Hook
Bạn có biết một con bot AI của Google DeepMind vừa dự đoán chính xác cấu trúc protein liên quan đến khả năng kháng kháng sinh chỉ trong 2 giờ? Không phải 2 tuần, không phải 2 ngày – 2 giờ. Trong khi đó, mạng lưới DeSci (Decentralized Science) với hàng trăm validator và token incentive vẫn đang loay hoay xác thực một dataset nhỏ. Tôi đọc được báo cáo từ Crypto Briefing hôm qua: khoảng cách giữa AI tập trung và DeSci đang rộng hơn bao giờ hết. Và nếu các nhà phát triển DeSci không hiểu rõ bản chất của bài toán, chúng ta sẽ thấy một làn sóng “zombie DAO” – các tổ chức token hóa cho nghiên cứu nhưng không có đầu ra thực tế.
Context
Bối cảnh ở đây là cuộc chạy đua về “bioresilience” – khả năng dự đoán và tăng cường sức chống chịu sinh học. Google DeepMind hợp tác với Isomorphic Labs, một công ty AI dược phẩm, đang phát triển các mô hình phân tử ở quy mô chưa từng thấy. Họ có compute clusters với hàng chục nghìn GPU, dữ liệu độc quyền từ các bệnh viện và phòng thí nghiệm, và quan trọng nhất: một đội ngũ PhD hàng đầu thế giới. Trong khi đó, DeSci – với các dự án như VITA, RSC, hoặc BioDAO – xây dựng trên blockchain, dựa vào tài trợ cộng đồng và phần thưởng token cho người đóng góp dữ liệu. Về mặt lý thuyết, DeSci hứa hẹn minh bạch, phi tập trung và khả năng truy cập mở. Nhưng thực tế, khi một dự án DeSci cần chạy mô hình AlphaFold để xác thực một giả thuyết, họ thường phải phụ thuộc vào API của DeepMind hoặc các dịch vụ tập trung khác. Điều này làm cho tuyên bố “phi tập trung” trở nên hời hợt.
Core
Hãy nói về con số. Một báo cáo gần đây cho thấy DeepMind đã đầu tư hơn 500 triệu USD chỉ riêng vào cơ sở hạ tầng tính toán cho AlphaFold3. Trong khi đó, tổng TVL của toàn bộ hệ sinh thái DeSci (theo DeFiLlama) chưa đến 200 triệu USD. Khoảng cách về tài nguyên là 3 lần, nhưng khoảng cách về tốc độ phát triển còn lớn hơn. Lấy một case study điển hình: Dự án A (một DeSci DAO) công bố phát hiện một biomarker mới vào tháng 1/2025. Nhưng khi đối chiếu với cơ sở dữ liệu của Isomorphic Labs, phát hiện đó đã được ghi nhận từ 6 tháng trước. Từ góc nhìn của một security auditor chuyên audit các hợp đồng thông minh, tôi thấy một vấn đề cơ bản: các DeSci DAO thường đốt token vào việc tổ chức vote và tài trợ cho các đề xuất nghiên cứu, nhưng không có cơ chế nào để đảm bảo đầu ra nghiên cứu thực sự cạnh tranh với các phòng lab tập trung. Họ quên mất rằng blockchain chỉ giải quyết vấn đề trust và incentive, không giải quyết vấn đề compute power và data quality.
Tôi từng audit một cầu nối cross-chain cho một dự án DeSci – họ muốn kết nối dữ liệu gen từ nhiều nguồn khác nhau. Phát hiện ra ngay: signature verification bị lỗi cho phép kẻ tấn công giả mạo dữ liệu. Lỗi đó tương tự vụ hack Wormhole 320 triệu USD. Nhưng câu chuyện không dừng lại ở bảo mật. Vấn đề lớn hơn là họ không có đủ dữ liệu chất lượng để verify. Bạn có thể có một hệ thống phi tập trung hoàn hảo, nhưng nếu dữ liệu đầu vào là rác, thì kết quả cũng là rác. DeepMind có quyền truy cập vào dữ liệu bệnh nhân thực tế từ các bệnh viện hợp tác; DeSci chỉ có dữ liệu tự nguyện đóng góp từ cộng đồng, thường bị nhiễu và không được chuẩn hóa.
Contrarian
Nhưng đây mới là điều phản trực giác: chính điểm yếu về dữ liệu lại có thể là lợi thế dài hạn của DeSci. Tại sao? Bởi vì các tổ chức nghiên cứu tập trung như DeepMind đang đối mặt với khủng hoảng về niềm tin. Các bài báo khoa học của họ ngày càng bị nghi ngờ vì thiếu khả năng tái tạo (reproducibility). Một nghiên cứu năm 2024 trên Nature cho thấy 70% kết quả AI trong sinh học không thể tái tạo được do thiếu mã nguồn mở và dữ liệu gốc. DeSci, nếu được thiết kế đúng, có thể cung cấp một sổ cái bất biến cho toàn bộ dòng dõi nghiên cứu – từ dữ liệu thô, mã nguồn, đến mô hình huấn luyện. Đây là giá trị mà DeepMind không thể bán được. Tôi từng thấy một dự án DeSci khác sử dụng zk-SNARKs để chứng minh tính toàn vẹn của dữ liệu mà không tiết lộ nội dung – đó là bước đi đúng hướng. Nhưng họ lại chết vì thiếu tài trợ dài hạn.
Một điểm mù khác: cộng đồng DeSci thường tập trung vào “giải thưởng” (bounties) cho các bài báo khoa học, nhưng lại bỏ qua tầng cơ sở hạ tầng. Họ cần một layer compute phi tập trung, chẳng hạn như Golem hay Akash, để chạy các mô hình AI. Nhưng các mạng này hiện có độ trễ cao và chi phí lớn hơn so với AWS hoặc Google Cloud. Giải pháp? Tôi cho rằng cần phải hybrid: sử dụng trusted execution environments (TEE) kết hợp với on-chain verification. Nhưng điều này đòi hỏi chuyên môn kỹ thuật sâu – không phải thứ mà một DAO thông thường có.
Takeaway
Vậy tương lai sẽ ra sao? Trong 12 tháng tới, tôi dự đoán ít nhất 3 DeSci DAO sẽ phải đóng cửa vì không thể cạnh tranh với các mô hình AI tập trung. Nhưng đồng thời, một vài dự án có chiến lược lai ghép (on-chain verification + off-chain compute) sẽ thu hút được vốn từ các quỹ VC đang tìm kiếm “AI + Crypto” thực thụ. Câu hỏi đặt ra: bạn có dám đầu tư vào một DeSci DAO mà không có ít nhất một PhD về computational biology trong đội ngũ không? Nếu câu trả lời là “có”, hãy chuẩn bị tinh thần cho một bài học đắt giá.