BitTorrent tiến quân vào AI: BTTInferGrid xây dựng mạng lưới sức mạnh tính toán suy luận AI phi tập trung

Khi AI Agent được ứng dụng vào các tình huống phức tạp như quy trình làm việc doanh nghiệp, sản xuất tự động và thực thi tự chủ, ngành AI toàn cầu chính thức bước vào giai đoạn mới, từ "phản ứng thụ động" sang "thực thi tự chủ". Cốt lõi của cạnh tranh trong ngành đã không còn là cuộc đua về tham số mô hình lớn, mà chuyển sang khả năng thực thi thực tế. Khả năng suy luận logic mạnh mẽ chính là nền tảng hỗ trợ cho sự chuyển đổi này.

Sự thay đổi mô hình trong các tình huống ứng dụng cũng kéo theo sự thay đổi căn bản về nhu cầu cơ sở hạ tầng tính toán thượng nguồn: Trọng tâm tiêu thụ sức mạnh tính toán đang chuyển dịch bền vững từ huấn luyện mô hình sang suy luận ứng dụng. Xu hướng này là không thể đảo ngược. Tuy nhiên, các hệ thống tính toán tập trung hiện tại, khi đối mặt với các yêu cầu suy luận khổng lồ, tần suất cao và biến động đỉnh-valley mạnh, bộc lộ các vấn đề như chi phí vận hành cao, khả năng mở rộng đàn hồi yếu và tính ổn định dịch vụ không đủ. Toàn bộ ngành AI đang gặp phải nút thắt cổ chai về nguồn cung sức mạnh tính toán.

Vào ngày 17 tháng 6, hệ sinh thái truyền tải phi tập trung lâu đời BitTorrent đã ra mắt sản phẩm chiến lược, BTTInferGrid, nhắm vào mảng suy luận AI để xây dựng một mạng lưới tính toán phi tập trung. Nền tảng này, dựa trên kiến trúc phân tán phi tập trung, tập hợp hiệu quả các nguồn lực GPU nhàn rỗi rải rác trên toàn cầu, phá vỡ rào cản kết nối giữa nguồn cung cấp tài nguyên và các nhà phát triển AI, cung cấp dịch vụ sức mạnh tính toán suy luận AI mở, dễ dàng truy cập, kết quả tính toán có thể xác minh trên chuỗi và tính phí linh hoạt theo mức sử dụng.

Dựa trên lợi thế công nghệ phi tập trung, BTTInferGrid không chỉ bù đắp những thiếu sót của tính toán tập trung truyền thống trong các tình huống đồng thời cao và tải biến động, mà còn đạt được một bước đột phá vượt bậc ở phía cung cấp sức mạnh tính toán, tái cấu trúc toàn bộ logic phân bổ và luân chuyển tài nguyên của hệ sinh thái tính toán.

Đồng thời, BTTInferGrid là sản phẩm chiến lược được nâng cấp từ dịch vụ BTFS hiện có của BitTorrent. Đây không chỉ là sự mở rộng quan trọng khả năng điều phối tài nguyên phi tập trung mà BitTorrent đã phát triển trong nhiều năm, từ lĩnh vực lưu trữ sang lĩnh vực sức mạnh tính toán, mà còn là nước cờ then chốt trong việc bố trí mảng AI phi tập trung.

Cấu trúc nhu cầu sức mạnh tính toán chuyển từ "Huấn luyện" sang "Suy luận": BTTInferGrid tái cấu trúc nguồn cung sức mạnh tính toán suy luận AI theo cách phi tập trung 

BTTInferGrid hy vọng sẽ tái cấu trúc hệ thống cung cấp sức mạnh tính toán thông qua mô hình phi tập trung, giải quyết các vấn đề như chi phí tính toán suy luận AI quá cao và thiếu hụt nguồn cung, đồng thời giảm chi phí và tăng hiệu quả, nâng cao hiệu quả suy luận mô hình lớn, từ đó cung cấp cơ sở hạ tầng tính toán hiệu suất cao, độ đàn hồi cao và chi phí hợp lý cho ngành.

