Giám đốc điều hành Perle Labs Ahmed Rashad nói về lý do AI cần hạ tầng dữ liệu có thể xác minh

Các AI agent đã chiếm lĩnh ETHDenver 2026, từ lĩnh vực tài chính tự động tới robot on-chain. Nhưng khi sự quan tâm dành cho “nền kinh tế agentic” ngày càng tăng, một câu hỏi khó hơn đang trở nên rõ ràng: Liệu các tổ chức có thể chứng minh những gì mà hệ thống AI của họ đã được đào tạo hay không?

Một trong những startup đang giải quyết vấn đề này là Perle Labs, công ty cho rằng hệ thống AI cần có một chuỗi kiểm chứng rõ ràng về nguồn gốc dữ liệu đào tạo, đặc biệt trong môi trường có quy định chặt chẽ hoặc rủi ro cao. Tập trung xây dựng hạ tầng dữ liệu có thể kiểm toán và xác thực dành cho các tổ chức, Perle đã huy động được 17.5 triệu USD tính tới hiện tại, với vòng gọi vốn mới nhất dẫn dắt bởi Framework Ventures. Ngoài ra còn có sự tham gia của CoinFund, Protagonist, HashKey và Peer VC. Công ty cho biết đã có hơn 1 triệu người chú thích dữ liệu, đóng góp hơn 1 tỷ dữ liệu được đánh giá trên nền tảng của mình.

BeInCrypto đã có cuộc trò chuyện với Ahmed Rashad, CEO của Perle Labs, bên lề sự kiện ETHDenver 2026. Trước đây, Rashad từng giữ vai trò lãnh đạo vận hành ở Scale AI trong thời kỳ phát triển thần tốc của công ty này. Trong cuộc trao đổi, ông chia sẻ về nguồn gốc dữ liệu, nguy cơ AI bị lỗi mô hình, rủi ro tác động tiêu cực và lý do ông tin rằng “trí tuệ chủ quyền” sẽ là điều kiện tiên quyết để AI có thể ứng dụng vào các hệ thống quan trọng.

BeInCrypto: Ông mô tả Perle Labs là “lớp trí tuệ chủ quyền cho AI.” Với độc giả không chuyên về hạ tầng dữ liệu, điều này thực tế có nghĩa là gì?

Ahmed Rashad: “Chúng tôi dùng từ ‘chủ quyền’ là có chủ đích, và nó gồm nhiều tầng nghĩa khác nhau.

Nghĩa đầu tiên và rõ ràng nhất là quyền kiểm soát. Nếu bạn là một chính phủ, một bệnh viện, một nhà thầu quốc phòng hoặc một doanh nghiệp lớn triển khai AI ở môi trường có rủi ro cao, bạn cần phải nắm toàn quyền về nguồn trí tuệ đứng đằng sau hệ thống đó thay vì phụ thuộc vào một “hộp đen” mà mình không thể kiểm tra hay kiểm toán. Chủ quyền ở đây có nghĩa là bạn biết AI của mình được đào tạo từ dữ liệu nào, ai đã xác thực dữ liệu đó và quan trọng nhất là bạn chứng minh được điều này. Phần lớn ngành công nghiệp hiện nay chưa làm được điều này.

Nghĩa thứ hai là sự độc lập. Tức là hoạt động mà không bị tác động từ bên ngoài. Đây chính là điều các tổ chức như Bộ Quốc phòng Mỹ (DoD) hay các doanh nghiệp đòi hỏi khi triển khai AI vào các lĩnh vực nhạy cảm. Bạn không thể để hạ tầng AI quan trọng của mình dựa vào nguồn dữ liệu mà mình không kiểm soát, không thể xác minh hay phòng chống việc bị sửa đổi. Đây hoàn toàn không phải rủi ro lý thuyết. NSA và CISA đều đã đưa ra hướng dẫn vận hành về các lỗ hổng trong chuỗi cung ứng dữ liệu được xem là vấn đề liên quan an ninh quốc gia.

