Những mô hình AI mạnh nhất thế giới hiện nằm trong tay một nhóm nhỏ tập đoàn công nghệ. Họ quyết định mức giá, giới hạn ai được truy cập và nắm toàn bộ tham số, trọng số mà mô hình học được từ dữ liệu người dùng.
Sentient (SENT), ra mắt năm 2026, được thiết kế như một cú phản công trực diện với mô hình tập trung đó: xây dựng một nền tảng AI mở, nơi người đóng góp nắm quyền sở hữu có thể chứng minh được đối với các mô hình họ góp phần tạo ra. Token SENT đã có ngày tăng khoảng 26% trong tháng 7/2026, cho thấy thị trường bắt đầu chú ý nghiêm túc tới câu chuyện AI phi tập trung.
Nhưng Sentient không phải trường hợp đơn lẻ. Một lớp giao thức mới đang sử dụng blockchain để bảo đảm quyền sở hữu mô hình mở, điều phối huấn luyện phân tán và vận hành các “chợ suy luận” (inference market), nơi bất kỳ ai cũng có thể cung cấp sức mạnh tính toán để nhận thưởng. Hiểu được các mạng lưới này vận hành ra sao – ở tầng khuyến khích kinh tế, mật mã học và thanh toán on-chain – là cách rõ ràng nhất để phân biệt hạ tầng thật sự với chiêu trò thổi phồng.
Tóm tắt nhanh
- 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 dòng tiền sau khi mô hình được huấn luyện.
- Quá trình huấn luyện và suy luận được tách thành hai lớp riêng; người đóng góp được trả thưởng cho compute và dữ liệu ở từng giai đoạn, tất cả đều được ghi nhận on-chain.
- Bằng chứng mật mã (zero-knowledge hoặc xác nhận mật mã) cho phép mạng lưới kiểm tra tính trung thực của kết quả suy luận mà không phải chạy lại toàn bộ mô hình.
- Token quản trị trao quyền biểu quyết cho người đóng góp đối với việc nâng cấp mô hình, cơ chế phí và quy tắc truy cập.
- Đánh đổi cốt lõi là giữa hiệu năng và khả năng xác minh: suy luận hoàn toàn on-chain vẫn chậm và đắt hơn API tập trung, nhưng khoảng cách đang thu hẹp rất nhanh.
Vì sao AI đóng tạo ra “lỗi cấu trúc” cho các mạng mở
Mọi mô hình AI lớn đều được huấn luyện từ dữ liệu có nguồn gốc cụ thể: người dùng, nhà nghiên cứu, cộng đồng mã nguồn mở cung cấp văn bản, mã lập trình, hình ảnh để mô hình học hỏi. Trong mô hình tập trung hiện nay, những người đóng góp này hầu như không nhận được gì; công ty đứng sau mô hình thu trọn giá trị.
Vấn đề mang tính lũy tiến xuất hiện: khi nhận ra dữ liệu của mình bị khai thác mà không có bù đắp, những người đóng góp chất lượng cao dần ngừng chia sẻ công khai.
Khi đó, mô hình buộc phải phụ thuộc vào những bộ dữ liệu mà doanh nghiệp có thể mua lại hợp pháp, hoặc cào quét từ web mở theo các điều khoản sử dụng đang bị kiện tụng. Chuỗi huấn luyện trở nên thiên về “khai thác” hơn là “hợp tác”.
Các mạng AI phi tập trung đề xuất một cấu trúc khác. Người đóng góp được “đăng ký” lên blockchain trước khi quá trình huấn luyện bắt đầu. Dữ liệu và tài nguyên tính toán họ cung cấp được ghi lại như các đầu vào có thể xác minh. Smart contract sẽ phân phối doanh thu từ việc sử dụng mô hình ngược lại cho những người đóng góp đó, dựa trên bộ quy tắc đã được cố định trước khi bất kỳ ai bỏ ra một giờ GPU nào.
Blockchain không trực tiếp thực hiện tính toán AI; vai trò của nó là cưỡng chế thỏa thuận sở hữu, khiến việc đóng góp tự nguyện trở nên hợp lý về mặt kinh tế.
