Gió mạnh hay giả thuyết? Giá trị của AI + Web3 ở đâu?

Sự trỗi dậy của AI Crypto không phải là chuyện hão huyền, mà là một sự tái cấu trúc hệ thống từ dưới lên.

Tác giả: TinTinLand

Đến năm 2025, nhiệt độ câu chuyện “AI + Web3” vẫn không giảm. Theo báo cáo gần đây nhất của Grayscale được phát hành vào tháng 5 năm 2025, tổng giá trị thị trường của lĩnh vực AI Crypto đã đạt 21 tỷ USD, tăng gần năm lần so với 4,5 tỷ USD trong quý 1 năm 2023.

Đằng sau làn sóng này, có phải là sự kết hợp công nghệ thực sự, hay lại chỉ là một lần đóng gói khái niệm nữa?

Từ góc độ vĩ mô, hệ sinh thái AI truyền thống đã bộc lộ ngày càng nhiều vấn đề cấu trúc: ngưỡng đào tạo mô hình cao, quyền riêng tư dữ liệu không được đảm bảo, sức mạnh tính toán bị độc quyền cao, quá trình suy diễn trở thành hộp đen, cơ chế khuyến khích mất cân bằng… Và những điểm đau này chính là những lợi thế nguyên thủy của Web3: phi tập trung, cơ chế thị trường mở, có thể xác minh trên chuỗi, quyền sở hữu dữ liệu của người dùng, v.v.

Sự kết hợp giữa AI và Web3 không chỉ đơn thuần là sự chồng chéo của hai thuật ngữ phổ biến, mà là một sự bổ sung công nghệ mang tính cấu trúc. Hãy bắt đầu từ một số điểm đau cốt lõi mà AI đang phải đối mặt hiện nay, đi sâu vào phân tích những dự án Web3 thực sự giải quyết vấn đề, giúp bạn nhận thấy giá trị và hướng đi của lĩnh vực AI Crypto.

🤖 Ngưỡng truy cập dịch vụ AI quá cao, chi phí đắt đỏ

Dịch vụ AI hiện tại thường có chi phí cao, khó khăn trong việc tiếp cận tài nguyên đào tạo, khiến cho các doanh nghiệp vừa và nhỏ cũng như các nhà phát triển cá nhân gặp nhiều rào cản; ngoài ra, những dịch vụ này thường rất phức tạp về mặt kỹ thuật, cần có nền tảng chuyên môn để có thể sử dụng. Thị trường dịch vụ AI rất tập trung, người dùng thiếu sự lựa chọn đa dạng, chi phí gọi dịch vụ không minh bạch, ngân sách khó dự đoán, thậm chí còn phải đối mặt với vấn đề độc quyền tính toán.

Giải pháp Web3 là phá vỡ rào cản nền tảng theo cách phi tập trung, xây dựng thị trường GPU mở và mạng dịch vụ mô hình, hỗ trợ lập lịch linh hoạt tài nguyên nhàn rỗi, và thông qua lập lịch nhiệm vụ trên chuỗi và cơ chế kinh tế minh bạch, khuyến khích nhiều người tham gia đóng góp sức mạnh tính toán và mô hình, giảm chi phí tổng thể và nâng cao khả năng tiếp cận dịch vụ.

đại diện cho dự án

• Render Network: Tập trung vào việc render GPU phi tập trung, cũng hỗ trợ suy diễn và đào tạo AI, áp dụng mô hình “trả theo mức sử dụng”, giúp các nhà phát triển kết nối dịch vụ tạo hình ảnh và AI với chi phí thấp.
• Gensyn: Xây dựng mạng lưới đào tạo học sâu phi tập trung, sử dụng cơ chế Proof-of-Compute để xác minh kết quả đào tạo, thúc đẩy đào tạo AI chuyển từ tập trung trên nền tảng sang hợp tác mở.
• Akash Network: Nền tảng điện toán đám mây phi tập trung dựa trên công nghệ blockchain, cho phép các nhà phát triển thuê tài nguyên GPU theo nhu cầu, để triển khai và chạy các ứng dụng AI, là “phi tập trung hóa điện toán đám mây”.
• 0G Labs: Layer‑1 gốc AI phi tập trung, thông qua kiến trúc tách biệt lưu trữ và tính toán sáng tạo, đã giảm đáng kể chi phí và độ phức tạp của việc vận hành mô hình AI trên chuỗi.

