Mac nhàn rỗi cũng có thể kiếm tiền? Tìm hiểu mạng lưới suy luận AI phi tập trung Darkbloom do Eigen Labs ra mắt

marsbitPublished on 2026-06-22Last updated on 2026-06-22

Abstract

Eigen Labs đã ra mắt Darkbloom, một mạng suy luận AI phi tập trung tận dụng sức mạnh xử lý nhàn rỗi từ máy Mac cá nhân. Mạng lưới bao gồm ba thành phần: người dùng gửi yêu cầu, trình điều phối định tuyến và nhà cung cấp (chủ sở hữu Mac) chạy mô hình. Darkbloom nhấn mạnh quyền riêng tư có thể xác minh thông qua kiến trúc phần cứng bảo mật của Apple, đảm bảo nhà cung cấp không thể xem nội dung yêu cầu. Về mô hình kinh tế, Darkbloom khác biệt khi không phát hành token mà để nhà cung cấp giữ 100% doanh thu từ suy luận, với mức giá mục tiêu chỉ bằng khoảng 50% so với các nhà tổng hợp API truyền thống. Tuy nhiên, thu nhập hiện tại còn khá khiêm tốn, với nhà cung cấp hàng đầu kiếm được chưa đến 6 USD/ngày. Dự án đang trong giai đoạn alpha công khai, hỗ trợ các mô hình như Gemma 4 và GPT-OSS, và kỳ vọng thu nhập sẽ cải thiện khi mở rộng hỗ trợ các mô hình ngôn ngữ lớn và thu hút nhiều người dùng thực tế hơn. Để tham gia, người dùng cần một máy Mac chip Apple Silicon chạy macOS 14 trở lên, cài đặt phần mềm nhà cung cấp Darkbloom và giữ máy trực tuyến ổn định.

Biên tập:Felix, PANews

Suy luận AI đang dần trở thành một lớp hạ tầng quan trọng của Internet. Tuy nhiên, hiện nay đa phần suy luận vẫn phụ thuộc vào kiến trúc tập trung, vốn có chi phí cao, dung lượng hạn chế, được xếp lớp và tiềm ẩn những rủi ro bảo mật nhất định. Trong khi đó, hàng triệu máy tính mạnh mẽ trên toàn cầu lại đang ở trạng thái nhàn rỗi phần lớn thời gian trong ngày.

Mạng lưới suy luận AI Darkbloom do Eigen Labs mới đây ra mắt, đang khám phá việc thực hiện suy luận AI phân tán trên các máy Mac nhàn rỗi, kết hợp các nút đã được xác thực, bảo vệ quyền riêng tư cấp phần cứng và hiệu quả kinh tế vượt trội, biến chip Apple Silicon nhàn rỗi thành một mạng lưới tính toán hiệu quả hơn, ưu tiên quyền riêng tư.

Dự án được ra mắt dưới dạng xem trước nghiên cứu vào khoảng tháng 4 năm nay, nâng cấp lên bản alpha công khai vào tháng 5 và hiện đã có mặt trên nền tảng OpenRouter. Trong bản alpha, các mô hình khả dụng là Gemma 4 của Google và GPT-OSS của OpenAI.

Kiến trúc cốt lõi và Quyền riêng tư có thể xác thực

Mạng lưới Darkbloom gồm ba thành phần: Người dùng, Điều phối viên và Nhà cung cấp.

  • Người dùng có thể gửi yêu cầu suy luận thông qua giao diện trò chuyện hoặc API tương thích với OpenAI.
  • Điều phối viên (do Eigen Labs vận hành) sẽ định tuyến các yêu cầu này đến các máy Mac phù hợp trong mạng lưới.
  • Nhà cung cấp (người dùng sở hữu các máy Mac phù hợp này) chạy mô hình và trả về kết quả đầu ra, nhưng họ không thể nhìn thấy nội dung yêu cầu.

Darkbloom được xây dựng dựa trên mô hình suy luận phân tán ưu tiên quyền riêng tư. Quy trình của Nhà cung cấp được tăng cường để chống lại các đường kiểm tra cục bộ phổ biến, bao gồm việc đính kèm trình gỡ lỗi và kiểm tra bộ nhớ ngoài. Tính toàn vẹn của tệp nhị phân chạy cũng là một phần của mô hình tin cậy, giúp đảm bảo phần mềm phục vụ yêu cầu tuân thủ mong đợi của mạng lưới.

