Crypto Briefing – một trang tin chuyên về blockchain – bỗng dưng đưa tin về SkillSmith, một công nghệ của Google DeepMind được quảng bá với đúng hai điểm chính: “dynamic model adaptation” và “giảm nhu cầu đào tạo lại”. Hai dòng thông tin. Không nguồn trích dẫn. Không tài liệu kỹ thuật. Vậy mà trên các diễn đàn crypto Agent, người ta đã bắt đầu bàn về việc SkillSmith sẽ thay đổi cục diện AI Agent trên chuỗi. Hãy dừng lại một nhịp. Trong hơn mười năm truy vết các giao dịch trên Ethereum và các mạng khác, tôi học được một điều: khi một câu chuyện hay đến mức không thể tin nổi, nó thường không có thật.
Bối cảnh giữa năm 2025: thị trường crypto đang trong chu kỳ giảm. Những câu chuyện tăng trưởng khan hiếm dần, và AI – cụ thể là các AI Agent tokens – trở thành một trong số ít những narrative còn giữ được nhiệt. Fetch.ai, Bittensor, hàng loạt dự án “AI + blockchain” vẫn đang giao dịch với mức định giá đáng mơ ước. Trong bối cảnh đó, bất kỳ tin tức nào từ Google DeepMind – gã khổng lồ AI có uy tín nhất hành tinh – cũng đủ sức làm rung chuyển tâm lý nhà đầu tư.
SkillSmith, theo bài báo đó, là một công nghệ cho phép mô hình AI tự thích nghi động trong quá trình vận hành, từ đó giảm nhu cầu đào tạo lại mô hình cho từng nhiệm vụ cụ thể. Nói một cách nôm na: thay vì phải huấn luyện lại toàn bộ mô hình cho mỗi bài toán mới, SkillSmith cho phép mô hình điều chỉnh chính nó ngay trong lúc sử dụng. Nghe hấp dẫn. Nhưng hãy đặt nó lên bàn mổ.
Phần 1: Giải phẫu khái niệm
“Dynamic model adaptation” là một khái niệm tồn tại trong giới học thuật, nhưng nó không có một định nghĩa kỹ thuật thống nhất. Có ba con đường chính mà một hệ thống như vậy có thể đi.
Thứ nhất: Parameter-Efficient Fine-Tuning – hay PEFT. LoRA, Adapter, Prefix-Tuning. Đây là hướng phổ biến nhất hiện nay: giữ nguyên mô hình gốc, chèn thêm các module nhỏ vào, và chỉ huấn luyện các module đó. Nếu cần một kỹ năng mới, chỉ cần thay thế các module – không cần đụng đến trọng số chính của mô hình. Chi phí thấp, tốc độ nhanh, nhưng có giới hạn về độ phức tạp của kỹ năng có thể học được.
Thứ hai: Test-Time Adaptation – hay TTA. Mô hình tự cập nhật trong lúc suy luận dựa trên dữ liệu đầu vào. Nghe thì hay, nhưng chi phí tính toán tăng lên đáng kể. Mỗi request đều có thể gây ra một vòng lặp cập nhật – và đó là một vấn đề nghiêm trọng về độ trễ và khả năng dự đoán. Trong bối cảnh blockchain nơi mọi hành vi đều cần được ghi lại và kiểm toán, một hệ thống tự cập nhật liên tục là một cơn ác mộng.
Thứ ba: Mixture of Experts – hay MoE. Mô hình có nhiều chuyên gia nhỏ, và một bộ điều phối trung tâm quyết định chọn chuyên gia nào cho mỗi input. Đây là kiểu “động” có kiểm soát, nhưng nó không thực sự giảm việc đào tạo lại – mà chỉ tách bạch các kỹ năng ngay từ đầu. Chi phí nằm ở việc huấn luyện bộ điều phối và duy trì toàn bộ hệ thống chuyên gia.