🤖 Thiếu động lực cho người đóng góp dữ liệu

Dữ liệu chất lượng cao là nguyên liệu cốt lõi của mô hình AI, nhưng trong mô hình truyền thống, những người đóng góp dữ liệu rất khó để nhận được phần thưởng. Nguồn gốc dữ liệu không minh bạch, tính lặp lại cao, cách sử dụng thiếu phản hồi khiến cho hệ sinh thái dữ liệu hoạt động kém hiệu quả trong thời gian dài.

Web3 cung cấp một mô hình giải quyết hoàn toàn mới: thông qua chữ ký mã hóa, quyền xác nhận trên chuỗi và cơ chế kinh tế có thể kết hợp, tạo ra một vòng hợp tác và khuyến khích rõ ràng giữa những người đóng góp dữ liệu, các nhà phát triển mô hình và người sử dụng.

đại diện cho dự án

• OpenLedger: Đề xuất sáng tạo khái niệm «Payable AI», kết hợp đóng góp dữ liệu, gọi mô hình và động lực kinh tế, thúc đẩy hình thành mạng lưới kinh tế dữ liệu hợp tác AI trên chuỗi.
• Bittensor: Sử dụng một hệ thống khuyến khích hoàn chỉnh dựa trên phần thưởng TAO, cơ chế đồng thuận Yuma, khuyến khích chính xác trên subnet, hợp tác tri thức, liên kết trực tiếp giữa việc đóng góp dữ liệu và kết quả vận hành mô hình, nâng cao giá trị đóng góp tổng thể.
• Grass：Mạng dữ liệu AI, thu thập dữ liệu hành vi duyệt web của người dùng thông qua các plugin, đóng góp vào việc đào tạo công cụ tìm kiếm trên chuỗi, người dùng nhận được phần thưởng theo chất lượng dữ liệu, xây dựng cơ chế chia sẻ dữ liệu do cộng đồng điều khiển.

🤖 Mô hình trở thành hộp đen, suy luận AI không thể xác minh

Quá trình suy diễn của các mô hình AI hiện nay là một hộp đen cao độ, người dùng không thể xác minh độ chính xác và độ tin cậy của kết quả, đặc biệt là trong các lĩnh vực rủi ro cao như tài chính và y tế, vấn đề càng trở nên nổi bật. Hơn nữa, các mô hình có thể bị tấn công như bị làm giả, bị đầu độc, rất khó để truy xuất nguồn gốc hoặc kiểm tra.

Để làm điều đó, các dự án Web3 đang cố gắng đưa vào các bằng chứng không kiến thức (ZK), mã hóa đồng nhất hoàn toàn (FHE) và môi trường thi hành đáng tin cậy (TEE), làm cho quá trình suy diễn mô hình có khả năng xác minh và kiểm toán, nâng cao tính giải thích và cơ sở lòng tin của hệ thống AI.

đại diện cho dự án

• Sentient: Đảm bảo rằng hành vi gọi có thể được theo dõi thông qua công nghệ nhận diện dấu vân tay mô hình sáng tạo, nâng cao tính minh bạch trong việc sử dụng mô hình và khả năng chống giả mạo.
• Modulus Labs: Sử dụng công nghệ ZK để thực hiện xác minh mã hóa quá trình suy diễn mô hình, đạt được một mô hình mới về “AI đáng tin cậy”.
• Giza: Sử dụng mật mã không biết để đưa tính toán suy luận học máy lên chuỗi, từ đó nâng cao tính minh bạch và độ tin cậy của việc triển khai mô hình AI.

🤖 Rủi ro về quyền riêng tư và an ninh

Quá trình đào tạo AI thường liên quan đến một lượng lớn dữ liệu nhạy cảm, đối mặt với các rủi ro như rò rỉ quyền riêng tư, lạm dụng hoặc tấn công mô hình, thiếu minh bạch trong quyết định. Đồng thời, sự phân định quyền sở hữu dữ liệu và mô hình không rõ ràng, làm gia tăng thêm những rủi ro về an ninh.

