Giá token AI Agent giảm không phanh, có phải do MCP quá hot?
Tuyển chọn TechFlowTuyển chọn TechFlow
Giá token AI Agent giảm không phanh, có phải do MCP quá hot?
Điểm then chốt để chinh phục Agent web3 thực sự nằm ở việc làm sao để "luồng công việc phức tạp" của Agent AI có thể phù hợp càng nhiều càng tốt với "luồng xác minh đáng tin cậy" của blockchain.
Chuyên sâu báo cáo Web3Tác giả: Haotian
Có người bạn nói rằng việc các dự án web3 AI Agent như #ai16z, arc liên tục giảm giá là do giao thức MCP đang gây sốt gần đây? Nghe thoáng qua thì hơi bối rối, WTF, có liên quan gì đâu? Nhưng suy nghĩ kỹ lại thì thấy cũng có chút logic: cách định giá cho các web3 AI Agent hiện tại đã thay đổi, hướng kể chuyện (narrative) và lộ trình sản phẩm cần phải điều chỉnh khẩn trương! Dưới đây là quan điểm cá nhân tôi:
1) MCP (Model Context Protocol) là một giao thức mã nguồn mở nhằm giúp các mô hình AI LLM/Agent kết nối liền mạch với nhiều nguồn dữ liệu và công cụ khác nhau – giống như một cổng USB "chuẩn hóa" kiểu cắm vào là dùng, thay thế phương pháp đóng gói "riêng biệt" từ đầu đến cuối trước kia.
Nói đơn giản, trước đây các ứng dụng AI thường tồn tại trong những “hồ cô lập dữ liệu”, muốn cho Agent/LLM trao đổi thông tin thì mỗi bên phải tự phát triển API gọi riêng, quy trình phức tạp, thiếu tính tương tác hai chiều, thường bị giới hạn quyền truy cập mô hình.
Sự xuất hiện của MCP giống như cung cấp một khuôn khổ thống nhất, giúp các ứng dụng AI thoát khỏi tình trạng “hồ dữ liệu”, mở ra khả năng truy cập "động" tới dữ liệu và công cụ bên ngoài, giảm đáng kể độ phức tạp trong phát triển và nâng cao hiệu suất tích hợp, đặc biệt thúc đẩy mạnh mẽ trong tự động hóa tác vụ, truy vấn dữ liệu thời gian thực và hợp tác đa nền tảng.
Đến đây, nhiều người lập tức nghĩ ngay: Nếu Manus – dự án tiên phong hợp tác đa Agent – tích hợp khung mã nguồn mở MCP hỗ trợ đa Agent này thì chẳng phải vô đối sao?
Đúng vậy, chính Manus + MCP là yếu tố then chốt khiến web3 AI Agent hiện nay chịu tác động mạnh.
2) Nhưng điều kỳ lạ ở chỗ, dù Manus hay MCP đều là các tiêu chuẩn giao thức và khung làm việc hướng đến LLM/Agent web2, giải quyết vấn đề tương tác và hợp tác giữa các máy chủ tập trung. Quyền kiểm soát và truy cập của chúng vẫn phụ thuộc vào việc các nút máy chủ "chủ động" mở cửa – nói cách khác, chúng chỉ mang tính chất công cụ mã nguồn mở.
Lý lẽ thông thường cho rằng, điều này hoàn toàn trái ngược với tinh thần cốt lõi của web3 AI Agent như “máy chủ phân tán, hợp tác phân tán, kích thích phân tán”... Làm sao pháo Ý tập trung lại có thể phá được pháo đài phi tập trung?
Nguyên nhân sâu xa nằm ở chỗ, thế hệ đầu tiên của web3 AI Agent quá “giống web2”. Một phần vì nhiều đội ngũ xuất thân từ web2, thiếu hiểu biết sâu sắc về nhu cầu bản địa (native) của web3. Ví dụ, khung ElizaOS ban đầu chỉ là một bộ khung đóng gói giúp nhà phát triển triển khai nhanh ứng dụng AI Agent, tích hợp các nền tảng như Twitter, Discord và các API từ OpenAI, Claude, DeepSeek… đồng thời đóng gói sơ bộ các khung cơ bản như Memory, Character để hỗ trợ phát triển nhanh. Nhưng nếu xét kỹ, bộ khung dịch vụ này khác gì so với các công cụ mã nguồn mở của web2? Có lợi thế cạnh tranh khác biệt nào không?
Ừ thì, khác biệt duy nhất có phải là mô hình Tokenomics? Rồi dùng một bộ khung mà web2 có thể dễ dàng thay thế, để khuyến khích hàng loạt AI Agent ra đời chỉ nhằm mục đích phát hành tiền mới? Sợ thật... Theo logic này, bạn sẽ hiểu tại sao Manus + MCP lại có thể tạo ra cú sốc với web3 AI Agent.
Bởi vì phần lớn các khung và dịch vụ web3 AI Agent hiện nay chỉ giải quyết nhu cầu phát triển nhanh và triển khai ứng dụng tương tự web2 AI Agent, nhưng lại không theo kịp tốc độ đổi mới của web2 về tiêu chuẩn dịch vụ và lợi thế khác biệt. Do đó, thị trường và vốn đã tiến hành định giá lại thế hệ web3 AI Agent trước đó.