Nếu như 2024 đến 2025 là "cuộc chiến ngàn mô hình" và cuộc chạy đua tham số do các cụm vạn thẻ thống trị trong ngành AI, thì đến năm 2026, với việc triển khai quy mô lớn của AI Agent, AI chính thức bước vào "Kỷ nguyên suy luận" bùng nổ ứng dụng quy mô lớn. Suy luận AI là mắt xích quan trọng để giá trị mô hình hiện thực hóa; nó chuyển đổi "mô hình đã được huấn luyện" thành các ứng dụng thực tế, giá trị thương mại và dịch vụ hàng ngày. Nói một cách đơn giản, huấn luyện là "dạy AI học", suy luận là "để AI được sử dụng trong thực tế" - ví dụ, một chiếc xe tự lái nhận biết biển báo dừng trên một con đường chưa từng đi qua là một hành vi suy luận điển hình. Khả năng suy luận ảnh hưởng trực tiếp đến trải nghiệm người dùng, chi phí vận hành và giá trị thương mại của các sản phẩm AI.

Ngành công nghiệp đã đạt được sự đồng thuận rộng rãi rằng trong tương lai, hơn 70% tài nguyên tính toán sẽ được sử dụng cho các tình huống suy luận. Oracle từng dự đoán rằng quy mô thị trường tính toán suy luận cuối cùng sẽ vượt qua tính toán huấn luyện. Viện sĩ Trịnh Duy Dân của Học viện Kỹ thuật Trung Quốc cũng chỉ ra rằng phần lớn sức mạnh tính toán hiện tại được tiêu thụ trong các tương tác hàng ngày giữa người dùng và các mô hình lớn. Về cơ cấu chi phí, trong chi phí suy luận mô hình lớn, nhân lực chỉ chiếm 3%, dữ liệu chiếm 2%, và sức mạnh tính toán chiếm tới 95%; chi phí tính toán cho các ứng dụng hàng đầu là rất đáng kể, với chi phí suy luận hàng ngày của ChatGPT khoảng 700.000 USD và DeepSeek V3 cũng đạt 87.000 USD.

Khi nhu cầu sức mạnh tính toán AI mở rộng từ tính toán tập trung của một số gã khổng lồ công nghệ sang các kịch bản suy luận thương mại của hàng triệu nhà phát triển trong mọi ngành nghề, các tiêu chí đánh giá cơ sở hạ tầng cốt lõi cũng thay đổi. Trong kỷ nguyên huấn luyện, các nhà phát triển chủ yếu quan tâm đến quy mô và hiệu quả tập trung của sức mạnh tính toán. Bước vào kỷ nguyên suy luận, các dịch vụ AI phục vụ trực tiếp cho người dùng cuối hàng loạt, với hàng trăm tỷ tương tác mỗi ngày tạo ra lượng tiêu thụ sức mạnh tính toán khổng lồ, sự chú ý của các nhà phát triển đã chuyển sang chi phí cho mỗi lần gọi, tốc độ phản hồi và độ ổn định của dịch vụ. Ngày nay, nguồn cung sức mạnh tính toán, chi phí gọi và khả năng sẵn sàng dịch vụ đã trở thành tiêu chí cốt lõi để đánh giá cơ sở hạ tầng AI và cũng là yếu tố then chốt quyết định liệu các ứng dụng AI có thể được triển khai thành công hay không.

Tuy nhiên, khi đối mặt với nhu cầu suy luận tăng theo cấp số nhân, những thiếu sót của hệ thống tính toán tập trung chính thống ngày càng trở nên rõ ràng: Giá thuê GPU liên tục tăng, nền tảng dịch vụ thường xuyên ngừng hoạt động, và nhiều ứng dụng AI buộc phải đóng cửa vì chi phí tính toán. Những vấn đề này tập trung ở ba khía cạnh sau:

Thứ nhất, tính linh hoạt của việc điều phối sức mạnh tính toán không đủ để đối phó với sự thay đổi của lưu lượng truy cập đỉnh-valley, dẫn đến tình trạng khó xử giữa chi phí và độ ổn định: Mặc dù các công ty AI hàng đầu và nhà cung cấp đám mây tiếp tục tăng cường đầu tư vào cơ sở hạ tầng tính toán, nhu cầu suy luận tăng nhanh và thể hiện các đặc điểm đỉnh-valley rõ rệt - khối lượng yêu cầu có thể tăng đột biến gấp mười lần trong giờ làm việc hoặc giờ cao điểm tiếp thị vào ban ngày; và giảm mạnh vào đêm khuya. Các trung tâm dữ liệu tập trung thiếu khả năng điều phối linh hoạt và khó thích ứng với những thay đổi năng động này: nếu cấu hình theo đỉnh, chi phí khấu hao trong thời gian thấp điểm sẽ cao; nếu cấu hình theo mức trung bình, dịch vụ sẽ bị gián đoạn trong thời gian cao điểm, rơi vào tình thế khó xử giữa "chi phí cao" và "độ ổn định thấp". Đồng thời, tính toán tập trung còn phải cộng thêm nhiều lớp chi phí như xây dựng trung tâm dữ liệu, điện năng, vận hành và bảo trì, lợi nhuận thương mại, dẫn đến chi phí tính toán cao, làm giảm đáng kể không gian thử nghiệm cho các nhóm đổi mới vừa và nhỏ. Thị trường đang rất cần các giải pháp mới kết hợp lợi thế về chi phí và khả năng điều phối linh hoạt.

