Gần đây, khi lật lại tài liệu về @OpenLedger , tôi thấy từ "khả năng kết hợp" xuất hiện với tần suất khá cao. Datanet có thể kết hợp với nhau, SLM có thể kết hợp, và Agent còn có thể gọi chéo giữa các giao thức. Nghe qua thì có vẻ như đây là một chiêu cũ của Web3, một bộ công cụ DeFi được chuyển sang AI.
Nhưng nói thật, nhiều người dường như đã quên đi những cạm bẫy trong giai đoạn đầu của DeFi. Khả năng kết hợp là một con dao hai lưỡi, hiệu suất cao nhưng rủi ro cũng dễ bị khuếch đại. Lần đó hồ bơi của Curve gặp sự cố, hàng loạt chiến lược và giao thức liên quan cũng theo đó mà nổ tung; khi oracle của Compound bị rung lắc một cái, cả vài chuỗi vay mượn cùng bị thanh lý.
Trong nền kinh tế của Agent thì càng cần cẩn trọng hơn. Một Datanet bị ô nhiễm, tất cả các SLM dựa vào nó đều gặp rắc rối; một SLM bị lỗi, tất cả các Agent gọi nó đều loạn cả; một Agent bị chiếm đoạt, toàn bộ quy trình làm việc sập tiệm. Thanh toán trên chuỗi thì không thể đảo ngược, muốn cứu cũng khó.
Còn vấn đề phụ thuộc phiên bản nữa. SLM A phụ thuộc vào một phiên bản nào đó của Datanet B, khi B nâng cấp và thay đổi quy tắc, logic và kỳ vọng lợi nhuận của A có thể bị thay đổi ngay lập tức. Hiện tại, hệ sinh thái chưa nhìn ra được nhiều, nhưng khi quy mô lớn lên thì đó chính là mối nguy hệ thống.
Về mặt kỹ thuật, #OpenLedger nói rằng một card đồ họa của mình có thể chạy hàng ngàn mô hình, tốc độ chuyển đổi và dữ liệu thông lượng thực sự nổi bật. Nhưng so sánh với đội ngũ Stanford thì A100 cấu hình cao nhất chỉ ổn định chạy LoRAX khoảng 25 cái, sau khi tối ưu vẫn gặp phải nút thắt. LoRA bản chất là bộ điều hợp nhẹ, có thể lưu trữ nhiều không có nghĩa là có thể chạy hiệu quả đồng thời. Hiện tại, mã nguồn, kiểm toán, và thử nghiệm công khai của dự án vẫn còn khá hạn chế, những trường hợp thực tế cũng cần nhiều xác thực hơn. Hy vọng đội ngũ sẽ dần dần mở ra nhiều dữ liệu minh bạch hơn.
Từ góc độ người dùng bình thường, AI không phải càng lớn càng tốt, cái quan trọng là giải quyết các vấn đề thực tiễn. $OPEN nếu có thể kết nối dữ liệu đóng góp, huấn luyện mô hình đến việc sử dụng Agent, tạo ra các công cụ thực tiễn như xem dữ liệu trên chuỗi, sắp xếp thông tin, nhận diện rủi ro, thì không chỉ là một cái khái niệm, mà thực sự giúp ích cho các nhà đầu tư nhỏ lẻ.
Khả năng kết hợp vừa là cơ hội, vừa là thử thách. $OPEN có thể đi xa không, còn tùy thuộc vào việc tìm ra điểm cân bằng giữa đổi mới và sự ổn định.
Nhưng nói thật, nhiều người dường như đã quên đi những cạm bẫy trong giai đoạn đầu của DeFi. Khả năng kết hợp là một con dao hai lưỡi, hiệu suất cao nhưng rủi ro cũng dễ bị khuếch đại. Lần đó hồ bơi của Curve gặp sự cố, hàng loạt chiến lược và giao thức liên quan cũng theo đó mà nổ tung; khi oracle của Compound bị rung lắc một cái, cả vài chuỗi vay mượn cùng bị thanh lý.
Trong nền kinh tế của Agent thì càng cần cẩn trọng hơn. Một Datanet bị ô nhiễm, tất cả các SLM dựa vào nó đều gặp rắc rối; một SLM bị lỗi, tất cả các Agent gọi nó đều loạn cả; một Agent bị chiếm đoạt, toàn bộ quy trình làm việc sập tiệm. Thanh toán trên chuỗi thì không thể đảo ngược, muốn cứu cũng khó.
Còn vấn đề phụ thuộc phiên bản nữa. SLM A phụ thuộc vào một phiên bản nào đó của Datanet B, khi B nâng cấp và thay đổi quy tắc, logic và kỳ vọng lợi nhuận của A có thể bị thay đổi ngay lập tức. Hiện tại, hệ sinh thái chưa nhìn ra được nhiều, nhưng khi quy mô lớn lên thì đó chính là mối nguy hệ thống.
Về mặt kỹ thuật, #OpenLedger nói rằng một card đồ họa của mình có thể chạy hàng ngàn mô hình, tốc độ chuyển đổi và dữ liệu thông lượng thực sự nổi bật. Nhưng so sánh với đội ngũ Stanford thì A100 cấu hình cao nhất chỉ ổn định chạy LoRAX khoảng 25 cái, sau khi tối ưu vẫn gặp phải nút thắt. LoRA bản chất là bộ điều hợp nhẹ, có thể lưu trữ nhiều không có nghĩa là có thể chạy hiệu quả đồng thời. Hiện tại, mã nguồn, kiểm toán, và thử nghiệm công khai của dự án vẫn còn khá hạn chế, những trường hợp thực tế cũng cần nhiều xác thực hơn. Hy vọng đội ngũ sẽ dần dần mở ra nhiều dữ liệu minh bạch hơn.
Từ góc độ người dùng bình thường, AI không phải càng lớn càng tốt, cái quan trọng là giải quyết các vấn đề thực tiễn. $OPEN nếu có thể kết nối dữ liệu đóng góp, huấn luyện mô hình đến việc sử dụng Agent, tạo ra các công cụ thực tiễn như xem dữ liệu trên chuỗi, sắp xếp thông tin, nhận diện rủi ro, thì không chỉ là một cái khái niệm, mà thực sự giúp ích cho các nhà đầu tư nhỏ lẻ.
Khả năng kết hợp vừa là cơ hội, vừa là thử thách. $OPEN có thể đi xa không, còn tùy thuộc vào việc tìm ra điểm cân bằng giữa đổi mới và sự ổn định.