500.000 GPU và cái bẫy open model: vLLM đang dịch chuyển giá trị đến một tầng mà DePIN chưa định giá

Một con số lặng lẽ lan truyền trong giới đầu tư hạ tầng tuần này: 500.000 GPU. Không phải từ NVIDIA, không phải từ Microsoft, mà từ một dự án mã nguồn mở tên vLLM. Nếu con số này chính xác, vLLM đang nắm giữ một trong những lớp phần mềm AI được triển khai rộng rãi nhất hành tinh, rộng hơn bất kỳ cụm máy chủ riêng nào mà các ông lớn công nghệ từng công bố. Nhưng với tôi, con số ấn tượng này đang che giấu một sự thật khó chịu: nó không chứng minh open model đang thắng. Nó chứng minh rằng một lớp hạ tầng trung gian đang chiếm lấy vị trí cổng kiểm soát, và hầu hết những người vỗ tay cho open model có thể đang cổ vũ cho một thứ hoàn toàn khác với những gì họ nghĩ. Trong 19 năm quan sát thị trường, tôi đã thấy những con số áp đảo xuất hiện ở mọi chu kỳ. Năm 2017, đó là số lượng node. Năm 2021, là Total Value Locked. Năm 2024, là GPU được triển khai. Mỗi con số đều có thật, nhưng cách nó được sử dụng để kể một câu chuyện đầu tư thì hầu như luôn đánh tráo khái niệm. Bài phân tích từ Crypto Briefing mà tôi đọc được chỉ có bốn điểm dữ liệu thô: vLLM đang chạy trên 500.000 GPU, vLLM là open-source, vLLM hỗ trợ OpenAI-compatible API, và câu chuyện này được dùng để củng cố luận điểm open model đang thay thế closed API. Không có benchmark, không có số liệu throughput, không có chi phí vận hành, không có phân bố workload. Chỉ có một con số lớn. Điều đó khiến tôi cảnh giác. Trong giới giao dịch, khi ai đó chỉ cho bạn một con số cực kỳ ấn tượng nhưng không đưa ra cấu trúc thị trường đằng sau nó, đó là lúc bạn cần phải trace execution path trước khi tin vào bất kỳ narrative nào. Vậy thực chất vLLM là gì? vLLM là một inference engine mã nguồn mở, được phát triển từ UC Berkeley với sự hậu thuẫn của Anyscale. Nó không phải là một mô hình AI, không phải một framework huấn luyện. Nó là lớp phần mềm nằm giữa mô hình và GPU, chịu trách nhiệm nhận request, quản lý bộ nhớ cache, xếp hàng batch, và trả về kết quả theo đúng chuẩn API của OpenAI. Đóng góp kỹ thuật chính của nó là PagedAttention, một phương pháp quản lý KV cache theo kiểu phân trang, giúp giảm phân mảnh bộ nhớ và tăng số lượng request có thể xử lý đồng thời trên cùng một GPU. Ngoài ra còn có continuous batching, prefix caching và hỗ trợ các kỹ thuật tăng tốc như quantization, speculative decoding, tensor parallelism. Toàn bộ những cải tiến này đều thuộc về tầng system-level engineering. Không một dòng code nào thay đổi kiến trúc Transformer, không một thuật toán huấn luyện mới nào được giới thiệu. vLLM là một cỗ máy phục vụ tốt hơn, không phải một loại vũ khí mới. Việc tách bạch này quan trọng hơn nhiều so với vẻ bề ngoài. Bởi vì câu chuyện mà bài phân tích đang cố gắng xây dựng — rằng 500.000 GPU chạy vLLM đồng nghĩa với việc open model đã được chấp nhận rộng rãi — là một lối suy luận thiếu chính xác. Một cỗ máy phục vụ rượu vang được lắp đặt ở 500.000 nhà hàng không có nghĩa là chất lượng rượu vang đã tốt hơn hoặc giá rẻ hơn; nó chỉ có nghĩa là hệ thống phân phối đã sẵn sàng cho một sự thay đổi thương hiệu lớn. Hãy nhìn vào cấu trúc thị trường. Ở một phía, bạn có các model đóng gói dưới dạng