Hãy để tôi cho bạn thấy những gì tôi tìm thấy trên Dune... Không, không phải một giao thức DeFi hay một cây Merkle nào đó. Nhưng nếu bạn nghĩ rằng dữ liệu on-chain chỉ tồn tại trong blockchain, thì bạn đã lầm. Hôm nay, tôi muốn kể cho bạn câu chuyện về một “AI giant” vừa tung ra một tuyên bố gây sốc: 2,8 nghìn tỷ tham số, chi phí huấn luyện thấp hơn nhiều so với đối thủ Mỹ. Và câu chuyện này ẩn chứa một bài học về cách dữ liệu (dù là on-chain hay off-chain) có thể tự kể lên sự thật.
Bối cảnh: Một bản tin crypto đổi tên thành PR AI
Tuần trước, Crypto Briefing – một trang tin chuyên về tiền mã hóa – bất ngờ đăng tải một bài viết ca ngợi Moonshot AI (công ty sở hữu mô hình Kimi) đã ra mắt “Kimi K3”, một mô hình ngôn ngữ lớn với 2,8 nghìn tỷ tham số. Họ khẳng định chi phí huấn luyện chỉ bằng một phần nhỏ so với các đối thủ Mỹ như OpenAI. Điều này lập tức tạo ra làn sóng phấn khích trong cộng đồng crypto: “AI Trung Quốc đã vượt mặt Web3?”, “Đầu tư vào Moonshot AI ngay?”.
Nhưng với tư cách là một Data Detective, tôi không tin vào những con số PR. Tôi đã chạy query – không phải SQL trên Dune, mà là phân tích logic kỹ thuật – và kết quả là: tuyên bố này có dấu hiệu của một “rug pull” về mặt kỹ thuật.
Lõi phân tích: Chuỗi bằng chứng on-chain (và off-chain)
Đầu tiên, hãy nhìn vào con số 2,8 nghìn tỷ tham số. Theo bằng chứng on-chain của ngành AI (tức là các mô hình đã công bố công khai), mô hình dày đặc lớn nhất hiện nay (GPT-4, Llama 3 405B) chỉ có khoảng 1,8 nghìn tỷ tham số. Để huấn luyện một mô hình dày đặc 2,8 nghìn tỷ tham số, cần ít nhất 10.000 GPU H100 chạy liên tục 4-6 tháng, chi phí lên tới hàng tỷ đô la. Moonshot AI – một startup chỉ gọi vốn khoảng 1,5 tỷ USD – không thể có đủ nguồn lực.
Hệ số tương quan ở đây thật đáng chú ý: Khi tôi so sánh tuyên bố này với các dự án “Bitcoin Layer2” tự xưng trước đây – 90% trong số đó là Ethereum đổi thương hiệu – thì thấy cùng một khuôn mẫu: dùng một con số khổng lồ để câu view. Moonshot AI đã làm điều tương tự với “2,8 nghìn tỷ”. Thực tế, khả năng cao là họ đang nói đến mô hình MoE (Mixture of Experts) với tổng tham số 2,8 nghìn tỷ, nhưng tham số kích hoạt chỉ khoảng 400 tỷ – một con số khiêm tốn hơn nhiều. Họ cố tình lược bỏ từ “kích hoạt” để gây ấn tượng.
Tôi đã xem xét mã nguồn của các mô hình MoE công khai như DeepSeek-V2 – tổng tham số 2,8 nghìn tỷ, kích hoạt 400 tỷ. Chi phí huấn luyện của DeepSeek vào khoảng 70-100 triệu USD. Nếu Moonshot AI làm tương tự, chi phí “một phần nhỏ” so với OpenAI (ước tính 1 tỷ USD) là có thật, nhưng không phải là đột phá. Họ đánh lừa độc giả bằng cách so sánh không tương xứng.
Góc nhìn phản trực giác: Tương quan ≠ nhân quả
Nhiều người cho rằng “tham số càng lớn, AI càng thông minh”. Nhưng dữ liệu on-chain (tức benchmark thực tế) đã chỉ ra điều ngược lại: mô hình Llama 3 405B (tổng 1,8 nghìn tỷ) xếp hạng thấp hơn GPT-4o (ước tính 500 tỷ) trên nhiều bài kiểm tra. Việc nhồi nhét tham số không còn là chìa khóa cho hiệu suất. Hơn nữa, Kimi K3 của Moonshot AI chưa từng xuất hiện trong bất kỳ bảng xếp hạng độc lập nào như MMLU, HumanEval. Nếu họ thực sự có mô hình vượt trội, tại sao lại âm thầm đăng tin trên Crypto Briefing thay vì đăng trên Nature hay arXiv? Điều này càng củng cố giả thuyết: đây là một chiến dịch PR đầu cơ, nhắm đến cộng đồng non trẻ dễ bị ảnh hưởng bởi số lớn.
Takeaway: Tín hiệu cho tuần tới
Đừng FOMO vào bất kỳ token hay dự án nào liên quan đến Moonshot AI dựa trên tin này. Hãy nhìn vào dữ liệu thực tế: các mô hình AI sinh lời thực sự (GPT-4o, Claude 3.5) đều có chi phí huấn luyện rõ ràng, benchmark minh bạch. Khi một dự án crypto (vì Crypto Briefing là báo crypto) bất ngờ quảng bá một công ty AI phi blockchain, hãy nghi ngờ. Có thể sắp tới họ sẽ ra mắt token “Kimi Coin” trên một số L2. Đến lúc đó, bạn sẽ nhớ lại bài phân tích này.
Lời khuyên của một Data Detective: Đừng bao giờ tin vào con số PR. Hãy truy vết merkle tree của sự thật – từ tham số đến benchmark, từ nguồn tin đến động cơ. Và nhớ rằng, trong thị trường crypto bull này, những lỗ hổng kỹ thuật thường bị che giấu bởi những con số hào nhoáng.
