Các chuyên gia cho biết các zk-proof mang lại lợi thế cho DePIN khi nhu cầu về niềm tin từ AI ngày càng tăng

Dự báo cơ sở của Goldman Sachs về mức chi vốn cho trí tuệ nhân tạo (AI) là 7,6 nghìn tỷ USD cuối cùng phụ thuộc vào việc phần cứng silicon dành riêng cho AI còn hữu dụng trong bao lâu. Các mạng phi tập trung hứa hẹn tối ưu hóa chi phí đáng kể nhưng vẫn tiếp tục đối mặt với vấn đề độ trễ, và các chuyên gia cho rằng tính khả thi dài hạn của chúng sẽ phụ thuộc vào việc ưu tiên khả năng xác minh thay vì hiệu năng thô.

• Các ý chính:
• • Goldman Sachs dẫn mức chi 7,6 nghìn tỷ USD vào năm 2031, tùy thuộc vào việc chip còn dùng được hơn 3 năm hay không.
• • Các chuyên gia StealthEX và Cysic cảnh báo rằng độ trễ trong DePIN giới hạn AI phi tập trung ở các tác vụ theo lô thay vì chat trực tiếp.
• • Các công ty onchain như Maple có thể thu hẹp khoảng $5M to $50M credit cho các trung tâm dữ liệu Tier 2 vào năm 2028.

Nền tảng 7,6 nghìn tỷ USD

Một báo cáo gần đây của Goldman Sachs đưa cuộc tranh luận từ việc liệu nhu cầu của AI có tồn tại hay không sang yếu tố phía cung nào sẽ quyết định chi phí thực tế cho việc triển khai. Báo cáo dự phóng mức chi tiêu vốn cho AI là 7,6 nghìn tỷ USD làm kịch bản cơ sở, nhưng nhấn mạnh con số này nhạy cảm cao với “các biến số dao động”, bao gồm vòng đời hữu dụng của silicon AI.

Tuổi thọ này được xem là yếu tố quan trọng nhất, vì đổi mới nhanh có thể làm các chip tiêu chuẩn—thường có vòng đời 4 đến 6 năm—trở nên lỗi thời chỉ sau 3 năm, khiến chi phí tăng vọt. Ngược lại, mô hình “phân tầng” trong đó chip cũ được tái sử dụng cho các tác vụ đơn giản hơn, như suy luận, có thể giúp ổn định chi phí.

Độ phức tạp của trung tâm dữ liệu và độ co giãn của nhu cầu tính toán là các biến số khác có khả năng ảnh hưởng đến lượng vốn được chi cho hạ tầng AI trong 5 năm tới. Tình trạng thiếu năng lực từ lưới điện, lao động chuyên biệt và thiết bị điện cũng được nhìn nhận là những yếu tố kéo dài thời gian triển khai.

Trong khi đó, một báo cáo riêng mô tả khoản chi tiêu hạ tầng “choáng váng” này như nền tảng của một “nền kinh tế máy” đang hình thành. Ở mô hình này, các tác nhân AI trở thành tác nhân kinh tế chính, thực hiện các giao dịch tần suất cao và tự quản lý phân bổ nguồn lực. Các tác giả báo cáo cho rằng các hệ thống tài chính truyền thống, vốn có chu kỳ thanh toán chậm và các khung tuân thủ biết khách hàng (KYC) cứng nhắc, về cơ bản không phù hợp với tốc độ của thương mại do tác nhân vận hành.

Hạ tầng phi tập trung và bài toán đánh đổi độ trễ

Do đó, báo cáo này xem crypto và các giao thức phi tập trung là “các đường ray kinh tế” thiết yếu, không cần cấp phép, cần thiết để thúc đẩy sự thay đổi này. Tuy nhiên, những người hoài nghi vẫn thận trọng, đặt câu hỏi liệu các mạng hạ tầng vật lý phi tập trung (DePIN) có thể thực sự giảm bớt yêu cầu vốn ngày càng phình to của AI hay không.

