AI là đại lý của Crypto: Hành trình tiến hóa của AI Agent
Tuyển chọn TechFlowTuyển chọn TechFlow
AI là đại lý của Crypto: Hành trình tiến hóa của AI Agent
AI là đại lý của Crypto, đây là lời giải thích tốt nhất từ góc nhìn bản vị mã hóa để nhìn nhận làn sóng bùng nổ AI hiện nay.
Chuyên sâu báo cáo Web3Tác giả: Tô Gia
Một tác phẩm nghệ thuật chưa bao giờ hoàn thành, chỉ là bị bỏ dở.
Mọi người đều đang nói về AI Agent, nhưng điều mọi người nói tới lại không giống nhau. Điều này khiến cho khái niệm AI Agent mà chúng ta quan tâm khác biệt so với góc nhìn của công chúng và cả góc nhìn từ các chuyên gia trong ngành AI.
Lâu nay, tôi từng viết bài Crypto là ảo ảnh của AI. Từ thời điểm đó đến nay, sự kết hợp giữa Crypto và AI vẫn luôn là mối tình đơn phương. Các chuyên gia AI rất ít khi nhắc đến các thuật ngữ như Web3 hay blockchain, trong khi những người làm Crypto lại say mê AI. Sau khi chứng kiến cảnh tượng kỳ lạ là ngay cả một framework AI Agent cũng có thể được token hóa, tôi không biết liệu có thực sự lôi kéo được giới phát triển AI vào thế giới của chúng ta hay không.
AI là đại diện (agent) của Crypto — đây là cách lý giải tốt nhất cho cơn sốt AI hiện tại nếu nhìn từ lập trường của lĩnh vực tiền mã hóa. Cơn cuồng nhiệt của Crypto đối với AI khác biệt so với các ngành nghề khác. Chúng tôi đặc biệt mong muốn tích hợp việc phát hành và vận hành tài sản tài chính vào lĩnh vực này.
Sự tiến hóa của Agent: bản chất dưới lớp vỏ tiếp thị công nghệ
Xét về nguồn gốc, khái niệm AI Agent ít nhất có ba dòng chảy xuất xứ khác nhau. OpenAI đã đưa AGI (Trí tuệ nhân tạo tổng quát) vào kế hoạch phát triển, biến cụm từ này trở thành một thuật ngữ phổ biến vượt xa phạm vi kỹ thuật. Tuy nhiên, về bản chất, "Agent" không phải là một khái niệm mới mẻ; ngay cả khi được tăng cường bởi AI, cũng khó có thể coi đây là một xu hướng công nghệ mang tính cách mạng.
Thứ nhất, AI Agent theo quan điểm của OpenAI tương tự cấp độ L3 trong phân loại xe tự lái — tức là hệ thống có khả năng hỗ trợ nâng cao ở mức độ nhất định, nhưng vẫn chưa thể thay thế con người hoàn toàn.
Chú thích ảnh: Các giai đoạn AGI theo kế hoạch của OpenAI, Nguồn ảnh: https://www.bloomberg.com/
Thứ hai, như tên gọi, AI Agent là Agent được tăng cường bởi AI. Cơ chế đại diện (agent) vốn không phải là điều xa lạ trong lĩnh vực máy tính. Trong tầm nhìn của OpenAI, Agent sẽ trở thành bước tiến L3 sau hình thức hội thoại (ChatGPT) và hình thức suy luận (các loại Bot). Đặc điểm nổi bật là khả năng «tự chủ thực hiện một hành động nào đó», hoặc theo định nghĩa của Harrison Chase – nhà sáng lập LangChain: «AI Agent là một hệ thống sử dụng LLM để ra quyết định luồng điều khiển chương trình.»
Đây chính là điểm tinh tế. Trước khi LLM xuất hiện, Agent chủ yếu thực hiện các quy trình tự động được con người thiết lập sẵn. Ví dụ điển hình là khi lập trình viên viết chương trình crawler (cào dữ liệu), họ sẽ đặt User-Agent để mô phỏng chi tiết trình duyệt và hệ điều hành mà người dùng thật sự sử dụng. Nếu sử dụng AI Agent để mô phỏng hành vi con người một cách chi tiết hơn, ta sẽ có framework crawler dựa trên AI Agent — giúp cho quá trình cào dữ liệu «giống người thật» hơn.
