Hook
55% tiết kiệm chi phí. Con số này được BMS (Bristol Myers Squibb) tung ra như một con át chủ bài trong bản tin mở rộng hợp tác với Nvidia. Một cú hích cho cổ phiếu? Chắc chắn. Một tín hiệu cho thấy AI đã chính thức chiếm lĩnh phòng thí nghiệm? Có vẻ vậy. Nhưng với tôi, người đã dành 24 năm nhìn vào chu kỳ thanh khoản và những mảnh ghép kỹ thuật bị bỏ qua, con số 55% kia giống như một miếng mồi câu hơn là một chân lý. Nó đặt ra một câu hỏi ngược: nếu Nvidia có thể mang lại hiệu quả như vậy cho một gã khổng lồ dược phẩm, thì tại sao chúng ta vẫn phải chấp nhận một hệ thống tập trung, nơi dữ liệu và thuật toán bị nhốt trong hộp đen? Câu trả lời, tôi tin, nằm ở sự giao thoa giữa AI và blockchain, nơi mô hình “AI Factory” của Nvidia chỉ là bước đệm cho một cuộc cách mạng phi tập trung hơn.
Context
Hãy đặt sự kiện này vào bối cảnh thanh khoản toàn cầu. Năm 2024, Fed vẫn đang trên đà thắt chặt, dòng tiền rẻ từ kỷ nguyên Covid-19 đã cạn. Các quỹ đầu tư mạo hiểm (VC) đang thắt lưng buộc bụng, chỉ tập trung vào những deal có lợi nhuận rõ ràng. Trong bối cảnh đó, BMS - một ông lớn với vốn hóa hơn 100 tỷ USD - quyết định mở rộng “AI Factory” cùng Nvidia không phải là một hành động ngẫu nhiên. Đó là một phản ứng có tính toán: khi chi phí vốn tăng, các tập đoàn phải tìm cách tối ưu hóa hiệu suất R&D. Nvidia cung cấp giải pháp “turnkey” – một gói phần cứng (DGX SuperPOD) và phần mềm (BioNeMo) hứa hẹn cắt giảm 55% chi phí cho một số khối lượng công việc nhất định. Nhưng đằng sau con số đó là một câu chuyện về sự phụ thuộc. BMS đang trao toàn bộ “bộ não” tính toán của mình cho Nvidia, và đổi lại, họ nhận được hiệu quả tức thì. Nghe có vẻ giống như một hợp đồng tốt, nhưng trong thế giới crypto, chúng tôi gọi đó là “centralized point of failure”. Khi tất cả sức mạnh AI tập trung vào một nhà cung cấp, rủi ro về giá cả, bảo mật và kiểm soát dữ liệu sẽ tăng vọt.
Core
1. Phân tích kỹ thuật: 55% tiết kiệm từ đâu?
Dựa trên kinh nghiệm audit của tôi với các giao thức DeFi và Layer2, tôi nhận thấy mô hình “AI Factory” của Nvidia thực chất là một pipeline tối ưu hóa cho các tác vụ cụ thể: mô phỏng động lực học phân tử, sàng lọc ảo, và thiết kế phân tử sinh. Nvidia cung cấp các thư viện tối ưu hóa (TensorRT, Triton Inference Server) và phần cứng chuyên dụng (H100 GPU, NVLink) giúp tăng tốc các tác vụ này lên đến 10-100 lần so với CPU cluster truyền thống. Nhưng câu hỏi là: tác vụ nào? BMS không nói rõ. Trong báo cáo nội bộ năm 2020 về DeFi Summer, tôi đã chỉ ra rằng các con số APY 120% thường đến từ những pool thanh khoản rủi ro cao, và tương tự, 55% tiết kiệm có thể chỉ áp dụng cho một phần nhỏ quy trình R&D (ví dụ: sàng lọc ảo), trong khi các bước khác (thử nghiệm lâm sàng, tổng hợp hóa học) vẫn ngốn chi phí khổng lồ. Điểm mấu chốt là con số này không thể được tổng quát hóa cho toàn bộ quá trình phát triển thuốc.
Hơn nữa, từ góc nhìn blockchain, tôi thấy một sự tương đồng thú vị với các giải pháp Layer2. Nvidia đang xây dựng một “DA layer” (Data Availability) cho dược phẩm – nơi dữ liệu được tập trung và xử lý nhanh chóng. Nhưng giống như 99% rollup không tạo đủ dữ liệu để cần DA chuyên dụng, trong thực tế, hầu hết các tác vụ R&D của BMS có thể được thực hiện hiệu quả trên các giải pháp phân tán với chi phí thấp hơn nếu có sự phối hợp đúng đắn. Nvidia đang bán một giải pháp “all-in-one” cho một vấn đề mà thực chất chỉ cần một phần nhỏ sức mạnh đó.
