Sinh ra từ rìa: Mạng lưới điện toán phi tập trung làm thế nào để thúc đẩy Crypto và AI?
Tuyển chọn TechFlowTuyển chọn TechFlow
Sinh ra từ rìa: Mạng lưới điện toán phi tập trung làm thế nào để thúc đẩy Crypto và AI?
Xét từ góc độ thực tế nhất, một mạng lưới điện toán phi tập trung cần phải cân nhắc đồng thời nhu cầu hiện tại và không gian thị trường trong tương lai.
Chuyên sâu báo cáo Web3Tác giả: Jane Doe, Chen Li
1 Giao điểm giữa AI và Crypto
Ngày 23 tháng 5, gã khổng lồ sản xuất chip NVIDIA đã công bố báo cáo tài chính quý đầu tiên của năm tài chính 2025. Báo cáo cho thấy doanh thu quý đầu tiên của NVIDIA đạt 26 tỷ USD. Trong đó, doanh thu từ trung tâm dữ liệu tăng 427% so với năm trước, đạt mức đáng kinh ngạc là 22,6 tỷ USD. Hiệu suất tài chính giúp cứu vãn thị trường chứng khoán Mỹ chỉ bằng một mình NVIDIA này phản ánh nhu cầu sức mạnh tính toán bùng nổ toàn cầu khi các công ty công nghệ cạnh tranh trong lĩnh vực AI. Những công ty công nghệ hàng đầu càng tham vọng lớn trong việc triển khai chiến lược AI thì nhu cầu về năng lực tính toán của họ cũng tăng theo cấp số nhân.Theo dự đoán của TrendForce, vào năm 2024, bốn nhà cung cấp dịch vụ đám mây chính tại Mỹ là Microsoft, Google, AWS và Meta sẽ chiếm lần lượt 20,2%, 16,6%, 16% và 10,8% nhu cầu toàn cầu đối với máy chủ AI cao cấp, tổng cộng vượt quá 60%.
“Khan hiếm chip” liên tục trở thành cụm từ phổ biến trong vài năm gần đây. Một mặt, mô hình ngôn ngữ lớn (LLM) cần rất nhiều năng lực tính toán để huấn luyện (training) và suy luận (inference); đồng thời, cùng với việc cập nhật mô hình, chi phí và nhu cầu tính toán tăng theo cấp số nhân. Mặt khác, những công ty lớn như Meta sẽ mua số lượng lớn chip, khiến nguồn lực tính toán trên toàn cầu nghiêng về phía các gã khổng lồ công nghệ này, làm cho các doanh nghiệp nhỏ ngày càng khó tiếp cận được nguồn lực tính toán cần thiết. Khó khăn mà các doanh nghiệp nhỏ phải đối mặt không chỉ đến từ sự thiếu hụt nguồn cung chip do nhu cầu tăng vọt, mà còn do mâu thuẫn cấu trúc trong cung ứng. Hiện tại, vẫn tồn tại lượng lớn GPU chưa được sử dụng ở phía cung cấp, ví dụ như nhiều trung tâm dữ liệu có lượng sức mạnh tính toán nhàn rỗi lớn (chỉ sử dụng từ 12% - 18%), hay trong lĩnh vực đào tiền mã hóa, lượng lớn sức mạnh tính toán cũng bị bỏ không do lợi nhuận giảm. Mặc dù các nguồn lực tính toán này không hoàn toàn phù hợp với các ứng dụng chuyên biệt như huấn luyện AI, nhưng phần cứng tiêu dùng vẫn có thể phát huy vai trò lớn trong các lĩnh vực khác như suy luận AI, kết xuất game đám mây, điện thoại đám mây, v.v. Cơ hội tích hợp và tận dụng những nguồn lực tính toán này là rất lớn.
