Sự Di Chuyển của Quyền Thanh Toán: B18 và Điểm Khởi Đầu của Ngân Hàng Trên Chuỗi

marsbitXuất bản vào 2026-03-21Cập nhật gần nhất vào 2026-03-21

Tóm tắt

Trong hệ thống tài chính truyền thống, quyết định "tiền có thực sự thuộc về bạn" không nằm ở giao dịch mà nằm ở quá trình thanh toán. Ngân hàng tồn tại không phải vì giao dịch mà vì hệ thống giải quyết và thanh toán. Trong thế giới on-chain, DeFi ban đầu đã bỏ qua vấn đề này, nhưng B18 – xây dựng trên cơ sở hạ tầng Base của Coinbase – đang cố gắng trả lời câu hỏi cốt lõi: Khi ngân hàng không còn là một thể chế, các quy tắc thanh toán sẽ tồn tại như thế nào? B18 không định nghĩa mình là giao thức DeFi mà là một hệ thống quy tách chức năng ngân hàng khỏi thể chế, biến nó thành bộ quy tắc có thể thực thi bằng mã. Cấu trúc vốn của B18 phản ánh sự phân tầng giống hệ thống tài chính: vốn giao thức (thiết kế quy tắc), vốn cơ sở hạ tầng thị trường (định giá và thanh khoản), vốn hệ thống thanh toán (kết nối với thế giới thực) và mạng lưới builder (phát triển hệ thống). Bốn yếu tố này cùng tạo ra không phải một thị trường, mà một trật tự mới nơi mã code tiếp quản nhiệm vụ thanh toán từ các ngân hàng truyền thống. Sự di chuyển quyền thanh toán từ thể chế sang giao thức đang thay đổi cấu trúc quyền lực tài chính, và B18 nằm ở điểm khởi đầu của quá trình chuyển đổi này.

Trong hệ thống tài chính truyền thống, thứ thực sự quyết định “tiền có thuộc về bạn hay không” không phải là bản thân giao dịch, mà là quá trình thanh toán. Giao dịch có thể hoàn tất trong chớp mắt, nhưng thanh toán cần thời gian, cần đối tác, và cần sự xác nhận của hệ thống. Trong quá trình này, tiền không hoàn toàn thuộc về người dùng, mà tạm thời nằm trong hệ thống.

Phố Wall hiểu rõ điều này.

Hệ thống ngân hàng tồn tại không phải vì giao dịch, mà là vì thanh toán và quyết toán. Từ SWIFT đến các ngân hàng thanh toán bù trừ, từ các tổ chức lưu ký đến các đối tác trung tâm, cốt lõi của hệ thống tài chính chưa bao giờ là tính thanh khoản, mà là trật tự thanh toán. Trong thế giới trên chuỗi, DeFi thời kỳ đầu đã chọn cách né tránh vấn đề này. Chúng nhấn mạnh vào giao dịch, lợi nhuận, tính thanh khoản,
nhưng hiếm khi chạm đến một vấn đề cơ bản hơn:

Khi không có ngân hàng, ai sẽ định nghĩa việc thanh toán?

Đây chính là lĩnh vực mà B18 đang cố gắng bước vào.


B18 được xây dựng trên hệ thống cơ sở hạ tầng trên chuỗi do Coinbase thúc đẩy và chạy trên lớp thực thi Base.

Trong hệ thống này, blockchain không còn chỉ là công cụ ghi chép giao dịch, mà bắt đầu mang các chức năng gần hơn với hệ thống tài chính truyền thống: thời gian, kế toán, trình tự quyết toán và tính cuối cùng.

B18 không tự định nghĩa mình là một giao thức DeFi, mà là một nỗ lực trả lời một câu hỏi căn bản hơn:

Khi ngân hàng không còn là một thể chế, các quy tắc thanh toán tồn tại như thế nào?

Câu hỏi này quyết định cấu trúc vốn của nó. Khác với hầu hết các dự án tiền mã hóa xoay quanh việc gọi vốn và định giá, bối cảnh vốn của B18 thể hiện một cấu trúc phân tầng gần hơn với chính hệ thống tài chính.

