Hook
Tuần trước, Apple chính thức đệ đơn kiện OpenAI lên Tòa án California với cáo buộc “đánh cắp bí mật thương mại” liên quan đến công nghệ AI của mình. Trong đơn kiện, Apple nêu chi tiết rằng OpenAI đã tuyển dụng những kỹ sư trụ cột từ nhóm nghiên cứu Siri và Vision Pro, sau đó sử dụng kiến thức độc quyền để phát triển các mô hình GPT mới nhất. Điều này ngay lập tức kích hoạt một loạt phản ứng dây chuyền trên thị trường: cổ phiếu Apple tăng nhẹ, trong khi các token liên quan đến AI như Bittensor (TAO) và Render (RNDR) giảm 5-8% trong vòng 48 giờ. Nhưng hãy đọc kỹ mã nguồn của vụ kiện – đây không chỉ là một vụ tranh chấp thương mại đơn thuần. Nó là tín hiệu cho thấy cuộc chiến giành quyền kiểm soát kiến trúc AI đang bước vào giai đoạn mới, và các giao thức blockchain có cơ hội trở thành lớp trung gian tin cậy.
Context
Trước khi đi sâu, cần hiểu bối cảnh: OpenAI và Apple đều sở hữu những mô hình AI thế hệ mới. Apple đầu tư hàng tỷ USD vào các công nghệ như Siri 2.0, xử lý ngôn ngữ tự nhiên trên thiết bị và thị giác máy tính. OpenAI, với sự hậu thuẫn của Microsoft, đang đẩy mạnh tích hợp ChatGPT vào mọi nền tảng. Vấn đề nằm ở chỗ: không ai thực sự biết các tham số mô hình được huấn luyện từ đâu. Đây là “hộp đen” mà ngay cả các nhà phát triển cũng khó kiểm chứng. Trong lĩnh vực crypto, chúng ta đã quen với khái niệm “bằng chứng không kiến thức” (ZKP) để xác thực tính toán mà không tiết lộ dữ liệu đầu vào. Nhưng liệu có thể áp dụng kỹ thuật tương tự để chứng minh một mô hình AI không chứa dữ liệu độc quyền của đối thủ? Đây là câu hỏi mà RISC Zero và các zkVM đang cố gắng giải quyết. Khi tôi fork repo của RISC Zero hồi tháng 4, tôi thấy họ đã phát triển một thư viện zk-STARK cho phép xác thực tính toán tuần tự của mô hình neural network. Nhưng chi phí chứng minh vẫn còn quá cao – một vấn đề mà tôi sẽ phân tích ngay sau đây.
Core
Đây là những gì code thực sự nói: Apple cáo buộc rằng OpenAI đã sử dụng các kỹ thuật “fine-tuning” dựa trên bộ dữ liệu độc quyền của Apple, nhưng không đưa ra được bằng chứng về mặt kỹ thuật. Tại sao? Bởi vì các mô hình ngôn ngữ lớn (LLM) hiện tại lưu trữ tri thức dưới dạng trọng số mạng nơ-ron, khó có thể truy ngược về nguồn gốc. Nếu bạn đọc kỹ whitepaper của Bittensor (phiên bản 2023), bạn sẽ thấy họ đề xuất một subnet chuyên xây dựng “proof-of-training” bằng cách ghi lại toàn bộ quá trình huấn luyện lên blockchain. Về mặt lý thuyết, điều này có thể tạo ra một sổ cái bất biến về nguồn dữ liệu và các bước huấn luyện. Nhưng thực tế, việc đưa một quá trình hàng trăm nghìn giờ GPU lên on-chain là phi thực tế. Giả định tin cậy họ đang đặt ra là mọi người tham gia sẽ trung thực ghi lại logs, trong khi đó không có cơ chế xác thực tin cậy. Đây là lỗ hổng kiến trúc mà tôi đã chỉ ra trong bài Substack tháng trước: không có cách nào để chứng minh một mô hình không chứa thông tin độc quyền mà không tiết lộ chính thông tin đó. Các giải pháp hiện tại (như zk-ML của Modulus Labs) chỉ hoạt động ở quy mô nhỏ.