Hệ thống này còn sử dụng xác thực được hỗ trợ phần cứng dựa trên kiến trúc bảo mật Apple. Khóa Khu vực Bảo mật, tín hiệu xác thực và các kiểm tra thử thách-phản hồi định kỳ được dùng để xác minh các nút tham gia có đang chạy với các biện pháp bảo vệ và trạng thái phần mềm như mong đợi hay không, thực sự đạt được quyền riêng tư có thể xác thực.

Mô hình kinh tế và Thu nhập hàng ngày

Về mặt mô hình kinh doanh, Darkbloom có sự khác biệt cơ bản với phần lớn các dự án khác. Trong hệ thống công nghệ truyền thống, chi phí bao gồm phần cứng, cơ sở vật chất, làm mát, mạng lưới, chi phí vận hành và nhiều lớp lợi nhuận chồng chéo. Trong khi đó, trong mô hình của Darkbloom, phần cứng đã tồn tại sẵn, chi phí biên chủ yếu do điện năng tạo ra. Mức giá chuẩn của Darkbloom chỉ bằng khoảng 50% so với các nhà tổng hợp API chính thống hiện nay. Nhà cung cấp (chủ sở hữu máy Mac) có thể giữ lại 100% doanh thu từ suy luận. Ngoài ra, Darkbloom không áp dụng con đường phát hành token để trợ cấp cho những người tham gia giai đoạn đầu, thu nhập của các nút hoàn toàn đến từ nhu cầu suy luận AI thực tế.

Đáng chú ý là, do dự án đang ở giai đoạn phát triển ban đầu, thu nhập còn khá khiêm tốn. Các yếu tố như cấu hình bộ nhớ và phần cứng, thời gian hoạt động, nhu cầu mô hình, tình trạng sức khỏe nút, nhu cầu mạng lưới đều sẽ ảnh hưởng nhất định đến tình hình thu nhập.

Số liệu bảng xếp hạng hiện tại cho thấy, Nhà cung cấp xếp hạng nhất có thu nhập hàng ngày dưới 6 USD, thậm chí Nhà cung cấp xếp hạng năm còn chưa đến 2 USD. Tuy nhiên, với việc mạng lưới mở cửa cho các mô hình ngôn ngữ lớn yêu cầu bộ nhớ cao và lượng người dùng thực tế gia tăng, tình hình này có thể được cải thiện.

Về cách thiết lập máy Mac nhàn rỗi, các bước thực hiện như sau:

  • Sở hữu một máy Mac được trang bị chip Apple Silicon
  • Đảm bảo chạy macOS 14 trở lên
  • Cài đặt Ứng dụng Nhà cung cấp Darkbloom
  • Giữ máy Mac trực tuyến và kết nối Internet ổn định
  • Để mạng lưới định tuyến các tác vụ AI được hỗ trợ

Bài đọc liên quan: Điểm danh các tài sản cổ phiếu Mỹ và tiền mã hóa đáng chú ý gần đây: AI, RWA và cổ phiếu không gian...

Trending Cryptos

Related Questions

QDarkbloom là gì và nó giải quyết vấn đề gì trong lĩnh vực AI?

ADarkbloom là mạng lưới suy luận AI phi tập trung do Eigen Labs phát triển. Nó giải quyết vấn đề chi phí cao, công suất hạn chế và rủi ro bảo mật của kiến trúc tập trung hiện tại bằng cách tận dụng sức mạnh tính toán nhàn rỗi từ hàng triệu máy Mac, tạo ra một mạng lưới tính toán hiệu quả hơn và ưu tiên quyền riêng tư.

QDarkbloom hoạt động như thế nào? Hãy mô tả kiến trúc cốt lõi của nó.

ADarkbloom hoạt động dựa trên ba thành phần chính: Người dùng gửi yêu cầu suy luận, Bộ điều phối (do Eigen Labs vận hành) định tuyến yêu cầu đến các máy Mac phù hợp trong mạng, và Nhà cung cấp (người dùng sở hữu máy Mac) chạy mô hình và trả về kết quả mà không thể xem được nội dung yêu cầu, nhờ cơ chế bảo mật phần cứng và phần mềm nghiêm ngặt.

QLàm thế nào Darkbloom đảm bảo quyền riêng tư và tính xác thực trong quá trình suy luận?

ADarkbloom đảm bảo quyền riêng tư có thể xác minh thông qua kiến trúc bảo mật phần cứng của Apple. Nó sử dụng khóa Secure Enclave, tín hiệu xác thực và kiểm tra thử thách-phản hồi định kỳ để xác minh rằng các nút tham gia đang chạy với các biện pháp bảo vệ và trạng thái phần mềm như mong đợi, ngăn chặn việc kiểm tra cục bộ như gỡ lỗi.

QMô hình kinh tế của Darkbloom khác biệt như thế nào so với các dự án truyền thống? Người cung cấp (provider) kiếm được bao nhiêu?

