Triển vọng AI phi tập trung năm 2026: Tại sao blockchain là giải pháp thiết yếu cho AI

Bài viết: Pink Brains

Biên dịch: AididiaoJP, Foresight News

Sự tồn tại của AI phi tập trung là do AI tập trung gặp phải những giới hạn cấu trúc mà vốn và mã nguồn không thể khắc phục:

• Tài nguyên tính toán khan hiếm và đắt đỏ
• Sự tập trung quyền lực quá mức
• Đầu ra mô hình không thể xác minh
• Việc thu thập dữ liệu huấn luyện ngày càng khó khăn

Tài nguyên tính toán khan hiếm và đắt đỏ

Cơ sở hạ tầng GPU dự kiến tăng từ 10 tỷ USD năm 2025 lên 77 tỷ USD năm 2035. GPU cho trung tâm dữ liệu đã liên tục hết hàng trong nhiều tháng qua. Thị trường tính toán phi tập trung dự kiến tăng từ 9 tỷ USD năm 2024 lên 22 tỷ USD năm 2035 (dữ liệu từ Research and Markets). Con số này chỉ hợp lý nếu bạn tin rằng sự thiếu hụt mang tính cấu trúc chứ không phải chu kỳ—và chúng tôi cho rằng nó chính là vấn đề cấu trúc.

Sự tập trung quyền lực quá mức

ChatGPT, Gemini, Grok, Claude đều do một vài công ty tư nhân duy nhất sở hữu và vận hành. Các chính sách AI hiện tại giả định rằng chỉ có một số ít thực thể có khả năng tập trung nguồn tính toán khổng lồ mới có thể huấn luyện các hệ thống mạnh mẽ. Khi giả định này bị phá vỡ, cục diện về ai có thể xây dựng trí tuệ tiên tiến sẽ hoàn toàn thay đổi.

Kết quả đầu ra không thể xác minh

Khi mô hình đưa ra quyết định, người dùng không thể xác minh xem mô hình đúng có được thực thi hay không, các phép tính có được thực hiện chính xác hay không, hay dữ liệu nhạy cảm có bị rò rỉ hay không. Điều này có thể chấp nhận được đối với chatbot, nhưng hoàn toàn không thể chấp nhận được khi AI xử lý các khoản vay, chăm sóc sức khỏe hoặc các đại lý tự chủ thao tác ví thời gian thực.

Việc thu thập dữ liệu huấn luyện ngày càng khó khăn do lo ngại về quyền riêng tư và quy định

Một bot tập trung nằm trong một khu vực AWS duy nhất sẽ nhanh chóng bị giới hạn tốc độ, chặn theo khu vực hoặc bị lừa bởi bộ nhớ đệm độc hại. Như a16z đã nêu trong triển vọng năm 2026, quyền riêng tư đang trở thành “hàng rào bảo vệ quan trọng nhất trong lĩnh vực mã hóa”.

AI cần blockchain để làm cho trí tuệ trở nên mở, có thể xác minh và tiếp cận được về mặt kinh tế.

• Lớp ứng dụng và dịch vụ: Các đại lý AI có thể làm nhiều việc, nhưng trong lĩnh vực tiền mã hóa, hai trường hợp sử dụng chính hiện nay là Tài chính Đại lý (Agentic Finance) và Thanh toán Đại lý (Agentic Payments)
• Lớp middleware: Các tổ chức được kết nối — từ khung xây dựng và nhận diện đại lý, thị trường đại lý, đến lớp điều phối
• Lớp hạ tầng: Nguồn lực nền tảng của AI—lớp quyền riêng tư và xác minh, tính toán, suy luận, đào tạo, dữ liệu và lưu trữ

Agent Finance chuyển đổi các lời nhắc ngôn ngữ tự nhiên thành hành động trên chuỗi.

Đại lý ARMA của @gizatechxyz đã xử lý hơn 46 tỷ USD khối lượng giao dịch đại lý trên các thị trường vay mượn được chọn—chạy từng khối, không托管 trên khung AVS của EigenLayer.

@Infinit_Labs vận hành một cụm gồm hơn 20 đại lý chuyên nghiệp, có khả năng chuyển đổi các ý định như “kiếm 1.000 USD mỗi tháng bằng 1 BTC” thành các chiến lược một cú nhấp chuột trên Ethereum, Solana và Base.

