn vào các đội ngũ đang âm thầm xây dựng các giải pháp cho các vấn đề mà Alphabet không bao giờ có thể giải quyết. Sự khác biệt giữa các nhà giao dịch chiến trường và những người còn lại là ở chỗ: chúng tôi không hỏi thị trường đang nói gì, chúng tôi hỏi thị trường đang bỏ qua điều gì. Và câu trả lời, trong thời điểm này, không nằm ở các mô hình AI lớn hơn - nó nằm ở việc xây dựng hạ tầng cho những người dùng không được Google phục vụ. Cách duy nhất để sống sót trong một thế giới tập trung hóa dữ liệu là không chơi trò chơi của những kẻ nắm dữ liệu.