1. Hook: Một sự kiện làm rung chuyển cả hai thế giới
Đầu tháng 4 năm 2025, NVIDIA bất ngờ phát hành một bộ mô hình ngôn ngữ lớn (LLM) dưới dạng "trọng số mở" (open-weight). Không có tiếng trống rình rang, chỉ là một dòng tweet ngắn từ tài khoản @NVIDIAAI: "Chúng tôi tin rằng tương lai của AI là tùy biến và đáng tin cậy. Hãy tải xuống bộ mô hình mới của chúng tôi tại build.nvidia.com". Ngay lập tức, cộng đồng AI sôi sục. Nhưng với tôi – một kẻ săn narrative blockchain suốt 8 năm – sự kiện này còn mang một hàm ý sâu xa hơn nhiều. Nó không chỉ là cuộc chơi giữa các ông lớn công nghệ, mà là một đòn giáng trực diện vào giấc mơ "AI phi tập trung" mà các dự án crypto đang theo đuổi.
Hãy tưởng tượng: Bittensor (TAO) đang xây dựng một mạng lưới máy tính phân tán để huấn luyện AI. Render Network (RNDR) đang kết nối GPU rải rác toàn cầu cho rendering. Akash Network (AKT) cung cấp cloud computing phi tập trung. Tất cả đều dựa trên một tiền đề: Các mô hình AI nguồn mở, có thể tải về và chạy trên bất kỳ phần cứng nào. Nhưng NVIDIA vừa tung ra một thứ còn nguy hiểm hơn: mô hình trọng số mở được tối ưu hóa một cách tinh vi cho GPU của chính hãng. Điều này giống như việc bạn xây cả một thành phố trên nền cát, và bỗng nhiên người bán cát lại đổ bê tông xuống, khiến nền của thành phố bên cạnh vững chắc hơn, còn của bạn bắt đầu lún.
2. Context: Câu chuyện của AI phi tập trung – từ giấc mơ đến hiện thực
Để hiểu được tác động của NVIDIA, chúng ta cần quay lại năm 2017. Khi đó, tôi mới bắt đầu săn ICO, OmiseGO làm tôi say mê với ý tưởng plasma scaling. Nhưng đến năm 2021, khi NFT bùng nổ, tôi nhận ra rằng câu chuyện lớn nhất không phải là token utility, mà là “sức mạnh tính toán”. Các dự án như Golem, iExec, và sau đó là Akash đã khơi mào cho khái niệm “thị trường tính toán phi tập trung”. Họ hứa hẹn rằng bất kỳ ai cũng có thể cho thuê GPU nhàn rỗi của mình, và bất kỳ ai cũng có thể thuê chúng để chạy AI với chi phí thấp hơn AWS.
Đến năm 2023, Bittensor ra đời, đưa khái niệm lên một tầm cao mới: không chỉ là tính toán, mà còn là huấn luyện mô hình một cách phân tán. Các subnet của Bittensor cạnh tranh với nhau trong các nhiệm vụ như sinh văn bản, dịch thuật, tạo code. Token TAO tăng vọt, và cộng đồng crypto reo hò: “Chúng ta sẽ có một ChatGPT mở, do cộng đồng sở hữu!”.
Nhưng có một vấn đề: Tất cả các mô hình nguồn mở (Llama, Mistral, Qwen) đều được huấn luyện trên cụm GPU của các công ty tập trung (Meta, Mistral AI, Alibaba). Các mạng phi tập trung chỉ là lớp vận hành inference hoặc fine-tuning, chứ không thực sự sở hữu quy trình huấn luyện từ đầu. NVIDIA hiểu rõ điểm yếu này. Bằng cách phát hành mô hình trọng số mở được tối ưu hóa cho GPU của mình, họ không chỉ cạnh tranh với OpenAI, mà còn phá hủy chính nền tảng của AI phi tập trung.
3. Core: Cơ chế câu chuyện – Tại sao NVIDIA lại nguy hiểm hơn bạn nghĩ?
3.1. Open-weight không phải open-source
Điều đầu tiên cần làm rõ: “trọng số mở” (open-weight) không tương đương với “mã nguồn mở” (open-source). Khi Meta phát hành Llama 3, bạn có thể tải về trọng số, nhìn vào kiến trúc, và thậm chí fine-tune nó. Nhưng bạn không có quyền truy cập vào dữ liệu huấn luyện, không có quyền sửa đổi kiến trúc gốc, và thường bị hạn chế bởi giấy phép (ví dụ: Llama 3 Community License cấm sử dụng cho các ứng dụng có hại, nhưng cho phép thương mại). NVIDIA, với lịch sử phát hành các mô hình như Nemotron-70B theo giấy phép OpenRAIL-M, đã đi xa hơn một bước: trọng số hoàn toàn có thể tải xuống, nhưng giấy phép thường yêu cầu bạn phải chạy mô hình trên phần cứng NVIDIA (ít nhất là trong các phiên bản thương mại). Đây là một lớp bảo vệ tinh vi: bạn có thể tải mô hình, nhưng nếu bạn chạy nó trên GPU AMD, bạn có thể vi phạm giấy phép.