Bây giờ, hãy nhìn lại hai thông tin duy nhất trong bài báo: không hề có chi tiết nào về kiến trúc, thuật toán, hay số liệu cụ thể. Không benchmark. Không so sánh với các phương pháp hiện có. Không mã nguồn. Chỉ có hai phát biểu đẹp đẽ về một tương lai nơi AI tự thích nghi mà không cần đào tạo lại. Với một người đã dành hơn một thập kỷ kiểm tra smart contract, tôi nhìn thấy ở đây một mô thức quen thuộc: bản thông cáo báo chí của một dự án ICO năm 2017. Cái hứa hẹn rực rỡ, phạm vi mơ hồ, và vô cùng hấp dẫn đám đông.
Dựa trên kinh nghiệm audit của tôi, một dự án nghiêm túc với công nghệ đột phá sẽ công bố ít nhất một trong ba thứ: paper kỹ thuật, benchmark so sánh, hoặc mã nguồn mẫu. Cả ba đều vắng mặt trong câu chuyện SkillSmith.
Phần 2: Dịch sang ngôn ngữ on-chain
Hãy thử dịch SkillSmith sang ngôn ngữ blockchain. Một mô hình AI có khả năng tự thích nghi động tương đương với một smart contract có thể tự thay đổi logic sau khi deploy. Trong thế giới crypto, chúng ta gọi đây là upgradeable contracts – một trong những rủi ro bảo mật lớn nhất trong lịch sử DeFi.
Nhưng có một khác biệt quan trọng giữa upgradeable contract và một hệ thống AI tự thích nghi. Upgradeable contract có cơ chế rõ ràng: proxy trỏ đến một bản triển khai mới, được quản lý bởi một quyền riêng. Có kiểm toán, có dấu vết trên block explorer, có trách nhiệm giải trình. Còn SkillSmith, theo mô tả của chính nó, là mô hình AI tự quyết định thay đổi hành vi của mình trong lúc vận hành.
Điều này có nghĩa gì trong bối cảnh AI Agent trên blockchain? Hãy tưởng tượng một AI agent được giao nhiệm vụ quản lý thanh khoản của một giao thức DeFi. Nếu agent này có khả năng tự thích nghi động, ai sẽ kiểm toán được hành vi của nó tại block thứ một triệu? Với audit truyền thống, bạn mổ xẻ code trước khi deploy. Với một hệ thống tự thích nghi, bạn không thể biết chắc nó sẽ làm gì trong tương lai. Bạn chỉ có thể tin – hoặc không tin.
Không khó để nhận ra vì sao các nhà đầu tư retail đang bị cuốn hút. Khái niệm “AI Agent tự trị” trên blockchain, kết hợp với công nghệ background của DeepMind, tạo nên một câu chuyện hoàn hảo. Nhưng hãy nhớ đến Terra Luna năm 2022: khi tôi theo dõi dòng UST chảy từ Anchor Protocol đến Curve và Binance, ước tính 3,8 tỷ USD rời khỏi Luna Foundation Guard chỉ trong 72 giờ. Không một mô hình AI nào có thể cứu được một giao thức không có dòng tiền thực. Và một AI agent có thể tự thích nghi cũng sẽ không thay đổi được bản chất của một giao thức thiếu thanh khoản.
Phần 3: Vấn đề “ai kiểm soát bộ điều phối?”
Có một chi tiết hầu như luôn bị bỏ qua trong các bài viết về dynamic model adaptation: bộ phận quyết định thích nghi nằm ở đâu và do ai kiểm soát? Nếu mô hình tự quyết định khi nào cần thay đổi hành vi, thì ai – hoặc cái gì – là người giám sát bộ phận ra quyết định này? Nếu có một router tập trung quyết định kỹ năng nào được kích hoạt, kẻ tấn công có thể nhắm vào router đó. Nếu router được phân quyền, chúng ta lại quay về bài toán governance vốn đã không mấy sáng sủa trong crypto.