Chuyển trọng tâm từ AI sang crypto, sau ba năm thị trường tiền mã hóa im ắng, cuối cùng lại đón nhận một đợt tăng giá mới, giá Bitcoin liên tục lập kỷ lục mới, các loại memecoin xuất hiện liên tục. Dù AI và Crypto đã trở thành những buzzword nổi bật trong nhiều năm, trí tuệ nhân tạo và blockchain như hai đường thẳng song song, vẫn chưa tìm ra được “giao điểm” nào. Đầu năm nay, Vitalik đã đăng một bài viết mang tên "The promise and challenges of crypto + AI applications", thảo luận về các kịch bản kết hợp AI và crypto trong tương lai. Trong bài viết, Vitalik đề cập đến nhiều viễn cảnh, bao gồm việc sử dụng blockchain và các công nghệ mã hóa như MPC để thực hiện việc huấn luyện và suy luận AI phi tập trung, mở ra "hộp đen" của AI, từ đó khiến mô hình AI trở nên đáng tin cậy hơn (trustless), v.v. Để hiện thực hóa những mong ước này vẫn còn một chặng đường dài. Nhưng một trong những trường hợp sử dụng mà Vitalik đề cập —— sử dụng động lực kinh tế từ crypto để thúc đẩy AI —— là một hướng đi quan trọng và khả thi trong ngắn hạn. Mạng lưới tính toán phi tập trung chính là một trong những tình huống phù hợp nhất hiện nay cho sự kết hợp AI + crypto.
2 Mạng lưới tính toán phi tập trung
Hiện nay, đã có nhiều dự án đang phát triển trong lĩnh vực mạng lưới tính toán phi tập trung. Logic nền tảng của các dự án này khá giống nhau, có thể khái quát như sau: Sử dụng token để khuyến khích những người sở hữu sức mạnh tính toán tham gia mạng lưới cung cấp dịch vụ tính toán, những nguồn lực tính toán rời rạc này có thể tập hợp thành một mạng lưới tính toán phi tập trung có quy mô nhất định. Cách này vừa nâng cao hiệu quả sử dụng nguồn lực tính toán nhàn rỗi, vừa đáp ứng nhu cầu tính toán của khách hàng với chi phí thấp hơn, đạt được tình trạng đôi bên cùng có lợi.
Để giúp bạn đọc nhanh chóng nắm bắt tổng quan về lĩnh vực này, bài viết sẽ phân tích các dự án cụ thể và cả ngành từ hai góc nhìn vi mô và vĩ mô, nhằm cung cấp cho người đọc một cách tiếp cận phân tích để hiểu rõ lợi thế cạnh tranh cốt lõi của từng dự án và tình hình phát triển tổng thể của lĩnh vực mạng lưới tính toán phi tập trung. Tác giả sẽ giới thiệu và phân tích năm dự án: Aethir, io.net, Render Network, Akash Network, Gensyn, đồng thời đưa ra tổng kết và đánh giá về tình hình dự án và xu hướng phát triển ngành.
Về khung phân tích, nếu tập trung vào một mạng lưới tính toán phi tập trung cụ thể, chúng ta có thể chia nó thành bốn thành phần cốt lõi:
-
Mạng lưới phần cứng: Tập hợp các nguồn lực tính toán phân tán, thông qua các nút trải khắp nơi trên thế giới để chia sẻ tài nguyên tính toán và cân bằng tải, là tầng cơ sở của mạng lưới tính toán phi tập trung.
-
Thị trường hai bên: Thông qua cơ chế định giá và khám phá hợp lý để ghép nối người cung cấp và người cần sức mạnh tính toán, cung cấp nền tảng giao dịch an toàn, đảm bảo minh bạch, công bằng và đáng tin cậy trong giao dịch giữa hai bên cung cầu.
-
Cơ chế đồng thuận: Dùng để đảm bảo các nút trong mạng vận hành đúng cách và hoàn thành công việc. Cơ chế đồng thuận chủ yếu dùng để giám sát hai cấp độ: 1) Giám sát xem nút có đang hoạt động trực tuyến, sẵn sàng nhận nhiệm vụ bất cứ lúc nào; 2) Bằng chứng công việc của nút: Sau khi nhận nhiệm vụ, nút đã hoàn thành công việc một cách hiệu quả và chính xác, sức mạnh tính toán không bị chiếm dụng vào mục đích khác làm ảnh hưởng tiến trình và luồng xử lý.
-
Khuyến khích bằng token: Mô hình token dùng để khuyến khích thêm nhiều bên tham gia cung cấp/dùng dịch vụ, đồng thời dùng token để thu hút hiệu ứng mạng lưới, chia sẻ lợi ích cộng đồng.
Nếu nhìn bao quát toàn bộ lĩnh vực mạng lưới tính toán phi tập trung, báo cáo nghiên cứu của Blockworks Research cung cấp một khung phân tích tốt, chúng ta có thể phân loại vị trí của các dự án trong lĩnh vực này thành ba lớp khác nhau.