Bài liên quan: BNB Chain: Giao dịch tác tử và cú bứt phá của BNB
Quyền sở hữu mô hình on-chain thực sự vận hành như thế nào
Quyền sở hữu mô hình trong một mạng AI phi tập trung không đơn giản là nắm giữ một “file” duy nhất. Một mô hình đã huấn luyện là tập hợp các trọng số số học – thường là hàng tỷ số thực – được lưu trữ phân tán trên nhiều nút. “Sở hữu một mô hình” nghĩa là nắm giữ một quyền lợi được chứng minh và cưỡng chế: phần doanh thu mà mô hình đó tạo ra, kèm theo quyền quản trị đối với tương lai phát triển của nó.
Cơ chế được kích hoạt thông qua một sự kiện mint gắn với lần huấn luyện ban đầu. Khi mô hình được triển khai lần đầu, mạng lưới phát hành một lượng cố định token sở hữu đại diện cho mô hình cụ thể đó. Những người đóng góp dữ liệu, compute hoặc mã nguồn trong giai đoạn huấn luyện sẽ nhận phân bổ token tương ứng với tỷ lệ đóng góp.
Công thức phân bổ được lập trình trong smart contract trước khi bắt đầu huấn luyện và không thể thay đổi về sau.
Mỗi lần người dùng trả tiền để chạy suy luận trên mô hình – yêu cầu dự báo, sinh văn bản hoặc tạo embedding – một khoản phí sẽ được chia cho nhà cung cấp hạ tầng chạy suy luận và cho những người nắm giữ token sở hữu mô hình. Tỷ lệ chia do cơ chế quản trị quyết định. Nếu mô hình được sử dụng rộng rãi, các contributor ban đầu tiếp tục hưởng doanh thu thụ động, có cấu trúc gần giống tiền bản quyền.
Cách tiếp cận của Sentient đi xa hơn với cơ chế “Dấu vân tay mô hình Sentient” (Sentient Model Fingerprinting). Mỗi mô hình được huấn luyện trên nền tảng Sentient đều gắn một “vân tay” mật mã, giúp truy ngược đầu ra suy luận về đúng phiên bản mô hình đã tạo ra nó.
Nhờ đó, mạng lưới có thể phát hiện nếu ai đó sao chép trọng số mô hình và chạy suy luận “chui” không trả phí cho chủ sở hữu – một dạng “vi phạm bản quyền” vốn cực kỳ dễ xảy ra với mô hình có trọng số mở, nhưng lại khó chứng minh. Dấu vân tay tạo ra một vệt dữ liệu on-chain, hỗ trợ cưỡng chế doanh thu ngay cả khi trọng số được công khai.
Bài liên quan: AI giá rẻ DeepSeek thách thức OpenAI và Anthropic
Hai lớp kinh tế: Huấn luyện phân tán và chợ suy luận
Các mạng AI phi tập trung tách vòng đời mô hình AI thành hai lớp kinh tế riêng biệt. Hiểu từng lớp là cần thiết, vì chúng liên quan đến nhóm tham gia, cấu trúc khuyến khích và thách thức kỹ thuật rất khác nhau.
Lớp huấn luyện là nơi mô hình học. Trong hệ tập trung, một công ty duy nhất chạy toàn bộ trên hạ tầng của mình. Ở mạng phi tập trung, quá trình huấn luyện được “chia nhỏ” cho nhiều người tham gia, mỗi bên xử lý một phần tính toán.
Thách thức then chốt là điều phối: tất cả phải đồng thuận về trạng thái mô hình ở từng bước cập nhật, đòi hỏi một cơ chế đồng thuận được “độ lại” cho gradient update thay vì giao dịch tài chính. Các dự án như Bittensor và Gensyn đã xây dựng giao thức chuyên biệt, dùng hệ thống chấm điểm on-chain để xếp hạng chất lượng gradient của từng nút và trả thưởng theo đó.
Lớp suy luận là nơi mô hình đã huấn luyện tạo ra đầu ra cho người dùng cuối. Về kinh tế, suy luận khác với huấn luyện: mang tính lặp lại, nhạy thời gian và dễ xác minh hơn. Người dùng gửi truy vấn, nhà cung cấp suy luận (inference provider) chạy mô hình trên hạ tầng của họ và trả kết quả. Câu hỏi trọng tâm: làm sao người dùng biết provider thực sự chạy đúng mô hình, chứ không dùng bản rút gọn rẻ tiền hơn?
