Những mô hình AI mạnh nhất thế giới hiện nằm trong tay một số ít tập đoàn. Họ quyết định giá dịch vụ, quyền truy cập, và nắm toàn bộ trọng số, tham số mà mô hình học được từ dữ liệu người dùng.
Sentient (SENT) ra mắt năm 2026 như một lời thách thức trực diện với mô hình đó, xây dựng một nền tảng AI mở nơi người đóng góp nắm giữ phần sở hữu có thể chứng minh được trong các mô hình họ giúp tạo ra. Token của dự án đã tăng khoảng 26% chỉ trong một ngày tháng 7/2026, cho thấy thị trường đang chú ý sát sao tới câu chuyện AI phi tập trung.
Nhưng Sentient không đơn độc. Một lớp giao thức mới đang dùng blockchain để bảo vệ quyền sở hữu mô hình mở, điều phối đào tạo phân tán, và vận hành các thị trường suy luận nơi bất kỳ ai cũng có thể cung cấp năng lực tính toán và nhận thưởng. Hiểu rõ cách các mạng này vận hành – ở cấp độ khuyến khích kinh tế, mật mã học và thanh toán on-chain – là cách rõ ràng nhất để phân biệt hạ tầng thực chất với lời thổi phồng.
Tóm tắt nhanh
- Các mạng AI phi tập trung dùng blockchain để bảo vệ quyền sở hữu đối với mô hình AI, đảm bảo người đóng góp không bị loại khỏi chuỗi giá trị sau khi mô hình đã huấn luyện xong.
- Quá trình huấn luyện và suy luận được tách thành hai lớp; người tham gia nhận thưởng cho tài nguyên tính toán và dữ liệu ở mỗi giai đoạn, được ghi nhận on-chain.
- Các bằng chứng mật mã (zero-knowledge hoặc chứng thực mật mã) cho phép mạng lưới xác minh kết quả suy luận là trung thực mà không phải chạy lại toàn bộ mô hình.
- Token quản trị trao quyền biểu quyết cho người đóng góp đối với cập nhật mô hình, cấu trúc phí và quy tắc truy cập.
- Đánh đổi cốt lõi là hiệu năng so với khả năng xác minh: suy luận hoàn toàn on-chain vẫn chậm và đắt hơn API tập trung, nhưng khoảng cách đang thu hẹp nhanh.
Vì sao AI đóng tạo ra “lỗi thiết kế” cho các mạng mở
Mọi mô hình AI lớn đều được huấn luyện trên dữ liệu đến từ đâu đó. Người dùng, nhà nghiên cứu, cộng đồng mã nguồn mở tạo ra văn bản, mã nguồn, hình ảnh mà mô hình dùng để học. Trong mô hình tập trung hiện nay, những người đóng góp này không nhận được gì. Công ty huấn luyện mô hình thu toàn bộ giá trị.
Điều này dẫn tới hiệu ứng tích lũy tiêu cực. Những người đóng góp chất lượng cao dần ngừng chia sẻ dữ liệu công khai khi nhận ra chúng bị khai thác mà không được trả công.
Khi đó, mô hình trở nên phụ thuộc vào những nguồn dữ liệu mà công ty có thể hợp pháp thu thập, thường là cào dữ liệu từ web mở dựa trên điều khoản sử dụng đang bị tranh chấp tại tòa. Chuỗi huấn luyện trở thành quá trình “khai thác” một chiều thay vì hợp tác hai chiều.
Các mạng AI phi tập trung đưa ra một cấu trúc khác. Người đóng góp được đăng ký on-chain trước khi huấn luyện. Dữ liệu và tài nguyên tính toán họ cung cấp được ghi nhận như các đầu vào có thể xác minh. Hợp đồng thông minh phân phối doanh thu từ việc sử dụng mô hình trở lại cho những người này theo bộ quy tắc đã được cố định trước khi bất kỳ ai bỏ ra một giờ GPU.
Blockchain không trực tiếp làm công việc tính toán AI. Nó đóng vai trò “bộ máy thực thi hợp đồng sở hữu”, khiến việc tự nguyện đóng góp tài nguyên trở nên hợp lý về mặt kinh tế.