Nhờ vào tính không thể thay đổi của blockchain, công nghệ tính toán mã hóa (như ZK, FHE), và môi trường thực thi đáng tin cậy, đảm bảo an ninh và khả năng kiểm soát dữ liệu và mô hình của hệ thống AI trong toàn bộ quá trình huấn luyện, lưu trữ và gọi.

đại diện cho dự án

• Phala Network: Cung cấp hỗ trợ môi trường thực thi tin cậy (TEE), đóng gói các tính toán quan trọng trong phần cứng an toàn, ngăn chặn rò rỉ dữ liệu và việc đánh cắp mô hình.
• ZAMA: Tập trung vào công nghệ mã hóa toàn phần (FHE), cho phép việc huấn luyện và suy diễn mô hình có thể diễn ra trong trạng thái mã hóa, thực hiện “tính toán mà không cần đến văn bản rõ”.
• Mind Network: Xây dựng nền tảng chia sẻ dữ liệu và suy diễn AI phi tập trung hỗ trợ bảo vệ quyền riêng tư, thông qua các công nghệ mã hóa tiên tiến (như mã hóa đồng hình, chứng minh không kiến thức, v.v.) để thực hiện chia sẻ dữ liệu an toàn và tính toán quyền riêng tư.
• Vana: Một ứng dụng tạo danh tính AI, nhằm giúp người dùng lấy lại quyền sở hữu và kiểm soát dữ liệu của chính mình, đảm bảo tính riêng tư và an toàn của dữ liệu.

🤖 Bản quyền mô hình AI và tranh chấp quyền sở hữu trí tuệ

Hiện nay, việc đào tạo các mô hình AI sử dụng rất nhiều dữ liệu từ Internet, nhưng thường xuyên sử dụng nội dung được bảo vệ bản quyền mà không có sự cho phép, dẫn đến nhiều tranh chấp pháp lý. Đồng thời, quyền sở hữu bản quyền của nội dung do AI tạo ra không rõ ràng, việc phân chia quyền lợi giữa các tác giả, nhà phát triển mô hình và người sử dụng thiếu cơ chế minh bạch. Tình trạng mô hình bị sao chép và đánh cắp một cách ác ý cũng rất phổ biến, việc bảo vệ quyền sở hữu trí tuệ gặp nhiều khó khăn.

Web3 thông qua cơ chế xác nhận trên chuỗi, sẽ lưu trữ thời gian tạo mô hình, nguồn dữ liệu huấn luyện, thông tin về người đóng góp, và sử dụng NFT, hợp đồng thông minh và các công cụ khác để xác định quyền sở hữu bản quyền của mô hình hoặc nội dung.

đại diện cho dự án

• Story Protocol: Xây dựng giao thức sở hữu trí tuệ trên chuỗi, cho phép nội dung AI, mã, mô hình, v.v… được xác quyền, kết hợp và cấp phép theo cách mô-đun, thực hiện cơ chế “sáng tác tức thì xác quyền, gọi là trả phí”.
• Alethea AI: Mô hình AI sinh ra được liên kết với danh tính trên chuỗi và NFT (như nhân vật, giọng nói, v.v.), mỗi nhân vật AI đều có thông tin rõ ràng về người sáng tạo và bản quyền, tránh lạm dụng và đạo nhái.

🤖 Thiếu hụt quản trị AI phi tập trung

Sự phát triển và tiến hóa của các mô hình AI hiện tại phụ thuộc rất nhiều vào các công ty công nghệ lớn hoặc các nhóm kín, nhịp độ cập nhật mô hình không minh bạch, giá trị thiên lệch khó được điều chỉnh, dễ dẫn đến sự thiên lệch trong thuật toán, lạm dụng và xu hướng “phong kiến công nghệ”. Cộng đồng và người dùng thường không thể can thiệp vào lộ trình cập nhật mô hình, điều chỉnh tham số hoặc ranh giới hành vi, thiếu cơ chế để giám sát và điều chỉnh hiệu quả các hệ thống AI.