Đây là lúc “chợ suy luận” phát huy tác dụng. Nhiều provider cạnh tranh để nhận xử lý một truy vấn. Provider thắng thầu chạy mô hình và gửi về kết quả kèm bằng chứng mật mã. Các provider khác có thể “soi” ngẫu nhiên thông qua cơ chế khiếu nại. Provider gian lận sẽ bị cắt (slash) tài sản ký quỹ; provider trung thực nhận phí. Cấu trúc thị trường tạo ra động lực duy trì độ chính xác mà không cần toàn mạng xác minh từng kết quả.
“Chợ suy luận vay mượn thiết kế kinh tế của prediction market: người tham gia đặt cược giá trị vào tính đúng đắn của đầu ra, và các đầu ra sai bị phạt thông qua cơ chế slashing – tương tự cách mạng lưới proof-of-stake trừng phạt validator gian lận.”
Bài liên quan: Grok 4.5 vượt Fable 5 và Opus 4.8 trong bài test Agent AI
Bằng chứng mật mã xác minh đầu ra AI mà không phải chạy lại mô hình
Bài toán kỹ thuật khó nhất của AI phi tập trung là khâu xác minh. Chạy một mô hình ngôn ngữ lớn (LLM) đã tốn kém; chạy hai lần chỉ để kiểm tra kết quả đầu tiên là phi lý về mặt kinh tế ở quy mô lớn. Thiếu cơ chế xác minh, toàn bộ cấu trúc khuyến khích sẽ sụp đổ: provider có thể trả về bất kỳ câu trả lời “có vẻ hợp lý” nào rồi đòi phí.
Đến năm 2026, có hai hướng tiếp cận chính.
Zero-knowledge proofs cho suy luận cho phép provider tạo một bằng chứng toán học rằng phép tính cụ thể đã được thực thi đúng, mà không phải lộ trọng số mô hình hay bắt bên xác minh chạy lại. Bên xác minh chỉ cần kiểm tra proof – rẻ hơn rất nhiều so với quá trình tạo proof. Các dự án như Modulus Labs và ZKML đã chứng minh tính khả thi với mô hình cỡ nhỏ, nhưng chi phí tạo proof cho mô hình “đầu bảng” (từ 70 tỷ tham số trở lên) vẫn rất lớn. Việc tạo proof cho một lần suy luận có thể mất vài phút trên phần cứng chuyên dụng, trong khi bản thân suy luận chỉ mất vài mili giây.
Thực thi lạc quan (optimistic execution) với bằng chứng gian lận lại chọn con đường khác, vay mượn từ thiết kế optimistic rollup của Ethereum (ETH). Kết quả mặc định được chấp nhận là đúng. Bất kỳ ai cũng có thể thách thức trong một “cửa sổ thời gian” bằng cách tự chạy lại phép tính trên node tham chiếu. Nếu chứng minh được kết quả sai, provider gốc mất stake, còn người khiếu nại nhận thưởng.
Cách này nhanh hơn trong kịch bản thường gặp – khi đa số provider trung thực – nhưng lại thêm độ trễ trước khi kết quả “chung cuộc” được coi là cuối cùng.
Phần lớn hệ thống sản xuất năm 2026 dùng mô hình lai: thực thi lạc quan cho truy vấn thường ngày, kết hợp spot-check ngẫu nhiên bằng zero-knowledge để giữ nhà cung cấp “đi đúng hàng” mà không phải trả chi phí xác minh trên mọi request. Tỷ lệ truy vấn bị kiểm tra là một tham số quản trị, do holder token quyết định và có thể điều chỉnh khi chi phí tạo proof giảm dần.
Bài liên quan: Lịch sử làn sóng nhân sự rời OpenAI mảng an toàn
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 nâng cấp giao thức. Chúng trực tiếp chi phối các quyết định tác động đến giá trị kinh tế của mô hình: bộ dữ liệu nào được phép dùng để fine-tune, áp dụng bộ lọc an toàn ra sao, tỷ lệ chia phí suy luận như thế nào, và liệu trọng số mô hình được công khai hoàn toàn hay phải giới hạn truy cập.