Thứ hai, giá thuê GPU tiếp tục tăng, chi phí cao cản trở việc đổi mới và triển khai của các doanh nghiệp vừa và nhỏ và các nhà phát triển: Mặc dù các mô hình nguồn mở lớn (như Qwen, DeepSeek, v.v.) đã hạ thấp rào cản gia nhập trong lĩnh vực AI, việc triển khai và vận hành các mô hình vẫn phụ thuộc vào sức mạnh tính toán suy luận ổn định, giá rẻ và dễ dàng truy cập. Nhưng thực tế là phí thuê GPU ngày càng tăng. Lấy thẻ H100 chính thống làm ví dụ, giá thuê theo giờ cho một thẻ đã tăng từ 1,70 USD vào tháng 10 năm 2025 lên 2,35 USD vào tháng 3 năm 2026, mức tăng gần 40% trong nửa năm. Chi phí cao đã khiến nhiều nhà phát triển cá nhân và doanh nghiệp vừa và nhỏ có giải pháp chất lượng phải chùn bước, rơi vào tình trạng khó xử "có mô hình, không có sức mạnh tính toán", kìm hãm nghiêm trọng sự đổi mới và phát triển quy mô của ngành AI.

Thứ ba, một lượng lớn tài nguyên GPU nhàn rỗi trên toàn cầu không được sử dụng hiệu quả, dẫn đến sự mất cân đối nghiêm trọng giữa cung và cầu: Trái ngược hoàn toàn với "cơn khát sức mạnh tính toán" trên thị trường, có một lượng lớn tài nguyên GPU hiệu suất cao nhàn rỗi trên toàn cầu, nằm rải rác trong các thiết bị cá nhân, phòng thí nghiệm đại học, trung tâm dữ liệu nhỏ và các cơ sở hạ tầng còn sót lại từ quá trình chuyển đổi tiền điện tử. Do thiếu các kênh truy cập tiêu chuẩn hóa và công cụ điều phối hiệu quả, sức mạnh tính toán này không thể tham gia vào thị trường suy luận chính thống, tạo ra tình trạng mâu thuẫn "khó tìm thẻ" ở phía cầu và "sức mạnh tính toán ngủ đông" ở phía cung. Có một khoảng trống rất lớn để cải thiện tỷ lệ sử dụng tài nguyên, và mâu thuẫn mất cân đối cung cầu cần được giải quyết khẩn cấp.

Tóm lại, thị trường sức mạnh tính toán suy luận AI hiện đang phải đối mặt với ba tình thế khó khăn về cấu trúc: Một bên là nguồn cung tập trung không thể cân bằng giữa chi phí và tính linh hoạt, một bên là giá thuê sức mạnh tính toán tăng vọt kìm hãm sự đổi mới AI, và một bên nữa là một lượng lớn tài nguyên GPU nhàn rỗi vẫn đang ngủ đông trong một thời gian dài mà không được kích hoạt. Đối mặt với hàng loạt vấn đề ngành này, BTTInferGrid, dựa trên công nghệ phi tập trung, mang đến một giải pháp hoàn toàn mới để phá vỡ tình trạng khó xử về mất cân đối cung cầu sức mạnh tính toán.

BTTInferGrid nhằm mục đích kết nối hiệu quả các tài nguyên GPU nhàn rỗi phân tán trên toàn cầu với vô số nhà phát triển AI thông qua phương thức phi tập trung, về cơ bản phá vỡ sự độc quyền và nút thắt cổ chai của tính toán tập trung. Một mặt, nền tảng tích hợp các tài nguyên GPU nhàn rỗi rải rác để xây dựng cơ sở hạ tầng tính toán mở và chia sẻ; mặt khác, nó mở ra các kênh kết nối giữa phía cung và phía cầu, loại bỏ các rào cản gia nhập và hộp đen định giá của các mô hình tập trung truyền thống. Đồng thời, dựa vào cơ chế khuyến