@coinvestai của Liquid sẽ thực thi giao dịch trực tiếp được nhúng vào ChatGPT và Claude, hỗ trợ giao dịch trên hơn 500 thị trường thông qua Model Context Protocol.

@minara đã tích hợp Hyperliquid và mới đây gia nhập Lighter. Nó vận hành vòng lặp giao dịch hoàn chỉnh “phân tích → ra quyết định → thực thi” thông qua mô hình DMind và hơn 50 tích hợp.

@Cod3xOrg: Một mạng lưới gồm các đại lý AI nhẹ, có khả năng chuyển đổi ý định thành các giao dịch trên chuỗi được xây dựng và thực thi.

@Zyfai_: Một đại lý DeFAI tự lưu trữ, tự động hóa và tối ưu hóa việc khai thác lợi nhuận, liên tục tái cân bằng vốn xuyên suốt các giao thức để theo đuổi APY đã điều chỉnh rủi ro, không cần can thiệp thủ công.

Trong lĩnh vực thị trường dự đoán, @SynthdataCo là một subnet của Bittensor, vận hành mạng lưới trí tuệ tài chính dự đoán phi tập trung. Các thợ mỏ cạnh tranh để mô hình hóa sự không chắc chắn về giá ngắn hạn. Nó hiện đang cung cấp dữ liệu thời gian thực cho các sản phẩm như Mode AI Quant của Kalshi.

Giống như internet trở thành lớp giao tiếp của nền kinh tế số, blockchain và stablecoin đang trở thành lớp thanh toán cho các khoản thanh toán đại diện.

Tính đến tháng 5 năm 2026, x402 đã xử lý hơn 173 triệu giao dịch trên Base và Solana, các thành viên của Quỹ x402 bao gồm Google, Visa, AWS, Circle, Anthropic, Stripe và Cloudflare. Stripe bắt đầu sử dụng nó từ tháng 2 năm 2026; AWS đã ra mắt AgentCore Payments bản gốc.

Hoạt động của người mua và người bán đang gia tăng, với đa số giao dịch liên quan đến việc sử dụng trả phí theo nhu cầu thực tế: các cuộc gọi API, dịch vụ suy luận AI, các tác vụ tương tự như đại lý thương mại. Chu kỳ hype ban đầu đã lắng xuống, nhưng sự tăng trưởng thực sự đang bắt kịp.

Trong khi đó, Machine Payments Protocol của Stripe và Tempo đang xuất hiện như một tuyến đường thứ hai, ghi nhận hơn 411.900 giao dịch và 9.600 người mua kể từ khi ra mắt.

Các mạng này cùng cho thấy rằng kinh doanh máy-máy đang chuyển đổi theo hướng rộng hơn, nơi các đại lý phần mềm có thể giao dịch tự chủ với tốc độ máy.

Khi số lượng đại lý tăng lên, thách thức cốt lõi trở thành việc điều phối: các đại lý làm thế nào để phát hiện lẫn nhau, xác minh danh tính và thực hiện giao dịch mà không cần sự can thiệp của con người.

Sự thiếu tin tưởng tại đây là điểm nghẽn. Quy mô ước tính của ngành đại lý thương mại sẽ đạt từ 1,5 nghìn tỷ đến 5 nghìn tỷ USD vào năm 2030, nhưng sự áp dụng bị giới hạn bởi một điểm—hầu hết người dùng sẵn sàng để AI thực hiện nghiên cứu, nhưng rất ít người sẵn sàng để AI thực hiện việc mua hàng.

Hôm nay, hệ thống vẫn dựa vào API key, và gần như không có hệ thống nào coi proxy là một thực thể có danh tính.

@GoKiteAI đang xây dựng một L1 chuyên dụng, tích hợp danh tính và thanh toán như các nguyên tố bản địa. ERC-8004 là tiêu chuẩn của Ethereum, cung cấp danh tính và uy tín trên chuỗi có thể di chuyển và theo dõi xuyên chuỗi cho đại lý.

Về mặt thị trường, @virtuals_io là hệ điều hành cho nền kinh tế đại lý trên Base. Đến tháng 6 năm 2026, nó đã xử lý hơn 2,38 triệu nhiệm vụ đại lý, tạo ra gần 480 triệu USD "GDP đại lý".

