Cuộc đua AI Trung-Mỹ tiến nhanh tới điểm then chốt năm 2027, TẠI SAO là Monad?
Tuyển chọn TechFlowTuyển chọn TechFlow
Cuộc đua AI Trung-Mỹ tiến nhanh tới điểm then chốt năm 2027, TẠI SAO là Monad?
Monad là lựa chọn hàng đầu cho các dự án AI trên blockchain.
Chuyên sâu báo cáo Web3Tác giả: Harvey C
Từ năm ngoái, nhiệt huyết toàn cầu dành cho trí tuệ nhân tạo (AI) đã liên tục tăng cao. Dù là các gã khổng lồ công nghệ phương Tây hay các viện nghiên cứu trong nước, đều đang điên cuồng gia tăng đầu tư và đẩy nhanh tốc độ ra mắt các mô hình AI.
Trong bài viết này, chúng ta sẽ cùng thảo luận về tiềm năng to lớn và cơ hội trong tương lai của AI thông qua ba khía cạnh: tình hình hiện tại của cuộc đua AI Mỹ - Trung, kỳ vọng vào những cột mốc quan trọng có thể xuất hiện vào năm 2027, và lý do vì sao các dự án AI nên chọn xây dựng trên Monad.
1. Cuộc đua AI Mỹ - Trung: Tiến bộ thần tốc bất chấp giới hạn về sức mạnh tính toán
Gần đây, việc phía Mỹ phong tỏa các con chip xử lý dành cho ngành AI của Trung Quốc đã thu hút sự chú ý rộng rãi. Tuy nhiên, nhìn vào thành quả thực tế thì "nút thắt phần cứng" này không làm chậm đáng kể tiến trình nghiên cứu AI trong nước như nhiều người tưởng. Xét riêng về tốc độ cập nhật mô hình lớn gần đây giữa hai bên, khoảng cách hiện chỉ còn vài tháng, thậm chí ngắn hơn thế.
-
Sức mạnh của người theo sau: OpenAI vừa ra mắt “o1-preview” chưa đầy bốn tháng trước, còn phiên bản chính thức o1 cũng mới chỉ được chính thức phát hành một tháng trước. Gần như ngay lập tức, Trung Quốc đại lục đã có mô hình suy luận mở rộng với hiệu suất sánh ngang. Công ty DeepSeek thuộc tập đoàn định lượng hàng đầu Fantuan đã phát hành mô hình suy luận mã nguồn mở DeepSeek-R1, đạt điểm số tương đương o1 trên nhiều tiêu chí, thậm chí còn “gần gũi thực tế hơn” ở một số trường hợp tùy chỉnh. Trước đó, việc ra mắt DeepSeek-V3 đã khiến Llama 4 cảm nhận rõ áp lực bị vượt mặt từ phương Đông. Ngoài ra, Kimi đã ra mắt mô hình học tăng cường k1.5 hoàn toàn mới, là mô hình đa phương thức kiểu o1 đầu tiên sau OpenAI, có khả năng suy luận kết hợp cả văn bản và hình ảnh.
-
Bùng nổ đa phương thức giọng nói: chế độ thoại nâng cao GPT-4o của Douyin (Doubao) so kè với Gemini 2.0 và GPT-4o cũng nhanh chóng ra mắt tại thị trường nội địa. Những công nghệ này ban đầu được coi là độc quyền của nền tảng có sức mạnh tính toán dồi dào, nhưng rõ ràng các nhà sản xuất trong nước đã sử dụng nhiều thuật toán tối ưu hóa và lối đi vòng để vẫn đạt được tốc độ cập nhật nhanh dù tài nguyên tính toán còn hạn chế.
Từ loạt dấu hiệu này có thể thấy, dù khoảng cách về năng lực tính toán vẫn tồn tại, các nhà nghiên cứu AI trong nước vẫn đang bám sát từng bước tiến của phương Tây. Chỉ cần có người tiên phong thử nghiệm và vấp ngã, những người đi sau thường có thể tiết kiệm được khoản chi phí “va chạm đắt đỏ” đó.
