Tháng 4/2025, một tin gây chú ý trong giới công nghệ: Andrew Ng – một trong những gương mặt hàng đầu về trí tuệ nhân tạo – công bố LearnVector, một công ty khởi nghiệp giáo dục sử dụng AI Agent để dạy kèm cá nhân hóa. Coursera đã đầu tư 100 triệu USD, định giá công ty này lên tới 300 triệu USD, dù sản phẩm đầu tiên phải đến năm 2027 mới ra mắt. Điều gì khiến giới đầu tư chấp nhận đặt cược lớn như vậy? Và quan trọng hơn: trong khi cả thế giới đang chạy đua xây dựng hạ tầng phi tập trung, liệu mô hình AI giáo dục tập trung như LearnVector có đang đi ngược dòng lịch sử?
LearnVector không phải là một dự án blockchain. Nhưng nó đặt ra câu hỏi lớn cho cộng đồng phi tập trung: khi AI ngày càng thông minh, ai kiểm soát dữ liệu học tập của hàng triệu người? Ai sở hữu những hiểu biết, lỗi sai, và hành vi của người học? Trong thế giới web2, câu trả lời là các tập đoàn. LearnVector, với tham vọng dùng AI Agent mô phỏng gia sư 1-1, sẽ thu thập một lượng dữ liệu khổng lồ về người dùng: họ hỏi gì, sai ở đâu, học nhanh hay chậm, nghề nghiệp của họ là gì. Đây chính là tài sản quý giá nhất của công ty – nhưng nó thuộc về ai?
Hãy cùng tôi đi sâu vào từng chiều cạnh của dự án này, đối chiếu với các nguyên tắc mà tôi theo đuổi suốt 25 năm làm việc trong lĩnh vực công nghệ tài chính và phi tập trung.
Về mặt kỹ thuật, điểm cốt lõi của LearnVector là "AI Agent dạy kèm cá nhân hóa". Không có gì mới về kiến trúc – các mô hình ngôn ngữ lớn như GPT-4, Llama 3 đều có thể được tinh chỉnh để hội thoại theo ngữ cảnh. Thách thức nằm ở chỗ khác: làm sao để Agent hiểu được trạng thái tri thức của từng người học, từ đó điều chỉnh phương pháp giảng dạy? Đây là bài toán nan giải mà ngành công nghệ giáo dục đã đối mặt suốt nửa thế kỷ qua. Tôi từng viết whitepaper cho một dự án ICO về định danh phi tập trung, nơi tôi tin rằng định danh số phải gắn với dữ liệu học tập. Nhưng khi triển khai, tôi nhận ra rằng mô hình AI càng thông minh thì dữ liệu đầu vào càng quyết định. Nếu LearnVector không có chiến lược thu thập dữ liệu bài bản, mọi lời hứa về "cá nhân hóa" chỉ là chiêu trò tiếp thị.
Điều thú vị là nguồn gốc của các mô hình cơ sở. Bài phân tích gốc chỉ ra rằng LearnVector gần như chắc chắn sẽ dựa trên các mô hình nguồn mở như Llama hoặc API thương mại như GPT-4o, thay vì tự đào tạo từ đầu. Điều này cho thấy lợi thế cạnh tranh của họ không nằm ở khả năng AI, mà nằm ở dữ liệu người dùng và cách họ tổ chức hệ thống Agent. Nhưng dữ liệu này, theo mặc định, sẽ nằm trong kho dữ liệu tập trung của một công ty. Chính tại điểm này, blockchain có vai trò tiềm năng: sử dụng danh tính phi tập trung để người học kiểm soát dữ liệu học tập của chính họ, cho phép họ chia sẻ dữ liệu một cách có chọn lọc bằng chữ ký số và bằng chứng không tiết lộ (zero-knowledge proof). Với kinh nghiệm từ dự án AquaPool – nơi tôi đã mất 200 ETH vì một lỗi nhỏ trong hợp đồng thông minh – tôi biết rằng sự minh bạch và khả năng kiểm toán là điều kiện sống còn.
Về mặt thương mại, mô hình của LearnVector là B2B2C: Coursera đóng vai trò kênh phân phối, doanh nghiệp trả tiền để nhân viên của họ được học kèm bằng AI. Đây là một hướng đi rõ ràng, tận dụng được mạng lưới 129 triệu người học của Coursera. Nhưng có hai vấn đề lớn. Thứ nhất, định giá 300 triệu USD cho một công ty chưa có sản phẩm thực sự là một mức giá "phí bảo hiểm dành cho người nổi tiếng". Andrew Ng là một thương hiệu toàn cầu, nhưng thương hiệu không tự động tạo ra doanh thu. Thứ hai, mối quan hệ giữa Coursera và LearnVector nửa vời: Coursera sở hữu khoảng 1/3 cổ phần, khiến LearnVector trở thành một đơn vị đổi mới nội bộ hơn là một công ty độc lập. Điều này có thể dẫn đến xung đột lợi ích khi Coursera phải cân đối lợi nhuận ngắn hạn với tầm nhìn dài hạn.
