DeSci 能否解决科研资助的「破窗效应」?

深潮Xuất bản vào 2025-08-11Cập nhật gần nhất vào 2025-08-12

DeSci(去中心化科学)本质上是把加密货币的理念应用到科研领域。

撰文:Thejaswini M A

编译:Saoirse,Foresight News

我有个朋友,花了整整七个月时间撰写科研基金申请。

七个月啊,这比不少人筹备婚礼的时间还长,压力恐怕更是有过之而无不及。她本是一位才华横溢的癌症治疗研究员,却把更多精力耗在筹集资金上,而非真正的科研工作。

整个体系完全本末倒置。做研究需要资金,可拿资金却得先证明研究一定成功 —— 但不做研究,又怎能证明它会成功呢?

反观有些事,简直离谱:某个 YouTube 博主发起「数米粒」众筹,一个周末就筹到 10 万美元。这对比实在太讽刺了。

如今在加密领域,一种名为 DeSci(去中心化科学)的运动正在兴起,试图用加密货币和区块链技术革新科研资助模式。

先别急着不屑,听完你可能会改观,这法子或许真能行得通。

现行体系到底有多糟?

传统科研资助的流程是这样的:研究者撰写详尽的研究方案,提交给政府机构或企业,然后等待 6 到 18 个月才能收到回复。大多数申请会被驳回,即便获批,也附带一堆限制条件,导致研究者花在文书工作上的时间比做研究还多。

这套流程的核心是「降低风险」,听起来挺合理,可问题在于:突破性发现本质上都是有风险的。从抗生素到互联网,那些最重大的科学突破,最初往往都是评审委员会不会资助的「冷门方向」。

还有论文发表的问题:研究者必须在昂贵的学术期刊上发表成果,这些期刊收费高得离谱,还将研究成果设置付费墙。结果就是,纳税人掏钱资助的研究,纳税人自己却看不着。

最终,优秀的研究者把数年光阴耗在官僚流程里,而非解决实际问题。重要的研究被拖延,甚至胎死腹中,而通过纳税支撑了大部分基础研究的公众,却被隔绝在自己买单的科研成果之外。

DeSci 登场

DeSci(去中心化科学)本质上是把加密货币的理念应用到科研领域:研究者不必再向评审委员会「乞讨」资金,而是可以直接向关心其研究的人众筹;研究成果不再被付费墙封锁,而是存放在公共区块链上,任何人都能查阅。

当以太坊联合创始人 Vitalik Buterin 和前币安 CEO 赵长鹏开始在公开场合谈论这个概念时,DeSci 获得了广泛关注。要知道,当加密领域的大佬们聚焦某件事时,往往意味着相关基础设施已具备落地的条件。

具体运作模式是这样的:研究者发行代表其项目的代币,人们通过购买代币为研究提供资金,若研究成功并产生盈利性成果,代币持有者就能分享收益。

这已不是理论空想,不少企业正在为去中心化科学搭建实实在在的基础设施。

以该领域的重要参与者 BIO Protocol 为例,它曾获得币安实验室的支持,资金实力雄厚。BIO 打造了所谓的「BioDAOs」,本质上是众筹生物技术研究的投资社群。不再是少数富豪决定哪些癌症疗法值得开发,而是成千上万的人可以联合出资,并投票决定研究方向。

还有专注长寿研究的 Molecule 和 VitaDAO,它们将知识产权代币化:当研究者取得一定成果时,所有权会分配给所有资助者。目前它们支持的项目包括纽卡斯尔大学的衰老研究和哥本哈根大学的长寿研究。

资金规模也在不断增长。这些平台已处理数百万美元的科研资助,部分单个项目通过代币销售筹到数十万美元。虽然与传统资助相比仍显渺小,但增长速度惊人。

@HCCapital

越深入思考 DeSci,就越觉得它意义非凡。科学研究本就是协作的过程,研究者在前人成果上探索、共享数据、同行评审,而区块链技术恰恰为这种透明协作而设计的。

传统资助体系催生了扭曲的激励机制:研究者为拿经费,不得不夸大研究的确定性,这反而阻碍了对「不确定但可能有突破」方向的探索。DeSci 则扭转了这一点。它奖励研究者分享所有数据,包括失败的实验,因为这些可能帮其他人少走弯路。

还有个好处是,能让全球研究者都参与进来。尼日利亚的研究者有好想法,无需背靠西方大学或资助机构,也能从全球筹到资金。这对科学进步的民主化意义重大。

而且透明度与生俱来:当研究通过区块链代币获得资助时,所有人都能清楚看到资金的去向,无需再猜测经费是用在了实际研究上,还是成了行政开销。

风险与挑战

当然,风险也不容忽视。最大的问题在于质量控制。传统的同行评审尽管存在种种缺陷,但确实能筛除一些垃圾研究。在去中心化体系里,如何避免人们资助那些明显不靠谱的科研项目?