2. Phân tích dòng chảy dữ liệu: Ai sở hữu dữ liệu đào tạo?
Khi BMS đưa dữ liệu của mình vào BioNeMo, họ đang cung cấp cho Nvidia một kho tàng vô giá: dữ liệu về các phân tử, tương tác protein, kết quả thử nghiệm. Nvidia có thể sử dụng dữ liệu này để cải thiện mô hình nền tảng của mình, và bán lại cho các đối thủ cạnh tranh của BMS. Đây là một rủi ro mà các công ty dược truyền thống thường bỏ qua. Trong thế giới crypto, chúng tôi gọi đó là “data sovereignty”. Các giao thức như Ocean Protocol cho phép người dùng kiểm soát và kiếm tiền từ dữ liệu của họ thông qua các hợp đồng thông minh. Nếu BMS sử dụng một nền tảng phi tập trung để chia sẻ dữ liệu đào tạo với các công ty AI khác dưới dạng token hóa, họ có thể vừa tiết kiệm chi phí vừa giữ được quyền sở hữu trí tuệ. Mô hình của Nvidia là “closed garden” – một khu vườn đóng kín, nơi người dùng là người gieo hạt nhưng không được thu hoạch hoa màu.
3. Phân tích tài chính: Chi phí thực sự của AI Factory
Một cụm DGX SuperPOD với hàng trăm GPU H100 có giá từ 10 triệu đến 50 triệu USD, chưa kể chi phí vận hành (điện, làm mát, nhân sự). BMS có thể tiết kiệm 55% trên một số workloads, nhưng nếu tính tổng đầu tư, thời gian hoàn vốn có thể kéo dài 3-5 năm. Trong một thị trường tăng giá của crypto, tôi đã thấy các dự án DeFi chi hàng triệu USD cho phần cứng để đạt được TPS cao, nhưng cuối cùng lại thất bại vì không có đủ người dùng. Tương tự, BMS có thể đang đầu tư quá mức vào một cơ sở hạ tầng mà lợi ích biên sẽ giảm dần khi các mô hình AI trở nên hiệu quả hơn hoặc khi các giải pháp đám mây giá rẻ hơn xuất hiện.
Contrarian
Luận điểm phản trực giác: Mô hình AI phi tập trung có thể mang lại hiệu quả cao hơn 55% trong dài hạn.
Hãy tưởng tượng một mạng lưới các nút tính toán phân tán, mỗi nút đóng góp GPU nhàn rỗi để chạy các mô phỏng dược phẩm, và được thưởng bằng token. Các nhà nghiên cứu từ khắp nơi trên thế giới có thể tải lên các thuật toán của họ, và kết quả được xác thực bởi các hợp đồng thông minh. Đây chính là tầm nhìn của các dự án như iExec, Golem, hoặc Render Network, nhưng áp dụng vào drug discovery. Nếu BMS tham gia vào một mạng như vậy, họ không chỉ tiết kiệm chi phí phần cứng mà còn truy cập được vào một kho tàng trí tuệ tập thể. Các nhà khoa học trên toàn cầu có thể đóng góp các mô hình mới, và các kết quả được ghi lại vĩnh viễn trên blockchain, tạo ra một kho dữ liệu phi tập trung có thể kiểm chứng. Điều này trái ngược hoàn toàn với mô hình “AI Factory” tập trung của Nvidia, nơi mọi thứ đều tối ưu nhưng lại bị đóng kín.
Một điểm yếu của mô hình tập trung là khả năng mở rộng. Nếu BMS muốn tăng gấp đôi sức mạnh tính toán, họ phải mua thêm GPU và xây dựng thêm cụm. Trong khi đó, một mạng lưới phi tập trung có thể mở rộng một cách linh hoạt bằng cách thu hút thêm các nhà cung cấp tính toán. Trong bối cảnh lạm phát và chi phí vốn cao, việc thuê ngoài sức mạnh tính toán từ các nút phân tán lại trở nên kinh tế hơn so với đầu tư tập trung. Đây chính là lý do khiến các giao thức DeFi như Aave và Compound thành công: họ sử dụng thanh khoản phân tán thay vì tập trung vào một bảng cân đối kế toán duy nhất.
Takeaway
Sự hợp tác giữa BMS và Nvidia là một bước tiến lớn cho AI trong dược phẩm, nhưng nó cũng phơi bày những hạn chế của mô hình tập trung. 55% tiết kiệm chi phí không phải là con số cuối cùng, mà là một lời hứa hẹn về một tương lai nơi AI và blockchain có thể kết hợp để tạo ra một hệ thống nghiên cứu minh bạch, hiệu quả và dễ tiếp cận hơn. Liệu BMS có dám bước ra khỏi “khu vườn đóng kín” của Nvidia để tham gia vào một hệ sinh thái mở? Câu trả lời, tôi nghĩ, nằm ở áp lực từ các nhà đầu tư và sự trưởng thành của các giao thức Web3. Khi dòng tiền trở nên khan hiếm hơn, việc tối ưu hóa chi phí thông qua các giải pháp phi tập trung sẽ trở nên hấp dẫn hơn bao giờ hết. Còn bây giờ, hãy coi 55% kia như một tín hiệu đầu tiên của một cuộc chuyển đổi lớn hơn nhiều.