Trong thế giới tiền mã hóa, chúng ta đã thấy vô số dự án giáo dục token hóa ra đời rồi chết đi. Cách tiếp cận của họ thường là phát hành token để thưởng cho việc học, nhưng token lại trở thành công cụ đầu cơ, làm chệch đi mục đích giáo dục. Bài học mà tôi rút ra từ bộ sưu tập NFT "Merkle's Dream" của mình là: khi bạn kết hợp giá trị văn hóa với đầu cơ, giá trị thực sẽ bị bào mòn. LearnVector, với nguồn vốn từ một công ty đại chúng, có thể tránh được cạm bẫy này, nhưng lại rơi vào một cạm bẫy khác: người học không có quyền sở hữu dữ liệu hay thành tích học tập của họ. Nếu một kỹ sư học một khóa học về AI trên LearnVector và sau đó muốn chuyển sang một nền tảng khác, làm sao anh ta chứng minh được trình độ của mình? Trong một hệ thống phi tập trung, bằng cấp số (digital credential) có thể được cấp trên blockchain, có thể xác minh công khai mà không cần xin phép một công ty nào.
Về mặt cạnh tranh, LearnVector không đơn độc trong cuộc đua AI giáo dục. Khanmigo của Khan Academy, Duolingo Max, Sana Labs... đều đang dùng AI cá nhân hóa. Sự khác biệt của LearnVector nằm ở chỗ Andrew Ng có quan hệ sâu rộng với cả giới học thuật lẫn công nghiệp. Nhưng trong lĩnh vực phi tập trung, Open Campus và các giao thức tương tự đang thí điểm quyền sở hữu nội dung giáo dục. Câu hỏi là: LearnVector có thể hợp tác với các giao thức đó hay không? Hay họ sẽ coi đó là kẻ thù? Tôi tin rằng, giống như tôi đã từng thuyết phục cộng đồng trong chuỗi hội thảo "Blockchain: Giữa chính thống và cách mạng", các công ty web2 sớm muộn sẽ phải chấp nhận rằng dữ liệu người dùng là tài sản của người dùng, không phải của công ty.
Một điểm mù lớn mà bài phân tích gốc chỉ ra nhưng chưa đào sâu là vấn đề đạo đức AI trong giáo dục. AI dạy kèm có thể ảo giác (hallucinate) – đưa ra câu trả lời sai một cách tự tin. Trong giáo dục đại học hoặc đào tạo nghề nghiệp, một lỗi nhỏ về kiến thức có thể gây ra hậu quả nghiêm trọng. Từng có lần tôi thử một chatbot giáo dục giải thích khái niệm "bằng chứng không tiết lộ" và nó trả lời gần đúng nhưng thiếu một chi tiết kỹ thuật quan trọng. Nếu tôi là học viên, tôi sẽ tin tưởng và học theo điều sai mà không hề hay biết. Đây là lúc blockchain có thể hỗ trợ: lưu trữ các đánh giá của chuyên gia về nội dung AI tạo ra, sử dụng cơ chế đồng thuận để xác thực độ chính xác. Nhưng điều này cũng đặt ra câu hỏi: ai là chuyên gia? Làm sao một mạng lưới phi tập trung có thể quyết định đâu là kiến thức đúng? Thực tế cho thấy, các vấn đề triết học như vậy không thể giải quyết chỉ bằng hợp đồng thông minh.
Về mặt tài chính, khoản đầu tư 100 triệu USD của Coursera cần được nhìn nhận trong bối cảnh Coursera đang thua lỗ. Trong quý 1/2025, họ đạt doanh thu 169 triệu USD nhưng vẫn âm lợi nhuận. Bỏ ra 100 triệu USD tương đương khoảng 6 tháng dòng tiền – một con số lớn, có thể gây sức ép từ cổ đông. Nhưng về mặt chiến lược, đây là một khoản "bảo hiểm" để không bị bỏ lại phía sau trong cuộc đua AI. Andrew Ng, với uy tín của mình, chính là tấm vé để Coursera vào cuộc chơi này.