波动性也是现实难题。如果一个五年期的癌症研究项目靠加密代币融资,万一代币价格暴跌 90%,该怎么办?长期研究需要稳定的资金支持。

监管不确定性同样存在。多数国家在医学研究、药物开发和知识产权方面有复杂规定,代币化研究如何融入现有法律框架,目前还不明确。

说实话,多数科学家并非加密领域的「原住民」,要求他们突然变成通证经济学和 DAO 治理专家,实在强人所难。

总结

尽管问题不少,DeSci 的发展势头却不容忽视。相关基础设施日益完善,资金投入不断增长,而传统科研资助体系却每况愈下。当资助机构要用 18 个月审批紧急研究的经费,而加密众筹几天就能完成时,效率差距显而易见。

早期项目多集中在生物技术和长寿研究领域,这很合理,这些领域有明确的商业潜力:如果资助的研究催生了新药,代币持有者就能分享利润。但这种模式其实适用于任何最终能创造价值的研究。

我认为我们正处于一项重大事业的初期阶段。不是说加密货币能一夜取代传统科研资助,而是它提供了一条更快捷、更透明、能让全球研究者更易获取的新路径。

对 DeSci 的真正考验,在于它能否产出实际的科学突破,而不只是筹到钱。但鉴于传统科研资助的现状,尝试新方法总归值得。

这仅仅是开始。DeSci 领域发展极快,新项目不断涌现,真金白银正流入实际研究。加密货币与科研资助的交叉地带,正诞生一年前还不存在的机遇。

Nội dung Liên quan

PA Hình ảnh | Một hình ảnh hiểu rõ các sự kiện Web3 đáng chú ý trong tháng 6

Bản tóm tắt sự kiện Web3 đáng chú ý tháng 6: Thị trường tiền mã hóa tháng 6 tập trung vào các yếu tố chính: dữ liệu kinh tế vĩ mô của Mỹ (như CPI, phi nông nghiệp), quyết định lãi suất từ Cục Dự trữ Liên bang Mỹ (FOMC), Ngân hàng Trung ương Châu Âu và Ngân hàng Nhật Bản, tiếp tục ảnh hưởng đến kỳ vọng thanh khoản và tâm lý thị trường. Một số dự án như SUI, ENA sẽ có đợt mở khóa token, cần lưu ý rủi ro tiềm ẩn. Về tin tức sản phẩm, Coinbase dự kiến ra mắt hợp đồng tương lai chỉ số chứng khoán, trong khi CME Group lên kế hoạch cho hợp đồng tương lai chỉ số tiền mã hóa Nasdaq. Tình trạng thanh lý dự án vẫn tiếp diễn, với các dịch vụ như trình duyệt Bitcoin Ordinals (Ord.io) ngừng hoạt động, người dùng cần chú ý đến việc rút và di chuyển tài sản. Các sự kiện công nghệ và truyền thống đáng chú ý khác bao gồm World Cup, Hội nghị Nhà phát triển Toàn cầu của Apple (WWDC26), SpaceX lên sàn chứng khoán, và thượng hội IPO của công ty robot Unitree. Tóm lại, tháng 6 hứa hẹn tiếp tục là giai đoạn thị trường tìm kiếm phương hướng mới dưới tác động của kỳ vọng thanh khoản, biến động chính sách và sự luân chuyển trong hệ sinh thái.

marsbit44 phút trước

PA Hình ảnh | Một hình ảnh hiểu rõ các sự kiện Web3 đáng chú ý trong tháng 6

marsbit44 phút trước

Alibaba 'Bán Hàng', ByteDance 'Luyện Công'