Cấu trúc này tạo ra một thế cân bằng quyền lực rất khác so với AI đóng: thay vì một hội đồng điều hành nội bộ quyết định tất cả, những người đóng góp dữ liệu, compute và vốn có tiếng nói trực tiếp về cách mô hình được sử dụng và kiếm tiền. Trong mô hình tập trung, một nhóm an toàn nội bộ doanh nghiệp sẽ quyết định bộ “rào chắn” (guardrails) áp dụng cho mô hình. Trong một mạng lưới phi tập trung, chính những người nắm giữ token – với lợi ích có thể xung đột nhau – lại là bên bỏ phiếu định hình các quyết định này.
Những người ưu tiên tối đa hóa năng lực của mô hình có thể bỏ phiếu phản đối các giới hạn an toàn nếu chúng làm giảm hiệu suất ở một số tác vụ. Ngược lại, những người coi trọng tuân thủ pháp lý tại khu vực họ hoạt động sẽ ủng hộ bộ lọc chặt chẽ hơn.
Trong thực tế, đa số mạng lưới đều dần quy về một cấu trúc quản trị hai tầng. Một hội đồng nòng cốt (core council), do cộng đồng nắm giữ token bầu ra, chịu trách nhiệm với các quyết định an toàn khẩn cấp – những việc không thể chờ một đợt bỏ phiếu toàn mạng. Các thông số kinh tế mang tính nền tảng, như cấu trúc phí hay tỷ lệ chia doanh thu, sẽ được đưa ra bỏ phiếu toàn bộ cộng đồng với khung thời gian thảo luận dài hơn. Mô hình này khá giống cách nhiều giao thức DeFi như Aave và Compound vận hành sau khi nhận ra mô hình quản trị “thuần on-chain, thuần dân chủ” rất dễ bị tấn công do tỷ lệ tham gia thấp và thao túng phiếu bầu vào phút chót.
Quản trị mô hình AI còn đặt ra một bài toán đặc thù: câu hỏi về “tương lai” của mô hình sau mỗi lần cập nhật. Một người đóng góp dữ liệu hoặc tài nguyên tính toán cho phiên bản gốc đang nắm giữ token đại diện cho giá trị của mô hình đó. Nếu một cuộc bỏ phiếu thông qua đợt fine-tune lớn khiến hành vi mô hình thay đổi đáng kể, liệu token của họ còn đang tham chiếu tới cùng một tài sản? Phần lớn giao thức giải bài toán này bằng cách phát hành một token mới cho mỗi phiên bản lớn, đồng thời phân bổ token phiên bản mới cho các holder hiện tại theo tỷ lệ nắm giữ – tương tự việc cổ đông nhận cổ phiếu trong một thương vụ tách doanh nghiệp (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 then chốt với mọi mạng lưới AI phi tập trung là: làm sao để người đóng góp dữ liệu tham gia mà không phơi lộ thông tin nhạy cảm. Hồ sơ y tế, dữ liệu tài chính và giao tiếp cá nhân là những tập dữ liệu huấn luyện cực kỳ giá trị cho các mô hình AI chuyên biệt. Nhưng người dùng không thể đơn giản tải chúng lên một mạng chia sẻ chung mà không tạo ra rủi ro nghiêm trọng về quyền riêng tư và tuân thủ.
Học liên kết (federated learning) mang lại một phần lời giải. Thay vì gửi dữ liệu thô tới một nút huấn luyện trung tâm, mỗi bên đóng góp sẽ huấn luyện một bản cập nhật cục bộ trên dữ liệu riêng và chỉ gửi lên “gradient” – hướng điều chỉnh tham số mô hình – cho mạng lưới. Mạng sẽ tổng hợp các gradient từ nhiều bên mà không bao giờ nhìn thấy dữ liệu gốc. Mô hình vẫn được cải thiện nhờ dữ liệu riêng tư, trong khi dữ liệu không bao giờ rời khỏi quyền kiểm soát của chủ sở hữu.
Vai trò của blockchain trong học liên kết chủ yếu là điều phối và thanh toán. Smart contract ghi nhận ai đã gửi gradient trong từng vòng huấn luyện, chấm điểm chất lượng và mức độ hữu ích của từng gradient thông qua các hàm đánh giá on-chain, rồi phân phối phần thưởng tương ứng. Bài toán đánh giá này không hề đơn giản: về lý thuyết, một bên có thể gửi gradient ngẫu nhiên để “ăn” thưởng mà không thực sự làm việc. Các giao thức như FedML và khung huấn luyện của chính Sentient sử dụng cam kết mật mã (cryptographic commitments) và cơ chế “tiết lộ trễ” để phát hiện hành vi này, buộc người tham gia phải cam kết gradient trước khi họ có thể thấy kết quả gửi lên từ người khác.