3.2. Tối ưu hóa phần cứng là vũ khí hủy diệt hàng loạt
Hãy nhìn vào con số: Một mô hình 70B tham số, nếu được tối ưu hóa bằng TensorRT-LLM và sử dụng FP8, có thể chạy inference trên một H100 chỉ với 100-150ms. Cùng mô hình đó chạy trên GPU AMD MI300X, nếu không có tối ưu hóa tương đương, độ trễ có thể gấp đôi hoặc gấp ba. Sự khác biệt này không chỉ đến từ phần cứng, mà từ toàn bộ stack phần mềm: CUDA, cuDNN, TensorRT, Triton Inference Server. NVIDIA đã dành 15 năm để xây dựng những lớp dính này, và bây giờ họ đang đổ bê tông vào đó bằng các mô hình trọng số mở chỉ chạy tốt trên nền bê tông ấy.
Điều này có nghĩa gì với các mạng phi tập trung? Akash Network cho phép bạn triển khai container trên GPU của nhiều nhà cung cấp khác nhau, bao gồm cả GPU AMD. Nếu mô hình NVIDIA chỉ chạy ổn trên GPU H100/B200, thì những người dùng Akash có GPU RTX 3090 (NVIDIA cũ) hoặc AMD sẽ bị thiệt thòi. Họ vẫn có thể chạy mô hình, nhưng hiệu năng kém hơn, dẫn đến chi phí trên mỗi token cao hơn. Kết quả: Các mạng phi tập trung mất đi lợi thế về chi phí, và các nhà phát triển sẽ đổ xô đến các nhà cung cấp tập trung như AWS (với GPU NVIDIA) hoặc trực tiếp đến NVIDIA DGX Cloud.
3.3. Hiệu ứng mạng lưới đảo ngược
Trong crypto, chúng ta thường nói về hiệu ứng mạng lưới: càng nhiều người dùng, càng nhiều giá trị. Với AI phi tập trung, giá trị nằm ở số lượng GPU tham gia và chất lượng mô hình. NVIDIA, bằng cách phát hành mô hình trọng số mở, đang tạo ra một hiệu ứng mạng lưới ngược: càng nhiều người dùng mô hình của họ, càng nhiều người mua GPU NVIDIA để chạy nó, càng nhiều tiền cho NVIDIA phát triển mô hình tốt hơn. Vòng lặp này gần như không thể phá vỡ, trừ khi các mạng phi tập trung xây dựng được mô hình riêng của họ – một việc cực kỳ tốn kém và yêu cầu nguồn lực khổng lồ mà chỉ vài dự án như Bittensor dám mơ tới.
4. Contrarian: Góc nhìn phản trực giác – NVIDIA có thể vô tình thúc đẩy AI phi tập trung?
Tưởng như NVIDIA đang đè bẹp các mạng phi tập trung, nhưng hãy nhìn từ góc khác: Các mô hình trọng số mở của NVIDIA có thể trở thành cầu nối để các dự án crypto fine-tune và tạo ra các mô hình chuyên biệt cho ngành dọc (y tế, tài chính, logistics). Bittensor đã chứng minh rằng fine-tuning phân tán có thể tạo ra giá trị. Nếu NVIDIA cung cấp mô hình nền tảng chất lượng cao, các subnet của Bittensor có thể sử dụng nó làm điểm bắt đầu, thay vì phải huấn luyện từ đầu. Điều này giảm chi phí và thời gian, giúp các mạng phi tập trung tập trung vào lớp ứng dụng thay vì lớp mô hình.
Hơn nữa, sự thống trị của NVIDIA có thể kích thích sự phát triển của các giải pháp thay thế. AMD đang đẩy mạnh ROCm, Intel có Habana, và các dự án như Render Network đang thử nghiệm với GPU không phải NVIDIA. Trong dài hạn, một thị trường đa phần cứng sẽ làm giảm sự phụ thuộc vào NVIDIA, và các mạng phi tập trung có thể trở thành người hưởng lợi khi họ cung cấp một lớp trừu tượng hóa phần cứng.
Nhưng đó là câu chuyện lạc quan. Thực tế ngay lúc này: NVIDIA vừa kéo dài khoảng cách. Các dự án crypto cần nhanh chóng thích nghi – hoặc chết.
5. Takeaway: Câu chuyện tiếp theo
Tôi đã từng chứng kiến DeFi Summer biến Uniswap từ một thí nghiệm thành kẻ thống trị. Tôi đã thấy NFT PFP bùng nổ rồi sụp đổ. Nhưng lần này, kẻ thù không phải là một giao thức non trẻ hay một token meme – mà là NVIDIA, công ty có vốn hóa 3.5 nghìn tỷ đô la, sở hữu 80% thị trường AI chip và đang bắt đầu viết lại luật chơi.
Liệu AI phi tập trung có thể tồn tại khi chính người bán xẻng quyết định bán cả vàng? Hay đây sẽ là lúc các dự án như Bittensor, Render, Akash phải chứng minh rằng decentralized không chỉ là một narrative, mà là một lợi thế kỹ thuật thực sự? Câu trả lời nằm ở khả năng thích nghi: nếu họ không build được lớp trừu tượng hóa phần cứng và không tạo ra giá trị vượt trội so với NVIDIA stack, họ sẽ chỉ còn là những bộ xương trong tủ lịch sử crypto.
Còn tôi, tôi đang theo dõi sát sao sự kiện này. Hai tuần tới, khi NVIDIA công bố chi tiết giấy phép và danh sách đối tác cloud đầu tiên, chúng ta sẽ biết ai còn cơ hội. Hãy chuẩn bị tinh thần: đây có thể là khởi đầu của một mùa đông mới cho AI-on-blockchain, hoặc là cú hích để ngành này trưởng thành. Dù thế nào, tôi vẫn sẽ săn lùng câu chuyện – bởi vì liquidity là máu, narrative là trái tim.