Xem thêm: https://yellow.com/agentic-trading
Quyền sở hữu mô hình on-chain vận hành như thế nào
Quyền sở hữu mô hình trong mạng AI phi tập trung không giống với việc sở hữu một file. Một mô hình AI đã huấn luyện là tập hợp các trọng số số học – thường là hàng tỷ số thực – được lưu trên nhiều nút khác nhau. Sở hữu “một mô hình” nghĩa là nắm quyền đòi hỏi rõ ràng, được bảo đảm, đối với phần doanh thu mà mô hình đó tạo ra, kèm quyền quản trị định hướng phát triển trong tương lai.
Cơ chế này vận hành thông qua một sự kiện mint token gắn với lần huấn luyện ban đầu của mô hình. Khi mô hình được triển khai lần đầu, mạng lưới sẽ phát hành một lượng cố định token sở hữu đại diện cho mô hình cụ thể đó. Người đã cung cấp dữ liệu, tài nguyên tính toán hoặc mã trong quá trình huấn luyện được phân bổ token tương ứng với mức đóng góp.
Công thức phân bổ được ghi cứng vào hợp đồng thông minh trước khi huấn luyện bắt đầu và không thể sửa đổi hồi tố.
Mỗi lần ai đó trả tiền để chạy suy luận trên mô hình – hỏi một dự đoán, đoạn văn sinh ra, hay embedding – khoản phí sẽ được chia giữa bên hạ tầng vận hành suy luận và những người nắm giữ token sở hữu. Tỷ lệ chia do cơ chế quản trị quyết định. Điều này đồng nghĩa nếu một mô hình trở nên được sử dụng rộng rãi, các cộng tác viên ban đầu tiếp tục nhận dòng thu nhập thụ động, cấu trúc khá giống tiền bản quyền.
Cách tiếp cận của Sentient tiến thêm một bước với cơ chế “Dấu vân tay mô hình Sentient”. Mỗi mô hình được huấn luyện trên nền tảng Sentient đều mang một “dấu vân tay” mật mã nhúng, gắn kết đầu ra suy luận với phiên bản mô hình cụ thể.
Nhờ đó, mạng có thể phát hiện nếu ai đó sao chép trọng số mô hình và chạy suy luận mà không trả phí sở hữu – dạng “lậu mô hình” vốn rất dễ thực hiện với trọng số đóng, nhưng khó chứng minh. Dấu vân tay tạo ra một chuỗi kiểm toán on-chain hỗ trợ thực thi doanh thu ngay cả khi trọng số được mở.
Xem thêm: https://yellow.com/news/deepseek-cheap-ai-openai-anthropic
Hai lớp kinh tế: huấn luyện phân tán và thị trường suy luận
Các mạng AI phi tập trung chia vòng đời AI thành hai lớp kinh tế riêng biệt. Hiểu từng lớp là điều quan trọng vì chúng có các nhóm tham gia, động lực khuyến khích và thách thức kỹ thuật khác nhau.
Lớp huấn luyện là nơi mô hình học. Trong hệ thống tập trung, một công ty duy nhất vận hành toàn bộ trên hạ tầng của riêng mình. Trong mạng phi tập trung, huấn luyện được chia nhỏ cho nhiều bên đóng góp, mỗi bên xử lý một phần tính toán.
Thách thức là điều phối: toàn bộ người tham gia phải đồng thuận được về trạng thái mô hình ở từng bước, đòi hỏi một cơ chế đồng thuận thích ứng với cập nhật gradient thay vì giao dịch tài chính. Các dự án như Bittensor và Gensyn đã xây dựng giao thức chuyên biệt cho việc này, sử dụng cơ chế chấm điểm on-chain để xếp hạng chất lượng đóng góp gradient của mỗi nút và trả thưởng tương ứng.
Lớp suy luận là nơi mô hình đã huấn luyện tạo đầu ra cho người dùng cuối. Suy luận khác về mặt kinh tế so với huấn luyện: mang tính lặp lại, nhạy cảm về độ trễ và dễ xác minh hơn. Người dùng gửi truy vấn, nhà cung cấp suy luận chạy mô hình trên phần cứng của họ và trả kết quả. Câu hỏi cốt lõi: làm sao người dùng biết nhà cung cấp thực sự chạy đúng mô hình, chứ không dùng bản rút gọn rẻ tiền?