Nhưng viên ngọc quý của lớp này chính là Bittensor. Đó là một mạng lưới gồm các subnets chuyên nghiệp, mỗi subnet là một nền kinh tế vi mô, nơi thợ mỏ chạy các mô hình AI, người xác thực đánh giá đầu ra, và việc phát hành TAO được phân phối cho những người tạo ra công việc hữu ích nhất. Có ba cơ chế khiến nó trở nên nghiêm túc về mặt kinh tế:

• Việc giảm nửa vào tháng 12 năm 2025 sẽ giảm lượng TAO được phát hành hàng ngày từ 7.200 xuống 3.600, tương ứng với mức giới hạn tối đa 21 triệu đồng.
• dTAO nâng cấp để cung cấp token Alpha và hồ sơ AMM riêng cho mỗi subnet—lượng phát hành do thị trường quyết định.
• Taoflow nâng cấp (ra mắt tháng 11 năm 2025) phân phối phát hành hoàn toàn dựa trên luồng质押 ròng. Một subnet nếu giải质押 nhiều hơn质押 sẽ có thể giảm xuống bằng không. Thiết kế mang tính Darwinian.

Mạng lưới đã vượt quá 128 subnet hoạt động, ba subnet tính toán lớn nhất được báo cáo đạt tổng doanh thu hàng năm (ARR) 20 triệu USD trong vòng ba tháng sau khi thương mại hóa. Chủ nghĩa xã hội tiến hóa chính là sản phẩm.

Các dự án khác tập trung vào việc xây dựng blockchain AI chuyên dụng hoặc cung cấp các công cụ, khung và cơ chế khuyến khích cần thiết để hỗ trợ hệ sinh thái AI do cộng đồng sở hữu.

@NEARProtocol: Một lớp phối hợp vô hình, tích hợp thanh toán, danh tính, quyền riêng tư, TEE, MPC và bảo vệ PII, phục vụ các đại lý tự chủ.

@base——“代理经济”的主基地。Base MCP cho phép các công cụ AI như Claude, ChatGPT, Cursor thực hiện các hành động trên chuỗi thông qua lệnh nhắc trên các nền tảng như Uniswap, Morpho, Avantis—trao đổi, chuyển tiền, tương tác DeFi.

@SentientAGI: Hệ sinh thái GRID kết nối các đại lý, mô hình, dữ liệu và tính toán, định tuyến truy vấn đến các bên tham gia chuyên môn để mang lại kết quả tối ưu.

@gensynai: Thực thi ML có thể xác minh, phối hợp phần cứng phân tán để đào tạo và suy luận, đồng thời đảm bảo độ tin cậy của công việc, mạng lưới phối hợp $AI.

@SaharaAI kết nối dữ liệu, mô hình, đại lý và phần thưởng trong một hệ sinh thái nguyên bản AI duy nhất.

Cơ sở hạ tầng là khung xương của AI—những nguyên tố cơ bản về tính toán, suy luận, đào tạo, dữ liệu và quyền riêng tư mà tất cả các lớp trên đều phụ thuộc vào. Đây là lớp dày đặc vốn nhất trong stack AI phi tập trung.

Decentralized computing

@akashnet vận hành thị trường đấu giá ngược, nơi các nhà cung cấp cạnh tranh để giành các tải công việc của bạn. Trong quý 1 năm 2026, hợp đồng thuê mới tăng 27%, đạt hơn 43.500, là quý tăng trưởng thứ ba liên tiếp. Dịch vụ suy luận AkashML của họ đã xử lý gần 120 tỷ token vào tháng 4, với giá rẻ hơn 60–85% so với các đám mây chính thống.

@rendernetwork công bố mức tăng trưởng sử dụng 428% so với cùng kỳ năm trước.

@ionet đã tích hợp hơn 130.000 GPU từ hơn 130 quốc gia trên Solana.

@AethirCloud là một trong những dự án thực sự có doanh thu: tự báo cáo khoảng 1,66 tỷ USD ARR (Q3 2025), đã cung cấp hơn 1,5 tỷ giờ tính toán.

Distributed and Verifiable Reasoning

推理 chiếm hơn 70% chi phí vận hành AI, Goldman Sachs dự đoán AI đại lý sẽ thúc đẩy lượng token tiêu thụ tăng 24 lần vào năm 2030 — 120 nghìn tỷ token mỗi tháng.

Giải pháp phi tập trung là làm cho việc suy luận trở nên rẻ, riêng tư và có thể xác minh được.

@AskVenice đã cung cấp hơn 50 tỷ token mỗi ngày cho hơn 2 triệu người dùng thông qua các mô hình riêng tư và không kiểm duyệt, với lợi thế cạnh tranh là mô hình.