Tuần cuối tháng 5, hai sự kiện AI liền kề đã phơi bày hai cách tiếp cận khác biệt của các gã khổng lồ công nghệ Trung Quốc. Alibaba tập trung vào tích hợp và thương mại hóa AI. Họ kết nối ứng dụng Qwen với Taobao, cho phép mua sắm và sử dụng các tính năng AI như thử đồ, so giá. Tổ chức được tái cấu trúc để tập trung vào AI, với động lực rõ ràng từ thị trường vốn. Doanh thu bên ngoài của Alibaba Cloud tăng 40%, cho thấy chiến lược "lắp AI vào quầy thu ngân" đang tạo ra dòng tiền. Tuy nhiên, cách tiếp cận thực dụng này có thể đi kèm rủi ro nếu có sự chênh lệch lớn về năng lực mô hình nền trong tương lai. Ngược lại, ByteDance theo đuổi giới hạn công nghệ thông qua bộ phận Seed. Họ đạt được thành tích đỉnh cao với mô hình tạo video Seedance 2.0 và đầu tư mạnh vào nghiên cứu cơ bản, thu hút nhân tài với các mục tiêu thuần túy học thuật. Ngân sách vốn (capex) của ByteDance được báo cáo là tăng vọt, lên tới 4700 tỷ NDT vào năm 2026, được tài trợ chủ yếu từ lợi nhuận. Lợi thế lớn của họ là không bị áp lực thị trường công khai, cho phép tập trung vào nghiên cứu dài hạn. Bài viết chỉ ra rằng sự khác biệt chiến lược này không chỉ là triết lý, mà chủ yếu bị chi phối bởi việc công ty có niêm yết hay không. Các công ty đại chúng như Alibaba chịu áp lực phải thể hiện kết quả tài chính ngắn hạn, dẫn đến chiến lược "bán AI". Các công ty chưa niêm yết như ByteDance có "sự xa xỉ" để "làm AI" và tập trung vào đột phá công nghệ. Tương lai của con đường nghiên cứu dài hạn tại ByteDance có thể được kiểm chứng nếu công ty này tiến hành IPO.

marsbit52 phút trước

Alibaba 'Bán Hàng', ByteDance 'Luyện Công'

marsbit52 phút trước

Tại sao nhiều AI Agent hơn không đồng nghĩa với năng suất cao hơn?

Biên tập viên: Khi AI Agent ngày càng rẻ và dễ gọi, phát triển phần mềm đang bước vào giai đoạn mới. Vấn đề không còn là có thể chạy nhiều Agent hơn hay không, mà là liệu con người có đủ sự chú ý để quản lý, đánh giá và hợp nhất đầu ra của chúng hay không. Bài viết giới thiệu khái niệm "thuế điều phối". Chi phí khởi chạy Agent rất thấp, chỉ cần một Prompt hoặc một cú nhấp chuột. Nhưng các bước tiếp theo mới thực sự đắt đỏ: kiểm tra kết quả, hiểu tác động đến kiến trúc hệ thống, xử lý xung đột giữa các Agent, và quyết định mã nào được đưa vào nhánh chính. Những công việc này không thể song song hóa đơn giản, mà vẫn phải quay về một tài nguyên tuần tự duy nhất: khả năng phán đoán của con người. Tác giả ví nhà phát triển như "GIL" trong hệ thống AI Agent - khóa luồng đơn hạn chế thông lượng cuối cùng của hệ thống đồng thời. Nhiều Agent có thể chạy cùng lúc, nhưng một khi bước vào giai đoạn đánh giá kiến trúc, xem xét mã và hợp nhất xung đột, chúng phải đi qua bộ não của nhà phát triển. Do đó, càng nhiều Agent không nhất thiết có nghĩa là sản lượng cao hơn, mà có thể chỉ làm cho hàng đợi công việc chờ xem xét dài hơn, khiến nhà phát triển mệt mỏi vì chuyển đổi ngữ cảnh liên tục. Điều dễ bị bỏ qua trong cơn sốt công cụ lập trình AI hiện nay là cảm giác hiệu quả không phải lúc nào cũng đồng nghĩa với năng suất thực. Một bảng điều khiển đầy Agent đang chạy tạo ra ảo giác "năng suất cao", nhưng nếu nhà phát triển không thực sự hiểu, xem xét và tích hợp các thay đổi, hệ thống cuối cùng tích lũy có thể là nợ kỹ thuật và nợ nhận thức. Vì vậy, bài viết thảo luận về "cách thiết kế lại quy trình làm việc xoay quanh sự chú ý của con người". Trong thời đại Agent, năng lực then chốt không chỉ là biết đặt câu hỏi và phân công nhiệm vụ, mà là biết nhiệm vụ nào có thể giao cho máy móc xử lý song song, nhiệm vụ nào phải dành cho con người đánh giá; khi nào nên xem xét hàng loạt, khi nào nên dừng điều phối để tập trung lại vào một vấn đề cốt lõi. AI đang mở rộng khả năng xử lý đồng thời trong sản xuất phần mềm, nhưng sự chú ý của con người vẫn là tài nguyên khan hiếm và không thể nhân bản nhất trong hệ thống. Một quy trình làm việc với Agent thực sự trưởng thành không phải là ném mọi nhiệm vụ cho máy móc, mà là thiết kế kiến trúc sự chú ý của chính mình một cách cẩn thận, giống như thiết kế một hệ thống sản xuất.