-
Tầng Bare metal layer: Là tầng cơ sở của ngăn xếp tính toán phi tập trung, nhiệm vụ chính là thu thập tài nguyên tính toán thô và khiến chúng có thể được gọi thông qua API.
-
Tầng Orchestration layer: Là tầng trung gian của ngăn xếp tính toán phi tập trung, nhiệm vụ chính là điều phối và trừu tượng hóa, chịu trách nhiệm về việc điều phối, mở rộng, vận hành, cân bằng tải và dung sai lỗi... Vai trò chính là "trừu tượng hóa" sự phức tạp trong quản lý phần cứng cơ sở, cung cấp cho người dùng cuối một giao diện người dùng cao cấp hơn, phục vụ nhóm khách hàng cụ thể.
-
Tầng Aggregation layer: Là tầng trên cùng của ngăn xếp tính toán phi tập trung, nhiệm vụ chính là tích hợp, cung cấp một giao diện thống nhất cho phép người dùng thực hiện nhiều tác vụ tính toán tại một nơi, như huấn luyện AI, render, zkML, v.v. Tương đương với lớp biên đạo và phân phối cho nhiều dịch vụ tính toán phi tập trung.
Nguồn ảnh: Youbi Capital
Dựa trên hai khung phân tích trên, chúng tôi sẽ tiến hành so sánh ngang năm dự án được chọn, và đánh giá chúng theo bốn khía cạnh —— nghiệp vụ cốt lõi, định vị thị trường, cơ sở hạ tầng phần cứng và hiệu suất tài chính.
2.1 Nghiệp vụ cốt lõi
Xét về logic nền tảng, mạng lưới tính toán phi tập trung mang tính đồng nhất rất cao, tức là sử dụng token để khuyến khích những người sở hữu tài nguyên tính toán nhàn rỗi cung cấp dịch vụ tính toán. Xung quanh logic nền tảng này, chúng ta có thể hiểu sự khác biệt trong nghiệp vụ cốt lõi của các dự án qua ba khía cạnh:
-
Nguồn gốc tài nguyên tính toán nhàn rỗi:
-
Hiện nay, tài nguyên tính toán nhàn rỗi trên thị trường có hai nguồn chính: 1) Các doanh nghiệp như trung tâm dữ liệu, thợ đào tiền mã hóa nắm giữ tài nguyên tính toán nhàn rỗi; 2) Tài nguyên tính toán nhàn rỗi trong tay cá nhân. Phần cứng tại trung tâm dữ liệu thường là thiết bị chuyên nghiệp, trong khi cá nhân thường mua chip tiêu dùng.
-
Aethir, Akash Network và Gensyn chủ yếu thu thập sức mạnh tính toán từ các doanh nghiệp. Lợi ích của việc thu thập từ doanh nghiệp là: 1) Doanh nghiệp và trung tâm dữ liệu thường sở hữu phần cứng chất lượng cao hơn và đội ngũ bảo trì chuyên nghiệp, hiệu suất và độ tin cậy của tài nguyên tính toán cao hơn; 2) Tài nguyên tính toán của doanh nghiệp thường đồng nhất hơn, việc quản lý và giám sát tập trung khiến việc điều phối và bảo trì hiệu quả hơn. Tuy nhiên, cách này đặt yêu cầu cao hơn đối với dự án, đòi hỏi mối quan hệ thương mại với các doanh nghiệp nắm giữ tài nguyên tính toán. Đồng thời, khả năng mở rộng và mức độ phi tập trung sẽ bị ảnh hưởng nhất định.
-
Render Network và io.net chủ yếu khuyến khích cá nhân đóng góp tài nguyên tính toán nhàn rỗi. Lợi ích của việc thu thập từ cá nhân là: 1) Chi phí hiển thị của tài nguyên tính toán cá nhân thấp hơn, có thể cung cấp tài nguyên tính toán tiết kiệm chi phí hơn; 2) Khả năng mở rộng và mức độ phi tập trung của mạng lưới cao hơn, tăng tính đàn hồi và vững chắc cho hệ thống. Nhược điểm là tài nguyên cá nhân phân tán rộng rãi và không đồng nhất, việc quản lý và điều phối trở nên phức tạp, làm tăng độ khó vận hành. Ngoài ra, việc tạo hiệu ứng mạng ban đầu từ tài nguyên cá nhân sẽ khó khăn hơn (khó khởi động). Cuối cùng, thiết bị cá nhân có thể tiềm ẩn nhiều rủi ro an ninh hơn, dẫn đến nguy cơ rò rỉ dữ liệu và lạm dụng tài nguyên tính toán.
