Physical AI có thể mở khóa làn cầu mới cho compute phi tập trung

Tóm tắt

Physical AI — các mô hình AI vận hành trong thế giới vật lý qua robot, xe tự hành, drone, cảm biến và thiết bị công nghiệp — có thể tạo ra nhu cầu compute khác biệt so với AI phần mềm thuần túy.

Nhu cầu này không chỉ nằm ở huấn luyện mô hình lớn, mà còn ở mô phỏng, tạo dữ liệu tổng hợp, suy luận biên, điều phối đội máy và ghi nhận trạng thái máy móc theo thời gian thực.

Compute phi tập trung và các mạng DePIN có cơ hội tham gia ở các lớp không quá nhạy cảm về độ trễ, như rendering mô phỏng, batch inference, xử lý dữ liệu cảm biến, lưu trữ, định danh thiết bị và thanh toán máy-với-máy. Tuy nhiên, phần lõi an toàn, điều khiển thời gian thực và hạ tầng được chứng nhận cao nhiều khả năng vẫn nghiêng về hyperscaler, nhà sản xuất chip và các hệ thống đóng.

Luận điểm trung tâm là Physical AI có thể trở thành demand driver dài hạn cho decentralized compute, nhưng không theo cách “thay thế cloud tập trung”; nó có khả năng mở ra thị trường lai, nơi compute phi tập trung phục vụ các workload bổ trợ, dư thừa, có thể kiểm chứng và được định giá linh hoạt.

Bối cảnh

Làn sóng AI giai đoạn 2022-2024 chủ yếu được đo bằng quy mô mô hình ngôn ngữ, số lượng GPU và chi phí huấn luyện. NVIDIA báo cáo doanh thu data center năm tài khóa 2024 đạt khoảng 47,5 tỷ USD, tăng mạnh nhờ nhu cầu H100/A100 và các cụm GPU phục vụ training lẫn inference. Giá thuê GPU cao cấp trên các cloud truyền thống thường dao động từ vài USD đến hơn 10 USD mỗi giờ tùy cấu hình, khu vực và cam kết sử dụng. Điều này tạo ra áp lực chi phí đủ lớn để thị trường tìm kiếm các nguồn compute thay thế, bao gồm marketplace GPU phi tập trung như Akash, Render, io.net, Gensyn hoặc các mô hình incentive network khác.

Physical AI mở rộng bài toán từ “AI tạo nội dung” sang “AI ra quyết định trong môi trường vật lý”. Các hệ thống này bao gồm robot hình người, robot kho vận, xe tự hành, drone kiểm tra hạ tầng, máy nông nghiệp tự động, thiết bị y tế thông minh và mạng cảm biến công nghiệp. Điểm khác biệt là mô hình phải hiểu không gian, lực, va chạm, vật liệu, hành vi con người và các ràng buộc an toàn. Vì dữ liệu thực tế đắt, chậm và rủi ro, nhu cầu mô phỏng và dữ liệu tổng hợp tăng lên đáng kể.

Các nền tảng như NVIDIA Omniverse, Isaac Sim, Cosmos, Tesla Dojo, Waymo simulation stack hoặc các pipeline robotics nội bộ đều phản ánh cùng một xu hướng: trước khi máy móc hoạt động trong thế giới thật, chúng cần được huấn luyện và kiểm thử trên hàng tỷ tình huống mô phỏng. Một xe tự hành hoặc robot kho vận không chỉ cần nhận diện hình ảnh; nó cần mô hình dự đoán chuyển động, lập kế hoạch, phản ứng với bất định và tuân thủ ngưỡng an toàn. Điều này làm khối lượng compute chuyển từ một lần huấn luyện lớn sang chuỗi workload liên tục: thu thập dữ liệu, làm sạch, mô phỏng, tái huấn luyện, kiểm thử, triển khai và giám sát.

Trong crypto, khái niệm “machine economy” từng được nhắc nhiều từ thời IoT, nhưng thiếu cả hạ tầng AI lẫn nhu cầu thực tế đủ mạnh. Physical AI có thể làm luận điểm này cụ thể hơn: nếu máy móc tự hành cần mua dữ liệu, thuê compute, trả phí băng thông, ghi log vận hành, xác minh danh tính thiết bị và thanh toán dịch vụ theo đơn vị nhỏ, thì các cơ chế blockchain, stablecoin và DePIN có thể trở thành lớp điều phối kinh tế. Dù vậy, đây vẫn là giả thuyết đang hình thành, chưa phải thị trường đã được chứng minh ở quy mô lớn.

