Biên tập: Pink Brains
Biên dịch: AididiaoJP, Foresight News
AI phi tập trung tồn tại vì AI tập trung có những điểm tắc nghẽn cấu trúc mà vốn và mã code không thể giải quyết:
- Tài nguyên tính toán khan hiếm và đắt đỏ
- Quyền kiểm soát quá tập trung
- 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 sẽ tăng từ 10 tỷ USD năm 2025 lên 77 tỷ USD vào năm 2035. GPU trung tâm dữ liệu đã liên tục cháy hàng trong nhiều tháng. Thị trường tính toán phi tập trung dự kiến sẽ tăng từ 9 tỷ USD năm 2024 lên 22 tỷ USD vào năm 2035 (số liệu từ Research and Markets). Con số này chỉ đúng nếu bạn tin rằng tình trạng thiếu hụt là vấn đề cấu trúc chứ không phải chu kỳ, và chúng tôi cho rằng đó là vấn đề cấu trúc.
Quyền kiểm soát quá tập trung
ChatGPT, Gemini, Grok, Claude đều được sở hữu và vận hành bởi một số ít công ty tư nhân. Chính sách AI hiện tại giả định rằng chỉ có một số thực thể có khả năng tập trung khối lượng lớn tài nguyên tính toán mới có thể đào tạo các hệ thống mạnh mẽ. Một khi phá vỡ giả định này, cục diện về việc ai có thể xây dựng trí tuệ tiên phong sẽ thay đổi hoàn toàn.
Đầu ra kết quả không thể xác minh
Khi mô hình đưa ra quyết định, người dùng không thể xác minh liệu mô hình chính xác có được chạy không, tính toán có được thực hiện đúng không, dữ liệu nhạy cảm có bị rò rỉ không. Điều này còn có thể chấp nhận được với chatbot, nhưng khi AI xử lý khoản vay, chăm sóc sức khỏe, hoặc các tác tử tự hành vận hành ví thời gian thực, thì hoàn toàn không thể chấp nhận được.
Việc thu thập dữ liệu huấn luyện ngày càng khó khăn, nguyên nhân là do lo ngại về quyền riêng tư và quy định
Một trình thu thập dữ liệu tập trung nằm trong một khu vực AWS duy nhất sẽ nhanh chóng bị giới hạn tốc độ, chặn theo địa lý, hoặc bị cung cấp bộ nhớ cache đã bị nhiễm độc. Như a16z đã nêu trong triển vọng năm 2026, quyền riêng tư đang trở thành "hào bảo vệ quan trọng nhất trong lĩnh vực tiền mã hóa".
AI cần blockchain để trí tuệ trở nên mở, có thể xác minh và tiếp cận được về mặt kinh tế.
Bản đồ hệ thống kỹ thuật AI phi tập trung
- Lớp ứng dụng và dịch vụ: Tác tử AI có thể làm nhiều việc, nhưng trong lĩnh vực tiền mã hóa, hai trường hợp sử dụng chính hiện nay là tài chính tác tử (Agentic Finance) và thanh toán tác tử (Agentic Payments)
- Lớp phần mềm trung gian: Những tổ chức kết nối - từ khung xây dựng và nhận dạng tác tử, thị trường tác tử, đến lớp điều phối
- Lớp cơ sở hạ tầng: Tài nguyên cốt lõi của AI - lớp quyền riêng tư và xác minh, tính toán, suy luận, đào tạo, dữ liệu và lưu trữ
Lớp ứng dụng và dịch vụ
Tài chính tác tử biến lời nhắc ngôn ngữ tự nhiên thành hành động trên chuỗi.
Tác tử ARMA của @gizatechxyz đã xử lý hơn 4,6 tỷ USD khối lượng giao dịch tác tử trên các thị trường cho vay được chọn - chạy trên khung AVS của EigenLayer từng khối, không giám sát.
@Infinit_Labs vận hành một cụm hơn 20 tác tử chuyên nghiệp có thể biến ý định như "kiếm 1000 USD mỗi tháng với 1 BTC" thành các chiến lược một cú nhấp chuột trên Ethereum, Solana và Base.