Nghĩa thứ ba là trách nhiệm. Khi AI không chỉ tạo ra nội dung mà còn đưa ra quyết định về y tế, tài chính, quân sự, phải có ai đó trả lời được: nguồn trí tuệ từ đâu mà ra? Ai xác minh điều này? Ghi nhận này có vĩnh viễn hay không? Ở Perle, chúng tôi hướng tới việc mỗi đóng góp của chuyên gia chú thích đều được ghi nhận on-chain, không thể thay đổi. Chính sự bất biến đó mới khiến “chủ quyền” không chỉ là một ý tưởng mà trở thành sự thật.

Về thực tế, chúng tôi đang xây dựng một lớp kiểm chứng và xác thực thông tin. Nếu một bệnh viện triển khai hệ thống AI chẩn đoán, họ phải lần ngược từng dữ liệu đào tạo về đúng chuyên gia được cấp chứng chỉ đã xác minh dữ liệu đó. Đó chính là “trí tuệ chủ quyền” mà chúng tôi muốn nói tới.”

BeInCrypto: Ông từng làm việc tại Scale AI trong giai đoạn phát triển thần tốc, gồm cả hợp đồng với quốc phòng và khoản đầu tư từ Meta. Những trải nghiệm đó giúp ông hiểu gì về những điểm yếu của mô hình dữ liệu AI truyền thống?

Ahmed Rashad: “Scale là một công ty tuyệt vời. Tôi ở đó trong giai đoạn công ty tăng trưởng từ 90 triệu USD lên tận 29 tỷ USD, mọi thứ dần hình thành, và tôi nhìn tận mắt những chỗ bắt đầu xuất hiện vết nứt.

Vấn đề lớn nhất là giữa chất lượng dữ liệu và quy mô luôn mâu thuẫn. Khi tăng trưởng 100 lần, áp lực luôn là phải làm nhanh: thêm dữ liệu, gắn nhãn nhanh hơn, giảm chi phí cho mỗi nhãn. Và điều phải đánh đổi là độ chính xác và trách nhiệm. Cuối cùng, bạn có một chuỗi dữ liệu mập mờ: chỉ biết tương đối những gì đưa vào, có một số chỉ số về kết quả, nhưng phần ở giữa rất mù mờ. Ai đã xác thực dữ liệu này? Người đó thực sự đủ trình độ không? Việc gắn nhãn đã nhất quán chưa? Những câu hỏi đó gần như không trả lời được khi công ty phát triển quá lớn theo cách truyền thống.

Bài học thứ hai tôi rút ra là yếu tố con người hầu như luôn chỉ được xem như chi phí cần giảm, chứ không phải năng lực cần phát triển. Mô hình kiểu “trả tiền theo nhiệm vụ” và tối ưu số lượng về lâu dài chỉ làm giảm chất lượng. Và nó sẽ loại bỏ dần những cộng tác viên giỏi nhất. Những người đủ trình độ để cung cấp dữ liệu chuyên môn cao không phải là những người sẽ dành thời gian làm hệ thống nhiệm vụ nhỏ trả vài đồng lẻ. Nếu muốn nhận được sự đóng góp chất lượng vậy, bạn phải xây dựng một cách khác.

Đó cũng chính là điều mà Perle hướng tới. Vấn đề dữ liệu không đơn giản chỉ là tăng thêm số người làm. Mà là coi người đóng góp như những chuyên gia thực thụ, xây quy trình xác thực đầy đủ và cho phép kiểm toán mọi thứ từ đầu tới cuối.”

BeInCrypto: Nền tảng của bạn đã đạt mốc 1 triệu annotator và chấm điểm trên 1 tỷ dữ liệu. Hầu hết các nền tảng gán nhãn dữ liệu đều dựa vào lao động ẩn danh. Điều gì khiến mô hình đánh giá danh tiếng trên nền tảng của bạn khác biệt?

