Fualnguyen

Trước đây mình từng nghĩ lợi thế lớn nhất trong AI sẽ luôn là compute.
Ai có nhiều GPU hơn, nhiều dữ liệu hơn, đội nghiên cứu mạnh hơn thì sẽ thắng. Mọi thứ khác nghe giống yếu tố phụ. Hạ tầng quan trọng, phân phối cũng quan trọng, nhưng trung tâm của cuộc chơi vẫn là sức mạnh tính toán.
Rồi có một chuyện nhỏ làm mình bắt đầu thấy suy nghĩ đó không còn hoàn toàn đúng nữa.
Một người bạn của mình ôn thi bằng AI. Cứ vài phút nó lại dừng lại sửa câu trả lời vì cảm thấy giải thích chưa ổn. Có đoạn AI hiểu sai ngữ cảnh. Có đoạn nó tóm tắt quá mạnh khiến ý nghĩa bị lệch đi.
Thế là nó cứ sửa.
Không phải vì muốn “train AI”. Nó chỉ muốn có ghi chú tốt hơn để học thôi.
Có lúc nó cười rồi nói: “Con này học chậm hơn tao nữa.”
Lúc đó cả hai chỉ cười rồi bỏ qua.
Nhưng sau này mình cứ nghĩ mãi về chuyện đó.
Trong suốt mấy tiếng ngồi học, thực ra nó không chỉ đang dùng AI.
Nó đang giúp AI tốt lên.
Không trực tiếp. Không cố ý. Nhưng mỗi lần sửa câu trả lời, chọn cách diễn đạt tốt hơn, bỏ một output dở hay viết lại một đoạn giải thích… tất cả đều trở thành một phần của vòng lặp cải thiện hệ thống ở đâu đó phía sau.
Điều kỳ lạ là chẳng ai cảm thấy đó là “lao động”.
Nó chỉ giống đang sử dụng công cụ thôi.
Và có lẽ chính điểm đó mới là thứ đáng suy nghĩ nhất.
Nếu hàng triệu người liên tục tinh chỉnh AI thông qua những tương tác rất bình thường như vậy, thì tài nguyên quan trọng nhất của AI có khi không còn chỉ là compute nữa.
Mà là quá trình con người âm thầm tinh chỉnh nó mỗi ngày.
Khi bắt đầu nhìn AI theo hướng đó, rất nhiều thứ bỗng dưng thấy khác hẳn.
Internet trước đây kiếm tiền từ sự chú ý.
Mô hình này khá dễ hiểu: người dùng tạo ra attention, nền tảng kiếm tiền từ quảng cáo, còn phần giá trị thực sự được gom về đâu thì hầu như ít ai nghĩ nhiều.
AI thì khác.
Càng nghĩ mình càng thấy các hệ thống AI đang bắt đầu kiếm tiền từ chính quá trình con người tham gia vào tư duy.
Không chỉ là click. Không chỉ là thời gian online.
Mà là cách con người suy nghĩ.
Cách họ giải thích vấn đề. Cách họ sửa lỗi. Cách họ biến một câu trả lời dở thành hữu ích. Cách họ xử lý sự mơ hồ.
Hệ thống tốt lên nhờ những thứ đó.
Và khi sự cải thiện của AI phụ thuộc vào quá trình con người liên tục tương tác và tinh chỉnh nó, ranh giới giữa “user” và “contributor” bắt đầu mờ đi rất nhiều.
Điểm này khá quan trọng.
Vì contributor thì thường phải được ghi nhận. Còn user thì không.
AI hiện tại gần như đang trộn hai vai trò đó vào làm một.
Ban đầu mình nghĩ đây chỉ là câu chuyện về fairness hay ownership. Nhưng càng đào sâu, mình càng thấy vấn đề thật sự nằm ở hạ tầng.
Toàn bộ hệ thống AI hiện nay vốn không được thiết kế để truy vết đóng góp.
Nó được thiết kế để tối ưu kết quả.
Hai thứ đó khác nhau hoàn toàn.
Càng mạnh lên, AI càng phụ thuộc vào những vòng lặp tinh chỉnh từ con người.
Một người sửa output. Hệ thống tốt hơn một chút. Người tiếp theo dùng hệ thống tốt hơn đó rồi lại tiếp tục tinh chỉnh thêm.