@coinvestai bởi Liquid nhúng thực thi thời gian thực trực tiếp vào ChatGPT và Claude, hỗ trợ giao dịch trên 500+ thị trường thông qua Model Context Protocol.
@minara tích hợp Hyperliquid và gần đây đã gia nhập Lighter. Nó chạy vòng lặp giao dịch hoàn chỉnh "phân tích → quyết định → thực thi" thông qua mô hình DMind và 50+ tích hợp.
@Cod3xOrg: Một mạng lưới các tác tử AI nhẹ có thể biến ý định thành các giao dịch trên chuỗi được xây dựng và thực thi.
@Zyfai_: Một tác tử DeFAI tự quản lý, tự động hóa và tối ưu hóa canh tác lợi nhuận, liên tục cân bằng lại vốn xuyên các giao thức để đuổi theo APY đã điều chỉnh rủi ro, không cần sự can thiệp của con người.
Về thị trường dự đoán, @SynthdataCo là một mạng con Bittensor, vận hành mạng lưới thông minh tài chính dự đoán phi tập trung. Các thợ đào cạnh tranh mô hình hóa sự bất định giá ngắn hạn. Nó đã cung cấp dữ liệu thời gian thực cho các sản phẩm như Mode AI Quant cho các thị trường tiền mã hóa Kalshi.
Thanh toán tác tử: Máy móc thanh toán cho máy móc
Giống như internet trở thành lớp truyền thông của nền kinh tế số, blockchain và stablecoin đang trở thành lớp thanh toán cho thanh toán tác tử.
Tính đến tháng 5 năm 2026, x402 đã xử lý hơn 173 triệu giao dịch trên Base và Solana, các thành viên 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 gốc.
Hoạt động của người mua và người bán đang tăng lên, hầu hết các giao dịch liên quan đến việc sử dụng trả phí theo nhu cầu thực tế: gọi API, dịch vụ suy luận AI, thương mại tác tử và các khối công việc tương tự. Chu kỳ cường điệu ban đầu đã nguội đi, nhưng sức hút cơ bản bắt đầu bắt kịp.
Đồng thời, Machine Payments Protocol của Stripe và Tempo đang xuất hiện như một tuyến đường thứ hai, ghi nhận hơn 411,9 nghìn giao dịch và 9600 người mua kể từ khi ra mắt.
Các mạng lưới này cùng nhau chỉ ra rằng thương mại máy-móc đang chuyển hướng rộng hơn, nơi các tác tử phần mềm có thể giao dịch tự chủ với tốc độ máy.
Lớp phần mềm trung gian
Khi số lượng tác tử tăng lên, vấn đề cốt lõi trở thành điều phối: các tác tử phát hiện nhau, chứng minh danh tính và giao dịch mà không có sự tham gia của con người như thế nào.
Khoảng trống niềm tin ở đây là điểm tắc nghẽn. Quy mô ước tính của thương mại tác tử sẽ đạt 1,5 đến 5 nghìn tỷ USD vào năm 2030, nhưng việc áp dụng bị giới hạn bởi một điểm - hầu hết người dùng sẵn sàng để AI nghiên cứu, nhưng rất ít người sẵn sàng để AI thực sự mua hàng.
Các hệ thống ngày nay vẫn phụ thuộc vào khóa API, hầu như không có hệ thống nào coi tác tử là một thực thể có danh tính.
@GoKiteAI đang xây dựng một L1 chuyên dụng, lấy danh tính và thanh toán làm nguyên thủy gốc. ERC-8004 là tiêu chuẩn Ethereum, cung cấp danh tính và danh tiếng trên chuỗi có thể mang theo cho các tác tử, có thể theo dõi xuyên chuỗi.
Về mặt thị trường, @virtuals_io là hệ điều hành cho nền kinh tế tác tử trên Base. Đến tháng 6 năm 2026, nó đã xử lý hơn 2,38 triệu nhiệm vụ tác tử, tạo ra gần 480 triệu USD "GDP tác tử".