-
Người tiêu dùng sức mạnh tính toán
-
Xét về người tiêu dùng sức mạnh tính toán, Aethir, io.net, Gensyn hướng tới khách hàng doanh nghiệp. Đối với khách hàng B2B, nhu cầu tính toán hiệu suất cao cho AI và render thời gian thực trong game là rất lớn. Các tải công việc này đòi hỏi rất cao về tài nguyên tính toán, thường cần GPU cao cấp hoặc phần cứng chuyên dụng. Hơn nữa, khách hàng B2B yêu cầu rất cao về độ ổn định và tin cậy của tài nguyên tính toán, do đó phải cung cấp thỏa thuận mức độ dịch vụ (SLA) chất lượng cao, đảm bảo dự án vận hành bình thường và hỗ trợ kỹ thuật kịp thời. Đồng thời, chi phí chuyển đổi của khách hàng B2B rất cao; nếu mạng lưới phi tập trung không có SDK trưởng thành giúp nhà phát triển triển khai nhanh chóng (ví dụ như Akash Network yêu cầu người dùng tự phát triển dựa trên cổng từ xa), sẽ rất khó thuyết phục khách hàng chuyển đổi. Nếu không có lợi thế giá cực kỳ rõ rệt, ý chí chuyển đổi của khách hàng sẽ rất thấp.
-
Render Network và Akash Network chủ yếu cung cấp dịch vụ tính toán cho cá nhân. Khi phục vụ người dùng C2C, dự án cần thiết kế giao diện và công cụ đơn giản, dễ dùng, mang lại trải nghiệm tiêu dùng tốt cho người dùng. Đồng thời, người tiêu dùng rất nhạy cảm với giá cả, do đó dự án cần cung cấp mức giá cạnh tranh.
-
Loại phần cứng
-
Các tài nguyên tính toán phổ biến bao gồm CPU, FPGA, GPU, ASIC và SoC. Những phần cứng này khác biệt đáng kể về mục tiêu thiết kế, đặc tính hiệu suất và lĩnh vực ứng dụng. Tóm lại, CPU giỏi hơn trong các tác vụ tính toán tổng quát, FPGA ưu việt nhờ xử lý song song cao và khả năng lập trình, GPU nổi bật trong tính toán song song, ASIC hiệu quả nhất trong các nhiệm vụ cụ thể, còn SoC tích hợp nhiều chức năng vào một khối, phù hợp với các ứng dụng tích hợp cao. Việc lựa chọn phần cứng nào phụ thuộc vào nhu cầu ứng dụng cụ thể, yêu cầu hiệu suất và cân nhắc chi phí. Các dự án mạng lưới tính toán phi tập trung mà chúng ta thảo luận chủ yếu thu thập sức mạnh tính toán GPU, điều này do đặc điểm nghiệp vụ và GPU quyết định. Bởi vì GPU có lợi thế độc đáo trong huấn luyện AI, tính toán song song, render đa phương tiện, v.v.
-
Mặc dù hầu hết các dự án đều liên quan đến việc tích hợp GPU, nhưng các ứng dụng khác nhau có yêu cầu khác nhau về thông số phần cứng, do đó các lõi tối ưu hóa và thông số của phần cứng này mang tính dị biệt. Các thông số này bao gồm mức độ song song/phụ thuộc tuần tự, bộ nhớ, độ trễ, v.v. Ví dụ, tải công việc render thực tế phù hợp hơn với GPU tiêu dùng chứ không phải GPU trung tâm dữ liệu mạnh hơn, vì render đòi hỏi cao về theo dõi tia sáng (ray tracing), các chip tiêu dùng như 4090 được tăng cường RT cores, tối ưu hóa riêng cho các tác vụ theo dõi tia. Trong khi đó, huấn luyện và suy luận AI cần GPU chuyên dụng. Vì vậy, Render Network có thể tập hợp các GPU tiêu dùng như RTX 3090 và 4090 từ cá nhân, trong khi IO.NET cần nhiều GPU chuyên dụng như H100, A100 hơn để đáp ứng nhu cầu của các startup AI.
2.2 Định vị thị trường
Về định vị dự án, bare metal layer, orchestration layer và aggregation layer cần giải quyết các vấn đề cốt lõi, trọng tâm tối ưu hóa và khả năng thu hút giá trị khác nhau.