Trong quá trình chuyển đổi này, AI Agent phải được tích hợp vào các kịch bản hiện có. Những lĩnh vực hoàn toàn mới gần như không tồn tại. Ngay cả các chức năng hoàn thiện và sinh mã như Cursor hay Github Copilot cũng chỉ là sự mở rộng chức năng dựa trên tư duy LSP (Language Server Protocol). Có thể liệt kê thêm nhiều ví dụ tương tự:
-
Apple: AppleScript (trình soạn thảo kịch bản) – Alfred – Siri – Phím tắt (Shortcuts) – Apple Intelligence
-
Terminal: Terminal (macOS)/PowerShell (Windows) – iTerm 2 – Warp (AI Native)
-
Tương tác người-máy: Web 1.0 CLI TCP/IP, trình duyệt Netscape – Web 2.0 GUI/RestAPI/công cụ tìm kiếm/Google/Super App – Web 3.0 AI Agent + dApp?
Giải thích sơ qua: Trong quá trình tương tác người-máy, sự kết hợp giữa giao diện đồ họa GUI và trình duyệt ở thời Web 1.0 thực sự giúp đại chúng sử dụng máy tính dễ dàng, tiêu biểu là bộ đôi Windows + IE. API là chuẩn trừu tượng và truyền tải dữ liệu phía sau Internet. Thời Web 2.0, Chrome chiếm lĩnh thị phần trình duyệt, đồng thời sự dịch chuyển sang thiết bị di động đã thay đổi thói quen sử dụng Internet của người dùng. Các ứng dụng siêu nền tảng như WeChat, Meta phủ sóng mọi mặt cuộc sống.
Thứ ba, khái niệm «ý định» (intent) trong lĩnh vực Crypto là tiên phong dẫn đến sự bùng nổ của AI Agent. Tuy nhiên cần lưu ý rằng điều này chỉ có hiệu lực bên trong cộng đồng Crypto. Từ ngôn ngữ script thiếu năng lực của Bitcoin đến hợp đồng thông minh Ethereum, bản thân nó đã là sự mở rộng khái niệm Agent. Các sản phẩm kế thừa như cầu nối chuỗi (cross-chain bridge), trừu tượng hóa chuỗi, ví EOA–AA đều là những phát triển tự nhiên từ tư tưởng này. Do đó, việc AI Agent «xâm nhập» vào Crypto rồi dẫn tới các ứng dụng DeFi là điều dễ hiểu.
Đây chính là điểm gây nhầm lẫn trong khái niệm AI Agent. Trong bối cảnh Crypto, chúng ta thực sự muốn có một Agent có thể «tự động quản lý tài chính, tự động săn Meme mới». Nhưng theo định nghĩa của OpenAI, những kịch bản nguy hiểm như vậy thậm chí cần đến cấp độ L4/L5 mới thực hiện được. Trong khi đó, đại chúng lại đang vui vẻ với các chức năng như sinh mã tự động, tóm tắt một cú nhấp, viết văn thay... Hai bên rõ ràng không đang giao tiếp trên cùng một mặt phẳng.
Khi đã hiểu rõ mình thực sự muốn gì, chúng ta hãy tập trung vào logic tổ chức của AI Agent. Chi tiết kỹ thuật sẽ được che giấu đằng sau, bởi lẽ bản thân khái niệm Agent là việc loại bỏ rào cản kỹ thuật khỏi quá trình phổ cập quy mô lớn — giống như trình duyệt đã làm phép màu cho ngành PC cá nhân. Vì vậy, trọng tâm của chúng ta sẽ nằm ở hai điểm: nhìn AI Agent qua lăng kính tương tác người-máy, và phân biệt mối liên hệ giữa AI Agent với LLM, từ đó dẫn dắt sang phần thứ ba: cuối cùng, sự kết hợp giữa Crypto và AI Agent sẽ để lại điều gì?
let AI_Agent = LLM+API;
Trước khi có ChatGPT và các dạng tương tác hội thoại kiểu này, con người tương tác với máy tính chủ yếu qua hai hình thức: GUI (giao diện đồ họa) và CLI (giao diện dòng lệnh - Command-Line Interface). Tư duy GUI tiếp tục phát triển thành trình duyệt, ứng dụng... Trong khi đó, sự kết hợp giữa CLI và Shell hầu như không thay đổi.
