0G huấn luyện lại mô hình 107B trước công chúng khi AI phi tập trung bước vào giai đoạn mới

nhưng không được chú ý nhiều.

0G cho biết họ đã đạt được một cột mốc quan trọng từ vài tháng trước. Hiện tại, họ đang đào tạo lại cùng mô hình đó một cách công khai, với mục tiêu cho mọi người thấy AI phi tập trung thực sự có thể làm được những gì và tại sao kết quả trước đó xứng đáng nhận được nhiều sự quan tâm hơn.

Vào tháng 07/2025, 0G đã hợp tác với China Mobile để huấn luyện một mô hình với 107 tỷ tham số, gọi là DiLoCoX-107B. Nghiên cứu này sau đó đã được đăng trên arXiv sau khi được phản biện. Theo bài báo, hệ thống này đạt hiệu quả truyền thông cao gấp 357 lần so với phương pháp AllReduce truyền thống. Tuy vậy, kết quả này gần như không gây được chú ý trên thị trường.

Nhóm nghiên cứu cho rằng thời điểm công bố đã không thuận lợi. Giữa năm 2025, cộng đồng crypto chủ yếu quan tâm đến các sự kiện ra mắt mainnet và những câu chuyện về token, còn các kết quả kỹ thuật lại không nhận được nhiều sự chú ý. Dù công trình rất nghiêm túc, nó lại chỉ được để ý trong một nhóm nhỏ người thực sự theo sát lĩnh vực này.

Bây giờ, khi AI phi tập trung quay trở lại tâm điểm, 0G muốn đưa kết quả này trở lại ánh sáng.

Một chương trình đào tạo lại công khai

Lần này, công ty sẽ công khai toàn bộ quy trình đào tạo lại mô hình.

0G sẽ ghi lại chi tiết từng giai đoạn, bao gồm các điểm lưu (checkpoints), chỉ số hội tụ (convergence metrics) và nguồn dữ liệu. Họ cũng cho biết việc vận hành này sẽ được xác thực thông qua Trusted Execution Environments dùng zerogAuth. Sau khi hoàn thành, toàn bộ trọng số của mô hình sẽ được mở mã nguồn.

Mục tiêu cuối cùng của 0G là chứng minh rằng AI phi tập trung có thể được kiểm toán, tái tạo và xác minh – điều mà hầu hết các hệ thống đóng hiện tại khó có thể làm được.

Nhiều hơn một cuộc đua về chỉ số

Nhiều bài viết về AI vẫn tập trung vào số lượng tham số. Các con số càng lớn càng gây chú ý, nhưng 0G cho rằng giá trị của một mô hình còn ở cả hệ thống xung quanh nó, không chỉ là kích thước.

Với nhóm phát triển, bài kiểm tra thực sự bắt đầu từ quá trình đào tạo và tiếp tục qua khâu xác minh, lưu trữ, phục vụ mô hình và tích hợp vào sản phẩm thực tế.

Một điểm kỹ thuật quan trọng là hiệu quả truyền thông. DiLoCoX sử dụng song song theo pipeline, hai chính sách tối ưu hóa riêng biệt cho cập nhật local và global, cơ chế trễ chồng một bước và nén gradient thích ứng. Nói dễ hiểu, thiết kế này giúp giảm đáng kể lượng dữ liệu cần trao đổi trong đào tạo phân tán – vốn là “nút thắt cổ chai” của các hệ thống AI lớn.

0G cũng đưa mô hình này vào một chuỗi hoạt động đầy đủ, gồm xác minh onchain, lưu trữ phi tập trung, đảm bảo tính sẵn sàng của dữ liệu, suy luận (inference) và thanh toán. Kết quả là một môi trường làm việc thực sự thay vì chỉ là bản demo nghiên cứu.

Xác minh cũng là một điểm nổi bật khác. Nhờ Trusted Execution Environments, người dùng có thể kiểm tra không chỉ sự tồn tại của một mô hình, mà còn biết cách nó được đào tạo và dữ liệu đầu vào. Đối với AI phi tập trung, điều này thay đổi cách xây dựng niềm tin một cách rõ rệt.

Câu chuyện thực sự là băng thông

Theo 0G, điểm quan trọng nhất ở kết quả DiLoCoX-107B là cách đào tạo mô hình.

Nhóm nghiên cứu cho biết mô hình 107B này được vận hành trên mạng Internet thông thường tốc độ một gigabit/giây, thay vì các trung tâm dữ liệu chuyên dụng. Điều này đi ngược lại một giả định phổ biến của AI, rằng đào tạo các mô hình tiên tiến luôn cần cơ sở hạ tầng mạng đắt tiền và hiếm có.

Nếu điều này vẫn đúng theo thời gian, tác động có thể rất lớn. Yêu cầu kỹ thuật thấp hơn sẽ giúp nhiều nhóm nghiên cứu, doanh nghiệp và các tổ chức công có thể tham gia đào tạo AI mạnh mà không bị cản trở về hạ tầng. Khi đó, việc phối hợp trở thành vấn đề chính, và các hệ thống phi tập trung sinh ra là để giải quyết bài toán này.