-
Bare metal layer chú trọng thu thập và sử dụng tài nguyên vật lý, orchestration layer chú trọng điều phối và tối ưu hóa sức mạnh tính toán, thiết kế tối ưu phần cứng vật lý theo nhu cầu nhóm khách hàng. Aggregation layer mang tính tổng quát, chú trọng tích hợp và trừu tượng hóa các tài nguyên khác nhau. Về chuỗi giá trị, các dự án nên bắt đầu từ tầng bare metal và nỗ lực tiến lên các tầng trên.
-
Xét về khả năng thu hút giá trị, từ bare metal layer, orchestration layer đến aggregation layer, khả năng thu hút giá trị tăng dần theo từng tầng. Aggregation layer có thể thu hút nhiều giá trị nhất, bởi vì nền tảng aggregation có thể đạt được hiệu ứng mạng lớn nhất, đồng thời tiếp cận được nhiều người dùng nhất, tương đương với lối vào lưu lượng của mạng lưới phi tập trung, từ đó chiếm vị trí thu hút giá trị cao nhất trong toàn bộ ngăn xếp quản lý tài nguyên tính toán.
-
Tương ứng, độ khó để xây dựng một nền tảng aggregation cũng là lớn nhất, dự án cần giải quyết tổng hợp nhiều vấn đề như độ phức tạp kỹ thuật, quản lý tài nguyên dị biệt, độ tin cậy và khả năng mở rộng hệ thống, hiện thực hóa hiệu ứng mạng, bảo mật và bảo vệ quyền riêng tư, cũng như quản lý vận hành phức tạp. Những thách thức này bất lợi cho việc khởi động "lạnh" dự án, và phụ thuộc vào tình hình phát triển và thời cơ của ngành. Khi orchestration layer chưa phát triển trưởng thành và chiếm lĩnh thị phần nhất định, thì việc làm aggregation layer là không thực tế.
-
Hiện tại, Aethir, Render Network, Akash Network và Gensyn đều thuộc orchestration layer, họ nhằm cung cấp dịch vụ cho các mục tiêu và nhóm khách hàng cụ thể. Aethir hiện đang tập trung vào render thời gian thực cho game đám mây, đồng thời cung cấp môi trường và công cụ phát triển triển khai nhất định cho khách hàng B2B; Render Network chuyên về render video, Akash Network muốn tạo ra một nền tảng giao dịch kiểu Taobao, còn Gensyn tập trung sâu vào lĩnh vực huấn luyện AI. Vị trí của io.net là aggregation layer, tuy nhiên chức năng hiện tại của io vẫn còn cách xa chức năng đầy đủ của aggregation layer, mặc dù đã thu thập phần cứng từ Render Network và Filecoin, nhưng việc trừu tượng hóa và tích hợp tài nguyên phần cứng vẫn chưa hoàn tất.
2.3 Cơ sở hạ tầng phần cứng
-
Hiện nay, không phải tất cả các dự án đều công bố dữ liệu chi tiết về mạng lưới. So với các dự án khác, giao diện người dùng của io.net explorer được đánh giá là tốt nhất, nơi có thể xem số lượng GPU/CPU, chủng loại, giá cả, phân bố, mức sử dụng mạng, thu nhập nút, v.v. Tuy nhiên, vào cuối tháng 4, giao diện frontend của io.net đã bị tấn công, do io không áp dụng xác thực (Auth) cho các giao diện PUT/POST, hacker đã sửa đổi dữ liệu frontend. Điều này cảnh tỉnh các dự án khác về quyền riêng tư và độ tin cậy dữ liệu mạng.
-
Xét về số lượng và mẫu mã GPU, io.net với tư cách là tầng tích hợp lẽ ra phải thu thập được nhiều phần cứng nhất. Aethir xếp thứ hai, các dự án khác ít minh bạch hơn về tình hình phần cứng. Từ mẫu mã GPU có thể thấy, io.net có cả GPU chuyên dụng như A100 lẫn GPU tiêu dùng như 4090, rất đa dạng, phù hợp với định hướng tích hợp của io.net. io.net có thể lựa chọn GPU phù hợp nhất theo nhu cầu công việc cụ thể. Tuy nhiên, các GPU khác nhau về mẫu mã và thương hiệu có thể cần trình điều khiển và cấu hình khác nhau, phần mềm cũng cần tối ưu hóa phức tạp, làm tăng độ khó quản lý và bảo trì. Hiện tại, việc phân bổ nhiệm vụ của io.net chủ yếu do người dùng tự lựa chọn.