Phân tích

Cấu trúc nhu cầu compute của Physical AI có thể chia thành nhiều tầng. Tầng đầu tiên là training: huấn luyện mô hình thị giác, mô hình hành động, world model và policy network. Tầng thứ hai là simulation: tạo môi trường 3D, chạy thử hàng triệu kịch bản, thay đổi ánh sáng, thời tiết, vật cản, luật giao thông hoặc cấu trúc nhà kho. Tầng thứ ba là inference: suy luận trên thiết bị biên hoặc cụm cloud gần điểm vận hành. Tầng thứ tư là verification và logging: lưu dấu quyết định, kiểm tra lỗi, tái dựng sự cố và chứng minh hệ thống tuân thủ.

Decentralized compute phù hợp nhất với các workload có ba đặc tính: có thể chia nhỏ, không yêu cầu độ trễ cực thấp và có thể xác minh kết quả. Rendering mô phỏng, tạo dữ liệu synthetic, xử lý video batch, fine-tuning nhỏ, chạy evaluation set hoặc lưu trữ dữ liệu cảm biến là các ví dụ khả thi. Ngược lại, điều khiển robot thời gian thực, phanh khẩn cấp xe tự hành hoặc điều phối drone trong không phận đông đúc khó có thể giao cho mạng compute không đồng nhất, vì chỉ cần sai lệch vài chục mili-giây cũng có thể gây hậu quả vật lý.

Điểm hấp dẫn của mô hình phi tập trung nằm ở nguồn cung tài nguyên phân mảnh. Trên thế giới có nhiều GPU nằm ngoài hyperscaler: máy đào chuyển đổi sau Ethereum Merge, workstation của studio đồ họa, cụm server nhỏ, trung tâm dữ liệu khu vực và thiết bị biên. Nếu được chuẩn hóa qua marketplace, các tài nguyên này có thể cung cấp mức giá linh hoạt hơn cloud truyền thống cho các tác vụ ít nhạy cảm. Akash từng công bố marketplace GPU với các loại A100/H100 tùy thời điểm; Render tập trung vào GPU rendering và mở rộng sang AI workload; Filecoin cung cấp lớp lưu trữ phi tập trung; Bittensor thử nghiệm thị trường mô hình và inference thông qua subnet. Các dự án này không giải quyết cùng một vấn đề, nhưng cho thấy xu hướng biến compute, storage và model output thành hàng hóa có thể định giá bằng network incentive.

Physical AI cũng tạo nhu cầu dữ liệu phi tập trung. Robot và phương tiện tự hành cần dữ liệu thế giới thực được cập nhật: bản đồ, điều kiện đường, lưu lượng người, tín hiệu môi trường, hình ảnh địa phương, dữ liệu thời tiết vi mô. Hivemapper là ví dụ thường được nhắc tới trong mảng bản đồ do cộng đồng thu thập; Helium minh họa mô hình hạ tầng mạng không dây được khuyến khích bằng token; DIMO khai thác dữ liệu xe kết nối. Nếu machine economy phát triển, các mạng này có thể trở thành nhà cung cấp dữ liệu đầu vào cho AI vật lý, miễn là dữ liệu đủ chất lượng, có nguồn gốc rõ và được định giá hợp lý.

Một cơ chế quan trọng khác là thanh toán máy-với-máy. Robot giao hàng có thể trả phí sạc pin, thuê băng thông, mua bản đồ khu vực, trả tiền đỗ tạm hoặc thanh toán cho node compute gần nhất để xử lý tác vụ. Stablecoin, account abstraction, state channel hoặc các mạng thanh toán phí thấp có thể hỗ trợ giao dịch giá trị nhỏ với tần suất cao. Tuy nhiên, điều này đòi hỏi định danh thiết bị, quyền sở hữu rõ ràng, giới hạn rủi ro vận hành và cơ chế thu hồi khi máy bị lỗi hoặc bị tấn công.