Vadim Taszycki, giám đốc tăng trưởng tại StealthEX, cho biết dù các mạng phi tập trung có thể mang lại tiết kiệm chi phí đáng kể, chúng lại vướng giới hạn về mặt vật lý. Ông nói rằng trong khi một nhà cung cấp phi tập trung như Akash có thể cho thuê GPU H100 với giá 1,48 USD/giờ so với 12,30 USD trên Amazon Web Services, thì sự đánh đổi nằm ở tốc độ.

“Các nhà cung cấp cloud lớn có thể làm [xử lý nhanh] vì GPU của họ nằm cạnh nhau trong cùng một tòa nhà, được kết nối bằng các cáp chuyên dụng giúp truyền dữ liệu trong vài micro giây,” Taszycki nói. Ông giải thích rằng các mạng phi tập trung, khi ghép nối các GPU qua nhiều quốc gia thông qua Internet công cộng, sẽ làm tăng độ trễ lên hàng mili giây. Độ trễ này khiến việc điều phối phi tập trung phù hợp với các tác vụ theo lô và tinh chỉnh nhưng không phù hợp để phục vụ các chatbot quy mô lớn theo thời gian thực, nơi trải nghiệm người dùng phụ thuộc vào phản hồi gần như ngay lập tức.

Leo Fan, người sáng lập Cysic, cũng bày tỏ quan điểm tương tự, khẳng định suy luận phi tập trung không phù hợp với các tác vụ có yêu cầu độ trễ thấp. Fan lập luận, tuy nhiên, rằng độ trễ là thước đo sai khi so sánh các nền tảng phi tập trung với các hạ tầng siêu quy mô như AWS.

“Bài toán khó không phải là tính toán phân tán, mà là khám phá, lập lịch và thẩm định. Mấu chốt không nằm ở giá trên mỗi token; mà nằm ở khả năng xác minh,” Fan nói. Ông cho biết các môi trường thực thi tin cậy (TEE) và các xác nhận bằng mật mã không kiến thức (ZK) cho phép các mạng phi tập trung cạnh tranh trong những lĩnh vực mà niềm tin và khả năng xác minh quan trọng hơn “độ trễ đuôi”.

Tín dụng onchain và khoảng trống huy động vốn

Ngoài phần tính toán, trọng tâm đang chuyển sang cách các dự án tiêu tốn nhiều vốn này được tài trợ. Dù tín dụng tư nhân truyền thống có đủ nguồn vốn, nó thường bỏ qua các thương vụ nhỏ hơn hoặc không theo chuẩn. Tín dụng onchain mang lại lợi thế khác biệt, như cho phép nhà đầu tư lẻ tham gia vào doanh thu của trung tâm dữ liệu vốn trước đây bị giới hạn cho các đối tác góp vốn tổ chức. Hơn nữa, các nền tảng như Maple và Centrifuge có thể đồng tài trợ các khoản vay trong khoảng 5 triệu USD đến 50 triệu USD—mức mà nhiều công ty như Apollo thường bỏ qua do chi phí thẩm định cao so với phí thu được.

Cuối cùng, tín dụng onchain còn mở ra các mô hình “trả theo suy luận” mới, trong đó doanh thu biến động theo mức sử dụng GPU. Những mô hình này phù hợp tự nhiên hơn với cấu trúc chia sẻ doanh thu đã được token hóa so với các hợp đồng thuê truyền thống cố định kéo dài 20 năm.

Dẫu vậy, các chuyên gia xác định có bốn “cửa” vẫn đang đóng đối với việc các tổ chức lớn áp dụng: tính cưỡng chế pháp lý trong tòa án phá sản, thiếu hạ tầng oracle có thể phát hiện can thiệp để phục vụ các điều khoản cam kết, sự không chắc chắn về quy định đối với các gói tranches trị giá hàng tỷ USD, và các sản phẩm thuế–kế toán chưa được chuẩn hóa.

Quan điểm chung cho thấy mốc thời gian thực tế là 12 đến 24 tháng để các thương vụ đồng tài trợ quy mô vừa có thể tạo lực kéo trên onchain, và nợ mezzanine chủ yếu trên onchain có thể còn 3 đến 5 năm nữa. Những bước đột phá đầu tiên nhiều khả năng đến từ các nhà vận hành Tier 2 hơn là các nhà dẫn đầu ngành như Coreweave.