-
Aethir đã phát hành máy đào của riêng mình, vào tháng Năm, Aethir Edge được Qualcomm hỗ trợ phát triển đã chính thức ra mắt. Thiết bị này sẽ phá vỡ mô hình triển khai cụm GPU tập trung cách xa người dùng, đưa sức mạnh tính toán đến các điểm biên. Aethir Edge sẽ kết hợp sức mạnh tính toán cụm H100, cùng phục vụ các tình huống AI, có thể triển khai các mô hình đã huấn luyện, cung cấp dịch vụ suy luận tính toán cho người dùng với chi phí tối ưu nhất. Giải pháp này gần người dùng hơn, dịch vụ nhanh hơn, hiệu quả chi phí cũng cao hơn.
-
Xét về cung và cầu, lấy Akash Network làm ví dụ, dữ liệu thống kê cho thấy tổng lượng CPU khoảng 16k, số lượng GPU là 378, theo nhu cầu thuê mạng, tỷ lệ sử dụng CPU và GPU lần lượt là 11,1% và 19,3%. Trong đó, chỉ có GPU chuyên dụng H100 có tỷ lệ thuê cao, các model khác phần lớn đang nằm không. Tình hình các mạng khác cơ bản tương tự Akash, nhu cầu mạng tổng thể không cao, ngoài các chip hot như A100, H100, phần lớn tài nguyên tính toán đều đang nhàn rỗi.
-
Xét về lợi thế giá cả, so với các ông lớn thị trường điện toán đám mây, lợi thế chi phí so với các nhà cung cấp truyền thống không nổi bật.
2.4 Hiệu suất tài chính
-
Bất kể mô hình token được thiết kế thế nào, một mô hình tokenomics khỏe mạnh cần đáp ứng vài điều kiện cơ bản: 1) Nhu cầu của người dùng đối với mạng cần phản ánh lên giá token, nghĩa là token có thể thu hút giá trị; 2) Tất cả các bên tham gia, gồm nhà phát triển, nút, người dùng đều cần được khuyến khích lâu dài và công bằng; 3) Đảm bảo quản trị phi tập trung, tránh tình trạng nội bộ nắm giữ quá nhiều; 4) Cơ chế lạm phát và giảm phát hợp lý cùng chu kỳ phát hành token, tránh biến động giá mạnh ảnh hưởng đến sự ổn định và bền vững của mạng.
-
Nếu chia sơ lược mô hình token thành BME (burn and mint equilibrium) và SFA (stake for access), thì nguồn áp lực giảm phát của hai mô hình này khác nhau: Mô hình BME sẽ đốt token sau khi người dùng mua dịch vụ, do đó áp lực giảm phát của hệ thống do nhu cầu quyết định. Trong khi đó, SFA yêu cầu nhà cung cấp dịch vụ/nút stake token để có tư cách cung cấp dịch vụ, do đó áp lực giảm phát do cung cấp tạo ra. Lợi thế của BME là phù hợp hơn với hàng hóa không chuẩn hóa. Nhưng nếu nhu cầu mạng không đủ, có thể đối mặt với áp lực lạm phát kéo dài. Các dự án có sự khác biệt về chi tiết mô hình token, nhưng nhìn chung, Aethir thiên về SFA, còn io.net, Render Network và Akash Network thiên về BME, Gensyn hiện chưa rõ.
-
Xét về doanh thu, lượng cầu mạng sẽ trực tiếp phản ánh trên tổng doanh thu mạng (ở đây không bàn đến thu nhập thợ đào, vì thợ đào ngoài thù lao hoàn thành nhiệm vụ còn có trợ cấp từ dự án). Dữ liệu công khai cho thấy io.net có con số cao nhất. Doanh thu của Aethir tuy chưa công bố, nhưng từ thông tin công khai có thể thấy họ đã ký hợp đồng với nhiều khách hàng B2B.
-
Xét về giá token, hiện tại chỉ Render Network và Akash Network đã tổ chức ICO. Aethir và io.net cũng vừa phát hành token gần đây, hiệu suất giá cần thêm thời gian quan sát, ở đây không bàn sâu. Kế hoạch của Gensyn vẫn chưa rõ ràng. Từ hai dự án đã phát hành token và các dự án đã phát hành trong cùng lĩnh vực nhưng không nằm trong phạm vi bài viết này, tổng thể mà nói, các mạng lưới tính toán phi tập trung đều có hiệu suất giá rất ấn tượng, phần nào phản ánh tiềm năng thị trường to lớn và kỳ vọng cao của cộng đồng.
