Sự hội tụ giữa quy định AI và chuỗi cung ứng phần cứng đang âm thầm định hình ai sẽ được huấn luyện các mô hình tiên tiến. Điểm nóng gần đây xảy ra khi Anthropic, một phòng lab AI hàng đầu, tuân thủ các quy định xuất khẩu của Mỹ—một động thái mà người sáng lập CoinFund, Jake Brukhman, đã chỉ ra như một dấu hiệu cảnh báo cho việc kiểm soát tập trung công nghệ. Lập luận của ông, được trình bày trong các phát biểu gần đây, là điểm nghẽn không chỉ là mã hoặc dữ liệu nữa. Đó là các cụm GPU vật lý huấn luyện những mô hình mạnh nhất.

Brukhman không đưa ra một giả thuyết mơ hồ. Ông chỉ ra những đội ngũ cụ thể đang xây dựng hạ tầng huấn luyện phân tán—Gensyn, Prime Intellect, Pluralis và Nous Research—đang cố gắng gom góp các nguồn GPU toàn cầu chưa được sử dụng. Cơ chế khác nhau, nhưng cược chung là tính toán phi tập trung có thể sánh ngang, hoặc ít nhất là thách thức, mô hình cụm hyperscaler hiện đang thống trị. Pluralis đi xa hơn, thử nghiệm với các mô hình AI được mã hóa, trong đó trọng số mô hình được phân chia giữa các thành viên, tạo ra một cấu trúc sở hữu phân mảnh có thể kháng lại việc đóng cửa hoặc kiểm duyệt tập trung.

Ý tưởng token hóa quyền sở hữu mô hình có thể nghe khá trừu tượng, nhưng nó phản chiếu các thí nghiệm trên chuỗi đã và đang diễn ra. Các mạng tính toán phi tập trung ngày càng được dệt vào các ứng dụng Web3, nơi “compute” được coi như một tài sản lưu động thay vì một khoản chi phí vốn cố định. Đề xuất của Pluralis mở rộng logic đó trực tiếp vào lớp mô hình—một thứ gần với một DAO cùng đồng sở hữu trọng số của một mô hình tuyến đầu, với sự tham gia kinh tế gắn với mức độ sử dụng hoặc giấy phép. Vẫn còn sớm, nhưng mô hình kinh doanh đã bắt đầu hình thành.

Với ngành công nghiệp tiền mã hóa, đây không chỉ là một câu chuyện AI khác. Nó là một câu hỏi mang tính cấu trúc về việc liệu các mạng không cần cấp phép có thể tái tạo những gì hiện nay đang đòi hỏi sự điều phối ở cấp nhà nước hoặc một vài phòng thí nghiệm được tài trợ tốt hay không. Các lệnh kiểm soát xuất khẩu của Mỹ mà Brukhman nêu không phải là một sự khó chịu nhỏ; đó là một công cụ chính sách có thể quyết định quốc gia nào được tiếp cận các GPU NVIDIA H100 cao cấp hoặc các thế hệ chip trong tương lai. Khi một công ty như Anthropic phải uốn theo các quy định đó, ranh giới giữa tuân thủ doanh nghiệp và việc “gác cổng” trên thực tế bởi chính phủ trở nên mỏng manh.

Bối cảnh quản lý đang thay đổi nhanh, và AI không còn bị tách khỏi chính sách tiền mã hóa. Các ngân hàng đã bắt đầu phản đối các dự luật lớn về tiền mã hóa, và bộ máy lập pháp điều chỉnh tài sản số ngày càng bị kéo vào các tranh luận giám sát AI. Một lớp AI phi tập trung dựa trên các mạng GPU phân tán nằm ở giao điểm của cả hai mảng này, và chịu sự soi xét đồng thời từ các cơ quan quản lý tài chính lẫn các chế độ kiểm soát công nghệ. Sự giao thoa này tạo ra ma sát, nhưng cũng hình thành một nhóm lợi ích mà vài năm trước chưa tồn tại.

Một yếu tố ít được đánh giá đúng trong lập luận của Brukhman là việc lưu trữ và hậu cần dữ liệu mà AI phi tập trung đòi hỏi. Huấn luyện mô hình trên một bản đồ nút bị phân mảnh không chỉ cần sức mạnh flops thô mà còn cần các pipeline dữ liệu hiệu quả và tính toán có thể xác minh. Những dự án như Filecoin đang xây dựng hạ tầng lưu trữ phi tập trung—có thể sẽ trở thành một phần của “ngăn xếp” này, dù ở đây không được trích dẫn trực tiếp. Mức độ huấn luyện càng phân tán thì càng cần có bộ lưu trữ không nằm trong một trung tâm dữ liệu đơn lẻ, nơi có thể bị tắt chỉ bằng một lệnh của chính phủ.