marsbit2 giờ trước

Tại sao nhiều AI Agent hơn không đồng nghĩa với năng suất cao hơn?

marsbit2 giờ trước

Ba năm sau: Nhìn lại nhận định của tôi về ChatGPT vào năm 2023

**Tóm tắt tiếng Việt:** Năm 2026, tác giả Vương Kiến Thạc nhìn lại 20 dự đoán của mình về ChatGPT từ năm 2023, sử dụng AI (41 agent Opus 4.8) để đối chiếu với dữ liệu thực tế. **Kết quả chính:** Phần lớn các dự đoán về **cơ chế và xu hướng** là đúng: * **Đúng:** Kiến trúc RAG + tìm kiếm trở thành chuẩn để giảm ảo giác. LUI (Giao diện ngôn ngữ tự nhiên) tạo ra một "lục địa mới" cho tương tác máy tính. Mạng lưới agent với giao thức kết nối mới đang hình thành. Trung Quốc thu hẹp khoảng cách về mô hình lớn có thể sử dụng. ChatGPT không có ý thức, vượt qua bài kiểm tra Turing nhờ biểu diễn. Nó là bước tiến lớn nhưng chưa phải AGI, chưa gây ra làn sóng thất nghiệp hàng loạt. * **Sai/Sai một phần:** Dự đoán cụ thể **GPT-4 có 100 nghìn tỷ tham số** là sai hoàn toàn (thực tế ~1.8 nghìn tỷ). Nhận định **LLM không thể tự học toán** bị bác bỏ khi các mô hình giành huy chương IMO. **Giá trị sẽ thuộc về lớp ứng dụng** bị chứng minh ngược lại khi lợi nhuận khổng lồ thuộc về lớp nền tảng tính toán (như NVIDIA). **AI có thể né tránh vấn đề bản quyền** là sai, với các vụ kiện và khoản bồi thường lớn. Dự đoán **chi phí đào tạo mô hình lớn chỉ 5-10 tỷ USD** là quá thấp so với thực tế. **Bài học rút ra:** 1. **Dự đoán xu hướng và cơ chế đáng tin cậy hơn nhiều so với các con số cụ thể hay mức độ tuyệt đối.** 2. **Có xu hướng đánh giá quá cao tốc độ thay đổi trong ngắn hạn, nhưng lại đánh giá thấp mức độ thay đổi trong dài hạn.** 3. **Sai lầm tinh vi thường nằm ở "sự phân bố":** tổng thể đúng nhưng tác động không đồng đều (ví dụ: việc làm). 4. **Những phát biểu có giới hạn, thận trọng thường đứng vững theo thời gian.** 5. **Ba năm là chưa đủ để kết luận cho một số vấn đề sâu xa** (như ý thức máy móc, sự xuất hiện năng lực). Bài viết kết luận rằng việc nhìn đúng hướng đi lớn không quá khó, nhưng thừa nhận những sai lầm trong ước tính chi tiết, tốc độ và phân bố mới là điều đáng ghi nhớ cho những dự đoán trong tương lai.

marsbit8 giờ trước

Ba năm sau: Nhìn lại nhận định của tôi về ChatGPT vào năm 2023

marsbit8 giờ trước

Giao dịch

Giao ngay
Hợp đồng Tương lai
活动图片