@OpenGradient đã xử lý hơn 2 triệu lần suy luận có thể xác minh và tạo ra hơn 500.000 bằng chứng zkML.

@chutes_ai: Các nhà phát triển có thể triển khai và mở rộng mô hình AI thông qua API đơn giản, được hỗ trợ bởi thợ đào GPU, chi phí có thể rẻ hơn tới 85% so với AWS. Doanh thu nền tảng được chuyển hóa thành nhu cầu token thông qua cơ chế stakes tự động.

@dphnAI — Mạng lưới suy luận AI phi tập trung. Lưu ý rằng Dolphin đã phát triển mô hình không kiểm duyệt được Venice AI sử dụng và dành 100% doanh thu mạng để mua lại token.

Đào tạo phi tập trung

Việc huấn luyện là vấn đề khó nhất và có ảnh hưởng lớn nhất—nó quyết định liệu các mô hình tiên tiến có cần phải được xây dựng trong nội bộ của ba đến bốn phòng thí nghiệm doanh nghiệp hay không.

INTELLECT-1 của @PrimeIntellect (10 tỷ tham số) là lần chạy huấn luyện phân phối toàn cầu đầu tiên; INTELLECT-2 (32 tỷ tham số) là lần chạy RL phân phối đầu tiên.

@tplr_ai đã thành công trong việc huấn luyện Covenant-72B trên hơn 70 nút phân tán, xử lý khoảng 1,1 nghìn tỷ token, giảm chi phí truyền thông xuống 146 lần.

@NousResearch: Mạng Psyche của họ đạt được đào tạo phân tán chịu lỗi, khiến Hermes 4.3 trở thành mô hình Hermes đầu tiên được đào tạo trên cơ sở hạ tầng phi tập trung thay vì cụm tập trung.

Subnet IOTA (SN9) của @MacrocosmosAI thực hiện huấn luyện trước LLM phi tập trung và “huấn luyện tại nhà”, trong khi subnet Data Universe (SN13) xử lý lớp dữ liệu. Các thuật toán thấp truyền thông DiLoCo cho phép các GPU phân tán toàn cầu hợp tác mà không cần mạng nội bộ siêu tốc của trung tâm dữ liệu.

Tính khả dụng và lưu trữ dữ liệu phi tập trung

Khi quy mô tải công việc AI mở rộng, cả hai đều đang trở thành điểm nghẽn. Các mô hình tiên tiến tiêu thụ lượng dữ liệu mới khổng lồ, trong khi nhu cầu lưu trữ đã tăng vọt đến mức các nhà cung cấp ổ cứng chính báo cáo công suất sản xuất đã được bán hết trước nhiều năm.

Kinh tế học rất hấp dẫn. Lưu trữ phi tập trung có thể rẻ hơn 60-80% so với các nhà cung cấp đám mây truyền thống, các mạng như @Filecoin cung cấp giá lưu trữ dưới 1 USD mỗi TB mỗi tháng, trong khi các giải pháp tập trung khoảng 30 USD.

@grass trả phí cho 2,5 triệu nút đến từ 190 quốc gia để sử dụng băng thông rảnh, giúp các phòng thí nghiệm AI có thể thu thập dữ liệu mạng theo thời gian thực.

@WalrusProtocol là một đối thủ nổi lên nhanh chóng do @Mysten_Labs xây dựng, dành cho lưu trữ phi tập trung và tính khả dụng dữ liệu—sử dụng mã sửa lỗi hai chiều để lưu trữ hiệu quả các “blob” lớn, và ngày càng được định vị như một lớp bộ nhớ bền vững cho các đại lý AI.

@eigencloud: Một nền tảng điện toán có thể xác minh được xây dựng dựa trên tính khả dụng của dữ liệu, tính toán có thể xác minh và giải quyết tranh chấp. Được bảo vệ bởi ETH được tái thế chấp, nguyên lý của nó là cho phép các đại lý AI hoạt động với sự đảm bảo mật mã, khiến các hành động có thể chứng minh, kiểm toán và thực thi.

@vana——một EVM L1, nơi các Data DAOs và Data Liquidity Pools biến dữ liệu cá nhân thành các tài sản có thể được token hóa và giao dịch.

@reppo và @oroagents đang xây dựng các bộ dữ liệu chất lượng cao và đáng tin cậy cho việc huấn luyện AI thông qua cuộc thi khuyến khích.