Đây là lúc thị trường suy luận trở nên thú vị. Nhiều nhà cung cấp cùng đấu giá quyền phục vụ truy vấn. Bên thắng thầu chạy mô hình và gửi lại kết quả kèm bằng chứng mật mã. Các nhà cung cấp khác có thể kiểm tra ngẫu nhiên thông qua cơ chế “thách thức”. Bên gian lận bị cắt tài sản ký quỹ, bên trung thực nhận phí. Cấu trúc thị trường tạo động lực cho tính chính xác mà không buộc cả mạng phải xác minh từng kết quả.
“Thị trường suy luận vay mượn thiết kế kinh tế của thị trường dự đoán: người tham gia đặt cược giá trị vào tính đúng đắn của đầu ra, và đầu ra sai bị trừng phạt thông qua cơ chế slashing – tương tự cách mạng lưới proof-of-stake trừng phạt validator hành xử sai.”
Xem thêm: https://yellow.com/news/grok-45-beats-fable-5-opus-48-agent-ai-test
Bằng chứng mật mã xác minh kết quả AI mà không phải chạy lại mô hình
Bài toán kỹ thuật khó nhất trong AI phi tập trung là khâu xác minh. Chạy một mô hình ngôn ngữ lớn đã tốn kém; việc chạy lần hai chỉ để kiểm tra kết quả lần đầu là bất khả thi về kinh tế ở quy mô lớn. Nhưng nếu không có xác minh, toàn bộ cấu trúc khuyến khích sẽ sụp đổ: nhà cung cấp có thể trả về bất cứ kết quả “có vẻ hợp lý” nào rồi nhận phí.
Hai hướng tiếp cận đang được phát triển mạnh vào năm 2026.
Bằng chứng zero-knowledge cho suy luận cho phép nhà cung cấp tạo ra một bằng chứng toán học rằng phép tính cụ thể đã được thực thi đúng, mà không hé lộ trọng số mô hình và không buộc bên xác minh phải chạy lại mô hình. Bên xác minh chỉ cần kiểm tra bằng chứng – rẻ hơn rất nhiều so với việc tạo bằng chứng. Những dự án như Modulus Labs và ZKML đã minh chứng điều này trên các mô hình nhỏ, nhưng chi phí sinh bằng chứng với mô hình tuyến đầu (70 tỷ tham số trở lên) vẫn rất lớn. Sinh bằng chứng cho một truy vấn trên mô hình lớn có thể mất vài phút trên phần cứng chuyên dụng, so với mili-giây cho chính phép suy luận.
Thực thi lạc quan (optimistic) kèm bằng chứng gian lận (fraud proof) đi theo hướng khác, vay mượn thiết kế optimistic rollup của Ethereum (ETH). Kết quả mặc định được chấp nhận là đúng. Bất kỳ ai cũng có thể đưa ra thách thức trong một khoảng thời gian nhất định, bằng cách chạy lại phép tính trên nút tham chiếu. Nếu bên thách thức chứng minh được kết quả sai, nhà cung cấp ban đầu mất tài sản ký quỹ, còn người thách thức nhận thưởng.
Cách này nhanh hơn trong kịch bản phổ biến – khi hầu hết nhà cung cấp đều trung thực – nhưng tạo ra độ trễ trước khi kết quả được coi là “chung cuộc”.
Phần lớn hệ thống sản xuất năm 2026 chọn mô hình lai: thực thi lạc quan cho truy vấn thường nhật, kèm các lần kiểm tra ngẫu nhiên bằng zero-knowledge nhằm giữ nhà cung cấp trong khuôn khổ, mà không phải chịu chi phí xác minh cho mọi yêu cầu. Tỷ lệ truy vấn bị kiểm tra là tham số quản trị, do holder token điều chỉnh khi chi phí sinh bằng chứng giảm dần.
Xem thêm: https://yellow.com/news/openai-safety-veteran-exit-history
Vai trò của token quản trị trong phát triển mô hình
Token quản trị trong mạng AI phi tập trung không chỉ dùng để bỏ phiếu cho các bản nâng cấp giao thức. Chúng quyết định trực tiếp những yếu tố định hình giá trị kinh tế của mô hình: bộ dữ liệu nào được phép sử dụng cho các lần tinh chỉnh sau, áp dụng các lớp lọc an toàn ra sao, tỷ lệ chia phí suy luận giữa hạ tầng và chủ sở hữu, và liệu trọng số mô hình có thể được mở hoàn toàn hay phải hạn chế.
