0xjacobzhao

Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Báo cáo nghiên cứu độc lập này được hỗ trợ bởi IOSG Ventures. Quá trình nghiên cứu và viết được lấy cảm hứng từ công trình của Sam Lehman (Pantera Capital) về học củng cố. Cảm ơn Ben Fielding (Gensyn.ai), Gao Yuan(Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI), Chao Wang vì những gợi ý quý giá của họ cho bài viết này. Bài viết này cố gắng đạt được tính khách quan và chính xác, nhưng một số quan điểm liên quan đến đánh giá chủ quan và có thể chứa đựng sự thiên lệch. Chúng tôi trân trọng sự hiểu biết của độc giả.

Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao

Báo cáo nghiên cứu độc lập này được hỗ trợ bởi IOSG Ventures, quá trình nghiên cứu và viết bài chịu ảnh hưởng từ báo cáo nghiên cứu học tăng cường của Sam Lehman (Pantera Capital), cảm ơn Ben Fielding (Gensyn.ai), Gao Yuan (Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI), Chao Wang vì những gợi ý quý báu đã đưa ra cho bài viết này. Bài viết mong muốn nội dung khách quan và chính xác, một số quan điểm liên quan đến phán đoán chủ quan, khó tránh khỏi có sai lệch, xin độc giả thông cảm.
Trí tuệ nhân tạo đang chuyển từ việc học thống kê chủ yếu dựa vào "khớp mô hình" sang một hệ thống năng lực lấy "suy diễn có cấu trúc" làm cốt lõi, và tầm quan trọng của đào tạo sau (Post-training) đang nhanh chóng gia tăng. Sự xuất hiện của DeepSeek-R1 đánh dấu sự lật ngược mô hình của học tăng cường trong kỷ nguyên mô hình lớn, hình thành sự đồng thuận trong ngành: việc xây dựng mô hình qua đào tạo trước tạo ra nền tảng năng lực chung, học tăng cường không còn chỉ là công cụ căn chỉnh giá trị, mà đã được chứng minh có thể hệ thống nâng cao chất lượng chuỗi suy diễn và khả năng quyết định phức tạp, đang dần tiến hóa thành con đường công nghệ nâng cao trình độ thông minh một cách liên tục.

Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao

Báo cáo nghiên cứu độc lập này được hỗ trợ bởi IOSG Ventures. Quy trình nghiên cứu và viết được lấy cảm hứng từ các công việc liên quan của Raghav Agarwal (LongHash) và Jay Yu (Pantera). Cảm ơn Lex Sokolin @ Generative Ventures , Jordan@AIsa, Ivy @PodOur2Cents vì những gợi ý quý giá của họ về bài viết này. Phản hồi cũng đã được yêu cầu từ các nhóm dự án như Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON trong quá trình viết. Bài viết này cố gắng cung cấp nội dung khách quan và chính xác, nhưng một số quan điểm liên quan đến phán đoán chủ quan và có thể không tránh khỏi sự sai lệch. Sự hiểu biết của độc giả được đánh giá cao.

Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao

Báo cáo nghiên cứu độc lập này được hỗ trợ bởi IOSG Ventures, quá trình viết nghiên cứu được truyền cảm hứng từ các báo cáo liên quan của Raghav Agarwal@LongHash và Jay Yu@Pantera, cảm ơn Lex Sokolin @ Generative Ventures, Jordan@AIsa, Ivy@(支无不言) blog đã đưa ra những gợi ý quý giá cho bài viết này. Trong quá trình viết cũng đã tham khảo ý kiến phản hồi từ các nhóm dự án như Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON. Bài viết cố gắng giữ nội dung khách quan và chính xác, một số quan điểm liên quan đến phán đoán chủ quan, khó tránh khỏi sự sai lệch, mong độc giả thông cảm.

Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Báo cáo nghiên cứu độc lập này được hỗ trợ bởi IOSG Ventures. Tác giả cảm ơn Hans (RoboCup Châu Á-Thái Bình Dương), Nichanan Kesonpat(1kx), Robert Koschig (1kx), Amanda Young (Collab+Currency), Jonathan Victor (Ansa Research), Lex Sokolin (Generative Ventures), Jay Yu (Pantera Capital), Jeffrey Hu (Hashkey Capital) vì những nhận xét quý giá của họ, cũng như các nhà đóng góp từ OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network và CodecFlow vì những phản hồi xây dựng của họ. Trong khi mọi nỗ lực đã được thực hiện để đảm bảo tính khách quan và chính xác, một số hiểu biết không thể không phản ánh sự diễn giải chủ quan, và độc giả được khuyến khích tham gia với nội dung một cách phản biện.

Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao

Báo cáo độc lập này được hỗ trợ bởi IOSG Ventures, cảm ơn Hans (RoboCup Châu Á - Thái Bình Dương), Nichanan Kesonpat (1kx), Robert Koschig (1kx), Amanda Young (Collab+Currency), Jonathan Victor (Ansa Research), Lex Sokolin (Generative Ventures), Jay Yu (Pantera Capital), Jeffrey Hu (Hashkey Capital) đã đưa ra những ý kiến quý báu cho bài viết này. Trong quá trình viết cũng đã tham khảo ý kiến phản hồi từ các đội ngũ dự án như OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network và CodecFlow. Bài viết này cố gắng đảm bảo nội dung khách quan và chính xác, một số quan điểm liên quan đến phán đoán chủ quan, khó tránh khỏi sự sai lệch, mong độc giả thông cảm.

Mô hình của Điện toán Có thể Xác minh—“tính toán ngoài chuỗi + xác minh trên chuỗi”—đã trở thành mô hình tính toán phổ quát cho các hệ thống blockchain. Nó cho phép các ứng dụng blockchain đạt được tự do tính toán gần như vô hạn trong khi vẫn duy trì phân quyền và không tin cậy như là những đảm bảo an ninh cốt lõi. Chứng minh không biết (ZKPs) tạo thành xương sống của mô hình này, với các ứng dụng chủ yếu trong ba hướng nền tảng: khả năng mở rộng, quyền riêng tư và khả năng tương tác & tính toàn vẹn dữ liệu. Khả năng mở rộng là ứng dụng ZK đầu tiên đạt đến sản xuất, chuyển việc thực thi ra ngoài chuỗi và xác minh các chứng minh ngắn gọn trên chuỗi để đạt được thông lượng cao và khả năng mở rộng không tin cậy với chi phí thấp.

“Tính toán ngoài chuỗi + Xác minh trên chuỗi” là mô hình tính toán đáng tin cậy (Verifiable Computing) đã trở thành mô hình tính toán chung cho hệ thống blockchain. Nó cho phép các ứng dụng blockchain có được độ tự do tính toán gần như vô hạn (computational freedom) trong khi vẫn duy trì tính phi tập trung và an ninh tối thiểu về lòng tin (trustlessness). Chứng minh không kiến thức (ZKP) là trụ cột cốt lõi của mô hình này, và ứng dụng của nó chủ yếu tập trung vào ba hướng cơ bản: mở rộng (Scalability), quyền riêng tư (Privacy) và khả năng tương tác cũng như tính toàn vẹn dữ liệu (Interoperability & Data Integrity). Trong đó, mở rộng là bối cảnh đầu tiên mà công nghệ ZK được triển khai, thông qua việc di chuyển thực thi giao dịch ra ngoài chuỗi, với chứng minh ngắn gọn để xác minh kết quả trên chuỗi, đạt được TPS cao và chi phí thấp cho việc mở rộng đáng tin cậy.

Tác giả:0xjacobzhao | https://linktr.ee/0xjacobzhao
Bằng chứng không kiến thức (ZK) — như một cơ sở hạ tầng mật mã thế hệ tiếp theo và khả năng mở rộng — đang thể hiện tiềm năng to lớn trên khắp các lĩnh vực mở rộng blockchain, tính toán bảo mật, zkML và xác minh chuỗi chéo. Tuy nhiên, quá trình tạo ra bằng chứng cực kỳ tốn tài nguyên tính toán và có độ trễ cao, tạo thành nút thắt cổ chai lớn nhất cho việc áp dụng công nghiệp. Do đó, tăng tốc phần cứng ZK đã nổi lên như một yếu tố cốt lõi. Trong bối cảnh này, GPU vượt trội về tính linh hoạt và tốc độ lặp lại, ASIC theo đuổi hiệu quả tối đa và hiệu suất quy mô lớn, trong khi FPGA phục vụ như một giải pháp linh hoạt kết hợp khả năng lập trình với hiệu quả năng lượng. Cùng nhau, chúng tạo thành nền tảng phần cứng thúc đẩy việc áp dụng ZK trong thực tế.

Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Bằng chứng không biết (ZK) như một thế hệ mới của cơ sở hạ tầng mã hóa và mở rộng, đã thể hiện tiềm năng rộng lớn trong mở rộng blockchain, tính toán riêng tư cũng như các ứng dụng mới nổi như zkML và xác minh chuỗi chéo. Tuy nhiên, quá trình tạo ra bằng chứng của nó có khối lượng tính toán lớn và độ trễ cao, trở thành nút thắt lớn nhất trong việc hiện thực hóa công nghiệp. Tăng tốc phần cứng ZK chính là yếu tố cốt lõi nổi lên trong bối cảnh này. Trên con đường tăng tốc phần cứng ZK, GPU nổi bật với tính linh hoạt và tốc độ lặp lại, ASIC theo đuổi hiệu quả năng lượng tối đa và hiệu suất quy mô lớn, trong khi FPGA giữ vai trò trung gian, vừa có tính linh hoạt lập trình cao vừa có hiệu quả năng lượng tốt, cả ba cùng nhau tạo thành nền tảng phần cứng thúc đẩy sự hiện thực hóa của bằng chứng không biết.

Viết bởi 0xjacobzhao | https://linktr.ee/0xjacobzhao
Khi AI trở thành làn sóng công nghệ phát triển nhanh nhất, sức mạnh tính toán được coi là một “đồng tiền” mới, với GPU trở thành tài sản chiến lược. Tuy nhiên, tài trợ và thanh khoản vẫn hạn chế, trong khi tài chính tiền điện tử cần tài sản có dòng tiền thực – được hỗ trợ bởi các tài sản. Việc token hóa RWA đang nổi lên như một cây cầu. Cơ sở hạ tầng AI, kết hợp phần cứng có giá trị cao + dòng tiền có thể dự đoán, được coi là điểm vào tốt nhất cho các RWA phi tiêu chuẩn — GPU cung cấp tính thực tiễn ngắn hạn, trong khi robot đại diện cho biên giới dài hạn. RWAiFi của GAIB (RWA + AI + DeFi) giới thiệu một con đường mới cho tài chính chuỗi, cung cấp sức mạnh cho bánh đà của Cơ sở hạ tầng AI (GPU & Robotics) × RWA × DeFi.

Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Khi trí tuệ nhân tạo (AI) trở thành làn sóng công nghệ phát triển nhanh nhất toàn cầu, sức mạnh tính toán đang được xem như "tiền tệ" mới, và phần cứng hiệu năng cao như GPU đang dần trở thành tài sản chiến lược. Tuy nhiên, việc tài trợ và tính thanh khoản của các tài sản này từ lâu đã bị hạn chế. Trong khi đó, tài chính tiền điện tử đang rất cần tiếp cận các tài sản chất lượng cao với dòng tiền thực tế, và việc triển khai Tài sản Thế giới Thực (RWA) trên chuỗi khối đang trở thành cầu nối quan trọng giữa tài chính truyền thống và thị trường tiền điện tử. Tài sản cơ sở hạ tầng AI, với đặc điểm "phần cứng giá trị cao + dòng tiền có thể dự đoán được", được coi là điểm đột phá tốt nhất cho các tài sản phi tiêu chuẩn (RWA). Trong số đó, GPU có tiềm năng triển khai thực tế nhất, trong khi robot đại diện cho hướng nghiên cứu dài hạn hơn. Trong bối cảnh này, lộ trình RWAiFi (RWA + AI + DeFi) do GAIB đề xuất cung cấp một giải pháp mới cho "tài chính hóa cơ sở hạ tầng AI trên chuỗi khối", thúc đẩy hiệu ứng bánh đà "cơ sở hạ tầng AI (sức mạnh tính toán và robot) x RWA x DeFi".