Nhưng viên ngọc của lớp này là Bittensor. Đó là một mạng lưới các mạng con chuyên biệt, mỗi mạng con là một nền kinh tế vi mô, nơi thợ đào chạy mô hình AI, người xác thực chấm điểm đầu ra, lượng phát thải TAO chảy về những người tạo ra công việc hữu ích nhất. Có ba cơ chế khiến nó nghiêm túc về mặt kinh tế:
- Việc giảm một nửa vào tháng 12 năm 2025 đã giảm phát hành TAO hàng ngày từ 7200 xuống 3600, tương ứng với giới hạn cứng 21 triệu.
- Nâng cấp dTAO cung cấp cho mỗi mạng con mã thông báo Alpha và nhóm AMM riêng - thị trường quyết định phát thải.
- Nâng cấp Taoflow (ra mắt tháng 11 năm 2025) phân bổ lượng phát thải hoàn toàn theo dòng chảy staking ròng. Một mạng con có thể giảm xuống bằng không nếu unstake nhiều hơn stake. Thiết kế mang tính chọn lọc tự nhiên.
Mạng lưới đã vượt quá 128 mạng con hoạt động, 3 mạng con tính toán lớn nhất được báo cáo đạt tổng doanh thu hàng năm (ARR) 20 triệu USD trong vòng ba tháng sau khi kiếm tiền hóa. Chủ nghĩa chọn lọc tự nhiên chính là sản phẩm.
Các dự án khác tập trung vào việc tạo ra blockchain AI chuyên dụng, hoặc cung cấp các công cụ, khuôn khổ và cơ chế khuyến khích cần thiết để hỗ trợ hệ sinh thái AI thuộc sở hữu cộng đồng.
@NEARProtocol: Một lớp điều phối vô hình, kết hợp thanh toán, danh tính, quyền riêng tư, TEE, MPC và bảo vệ PII, phục vụ các tác tử tự chủ.
@base - "căn cứ chính" của nền kinh tế tác tử. Base MCP cho phép các công cụ AI như Claude, ChatGPT, Cursor thực thi hành động trên chuỗi thông qua lời nhắc trên các nền tảng như Uniswap, Morpho, Avantis - hoán đổi, chuyển tiền, tương tác DeFi.
@SentientAGI: Hệ sinh thái GRID của nó kết nối tác tử, mô hình, dữ liệu và tính toán, định tuyến truy vấn đến các bên tham gia chuyên biệt để cung cấp kết quả tốt nhất.
@gensynai: Thực thi ML có thể xác minh, điều phối phần cứng phân tán để đào tạo và suy luận, đồng thời đảm bảo công việc đáng tin cậy, mạng lưới điều phối $AI.
@SaharaAI kết nối dữ liệu, mô hình, tác tử và phần thưởng trong một hệ sinh thái nguyên bản AI duy nhất.
Lớp cơ sở hạ tầng
Cơ sở hạ tầng là bộ xương của AI - các nguyên thủy tính toán, suy luận, đào tạo, dữ liệu và quyền riêng tư thô mà mọi thứ phụ thuộc vào. Đây là lớp yêu cầu vốn nhiều nhất trong hệ thống AI phi tập trung.
Tính toán phi tập trung
@akashnet vận hành thị trường đấu giá ngược, nơi nhà cung cấp đấu thầu để giành được khối lượng công việc của bạn. Q1 2026 tăng trưởng hợp đồng thuê mới 27%, đạt 43,500+, tăng trưởng quý thứ ba liên tiếp. Dịch vụ suy luận AkashML của nó đã xử lý gần 120 tỷ token trong tháng 4, giá rẻ hơn 60–85% so với điện toán đám mây chính thống.
@rendernetwork công bố mức tăng trưởng sử dụng 428% so với cùng kỳ.
@ionet đã tổng hợp 130,000+ GPU từ hơn 130 quốc gia trên Solana.
@AethirCloud là một trong những công ty thực sự có doanh thu: tự báo cáo khoảng 166 triệu USD ARR (Q3 2025), đã cung cấp hơn 1,5 tỷ giờ tính toán.
Suy luận phân tán và có thể xác minh
Suy luận chiếm hơn 70% chi phí vận hành AI, Goldman Sachs dự kiến AI tác tử sẽ thúc đẩy mức tiêu thụ token tăng 24 lần vào năm 2030 - 120 nghìn tỷ token mỗi tháng.
