Jensen Huang cho biết AI mở và AI đóng sẽ cùng tồn tại: Điều đó có nghĩa gì đối với tiền điện tử và AI phi tập trung
2026/08/02 08:06:00
Quan điểm của CEO NVIDIA Jensen Huang rằng trí tuệ nhân tạo mở và sở hữu sẽ cùng phát triển có những hệ quả vượt xa sự cạnh tranh giữa các phòng thí nghiệm AI hàng đầu. Nếu các trọng số mô hình tiên tiến trở nên phổ biến hơn, điểm nghẽn tiếp theo sẽ ngày càng là hạ tầng cần thiết để đào tạo, tùy chỉnh và vận hành chúng. Điều này tạo ra cơ hội tiềm năng cho các mạng GPU phi tập trung, các thị trường và giao thức AI dựa trên blockchain như Bittensor, nhưng điều này không đảm bảo rằng mọi dự án AI phi tập trung hoặc token liên quan sẽ thành công.
Câu hỏi trung tâm đối với tiền mã hóa không đơn giản là liệu sẽ có thêm nhiều mô hình AI có thể tải về hay không. Mà là liệu các mạng phi tập trung có thể cung cấp khả năng tính toán, suy luận, lưu trữ, thanh toán và xác minh hữu ích ở mức độ mà các doanh nghiệp và nhà phát triển sẵn sàng chi trả hay không. Những bình luận của Huang củng cố lập luận cho một hệ sinh thái AI đa dạng, nhưng hiệu suất kỹ thuật, độ tin cậy của mạng, kinh tế token và nhu cầu thực tế từ khách hàng sẽ quyết định liệu tiền mã hóa có trở thành một lớp hạ tầng quan trọng hay chỉ mãi là một câu chuyện đầu cơ xung quanh sự tăng trưởng của AI.
Tầm nhìn AI mở và đóng của Jensen Huang và lý do cả hai mô hình sẽ cùng tồn tại
Jensen Huang không xem tương lai của trí tuệ nhân tạo là một cuộc cạnh tranh kiểu “người thắng cuộc giành hết” giữa các hệ thống mở và đóng. Phát biểu tại NVIDIA GTC vào tháng 3 năm 2026, nhà sáng lập và CEO của NVIDIA đã bác bỏ sự lựa chọn nhị phân này, cho rằng “giữa sở hữu và mở không phải là một vấn đề. Đó là sở hữu và mở.” Lập luận của ông là hệ sinh thái AI toàn cầu sẽ cần các mô hình khác nhau cho các công việc, ngành công nghiệp và yêu cầu bảo mật khác nhau, thay vì một hệ thống phổ quát do một công ty hoặc triết lý phát triển duy nhất kiểm soát. Các mô hình sở hữu tiên tiến có thể tiếp tục dẫn đầu trong các nhiệm vụ đòi hỏi hiệu suất suy luận tối đa, bảo mật được quản lý và hỗ trợ doanh nghiệp, trong khi các mô hình có trọng số mở có thể mang lại cho các nhà phát triển, doanh nghiệp và chính phủ sự kiểm soát lớn hơn đối với tùy chỉnh, xử lý dữ liệu và triển khai.
Huang Từ Chối Cuộc Tranh Luận Giữa AI Mở Và AI Đóng
Mặc dù AI mở và AI đóng thường được trình bày như những cách tiếp cận cạnh tranh, nhưng chúng đáp ứng các yêu cầu người dùng khác nhau. Các mô hình sở hữu thường được kiểm soát bởi nhà phát triển và truy cập thông qua các ứng dụng, nền tảng đám mây hoặc API. Cấu trúc này có thể mang lại hiệu suất cao cấp, cập nhật đồng bộ, các biện pháp bảo mật tập trung và hỗ trợ chuyên nghiệp mà không yêu cầu khách hàng vận hành cơ sở hạ tầng học máy phức tạp. Sự đánh đổi là người dùng có thể có tầm nhìn hạn chế vào các tham số của mô hình, quá trình huấn luyện và các biện pháp bảo vệ nội bộ. Các tổ chức cũng có thể trở nên phụ thuộc vào giá cả, khả năng sẵn có, chính sách dữ liệu và hạn chế sử dụng của một nhà cung cấp duy nhất khi AI ngày càng được tích hợp sâu rộng hơn vào hoạt động của họ.