Điều này tạo nên một cấu trúc quyền lực khác hẳn AI tập trung. Trong mô hình đóng, một nhóm an toàn nội bộ của công ty quyết định... Áp dụng những “làn ranh an toàn” nào, và ai là người quyết định? Trong một mạng lưới phi tập trung, câu trả lời nằm ở cộng đồng nắm giữ token – những người thường có lợi ích chồng chéo, thậm chí xung đột.
Những người ưu tiên tối đa hóa năng lực mô hình có thể bỏ phiếu phản đối các rào chắn an toàn nếu chúng làm giảm hiệu suất trên một số tác vụ. Ngược lại, những người quan tâm đến tuân thủ pháp lý tại thị trường của mình sẽ có xu hướng ủng hộ các bộ lọc chặt chẽ hơn.
Giải pháp thực tế mà đa số mạng lưới đã tiến tới là mô hình quản trị hai tầng. Một hội đồng lõi (core council), được bầu bởi cộng đồng nắm giữ token, chịu trách nhiệm với các quyết định an toàn khẩn cấp, không thể chờ quy trình bỏ phiếu toàn mạng. Các tham số kinh tế mang tính nền tảng – như cấu trúc phí, tỷ lệ chia doanh thu – được đưa ra bỏ phiếu toàn bộ holder, với khung thời gian thảo luận dài hơn. Cách tiếp cận này khá giống các giao thức DeFi như Aave hay Compound sau khi họ nhận ra rằng mô hình quản trị “on-chain hoàn toàn, dân chủ tuyệt đối” rất dễ bị tấn công trong bối cảnh tỷ lệ tham gia thấp và thao túng phiếu bầu vào phút chót.
Quản trị mô hình còn kéo theo một bài toán đặc thù của AI: mô hình sẽ trở thành “thứ gì” sau các bản cập nhật. Một người đóng góp vào giai đoạn huấn luyện ban đầu nắm giữ token đại diện cho giá trị của phiên bản gốc. Nếu một cuộc bỏ phiếu chấp thuận đợt fine-tune lớn làm thay đổi đáng kể hành vi mô hình, thì token đó còn đại diện cho cùng một tài sản nữa hay không? Cách xử lý phổ biến là mint một token mới cho mỗi phiên bản lớn, đồng thời phân bổ token mới tỷ lệ thuận cho holder hiện hữu – tương tự việc cổ đông nhận cổ phiếu trong một thương vụ spin-off.
Also Read: https://yellow.com/news/bitcoin-63k-war-chatter
Đóng Góp Dữ Liệu, Quyền Riêng Tư Và Bài Toán Huấn Luyện Liên Kết (Federated Training)
Một trong những câu hỏi thiết kế cốt lõi của mọi mạng lưới AI phi tập trung là: làm sao để người đóng góp dữ liệu tham gia mà không phải “lộ” thông tin nhạy cảm. Hồ sơ y tế, dữ liệu tài chính, giao tiếp cá nhân… là những tập dữ liệu huấn luyện cực kỳ giá trị cho các mô hình chuyên biệt. Nhưng rõ ràng, người đóng góp không thể đơn giản tải toàn bộ những dữ liệu này lên một mạng dùng chung mà không kéo theo rủi ro khổng lồ về quyền riêng tư và tuân thủ.
Federated learning (học liên kết) đưa ra một lời giải một phần. Thay vì gửi dữ liệu thô lên một nút huấn luyện trung tâm, mỗi bên tham gia sẽ huấn luyện bản cập nhật mô hình cục bộ trên dữ liệu của riêng mình, rồi chỉ gửi “gradient” – hướng điều chỉnh trọng số mô hình – về mạng. Mạng sẽ tổng hợp các gradient từ nhiều bên mà không bao giờ cần nhìn trực tiếp dữ liệu gốc. Mô hình vẫn được cải thiện nhờ dữ liệu riêng tư, trong khi dữ liệu không rời khỏi quyền kiểm soát của người sở hữu.
Vai trò của blockchain trong mô hình federated là điều phối và chi trả. Smart contract ghi nhận ai đã gửi gradient trong mỗi vòng huấn luyện, chấm điểm chất lượng và mức độ đóng góp của từng gradient thông qua các hàm đánh giá on-chain, rồi phân phối phần thưởng tương ứng. Bài toán đánh giá không hề đơn giản: về lý thuyết, một người có thể gửi gradient ngẫu nhiên để ăn phần thưởng mà không thực sự làm việc. Các giao thức như FedML và chính framework huấn luyện của Sentient dùng cơ chế cam kết mật mã và “tiết lộ trễ” để ngăn chặn kiểu gian lận này, buộc người tham gia phải commit gradient trước khi thấy bài nộp của người khác.