Ở cấp độ giao thức và thể chế, B18 nhận được sự hỗ trợ từ các tổ chức như ParadigmWintermute Ventures. Những tổ chức này tham gia lâu dài vào quá trình phát triển giao thức trong hệ sinh thái Ethereum, và mối quan tâm của họ không nằm ở lợi nhuận ngắn hạn, mà ở việc liệu cấu trúc tài chính trên chuỗi có thể vận hành bền vững hay không.


Ở cấp độ thị trường, B18 kết nối với các tổ chức như GSR Capital. Những người tham gia này tạo nên điều kiện cơ sở cho thị trường trên chuỗi, giúp việc định giá, thanh khoản và thanh lý không chỉ dừng lại ở lý thuyết, mà có thể được kiểm chứng trong môi trường thực tế.

Đồng thời, B18 giới thiệu nguồn vốn từ hệ thống cơ sở hạ tầng thanh toán và tài chính (FuturePay). Tầng này có ý nghĩa sâu xa hơn nó意味着 hệ thống trên chuỗi bắt đầu kết nối với mạng lưới thanh toán của thế giới thực. Stablecoin không còn chỉ là tài sản, mà trở thành đơn vị thanh toán; giao thức trên chuỗi không còn chỉ là ứng dụng, mà bắt đầu đảm nhận trách nhiệm hệ thống.


Ở cấp độ hệ sinh thái, B18 dựa vào Base Ecosystem Fund và mạng lưới nhà phát triển đằng sau nó để vận hành. Nhưng quan trọng hơn vốn là một loại người tham gia khác: builder (nhà xây dựng).

Những kỹ sư và nhà thiết kế giao thức từ hệ sinh thái Ethereum và Base này không xây dựng sản phẩm, họ xây dựng các quy tắc.

Họ quyết định:

  • Vốn được ghi chép như thế nào
  • Lợi nhuận được xác nhận khi nào
  • Việc thanh lý xảy ra trong điều kiện nào

Những vấn đề này, trong tài chính truyền thống do ngân hàng và thể chế quyết định, còn trên chuỗi, đang được mã hóa lại.

Về mặt cấu trúc, B18 không phải là một dự án, mà là một thử nghiệm: tách ngân hàng ra khỏi thể chế, biến nó thành một hệ thống quy tắc có thể được thực thi.

Cấu trúc vốn của nó, do đó, không còn là nguồn vốn, mà là một tín hiệu sâu sắc hơn:

  • Vốn dạng giao thức, đại diện cho việc thiết kế quy tắc
  • Vốn cơ sở hạ tầng thị trường, đại diện cho giá cả và thanh khoản
  • Vốn hệ thống thanh toán, đại diện cho kết nối thanh toán với thế giới thực
  • builder network, đại diện cho sự phát triển liên tục của hệ thống

Bốn yếu tố này cùng tạo thành, không phải một thị trường, mà là một trật tự.

Trong hệ thống truyền thống, ngân hàng quyết định thanh toán; trong hệ thống trên chuỗi, mã code bắt đầu tiếp quản nhiệm vụ này.

Khi thanh toán di chuyển từ thể chế sang giao thức, cấu trúc quyền lực tài chính cũng thay đổi theo.

Và vị trí của B18, chính là điểm khởi đầu của sự di chuyển này.

Chú thích: Bài viết này là bài gửi tới, không phải quan điểm của ChainCatcher, và cũng không phải là lời khuyên đầu tư.

