Vốn đang dịch chuyển. Theo dõi điểm neo.
Thị trường đang nhìn vào 18x hiệu suất AI như một tín hiệu tăng trưởng, nhưng tôi nhìn vào dòng chảy thanh khoản. Nghiên cứu Stanford vừa công bố: hiệu suất AI tăng 18 lần trong 16 tháng. Các nhà đầu tư crypto lập tức đổ xô vào token AI, từ Render đến Bittensor, như thể đây là bằng chứng cho thấy nhu cầu tính toán sẽ bùng nổ. Nhưng nếu bạn đọc kỹ các con số, bạn sẽ thấy thị trường đang sai ở một chi tiết nhỏ.
Context: Bản đồ thanh khoản toàn cầu và cạm bẫy đo lường
Trong 5 năm làm việc tại ngân hàng đầu tư crypto, tôi đã chứng kiến vô số lần thị trường hiểu sai dữ liệu. Lần này cũng vậy. Nghiên cứu Stanford – vốn chỉ là một bản tin ngắn trên Crypto Briefing – không hề tiết lộ 18x được đo lường như thế nào. Là “unit token inference cost” giảm? Hay “model capability per FLOP” tăng? Sự khác biệt này quyết định toàn bộ chiến lược đầu tư.
Nếu 18x là chi phí suy luận trên mỗi token, thì các dự án DePIN như Render Network (cung cấp GPU phi tập trung) sẽ hưởng lợi trực tiếp: chi phí thấp hơn đồng nghĩa với nhiều tác vụ AI hơn được thuê ngoài, tăng doanh thu cho mạng lưới. Nhưng nếu 18x là hiệu suất trên mỗi FLOP (tức là cùng một lượng tính toán cho ra kết quả tốt hơn), thì câu chuyện lại hoàn toàn ngược lại: nhu cầu về GPU có thể giảm, vì mỗi chip làm được nhiều việc hơn. Dựa trên kinh nghiệm audit tokenomics của tôi, tôi nghiêng về giả thuyết thứ hai – Stanford thường đo lường “hiệu suất thuật toán”, tức là model capability per unit compute. Điều này có nghĩa là: cùng một lượng tính toán, bạn có thể chạy một mô hình mạnh hơn 18 lần, hoặc chạy 18 tác vụ với cùng chất lượng.
Nhưng thị trường crypto lại đang định giá theo giả thuyết thứ nhất: họ cho rằng nhu cầu tính toán sẽ tăng vọt vì AI rẻ hơn. Đây là một sai lầm cơ bản trong việc đọc tín hiệu vĩ mô.
Core: Phân tích kỹ thuật và tác động đến token AI
Hãy nhìn vào các token AI hàng đầu: Render (RNDR), Bittensor (TAO), Akash (AKT). Cả ba đều tăng giá mạnh trong tuần qua, được thúc đẩy bởi câu chuyện “AI cần nhiều compute hơn”. Nhưng sự thật là: nếu hiệu suất AI tăng 18 lần, thì lượng compute cần thiết để đạt được cùng một kết quả sẽ giảm đi 18 lần. Điều này đặt ra một câu hỏi khó chịu: liệu các token “compute-as-a-commodity” có đang đối mặt với áp lực giảm giá?
Tôi đã từng phân tích mô hình kinh tế của Render vào năm 2024. Khi đó, tôi phát hiện rằng doanh thu của mạng phụ thuộc vào giá GPU thị trường và số lượng tác vụ render. Nếu giá GPU giảm (do nhu cầu giảm hoặc cung tăng), doanh thu của Render sẽ bị ảnh hưởng trực tiếp. Hiệu suất AI tăng 18 lần chính là một yếu tố làm giảm nhu cầu GPU, vì mỗi tác vụ cần ít thời gian tính toán hơn. Tất nhiên, Jevons paradox có thể cứu vãn: giá rẻ hơn dẫn đến nhiều tác vụ hơn, tổng nhu cầu vẫn tăng. Nhưng điều này không chắc chắn, và nó phụ thuộc vào độ co giãn của cầu theo giá. Trong lĩnh vực AI, phần lớn các tác vụ hiện tại là “cao cấp” (training model lớn, inference cho ứng dụng doanh nghiệp), nơi cầu ít co giãn. Do đó, hiệu suất tăng có thể chỉ dẫn đến tổng chi tiêu AI giảm, chứ không phải tăng.