2. Kinh nghiệm từ người dẫn đầu giúp người theo sau có cơ hội “chép bài”
Trong thời gian học sâu phát triển mạnh mẽ, hiểu biết của ngành về khuôn mẫu AI cũng không ngừng tiến hóa. Mô hình ngôn ngữ lớn (LLM) hiện là tâm điểm chú ý, song song với đó, một hướng đi khác – học tăng cường (Reinforcement Learning), đang dần thu hút lại sự quan tâm.
Sự tiến hóa của các khuôn mẫu AI
-
Các khuôn mẫu AI thay đổi theo thời đại: sự phát triển AI chia thành vài nhánh chính — Chủ nghĩa ký hiệu (Symbolism) lấy lập luận logic và logic hình thức làm cốt lõi, phù hợp với các nhiệm vụ xác định; Chủ nghĩa kết nối (Connectionism) mô phỏng cách tính toán của não người, dùng cấu trúc tầng lớp để nhận diện mẫu từ dữ liệu; AI Bayes (Xác suất) nhấn mạnh mô hình hóa sự bất định bằng xác suất; Học tăng cường (RL) tối ưu hành vi thông qua thử sai trong môi trường động; AI tiến hóa dùng nguyên lý chọn lọc tự nhiên để phát triển giải pháp; AI hỗn hợp kết hợp ưu điểm của nhiều khuôn mẫu nhằm tạo ra hệ thống mạnh mẽ và linh hoạt hơn. Các khuôn mẫu này luân phiên dẫn dắt ngành theo thời gian.
-
Sao chép nhanh và lặp lại: phương Tây đi trước một bước, Trung Quốc có thể nhanh chóng bắt kịp với chi phí thấp hơn sau khi mô hình đã được kiểm chứng. Ví dụ như mô hình đa phương thức hay mô hình suy luận kiểu o1. Con đường cũ thời Internet – nghiên cứu ở Âu-Mỹ, thương mại hóa tại Trung Quốc – giờ lại tái hiện, khi các nhóm Trung Quốc rút ngắn đáng kể thời gian bằng cách tái hiện và cải tiến, nhờ các tổ chức phương Tây đã dò đường và vấp phải lỗi trước.
DeepSeek của Trung Quốc gây áp lực lớn lên đối thủ Mỹ nhờ huấn luyện tăng cường với chi phí thấp hơn
Một mặt, các phòng thí nghiệm hàng đầu phương Tây đặt nền móng cho khám phá tiên phong; mặt khác, các nhóm Trung Quốc không chỉ đơn thuần bắt chước, mà còn liên tục “tổng hợp kiến thức”, đồng thời tìm ra hướng đi sáng tạo trong điều kiện tài nguyên tính toán hạn chế, đưa ra các giải pháp linh hoạt hơn trong học tăng cường và suy luận.
3. Học tăng cường có thể là bước đột phá tiếp theo của AI
Mô hình mới gần đây của DeepSeek sử dụng học tăng cường thay cho phần lớn quá trình tinh chỉnh giám sát (SFT), giảm sự phụ thuộc vào dữ liệu được gắn nhãn trong lĩnh vực cụ thể. Điều này mở ra khả năng tổng quát hóa theo ngành dọc: chỉ cần có một hàm thưởng rõ ràng, mô hình có thể tự cải thiện liên tục trong quá trình lặp lại. Trong chia sẻ mã nguồn 1, tôi thấy mô hình tự khám phá trong môi trường học tăng cường, giúp nó sở hữu khả năng tự tối ưu hóa ở mức độ nhất định.
Điều này có nghĩa là, miễn có đủ năng lực tính toán, mô hình có thể tiếp tục tiến hóa theo lộ trình RL mà không cần lượng lớn dữ liệu. Dù Mỹ đang hạn chế Trung Quốc về phần cứng và công nghệ, phương pháp “đi đường vòng” này làm giảm nhu cầu về tài nguyên huấn luyện quy mô lớn truyền thống, mở ra hy vọng đuổi kịp nhanh chóng cho nhiều nhà nghiên cứu Trung Quốc, và là mô hình đáng để các tổ chức khác muốn sở hữu mô hình lớn riêng học hỏi.