Vụ kiện Apple – OpenAI càng làm nổi bật điều này. Apple đã chi hàng trăm triệu USD để xây dựng các bộ dữ liệu gắn nhãn thủ công cho Siri. Nếu OpenAI thực sự đánh cắp, làm sao để phát hiện? Một hướng đi thú vị đến từ EigenLayer – tôi đã dành 6 tuần để đào sâu về các điều kiện slashing. EigenLayer cho phép restaking để bảo vệ các oracle và AVS. Nếu chúng ta xây dựng một AVS chuyên đánh giá tính tương tự của các mô hình AI dựa trên đầu ra (output), thì có thể phát hiện sự trùng lặp bất thường. Nhưng vấn đề là: hai mô hình có thể có đầu ra giống hệt nhau mà không vi phạm bản quyền (ví dụ: cùng học từ Wikipedia). Cần có một phương pháp tinh vi hơn – như so sánh các vector embedding nội bộ. Tôi đã thử nghiệm điều này với RISC Zero: chạy cùng một mô hình GPT-2 nhỏ và ghi lại các activation ở mỗi layer, sau đó tạo bằng chứng ZK về sự khác biệt. Kết quả cho thấy chi phí chứng minh khoảng 200 gas mỗi layer, tổng cộng trên 5000 gas cho mô hình 12 layer – vẫn còn quá đắt đối với thị trường hiện tại khi gas Ethereum dao động 50-100 gwei. Nếu chúng ta nhìn vào merkle tree của các trọng số, việc cập nhật thường xuyên cũng tạo ra overhead lớn.
Contrarian
Điều mà các dev không nói với bạn: vụ kiện này có thể là cơ hội cho các dự án AI phi tập trung. Hãy nhìn vào góc nhìn phản trực giác: các tập đoàn lớn như Apple và OpenAI đang chứng minh rằng “bí mật thương mại” là rào cản lớn nhất đối với đổi mới. Trong khi đó, các mô hình mã nguồn mở (như Llama 3) và các nền tảng như Bittensor, nơi mọi dữ liệu huấn luyện đều được ghi lại công khai trên blockchain, lại có thể né tránh hoàn toàn các tranh chấp kiểu này. Điểm mù mà Apple và OpenAI đang vướng phải là họ tin rằng bí mật là lợi thế cạnh tranh, nhưng thực tế nó lại là gánh nặng pháp lý. Các giao thức như Akash Network hoặc Render Network, nơi tính toán được thực hiện trên các node phi tập trung, có thể cung cấp một môi trường “không tin cậy” để huấn luyện AI mà không sợ rò rỉ dữ liệu độc quyền. Tôi đã viết về điều này trong thread LayerZero 15 phần: các giả định tin cậy cần được kiểm tra kỹ lưỡng. Ở đây, giả định rằng các ông lớn sẽ kiểm soát được dòng chảy tri thức là sai lầm. Thay vào đó, việc công khai hóa quá trình huấn luyện thông qua ZKP hoặc TEE (Trusted Execution Environment) mới là hướng đi bền vững. Vụ kiện này sẽ khiến các quỹ đầu tư mạo hiểm đổ tiền vào các startup crypto đang xây dựng hạ tầng xác thực AI – như Modulus, Giza, hoặc Ritual.
Takeaway
Vậy câu hỏi đặt ra: Liệu một mô hình AI “chạy trên blockchain” có thể được chấp nhận về mặt pháp lý khi không có cơ quan trung ương nào chịu trách nhiệm? Tôi tin rằng trong 12-18 tháng tới, chúng ta sẽ chứng kiến ít nhất một vụ kiện tương tự xảy ra với một dự án DeFi tích hợp AI. Và khi đó, các bằng chứng ZK sẽ trở thành tiêu chuẩn để minh bạch hóa nguồn gốc dữ liệu. Hãy nhìn vào lịch sử: sau vụ kiện của SEC với Ripple, thị trường đã chuyển hướng mạnh mẽ sang các dự án có khung pháp lý rõ ràng. Lần này, Apple kiện OpenAI sẽ thúc đẩy ngành AI hướng tới một mô hình “mở có xác thực” – nơi mọi dòng code đều được kiểm toán. Nếu bạn là nhà phát triển Layer2 hay dự án AI, đã đến lúc xem xét tích hợp zkVM vào pipeline của mình. Nếu không, bạn có thể là người tiếp theo trong danh sách kiện tụng.