7,5 nghìn tỷ USD cho hạ tầng AI: Bản kiểm toán kỹ thuật từ góc nhìn blockchain

Khi tôi mở bản tin của Crypto Briefing về dự báo 7,5 nghìn tỷ USD cho hạ tầng AI từ Goldman Sachs, phản ứng đầu tiên của tôi không phải là sững sờ, mà là một loại nghi ngờ quen thuộc. Trong hai mươi năm quan sát các chu kỳ công nghệ — từ bong bóng dotcom, qua cơn sốt ICO năm 2017, đến làn sóng DeFi Summer năm 2020 — tôi đã học được rằng những con số quá tròn trịa thường ẩn chứa nhiều câu chuyện hơn là dữ liệu. 7,5 nghìn tỷ USD, không phải 7,2 hay 7,8, nghe giống một cột mốc truyền thông hơn là một kết quả từ mô hình kinh tế lượng. Điều khiến tôi chú ý hơn là nơi đăng tải: một trang tin chuyên về tiền mã hóa, chứ không phải một tạp chí tài chính truyền thống. Điều đó đặt ra câu hỏi: liệu chúng ta đang chứng kiến một phân tích đầu tư nghiêm túc, hay một mảnh ghép trong chiến lược kể chuyện của thị trường — nơi những câu chuyện về hạ tầng khổng lồ luôn có sức hấp dẫn đặc biệt với các nhà đầu tư nhỏ lẻ? Không có gì thay thế được việc đọc từng dòng một. Trước khi đi vào chi tiết, cần xác định rõ chúng ta đang nói về cái gì. Hạ tầng AI bao gồm toàn bộ chuỗi cung ứng phần cứng và phần mềm cần thiết để huấn luyện và vận hành các mô hình trí tuệ nhân tạo: chip xử lý đồ họa, chip chuyên dụng, trung tâm dữ liệu, hệ thống điện và làm mát, thiết bị mạng, cùng lớp phần mềm quản lý và phân phối tính toán. Quy mô đầu tư hằng năm toàn cầu vào hạ tầng AI hiện ở mức khoảng 250 đến 300 tỷ USD, trong đó các công ty siêu quy mô như Microsoft, Google, Amazon và Meta chiếm phần lớn. Nếu hiểu dự báo của Goldman Sachs là 7,5 nghìn tỷ USD trong vòng năm năm tính từ 2025, mức chi trung bình mỗi năm sẽ là 1,5 nghìn tỷ USD — gấp năm đến sáu lần hiện tại. Điều đó đồng nghĩa toàn bộ ngành công nghiệp bán dẫn, vốn có doanh thu khoảng 600 tỷ USD mỗi năm, sẽ phải tăng gấp rưỡi chỉ để phục vụ riêng mảng AI. Trong lịch sử blockchain, tôi đã thấy những lời hứa tương tự: các dự án token huy động hàng tỷ USD với tuyên bố xây dựng hạ tầng phi tập trung, để rồi phần lớn không thể thu hồi vốn. Câu chuyện của Goldman Sachs lặp lại khuôn mẫu đó, nhưng ở một quy mô chưa từng thấy. Phần quan trọng nhất của một bản tin như thế này nằm ở việc mổ xẻ những giả định bên trong con số. Dự báo không công bố cơ cấu chi tiết, nhưng dựa trên cấu trúc chi phí điển hình của hạ tầng AI, tôi có thể dựng lại một bức tranh gần đúng. Khoảng 50 đến 60 phần trăm ngân sách dành cho chip — tức từ 3,75 đến 4,5 nghìn tỷ USD. Khoảng 20 đến 30 phần trăm cho xây dựng trung tâm dữ liệu — gồm đất đai, nhà xưởng, hệ thống điện và làm mát — tức 1,5 đến 2,25 nghìn tỷ USD. Mạng lưới kết nối chiếm 10 đến 15 phần trăm; phần mềm và thiết kế hệ thống chiếm 5 đến 10 phần trăm. Với giá bán của một chip NVIDIA B200 vào khoảng 30.000 USD, bốn nghìn tỷ USD có thể mua được khoảng 133 triệu con chip. Mỗi con chip có công suất tính toán khoảng 20 petaFLOPS ở độ chính xác giảm, nên tổng công suất danh nghĩa đạt khoảng 2.660 zettaFLOPS. Không có trung tâm dữ liệu nào đạt hiệu suất sử dụng một trăm phần trăm; hệ số sử dụng trung bình chỉ khoảng 40 đến 50 phần trăm. Công suất hiệu dụng vì thế chỉ còn 1.300 đến 1.500 zettaFLOPS, so với toàn bộ công suất AI hiện tại trên thế giới — vốn chỉ ở mức vài zettaFLOPS. Đây là một bước nhảy