Differential privacy (bảo mật vi sai) thường được “xếp tầng” phía trên federated learning để cung cấp bảo đảm toán học rằng không thể tái dựng các mẫu dữ liệu huấn luyện cá nhân từ bộ trọng số mô hình đã công bố. “Ngân sách riêng tư” – mức độ thông tin tối đa mà mô hình được phép “rò rỉ” về từng điểm dữ liệu – trở thành một tham số quản trị khác, nơi cộng đồng nắm giữ token phải cân bằng giữa độ hữu dụng của mô hình và mức bảo vệ quyền riêng tư cho người đóng góp.
“Federated learning kết hợp differential privacy mang lại cho các mạng lưới AI phi tập trung một câu trả lời đáng tin cậy cho bài toán quyền riêng tư dữ liệu. Người đóng góp không bao giờ giao nộp dữ liệu. Mạng lưới không bao giờ thấy dữ liệu. Nhưng mô hình vẫn được cải thiện nhờ dữ liệu đó.”
Also Read: https://yellow.com/news/gpt-56-beats-human-interns-openai
Ai Thực Sự Hưởng Lợi Từ Mạng Lưới AI Phi Tập Trung Ở Thời Điểm Hiện Tại?
Hiểu cơ chế vận hành là một chuyện. Hiểu ai nên quan tâm đến nó vào năm 2026 lại là chuyện khác. Công nghệ đang thực sự hữu ích trong một số bối cảnh cụ thể, và cũng thực sự bất tiện ở các bối cảnh khác.
Nhà nghiên cứu AI độc lập và cộng đồng mã nguồn mở là nhóm hưởng lợi rõ ràng nhất. Họ có thể đóng góp năng lực tính toán huấn luyện hoặc bộ dữ liệu đã được tuyển chọn cho những mô hình mình tin tưởng, đổi lại là một phần sở hữu có thể chứng minh được, cùng dòng doanh thu liên tục từ việc mô hình được sử dụng. Phương án thay thế – đóng góp cho những mô hình nguồn mở như các bản phái sinh LLaMA – chủ yếu mang lại danh tiếng, nhưng không đi kèm lợi ích kinh tế khi mô hình được thương mại hóa.
Doanh nghiệp sở hữu dữ liệu riêng và chịu áp lực tuân thủ cũng ngày càng quan tâm tới các cấu trúc huấn luyện liên kết. Một hệ thống bệnh viện muốn phát triển mô hình AI chuyên biệt cho y khoa không thể chia sẻ hồ sơ bệnh án với một nhà cung cấp tập trung. Một mạng lưới phi tập trung theo mô hình federated cho phép họ đóng góp vào quá trình huấn luyện trong khi dữ liệu vẫn nằm on-premises. Hồ sơ quyền sở hữu on-chain tạo nên một vệt kiểm toán rõ ràng, đáp ứng yêu cầu từ bộ phận pháp chế và cơ quan quản lý.
Các giao thức DeFi và ứng dụng Web3 lại có nhu cầu inference AI không thể bị kiểm duyệt hay “tắt vòi” bởi một nhà cung cấp API tập trung. Một sàn dự đoán (prediction market) sử dụng AI để xử lý dữ liệu sự kiện ngoài đời thực không thể chấp nhận rủi ro nhà cung cấp AI đột ngột chặn API khi hệ thống đang chạy. Thị trường inference phi tập trung cung cấp tính dự phòng và chống kiểm duyệt theo cách mà API tập trung về mặt cấu trúc không làm được.
Nhà đầu tư lẻ nắm giữ token là nhóm có vị thế mơ hồ nhất. Nắm giữ token quản trị đồng nghĩa có quyền biểu quyết và hưởng phí, nhưng để biến chúng thành giá trị thực tế cần sự tham gia chủ động. Holder thụ động không đi bỏ phiếu sẽ bị “pha loãng” tương đối so với nhóm hoạt động tích cực. Động lực này giống với việc nắm giữ token quản trị trong các giao thức DeFi: upside kinh tế là có thật, nhưng phải bỏ công sức tham gia mới hưởng trọn được.