Cứ thế lặp lại.
Theo thời gian, intelligence không còn đến từ một phát minh đơn lẻ nữa. Nó đến từ hàng triệu đóng góp nhỏ chồng lên nhau.
Nhưng gần như không ai trong số những người tham gia vào vòng lặp đó trả lời được một câu rất cơ bản:
Đóng góp của mình thực sự đi đâu?
Một khi tương tác đi vào hệ thống AI tập trung, mọi thứ gần như biến mất.
Model tốt lên. Nền tảng tích lũy giá trị. Còn đóng góp thì hòa tan vào bên trong hệ thống.
Và thành thật mà nói, mình nghĩ kết quả này gần như là tất yếu.
Vì opacity luôn scale hiệu quả hơn transparency.
Muốn truy vết attribution đúng cách sẽ kéo theo rất nhiều thứ:
xác minh nguồn gốcauditlưu trữ metadataphân phối rewardtracking contribution
Tất cả đều tạo thêm friction.
Mà thị trường thì thường thưởng cho hệ thống scale nhanh nhất, chứ không phải hệ thống công bằng nhất.
Đó là lúc mình bắt đầu nhìn blockchain trong AI theo cách khác.
Lúc đầu mình từng nghĩ các chain như Ethereum hay Solana rồi cũng sẽ hấp thụ AI giống cách chúng từng hấp thụ DeFi hay NFT.
Nhưng AI có một bài toán khác hẳn.
Blockchain tài chính chủ yếu theo dõi ownership.
AI lại cần theo dõi influence.
Đó là hai loại hạ tầng hoàn toàn khác nhau.
Một giao dịch tài chính khá rõ ràng: ai gửi gì, cho ai, lúc nào.
Nhưng influence trong AI thì rất khó tách bạch.
Một dataset ảnh hưởng tới model. Model ảnh hưởng tới agent. Agent tạo output. Người dùng sửa output. Những chỉnh sửa đó lại trở thành tín hiệu cho các hệ thống tương lai.
Contribution bị phân mảnh và chồng chéo liên tục.
Một chỉnh sửa nhỏ nhìn riêng lẻ thì chẳng đáng gì. Nhưng hàng triệu chỉnh sửa nhỏ cộng lại có thể thay đổi cả hệ thống.
Tiền thì tương đối dễ tracking.
Đóng góp của con người thì không.
Và có lẽ đó là lý do nhiều dự án “AI + blockchain” mình đọc vẫn có cảm giác chưa chạm đúng vấn đề.
Decentralize compute hay storage chưa chắc giải quyết được phần khó nhất nếu contribution bên dưới vẫn vô hình.
Câu hỏi thật sự không phải: “Làm sao đưa AI lên blockchain?”
Mà là: “Làm sao khiến quá trình tạo ra intelligence trở nên visible mà không biến suy nghĩ con người thành một thị trường để khai thác?”
Mình vẫn chưa chắc câu hỏi đó có lời giải hoàn chỉnh.
Vì mọi hệ thống đo lường hành vi con người cuối cùng đều làm thay đổi hành vi con người.
Học sinh tối ưu theo điểm số. Creator tối ưu theo engagement. Nhân viên tối ưu theo KPI.
Vậy tại sao cognition lại khác khi contribution bắt đầu được đo lường?
Đó là lúc mình thấy OpenLedger khá thú vị.
Không hẳn vì câu chuyện decentralization.
Mà vì nó đang cố giải quyết attribution như một lớp hạ tầng thật sự.
Cơ chế cốt lõi của OpenLedger — Proof of Attribution (PoA) — bắt đầu từ một ý khá đơn giản:
nếu intelligence được tạo ra tập thể, thì contribution cũng phải được truy vết.
Nghe thì hợp lý.
Nhưng càng nghĩ kỹ càng thấy vấn đề này khó hơn tưởng tượng rất nhiều.
Trong AI, influence gần như không bao giờ đi theo đường thẳng.
Một dataset hôm nay có thể ảnh hưởng tới một model vài tháng sau. Model đó lại ảnh hưởng tới một AI agent. Agent tạo ra output. Người dùng tiếp tục refine output đó.
Causality bị trải dài qua rất nhiều layer.
Đó là lý do PoA không chỉ cố “reward user”.