Hãy nhìn vào thực tế. Các DAO lớn nhất đều đang đối mặt với vấn đề tập trung hóa do delegation. Người dùng quá lười để tự tìm hiểu, họ ủy quyền cho các KOL, và chỉ một nhóm nhỏ nắm quyền quyết định. Một hệ thống tự thích nghi có thể còn tệ hơn: thay vì có những người nắm quyền kiểm soát rõ ràng với trách nhiệm giải trình, chúng ta có một hộp đen mà không một ai thực sự hiểu. Giống như tôi đã nhiều lần viết trong các báo cáo về quản trị giao thức: sự tập trung hóa không phải lúc nào cũng đến từ cấu trúc – mà thường đến từ sự nhàn rỗi của số đông.
Từ góc nhìn bảo mật, đây là một cơn ác mộng. Trong lúc audit hợp đồng của Harvest Finance năm 2020, tôi tìm ra lỗ hổng reentrancy trong hàm deposit của idleVault – ước tính thiệt hại tiềm năng là 3.200 ETH. Đó là một lỗi tĩnh, có thể phát hiện bằng cách đọc code. Còn một hệ thống tự thích nghi? Lỗ hổng của nó thậm chí chưa tồn tại cho đến khi hệ thống tự quyết định thay đổi. Bạn không thể vá một đoạn code chưa được viết.
Phần 4: Chi phí tiềm ẩn
Cụm từ “giảm nhu cầu đào tạo lại” nghe như một lời hứa về chi phí thấp hơn, nhưng nó rất có thể chỉ là cách nói khác của “chúng tôi chuyển chi phí sang nơi khác”. Trong machine learning, có một quy tắc bất biến: không có bữa trưa miễn phí. Nếu không đào tạo lại mô hình, bạn sẽ trả bằng chi phí suy luận cao hơn, hoặc chi phí duy trì một kho kỹ năng khổng lồ, hoặc sự suy giảm chất lượng khi mô hình phải xử lý những tác vụ nằm ngoài phạm vi đã được đào tạo.
Hãy soi chiếu vào ngành công nghiệp blockchain. Một trong những lời hứa lớn nhất của các Layer 2 là giải quyết vấn đề mở rộng quy mô của Ethereum. Nhưng khi nhìn vào dữ liệu thực tế, tôi nhận ra rằng 99% rollup không tạo đủ dữ liệu để cần một lớp Data Availability chuyên dụng. Điều tương tự cũng có thể xảy ra với SkillSmith: một giải pháp công nghệ ấn tượng cho một bài toán mà thị trường hiện tại – đặc biệt là thị trường giảm – không thực sự có nhu cầu khẩn thiết.
Trong thị trường giảm, câu chuyện “cắt giảm chi phí” là một câu chuyện PR hiệu quả. Nhưng câu hỏi thực sự là: ai trả giá, và trả ở đâu? Nếu SkillSmith chỉ giảm chi phí đào tạo lại nhưng đẩy chi phí vận hành lên gấp đôi do cơ chế tự thích nghi phức tạp, thì giá trị thực của nó cần được đo lại. Không ai có thể trả lời câu hỏi đó với hai dòng thông tin không nguồn.
Mèo thì có chín mạng, nhưng mỗi lần thích nghi không được kiểm soát, nó lại mất đi một mạng.
Phần 5: Kho kỹ năng – con dao hai lưỡi
Một khả năng khác: SkillSmith có thể là một hệ thống kho kỹ năng – một thư viện các module chức năng được định nghĩa từ trước, và mô hình chỉ cần học cách lựa chọn và lắp ráp chúng. Đây là một hướng đi có cơ sở kỹ thuật, tương tự như những gì Retrieval-Augmented Generation đã làm trong những năm gần đây.
Nhưng trong thế giới blockchain, một “kho kỹ năng” tập trung là một điểm hỏng đơn lẻ. Nếu kho kỹ năng đó nằm trên Google Cloud, nó hoàn toàn nằm ngoài tầm kiểm soát của người dùng. Và ở đây, quan điểm của tôi là: các tổ chức truyền thống – ngân hàng, quỹ đầu tư, công ty bảo hiểm – không cần public chain của bạn để vận hành một hệ thống như vậy. Họ sẽ chạy SkillSmith trên hạ tầng đám mây riêng của họ, hoặc trên Google Cloud, và chẳng cần đến bất kỳ token nào.