API: GPT-4, Claude, Gemini. Phía bên kia là các open-weight model như Llama, Mistral, Qwen, DeepSeek. Giữa hai phía là một lớp hạ tầng trung gian. vLLM là một phần quan trọng của lớp này. Khi một doanh nghiệp muốn chạy Llama trên chính hạ tầng của mình, họ cần một inference engine. vLLM là lựa chọn mặc định trong hầu hết các trường hợp, bởi vì nó có API tương thích OpenAI, giúp lập trình viên chuyển từ API đóng sang tự triển khai chỉ bằng một dòng thay đổi base_url. Điều này có nghĩa là vLLM, dù không trực tiếp tạo ra doanh thu, đang trở thành OpenAI API gateway cho thế giới tự lưu trữ. Và đây chính là nơi giá trị đang dịch chuyển. Hãy cùng trace execution path của một request đơn giản. Một lập trình viên gửi một prompt đến một API endpoint. Nếu endpoint đó là API của OpenAI, tiền đi qua một công ty tập trung. Nếu endpoint đó là một instance vLLM được triển khai trên một GPU cloud, tiền sẽ đi qua chủ sở hữu GPU. Còn nếu endpoint đó là một node trong một mạng lưới GPU DePIN, ví dụ Render, Akash hay io.net, thì request sẽ được định tuyến đến một GPU nhàn rỗi ở đâu đó trên thế giới, và khoản thanh toán sẽ được token hóa. Trong mọi trường hợp, vLLM đều có mặt như một lớp chuẩn hóa ở giữa. Nó giống như TCP/IP của thế giới AI inference: không ai trả tiền trực tiếp cho vLLM, nhưng mọi luồng dữ liệu đều có thể đi qua nó. Và bất kỳ ai kiểm soát được điểm chuẩn hóa đó sẽ nắm giữ một vị thế chiến lược không tương xứng với con số doanh thu của họ. Đây là insight ở cấp độ giao thức mà hầu hết mọi người bỏ lỡ: thứ đang chiến thắng không phải là open model, mà là open infrastructure layer. Trong crypto, open infrastructure layer rất giống với những gì chúng ta đã thấy ở DeFi. Hãy nhìn Uniswap: nó không phải là một loại tài sản mới, không phải một giao thức cho vay mới. Nó là một lớp thanh khoản chuẩn hóa. Tương tự, vLLM đang làm cho việc triển khai model trở nên rẻ đến mức giá trị của chính model bị xê dịch xuống dưới lớp phần cứng và mạng lưới phân phối. Nhưng có một sự khác biệt quan trọng. Trong DeFi, các giao thức như Aave hay Compound sử dụng mô hình lãi suất dựa trên utilization rate, nhưng chúng hoàn toàn tùy tiện — chúng chẳng liên quan gì đến cung-cầu thị trường thực. Lãi suất thực sự phản ánh chi phí cơ hội của vốn trong thế giới thực. Tương tự, các chỉ số GPU utilization trong thế giới DePIN hiện nay phần lớn là tự báo cáo và không thể kiểm chứng. Một mạng lưới GPU có thể hiển thị 500.000 GPU được triển khai, nhưng nó không cho bạn biết có bao nhiêu trong số đó đang chạy workload thực tế, bao nhiêu đang idle, và bao nhiêu chỉ là GPU test từ các nhà phát triển. Bài phân tích từ Crypto Briefing không đưa ra câu trả lời, và việc thiếu câu trả lời này không phải là một chi tiết nhỏ — nó quyết định toàn bộ câu chuyện đầu tư. Những con số không bao giờ nói một mình. Hãy nói về con số 500.000 GPU. Nó được trích dẫn như thể vLLM đang chạy trên nửa triệu GPU. Nhưng câu hỏi đầu tiên của tôi là: số liệu này được đo bằng cách nào? Là tổng số GPU từng được sử dụng, hay số GPU đang hoạt động trong tháng qua? Nếu là số tích lũy, con số này có thể thổi phồng quy mô thực tế lên gấp nhiều lần, bởi vì GPU test, GPU trong pipeline CI/CD và GPU của các nhà phát