Góc nhìn cần thận trọng là Physical AI không tự động kéo toàn bộ nhu cầu sang decentralized compute. Các doanh nghiệp robotics, ô tô và quốc phòng thường ưu tiên chuỗi cung ứng kiểm soát được, bảo mật cao, chứng nhận phần cứng và hợp đồng trách nhiệm pháp lý rõ ràng. Hyperscaler như AWS, Azure, Google Cloud và nhà cung cấp hạ tầng như NVIDIA có lợi thế lớn về SLA, networking, cluster orchestration, phần mềm tối ưu và quan hệ doanh nghiệp. Vì vậy, không gian thực tế cho compute phi tập trung có thể là lớp bổ trợ: tăng công suất khi thiếu GPU, giảm chi phí cho batch job, phục vụ khu vực thiếu cloud lớn, hoặc cung cấp marketplace chuyên biệt cho dữ liệu và mô phỏng.

Tác động thị trường

Nếu Physical AI tăng trưởng, thị trường compute có thể dịch chuyển từ mô hình “đỉnh nhu cầu theo lần training” sang “dòng cầu liên tục theo vòng đời máy”. Mỗi robot hoặc phương tiện không chỉ tiêu thụ compute lúc được phát triển, mà tiếp tục tạo dữ liệu, yêu cầu cập nhật mô hình, chạy kiểm định an toàn và đồng bộ với fleet. Điều này có thể tạo recurring demand cho GPU, storage, bandwidth và verification. Với hàng triệu thiết bị tự hành trong nhà máy, kho vận, nông nghiệp hoặc đô thị, ngay cả workload nhỏ trên mỗi thiết bị cũng có thể cộng lại thành thị trường đáng kể.

Tác động đầu tiên nằm ở các mạng compute phi tập trung. Những dự án có khả năng chứng minh nguồn cung GPU thật, benchmark minh bạch, thanh toán ổn định và tooling developer tốt sẽ có vị thế khác với các mạng chỉ dựa vào narrative AI. Dữ liệu công khai giai đoạn 2024-2025 cho thấy nhiều token AI/DePIN từng đạt FDV hàng tỷ USD, nhưng doanh thu thực tế còn phân hóa mạnh và thường thấp hơn kỳ vọng thị trường. Khoảng cách giữa định giá token và mức sử dụng thực là biến số quan trọng: Physical AI chỉ trở thành demand driver nếu có workload trả tiền thật, không chỉ incentive nội bộ.

Tác động thứ hai nằm ở dữ liệu và hạ tầng cảm biến. Machine economy cần oracle thế giới vật lý đáng tin cậy: vị trí, trạng thái máy, hình ảnh, nhiệt độ, pin, tải trọng, tín hiệu mạng. Các mạng DePIN có thể bán dữ liệu này cho mô hình AI hoặc hệ thống vận hành, nhưng phải giải quyết vấn đề chất lượng. Dữ liệu sai, trùng lặp, giả mạo hoặc bị bias địa lý có thể làm mô hình kém an toàn. Vì vậy, giá trị thị trường sẽ không chỉ đến từ “số lượng thiết bị”, mà từ cơ chế kiểm định, reputation, slashing, audit và khả năng tích hợp vào workflow doanh nghiệp.

Tác động thứ ba là sự xuất hiện của lớp giao thức dành cho máy móc tự trị. Các thành phần có thể bao gồm ví thiết bị, danh tính phi tập trung, chứng chỉ phần cứng, log bất biến, thanh toán tự động, quyền truy cập dữ liệu và hợp đồng dịch vụ. Nếu robot có thể ký giao dịch, thuê dịch vụ và chứng minh lịch sử vận hành, blockchain có vai trò như lớp sổ cái kinh tế. Tuy nhiên, vai trò này nhiều khả năng diễn ra ở back-end, ít thấy với người dùng cuối, và có thể được triển khai dưới dạng private, permissioned hoặc hybrid ledger thay vì public chain hoàn toàn.

Rủi ro và biến số cần theo dõi

Rủi ro lớn nhất là mismatch giữa yêu cầu kỹ thuật của Physical AI và đặc tính của hạ tầng phi tập trung. Robot và xe tự hành cần độ tin cậy, độ trễ, bảo mật và khả năng truy vết cao hơn nhiều ứng dụng Web3 thông thường. Một mạng compute gồm node không đồng nhất khó đảm bảo hiệu năng ổn định nếu thiếu chuẩn container, driver, benchmark và cơ chế phạt khi node trả kết quả sai. Với workload liên quan an toàn, “rẻ hơn” không đủ; hệ thống phải chứng minh được độ đúng, thời gian phản hồi và trách nhiệm pháp lý.