Nội dung Liên quan

Mô hình sinh đã có thể huấn luyện end-to-end? Cốt lõi chỉ là một vòng lặp for

Mô hình tạo sinh (generative models) từ lâu đã phụ thuộc vào các phương pháp đào tạo nhiều giai đoạn (như diffusion, autoregressive), dẫn đến "exposure bias" - sự khác biệt giữa cách huấn luyện và suy luận. Bài báo "Explorative Modeling" (XM) từ UIUC và Harvard đề xuất một giải pháp đơn giản nhưng mạnh mẽ: thay vì tách quá trình tạo mẫu, hãy tách vòng lặp huấn luyện. Trong mỗi bước huấn luyện, mô hình tạo ra K ứng viên, sau đó chỉ chọn ứng viên gần nhất với dữ liệu thực để cập nhật gradient. Vòng lặp `for` đơn giản này giải quyết vấn đề "mode blurring" - xu hướng của hàm mất mát tái tạo đẩy đầu ra về trung bình của các mode hợp lệ, tạo ra kết quả mờ nhạt. Bằng cách khám phá nhiều ứng viên, mô hình học cách bao phủ nhiều mode khác nhau trong phân phối dữ liệu. Khả năng này được gọi là "biểu đạt tạo sinh" (generative expressivity). Thí nghiệm cho thấy "khám phá" (exploration) trở thành một trục mở rộng quy mô hiệu quả thứ ba, bên cạnh quy mô dữ liệu và tham số. Khi quy mô tăng, lợi ích từ việc khám phá càng lớn, cải thiện hiệu suất FLOP, mẫu và tham số. XM đạt được kết quả tạo ảnh trên ImageNet (FID 1.43 không guidance) ngang bằng các mô hình hàng đầu. Quan trọng hơn, XM cho phép huấn luyện mô hình tạo sinh "end-to-end" thực sự. Trong thí nghiệm điều khiển robot, Explorative Policy chỉ cần một lượt truyền thẳng mạng, đạt hiệu suất tương đương Diffusion Policy cần hàng trăm bước suy luận. Điều này chuyển chi phí tính toán từ giai đoạn suy luận sang giai đoạn huấn luyện, mở ra khả năng cho các mô hình tạo sinh nhanh và hiệu quả hơn. Công trình dựa trên lý thuyết "Mode Forcing" trước đó của nhóm tác giả. Hạn chế hiện tại bao gồm chi phí tính toán cho "Forward XM" trên phân phối nhiều mode và thách thức với mô hình ngôn ngữ tự hồi quy thuần túy.

marsbit6 phút trước

Mô hình sinh đã có thể huấn luyện end-to-end? Cốt lõi chỉ là một vòng lặp for

marsbit6 phút trước

Mỗi người tối đa 20 bài? Quy định mới của ICLR bị nhà nghiên cứu DeepMind 'mỉa mai' kiến nghị

Tác giả Google DeepMind Dan Roy đã khởi xướng một kiến nghị trào phúng nhằm phản đối quy định mới của hội nghị AI hàng đầu ICLR, giới hạn mỗi tác giả chỉ được đăng ký tối đa 20 bài báo tham dự ICLR 2027. Quy định này được đưa ra do số lượng bài nộp tăng đột biến 68% vào năm 2026, gây áp lực nặng nề lên hệ thống phản biện. Trong bài đăng của mình, Dan Roy giả vờ ủng hộ việc để AI Agent tạo ra càng nhiều nghiên cứu gia tăng càng tốt, và cho rằng giới hạn này sẽ "làm chậm sự phát triển của AI". Anh còn mỉa mai nhận xét rằng "tất cả công việc phản biện giờ đã được giao cho các mô hình ngôn ngữ lớn xử lý", ám chỉ đến một nghiên cứu trước đó phát hiện khoảng 21% ý kiến phản biện tại ICLR 2026 có khả năng cao là do AI tạo ra. Bài viết chỉ ra rằng thông điệp trào phúng của Roy thực chất phản ánh mối lo ngại về một vòng luẩn quẩn: AI tạo ra bài báo hàng loạt, nhà nghiên cứu gửi đi hàng loạt, và phản biện viên lại dùng AI để đánh giá hàng loạt. Qua đó, tác giả đặt câu hỏi liệu biện pháp giới hạn số lượng cứng nhắc có phải là giải pháp tối ưu cho những thách thức căn bản về chất lượng học thuật trong kỷ nguyên AI này.