AKhác với mô hình truyền thống có nhiều chi phí lớp, Darkbloom tận dụng phần cứng có sẵn nên chi phí biên chủ yếu là điện. Giá của Darkbloom chỉ bằng khoảng 50% so với các nhà tổng hợp API phổ biến. Nhà cung cấp (người chạy máy Mac) giữ lại 100% doanh thu từ suy luận. Tuy nhiên, ở giai đoạn đầu, thu nhập còn thấp, ví dụ nhà cung cấp xếp hạng nhất kiếm được dưới 6 USD/ngày.

QĐiều kiện và các bước cơ bản để thiết lập một máy Mac nhàn rỗi tham gia mạng lưới Darkbloom là gì?

AĐể tham gia Darkbloom với tư cách nhà cung cấp, bạn cần: 1. Một máy Mac có chip Apple Silicon. 2. Hệ điều hành macOS 14 trở lên. 3. Cài đặt ứng dụng Darkbloom Provider. 4. Giữ máy Mac luôn trực tuyến và có kết nối internet ổn định. 5. Để mạng lưới tự động định tuyến các tác vụ AI được hỗ trợ đến máy của bạn.

Related Reads

Founder of Baixing.com: The Notion That Large Language Models Will Devour Everything, I Believe Half of It

Founder of Baixing.com: I Only Half-Believe the Saying “Large Language Models Will Devour Everything” Author: Wang Jianshuo, Founder of Baixing.com Many proclaim that large models are everything, but the author is skeptical. He argues that such sweeping claims often stem from a limited understanding of the future. Drawing parallels to past technologies like electricity and the internet—which were predicted to “devour everything” but didn’t—he suggests that large language models (LLMs) are better seen as a foundational base. Like electricity, this base is essential for modern development, but its real value emerges only when applied to specific scenarios through various “machines” or “tools” (e.g., Claude Code for programming, Claude Design for design). The author acknowledges that LLMs may indeed replace many existing software systems built on rigid rules, workflows, and forms (e.g., CRMs, SaaS tools), as these are precisely what LLMs excel at processing. However, he emphasizes that beyond software, elements like customer data, execution capabilities (e.g., booking a flight), trust, and physical-world interactions will not be “devoured.” Instead, he foresees that after streamlining existing software, LLMs will open up a larger space for innovative, next-generation applications. These new tools will likely feature fluid interfaces and rely less on fixed rules, unleashing greater creativity. The author cautions against short-sightedness, recalling how in 2004 many believed internet giants like Sina, Sohu, and NetEase would monopolize the market—only to be proven wrong by subsequent disruptions. In conclusion, while LLMs are a crucial foundation and a current focal point, the true mainstream of this wave lies in the diverse applications built atop them to solve concrete problems. The phrase “devour everything” is imprecise; the real opportunity lies in identifying and leveraging the areas where LLMs do bring transformative change.

marsbit1h ago

Founder of Baixing.com: The Notion That Large Language Models Will Devour Everything, I Believe Half of It

marsbit1h ago

Founder of Baixing.com: I Only Half Believe in the Notion that Large Language Models Devour Everything

The founder of Baixing Wang states that while large language models (LLMs) are an extremely important foundational technology—akin to electricity or the internet—he only "half believes" the notion that they will "consume everything." He argues that LLMs provide a base layer of intelligence, but real-world value and transformation come from integrating this intelligence into specific applications and devices designed for particular scenarios—like how electricity powers various appliances from washing machines to TVs. He agrees LLMs will likely consume or replace a significant portion of existing rule-based, workflow-driven software (e.g., many SaaS systems, CRMs), as these are precisely what LLMs excel at handling. However, numerous other elements—such as customer data, execution capabilities (e.g., booking a flight), trust, and physical-world interactions—will not be consumed. Wang emphasizes that after LLMs absorb certain software layers, they will open up a much larger space for innovation: new types of "streaming" software with less rigid interfaces, where fixed rules are managed by AI. This next wave of applications built on top of the stable LLM foundation is where the true mainstream opportunity lies. He cautions against the short-sightedness of declaring any technology as all-consuming, drawing parallels to past premature predictions about internet giants monopolizing the web. The key is to find opportunities within the areas LLMs do transform.

链捕手1h ago

Founder of Baixing.com: I Only Half Believe in the Notion that Large Language Models Devour Everything

链捕手1h ago

Trading

Spot

Hot Articles

Discussions

Welcome to the HTX Community. Here, you can stay informed about the latest platform developments and gain access to professional market insights. Users' opinions on the price of AI (AI) are presented below.

活动图片