Một cảnh quan huấn luyện bị phân mảnh thực sự thay đổi điều gì

Nếu huấn luyện phân tán hoạt động ở quy mô lớn, tác động ngay lập tức sẽ là đối với việc kiểm duyệt mô hình và khả năng tiếp cận. Một chính phủ có thể yêu cầu một nhà cung cấp cloud đặt tại Mỹ từ chối quyền truy cập GPU của một phòng thí nghiệm nước ngoài, nhưng họ không thể dễ dàng ngăn chặn một mạng phi tập trung gồm hàng nghìn nhà vận hành nút nhỏ lẻ nằm rải rác trên nhiều khu vực pháp lý. Điều đó không có nghĩa các mạng như vậy miễn nhiễm với áp lực pháp lý, nhưng mức độ chống chịu cao hơn, và bề mặt tấn công bằng pháp lý về cơ bản là khác. Nó chuyển gánh nặng từ một công tắc bật/tắt nhị phân sang một bài toán thực thi rắc rối, chậm chạp.

Tuy nhiên, sự bền bỉ đó kéo theo chi phí. Việc phối hợp huấn luyện trên một mạng GPU toàn cầu không đồng nhất tạo ra độ trễ, các khoảng trống về độ tin cậy và những thách thức về xác minh. Những nhóm mà Brukhman nêu tên đang tập trung chính xác vào các vấn đề này—chẳng hạn, Nous Research đã thử nghiệm fine-tuning phân tán—nhưng khoảng cách về hiệu năng so với các cụm tập trung vẫn là điều có thật. Thị trường đặt cược rằng khoảng cách này sẽ thu hẹp theo thời gian, nhưng chưa rõ liệu việc huấn luyện các mô hình thật sự ở quy mô “tiền tuyến” có thể phi tập trung mà không cần một thực thể điều phối trung tâm hay không—và chính thực thể đó lại có nguy cơ trở thành một điểm kiểm soát.

Các mô hình đã được mã hóa theo từng phần token và hoạt động kinh doanh đồng sở hữu

Cách tiếp cận mô hình được “token hóa” của Pluralis có lẽ là phần mang tính triệt để nhất của toàn bộ ngăn xếp. Thay vì một phòng thí nghiệm duy nhất sở hữu một mô hình và đo lường/thu phí truy cập, quyền sở hữu được chia thành các token do nhiều bên nắm giữ. Về lý thuyết, điều này có thể giúp đồng bộ lợi ích giữa một nhóm bên liên quan rộng hơn—bao gồm các nhà nghiên cứu, nhà cung cấp năng lực tính toán và thậm chí cả người dùng—đồng thời làm cho việc một cơ quan quản lý đơn lẻ đóng sập mô hình trở nên khó khăn hơn. Nhưng nó cũng đặt ra những câu hỏi rối về quản trị. Ai quyết định dữ liệu nào sẽ được huấn luyện lại? Việc thương mại hóa đầu ra mô hình được thực hiện thế nào, và ai là người được trả tiền? Đây không phải là những câu hỏi nhỏ, và những nỗ lực đầu tiên gần như chắc chắn sẽ khá lộn xộn.

Tín hiệu của thị trường trong ngắn hạn, tuy nhiên, cho thấy AI bản địa tiền mã hóa không còn bị giới hạn ở các trường hợp sử dụng ít rủi ro. Khi các quỹ đầu tư mạo hiểm như CoinFund công khai nêu ra luận điểm đối lập việc tính toán phi tập trung với sự kiểm soát mô hình do nhà nước hậu thuẫn, đó là dấu hiệu cho thấy lĩnh vực này đang chuyển từ giai đoạn whitepaper sang giai đoạn hạ tầng. Tương tự như cách câu chuyện ban đầu của Bitcoin xoay quanh “tiền tệ chủ quyền”, thì câu chuyện AI phi tập trung ban đầu đang hướng tới “tính toán chủ quyền”. Liệu điều đó có đứng vững khi chịu áp lực thực tế hay không vẫn là câu hỏi mở—nhưng các đường ranh đang được vạch ra ngay lúc này.