Các mô hình có trọng số mở tuân theo mô hình phân phối khác vì các tham số đã được huấn luyện của chúng thường có thể được tải xuống, sửa đổi và triển khai trên cơ sở hạ tầng do người dùng chọn. Điều này cho phép tinh chỉnh mô hình cho các bộ dữ liệu riêng, ngôn ngữ khu vực, nghiên cứu khoa học hoặc quy trình kinh doanh chuyên biệt. Một tổ chức có thể vận hành mô hình trên máy chủ của riêng mình, trong đám mây riêng hoặc gần các thiết bị đầu cuối nơi độ trễ và kiểm soát dữ liệu là quan trọng. Tuy nhiên, trọng số mở không tự động có nghĩa là nguồn mở hoàn toàn. Các bộ dữ liệu huấn luyện, mã nguồn, đánh giá an toàn hoặc phương pháp phát triển có thể vẫn không khả dụng, và giấy phép có thể hạn chế các mục đích sử dụng cụ thể. Do đó, mức độ mở của mô hình tồn tại trên một thang đo chứ không phải là một danh mục đơn giản có hoặc không.
Theo các phát biểu của Huang về GTC, các ngành như y tế, tài chính và sản xuất sẽ ngày càng phụ thuộc vào sự kết hợp của các mô hình phổ dụng, chuyên biệt, mở và sở hữu. Một bệnh viện có thể sử dụng một hệ thống thương mại tiên tiến cho nghiên cứu y khoa rộng rãi, đồng thời xử lý thông tin bệnh nhân bí mật thông qua mô hình được triển khai tại chỗ. Một tổ chức tài chính có thể sử dụng mô hình sở hữu cho phân tích chung nhưng giữ hồ sơ khách hàng trong môi trường được kiểm soát riêng. Các nhà sản xuất có thể chạy các mô hình nhỏ gần nhà máy và thiết bị công nghiệp, đồng thời dựa vào các hệ thống dựa trên đám mây cho các nhiệm vụ kỹ thuật phức tạp. Các tác nhân AI và nền tảng định tuyến mô hình có thể làm cho cấu trúc lai này trở nên phổ biến hơn. Thay vì gửi mọi yêu cầu đến một mô hình duy nhất, một hệ thống điều phối có thể đánh giá độ phức tạp, mức độ nhạy cảm, chi phí và yêu cầu thời gian phản hồi của từng nhiệm vụ trước khi chọn phương án phù hợp nhất. Việc phân loại tài liệu thông thường có thể được giao cho một mô hình địa phương hiệu quả, trong khi mã hóa nâng cao hoặc suy luận khoa học có thể được gửi đến một nền tảng sở hữu mạnh mẽ hơn. Người dùng có thể tương tác với một ứng dụng duy nhất, dù nhiều mô hình đang hoạt động phía sau nó. Cách tiếp cận này có thể giảm chi phí không cần thiết, bảo vệ thông tin nhạy cảm và hạn chế sự phụ thuộc vào một nhà cung cấp, đồng thời duy trì khả năng truy cập vào các tính năng tiên tiến.
Chiến lược mô hình mở của NVIDIA hỗ trợ tầm nhìn của Huang
Hành động của NVIDIA cho thấy sự ủng hộ của Jensen Huang đối với AI mở và sở hữu không chỉ dừng lại ở những bình luận công khai. Vào tháng 3 năm 2026, công ty đã thành lập Liên minh Nemotron cùng với Mistral AI, Black Forest Labs, Cursor, LangChain, Perplexity, Reflection AI, Sarvam và Thinking Machines Lab. Liên minh này quy tụ các nghiên cứu, bộ dữ liệu, khung đánh giá, kiến thức chuyên môn và nguồn lực tính toán để phát triển các mô hình biên giới mở. Mô hình nền tảng đầu tiên của liên minh đang được NVIDIA và Mistral AI cùng phát triển, với các thành viên khác đóng góp vào việc kiểm thử, hậu đào tạo và phát triển liên tục. NVIDIA dự định chia sẻ mô hình kết quả với toàn bộ hệ sinh thái AI và sử dụng nó làm nền tảng cho dòng Nemotron 4. Tính đến tháng 3 năm 2026, các mô hình Nemotron hiện có đã ghi nhận hơn 45 triệu lượt tải xuống trên Hugging Face, cho thấy nhu cầu lớn đối với các hệ thống AI linh hoạt. NVIDIA đã mở rộng chiến lược này vào tháng Bảy thông qua các triển khai liên quan đến các tổ chức Nhật Bản như Viện Khoa học Tokyo, SoftBank, SB Intuitions, Stockmark, Hitachi và NTT DATA, những tổ chức này đang sử dụng công nghệ Nemotron cho AI ngôn ngữ Nhật, tác nhân doanh nghiệp, viễn thông, sản xuất và các ứng dụng khoa học. Những dự án này cho thấy cách các tổ chức có thể tùy chỉnh các nền tảng mở bằng dữ liệu sở hữu mà không làm lộ ra những kiến thức nội bộ quý giá.