Nhưng đây chỉ là lớp «phía trước» của tương tác người-máy. Cùng với sự phát triển của Internet, lượng và loại dữ liệu ngày càng tăng khiến cho sự tương tác «phía sau» giữa dữ liệu với dữ liệu, giữa ứng dụng với ứng dụng cũng gia tăng. Hai phía này phụ thuộc lẫn nhau. Ngay cả một hành vi duyệt web đơn giản cũng cần sự phối hợp giữa cả hai.
Nếu nói tương tác giữa người dùng với trình duyệt, ứng dụng là cổng vào của người dùng, thì các kết nối và chuyển tiếp giữa API chính là trụ cột vận hành Internet. Thực tế, đây cũng là một phần của Agent. Người dùng bình thường không cần hiểu các thuật ngữ như dòng lệnh hay API, vẫn có thể đạt được mục đích của mình.
LLM cũng vậy. Hiện tại, người dùng có thể đi xa hơn nữa — thậm chí không cần tìm kiếm. Toàn bộ quá trình có thể được mô tả qua các bước sau:
-
Người dùng mở cửa sổ trò chuyện;
-
Người dùng dùng ngôn ngữ tự nhiên (văn bản hoặc giọng nói) để mô tả nhu cầu;
-
LLM phân tích thành các bước thao tác có quy trình;
-
LLM trả kết quả về cho người dùng.
Có thể thấy, Google là bên chịu tổn thương lớn nhất trong quá trình này, vì người dùng không cần mở công cụ tìm kiếm nữa, mà thay vào đó là các cửa sổ hội thoại kiểu GPT. Cổng vào lưu lượng truy cập đang âm thầm thay đổi. Chính vì vậy, mới có người cho rằng đợt cách mạng LLM lần này chính là cái chết của công cụ tìm kiếm.
Vậy AI Agent đóng vai trò gì trong chuỗi này?
Nói một cách ngắn gọn, AI Agent là phiên bản chuyên biệt hóa của LLM.
LLM hiện tại không phải AGI — tức không phải tổ chức L5 lý tưởng của OpenAI — do đó năng lực còn bị giới hạn nhiều. Ví dụ, khi nhận quá nhiều thông tin đầu vào từ người dùng, LLM dễ sinh ra ảo giác. Một nguyên nhân quan trọng nằm ở cơ chế huấn luyện: nếu bạn liên tục bảo GPT rằng 1+1=3, thì có xác suất nhất định rằng khi hỏi 1+1+1=? trong các tương tác tiếp theo, GPT sẽ trả lời là 4.
Bởi lúc này phản hồi của GPT hoàn toàn đến từ cá nhân người dùng. Nếu mô hình này không kết nối internet, thì hoàn toàn có thể bị thông tin của bạn thay đổi cơ chế hoạt động, và từ đó trở thành một GPT ngớ ngẩn chỉ biết 1+1=3. Nhưng nếu cho phép mô hình kết nối mạng, thì cơ chế phản hồi sẽ đa dạng hơn nhiều, vì trên mạng, phần lớn mọi người vẫn tin rằng 1+1=2.
Nâng độ khó lên nữa: nếu nhất định phải dùng LLM cục bộ (local), thì nên tránh vấn đề này như thế nào?
Một cách đơn giản và thô bạo là dùng đồng thời hai LLM, quy định mỗi lần trả lời phải được cả hai kiểm chứng lẫn nhau để giảm xác suất sai. Nếu vẫn chưa đủ, có thể áp dụng cách khác, ví dụ để hai người dùng xử lý một tiến trình: một người hỏi, một người điều chỉnh lại câu hỏi sao cho ngôn ngữ chuẩn xác và hợp lý hơn.
Tất nhiên, đôi khi kết nối mạng cũng không hoàn toàn tránh được vấn đề. Chẳng hạn LLM tra cứu phải câu trả lời từ «nhóm người ngốc nghếch», thì có thể còn tệ hơn. Nhưng nếu loại bỏ các dữ liệu kém chất lượng này thì lượng dữ liệu hữu ích sẽ giảm. Do đó, hoàn toàn có thể chia nhỏ, tổ chức lại dữ liệu hiện có, thậm chí tự sinh thêm dữ liệu mới dựa trên dữ liệu cũ để câu trả lời đáng tin cậy hơn. Thực tế, đây chính là cách hiểu tự nhiên của RAG (Retrieval-Augmented Generation — Sinh nội dung tăng cường bằng truy xuất).
Con người và máy móc cần hiểu nhau. Khi chúng ta để nhiều LLM hiểu và hợp tác lẫn nhau, bản chất đã chạm đến mô hình vận hành của AI Agent — tức đại diện con người để gọi các tài nguyên khác, thậm chí bao gồm cả mô hình lớn và các Agent khác.
