Bittensor (TAO) và Sự Công Nhận Ai Phân Tán Từ CEO Nvidia

Trong thời gian gần đây, một dự án AI phi tập trung, từng chỉ được biết đến trong cộng đồng crypto, đã nhận được sự công nhận từ Jensen Huang, CEO của Nvidia. Điều này cho thấy rằng mô hình huấn luyện phân tán đang tiến gần hơn tới sự phổ biến trong ngành công nghệ.

Key Takeaways

Bittensor hoạt động như một mạng lưới phi tập trung, tạo điều kiện cho việc trao đổi và khuyến khích tài nguyên tính toán AI.
Jensen Huang nhận định rằng AI là công nghệ chứ không phải sản phẩm hoàn chỉnh, và mô hình tập trung vẫn ưu thế cho người dùng rộng rãi.
Covenant-72B của Bittensor đã quy tụ hơn 70 người tham gia, đạt quy mô 72 tỷ tham số và huấn luyện trên 1,1 nghìn tỷ token.
Token TAO của Bittensor đã tăng 24% sau khi có thông tin mới, cho thấy sự quan tâm từ thị trường.

Sự phát triển của AI mã nguồn mở đang gia tăng nhờ vào sự hỗ trợ từ Nvidia. Jensen Huang nhấn mạnh rằng cả mô hình AI phi tập trung lẫn tập trung sẽ cùng tồn tại, và dự án Covenant-72B của Bittensor nổi bật như một minh chứng cho điều này.

Sự Hỗ Trợ Từ Nvidia

Sự ủng hộ từ Jensen Huang đã thúc đẩy phát triển của AI mã nguồn mở. Trong chương trình All-In Podcast, Chamath Palihapitiya đã nêu bật dự án Covenant-72B của Bittensor như là minh chứng cho việc AI phi tập trung đang ngày càng tiến xa ra khỏi lý thuyết.

Bittensor là một mạng lưới phi tập trung dựa trên blockchain, cho phép thiết lập thị trường ngang hàng (peer-to-peer), nơi người dùng có thể chia sẻ và khuyến khích tài nguyên tính toán cho AI và các mô hình machine learning. Theo Palihapitiya, dự án này dựa vào sự đóng góp tài nguyên từ nhiều cá nhân độc lập, không yêu cầu hạ tầng tập trung. Mô hình LLaMA với 4 tỷ tham số đã được huấn luyện hoàn toàn theo phương pháp phân tán, đánh dấu một thành tựu kỹ thuật đáng chú ý. Ông so sánh điều này với các dự án điện toán phân tán trước đây, trong đó người dùng đóng góp phần cứng dư thừa cho hoạt động của hệ thống.

Quan Điểm Từ Jensen Huang

Thay vì bác bỏ mô hình phi tập trung, Jensen Huang đưa ra một cách nhìn tổng quát hơn về thị trường AI. Ông tin rằng các mô hình phi tập trung và độc quyền sẽ không loại trừ nhau mà sẽ đồng phát triển song song. Ông nhấn mạnh rằng AI nên được nhìn nhận là một công nghệ, không chỉ là một sản phẩm hoàn chỉnh.

Hầu hết người dùng vẫn sẽ ưa chuộng các hệ thống tối ưu hóa cao như ChatGPT hay Claude, thay vì tự phát triển mô hình của riêng mình. Tuy nhiên, có nhiều lĩnh vực cần đến việc tùy chỉnh mô hình AI, đặc biệt khi dữ liệu và chuyên môn nội bộ được xem là quan trọng. Trong những trường hợp này, các mô hình mở sẽ đóng vai trò rất quan trọng.

Bước Tiến Của Covenant-72B

Covenant-72B, phát triển trên Subnet 3 của Bittensor, là một trong những nỗ lực lớn nhất trong việc huấn luyện mô hình phi tập trung hiện nay. Dự án đã thu hút được hơn 70 người tham gia qua các kết nối Internet tiêu chuẩn, mà không cần đến một thực thể trung tâm nào để điều phối hoạt động.

Mô hình này có quy mô 72 tỷ tham số và được huấn luyện trên khoảng 1,1 nghìn tỷ token. Nó sử dụng những cải tiến như giao thức truyền thông nén và song song dữ liệu phân tán, làm cho việc huấn luyện trở nên khả thi mà không lệ thuộc vào các trung tâm dữ liệu truyền thống. Những chỉ số benchmark cho thấy Covenant-72B không chỉ là một thí nghiệm mà còn có khả năng cạnh tranh với các mô hình tập trung, thu hút sự quan tâm rộng rãi từ bên ngoài cộng đồng crypto.

Thị Trường Phản Ứng và Xu Hướng Tương Lai

Khi thông tin về Covenant-72B được công bố, token TAO của dự án đã tăng 24%, cho thấy sự quan tâm ngày càng lớn từ thị trường. Tuy nhiên, như Jensen Huang đã chỉ ra, câu chuyện không chỉ là về sự thay thế mà là sự đồng tồn tại. Các hệ thống AI độc quyền sẽ tiếp tục chiếm ưu thế trong thị trường đại chúng, trong khi các mô hình mở và phi tập trung sẽ phát triển mạnh trong những lĩnh vực yêu cầu tùy chỉnh cao, tối ưu chi phí hoặc đảm bảo quyền kiểm soát dữ liệu.

Chủ tịch Nvidia cũng đưa ra lời khuyên cho các startup: bắt đầu với mã nguồn mở và sau đó xây dựng thêm lợi thế độc quyền. Điều này cho thấy rằng, tương lai của AI sẽ không chỉ thuộc về một mô hình mà còn phụ thuộc vào khả năng linh hoạt trong việc kết hợp cả hai phương pháp.