Lợi ích của Web3 nằm ở việc quản trị có thể lập trình và cơ chế hợp tác mở. Nhờ vào quản trị trên chuỗi, cơ chế DAO và cấu trúc khuyến khích, thiết kế mô hình AI, mục tiêu đào tạo, cập nhật tham số và các khía cạnh quan trọng khác có thể dần dần được đưa vào sự đồng thuận của cộng đồng, nâng cao tính dân chủ, minh bạch và đa dạng trong phát triển mô hình.

đại diện cho dự án

• Fetch.ai: Giới thiệu đại lý kinh tế tự trị (AEA) và cơ chế quản trị mở, cho phép hành vi của các tác nhân AI bị ràng buộc bởi các quy tắc cộng đồng, và phối hợp hợp tác giữa các tác nhân thông qua các khuyến khích kinh tế.
• SingularityNET: Đóng gói dịch vụ AI thành các mô-đun chuỗi có thể kết hợp, người dùng có thể lựa chọn hoặc thay thế mô hình trên thị trường mở, và cơ chế quản trị của nền tảng hỗ trợ đánh giá chất lượng mô hình và dịch vụ cũng như đề xuất cải tiến.

🤖 Vấn đề hợp tác AI xuyên chuỗi

Trong môi trường đa chuỗi, các tác nhân AI và mô hình có thể phân bố trên các chuỗi khối khác nhau, khó khăn trong việc thống nhất trạng thái, ngữ cảnh hoặc logic gọi, dẫn đến trải nghiệm người dùng bị chia cắt, phát triển phức tạp, dữ liệu khó đồng bộ.

Một số dự án đang khám phá “Giao thức AI đa chuỗi”, cố gắng thúc đẩy tính liên tục và nhất quán của các tác nhân AI hoạt động trên nhiều chuỗi thông qua việc chia sẻ ngữ cảnh, giao tiếp giữa các chuỗi và cơ chế đồng bộ trạng thái.

đại diện cho dự án

• OpenPond: Sử dụng giao thức MCP liên chuỗi để kết nối các mô hình AI và agent trên các chuỗi khác nhau, thực hiện đồng bộ trạng thái gọi và chia sẻ ngữ cảnh, đơn giản hóa các tình huống hợp tác đa chuỗi.
• Lava Network: Cung cấp dịch vụ RPC và cầu dữ liệu xuyên chuỗi, mở ra kênh giao tiếp cơ sở cho các hệ thống AI đa chuỗi, hỗ trợ đồng bộ dữ liệu agent và thực hiện nhiệm vụ thống nhất.
• Virtuals Protocol: Thông qua giao thức hợp tác thông minh ACP (Agent Commerce Protocol), hỗ trợ quy trình yêu cầu, thương lượng, thực hiện và thanh toán giữa các agent. Công nghệ đồng bộ song song “Parallel Hypersynchronicity” cho phép agent AI hoạt động song song trên nhiều nền tảng, đồng bộ hành vi và bộ nhớ theo thời gian thực.

🎯 Kết luận

Sự trỗi dậy của AI Crypto không phải là lời nói suông, mà là một cuộc tái cấu trúc hệ thống từ dưới lên: nó đã phá vỡ những rào cản tập trung của kỷ nguyên mô hình lớn, dần dần xây dựng một mô hình AI mới mà mọi người đều có thể tham gia, minh bạch và đáng tin cậy, được thúc đẩy bởi sự hợp tác ở các chiều kích như sức mạnh tính toán, dữ liệu, động lực, an ninh và quản trị.

Hiện tại, lĩnh vực này đã bước vào giai đoạn hạ cánh sản phẩm thực chất từ giai đoạn ý tưởng. Người ta tin rằng những dự án AI Crypto thực sự có thể tạo ra giá trị thực sự và giải quyết các điểm khó khăn cốt lõi sẽ có cơ hội dẫn đầu làn sóng phát triển tiếp theo trong kỷ nguyên AI và thúc đẩy sự phát triển của công nghệ AI theo hướng cởi mở, công bằng và đáng tin cậy hơn.