2.5 Tổng kết
-
Lĩnh vực mạng lưới tính toán phi tập trung phát triển rất nhanh, đã có nhiều dự án có thể dựa vào sản phẩm để phục vụ khách hàng và tạo ra doanh thu nhất định. Ngành đã thoát khỏi giai đoạn chỉ là câu chuyện, bước vào giai đoạn có thể cung cấp dịch vụ sơ bộ.
-
Nhu cầu yếu là vấn đề chung mà mạng lưới tính toán phi tập trung đang đối mặt, nhu cầu dài hạn từ phía khách hàng chưa được kiểm chứng và khai thác tốt. Tuy nhiên, phía cầu không ảnh hưởng nhiều đến giá token, các dự án đã phát hành token đều thể hiện hiệu suất nổi bật.
-
AI là câu chuyện chính của mạng lưới tính toán phi tập trung, nhưng không phải nghiệp vụ duy nhất. Ngoài ứng dụng trong huấn luyện và suy luận AI, sức mạnh tính toán còn có thể dùng cho render thời gian thực game đám mây, dịch vụ điện thoại đám mây, v.v.
-
Mức độ dị biệt của phần cứng mạng lưới tính toán cao, chất lượng và quy mô mạng lưới tính toán cần tiếp tục cải thiện.
-
Đối với người dùng C2C, lợi thế chi phí không rõ rệt. Còn đối với người dùng B2B, ngoài tiết kiệm chi phí, còn cần cân nhắc về độ ổn định dịch vụ, độ tin cậy, hỗ trợ kỹ thuật, tuân thủ pháp lý, v.v., trong khi các dự án Web3 thường làm kém ở những khía cạnh này.
3 Suy nghĩ cuối cùng
Nhu cầu khổng lồ về sức mạnh tính toán do sự bùng nổ của AI là điều không thể phủ nhận. Kể từ năm 2012, sức mạnh tính toán được sử dụng trong các tác vụ huấn luyện AI đã tăng theo cấp số nhân, tốc độ hiện tại là gấp đôi mỗi 3,5 tháng (so sánh, định luật Moore là gấp đôi mỗi 18 tháng). Kể từ năm 2012, nhu cầu về sức mạnh tính toán đã tăng hơn 300.000 lần, vượt xa mức tăng 12 lần theo định luật Moore. Dự đoán, thị trường GPU sẽ tăng trưởng với tốc độ kép hàng năm 32% trong 5 năm tới, đạt mức trên 200 tỷ USD. AMD dự đoán cao hơn, công ty cho rằng thị trường chip GPU sẽ đạt 400 tỷ USD vào năm 2027.
Nguồn ảnh: https://www.stateof.ai/
Sự tăng trưởng bùng nổ của trí tuệ nhân tạo và các tải công việc đòi hỏi tính toán cao (như render AR/VR) đã phơi bày những bất hiệu quả cấu trúc trong điện toán đám mây truyền thống và thị trường tính toán hàng đầu. Về lý thuyết, mạng lưới tính toán phi tập trung có thể tận dụng tài nguyên tính toán phân tán nhàn rỗi để cung cấp giải pháp linh hoạt, tiết kiệm chi phí và hiệu quả hơn, từ đó đáp ứng nhu cầu khổng lồ về tài nguyên tính toán của thị trường. Do đó, sự kết hợp giữa crypto và AI có tiềm năng thị trường to lớn, nhưng đồng thời cũng đối mặt với cạnh tranh khốc liệt từ doanh nghiệp truyền thống, rào cản gia nhập cao và môi trường thị trường phức tạp. Tổng thể, xét trên tất cả các lĩnh vực crypto, mạng lưới tính toán phi tập trung là một trong những lĩnh vực dọc có nhiều hy vọng nhất để đạt được nhu cầu thực sự.
