Huang Renxun khai mở kỷ nguyên AI mới: Physical AI như thế nào định hình lại bản đồ tính toán và hệ sinh thái Crypto

Trong hội nghị Đa-vo-đét gần đây, lời phát biểu của Jensen Huang đã gây ra những suy nghĩ sâu rộng trong giới ngành. Người đứng đầu NVIDIA này không chỉ đang định hình lại hướng phát triển của trí tuệ nhân tạo mà còn vô hình mở ra một cánh cửa mới cho lĩnh vực tài sản mã hóa. Ông sử dụng khái niệm “Physical AI” để tuyên bố một kỷ nguyên mới đã bắt đầu.

Từ huấn luyện đến suy luận: cuộc cách mạng về sức mạnh tính toán do Jensen Huang tuyên bố

Jensen Huang chỉ ra rằng, hiện nay các ứng dụng AI đang bùng nổ toàn diện, nhưng trọng tâm về nhu cầu sức mạnh tính toán đang chuyển dịch căn bản. Giai đoạn cạnh tranh dựa vào tích trữ phần cứng để huấn luyện mô hình đã đi đến hồi kết. Trong tương lai, trọng tâm cạnh tranh sẽ tập trung vào phần suy luận và lĩnh vực Physical AI, tức là AI không chỉ “nghĩ” mà còn “làm”.

Quan điểm này đánh dấu một bước chuyển đổi mang tính cách mạng. NVIDIA, với vai trò là người chiến thắng tuyệt đối trong thời kỳ GPU, từng cung cấp sức mạnh tính toán quy mô lớn để doanh nghiệp có thể huấn luyện các mô hình lớn hơn bằng cách tích trữ tài nguyên. Nhưng luận điểm mới của Jensen Huang cho thấy, việc chỉ theo đuổi quy mô tham số đã không còn là chiến lược thắng thua nữa. Cạnh tranh AI trong tương lai sẽ chuyển sang ứng dụng thực tế, triển khai trong các kịch bản và tạo ra giá trị thực sự.

Bản chất của Physical AI: vượt qua ranh giới giữa ảo và thực

Các Mô hình Ngôn ngữ Lớn đã hoàn thành việc học toàn diện dữ liệu văn bản trên internet, nhưng điều đó vẫn chưa đủ. Một mô hình lớn đã huấn luyện vẫn không thể chính xác như con người mở nắp chai, hiểu trọng lượng và kết cấu của vật thể. Đây chính là vấn đề cốt lõi mà Physical AI cần giải quyết — kết nối giữa tầng trí tuệ AI và tầng thực thi trong thế giới thực.

Điều kiện tiên quyết của Physical AI là yêu cầu phản hồi theo thời gian thực cực kỳ khắt khe. Khi ChatGPT chậm trễ một giây, người dùng có thể chỉ cảm thấy giao diện hơi lag. Nhưng khi một robot hai chân dừng lại do độ trễ mạng, nó có thể bị ngã xuống cầu thang. Điều này có nghĩa là Physical AI phải dựa vào tính toán cục bộ và sức mạnh tính toán biên, chứ không thể dựa vào xử lý từ xa trên đám mây.

Ba thách thức công nghệ lớn của Physical AI

Trong khi trình bày về lĩnh vực mới này, Jensen Huang đã ngầm chỉ ra ba thách thức công nghệ cần vượt qua. Những thách thức này không chỉ định hướng phát triển ngành mà còn gợi ý các cơ hội đầu tư mới.

Trí tuệ không gian: khả năng cảm nhận thế giới 3D của robot

Giáo sư Fei-Fei Li của Stanford từng đưa ra một luận điểm quan trọng: trí tuệ không gian là ngôi sao Bắc Đẩu tiếp theo của tiến trình tiến hóa trí tuệ nhân tạo. Robot muốn hoạt động trong thế giới vật lý, trước tiên phải hiểu rõ môi trường xung quanh mình.

Điều này không chỉ đơn thuần là nhận diện vật thể trong hình ảnh — “đây là một chiếc ghế” — mà còn cần hiểu sâu về vị trí trong không gian 3D của chiếc ghế, cấu trúc của nó, và lực cần thiết để di chuyển an toàn. Khả năng hiểu này phải dựa trên lượng dữ liệu môi trường 3D khổng lồ, cập nhật theo thời gian thực và bao phủ toàn diện các cảnh trong nhà lẫn ngoài trời. Hiện tại, loại dữ liệu này còn rất thiếu.

Sân chơi huấn luyện ảo: trường học mô phỏng cho robot

Jensen Huang đặc biệt đề cập đến Omniverse, đại diện cho một phương pháp huấn luyện hoàn toàn mới. Trước khi bước vào thế giới vật lý thực, robot cần hoàn thành hàng vạn vòng thử nghiệm trong môi trường ảo hoàn chỉnh. Giống như học đi bộ cần “ngã 10.000 lần”, robot cũng cần trải qua vô số thất bại trong mô phỏng để nắm vững kỹ năng vận động trong thực tế. Quá trình này gọi là “Sim-to-Real” — chuyển đổi từ mô phỏng sang thực tế.

Nếu để robot thử nghiệm trực tiếp trong môi trường thực, mỗi va chạm, mỗi lần ngã sẽ gây hư hỏng phần cứng, và chi phí sửa chữa, thay thế tích lũy sẽ là một con số khổng lồ. Sân chơi huấn luyện ảo có giá trị ở chỗ có thể hoàn thành việc học quy mô lớn với chi phí phần cứng gần như bằng không. Quá trình này đòi hỏi engine mô phỏng vật lý và khả năng render tính toán tăng theo cấp số nhân.