Các phát triển về bảo mật càng củng cố lập luận của Huang rằng các mô hình AI mở và đóng sẽ cùng tồn tại. Các mô hình mở có thể được kiểm tra và thử nghiệm độc lập, trong khi triển khai tại chỗ cho phép các tổ chức giữ thông tin nhạy cảm trong cơ sở hạ tầng được kiểm soát. Tuy nhiên, các trọng số có thể tải về cũng có thể được chỉnh sửa để gỡ bỏ các biện pháp bảo vệ, và việc phát hành chúng rất khó để thu hồi. Các hệ thống đóng cung cấp các điều khiển truy cập tập trung và cập nhật bảo mật được phối hợp, nhưng chúng có thể tạo ra các phụ thuộc mờ ám và các điểm lỗi tập trung. Vào ngày 27 tháng 7 năm 2026, NVIDIA và các tổ chức công nghệ, an ninh mạng khác đã thành lập Liên minh AI Mở và An toàn để phát triển các công cụ phòng thủ mở, đồng thời công nhận rằng cả hai loại mô hình đều vẫn cần thiết. Việc hỗ trợ hệ sinh thái hỗn hợp này cũng phù hợp với vị thế của NVIDIA với tư cách là nhà cung cấp cơ sở hạ tầng AI. Các phòng thí nghiệm sở hữu, nền tảng đám mây, chính phủ và các nhà phát triển chạy các mô hình mở đều cần GPU, mạng, lưu trữ, điện năng và phần mềm chuyên dụng. Tự lưu trữ trọng số mở có thể giảm phí truy cập mô hình, nhưng không loại bỏ chi phí vận hành. Do đó, có thể suy luận hợp lý rằng NVIDIA sẽ hưởng lợi bất kể các ứng dụng tương lai sử dụng nền tảng sở hữu, hệ thống trọng số mở hay các kết hợp lai, khiến thị trường AI đa dạng hóa trở thành kết quả có khả năng xảy ra nhất.
Điều gì Open-Weight AI mang lại cho tiền điện tử và cơ sở hạ tầng AI phi tập trung
AI có trọng số mở có thể làm tăng nhu cầu về tính toán phi tập trung vì việc tải xuống một mô hình không loại bỏ chi phí vận hành nó. Các nhà phát triển vẫn cần GPU, bộ nhớ lưu trữ, băng thông, điện năng và cơ sở hạ tầng kỹ thuật để tinh chỉnh mô hình, xử lý yêu cầu của người dùng và vận hành các tác nhân AI ở quy mô lớn. Điều này tạo ra vai trò tiềm năng cho các mạng lưới cơ sở hạ tầng vật lý phi tập trung, kết nối các nhà cung cấp phần cứng độc lập với các nhà phát triển đang tìm kiếm năng lực tính toán. Các thị trường phân tán có thể làm sẵn có các GPU chưa được sử dụng cho việc huấn luyện mô hình, suy luận và lưu trữ ứng dụng, trong khi các hệ thống lưu trữ phi tập trung có thể hỗ trợ bộ dữ liệu, điểm kiểm tra và nội dung do AI tạo ra. Tài sản tiền điện tử có thể điều phối thanh toán, phần thưởng cho nhà cung cấp, staking và quyền truy cập trên các mạng này mà không yêu cầu mọi người tham gia phải sử dụng cùng một công ty hoặc nền tảng đám mây. Danh mục rộng hơn của mạng lưới cơ sở hạ tầng phi tập trung mở rộng vượt ra ngoài việc phát triển mô hình để bao gồm các tài nguyên vật lý cần thiết để vận hành các dịch vụ kỹ thuật số. Cơ hội lớn nhất là trọng số mở làm giảm rào cản trong việc truy cập mô hình nhưng không loại bỏ điểm nghẽn về cơ sở hạ tầng, từ đó có thể mở rộng thị trường cho các đám mây GPU thay thế, suy luận không cần phép và lưu trữ AI phân bố theo địa lý.