Bảo mật vi sai (differential privacy) thường được tích hợp thêm phía trên học liên kết để cung cấp cam kết toán học chính thức rằng không thể tái dựng lại một mẫu dữ liệu cá nhân nào từ trọng số mô hình công bố. “Ngân sách quyền riêng tư” – mức độ thông tin tối đa mô hình được phép “rò rỉ” về từng điểm dữ liệu – trở thành một thông số quản trị khác, cho phép cộng đồng nắm giữ token quyết định đánh đổi giữa tính hữu dụng của mô hình và mức độ bảo vệ quyền riêng tư cho người đóng góp.
“Kết hợp học liên kết với bảo mật vi sai mang tới cho các mạng AI phi tập trung một lời giải đủ sức thuyết phục cho bài toán quyền riêng tư dữ liệu. Người đóng góp không bao giờ phải giao nộp dữ liệu. Mạng không bao giờ được nhìn 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. Xác định ai nên thực sự quan tâm tới chúng vào năm 2026 lại là chuyện khác. Công nghệ này hiện đã thực sự hữu ích trong một số ngữ cảnh cụ thể, và vẫn chưa hợp lý ở những ngữ cảnh khác.
Các nhà nghiên cứu AI độc lập và cộng đồng mã nguồn mở là nhóm được hưởng lợi thấy rõ nhất. Họ có thể đóng góp tài nguyên tính toán hoặc bộ dữ liệu đã được tuyển chọn cho những mô hình mà họ tin tưởng, đổi lại là một phần sở hữu có thể chứng minh được, cùng dòng doanh thu chia sẻ từ việc khai thác mô hình. So với việc đóng góp cho các mô hình mã nguồn mở như họ nhà LLaMA, vốn chủ yếu mang lại danh tiếng mà không có quyền lợi kinh tế khi mô hình được thương mại hóa, đây là một bước nhảy lớn về động lực tài chính.
Doanh nghiệp nắm dữ liệu riêng và chịu ràng buộc tuân thủ ngày càng quan tâm tới mô hình huấn luyện liên kết. Một hệ thống bệnh viện muốn phát triển mô hình AI y khoa chuyên biệt sẽ không thể chia sẻ hồ sơ bệnh nhân với một nhà cung cấp tập trung. Một mạng lưới phi tập trung dựa trên học liên kết cho phép bệnh viện tham gia huấn luyện trong khi dữ liệu vẫn nằm tại chỗ (on-premises). Sổ cái on-chain về quyền sở hữu và đóng góp tạo ra một chuỗi kiểm toán rõ ràng, đáp ứng yêu cầu tuân thủ.
Các giao thức DeFi và ứng dụng Web3 cần năng lực suy luận AI (inference) không thể bị kiểm duyệt hoặc “rút phích” bởi một nhà cung cấp API tập trung. Một thị trường dự đoán (prediction market) dùng AI để xử lý dữ liệu sự kiện thực không thể chấp nhận rủi ro nhà cung cấp AI đóng API giữa chừng. Các thị trường inference phi tập trung mang lại tính dự phòng và chống kiểm duyệt mà mô hình API tập trung về cấu trúc không thể có.
Nhà đầu tư nhỏ lẻ nắm giữ token lại ở vị thế mơ hồ nhất. Nắm token quản trị đồng nghĩa có quyền biểu quyết và hưởng phần phí, nhưng để hiện thực hóa giá trị, họ buộc phải tham gia tích cực. Những người nắm giữ thụ động, không bỏ phiếu, sẽ bị “pha loãng” lợi ích bởi nhóm tham gia tích cực. Động lực này khá giống câu chuyện token quản trị trong DeFi: tiềm năng kinh tế là thực, nhưng chỉ trở thành hiện thực nếu có sự gắn bó và tham gia.
Also Read: https://yellow.com/news/solana-etf-bitwise-filing
Bài Toán Thực Sự: Đánh Đổi Giữa Hiệu Năng Và Khả Năng Xác Minh
Bất kỳ bức tranh tổng quan nghiêm túc nào về AI phi tập trung cũng phải thẳng thắn nhìn nhận những điểm công nghệ còn hạn chế. Trọng tâm là một mâu thuẫn mang tính nền tảng: càng dễ xác minh một phép tính AI, nó càng chậm và tốn kém.