Một mô hình chi phí khác

0G cũng khẳng định hệ thống của mình giúp giảm khoảng 95% chi phí so với các giải pháp tập trung truyền thống.

Công ty cho biết, sự cắt giảm này không đến từ việc phần cứng rẻ hơn, mà nhờ loại bỏ các chi phí quản trị vận hành tập trung đắt đỏ. Nếu con số này vẫn được duy trì khi triển khai thực tế, việc đào tạo các mô hình AI lớn sẽ mở ra cho nhiều tổ chức hơn – từ trường đại học, công ty đến chính phủ – mà không cần ngân sách đầu tư khổng lồ cho AI.

Điều này có thể thay đổi hoàn toàn “cuộc chơi”, ai cũng có thể xây dựng những mô hình AI nghiêm túc ngay từ đầu.

Trí tuệ nhân tạo phi tập trung có thể cạnh tranh không?

Từ trước đến nay, nhiều người hoài nghi cho rằng AI phi tập trung không thể cạnh tranh về hiệu năng. 0G tin rằng quan điểm này đang dần lung lay.

Khi kết quả ngày càng tốt hơn và chi phí giảm mạnh, câu chuyện không còn là lý tưởng mà là về thực tế. Liệu hệ thống có thực sự huấn luyện được mô hình mạnh, xác thực kết quả và chi phí hợp lý với nhiều đội nhóm hơn?

Mở cửa cho tất cả vẫn sẽ đi kèm rủi ro thực tế. Đào tạo phân tán có thể khiến hệ thống bị tấn công như nhiễm độc dữ liệu, sửa đổi gradient hoặc chất lượng đóng góp không đồng đều. 0G cho biết họ giải quyết các rủi ro này bằng những lớp bảo vệ trong kiến trúc, phát hiện bất thường và xác minh bằng mật mã.

Vấn đề không phải là loại bỏ mọi rủi ro, mà là giúp các sai sót luôn được phát hiện rõ ràng và dễ lần vết.

Ý nghĩa thực sự của AI có thể kiểm chứng

Với 0G, AI có thể xác minh là chuyển đổi niềm tin dựa trên danh tiếng sang niềm tin dựa trên kiểm chứng.

Thay vì phải tin vào lời nhà cung cấp, người dùng có thể trực tiếp kiểm tra quá trình đào tạo, vận hành của mô hình. Ý tưởng này đặc biệt hữu ích ở những lĩnh vực yêu cầu minh bạch và trách nhiệm cao như tài chính, y tế, chính phủ.

Chính ở đây, AI phi tập trung mới thực sự thể hiện ưu điểm, khi hệ thống luôn có thể được kiểm tra thay vì chỉ biết tin tưởng.

Từ bản demo nghiên cứu đến hệ thống hoạt động thực tế

Lĩnh vực AI phi tập trung đã phát triển rất nhanh trong thời gian ngắn. Các thử nghiệm sơ khai ban đầu hiện đã nhường chỗ cho các hệ thống đầy đủ, phục vụ đào tạo, xác minh, lưu trữ, suy luận và thanh toán trong cùng một môi trường.

0G muốn DiLoCoX-107B trở thành minh chứng cho sự tiến hóa này. Việc đào tạo lại công khai này không chỉ là vấn đề hiệu năng, mà còn là một quá trình minh bạch. Công ty muốn chứng tỏ AI phi tập trung thực sự có thể tạo ra các mô hình lớn, đồng thời luôn mở cho mọi người kiểm tra, xác nhận.

Con đường phía trước

Các mô hình lớn hơn nữa vẫn đang chờ ở phía trước. 0G tin rằng mô hình hàng trăm tỷ, thậm chí đến hàng nghìn tỷ tham số là mục tiêu khả thi trong tương lai.

Giai đoạn tiếp theo sẽ không dựa nhiều vào bước nhảy khoa học lớn, mà phụ thuộc vào sự phối hợp và đóng góp mạng lưới mạnh mẽ hơn. Với AI phi tập trung, tổ chức, điều phối sẽ quan trọng không kém sức mạnh tính toán.

Việc huấn luyện lại DiLoCoX-107B là một nỗ lực để khơi lại một cuộc thảo luận mà 0G tin rằng thị trường đã bỏ lỡ trước đó. Đây cũng là phép thử để xem liệu AI mở, minh bạch và có thể kiểm chứng có thể thu hút sự chú ý nhờ vào chất lượng thực tế thay vì chỉ dựa vào sự thổi phồng hay không.

Hiện tại, công ty đang đặt cược rằng việc huấn luyện lại công khai, tài liệu minh bạch và cho phép truy cập mở sẽ giúp AI phi tập trung có chỗ đứng vững chắc hơn trong vòng cạnh tranh sắp tới.