Dữ liệu xúc giác: mỏ vàng chưa được khai thác

Để Physical AI có thể mô phỏng cảm giác như con người, cần cảm nhận nhiệt độ, áp lực và chất liệu qua da điện tử. Những “dữ liệu xúc giác” này lần đầu tiên được thu thập quy mô lớn trong lịch sử xã hội loài người.

Tại triển lãm CES gần đây, công ty Ensuring đã trình diễn một bước đột phá: họ phát triển “da điện tử sản xuất hàng loạt” tích hợp 1.956 cảm biến phân bố dày đặc trên một bàn tay cơ khí. Nhờ các cảm biến nhỏ bé này, robot có thể chính xác nhấc trứng mà không làm vỡ. Khả năng thu thập dữ liệu xúc giác này đại diện cho một loại tài sản dữ liệu hoàn toàn mới.

Cơ hội bổ sung trong lĩnh vực Crypto

Xem xét các yêu cầu công nghệ này, nhiều người có thể nghĩ rằng chỉ các tập đoàn công nghệ lớn và nhà sản xuất phần cứng mới có thể tham gia. Nhưng thực tế, các lĩnh vực DePIN, DeAI, DeData trong hệ sinh thái phi tập trung chính là những nơi có thể lấp đầy khoảng trống then chốt của thời đại Physical AI.

Mạng lưới thu thập dữ liệu môi trường 3D toàn cầu

Xe Street View của Google có thể quét các tuyến phố chính toàn cầu, nhưng chúng không thể vào từng ngõ nhỏ, từng khu dân cư, từng góc trong các tầng hầm. Những “vùng mù” này rất quan trọng đối với việc triển khai robot thực tế.

Mạng DePIN thông qua cơ chế Token khuyến khích có thể huy động hàng triệu người dùng toàn cầu sử dụng điện thoại thông minh và thiết bị cá nhân khác để liên tục thu thập dữ liệu môi trường 3D tại các khu vực biên. Người dùng đóng góp dữ liệu hợp lệ sẽ nhận Token thưởng tương ứng. Cách làm này không chỉ chi phí thấp hơn nhiều so với các đội xe của các tập đoàn lớn mà còn giúp hoàn thiện dữ liệu cho “km cuối” của phủ sóng.

Mạng tính toán biên phân tán

Yêu cầu về tính toán theo thời gian thực của Physical AI đồng nghĩa với việc không thể hoàn toàn dựa vào xử lý đám mây. Điều này mở ra cơ hội cho mạng tính toán phân tán toàn cầu. Hàng tỷ thiết bị tiêu dùng (máy tính để bàn, máy chơi game, thiết bị di động cao cấp) thường xuyên trong trạng thái nhàn rỗi hoặc tải thấp.

Bằng cách tận dụng mạng tính toán phân tán phi tập trung, các phần cứng còn dư này có thể được tích hợp, phân phối và điều phối để xử lý các tác vụ render đòi hỏi tính toán cao trong huấn luyện ảo. Các mô hình học máy cũng có thể phân tán đến các nút biên để suy luận. Như vậy, vừa giải quyết được vấn đề thời gian thực, vừa giảm đáng kể chi phí vận hành cho ứng dụng Physical AI.

Kinh tế Token bảo vệ quyền riêng tư và xác thực dữ liệu

Dữ liệu xúc giác liên quan đến thông tin cực kỳ nhạy cảm về quyền riêng tư. Nếu để người dùng trực tiếp đóng góp dữ liệu này cho các tập đoàn AI lớn, chắc chắn sẽ gây lo ngại về an toàn dữ liệu. Nhưng thông qua cơ chế xác thực dữ liệu và phân chia lợi nhuận dựa trên blockchain, mọi chuyện sẽ khác biệt.

Người dùng có thể đảm bảo quyền sở hữu dữ liệu của chính mình, rõ ràng biết cách dữ liệu được sử dụng, và nhận phần thưởng kinh tế trong toàn bộ vòng đời dữ liệu đó. Mô hình “dữ liệu như tài sản” này, kết hợp với cơ chế Token khuyến khích và hợp đồng thông minh tự động phân phối, có thể kích hoạt mạnh mẽ sự đóng góp dữ liệu của người dùng, đồng thời bảo vệ an toàn dữ liệu và quyền riêng tư cá nhân.

Ý nghĩa chiến lược của Crypto trong thời đại Physical AI

Luận điểm của Jensen Huang thực sự đã chỉ rõ một hướng đi cho toàn ngành. Physical AI không chỉ là giai đoạn thứ hai của lĩnh vực AI Web 2.0, mà còn là một cơ hội chiến lược hiếm có đối với lĩnh vực Web 3.0 và Crypto.

Các hạ tầng phi tập trung như DePIN, DeAI, DeData và các ứng dụng dữ liệu không còn là những khái niệm lý thuyết nữa, mà đã trở thành phần không thể thiếu của kỷ nguyên mới này. Từ việc thu thập dữ liệu phân tán toàn cầu đến điều phối tính toán biên, từ luồng dữ liệu bảo mật đến phân phối giá trị công bằng, các giải pháp phi tập trung thể hiện giá trị thực trong thời đại mới này.

Sự chuyển đổi quan điểm của Jensen Huang lần này thực sự đã thắp sáng một ngọn đèn chỉ đường cho toàn ngành tài sản mã hóa. Trong bối cảnh của Physical AI, những dự án Crypto tập trung xây dựng hạ tầng, thiết lập giao thức dữ liệu và thiết kế cơ chế khuyến khích có thể đang đứng trước một cơ hội lịch sử lớn.