4. 2027 có thể là thời điểm then chốt của AI, khi hàng loạt công việc bị thay thế hoặc định nghĩa lại
Sự bứt phá thần tốc của AI khiến chúng ta phải suy ngẫm: tốc độ nhanh đến đâu và giới hạn nằm ở đâu? Gần đây, CEO Dario của Anthropic cho rằng: “Năm 2027, ta sẽ thấy các mô hình vượt trội hơn con người ở hầu hết mọi lĩnh vực”. Nguyên nhân chủ yếu nằm ở:
-
Lặp lại liên tục nhờ học tăng cường: khác với cách tiếp cận trước đây tách biệt rõ ràng “huấn luyện - kiểm thử - suy luận”, trong bối cảnh học sâu phát triển mạnh, đột phá tiếp theo của AI có thể dùng phương pháp kết hợp, ví dụ tích hợp học tăng cường để tự lặp lại, tự phản tư và cập nhật “trực tuyến”, giúp năng lực nhận thức tăng vọt.
-
Hỗ trợ mạnh mẽ từ vốn đầu tư công nghiệp: ông lớn sản xuất chip TSMC trong buổi công bố lợi nhuận gần đây cho biết, doanh thu từ mảng AI trong giai đoạn 2024–2029 dự kiến tăng trưởng kép hàng năm khoảng 45%, đến 2029 có thể đạt gần 20 lần so với 2024. Nhu cầu này chủ yếu đến từ các khoản đầu tư tính toán khổng lồ của OpenAI và các gã khổng lồ khác. Điều này cũng báo hiệu AI sẽ xâm nhập vào hầu như mọi lĩnh vực ứng dụng có thể tưởng tượng được.
AI trở thành lĩnh vực tăng trưởng nhanh nhất trong tương lai của TSMC
Năm 2027 rất có thể là thời điểm then chốt cho sự bứt phá nhanh chóng về năng lực AI. Vào thời điểm này, nhiều công việc trước đây cần đánh giá và sáng tạo của con người sẽ dần bị thay thế hoặc định nghĩa lại bởi mô hình, dẫn đến những thay đổi sâu sắc về hình thái xã hội và mô hình kinh tế.
Ví dụ, tôi rất thích Phân loại Bloom (Bloom's Taxonomy), do Benjamin Bloom đề xuất và trải qua nhiều lần sửa đổi, chia lĩnh vực nhận thức của con người thành sáu cấp độ. Với tốc độ phát triển vũ bão của AI, có lẽ đến năm 2027, ngoại trừ đánh giá và sáng tạo — thậm chí cả sáng tạo — mô hình lớn có thể hoàn thành tất cả các nhiệm vụ còn lại. Thời gian dành cho con người không còn nhiều. Vậy con người sẽ làm gì? Đó là chủ đề cho một cuộc thảo luận khác.
Blade Runner (Kẻ săn mộng) (1982)
5. Vì sao các dự án AI nên chọn phát triển trên hệ sinh thái Monad
Quay lại chủ đề chính, mối liên kết giữa blockchain và AI vẫn còn bị nhiều người xem là “thổi phồng khái niệm”. Nhưng tôi cho rằng, khi kết hợp với các đặc tính kỹ thuật của Monad, các dự án AI có thể mang lại giá trị ứng dụng độc đáo. Do đó, Monad là lựa chọn tối ưu để xây dựng các dự án AI trên blockchain, vì những lý do sau:
-
Dữ liệu phong phú sẵn có từ EVM: Việc sở hữu dữ liệu đa dạng và chất lượng cao cực kỳ quan trọng để huấn luyện các mô hình chính xác và mạnh mẽ hơn. Hệ sinh thái dựa trên EVM đã tích lũy từ lâu một khối lượng lớn dữ liệu hợp đồng, giao dịch và hành vi người dùng — những tài nguyên quý giá này có thể cung cấp ngữ cảnh huấn luyện cho AI. So với các nền tảng blockchain mới khởi đầu, hệ sinh thái EVM đã trưởng thành, trở thành “mỏ vàng dữ liệu” cho việc huấn luyện và suy luận AI.