Các mạng blockchain cũng có thể hỗ trợ AI phi tập trung thông qua các khoản thanh toán minh bạch, hồ sơ sở hữu mô hình, nguồn gốc dữ liệu và phần thưởng kích thích để đánh giá đầu ra của học máy. Bittensor áp dụng khái niệm này thông qua các subnet chuyên biệt, nơi người tham gia có thể cung cấp các dịch vụ như suy luận, tính toán, lưu trữ và dự đoán, trong khi các người xác thực đánh giá đóng góp và phần thưởng giao thức thưởng cho hiệu suất hữu ích. Cơ sở hạ tầng tiền điện tử cũng có thể cho phép AI agents in crypto mua các dịch vụ kỹ thuật số thông qua ví có thể lập trình và thanh toán bằng stablecoin. Tuy nhiên, AI trọng số mở không tự động trở nên phi tập trung. Một mô hình có thể tải về vẫn có thể được lưu trữ bởi nhà cung cấp đám mây tập trung, được huấn luyện trên các bộ dữ liệu tập trung và vận hành thông qua phần cứng do một số ít nhà sản xuất cung cấp. Các mạng phi tập trung phải giải quyết những vấn đề khó khăn liên quan đến xác minh đầu ra, quyền riêng tư, độ trễ, chất lượng phần cứng, an ninh mạng và khả năng sẵn có của dịch vụ trước khi có thể cạnh tranh nhất quán với các giải pháp tập trung. Do đó, mối liên hệ mạnh mẽ nhất giữa AI trọng số mở và tiền điện tử nằm ở cơ sở hạ tầng xung quanh mô hình—cách thức cung cấp tài nguyên tính toán, cách trả thù lao cho người đóng góp, cách xác minh đầu ra và liệu người dùng có thể truy cập dịch vụ mà không hoàn toàn phụ thuộc vào một trung gian duy nhất hay không.
Cơ hội và rủi ro đối với Bittensor, các token tính toán phi tập trung và AI
Bittensor và các dự án AI phi tập trung khác đang thu hút sự chú ý khi nhu cầu ngày càng tăng đối với các giải pháp thay thế cho hạ tầng đám mây truyền thống, nhưng giá trị dài hạn của chúng sẽ phụ thuộc vào nhiều yếu tố hơn là sự phổ biến của trí tuệ nhân tạo. Những mạng lưới này phải chứng minh được rằng các bên tham gia phân tán có thể cung cấp các dịch vụ đào tạo, suy luận, lưu trữ và dữ liệu đáng tin cậy với mức giá cạnh tranh. Các token tiền điện tử có thể giúp phối hợp các nhà cung cấp, người xác thực và thanh toán, nhưng sự chấp nhận bền vững đòi hỏi khách hàng thực sự, đầu ra có thể đo lường được và hoạt động kinh tế không chủ yếu dựa vào phần thưởng token. Lĩnh vực rộng lớn hơn của AI crypto sectors chứa nhiều mô hình kinh doanh khác nhau, khiến việc đánh giá theo từng dự án trở nên hữu ích hơn là xem mọi token AI như một sự tiếp xúc với cùng một xu hướng.
Bittensor và Covenant-72B làm nổi bật tiềm năng của AI phi tập trung
Bittensor hoạt động thông qua các subnet chuyên biệt cạnh tranh để cung cấp các dịch vụ kỹ thuật số như suy luận AI, đào tạo, dự đoán, lưu trữ và tính toán. Theo tài liệu về subnet của Bittensor, các miner tạo ra dịch vụ liên quan, các validator đánh giá chất lượng của nó, các nhà tạo subnet thiết lập cơ chế khuyến khích và các staker hỗ trợ các validator bằng TAO. Mạng lưới nhận được sự chú ý rộng rãi hơn vào tháng 3 năm 2026 sau khi Templar Subnet 3 hỗ trợ quá trình đào tạo phân tán của Covenant-72B, một mô hình ngôn ngữ 72 tỷ tham số. Báo cáo kỹ thuật Covenant-72B cho biết mô hình đã được tiền đào tạo trên khoảng 1,1 nghìn tỷ token thông qua một quy trình phi phép và phân tán toàn cầu. Huang so sánh thí nghiệm này với phiên bản hiện đại của Folding@home, công nhận cách tiếp cận tính toán phân tán của nó. Bình luận này không cấu thành sự hợp tác giữa NVIDIA và Bittensor, không phải sự ủng hộ TAO hay bằng chứng cho thấy đào tạo phi tập trung đã vượt trội hơn các trung tâm dữ liệu truyền thống. Nó cho thấy việc đào tạo hợp tác quy mô lớn là điều kỹ thuật khả thi, trong khi cơ hội rộng lớn hơn của Bittensor nằm ở việc biến các subnet của nó thành các thị trường cạnh tranh cho trí tuệ máy học hữu ích.