Ahmed Rashad: “Sự khác biệt cốt lõi là trên Perle, lịch sử công việc của bạn thuộc về chính bạn và được lưu trữ vĩnh viễn. Mỗi khi hoàn thành một nhiệm vụ, ghi nhận về đóng góp đó, chất lượng đạt được, so với sự đồng thuận của chuyên gia ra sao – đều được ghi lại on-chain. Không ai có thể sửa, xóa hay chuyển nhượng. Lâu dần, nó trở thành bằng chứng chuyên môn có giá trị tăng dần.

Khác với mô hình lao động ẩn danh, nơi mỗi người chỉ là “có cũng được – không có cũng không sao”, không chịu trách nhiệm về chất lượng vì không có danh tiếng, việc nào cũng rời rạc. Cách khuyến khích kiểu này chỉ cho ra kết quả tối thiểu.

Mô hình của chúng tôi thì ngược lại. Người đóng góp sẽ xây dựng được hồ sơ uy tín có thể kiểm chứng. Nền tảng đánh giá đúng chuyên môn. Ví dụ, một bác sĩ chẩn đoán hình ảnh luôn cung cấp dữ liệu chất lượng cao sẽ xây dựng được hồ sơ chuyên gia của mình. Danh tiếng này sẽ giúp họ được chọn những công việc giá trị hơn, thu nhập tốt hơn, được làm những nhiệm vụ ý nghĩa hơn. Tức là chất lượng sẽ tích lũy nhờ động lực hợp lý.

Chúng tôi đã vượt mốc 1 tỷ điểm dữ liệu được đánh giá qua mạng lưới annotator của mình. Không chỉ là con số về khối lượng, mà đó là 1 tỷ đóng góp dữ liệu của người thật, có thể truy xuất tận gốc. Đó là nền móng cho dữ liệu huấn luyện AI đáng tin cậy, và không thể sao chép bằng mô hình lao động ẩn danh.”

BeInCrypto: Lỗi “model collapse” được giới nghiên cứu đề cập nhiều nhưng ít khi xuất hiện trên truyền thông AI đại chúng. Vì sao theo ông lại như vậy, và liệu mọi người có nên quan tâm không?

Ahmed Rashad: “Lý do là vì đây là một rủi ro phát triển chậm, không ồn ào như các sự kiện nổi bật khác. “Model collapse” là hiện tượng hệ thống AI ngày càng được đào tạo chủ yếu dựa trên dữ liệu do AI sinh ra chứ không phải con người, dẫn đến chất lượng suy giảm, mất đi sự sắc nét và càng lúc càng giống nhau – hiện tượng này không tạo ra ‘sự kiện’ rõ rệt cho truyền thông. Nó chỉ làm chất lượng xấu dần mà người ta dễ bỏ qua cho đến khi hậu quả đã nghiêm trọng.

Về cơ bản, internet đang dần ngập tràn nội dung do AI tạo ra. Những mô hình AI được huấn luyện trên chính các dữ liệu ấy càng ngày càng học dựa vào kết quả do “chính mình” đưa ra thay vì kinh nghiệm hoặc kiến thức thực tế của con người. Mỗi thế hệ mới sẽ khuếch đại lí do sai lệch của thế hệ trước đó, tạo thành một vòng lặp không có điểm dừng tự nhiên.

Liệu có đáng quan tâm hơn không? Theo tôi là có, đặc biệt ở các lĩnh vực quan trọng. Khi “model collapse” ảnh hưởng đến thuật toán gợi ý nội dung thì tệ nhất là bạn bị gợi ý thứ không phù hợp thôi. Nhưng nếu nó tác động đến hệ thống chẩn đoán y tế, máy suy luận pháp lý, hay công cụ tình báo quốc phòng thì mức độ nguy hiểm lại hoàn toàn khác. Rất khó chấp nhận bất cứ sự suy giảm chất lượng nào.”