triển cá nhân sẽ được tính như nhau. Nếu là số active thực tế, thì đây là một tín hiệu cực kỳ mạnh mẽ về việc inference đã trở thành một mặt hàng hóa. Nhưng bài phân tích không hề xác định điều này. Trong giới phân tích kỹ thuật, một indicator mà bạn không biết phương pháp tính là một indicator vô dụng, dù nó có đẹp đến đâu trên biểu đồ. Thứ hai, không có bất kỳ con số so sánh nào với TensorRT-LLM của NVIDIA, hay TGI của Hugging Face, hay SGLang. Nếu vLLM có 500.000 GPU nhưng TensorRT-LLM có 1 triệu GPU trên các máy chủ NVIDIA, câu chuyện sẽ hoàn toàn khác. Tuy nhiên, có một lý do khiến tôi tin rằng vLLM có một lợi thế cấu trúc bền vững: đó là khả năng tương thích với hệ sinh thái. vLLM hỗ trợ hầu hết các loại model phổ biến, kết nối sâu với Ray, LangChain và LlamaIndex, và quan trọng nhất là nó có một API tương thích OpenAI ngay từ đầu. Điều này có nghĩa là các doanh nghiệp không phải viết lại code khi chuyển từ API đóng sang tự triển khai. Chi phí chuyển đổi gần như bằng không. Đó là một thiết kế thông minh, và nó giải thích tại sao vLLM lại trở thành lựa chọn mặc định trong khi các đối thủ có chip tối ưu tốt hơn như TensorRT-LLM thì chỉ được sử dụng trong hệ sinh thái NVIDIA. Để hiểu rõ hơn vị thế cạnh tranh, cần đặt vLLM bên cạnh bốn đối thủ chính. TensorRT-LLM của NVIDIA là đối thủ mạnh nhất về hiệu suất trên GPU NVIDIA, vì nó được tối ưu ở cấp độ kernel CUDA và hỗ trợ các tính năng mới nhất như FP8 và quantization. Nhưng TensorRT-LLM gần như bị khóa chặt vào hệ sinh thái NVIDIA; nó không hỗ trợ tốt cho GPU AMD hoặc các kiến trúc không phải CUDA, và mã nguồn của nó phức tạp đến mức ít ai có thể tự do sửa đổi. TGI của Hugging Face thì được thiết kế để hoạt động tốt với các model trên Hub của Hugging Face, nhưng phạm vi hỗ trợ phần cứng hẹp hơn và hiệu suất trên các workload lớn không bằng vLLM. SGLang là một thách thức mới, đặc biệt mạnh về structured output và điều phối các cuộc gọi model phức tạp, nhưng hệ sinh thái xung quanh nó vẫn còn nhỏ. llama.cpp và Ollama phục vụ phân khúc edge và máy cá nhân, không phải trung tâm dữ liệu. Với bối cảnh đó, vLLM chiếm vị trí trung tâm: nó là một lựa chọn mở, hỗ trợ nhiều loại GPU và nhiều loại model, và có API chuẩn OpenAI. Nó không nhanh nhất trong mọi bài toán, nhưng nó là lựa chọn an toàn nhất về khả năng tương thích. Trong một thị trường mà các doanh nghiệp sợ bị khóa vào nhà cung cấp, vị thế an toàn nhất chính là vị thế thắng cuộc. Đi sâu vào một chút kỹ thuật để thấy điều này rõ ràng hơn. PagedAttention, ý tưởng trung tâm của vLLM, xử lý KV cache theo từng khối nhỏ có kích thước cố định, giống như cách hệ điều hành quản lý bộ nhớ ảo. Trước vLLM, KV cache của mỗi request thường được cấp phát liên tục, dẫn đến tình trạng phân mảnh và lãng phí bộ nhớ, đặc biệt khi có nhiều request với độ dài khác nhau. PagedAttention cho phép các khối này được lưu ở những vị trí không liền kề, giúp tăng mật độ sử dụng bộ nhớ và cho phép phục vụ nhiều request hơn trên cùng một GPU. Continuous batching thì xử lý request mới ngay khi một request cũ hoàn thành, thay vì chờ đến hết batch. Prefix caching giúp tái sử dụng phần tính toán cho các prompt có chung tiền tố, hữu ích trong các ứng dụng như chatbot