Một API tập trung như GPT-5 của OpenAI trả kết quả suy luận trong khoảng 500 mili-giây cho truy vấn điển hình. Một phép suy luận được chứng minh đầy đủ bằng zero-knowledge trên mô hình cùng quy mô, vào năm 2026, mất từ khoảng 30 giây tới vài phút, tùy phần cứng và hệ thống sinh bằng chứng. Với các ứng dụng yêu cầu độ trễ thấp – tín hiệu giao dịch theo thời gian thực, kiểm duyệt nội dung live, chatbot tương tác – khoảng cách này vẫn là rào cản khó chấp nhận.
Cách tiếp cận thực thi lạc quan (optimistic execution) giúp thu hẹp khoảng cách đáng kể. Với optimistic inference, độ trễ để nhận được kết quả ban đầu gần như tương đương hệ thống tập trung. Cái giá phải trả là độ trễ “chung cuộc”: ứng dụng phải chờ hết “cửa sổ khiếu nại” (challenge window) trước khi xem kết quả là được xác quyết. Với phần lớn use case Web3, một cửa sổ vài phút là chấp nhận được. Với ứng dụng thời gian thực, đây vẫn là rào cản.
Về chi phí, cán cân lại dễ chịu hơn. Các nhà cung cấp API tập trung áp dụng mức giá “premium” cho mô hình tuyến đầu (frontier) vì sở hữu quyền lực định giá độc quyền. Ngược lại, một thị trường inference cạnh tranh, nơi nhiều nhà cung cấp đấu giá quyền thực thi truy vấn, sẽ kéo giá về gần chi phí biên. Dữ liệu ban đầu từ các thị trường inference như dịch vụ compute AI của Akash Network cho thấy GPU thương phẩm (commoditized GPU) truy cập qua hạ tầng phi tập trung có thể rẻ hơn khoảng 30–60% so với mức giá API tập trung tương đương cho những mô hình không nhất thiết phải đạt đỉnh tuyệt đối về năng lực.
Tóm lại một cách trung thực: mạng lưới AI phi tập trung đã sẵn sàng cho môi trường sản xuất đối với các ứng dụng chịu được độ trễ, nhạy cảm về quyền riêng tư hoặc cần chống kiểm duyệt. Chúng vẫn đang trong quá trình “đuổi kịp” ở những use case thời gian thực, đòi hỏi năng lực frontier – nơi các nhà cung cấp tập trung hàng đầu vẫn nắm lợi thế bền vững. Quỹ đạo phát triển của phần cứng sinh bằng chứng và nghiên cứu zkML cho thấy khoảng cách này sẽ tiếp tục thu hẹp, nhưng khó có khả năng bị xóa bỏ hoàn toàn trong tương lai gần.
Also Read: https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin
Kết Luận
Các mạng lưới AI phi tập trung không đặt mục tiêu thay thế những cụm GPU đang huấn luyện các mô hình frontier.
Thay vào đó, chúng xây dựng một lớp kinh tế và pháp lý nằm trên hoạt động phát triển AI, nơi việc đóng góp tự nguyện trở nên có động lực tài chính, quyền sở hữu mở được bảo vệ, và dòng doanh thu từ inference được ghi nhận minh bạch. Blockchain ở đây đóng vai trò sổ đăng ký tài sản và lớp thanh toán – chứ không phải siêu máy tính.
Đợt tăng giá của Sentient trong tháng 7/2026 phản ánh một thị trường đang bắt đầu định giá khả năng rằng AI mở muốn tồn tại song song với các đối thủ khép kín được tài trợ “khủng” thì phải có một mô hình kinh tế khả tín. Những mảnh ghép kỹ thuật – fingerprint mô hình on-chain, thị trường inference với xác minh mật mã, huấn luyện liên kết kèm bảo mật vi sai – không còn là lý thuyết. Chúng đang chạy thực tế trên các mạng lưới đã và đang trả tiền cho người đóng góp ngay hôm nay.
Read Next: Grok 4.5 Thách Thức OpenAI Và Anthropic Với Agentic AI Giá Rẻ Hơn