Các token tính toán phi tập trung và AI có thể mở rộng khả năng truy cập cơ sở hạ tầng
Cơ hội mạnh mẽ nhất cho tính toán phi tập trung đến từ khoảng cách giữa việc truy cập một mô hình AI và việc sở hữu phần cứng cần thiết để vận hành nó. Các nhà cung cấp đám mây tập trung cung cấp GPU với quy mô lớn, nhưng giá cả, khả năng sẵn có theo khu vực, giới hạn công suất và hợp đồng dài hạn có thể tạo ra rào cản cho các nhà phát triển nhỏ hơn. Các mạng phân tán cố gắng tổng hợp tài nguyên từ các nhà cung cấp độc lập và cung cấp chúng thông qua các thị trường mở. Nếu họ có thể cung cấp giá cả cạnh tranh và dịch vụ đáng tin cậy, họ có thể hỗ trợ các startup, nhà nghiên cứu và nhà phát triển AI-agent cần công suất tạm thời hoặc linh hoạt. Cơ hội không chỉ giới hạn ở việc huấn luyện các mô hình lớn: suy luận, tinh chỉnh, đánh giá mô hình, sản xuất dữ liệu tổng hợp và thực thi liên tục của agent có thể tạo ra các công việc lặp lại. Các token có thể điều phối thanh toán và phần thưởng trên các hệ thống này, nhưng trường hợp sử dụng mạnh mẽ nhất của chúng tồn tại khi tài sản thực hiện một chức năng cần thiết trong mạng lưới thay vì chủ yếu đóng vai trò như một nhãn đầu cơ gắn với một ứng dụng AI.
Các rủi ro về kỹ thuật, bảo mật và tập trung hóa có thể hạn chế sự chấp nhận
Các mạng AI phi tập trung đối mặt với những thách thức mà các giao dịch blockchain thông thường không gặp phải. Đầu ra của AI có thể mang tính chủ quan và tốn kém để đánh giá, khiến các người xác thực khó xác định liệu nhà cung cấp đã tạo ra công việc thực sự hữu ích hay chỉ tối ưu hóa cho cơ chế chấm điểm. Việc đánh giá yếu kém có thể khuyến khích thao túng, thông đồng và các hoạt động nhằm kiếm phần thưởng mà không phục vụ khách hàng bên ngoài. Việc đào tạo phân tán cũng gây ra độ trễ truyền thông, phần cứng không đồng nhất và rủi ro các bên tham gia ngắt kết nối hoặc gửi cập nhật lỗi. Một blockchain vẫn có thể phụ thuộc vào một số ít nhà sản xuất GPU, người xác thực lớn, trung tâm dữ liệu hoặc nhóm phát triển, khiến các lớp quan trọng bị tập trung ngay cả khi thanh toán đã phi tập trung. Các nhà cung cấp độc hại, khóa bị xâm phạm, lỗ hổng phần mềm và việc sử dụng trái phép dữ liệu bản quyền hoặc bí mật tạo ra thêm rủi ro. Do đó, để cạnh tranh với các dịch vụ đám mây đã được thiết lập, cần có hiệu suất đáng tin cậy, quản trị minh bạch, bảo vệ quyền riêng tư mạnh mẽ và các phương pháp đáng tin cậy để xác minh công việc đã hoàn thành.