Hạ tầng và chi phí tính toán là một chiều cạnh khác. Muốn vận hành một gia sư AI chất lượng cao, cần chi phí suy luận (inference) đáng kể. Nếu LearnVector đạt 100.000 người dùng mỗi ngày, chi phí GPU có thể lên tới vài triệu USD mỗi tháng. Các mạng lưới điện toán phi tập trung như Akash, Render có thể cung cấp GPU rẻ hơn, nhưng vấn đề độ trễ và độ tin cậy vẫn chưa được giải quyết triệt để. Dựa trên kinh nghiệm triển khai các ứng dụng phi tập trung của tôi, tôi nhận thấy rằng các ứng dụng AI hiện nay vẫn phải phụ thuộc nhiều vào hạ tầng tập trung của các ông lớn như AWS hoặc Google Cloud.
Tuy nhiên, hãy tỉnh táo. Blockchain không phải là câu trả lời cho mọi vấn đề. Người học quan tâm đến kết quả, không phải quyền sở hữu dữ liệu. Đưa token vào giáo dục có thể tạo ra sự đầu cơ, khiến mọi người học vì tiền thay vì vì tri thức. Và việc thêm blockchain vào một sản phẩm mà nhóm phát triển không hiểu rõ sẽ chỉ làm chậm quá trình ra mắt. Tôi đã chứng kiến quá nhiều dự án thất bại vì cố nhồi nhét blockchain vào mọi thứ, trong khi vấn đề thực sự nằm ở sản phẩm.
Do đó, tôi nghiêng về một giải pháp lai: LearnVector có thể sử dụng hạ tầng tập trung cho phần lõi AI, nhưng đồng thời xây dựng một lớp danh tính và chứng nhận phi tập trung. Họ có thể phát hành chứng chỉ số (on-chain credentials) cho mỗi khóa học hoàn thành. Nếu người học muốn chuyển dữ liệu của mình sang một nền tảng khác, họ có thể làm điều đó mà không cần xin phép. Điều này không chỉ tăng tính tin cậy mà còn giúp LearnVector tận dụng hiệu ứng mạng.
Một câu hỏi thú vị từ bài phân tích gốc mà ít người để ý: nếu sản phẩm thất bại vào năm 2027, liệu có một tác nhân khác – có thể là một giao thức phi tập trung – chiếm lĩnh thị trường? Hãy nhìn vào lịch sử: Napster tập trung bị thay thế bởi BitTorrent phi tập trung, nhưng BitTorrent không thể kiếm tiền bền vững. Ngược lại, Spotify tập trung đã thắng nhờ trải nghiệm người dùng tốt. Điều tương tự có thể xảy ra trong giáo dục: một nền tảng tập trung làm tốt việc cá nhân hóa có thể thống trị, trong khi các giao thức phi tập trung chỉ phục vụ một nhóm nhỏ những người đặc biệt quan tâm đến quyền dữ liệu.
Vậy vai trò thực sự của blockchain trong giáo dục là gì? Tôi tin rằng đó là một lớp tin cậy (trust layer), không phải là một nền tảng học tập. Blockchain có thể đảm bảo rằng thành tích của bạn không thể bị làm giả, quá trình học tập của bạn không thể bị thuật toán âm thầm thao túng. Nhưng nó không thể tự nó tạo ra tri thức. Cũng giống như Bitcoin tạo ra niềm tin nơi không có bên trung gian, các giao thức giáo dục phi tập trung có thể tạo ra niềm tin nơi không có một công ty duy nhất kiểm soát dữ liệu học tập.
Tôi nhớ lại năm 2022, khi thị trường sụp đổ và AquaPool phải giải thể, tôi đã viết một bản thảo dài 20.000 từ về blockchain như một hệ sinh thái tự nhiên. Ý tưởng trung tâm của tôi là: các giao thức sống sót không phải vì chúng mạnh nhất, mà vì chúng thích nghi tốt nhất với môi trường. LearnVector, nếu coi là một mắt xích trong hệ sinh thái giáo dục, cần phải thích nghi với làn sóng đòi hỏi quyền dữ liệu của người dùng. Không một công ty công nghệ nào có thể phớt lờ xu hướng này mãi mãi.
Cuối cùng, câu hỏi không phải là "AI có thể thay thế giáo viên?" mà là "liệu chúng ta có xây dựng được một hệ sinh thái học tập nơi người học là chủ thể, hay chỉ là nạn nhân của thuật toán?" LearnVector thành công hay thất bại không quan trọng bằng việc nó mở ra cuộc tranh luận về quyền dữ liệu học tập. Và trong cuộc tranh luận đó, blockchain có một vai trò, dù không phải là vai chính. Dữ liệu của người học giống như một dòng sông: nếu bị đập chặn lại, nó sẽ tìm cách phá vỡ. Người học luôn khao khát sự tự do, và lịch sử công nghệ đã chứng minh rằng tự do luôn chiến thắng. Câu hỏi là liệu chúng ta – các nhà phát triển giao thức – có kịp xây những kênh dẫn nước trước khi cơn lũ đến?