Đây là lý do tại sao lớp dữ liệu được xác thực bởi con người không thể xem là tùy chọn khi AI bắt đầu phát triển vào các hạ tầng quan trọng. Chúng ta cần liên tục có một nguồn trí tuệ thực sự, đa dạng từ con người để huấn luyện AI; chứ không phải chỉ dùng dữ liệu do AI khác tạo ra rồi dùng lại. Hiện tại, chúng tôi có hơn một triệu người kiểm duyệt có chuyên môn thực sự trong nhiều lĩnh vực khác nhau. Sự đa dạng này chính là giải pháp để ngăn chặn AI bị ‘sụp đổ’ mô hình. Bạn không thể giải quyết vấn đề này chỉ bằng dữ liệu nhân tạo hay dùng thêm sức mạnh tính toán.”

BeInCrypto: Khi AI mở rộng từ môi trường số sang các hệ thống vật lý, về cơ bản thì rủi ro, trách nhiệm và tiêu chuẩn phát triển thay đổi như thế nào?

Ahmed Rashad: Điểm thay đổi quan trọng là không thể đảo ngược. Một mô hình ngôn ngữ trả lời sai thì bạn vẫn có thể sửa, đánh dấu hoặc bỏ qua. Nhưng, nếu một hệ thống robot phẫu thuật hoạt động sai, một xe tự lái nhận diện nhầm hoặc một drone nhắm nhầm mục tiêu, thì hậu quả sẽ không thể quay lại như ban đầu. Khi đó, lỗi không chỉ gây bối rối mà còn có thể thành thảm họa.

Chính điều này bắt buộc chúng ta phải áp dụng các tiêu chuẩn khác. Trong môi trường số, AI thường được phát triển rất nhanh và có thể tự điều chỉnh. Nhưng với các hệ thống vật lý, cách tiếp cận đó là không phù hợp. Toàn bộ dữ liệu dùng để huấn luyện cần được kiểm định kỹ trước khi sử dụng thực tế, chứ không phải đợi có sự cố rồi mới kiểm tra lại.

Vấn đề trách nhiệm cũng thay đổi. Trong môi trường số, trách nhiệm khá dễ bị làm mờ, như là do vòng đời của mô hình, do dữ liệu hay do khâu triển khai. Nhưng với hệ thống vật lý, đặc biệt là khi gây thiệt hại đến con người, các cơ quan quản lý sẽ yêu cầu trả lời cụ thể: Ai huấn luyện? Dùng dữ liệu nào? Ai xác nhận dữ liệu đó và theo tiêu chuẩn gì? Những công ty, tổ chức nào có thể chứng minh rõ ràng những điều đó thì mới được phép hoạt động. Ngược lại, ai không rõ ràng thì sẽ gặp rủi ro pháp lý không lường trước.

Chúng tôi tạo ra Perle để phục vụ đúng chuyển đổi này. Dữ liệu được xác thực bởi chuyên gia, có thể kiểm tra trên chuỗi. Khi AI hoạt động trong nhà kho, phòng phẫu thuật, hay trên chiến trường, lớp trí tuệ bên dưới cần đạt tiêu chuẩn rất khắt khe. Đó là điều mà chúng tôi đang xây dựng.

BeInCrypto: Hiện nay rủi ro về việc trộn lẫn hoặc phá hoại dữ liệu trong hệ thống AI, đặc biệt ở cấp quốc gia nghiêm trọng đến mức nào?

Ahmed Rashad: “Rủi ro này thực sự tồn tại, đã được ghi nhận thực tế và hiện đã trở thành ưu tiên về an ninh quốc gia đối với những người nắm thông tin mật về vấn đề này.