Lớp quyền riêng tư và xác thực

Người dùng AI thông thường không thể xác minh liệu mô hình có xử lý dữ liệu của họ một cách riêng tư, thực hiện chính xác các phép tính, hay thậm chí có sử dụng mô hình đã tuyên bố hay không.

Vào năm 2026, quyền riêng tư và xác thực đang trở thành điều kiện tiên quyết của AI, thay vì tính năng bổ sung.

@nillion — «Máy tính mù», thực hiện tính toán trên dữ liệu được mã hóa mà không cần giải mã, sử dụng MPC và Nil Message Compute của riêng mình. Các ứng dụng bao gồm suy luận AI riêng tư, cơ sở dữ liệu được mã hóa và RAG riêng tư (giúp AI truy vấn cơ sở tri thức độc quyền mà không tiết lộ thông tin).

@Arcium: Mạng tính toán bí mật phi tập trung trên Solana. Các trường hợp sử dụng bao gồm Umbra (chuyển tiền ẩn danh / thu nhập riêng tư) và huấn luyện AI bí mật trên các bộ dữ liệu nhạy cảm.

@OasisProtocol: L1 ưu tiên quyền riêng tư, sử dụng ROFL (Runtime Offchain Logic), một khung dựa trên TEE để thực hiện các tính toán ngoài chuỗi có thể xác minh và bảo vệ quyền riêng tư—đại lý AI, huấn luyện mô hình hoặc oracle.

@octra: L1 ưu tiên quyền riêng tư với hỗ trợ native FHE, sử dụng giải pháp độc quyền HFHE (Hypergraph FHE), được thiết kế riêng cho tính toán mã hóa song song và thông lượng.

@eigencloud: Xác minh các tác nhân nặng, dựa trên bảo mật tái đặt cọc của EigenLayer. EigenAI (xác minh suy luận LLM là một API tương thích OpenAI dành cho các mô hình mã nguồn mở, nơi đầu vào và đầu ra có thể được chứng minh là không bị thay đổi) và EigenCompute (thực thi ngoại tuyến có thể xác minh cho logic đại lý).

@PhalaNetwork. GPU đám mây mạnh mẽ nhưng không riêng tư; Phala giúp các tải trọng có thể chứng minh được, ngay cả đối với chính Phala. GPU TEE trên sản phẩm cốt lõi Phala Cloud cho phép triển khai các mô hình mã nguồn mở lên phần cứng, cung cấp API tương thích với OpenAI, trong đó mỗi lần suy luận đều có bằng chứng mã hóa.

Nhu cầu về AI tăng trưởng nhanh hơn tốc độ phát triển của hạ tầng, các đại lý AI đang trở thành động lực tăng trưởng chính – các quỹ đạo trên chuỗi đã sẵn sàng.

Tính toán đang chuyển đổi thành một loại tài sản, thị trường trên chuỗi đang trở thành lớp tài chính của nó. Các người tham gia tổ chức đang chuyển từ thí nghiệm sang đầu tư vào cơ sở hạ tầng.

Kinh tế token đang trở thành lợi thế cấu trúc của AI phi tập trung trong việc điều phối vốn, tính toán và dữ liệu. Cơ hội đang mở rộng từ AI sang robot, máy tự chủ và AI vật lý.

AI phi tập trung đang tăng trưởng trong các tầng chính như cơ sở hạ tầng, middleware và ứng dụng, thể hiện qua doanh thu tính toán, kinh tế đại lý tăng trưởng và đào tạo phân tán quy mô lớn.

Tuy nhiên, lĩnh vực này vẫn ở giai đoạn đầu. Doanh thu thường đi sau các phần thưởng token, sự áp dụng vẫn chưa đồng đều, mặc dù đầu tư vào AI tổng thể tăng mạnh, nhưng AI phi tập trung vẫn chỉ chiếm một phần nhỏ trong đầu tư mạo hiểm. Các mạng được thúc đẩy bởi token có thể là lợi thế lớn, nhưng điều kiện tiên quyết là thiết kế thu hút giá trị phải chính xác.

Dù vậy, sự xuất hiện của các dự án như Bittensor, NEAR, Virtuals, Base và Venice cho thấy AI phi tập trung đang chuyển từ những câu chuyện đầu cơ sang một mô hình mới trong việc phối hợp tính toán, dữ liệu, vốn và trí tuệ.