Nó đang cố xây dựng một hệ thống để theo dõi influence xuyên suốt vòng đời của AI.
Các hoạt động như:
upload datasetrefine modelinferenceworkflow metadata
đều được ghi nhận lại.
Điểm quan trọng không phải chỉ là lưu dữ liệu.
Mà là khả năng verify.
Những thứ như Merkle Proofs cho phép hệ thống xác minh contribution mà không cần public toàn bộ dữ liệu. Về lý thuyết, hệ thống có thể lần ngược xem output nào chịu ảnh hưởng từ contribution nào.
Và nếu làm được điều đó, inference sẽ không còn chỉ là một tác vụ kỹ thuật nữa.
Nó trở thành một sự kiện kinh tế.
Model tạo ra giá trị. Hệ thống xác định các layer đóng góp. Reward được phân phối ngược lại thông qua micro-attribution.
Ý tưởng này nghe rất công bằng.
Có khi… hơi công bằng quá mức.
Vì càng nghĩ về attribution, mình càng thấy nó không hề khách quan như ban đầu tưởng tượng.
Bao nhiêu giá trị thuộc về raw data? Bao nhiêu thuộc về fine-tuning? Người sửa output sau deployment thì sao? Còn những cộng đồng vô tình định hình hành vi của model qua nhiều năm thì tính thế nào?
Đến một lúc nào đó, attribution không còn giống accounting nữa.
Nó giống interpretation hơn.
Và interpretation thì luôn thay đổi hành vi con người.
Có thể đây mới là layer quan trọng nhất của toàn bộ câu chuyện.
Không phải reward.
Mà là việc cognition bắt đầu trở nên measurable về mặt kinh tế.
Vì một khi contribution trở nên visible, con người sẽ tự điều chỉnh bản thân theo hệ thống đo lường đó.
Researcher có thể tối ưu cách làm việc để attribution rõ hơn. Community có thể bắt đầu chia sẻ kiến thức theo hướng “có giá trị kinh tế” hơn. Writer có thể vô thức viết theo kiểu machine-readable thay vì thật sự rõ ràng.
Điều kỳ lạ là tất cả chuyện này có thể xuất phát từ một hệ thống vốn được tạo ra để tăng fairness.
Một công nghệ cố trả ownership về cho contributor… nhưng đồng thời cũng có thể khiến suy nghĩ con người bị financialize sâu hơn nữa.
Mình không nghĩ ngành AI hiện tại hiểu hết hệ quả tâm lý của chuyện đó.
Vì rồi có thể sẽ đến lúc con người không còn chắc: đâu là suy nghĩ thật sự của mình và đâu là suy nghĩ mình học được rằng sẽ được reward nhiều hơn nếu thể hiện ra ngoài.
Và thật lòng mà nói, đó mới là phần khiến mình thấy bất an nhất.
Không phải centralized AI.
Mà là khả năng cognition của con người dần bị định hình bởi các hệ thống đo lường vô hình phía sau.
Thỉnh thoảng mình vẫn nhớ tới hình ảnh thằng bạn ngồi sửa từng dòng AI-generated summary lúc nửa đêm.
Nó chắc vẫn nghĩ mình chỉ đang dùng một công cụ thôi.
Phần lớn chúng ta cũng nghĩ vậy.
Trong khi ở đâu đó phía sau, hệ thống tiếp tục hấp thụ hàng triệu tương tác tương tự mỗi ngày.
Từng chỉnh sửa nhỏ. Từng refinement nhỏ. Từng lần con người vô thức làm AI tốt hơn.
Không ai gọi đó là lao động cả.
Có lẽ vì nếu mọi người thật sự cảm nhận được nó là lao động, mô hình này đã không thể scale nhanh như bây giờ.
#openledger $OPEN @OpenLedger $BSB $BILL

La început, am crezut că întreaga dezbatere despre proprietatea AI este exagerată.
Fiecare ciclu major de tehnologie pare să producă aceeași reacție. Câteva companii devin dominante, oamenii devin incomozi cu cât de mult control au, iar în cele din urmă descentralizarea devine soluția propusă. Comunitățile crypto acum conturează AI la fel cum au conturat odată finanțele sau rețelele sociale: sisteme deschise versus sisteme închise, utilizatori versus platforme, proprietate versus extracție.
Am înțeles argumentul. A fost doar o senzație familiară.