Một góc nhìn khác: các dự án AI + Crypto đang tập trung vào “distributed compute” như một giải pháp cho sự khan hiếm GPU. Nhưng nếu GPU không còn khan hiếm nữa, thì lý do tồn tại của họ bị lung lay. Đây là điểm mù lớn nhất mà thị trường đang bỏ qua.
Contrarian: Góc nhìn phản trực giác về “compute scarcity”
Hầu hết mọi người đều nghĩ: AI càng hiệu quả, càng cần nhiều compute. Nhưng tôi cho rằng điều ngược lại mới đúng trong ngắn hạn. Hãy nhìn vào lịch sử: khi máy tính cá nhân trở nên mạnh hơn, nhu cầu về mainframe giảm. Khi điện toán đám mây ra đời, doanh số bán máy chủ doanh nghiệp giảm. Sự khan hiếm compute là một câu chuyện đang chết dần. Nghiên cứu Stanford chỉ là một tín hiệu nữa cho thấy chúng ta đang tiến gần đến “compute abundance” – nơi mà tính toán không còn là rào cản. Trong thế giới đó, các token dựa trên “compute scarcity” sẽ mất đi giá trị cốt lõi.
Tôi đã thấy điều này xảy ra với các dự án storage coin như Filecoin và Arweave khi giá lưu trữ giảm mạnh. Ban đầu, mọi người nghĩ rằng lưu trữ phi tập trung sẽ bùng nổ vì nhu cầu dữ liệu tăng. Nhưng thực tế, giá lưu trữ trên cloud truyền thống giảm nhanh hơn, khiến cho các dự án này không thể cạnh tranh. AI compute cũng sẽ đi theo con đường tương tự.
Một luận điểm phản trực giác khác: hiệu suất AI tăng có lợi cho các dự án “AI agent” và “AI application” hơn là “compute infrastructure”. Các token như Fetch.ai (FET) hay SingularityNET (AGIX) – vốn tập trung vào ứng dụng – có thể hưởng lợi từ chi phí AI rẻ hơn, vì họ có thể xây dựng nhiều agent hơn với cùng ngân sách. Nhưng ngay cả điều đó cũng không chắc chắn, vì sự cạnh tranh từ các giải pháp tập trung (OpenAI, Google) cũng tăng lên.
Takeaway: Định vị chu kỳ
Thị trường crypto đang ở giai đoạn mà mọi tin tức tốt về AI đều được coi là bullish cho token AI. Nhưng tôi nhìn thấy một sự tách rời đang hình thành: hiệu suất AI tăng là tin tốt cho người dùng AI, nhưng là tin xấu cho các nhà cung cấp compute phi tập trung. Vốn đang dịch chuyển từ “compute scarcity” sang “compute efficiency”. Theo dõi điểm neo: nếu giá token AI tiếp tục tăng bất chấp sự sụt giảm về nhu cầu compute thực tế, đó sẽ là dấu hiệu của bong bóng.
Vậy câu hỏi đặt ra là: Liệu thị trường đã định giá đúng sự dịch chuyển từ “compute scarcity” sang “compute abundance” chưa? Hay chúng ta đang lặp lại sai lầm của thời kỳ ICO, khi mọi người đổ xô vào các dự án hứa hẹn “decentralized everything” mà không hiểu rõ nền tảng kinh tế? Dựa trên kinh nghiệm của tôi, câu trả lời là chưa. Và khi thị trường nhận ra, sự điều chỉnh sẽ rất mạnh.