Chương trình GARD của DARPA (Bảo đảm độ vững chắc của AI trước tấn công lừa đảo) đã mất nhiều năm để phát triển các biện pháp bảo vệ chống lại các cuộc tấn công nhằm vào AI, trong đó có cả việc phá hoại dữ liệu huấn luyện (data poisoning). Năm 2025, NSA và CISA cũng đã từng cảnh báo cùng nhau về lỗ hổng trong chuỗi cung ứng dữ liệu và rủi ro dữ liệu huấn luyện bị chỉnh sửa ác ý là mối đe dọa thực sự đối với tính toàn vẹn của hệ thống AI. Đây không chỉ là lý thuyết mà là hướng dẫn thực tế từ các cơ quan hiếm khi đưa ra cảnh báo về rủi ro giả định.

Bề mặt tấn công thực sự rất rộng. Nếu kẻ xấu kiểm soát được dữ liệu huấn luyện cho các hệ thống AI dùng cho nhận diện mối nguy, chẩn đoán y tế hoặc tối ưu vận chuyển, thì kẻ đó không cần xâm nhập vào hệ thống AI trực tiếp mà đã có thể thay đổi cách AI nhìn nhận thế giới rồi. Loại tấn công này vừa tinh vi, vừa khó phát hiện hơn hẳn so với các phương thức tấn công mạng truyền thống.

Hợp đồng trị giá 300 triệu USD giữa Scale AI và Bộ Quốc phòng Mỹ (thông qua CDAO) để triển khai AI trên các mạng lưới bảo mật tuyệt mật là một phần phản ánh sự nhận thức rõ ràng của chính phủ: Không thể dùng AI được huấn luyện từ dữ liệu công cộng chưa xác thực cho những môi trường nhạy cảm. Lúc này, vấn đề nguồn gốc dữ liệu không còn chỉ là lý thuyết mà là yêu cầu vận hành thực tế.

Điều ít người nhắc đến là vấn đề này không chỉ của chính phủ. Bất kỳ doanh nghiệp nào ứng dụng AI trong môi trường cạnh tranh, như tài chính, dược phẩm, hạ tầng trọng yếu, đều có nguy cơ bị lộ lọt dữ liệu mà họ chưa kiểm soát hết. Mối đe dọa là có thật. Và các biện pháp bảo vệ hiện vẫn đang tiếp tục được phát triển.”

BeInCrypto: Vậy tại sao chính phủ hoặc các công ty lớn lại không tự xây dựng lớp xác thực dữ liệu? Khi ai đó phản biện vậy thì câu trả lời thực sự là gì?

Ahmed Rashad: “Có những nơi đã thử. Và ai thử rồi thì sớm nhận ra đâu mới là bài toán thực sự.

Xây dựng nền tảng công nghệ không khó. Cái khó là mạng lưới chuyên gia chất lượng. Việc có được những chuyên gia xác thực, được kiểm duyệt kỹ càng, như bác sĩ chẩn đoán hình ảnh, nhà ngôn ngữ học, chuyên gia pháp lý, kỹ sư, nhà khoa học… không đơn giản chỉ là tạo ra một hệ thống rồi họ sẽ tự tham gia. Bạn phải tìm kiếm, kiểm tra trình độ, xây dựng cơ chế khuyến khích phù hợp để họ đóng góp lâu dài, đồng thời phải có cơ chế đánh giá chất lượng để đảm bảo giá trị thật sự trên diện rộng. Những điều này mất nhiều năm xây dựng và đòi hỏi chuyên môn mà phần lớn các cơ quan hoặc doanh nghiệp không có sẵn.

Điểm khó thứ hai là sự đa dạng. Một cơ quan chính phủ tự xây dựng hệ thống xác thực thì nguồn lực thường bị giới hạn và đôi khi còn khá đồng nhất. Giá trị của mạng lưới chuyên gia toàn cầu nằm ở sự đa dạng về góc nhìn, ngôn ngữ, văn hóa, chuyên môn mà không thể có được nếu chỉ hoạt động nội bộ. Chúng tôi hiện có hơn một triệu người kiểm duyệt – điều này rất khó để một đơn vị tự mình xây dựng nên.