Câu trả lời phi tập trung là làm cho suy luận trở nên rẻ, riêng tư và có thể xác minh.
@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, hào bảo vệ của nó là mô hình.
@OpenGradient đã xử lý hơn 2 triệu lần suy luận có thể xác minh, tạo ra 500,000+ bằng chứng zkML.
@chutes_ai: Các nhà phát triển có thể triển khai và mở rộng quy mô mô hình AI thông qua API đơn giản, được hỗ trợ bởi các thợ đào GPU, với chi phí có thể rẻ hơn tới 85% so với AWS. Doanh thu nền tảng được chuyển thành nhu cầu token thông qua cơ chế staking tự động.
@dphnAI - Mạng lưới suy luận AI phi tập trung. Đáng chú ý, Dolphin đã phát triển các mô hình không kiểm duyệt mà Venice AI sử dụng và dành 100% doanh thu mạng lưới để mua lại token.
Đào tạo phi tập trung
Đào tạo là vấn đề khó nhất và có tác động lớn nhất - nó quyết định liệu các mô hình tiên phong có phải được xây dựng nội bộ trong ba hoặc bốn phòng thí nghiệm doanh nghiệp hay không.
INTELLECT-1 (100 tỷ tham số) của @PrimeIntellect là lần chạy đào tạo phân tán toàn cầu đầu tiên; INTELLECT-2 (320 tỷ tham số) là lần chạy RL phân tán đầu tiên.
@tplr_ai đã thành công trong việc đào tạo Covenant-72B trên 70+ nút phân tán, xử lý khoảng 1,1 nghìn tỷ token, giảm chi phí truyền thông 146 lần.
@NousResearch: Mạng lưới Psyche của nó cho phép đào tạo phân tán chịu lỗi, 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.
Mạng con IOTA (SN9) của @MacrocosmosAI thực hiện đào tạo trước LLM phi tập trung và "đào tạo tại nhà", mạng con Data Universe (SN13) của nó xử lý lớp dữ liệu. Chuỗi thuật toán DiLoCo giao tiếp thấp cho phép GPU phân tán trên toàn cầu cộng tác mà không cần mạng nội bộ siêu tốc độ của trung tâm dữ liệu.
Khả dụng dữ liệu và lưu trữ phi tập trung
Khi quy mô khối lượng công việc AI mở rộng, cả hai đều đang trở thành điểm tắc nghẽn. Các mô hình tiên phong tiêu thụ lượng lớn dữ liệu mới, trong khi nhu cầu lưu trữ đã tăng vọt đến mức các nhà cung cấp ổ cứng chính báo cáo năng lực 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 điện toán đám mây truyền thống, các mạng lưới như @Filecoin cung cấp giá lưu trữ dưới 1 USD mỗi tháng cho mỗi TB, trong khi các giải pháp thay thế tập trung khoảng 30 USD.
@grass trả phí cho 2,5 triệu nút từ 190 quốc gia cho băng thông nhàn rỗi, cho phép các phòng thí nghiệm AI thu thập dữ liệu web thời gian thực.
@WalrusProtocol là đối thủ cạnh tranh đang trỗi dậy nhanh chóng được xây dựng bởi @Mysten_Labs, dành cho lưu trữ và khả dụng dữ liệu phi tập trung - sử dụng mã xóa hai chiều để lưu trữ hiệu quả các "blob" lớn, và ngày càng được định vị như một lớp bộ nhớ lâu dài cho các tác tử AI.
@eigencloud: Một nền tảng điện toán đám mây có thể xác minh được xây dựng xung quanh khả dụng dữ liệu, tính toán có thể xác minh và giải quyết tranh chấp. Được đảm bảo bởi ETH tái staking, lý thuyết của nó là cho phép các tác tử AI chạy với đảm bảo mã hóa, làm cho hành động có thể chứng minh, có thể kiểm toán và có thể thực thi.
@vana - một EVM L1, nơi Data DAOs và Data Liquidity Pools biến dữ liệu cá nhân thành tài sản có thể token hóa, có thể giao dịch.
@reppo và @oroagents xây dựng tập dữ liệu chất lượng cao và đáng tin cậy cho đào tạo AI thông qua các cuộc thi có thưởng.