Sự tăng trưởng mạng lưới không tự động làm tăng giá trị của token AI
Giá các token AI có thể phản ứng nhanh trước các bản phát hành mô hình, bình luận có ảnh hưởng và tâm lý thị trường chung, nhưng sự chú ý không nhất thiết tạo ra doanh thu lặp lại. Một mạng lưới có thể báo cáo nhiều triển khai, giao dịch hoặc người tham gia hơn, trong khi phần lớn hoạt động đó vẫn được tài trợ bởi phát hành token và các phần thưởng khuyến khích. Nếu phần thưởng cho người tham gia liên tục vượt quá doanh thu từ khách hàng bên ngoài, sự tăng trưởng rõ ràng có thể phụ thuộc vào việc phát hành liên tục thay vì một mô hình kinh doanh bền vững. Đánh giá TAO và các token tính toán phi tập trung khác đòi hỏi phải xem xét các khoản thanh toán của khách hàng, khối lượng công việc lặp lại, mức độ sử dụng phần cứng, tính độc lập của người xác thực, sự tập trung nhà cung cấp và chi phí các khoản khuyến khích cần thiết để duy trì hoạt động. Các nhà đầu tư cũng nên xác định liệu người dùng có cần token để truy cập dịch vụ hay không, liệu phí mạng có tạo ra nhu cầu liên tục hay không và liệu việc phát hành có làm pha loãng người nắm giữ hiện tại hay không. Bittensor và tính toán phi tập trung có cơ hội đáng tin cậy để hỗ trợ một nền kinh tế AI mở hơn, nhưng thành công dài hạn sẽ phụ thuộc vào các dịch vụ có thể xác minh, khách hàng quay lại và kinh tế token bền vững.
Kết luận
Quan điểm của Jensen Huang rằng AI mở và AI sở hữu sẽ cùng tồn tại cho thấy một nền kinh tế đa mô hình, trong đó các tổ chức lựa chọn hệ thống dựa trên hiệu suất, quyền riêng tư, chi phí và mức độ kiểm soát, thay vì theo đuổi một phương pháp phát triển duy nhất. Sự mở rộng này có thể tạo ra nhu cầu đáng kể đối với tính toán phi tập trung, thanh toán dựa trên blockchain và các mạng động lực như Bittensor, bởi vì các trọng số mô hình có thể truy cập vẫn đòi hỏi cơ sở hạ tầng lớn để huấn luyện và vận hành. Covenant-72B đã chứng minh rằng các thí nghiệm huấn luyện không cần phép là có thể thực hiện được, nhưng tính khả thi về mặt kỹ thuật không đảm bảo ưu thế thương mại hay giá trị token. Các dự án AI phi tập trung phải chứng minh rằng họ có thể xác minh đầu ra, bảo vệ dữ liệu, cung cấp dịch vụ đáng tin cậy và thu hút khách hàng trả tiền mà không phụ thuộc quá nhiều vào phát hành token. Crypto có thể trở thành một lớp phối hợp và thanh toán quan trọng cho nền kinh tế AI mở, nhưng những dự án mạnh nhất sẽ là những dự án chuyển đổi câu chuyện AI thành mức độ sử dụng đo lường được, doanh thu bền vững và kinh tế token minh bạch.
|
KuCoin đang kỷ niệm 9 năm thành lập với một chiến dịch đặc biệt trên nền tảng, đầy những phần thưởng độc quyền, các hoạt động giao dịch và ưu đãi có thời hạn. Đừng bỏ lỡ cơ hội tham gia và tận hưởng những lợi ích khi sàn giao dịch đánh dấu chín năm phát triển và đổi mới. Truy cập trang chiến dịch chính thức ngay bây giờ:
|
Câu hỏi thường gặp
Bittensor có giống với một nền tảng điện toán đám mây phi tập trung không?
Không. Một thị trường đám mây phi tập trung chủ yếu kết nối khách hàng với các nhà cung cấp độc lập cung cấp tài nguyên tính toán. Bittensor là một mạng lưới động lực rộng hơn, trong đó các subnet chuyên biệt có thể tạo ra các dịch vụ kỹ thuật số như suy luận, dự đoán, đào tạo, lưu trữ và khác. Một số subnet có thể cung cấp dịch vụ liên quan đến tính toán, nhưng mạng lưới này không hoạt động như một thị trường cho thuê GPU chuẩn hóa.
Các mô hình AI mở có thể hoạt động hoàn toàn ngoại tuyến không?