Rủi ro thứ hai là xác minh kết quả compute. Trong blockchain, xác minh giao dịch tương đối rõ ràng; trong AI, xác minh một inference hoặc một mô phỏng vật lý phức tạp khó hơn nhiều. Zero-knowledge proof cho ML đang phát triển nhưng còn tốn kém, đặc biệt với mô hình lớn và tác vụ thời gian thực. Các phương án thực dụng hơn có thể là redundancy, spot-check, trusted execution environment, watermark dữ liệu, hoặc benchmark định kỳ. Mỗi phương án đều có trade-off giữa chi phí, bảo mật và tốc độ.

Rủi ro thứ ba là kinh tế token có thể làm méo tín hiệu cung-cầu. Nhiều mạng DePIN tăng trưởng ban đầu nhờ phần thưởng token, nhưng nhu cầu trả phí từ khách hàng thật chưa chắc theo kịp. Nếu node tham gia vì subsidy thay vì doanh thu sử dụng, mạng có thể dư cung giả tạo hoặc chất lượng thấp. Khi phần thưởng giảm, nguồn cung biến mất. Physical AI có thể tạo cầu mới, nhưng cầu này sẽ khắt khe hơn: doanh nghiệp robotics cần hợp đồng rõ ràng, API ổn định, hỗ trợ kỹ thuật và khả năng dự báo chi phí.

Rủi ro thứ tư là cạnh tranh từ mô hình tập trung ngày càng hiệu quả. NVIDIA, hyperscaler và các nhà phát triển robotics đang tối ưu toàn bộ stack từ chip, networking, simulation engine đến runtime biên. Nếu chi phí inference giảm nhanh nhờ chip chuyên dụng, quantization, model nhỏ hơn và edge accelerator, phần thị trường dành cho decentralized compute có thể thu hẹp. Ngược lại, nếu thiếu GPU kéo dài hoặc quy định dữ liệu yêu cầu xử lý cục bộ theo khu vực, mạng compute phân tán có thể được hưởng lợi.

Các biến số cần theo dõi gồm: tỷ lệ workload AI chuyển từ training sang inference và simulation; chi phí GPU cloud so với marketplace phi tập trung; số lượng khách hàng trả phí ngoài hệ sinh thái token; chuẩn định danh thiết bị và ví máy móc; quy định về robot tự hành, dữ liệu cảm biến và trách nhiệm pháp lý; khả năng tích hợp giữa DePIN với hệ thống công nghiệp hiện hữu. Đặc biệt, chỉ số quan trọng không phải là số lượng node hay FDV, mà là doanh thu compute thực, tỷ lệ sử dụng tài nguyên, chất lượng SLA và mức độ lặp lại của nhu cầu.

Kết luận

Physical AI có thể trở thành một trong những nguồn cầu mới quan trọng cho hạ tầng compute, vì nó biến AI từ sản phẩm phần mềm thành hệ thống vận hành liên tục trong thế giới vật lý. Nhu cầu này trải dài từ mô phỏng, dữ liệu tổng hợp, huấn luyện, inference, lưu trữ đến thanh toán và xác minh trạng thái máy móc. Đây là môi trường phù hợp để decentralized compute và DePIN tìm kiếm use case thực dụng hơn so với các narrative AI thuần đầu cơ.

Tuy nhiên, cơ hội không nằm ở việc thay thế hoàn toàn cloud tập trung hay hệ thống robotics đóng. Các lớp liên quan an toàn, điều khiển thời gian thực và trách nhiệm pháp lý cao sẽ tiếp tục ưu tiên hạ tầng được kiểm soát chặt. Không gian khả thi hơn cho compute phi tập trung là các workload có thể phân mảnh, kiểm chứng, không quá nhạy cảm về độ trễ và có lợi thế chi phí rõ ràng.

Do đó, Physical AI nên được nhìn như chất xúc tác cho một kiến trúc thị trường lai: hyperscaler cung cấp lõi hiệu năng và chứng nhận; decentralized network cung cấp công suất đàn hồi, dữ liệu phân tán, lưu trữ, thanh toán và cơ chế phối hợp kinh tế giữa máy móc. Nếu các mạng này chứng minh được nhu cầu trả phí thật, chất lượng dịch vụ và khả năng tích hợp doanh nghiệp, machine economy có thể chuyển từ khái niệm dài hạn thành một lớp hạ tầng vận hành cụ thể.