Các chuyên gia cho rằng bằng chứng Zk mang lại lợi thế cho DePINs trong bối cảnh nhu cầu về sự tin cậy đối với AI ngày càng gia tăng

Mức cơ sở 7,6 nghìn tỷ USD

Báo cáo gần đây của Goldman Sachs chuyển hướng tranh luận từ việc liệu nhu cầu về trí tuệ nhân tạo (AI) có tồn tại hay không sang các yếu tố phía cung sẽ quyết định chi phí thực tế của việc mở rộng hạ tầng. Báo cáo dự báo chi tiêu vốn cho AI ở mức $7,6 nghìn tỷ USD làm cơ sở, nhưng nhấn mạnh con số này rất nhạy cảm với các "biến số biến động", bao gồm tuổi thọ hữu ích của chip AI.

Tuổi thọ này được coi là yếu tố quan trọng nhất vì sự đổi mới nhanh chóng có thể khiến các chip tiêu chuẩn – vốn thường có tuổi thọ từ bốn đến sáu năm – trở nên lỗi thời chỉ sau ba năm, khiến chi phí tăng vọt. Ngược lại, mô hình "tầng lớp" nơi các chip cũ được tái sử dụng cho các tác vụ đơn giản hơn, như suy luận, có thể ổn định chi phí.

Độ phức tạp của trung tâm dữ liệu và tính đàn hồi của nhu cầu tính toán là những biến số khác có khả năng ảnh hưởng đến mức chi tiêu vốn cho hạ tầng AI trong 5 năm tới. Sự thiếu hụt về công suất lưới điện, lao động chuyên môn và thiết bị điện cũng được xem là các yếu tố làm kéo dài quá trình xây dựng hạ tầng.

Trong khi đó, một báo cáo khác coi khoản chi tiêu khổng lồ cho hạ tầng này là nền tảng của một "nền kinh tế máy móc" đang nổi lên. Trong mô hình này, các tác nhân AI trở thành các chủ thể kinh tế chính, thực hiện các giao dịch tần suất cao và quản lý phân bổ tài nguyên một cách độc lập. Các tác giả của báo cáo cho rằng các hệ thống tài chính truyền thống, với chu kỳ thanh toán chậm và khung quy định "biết khách hàng của bạn" (KYC) cứng nhắc, về cơ bản không đủ khả năng đáp ứng tốc độ của thương mại do các tác nhân điều khiển.

Cơ sở hạ tầng phi tập trung và sự đánh đổi về độ trễ

Do đó, báo cáo này định vị tiền điện tử và các giao thức phi tập trung là những "đường ray kinh tế" thiết yếu, không cần phép, cần thiết để thúc đẩy sự chuyển đổi này. Tuy nhiên, những người hoài nghi vẫn tỏ ra thận trọng, đặt câu hỏi liệu các mạng hạ tầng vật lý phi tập trung (DePINs) có thực sự có thể giảm bớt yêu cầu vốn ngày càng tăng của AI hay không.

Vadim Taszycki, Trưởng bộ phận Phát triển tại StealthEX, lưu ý rằng mặc dù các mạng lưới phi tập trung có thể mang lại tiết kiệm chi phí đáng kể, chúng vẫn phải đối mặt với những hạn chế về mặt vật lý. Trong khi một nhà cung cấp phi tập trung như Akash có thể cho thuê GPU H100 với giá $1,48 mỗi giờ so với $12,30 trên Amazon Web Services, sự đánh đổi ở đây là tốc độ.
"Các nhà cung cấp đám mây lớn có thể làm [fast work] làm được điều đó vì các GPU của họ nằm sát nhau trong cùng một tòa nhà, được kết nối bằng các cáp đặc biệt truyền dữ liệu trong vài microgiây," Taszycki nói. Ông giải thích rằng các mạng lưới phi tập trung, vốn kết nối các GPU ở các quốc gia khác nhau qua internet công cộng, gây ra độ trễ tính bằng mili giây. Độ trễ này khiến việc điều phối phi tập trung phù hợp cho các tác vụ xử lý hàng loạt và tinh chỉnh mô hình, nhưng không phù hợp để phục vụ các chatbot quy mô lớn, thời gian thực, nơi trải nghiệm người dùng phụ thuộc vào phản hồi gần như tức thì.

Leo Fan, người sáng lập Cysic, cũng đồng tình với quan điểm này, khẳng định rằng suy luận phi tập trung không phù hợp với các tác vụ có độ trễ thấp. Tuy nhiên, Fan lập luận rằng độ trễ không phải là tiêu chí đúng đắn để so sánh các nền tảng phi tập trung với các nhà cung cấp quy mô lớn như AWS.

"Vấn đề khó khăn không phải là tính toán phân tán mà là phát hiện, lập lịch và chứng thực. Vấn đề không phải là giá trên mỗi token; mà là khả năng xác minh," Fan nói. Ông lưu ý rằng môi trường thực thi đáng tin cậy (TEE) và chứng thực kiến thức bằng không (ZK) cho phép các mạng phi tập trung cạnh tranh trong các lĩnh vực mà sự tin cậy và xác minh quan trọng hơn "độ trễ đuôi".

Tín dụng trên chuỗi và khoảng cách tài trợ

Ngoài tính toán, trọng tâm đang chuyển sang cách các dự án đòi hỏi vốn lớn này được tài trợ. Trong khi tín dụng tư nhân truyền thống có nguồn vốn dồi dào, nó thường bỏ qua các giao dịch nhỏ hơn hoặc không tiêu chuẩn. Tín dụng trên chuỗi mang lại những lợi thế riêng biệt, chẳng hạn như cho phép nhà đầu tư cá nhân tham gia vào doanh thu trung tâm dữ liệu vốn trước đây chỉ dành cho các đối tác hạn chế tổ chức. Hơn nữa, các nền tảng như Maple và Centrifuge có thể huy động các khoản vay trong khoảng từ $5 triệu đến $50 triệu — một phân khúc thường bị các công ty như Apollo bỏ qua do chi phí thẩm định cao so với phí.
Cuối cùng, tín dụng trên chuỗi cho phép các mô hình "trả tiền theo suy luận" mới, nơi doanh thu dao động theo mức sử dụng GPU. Các mô hình này phù hợp tự nhiên hơn với các cấu trúc chia sẻ doanh thu được token hóa so với các hợp đồng thuê truyền thống cứng nhắc kéo dài 20 năm.

Mặc dù có tiềm năng này, các chuyên gia chỉ ra bốn "rào cản" vẫn cản trở việc áp dụng của các tổ chức: khả năng thi hành pháp lý tại tòa án phá sản, thiếu cơ sở hạ tầng oracle chống giả mạo để thực thi các điều khoản hợp đồng, sự không chắc chắn về quy định đối với các khoản vay trị giá hàng tỷ đô la, và các sản phẩm thuế và kế toán chưa được tiêu chuẩn hóa.

Các ý kiến chung cho rằng cần khoảng thời gian từ 12 đến 24 tháng để các giao dịch hợp vốn quy mô trung bình có thể thu hút sự chú ý trên chuỗi, trong khi nợ mezzanine chủ yếu trên chuỗi có thể mất từ ba đến năm năm nữa. Những bước đột phá đầu tiên có thể sẽ đến từ các nhà khai thác cấp 2 chứ không phải các công ty hàng đầu trong ngành như Coreweave.