Có, miễn là người dùng có phần cứng đủ mạnh, phần mềm tương thích và bản sao cục bộ của trọng số mô hình. Việc triển khai ngoại tuyến có thể cải thiện quyền riêng tư và giảm sự phụ thuộc vào API bên ngoài, nhưng các mô hình lớn hơn có thể yêu cầu GPU đắt tiền và bộ nhớ đáng kể. Việc truy cập internet vẫn có thể cần thiết để tải mô hình, cập nhật bảo mật, các công cụ bên ngoài hoặc dữ liệu trực tuyến.
Chủ sở hữu GPU tiêu dùng có thể tham gia vào các mạng AI phi tập trung không?
Việc tham gia phụ thuộc vào yêu cầu của mạng, subnet và công việc. Một số dịch vụ có thể chấp nhận GPU tiêu dùng, trong khi các tác vụ đào tạo hoặc suy luận lớn có thể yêu cầu phần cứng chuyên nghiệp, internet tốc độ cao, bộ nhớ lớn và thời gian hoạt động ổn định. Việc sở hữu GPU không đảm bảo lợi nhuận vì phần thưởng phải vượt quá chi phí điện năng, bảo trì, băng thông và thiết bị.
Làm thế nào các mạng tính toán phi tập trung có thể bảo vệ dữ liệu AI bí mật?
Quyền riêng tư không được đảm bảo chỉ vì một mạng lưới là phi tập trung. Các nền tảng an toàn có thể sử dụng mã hóa, môi trường tính toán bảo mật, cô lập công việc và giới hạn quyền truy cập dữ liệu để bảo vệ thông tin nhạy cảm. Các tổ chức nên xem xét xem nhà cung cấp có thể xem dữ liệu đã tải lên không, kết quả được lưu trữ như thế nào và các tệp tạm thời sẽ xử lý ra sao sau khi hoàn thành nhiệm vụ.
Điều gì xảy ra nếu nhà cung cấp phần cứng ngắt kết nối trong quá trình tải công việc AI?
Một mạng được thiết kế tốt có thể lưu điểm kiểm tra, gán lại công việc chưa hoàn thành và xử phạt các nhà cung cấp không đáp ứng yêu cầu về độ tin cậy. Các gián đoạn vẫn có thể làm tăng thời gian và chi phí hoàn thành, đặc biệt trong quá trình huấn luyện phân tán đòi hỏi các bên tham gia phải được đồng bộ hóa. Do đó, tính dư thừa của nhà cung cấp và khả năng phục hồi tự động là những yếu tố quan trọng khi đánh giá các dịch vụ tính toán phi tập trung.
Việc tính toán GPU phi tập trung có luôn rẻ hơn các dịch vụ đám mây tập trung không?
Không nhất thiết. Các thị trường phân tán có thể cung cấp giá thấp hơn bằng cách sử dụng phần cứng ít được tận dụng và đấu thầu cạnh tranh, nhưng tổng chi phí còn phụ thuộc vào việc chuyển dữ liệu, độ trễ, độ phức tạp trong thiết lập, thời gian thực hiện công việc và độ tin cậy. Các doanh nghiệp nên so sánh tổng chi phí để hoàn thành một nhiệm vụ thay vì chỉ xem xét giá GPU theo giờ được quảng bá.
Những chỉ số nào cho thấy một mạng lưới AI phi tập trung có nhu cầu thực sự?
Các chỉ báo hữu ích bao gồm các khoản thanh toán từ khách hàng bên ngoài, khối lượng công việc định kỳ, mức độ sử dụng GPU, tỷ lệ giữ chân khách hàng, thời gian hoạt động và số lượng nhà cung cấp độc lập. Người dùng cũng nên so sánh doanh thu phí với phần thưởng token để xác định liệu hoạt động này có được tài trợ thương mại hay chủ yếu được hỗ trợ bởi phát hành token. Số lượng giao dịch cao đơn thuần có thể không đại diện cho việc sử dụng AI thực sự.
Thông báo miễn trừ trách nhiệm: Bài viết này chỉ mang tính chất thông tin và không cấu thành lời khuyên tài chính hay đầu tư. Các tài sản tiền điện tử có tính biến động cao, độc giả nên xác minh các thông báo chính thức mới nhất từ WEMIX trước khi đưa ra quyết định.
Tuyên bố từ chối trách nhiệm: Trang này được dịch bằng công nghệ AI để thuận tiện cho bạn. Để biết thông tin chính xác nhất, hãy tham khảo bản gốc tiếng Anh.