Nguồn ảnh: https://vitalik.eth.limo/general/2024/01/30/cryptoai.html
Tương lai tươi sáng, nhưng con đường thì quanh co. Để đạt được những tầm nhìn trên, chúng ta còn cần giải quyết nhiều vấn đề và thách thức, tóm lại: Hiện tại nếu chỉ cung cấp dịch vụ đám mây truyền thống, biên lợi nhuận của dự án rất nhỏ. Phân tích từ phía cầu, các doanh nghiệp lớn thường tự xây dựng năng lực tính toán, các nhà phát triển C2C thuần túy thường chọn dịch vụ đám mây, liệu các doanh nghiệp vừa và nhỏ thực sự sử dụng tài nguyên mạng lưới tính toán phi tập trung có nhu cầu ổn định hay không vẫn cần khai thác và kiểm chứng thêm. Mặt khác, AI là một thị trường rộng lớn với tiềm năng và không gian tưởng tượng rất cao, để hướng tới thị trường rộng lớn hơn, các nhà cung cấp dịch vụ tính toán phi tập trung trong tương lai cũng cần chuyển đổi sang mô hình/dịch vụ AI, khám phá thêm nhiều trường hợp sử dụng crypto + AI, mở rộng giá trị mà dự án có thể tạo ra. Nhưng hiện tại, muốn phát triển sâu hơn vào lĩnh vực AI vẫn còn nhiều vấn đề và thách thức:
-
Lợi thế giá không nổi bật: Qua so sánh dữ liệu trước đó có thể thấy, lợi thế chi phí của mạng lưới tính toán phi tập trung chưa được thể hiện rõ. Nguyên nhân có thể do với các chip chuyên dụng nhu cầu cao như H100, A100, cơ chế thị trường quyết định giá phần cứng này sẽ không rẻ. Ngoài ra, dù mạng lưới phi tập trung có thể thu thập tài nguyên tính toán nhàn rỗi, nhưng việc thiếu hiệu ứng kinh tế nhờ quy mô do phi tập trung, chi phí mạng và băng thông cao, cùng độ phức tạp quản lý và vận hành lớn tạo thành các chi phí ẩn làm tăng thêm chi phí tính toán.
-
Tính đặc thù của huấn luyện AI: Sử dụng phương pháp phi tập trung để huấn luyện AI hiện tại gặp nhiều rào cản kỹ thuật lớn. Rào cản này thể hiện trực quan qua quy trình làm việc của GPU: Trong huấn luyện mô hình ngôn ngữ lớn, GPU trước tiên nhận các lô dữ liệu đã xử lý trước, thực hiện tính toán lan truyền thuận và ngược để sinh ra gradient. Tiếp theo, các GPU sẽ tập hợp gradient và cập nhật tham số mô hình, đảm bảo tất cả GPU đồng bộ. Quá trình này lặp lại liên tục cho đến khi hoàn thành tất cả lô hoặc đạt số vòng định trước. Trong quá trình này liên quan đến lượng lớn truyền dữ liệu và đồng bộ. Việc sử dụng chiến lược song song và đồng bộ nào, làm sao tối ưu băng thông và độ trễ mạng, giảm chi phí truyền thông, v.v., hiện tại vẫn chưa được giải đáp thỏa đáng. Hiện nay, việc dùng mạng lưới tính toán phi tập trung để huấn luyện AI vẫn chưa thực tế.
-
Bảo mật và quyền riêng tư dữ liệu: Trong quá trình huấn luyện mô hình ngôn ngữ lớn, mọi khâu xử lý và truyền dữ liệu như phân bổ dữ liệu, huấn luyện mô hình, tập hợp tham số và gradient đều có thể ảnh hưởng đến bảo mật và quyền riêng tư dữ liệu. Và quyền riêng tư dữ liệu quan trọng hơn quyền riêng tư mô hình. Nếu không giải quyết được vấn đề quyền riêng tư dữ liệu, sẽ không thể thực sự mở rộng quy mô ở phía cầu.
Xét từ góc độ thực tế nhất, một mạng lưới tính toán phi tập trung cần đồng thời cân bằng giữa việc khai thác nhu cầu hiện tại và không gian thị trường tương lai. Xác định rõ định vị sản phẩm và nhóm khách hàng mục tiêu, ví dụ như trước tiên tập trung vào các dự án không thuộc AI hoặc dự án gốc Web3, bắt đầu từ các nhu cầu ở rìa, xây dựng cơ sở người dùng ban đầu. Đồng thời, không ngừng khám phá các tình huống kết hợp AI và crypto, nghiên cứu công nghệ tiên tiến, thực hiện chuyển đổi và nâng cấp dịch vụ.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
Youbi Capital