-
MonadDB hỗ trợ dữ liệu thời gian thực: Việc thu thập thông tin mạng thời gian thực cực kỳ quan trọng đối với tính cập nhật của AI, đặc biệt trong lĩnh vực DeFi. Khả năng truy xuất dữ liệu tốc độ cao và phí Gas thấp của MonadDB cung cấp nền tảng mạnh mẽ để mô hình luôn truy vấn được thông tin mới nhất trên và ngoài chuỗi.
-
Môi trường tốc độ cao, chi phí thấp: Monad đạt thông lượng 10.000 giao dịch mỗi giây, thời gian tạo khối 1 giây, tạo điều kiện thuận lợi cho các hành vi kinh tế của Agent AI được triển khai, thông qua các thao tác như giao dịch, thế chấp, thanh toán trên chuỗi. Môi trường EVM của Monad cung cấp nền tảng hiệu quả, chi phí thấp, trao cho Agent AI những công cụ “thực chiến”. Phí giao dịch thấp giúp các “giao dịch nhỏ, tần suất cao” trở nên khả thi, mở rộng thêm nhiều kịch bản tương tác cho các Agent AI.
-
Thực thi song song: các nghiên cứu hiện tại cho thấy, sự cộng tác giữa các mô hình AI hỗn hợp có thể giải quyết các nhiệm vụ phức tạp và khó khăn hơn. Môi trường thực thi song song của Monad cho phép chạy đồng thời các “đàn Agent” (Agentic Swarms) trên chuỗi, tạo điều kiện cho nhiều mô hình phối hợp cùng lúc.
Tóm lại, mục tiêu là giúp các Agent AI hiện tại hoặc tương lai có thể xây dựng trên Monad, trải nghiệm mượt mà trong môi trường EVM, đồng thời tận dụng các giao thức và hạ tầng DeFi sẵn có để đặt nền móng cho thế hệ trải nghiệm AI tiếp theo.
6. Lời mời gửi đến các nhà phát triển AI nói tiếng Hoa
Giống như các bài viết và ví dụ AI liên quan mà đồng nghiệp của tôi là Jing và Evan đã nhắc đến nhiều lần trên X, Monad luôn hoan nghênh và hỗ trợ mạnh mẽ các dự án AI phát triển trên hệ sinh thái của mình. Tôi muốn bổ sung thêm góc nhìn từ lập trường của nhà phát triển nói tiếng Hoa:
-
Trong bối cảnh cạnh tranh AI Mỹ - Trung gay gắt, các nhà phát triển nói tiếng Hoa có thể gặp giới hạn về tài nguyên xuyên quốc gia hoặc hợp tác quốc tế.
-
Tuy nhiên, thế giới blockchain đề cao tính toàn cầu và phi tập trung. Trên Monad, bạn có thể hướng tới người dùng toàn cầu mà không lo bị “gán nhãn”, đồng thời tận dụng ưu thế phi tập trung để vượt qua rào cản địa chính trị và công nghệ.
Monad chân thành mời gọi các chuyên gia và nhà phát triển AI cùng tham gia hệ sinh thái, cùng nhau xây dựng những sản phẩm đổi mới thuộc về người dùng và chủ quyền cá nhân. Chúng tôi chào đón những nhà sáng lập đầy tham vọng phát triển trên Monad, cam kết hỗ trợ thành công thông qua nhiều chương trình như evm/accathon đang diễn ra, Mach Accelerator, Jumpstart Program, The Studio, The Foundry, Monad Madness, v.v. Dù bạn muốn xây dựng mô hình giao dịch tài chính AI trên blockchain, hay phát triển robot phi tập trung có khả năng học thích nghi, Monad đều cung cấp hỗ trợ kỹ thuật tốc độ cao, chi phí thấp và độ mở rộng lớn hơn.
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
@Harveycww