Also Read: https://yellow.com/news/solana-etf-bitwise-filing
Bài Toán Thật: Hiệu Năng So Với Khả Năng Xác Minh
Không thể nói về AI phi tập trung mà bỏ qua những điểm yếu hiện hữu. Mâu thuẫn cốt lõi mang tính nguyên lý: bạn làm cho một phép tính AI càng dễ xác minh, nó càng trở nên chậm và tốn kém.
Một API tập trung như GPT‑5 của OpenAI trả kết quả inference trong khoảng 500 mili-giây cho một truy vấn điển hình. Một phép inference được chứng minh hoàn toàn bằng zero-knowledge trên một mô hình quy mô tương đương, ở thời điểm 2026, mất từ 30 giây đến vài phút, tùy phần cứng và hệ thống proof. Đối với các ứng dụng cần độ trễ cực thấp – tín hiệu giao dịch theo thời gian thực, kiểm duyệt nội dung live, chatbot tương tác – khoảng cách này vẫn là rào cản lớn.
Cách tiếp cận “thực thi lạc quan” (optimistic execution) rút ngắn khoảng cách này một cách đáng kể. Với optimistic inference, độ trễ để ra kết quả ban đầu gần như tương đương mô hình tập trung. Cái giá phải trả là độ trễ về tính “chung cuộc”: ứng dụng phải đợi hết cửa sổ khiếu nại (challenge window) trước khi coi kết quả là chắc chắn không thể đảo ngược. Với đa số use case Web3, một cửa sổ vài phút là chấp nhận được. Với ứng dụng thời gian thực thì không.
Về chi phí, cán cân lại nghiêng hơn về phía phi tập trung. Nhà cung cấp API tập trung có thể áp dụng mức giá “độc quyền” cho các mô hình tối tân nhất. Trong khi đó, một thị trường inference cạnh tranh, nơi nhiều nhà cung cấp đấu giá quyền xử lý truy vấn, sẽ kéo giá về gần chi phí biên. Dữ liệu ban đầu từ các thị trường inference như mảng AI compute của Akash Network cho thấy GPU “hàng hóa” truy cập thông qua các chợ phi tập trung có thể rẻ hơn khoảng 30–60% so với dịch vụ API tập trung tương đương, với điều kiện mô hình không phải thuộc nhóm “frontier” đắt đỏ nhất.
Tóm lại, mạng lưới AI phi tập trung đã đủ trưởng thành cho các ứng dụng chấp nhận độ trễ, nhạy cảm về quyền riêng tư hoặc cần khả năng chống kiểm duyệt. Chúng vẫn đang chạy đua để bắt kịp ở mảng thời gian thực và năng lực frontier, nơi các nhà cung cấp tập trung hàng đầu vẫn giữ lợi thế bền vững. Xu hướng phát triển phần cứng tối ưu cho proof và nghiên cứu zkML cho thấy khoảng cách này sẽ tiếp tục thu hẹp, nhưng khó có khả năng biến mất hoàn toàn trong tương lai gần.
Also Read: https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin
Kết Luận
Mạng lưới AI phi tập trung không đặt mục tiêu thay thế những cụm GPU khổng lồ đang huấn luyện các mô hình frontier.
Điều chúng đang xây là một lớp kinh tế và pháp lý nằm trên quá trình phát triển AI, khiến việc đóng góp tự nguyện trở nên có lý về mặt lợi ích, quyền sở hữu mở được bảo vệ, và doanh thu inference có thể kiểm toán. Blockchain ở đây đóng vai trò sổ đăng ký tài sản và lớp thanh toán – chứ không phải siêu máy tính.
Đợt bùng nổ của Sentient vào tháng 7/2026 phản ánh một thị trường đang bắt đầu định giá nghiêm túc giả thuyết: AI mở muốn tồn tại song song với các đối thủ đóng, nhiều vốn, thì cần một mô hình kinh tế đáng tin. Các mảnh ghép – fingerprint mô hình on-chain, thị trường inference với xác minh mật mã, huấn luyện liên kết đi kèm differential privacy – không còn nằm trên giấy. Chúng đã chạy ngoài thực tế, trên các mạng lưới đang trả tiền cho người đóng góp ngay lúc này.
Read Next: Grok 4.5 Thách Thức OpenAI Và Anthropic Với Mô Hình Agentic AI Giá Rẻ Hơn