Viết bởi 0xjacobzhao | https://linktr.ee/0xjacobzhao
Trong báo cáo tháng 6 của chúng tôi “Chén Thánh của Crypto AI: Khám Phá Biên Giới Đào Tạo Phi Tập Trung”, chúng tôi đã thảo luận về Học Tập Liên Kết—một mô hình “phi tập trung có kiểm soát” nằm giữa đào tạo phân tán và đào tạo hoàn toàn phi tập trung. Nguyên tắc cốt lõi của nó là giữ dữ liệu địa phương trong khi tập hợp các tham số một cách trung tâm, một thiết kế đặc biệt phù hợp cho các ngành nhạy cảm về quyền riêng tư và tuân thủ như chăm sóc sức khỏe và tài chính.

Trong báo cáo nghiên cứu tháng 6 của chúng tôi (Chén Thánh của Crypto AI: Khám phá Biên giới của Đào tạo Phi tập trung), chúng tôi đã đề cập đến học tập liên kết, một giải pháp "phi tập trung có kiểm soát" nằm giữa đào tạo phân tán và phi tập trung. Cách tiếp cận cốt lõi của nó là lưu trữ dữ liệu cục bộ và tổng hợp các tham số tập trung, đáp ứng các yêu cầu về quyền riêng tư và tuân thủ trong lĩnh vực chăm sóc sức khỏe, tài chính và các lĩnh vực khác. Đồng thời, chúng tôi đã liên tục nhấn mạnh sự phát triển của mạng lưới tác nhân trong các báo cáo trước đây. Giá trị của chúng nằm ở việc cho phép tính tự chủ của nhiều tác nhân và phân công lao động để cùng nhau hoàn thành các nhiệm vụ phức tạp, thúc đẩy sự phát triển từ "mô hình lớn" sang "hệ sinh thái đa tác nhân".

Một, Giới thiệu | Sự nhảy vọt của lớp mô hình Crypto AI
Dữ liệu, mô hình và sức mạnh tính toán là ba yếu tố cốt lõi của hạ tầng AI, giống như nhiên liệu (dữ liệu), động cơ (mô hình), năng lượng (sức mạnh tính toán) không thể thiếu. Tương tự như lộ trình tiến hóa hạ tầng của ngành AI truyền thống, lĩnh vực Crypto AI cũng trải qua các giai đoạn tương tự. Đầu năm 2024, thị trường một thời bị các dự án GPU phi tập trung dẫn dắt (Akash, Render, io.net, v.v.), nhấn mạnh logic tăng trưởng thô sơ “ghép sức mạnh tính toán”. Tuy nhiên, khi bước vào năm 2025, sự chú ý của ngành dần dần chuyển sang các lớp mô hình và dữ liệu, đánh dấu sự chuyển mình của Crypto AI từ cạnh tranh tài nguyên cơ sở hạ tầng sang xây dựng trung gian có tính bền vững và giá trị ứng dụng hơn.

1. Giới thiệu | Sự chuyển dịch mô hình-lớp trong AI tiền điện tử
Dữ liệu, mô hình và tính toán tạo thành ba trụ cột cốt lõi của cơ sở hạ tầng AI—tương tự như nhiên liệu (dữ liệu), động cơ (mô hình) và năng lượng (tính toán)—tất cả đều không thể thiếu. Giống như sự phát triển của cơ sở hạ tầng trong ngành AI truyền thống, lĩnh vực AI tiền điện tử cũng trải qua một quỹ đạo tương tự. Đầu năm 2024, thị trường bị chi phối bởi các dự án GPU phi tập trung (như Akash, Render và io.net), đặc trưng bởi mô hình tăng trưởng nặng về tài nguyên, tập trung vào sức mạnh tính toán thô. Tuy nhiên, đến năm 2025, sự chú ý của ngành công nghiệp đã dần chuyển sang các lớp mô hình và dữ liệu, đánh dấu sự chuyển đổi từ cạnh tranh cơ sở hạ tầng cấp thấp sang phát triển lớp trung gian bền vững hơn, hướng đến ứng dụng.