Qua đó, chúng ta nắm được mối liên hệ giữa LLM và AI Agent: LLM là tập hợp tri thức, con người có thể giao tiếp qua cửa sổ hội thoại. Nhưng trong thực tiễn, ta phát hiện một số luồng công việc cụ thể có thể được khái quát thành các chương trình nhỏ, Bot, tập lệnh — ta gọi những thứ này là Agent.
AI Agent vẫn là một phần của LLM, hai khái niệm không thể đồng nhất. Cách thức gọi AI Agent nhấn mạnh đặc biệt vào việc phối hợp với các chương trình bên ngoài, LLM khác và các Agent khác, do đó mới có cảm thán AI Agent = LLM + API.
Do đó, trên luồng công việc của LLM, ta có thể bổ sung giải thích về AI Agent. Ví dụ, gọi dữ liệu API của X:
-
Người dùng mở cửa sổ trò chuyện;
-
Người dùng dùng ngôn ngữ tự nhiên (văn bản hoặc giọng nói) mô tả nhu cầu;
-
LLM phân tích thành nhiệm vụ AI Agent gọi API, và chuyển quyền hội thoại cho Agent này;
-
AI Agent hỏi người dùng tài khoản X và mật khẩu API, sau đó kết nối mạng với X theo mô tả của người dùng;
-
AI Agent trả kết quả cuối cùng về cho người dùng.
Bạn còn nhớ lịch sử tiến hóa tương tác người-máy chứ? Các thành phần như trình duyệt, API tồn tại từ Web 1.0 và Web 2.0 vẫn tiếp tục tồn tại, nhưng người dùng hoàn toàn có thể phớt lờ sự hiện diện của chúng, chỉ cần tương tác với AI Agent. Quá trình gọi API có thể diễn ra hoàn toàn qua hội thoại, và các dịch vụ API này có thể thuộc bất kỳ loại nào: dữ liệu cục bộ, thông tin trực tuyến, hoặc dữ liệu từ ứng dụng bên ngoài — miễn là đối phương mở cổng giao diện và người dùng có quyền truy cập.
Một quy trình sử dụng AI Agent hoàn chỉnh như hình trên. Trong đó, LLM có thể được xem là phần tách biệt với AI Agent, hoặc là hai giai đoạn con của một quá trình. Dù phân chia thế nào, cả hai đều phục vụ nhu cầu của người dùng.
Xét từ quá trình tương tác người-máy, thậm chí là người dùng đang tự đối thoại với chính mình. Bạn chỉ cần thoải mái diễn đạt suy nghĩ, AI/LLM/AI Agent sẽ lần lượt đoán nhu cầu của bạn. Nhờ cơ chế phản hồi và yêu cầu LLM ghi nhớ ngữ cảnh (context) hiện tại, AI Agent sẽ không đột ngột quên mất mình đang làm gì.
Tóm lại, AI Agent là sản phẩm mang tính nhân cách hóa cao hơn — đây là điểm khác biệt bản chất so với các kịch bản, công cụ tự động truyền thống. Nó giống như một quản gia riêng, luôn cân nhắc nhu cầu thực sự của người dùng. Tuy nhiên, cần nhấn mạnh rằng nhân cách này vẫn chỉ là kết quả của suy luận xác suất. AI Agent cấp độ L3 không có khả năng hiểu và biểu đạt như con người, do đó việc kết nối với API bên ngoài tiềm ẩn đầy rủi ro.
Khi framework AI được tiền tệ hóa
Việc framework AI có thể được tiền tệ hóa là một trong những lý do quan trọng khiến tôi vẫn giữ sự quan tâm với Crypto. Trong stack công nghệ AI truyền thống, framework không đóng vai trò then chốt — ít nhất không quan trọng bằng dữ liệu và năng lực tính toán. Phương thức biến sản phẩm AI thành tiền cũng khó bắt đầu từ framework, vì phần lớn các thuật toán và framework AI đều là sản phẩm mã nguồn mở. Thông tin thực sự kín đáo là dữ liệu và các yếu tố liên quan.
Bản chất, framework hoặc mô hình AI là một tập hợp chứa đựng các thuật toán, giống như chiếc nồi gang dùng để nấu ngỗng. Nhưng hương vị món ăn lại phụ thuộc vào giống ngỗng và kỹ năng điều lửa. Sản phẩm thực sự nên bán là con ngỗng, nhưng giờ đây khách hàng Web3 lại xuất hiện — họ muốn mua hộp mà trả lại món quà, mua nồi mà bỏ ngỗng.