Đây là điều khiến tôi nghi ngờ nhất. Một công nghệ AI thực sự mạnh mẽ từ Google DeepMind, nếu được thương mại hóa, sẽ đi qua Google Cloud Vertex AI hoặc AI Studio. Nó sẽ là một sản phẩm tập trung, bán cho doanh nghiệp. Liên hệ với blockchain chỉ tồn tại trong trí tưởng tượng của những người đang tìm kiếm câu chuyện tăng giá tiếp theo.
Góc nhìn phản trực giác
Tất nhiên, tôi đã nghe lập luận ngược lại. Phe bò sẽ nói: đây là DeepMind, không phải một dự án ICO nào đó. Họ có đội ngũ an toàn AI hàng đầu thế giới. Nếu họ nói “dynamic model adaptation” là an toàn, thì có lẽ họ đã có cơ chế riêng để kiểm soát.
Và họ có thể đúng. Nếu SkillSmith thực sự là một hệ thống truy xuất kỹ năng – model chỉ chọn từ một kho kỹ năng được kiểm toán kỹ lưỡng từ trước – thì rủi ro sẽ thấp hơn đáng kể. Nó giống như một proxy contract trỏ đến các implementation được kiểm tra cẩn thận, và việc “thích nghi” chỉ là chọn đúng implementation cho đúng nhiệm vụ. Trong trường hợp đó, SkillSmith có thể là một bước tiến thực sự giúp giảm chi phí vận hành AI Agent trên blockchain. Các giao thức DeFi có thể tận dụng nó để tự động hóa việc quản lý rủi ro, phát hiện bất thường, mà không cần huấn luyện các mô hình riêng lẻ tốn kém.
Nhưng hãy quay lại với dữ liệu hiện có: 0 thông tin về kiến trúc, 0 bài báo khoa học được trích dẫn, 0 mã nguồn, 0 kết quả benchmark. Một sản phẩm AI tầm cỡ như DeepMind thường ra mắt kèm theo paper hoặc tài liệu kỹ thuật. SkillSmith không có gì. Nó có thể không tồn tại, hoặc mới chỉ là một dự án nghiên cứu nội bộ đang trong giai đoạn thử nghiệm.
Và khi một trang tin crypto – không phải một tạp chí AI – là nguồn duy nhất đưa tin về sản phẩm này, tôi đặt câu hỏi: có ai đó đang cố gắng kể một câu chuyện để giữ nhiệt cho narrative AI Agent, hay thực sự đang mang đến một công nghệ đột phá?
Những lời hứa về AI + crypto với khả năng “tự thích nghi”, “tự trị” đã từng được kể rất nhiều lần trong các chu kỳ trước. Những hệ thống tự trị sẽ thay thế con người. Những oracle thông minh sẽ dự đoán tương lai. Những mô hình học máy sẽ tự tối ưu giao thức của bạn. Mỗi lần, câu chuyện đều hấp dẫn. Mỗi lần, kết cục đều giống nhau – chỉ có một: kết thúc trong im lặng.
Trong thị trường giảm này, sự sống còn quan trọng hơn lợi nhuận. Khi một tin tức AI/Crypto xuất hiện trên một trang tin blockchain, hãy dừng lại. Đặt câu hỏi: tại sao là kênh này? tại sao là thời điểm này? Và hãy kiểm chứng từ nguồn gốc – DeepMind có phát hành paper không? Có thông báo chính thức trên trang chủ Google Research không? Hay chỉ là một trang tin crypto kể một câu chuyện đẹp để giữ chân độc giả?
Khi bạn không thể kiểm chứng một tuyên bố, hãy coi nó như một contract chưa được audit. Không bỏ tiền vào đó. Và hãy nhớ: một con mèo thì có chín mạng, nhưng dòng tiền của bạn thì chỉ có một – và nó đang nằm trong một thị trường không tha thứ cho những ai chỉ tin vào câu chuyện mà không nhìn vào dữ liệu.