Bởi 0xjacobzhao | https://linktr.ee/0xjacobzhao
Không nghi ngờ gì, Pendle là một trong những giao thức DeFi thành công nhất trong chu kỳ crypto hiện tại. Trong khi nhiều giao thức đã dừng lại do khan hiếm thanh khoản và những câu chuyện phai nhạt, Pendle đã tự phân biệt mình thông qua cơ chế chia lợi suất và giao dịch độc đáo, trở thành “nền tảng phát hiện giá” cho các tài sản sinh lợi. Bằng cách tích hợp sâu với các stablecoin, LST, LRT, và các tài sản sinh lợi khác, nó đã đảm bảo vị thế của mình như là “cơ sở hạ tầng tỷ lệ sinh lợi DeFi” nền tảng.

Trong blockchain, mật mã là nền tảng cơ bản của an ninh và niềm tin. Chứng minh Không Kiến thức (ZK) có thể nén bất kỳ phép toán phức tạp nào ngoài chuỗi thành một chứng minh ngắn gọn có thể được xác minh hiệu quả trên chuỗi—mà không dựa vào niềm tin của bên thứ ba—khiến cho việc ẩn đầu vào chọn lọc trở nên khả thi để bảo vệ quyền riêng tư. Với sự kết hợp của việc xác minh hiệu quả, tính phổ quát và quyền riêng tư, ZK đã trở thành một giải pháp chính cho các trường hợp sử dụng về mở rộng, quyền riêng tư và khả năng tương tác. Mặc dù vẫn còn những thách thức, chẳng hạn như chi phí cao của việc tạo chứng minh và độ phức tạp của việc phát triển mạch, tính khả thi kỹ thuật và mức độ chấp nhận của ZK đã vượt qua các phương pháp khác, khiến nó trở thành khuôn khổ được áp dụng rộng rãi nhất cho tính toán đáng tin cậy.

Trong báo cáo nghiên cứu trước đây của chúng tôi "Sự Tiến Hóa Thông Minh của DeFi: Từ Tự Động Hóa đến AgentFi", chúng tôi đã hệ thống hóa và so sánh ba giai đoạn phát triển trí tuệ DeFi: Tự Động Hóa, Copilot Tập Trung Vào Ý Định, và AgentFi. Chúng tôi đã chỉ ra rằng một phần đáng kể của các dự án DeFAI hiện tại vẫn tập trung vào các khả năng cốt lõi xung quanh giao dịch hoán đổi "theo ý định + tương tác nguyên tử đơn“. Vì những tương tác này không liên quan đến các chiến lược lợi nhuận liên tục, không yêu cầu quản lý trạng thái, và không cần khung thực thi phức tạp, chúng phù hợp hơn với các copilot dựa trên ý định và không thể được phân loại nghiêm ngặt là AgentFi.

Bài viết này đã được hưởng lợi từ những gợi ý sâu sắc của Lex Sokolin (Generative Ventures), Stepan Gershuni (cyber.fund) và Advait Jayant (Aivos Labs), cùng với những đóng góp quý giá từ các đội ngũ đứng sau Giza, Theoriq, Olas, Almanak, Brahma.fi và HeyElsa. Mặc dù đã có mọi nỗ lực để đảm bảo tính khách quan và chính xác, một số quan điểm có thể phản ánh sự diễn giải cá nhân. Khuyến khích độc giả tham gia vào nội dung một cách phản biện.
Trong số các lĩnh vực khác nhau trong bối cảnh tiền điện tử hiện tại, thanh toán stablecoin và các ứng dụng DeFi nổi bật như hai lĩnh vực có nhu cầu thực tế đã được xác nhận và giá trị lâu dài. Đồng thời, sự phát triển mạnh mẽ của các đại lý AI đang nổi lên như giao diện người dùng thực tiễn của ngành công nghiệp AI - đóng vai trò là trung gian chính giữa AI và người dùng.