Lớp quyền riêng tư và xác minh
Người dùng AI thông thường không thể xác minh liệu mô hình có xử lý dữ liệu của họ một cách riêng tư không, tính toán có được thực hiện đúng không, hoặc thậm chí có sử dụng đúng mô hình như đã tuyên bố không.
Vào năm 2026, quyền riêng tư và xác minh đang trở thành điều kiện tiên quyết cho AI, không còn là tính năng bổ sung.
@nillion - "máy tính mù", sử dụng MPC và Nil Message Compute của riêng mình để thực hiện tính toán trên dữ liệu được mã hóa mà không cần giải mã. Các trường hợp sử dụng bao gồm suy luận AI riêng tư, cơ sở dữ liệu được mã hóa và RAG riêng tư (cho phép AI truy vấn cơ sở kiến thức độc quyền mà không tiết lộ).
@Arcium: Mạng lưới tính toán bí mật phi tập trung trên Solana. Các trường hợp sử dụng bao gồm Umbra (chuyển khoản được che chắn / lợi nhuận riêng tư) và đào tạo AI bí mật trên các tập dữ liệu nhạy cảm.
@OasisProtocol: L1 ưu tiên quyền riêng tư, sử dụng ROFL (Runtime Offchain Logic), một khuôn khổ dựa trên TEE để chạy tính toán ngoài chuỗi có thể xác minh, bảo vệ quyền riêng tư - tác tử AI, đào tạo mô hình hoặc oracle.
@octra: L1 ưu tiên quyền riêng tư hỗ trợ gốc FHE, sử dụng chương trình độc quyền HFHE (Hypergraph FHE), được thiết kế cho tính toán mã hóa song song và thông lượng.
@eigencloud: Nhà vô địch xác minh nặng, xây dựng dựa trên bảo mật tái staking của EigenLayer. EigenAI (suy luận LLM có thể xác minh là một API tương thích OpenAI cho các mô hình nguồn mở, trong đó lời nhắc và phản hồi có thể chứng minh là không bị giả mạo) và EigenCompute (thực thi ngoài chuỗi có thể xác minh cho logic tác tử).
@PhalaNetwork. GPU đám mây mạnh mẽ nhưng không riêng tư; Phala làm cho khối lượng công việc có thể chứng minh, thậm chí đối với chính Phala cũng được che chắn. Sản phẩm cốt lõi của nó, GPU TEE trên Phala Cloud, triển khai các mô hình nguồn mở lên phần cứng, cung cấp API tương thích OpenAI, trong đó mỗi lần suy luận đều có bằng chứng mã hóa.
Xu hướng AI phi tập trung 2026-2027
Nhu cầu AI đang phát triển nhanh hơn khả năng theo kịp của cơ sở hạ tầng, các tác tử AI đang trở thành động cơ tăng trưởng chủ đạo - đường ray 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 bên tham gia thể chế đang chuyển từ thử nghiệm sang đầu tư vào cơ sở hạ tầng.
Tokenomics 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 móc tự chủ và AI vật lý.
Kết luận
AI phi tập trung đang phát triển trong các hệ thống chính: cơ sở hạ tầng, phần mềm trung gian, ứng dụng, thể hiện qua doanh thu tính toán, nền kinh tế tác tử đang tăng trưởng và đào tạo phân tán quy mô lớn.
Nhưng lĩnh vực này vẫn còn sớm. Doanh thu thường tụt hậu so với khuyến khích token, việc áp dụng vẫn không đồng đều, và mặc dù đầu tư AI tổng thể tăng vọt, AI phi tập trung vẫn chỉ chiếm một phần nhỏ trong đầu tư mạo hiểm. Các mạng lưới dẫn dắt bởi token có thể là lợi thế mạnh mẽ, nhưng chỉ khi việc thiết kế thu hút giá trị đúng đắn.
Tuy nhiên, sự xuất hiện của các dự án như Bittensor, NEAR, Virtuals, Base và Venice chỉ ra rằng AI phi tập trung đang phát triển từ một câu chuyện đầu cơ thành một mô hình mới để điều phối tính toán, dữ liệu, vốn và trí tuệ.