Lý do không phức tạp: các sản phẩm AI của Web3 chủ yếu là học hỏi từ người khác, cải tiến các framework, thuật toán và sản phẩm AI đã có để tạo ra sản phẩm tùy chỉnh riêng. Thậm chí, về mặt nguyên lý kỹ thuật, các framework AI Crypto khác nhau cũng không khác biệt nhiều. Khi không thể phân biệt về mặt kỹ thuật, họ buộc phải làm bài toán về tên gọi, kịch bản ứng dụng... Do đó, mọi điều chỉnh nhỏ trên framework AI đều có thể trở thành cơ sở cho một loại token khác nhau, dẫn đến bong bóng framework AI Agent trong Crypto.
Do không cần tự bỏ tiền lớn để huấn luyện dữ liệu và thuật toán, nên chiến lược phân biệt qua tên gọi trở nên đặc biệt quan trọng. DeepSeek V3 dù rẻ đến đâu cũng cần tiêu tốn tóc của tiến sĩ, GPU và điện năng khổng lồ.
Theo một nghĩa nào đó, đây cũng là phong cách gần đây của Web3: nền tảng phát hành token giá trị hơn chính token — Pump.Fun, Hyperliquid đều như vậy. Ban đầu Agent phải là ứng dụng và tài sản, nhưng giờ đây framework phát hành Agent lại trở thành sản phẩm hot nhất.
Thực tế, đây cũng là một cách neo giá trị. Khi các Agent không có sự khác biệt rõ rệt, ngược lại framework Agent lại ổn định hơn, có thể tạo ra hiệu ứng hút giá trị trong việc phát hành tài sản. Đây là phiên bản 1.0 của sự kết hợp giữa Crypto và AI Agent hiện nay.
Phiên bản 2.0 đang dần hiện ra, tiêu biểu là sự kết hợp giữa DeFi và AI Agent. Khái niệm DeFAI đương nhiên là hành vi thị trường dưới tác động của cơn sốt, nhưng nếu xét các tình huống sau đây, ta sẽ thấy điều khác biệt:
-
Morpho đang thách thức các sản phẩm cho vay cũ như Aave;
-
Hyperliquid đang thay thế dYdX trong lĩnh vực phái sinh trên chuỗi, thậm chí thách thức hiệu ứng niêm yết của Binance trên sàn CEX;
-
Token ổn định đang trở thành công cụ thanh toán trong các kịch bản ngoài chuỗi.
Chính trong bối cảnh biến chuyển sâu sắc của DeFi, AI đang cải tiến logic cơ bản của DeFi. Nếu trước đây, logic lớn nhất của DeFi là xác minh tính khả thi của hợp đồng thông minh, thì AI Agent đang thay đổi logic sản xuất DeFi: bạn không cần hiểu DeFi để tạo ra sản phẩm DeFi. Đây là sự trao quyền ở tầng đáy sâu hơn cả việc trừu tượng hóa chuỗi.
Thời đại mà ai cũng có thể là lập trình viên đang đến rất gần. Các tính toán phức tạp có thể được thuê ngoài cho LLM và API phía sau AI Agent, còn cá nhân chỉ cần tập trung vào ý tưởng của mình. Ngôn ngữ tự nhiên có thể được chuyển đổi hiệu quả thành logic lập trình.
Kết luận
Bài viết này không đề cập bất kỳ token hay framework AI Agent nào trong Crypto, bởi Cookie.Fun đã làm rất tốt. Thứ tự nên là: nền tảng tổng hợp thông tin và phát hiện token AI Agent, sau đó là framework AI Agent, cuối cùng mới là các token Agent thoắt ẩn thoắt hiện. Việc liệt kê thêm thông tin trong bài viết lúc này đã mất giá trị.
Nhưng qua một thời gian quan sát, thị trường vẫn thiếu những thảo luận thực sự về việc Crypto AI Agent rốt cuộc đang hướng tới điều gì. Chúng ta không thể mãi chỉ bàn về con trỏ, mà cần nhìn vào sự thay đổi của bộ nhớ — đó mới là bản chất.
Chính khả năng bất tận trong việc tài sản hóa mọi đối tượng, mới là sức hấp dẫn cốt lõi của Crypto.
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
@zuoyeweb3