vọt đến mức khó có thể hình dung được nó sẽ được sử dụng cho việc gì trong vòng năm năm. Bài toán trở nên nghiêm trọng hơn khi chuyển sang đơn vị vật lý. Mỗi con chip B200 tiêu thụ khoảng một kilowatt khi hoạt động hết công suất. Một trăm ba mươi ba triệu con chip, nếu tất cả hoạt động đồng thời, sẽ tiêu thụ 133 gigawatt. Nhân với 8.760 giờ trong một năm, ta có khoảng 1.160 terawatt-giờ chỉ riêng cho chip — tương đương khoảng 4 phần trăm tổng sản lượng điện toàn cầu. Nếu tính cả hệ thống làm mát và các phụ tải phụ trợ, tỷ lệ này có thể lên tới 10 phần trăm. Không có mạng lưới điện quốc gia nào, trừ một vài trường hợp ngoại lệ, có thể đáp ứng mức tăng trưởng phụ tải 10 phần trăm trong một thập kỷ, chứ chưa nói đến năm năm. Một trung tâm dữ liệu quy mô 100 megawatt cần từ hai đến ba năm để thiết kế và xây dựng, chưa kể thủ tục xin giấy phép; một nhà máy điện mới, nhất là điện hạt nhân, cần từ bảy đến mười năm. Điều này có nghĩa là, ngay cả khi tiền được giải ngân đầy đủ, nguồn điện sẵn có trong giai đoạn 2025-2030 không thể hỗ trợ toàn bộ số chip mà dự báo giả định. Một phần lớn trong số 133 triệu con chip đó sẽ phải nằm trong kho — một dạng tài sản tồn đọng khổng lồ. Điều này đưa tôi đến phép thử tiếp theo: liệu khoản đầu tư này có thể tạo ra đủ doanh thu để không trở thành một khoản lỗ vốn? Nếu tôi bỏ ra 1,5 nghìn tỷ USD mỗi năm vào hạ tầng, hệ thống đó phải tạo ra ít nhất 200 đến 300 tỷ USD lợi nhuận mỗi năm để mang lại lợi suất 15 đến 20 phần trăm — mức kỳ vọng phổ biến của vốn mạo hiểm công nghệ. Điều đó có nghĩa doanh thu từ các ứng dụng AI phải đạt ít nhất 2 đến 3 nghìn tỷ USD mỗi năm vào năm 2030. Hiện tại, toàn bộ thị trường điện toán đám mây — gồm cả các dịch vụ không phải AI — có doanh thu khoảng 600 tỷ USD một năm. Những sản phẩm AI tiêu dùng thành công nhất như ChatGPT mới chỉ mang về vài tỷ USD mỗi năm. Để đạt 2 đến 3 nghìn tỷ USD, thế giới cần hàng trăm sản phẩm AI có quy mô doanh thu như ChatGPT hiện nay, hoặc sự thay thế gần như toàn bộ lực lượng lao động văn phòng bằng AI trong vòng chưa đầy năm năm. Cả hai kịch bản đều đi ngược lại mọi dữ liệu quan sát được về tốc độ chuyển đổi doanh nghiệp. Khi tôi kiểm toán Uniswap v2 năm 2020, tôi phát hiện một lỗi trong cách tính phí đối với token có 18 số thập phân — lỗi không đến từ mã nguồn, mà từ giả định ngầm rằng mọi token đều có cùng cấu hình. Dự báo của Goldman Sachs cũng có một giả định ngầm tương tự: doanh thu AI sẽ tăng tuyến tính cùng với quy mô hạ tầng. Nhưng doanh thu là một hàm phi tuyến của hành vi con người, và hành vi con người thay đổi chậm hơn nhiều so với tốc độ đóng gói chip. Một giả định kỹ thuật quan trọng khác cũng cần được soi xét: niềm tin vào quy luật mở rộng quy mô, hay Scaling Law. Ý tưởng cho rằng mô hình càng lớn, càng thông minh, là nền tảng của mọi khoản chi khổng lồ cho GPU. Nhưng quy luật này không phải là định luật vật lý. Kể từ năm 2023, xu hướng chuyển sang các kiến trúc thưa, mô hình hỗn hợp chuyên gia, và các chip suy luận chuyên dụng đã giúp giảm chi phí vận hành mà không cần tăng kích thước mô hình theo cấp số nhân. Một bước đột phá trong kiến trúc mạng nơ-ron — ví dụ mô hình trạng thái không gian hoặc các phương pháp nén tham số hiệu quả hơn — có thể khiến một phần ba lượng chip dự kiến là thừa thãi. Nếu điều đó xảy