3) Đến đây, nguyên nhân căn bản đã rõ. Vậy phá vỡ cục diện này bằng cách nào? Chỉ có một con đường: tập trung xây dựng các giải pháp bản địa (native) dành riêng cho web3, bởi kiến trúc vận hành và kích thích phân tán mới là lợi thế tuyệt đối khác biệt của web3.
Lấy ví dụ các nền tảng dịch vụ điện toán đám mây phân tán, dữ liệu, thuật toán... Nhìn bề ngoài, kiểu tập hợp tài nguyên rảnh rỗi này ngắn hạn khó đáp ứng nhu cầu đổi mới kỹ thuật, trong khi các AI LLM web2 đang chạy đua vũ trang tập trung tài nguyên để đột phá hiệu suất, thì mô hình "tài nguyên rảnh, chi phí thấp" tự nhiên bị các nhà phát triển web2 và các quỹ VC coi thường.
Nhưng khi web2 AI Agent vượt qua giai đoạn chạy đua hiệu suất, chắc chắn sẽ chuyển sang mở rộng theo chiều dọc – phát triển ứng dụng chuyên biệt và tối ưu hóa mô hình nhỏ – lúc đó mới thực sự bộc lộ lợi thế của dịch vụ tài nguyên web3.
Thực tế, khi các AI web2 đã leo lên vị trí đại gia bằng cách độc quyền tài nguyên, họ rất khó quay lại tư duy “bao vây thành thị từ nông thôn”, từng bước phá vỡ từng phân khúc. Lúc đó chính là thời điểm các nhà phát triển dư thừa web2 AI kết hợp cùng tài nguyên web3 AI cùng bùng nổ.
Thật ra, ngoài bộ khung triển khai nhanh + khung giao tiếp đa Agent + câu chuyện phát hành token của web2, web3 AI Agent còn rất nhiều hướng đổi mới bản địa (web3 native) đáng để khám phá:
Ví dụ, xây dựng một khung hợp tác đạt đồng thuận phân tán, cân nhắc đặc điểm tính toán off-chain của mô hình LLM lớn + lưu trữ trạng thái on-chain, đòi hỏi nhiều thành phần phù hợp.
1. Một hệ thống xác thực danh tính DID phi tập trung, giúp Agent sở hữu danh tính trên chuỗi có thể xác minh – giống như máy ảo tạo địa chỉ duy nhất cho hợp đồng thông minh – chủ yếu phục vụ theo dõi và ghi nhận trạng thái sau này;
2. Một hệ thống Oracle phi tập trung, chịu trách nhiệm thu thập và xác minh dữ liệu off-chain một cách đáng tin cậy. Khác với Oracle truyền thống, hệ thống Oracle dành riêng cho AI Agent này có thể cần kết hợp nhiều cấu trúc Agent gồm tầng thu thập dữ liệu, tầng đồng thuận ra quyết định, tầng phản hồi thực thi – để đảm bảo dữ liệu, tính toán và quyết định off-chain của Agent có thể cập nhật tức thì on-chain;
3. Một hệ thống lưu trữ phân tán DA, do trạng thái kho tri thức khi AI Agent vận hành mang tính bất định, quá trình suy luận cũng tạm thời – cần một hệ thống lưu trữ phân tán ghi lại kho trạng thái chính và đường dẫn suy luận phía sau LLM, đồng thời cung cấp cơ chế chứng minh dữ liệu kiểm soát chi phí, đảm bảo tính sẵn có dữ liệu khi xác minh trên blockchain công cộng;
4. Một lớp tính toán riêng tư ZKP (bằng chứng không kiến thức), có thể tích hợp các giải pháp như TEE, FHE... để thực hiện tính toán riêng tư thời gian thực + xác minh chứng minh dữ liệu, giúp Agent tiếp cận nguồn dữ liệu chuyên biệt (y tế, tài chính) rộng rãi hơn, từ đó hình thành nhiều Agent dịch vụ chuyên biệt chuyên môn hóa;
5. Một giao thức tương tác đa chuỗi (cross-chain interoperability), tương tự khung do giao thức MCP mã nguồn mở định nghĩa, nhưng khác ở chỗ, giải pháp Interoperability này cần có cơ chế relay và điều phối truyền tải, xác minh phù hợp với việc vận hành Agent, giải quyết bài toán chuyển tài sản và đồng bộ trạng thái giữa các chuỗi khác nhau – đặc biệt là đồng bộ các trạng thái phức tạp như ngữ cảnh Agent, Prompt, kho tri thức, Memory…;
……
Theo tôi, trọng tâm thực sự của web3 AI Agent nên đặt vào việc làm sao để "luồng công việc phức tạp" của AI Agent có thể khớp càng nhiều càng tốt với "luồng xác minh tin cậy" của blockchain. Những giải pháp gia tăng này có thể được nâng cấp từ các dự án cũ theo narrative cũ, hoặc được xây dựng lại từ đầu bởi các dự án mới trên赛道 kể chuyện AI Agent.
Đây mới chính là hướng đi mà web3 AI Agent nên nỗ lực xây dựng, là nền tảng cơ bản cho hệ sinh thái đổi mới phù hợp với câu chuyện lớn AI + Crypto. Nếu không tạo ra đổi mới, thiết lập rào cản cạnh tranh khác biệt, thì mỗi lần web2 AI có biến động nhỏ, cũng có thể khiến web3 AI đảo điên trời đất.
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
Haotian | CryptoInsight
