Giữa cơn bão NFT, tôi đếm từng bước chân cô đơn. Nhưng hôm nay, tôi đếm những con số. Một con số lặng lẽ lọt qua màn hình radar của tôi: Meta FAIR vừa công bố một bài báo cho thấy định luật scaling Chinchilla hiện tại có thể đang sai lệch, và đề xuất một sửa chữa có khả năng cắt giảm chi phí tính toán xuống 10 lần. Đối với một người làm macro strategy, đây không chỉ là tin tức AI. Đây là tín hiệu vĩ mô có thể thay đổi cấu trúc chi phí của toàn bộ nền kinh tế token.
Context
Hãy đặt nó trong bản đồ thanh khoản toàn cầu. Các mô hình ngôn ngữ lớn (LLM) đang ngốn điện toán đám mây với tốc độ tăng trưởng 40% mỗi quý. Chi phí đào tạo một mô hình GPT-4 ước tính khoảng 100 triệu USD. Điều này tạo ra một rào cản gia nhập khổng lồ, không chỉ cho các startup AI, mà còn cho các giao thức blockchain muốn tích hợp trí tuệ nhân tạo vào hợp đồng thông minh. Hiện tại, các dự án như Bittensor, Render Network hay Akash đang cố gắng phi tập trung hóa sức mạnh tính toán, nhưng chi phí vẫn là nút thắt cổ chai. Nếu Meta's scaling law mới đúng, chi phí đào tạo có thể giảm từ 100 triệu USD xuống còn 10 triệu USD cho cùng một chất lượng mô hình. Điều đó có nghĩa là gì cho thị trường crypto?
Core
Bản chất của định luật scaling mới là một sự điều chỉnh về mặt toán học đối với mối quan hệ giữa kích thước mô hình, số lượng token đào tạo và hiệu suất. Trong bài báo gốc của Chinchilla (DeepMind, 2022), các nhà nghiên cứu cho rằng để đạt được hiệu suất tối ưu, số lượng token đào tạo và tham số mô hình nên được mở rộng theo tỷ lệ bằng nhau. Nhưng Meta FAIR phát hiện rằng giả định đó bỏ qua một yếu tố: sự phân bố không đồng đều của độ khó trong dữ liệu. Một số token (ví dụ: mã nguồn, công thức toán học) mang nhiều thông tin hơn các token khác (ví dụ: văn bản thông thường). Bằng cách điều chỉnh trọng số đào tạo dựa trên độ khó, họ có thể đạt được cùng độ chính xác với ít token hơn 10 lần. Điều này tương tự như cách các giao thức DeFi sử dụng oracles để lấy mẫu dữ liệu thông minh thay vì tải toàn bộ lịch sử giao dịch.
Từ góc nhìn kỹ thuật, sự thay đổi này có thể tác động trực tiếp đến các dự án crypto sử dụng zero-knowledge proofs (ZKPs). Hiện tại, chi phí tạo ZK-proof cho một mô hình AI có kích thước trung bình là khoảng 0.02 USD trên Ethereum, nhưng đối với các mô hình lớn, con số này có thể lên đến 5–10 USD. Nếu chi phí đào tạo giảm 10 lần, các mô hình nhỏ hơn, chuyên biệt hóa sẽ trở nên khả thi. Các giao thức như zkSync hoặc Scroll có thể bắt đầu hỗ trợ ZK-proofs cho các mô hình AI nhẹ, mở ra cánh cửa cho các ứng dụng như "AI oracle" phi tập trung có thể xác thực dữ liệu mà không cần tin cậy. Dựa trên kinh nghiệm audit của tôi, chi phí nguyên thủy là yếu tố quyết định sự chấp nhận của thị trường. Một mô hình AI có thể chạy trên blockchain với phí gas dưới 0.01 USD sẽ thay đổi cuộc chơi.
Contrarian
Tuy nhiên, có một góc nhìn phản trực giác: sự giảm chi phí tính toán có thể làm trầm trọng thêm vấn đề tập trung hóa trong crypto, thay vì giải quyết nó. Hãy suy nghĩ: nếu chi phí đào tạo giảm 10 lần, các công ty lớn như Meta, Google, hay OpenAI sẽ có thể sản xuất nhiều mô hình hơn với cùng ngân sách, củng cố lợi thế quy mô của họ. Trong khi đó, các giao thức phi tập trung như Bittensor phải cạnh tranh với các nhóm khai thác nhỏ lẻ, không có khả năng tận dụng tối ưu hóa mới này vì họ thiếu dữ liệu độ khó để điều chỉnh trọng số. Điều này tạo ra một nghịch lý: công nghệ giảm chi phí lại có thể làm tăng rào cản gia nhập đối với các mạng lưới phi tập trung. Đây là điểm mù mà hầu hết các bài phân tích đều bỏ qua. Họ chỉ nhìn vào con số giảm chi phí, nhưng quên rằng "chi phí thấp hơn" thường đi kèm với "yêu cầu kỹ thuật cao hơn".
Takeaway
Câu hỏi đặt ra không phải là liệu Meta's scaling law có hoạt động hay không. Nó đã hoạt động trong thử nghiệm. Câu hỏi là: ai sẽ là người đầu tiên tích hợp phát hiện này vào một giao thức blockchain? Nếu một dự án như Render Network hoặc Akash có thể triển khai một cơ chế đánh giá độ khó dữ liệu phi tập trung, họ có thể trở thành nền tảng tính toán AI hàng đầu cho Web3. Nhưng nếu không, chúng ta sẽ thấy một sự phân kỳ: chi phí AI giảm mạnh trên các nền tảng tập trung, trong khi crypto vẫn mắc kẹt với các mô hình đào tạo kém hiệu quả. Tôi đang theo dõi sát sao các dự án AI + blockchain trong tuần này. Bước chân cô đơn của tôi đang dẫn đến một con đường mới.