ra, không chỉ các nhà đầu tư bị thiệt hại, mà cả các công ty đã cam kết doanh thu của họ với giá trị hạ tầng hiện hữu sẽ phải ghi nhận các khoản khấu hao khổng lồ. Trước đây, khi phân tích CryptoKitties vào năm 2021, tôi đã dành ba ngày để giải mã thuật toán sinh sản và phát hiện ra rằng xác suất di truyền được ghi trong tài liệu không khớp với mã nguồn. Sự khác biệt đó không khiến trò chơi sụp đổ, nhưng nó làm xói mòn lòng tin của những người chơi kỹ lưỡng nhất. Dự báo của Goldman Sachs có thể đang mắc một sai lầm tương tự: tài liệu công bố quá khác so với những gì mà ngành công nghiệp thực sự có thể sản xuất. Điểm phản trực giác mà tôi muốn nhấn mạnh là: con số 7,5 nghìn tỷ USD không nhất thiết là một dự báo; nó có thể là một vũ khí truyền thông. Được đăng tải trên Crypto Briefing, một trang web chuyên về tiền mã hóa, bản tin này dường như đang nhắm đến một cộng đồng rất nhạy cảm với những câu chuyện hạ tầng thay đổi thế giới. Trong lịch sử, những câu chuyện như vậy đã từng thổi phồng vốn hóa của các token không có sản phẩm, biến một báo cáo nghiên cứu thành lời tiên tri trên mạng xã hội. Nhưng mối nguy lớn nhất không nằm ở bong bóng tài chính, mà nằm ở sự tập trung hoá. Một khoản đầu tư 7,5 nghìn tỷ USD không thể được phân bổ dân chủ; nó chắc chắn sẽ nằm trong tay một nhóm nhỏ công ty siêu quy mô, quỹ đầu tư và chính phủ. Tôi đã từng nói rằng delegation làm cho governance tập trung hơn, vì người dùng quá lười tìm hiểu và ủy quyền cho những người có tên tuổi. Ở quy mô vĩ mô, điều tương tự cũng đang diễn ra: khi cộng đồng tin vào câu chuyện của Goldman Sachs, họ đang ủy thác toàn bộ quyền quyết định về tương lai công nghệ cho một nhóm nhà phân tích có thể chưa từng tự viết một dòng mã. Trớ trêu thay, blockchain — công nghệ tôi dành hai thập kỷ để theo đuổi — lại nằm trong số những nơi dễ bị cuốn vào câu chuyện này nhất. Các dự án DePIN, token AI, và nền tảng tính toán phi tập trung sẽ hưởng lợi ngắn hạn từ dòng vốn, nhưng về dài hạn, chúng không thể cạnh tranh với nguồn vốn tập trung của chính phủ và tập đoàn. Khi bong bóng vỡ, chính những dự án yếu nhất sẽ bị cuốn đi trước tiên. Không có gì thay thế được việc đọc từng dòng một — đặc biệt khi dòng đó là một con số hàng nghìn tỷ. Tôi không nói rằng 7,5 nghìn tỷ USD là bất khả thi về mặt kỹ thuật; tôi nói rằng nó đang được kể như một chân lý, trong khi thực chất chỉ là một giả định cần kiểm chứng. Nếu dự báo này sai lệch, hậu quả sẽ không dừng lại ở cổ phiếu công nghệ; nó có thể tạo ra một cuộc thanh lý tài sản AI trên toàn cầu, để lại hàng trăm gigawatt điện tiêu hao mà không tạo ra giá trị bền vững. Tuy nhiên, điều đáng lo ngại hơn cả không phải là việc dự báo sai hay đúng. Điều đáng lo ngại là một thế hệ nhà phát triển sẽ học cách tin vào những con số vĩ mô thay vì tự mình kiểm chứng từng chi tiết kỹ thuật. Khi tôi nhận lời kiểm toán Kyber Network năm 2017, tôi đã dành hai tháng rưỡi để đọc từng dòng mã và phát hiện ra ba lỗi nghiêm trọng trong oracle. Bài học tôi rút ra rất đơn giản: không một báo cáo tài chính nào có thể thay thế việc tự tay vận hành hệ thống. Và tôi tin rằng, giữa một biển các dự báo đầy tham vọng, kỹ năng duy nhất còn giá trị là khả năng đọc từng dòng một — dù đó là dòng mã, dòng dữ liệu, hay dòng chữ nhỏ trong một báo cáo của ngân hàng đầu tư.