marsbit12 phút trước

Mỗi người tối đa 20 bài? Quy định mới của ICLR bị nhà nghiên cứu DeepMind 'mỉa mai' kiến nghị

marsbit12 phút trước

OpenAI không bán tiền dựa trên mô hình đắt nhất

OpenAI đã điều chỉnh giá, giảm 80% cho mô hình GPT-5.6 Luna và 20% cho Terra, đồng thời giới thiệu chế độ Fast cho mô hình mạnh nhất Sol. Động thái này, cùng với việc Anthropic giới thiệu Claude Opus 5 với giá bằng một nửa so với flagship Fable 5, đánh dấu sự thay đổi chiến lược quan trọng: các hãng không còn chỉ tập trung bán mô hình mạnh nhất. Thay vào đó, họ khuyến nghị người dùng kết hợp các mô hình theo nhiệm vụ: dùng Sol (đắt, mạnh) để phân tích và lập kế hoạch phức tạp, sau đó giao cho Luna (rẻ, hiệu quả) thực thi. Điều này cho thấy trọng tâm thương mại đang chuyển từ các mô hình flagship (chứng minh năng lực kỹ thuật) sang các mô hình tầm trung, phục vụ cho lượng truy vấn API khổng lồ hàng ngày của doanh nghiệp, nơi hiệu quả chi phí (ROI) và độ ổn định là yếu tố quyết định. Một yếu tố then chốt giúp giảm chi phí là việc chính các mô hình AI (như Sol) tham gia tối ưu hóa mã nguồn và quy trình vận hành của chính chúng, tạo ra một vòng lặp tự thúc đẩy giảm chi phí. Điều này có thể đẩy nhanh hơn nữa đà giảm giá trong tương lai. Cạnh tranh đang chuyển từ "mô hình thông minh nhất" sang "hệ sinh thái hiệu quả nhất". OpenAI muốn biến các mô hình như Luna thành lựa chọn mặc định cho các tác vụ thường ngày, từ đó gia tăng độ phụ thuộc và chi phí chuyển đổi cho doanh nghiệp. Tương tự như ngành điện hay điện toán đám mây, mục tiêu cuối cùng là AI trở thành một tiện ích phổ biến, hoạt động âm thầm và không thể thiếu trong mọi quy trình, thay vì chỉ là một sản phẩm công nghệ đình đám.

marsbit1 giờ trước

OpenAI không bán tiền dựa trên mô hình đắt nhất

marsbit1 giờ trước

Lương trăm nghìn đô la săn thợ điện, Meta vội vàng tự mở trường dạy nghề

Cuộc đua AI đang vấp phải nút thắt mới: thiếu hụt nghiêm trọng lao động lành nghề như thợ điện và công nhân xây dựng để xây dựng các trung tâm dữ liệu quy mô lớn. Tại Mỹ, dự báo cần thêm 130.000 thợ điện và 240.000 công nhân xây dựng từ 2023-2030 cho hạ tầng AI, trong khi mỗi năm có 80.000 vị trí thợ điện không thể lấp đầy. Các công ty AI sẵn sàng trả lương cao (thợ điện giỏi có thể kiếm 240.000-280.000 USD/năm), nhưng sự chậm trễ xây dựng vẫn gây thiệt hại hàng chục triệu USD. Độ phức tạp của các trung tâm dữ liệu AI, với công suất điện khổng lồ, hệ thống phân phối điện và làm mát phức tạp, đòi hỏi lao động có kỹ năng đặc biệt. Để giải quyết, các gã khổng lồ công nghệ như Meta và Google đang đầu tư hàng trăm triệu USD vào đào tạo. Meta mở trường dạy nghề miễn phí, cung cấp cả trợ cấp sinh hoạt, trong khi OpenAI hợp tác với công đoàn xây dựng. Chiến dịch tuyển dụng nhắm đến cả học sinh trung học, góp phần làm tăng mạnh tỷ lệ Gen Z theo học trường nghề. Tuy nhiên, nhu cầu điện cho AI tiếp tục bùng nổ, chiếm phần ngày càng lớn trong tổng tiêu thụ điện và đẩy giá điện lên cao. Một nghịch lý tồn tại: các dự án xây dựng cần hàng nghìn lao động cùng lúc, nhưng khi hoàn thành chỉ cần số ít vận hành, dẫn đến rủi ro dư thừa lao động lành nghề trong tương lai.

marsbit1 giờ trước

Lương trăm nghìn đô la săn thợ điện, Meta vội vàng tự mở trường dạy nghề

marsbit1 giờ trước

Giao dịch

Giao ngay
活动图片