Thứ ba là cơ chế đãi ngộ. Để duy trì sự đóng góp chất lượng cao lâu dài thì phải có thù lao minh bạch, công bằng và có thể lập trình tự động. Các giải pháp blockchain cho phép điều này bằng cách ghi nhận đóng góp không thể sửa đổi, ghi nhận chính xác ai đã làm, trả thưởng minh bạch – điều mà các hệ thống nội bộ truyền thống rất khó thực hiện tròn vẹn. Cơ chế mua sắm của cơ quan nhà nước không được thiết kế cho việc này.

Câu trả lời trung thực là: bạn không chỉ mua một công cụ, mà bạn đang sử dụng cả một mạng lưới và hệ thống kiểm duyệt, đã tốn rất nhiều năm xây dựng. Lựa chọn thay thế không phải là ‘tự xây’, mà là ‘dùng những gì đã có sẵn, hoặc chấp nhận rủi ro về chất lượng dữ liệu nếu không sử dụng’.

BeInCrypto: Nếu AI trở thành hạ tầng quốc gia lõi, trong 5 năm tới thì lớp xác thực trí tuệ riêng biệt sẽ nằm ở đâu trong chuỗi này?

Ahmed Rashad: “Trong 5 năm tới, tôi nghĩ nó sẽ giống như quy trình kiểm toán tài chính hiện nay, tức là một lớp xác thực bắt buộc giữa dữ liệu và vận hành, có bảo chứng pháp lý và tiêu chuẩn nghề nghiệp rõ ràng.

Hiện tại, việc phát triển AI diễn ra mà không có cơ chế kiểm toán tương đương tài chính. Các công ty thường tự khai báo về dữ liệu huấn luyện của mình, không ai kiểm chứng độc lập, cũng không có quá trình chứng nhận nghề nghiệp hay cơ quan thứ ba xác nhận rằng thông tin đằng sau một mô hình đạt chuẩn nào đó. Tình hình bây giờ giống như ngành tài chính trước thời kỳ Sarbanes-Oxley, hoạt động dựa trên niềm tin và tự xác nhận.

Khi AI trở thành hạ tầng quan trọng, vận hành lưới điện, hệ thống y tế, thị trường tài chính, mạng lưới quốc phòng… mô hình quản lý như hiện nay sẽ không thể áp dụng được nữa. Chính phủ sẽ yêu cầu dữ liệu phải có thể kiểm tra được. Các hợp đồng mua sắm sẽ bắt buộc có xác nhận nguồn gốc dữ liệu rõ ràng. Các khung pháp lý sẽ quy trách nhiệm nặng hơn nếu có lỗi mà lẽ ra phải ngăn ngừa được nhờ xác thực đúng quy trình.

Vị trí của Perle trong toàn bộ chuỗi này là trở thành lớp xác thực và kiểm duyệt, là đơn vị có thể cung cấp bằng chứng rõ ràng, có thể kiểm tra về dữ liệu huấn luyện, ai huấn luyện, theo tiêu chuẩn nào. Đây sẽ không chỉ là một tính năng bổ sung của phát triển AI trong 5 năm nữa – mà sẽ là điều kiện bắt buộc.

Điều quan trọng hơn, trí tuệ riêng biệt không còn là mối quan tâm chuyên biệt cho các đơn vị quốc phòng. Đây sẽ là nền tảng khiến AI có thể được triển khai bất cứ đâu mà ở đó nếu lỗi xảy ra sẽ mang lại hậu quả lớn trong thực tế. Khi AI dần mở rộng ra các lĩnh vực này, lớp nền tảng này sẽ trở thành phần giá trị nhất trong toàn bộ hệ sinh thái.”