và agent. Những kỹ thuật này là lý do khiến vLLM nhanh và rẻ, nhưng chúng không phải là thứ làm cho một mô hình thông minh hơn. Chúng là thứ làm cho việc đưa mô hình đến tay người dùng rẻ hơn. Và trong một thị trường mà chi phí vận hành quyết định khả năng cạnh tranh, thì việc rẻ hơn chính là một lợi thế chiến lược. Tôi nhớ lại khoảng thời gian tôi vận hành chiến lược market-making trên Uniswap v3 với các vị thế concentrated liquidity. Việc quản lý impermanent loss trong 8 tháng biến động liên tục dạy tôi một bài học: các giao thức hạ tầng không tạo ra lợi nhuận trực tiếp, nhưng chúng thay đổi ai là người nắm giữ biên lợi nhuận. Khi vLLM giúp giảm chi phí inference xuống nhiều lần, nó không đơn thuần giúp open model cạnh tranh với closed API. Nó làm thay đổi cán cân quyền lực giữa các nhà cung cấp. OpenAI có một lợi thế khổng lồ nhờ quy mô, nhưng nếu bất kỳ doanh nghiệp nào cũng có thể chạy một model ngang bằng với GPT-4 với chi phí bằng một phần nhỏ trên hạ tầng của chính họ, lợi thế đó sẽ co lại. Và khi lợi thế đó co lại, câu chuyện đầu tư vào các công ty hạ tầng và mạng lưới GPU sẽ trở nên hấp dẫn hơn. Ai đang trả tiền và ai đang nhận tiền? Bây giờ, hãy nói về điều mà bài phân tích không đề cập: tiền nằm ở đâu trong câu chuyện này. vLLM là mã nguồn mở, nó không bán license. Giá trị thương mại của nó nằm ở chỗ những công ty đứng sau nó — Anyscale, các nhà cung cấp dịch vụ cloud — sử dụng nó như một công cụ để thu hút khách hàng về phía dịch vụ của họ. Đây là mô hình Red Hat của AI: cho đi phần mềm miễn phí, thu tiền từ phần vận hành, hạ tầng và hỗ trợ doanh nghiệp. Nếu 500.000 GPU là sự thật, thì Anyscale có một câu chuyện tăng trưởng cực kỳ hấp dẫn cho vòng gọi vốn tiếp theo: không phải số lượng paper citations, mà là số lượng GPU sản xuất thực tế chạy phần mềm của họ. Đây là điều mà một bài phân tích trên Crypto Briefing có thể đang phục vụ — không chỉ cho giới công nghệ, mà còn cho dòng vốn crypto đang tìm kiếm cơ hội token hóa GPU. Các nhà cung cấp cloud lớn đều hỗ trợ vLLM. AWS, Azure, Google Cloud và các nhà cung cấp GPU cloud chuyên biệt như CoreWeave, Lambda Labs đều cho phép khách hàng triển khai vLLM trên hạ tầng của họ. Sự ủng hộ này không phải vì họ yêu thích mã nguồn mở. Họ ủng hộ vì vLLM giúp họ giữ chân khách hàng trong một thế giới mà NVIDIA đang ngày càng kiểm soát toàn bộ stack từ chip đến framework. TensorRT-LLM là công cụ của NVIDIA để giữ khách hàng trong hệ sinh thái CUDA; vLLM là công cụ của phần còn lại để chống lại sự khóa chặt đó. Đây là một cuộc chiến địa chính trị thu nhỏ, và vLLM đang đứng giữa hai bên. Đó là lý do tại sao các cloud provider sẵn sàng tài trợ và tích hợp vLLM: nó làm giảm sức mạnh định giá của NVIDIA ở tầng phần mềm. Nhưng điều đó cũng có nghĩa là vLLM, dù là mã nguồn mở, đang phục vụ lợi ích của các công ty lớn — điều này mâu thuẫn với câu chuyện phi tập trung mà cộng đồng crypto thường yêu thích. Nhìn từ góc độ crypto, câu chuyện vLLM không nằm ở AI, mà nằm ở DePIN. Các mạng lưới GPU phi tập trung như Render, Akash, io.net đang cố gắng xây dựng một thị trường GPU tự do, nơi bất kỳ ai sở hữu GPU đều có thể cho thuê. Nhưng những mạng lưới này gặp một vấn đề: cầu từ các nhà phát triển AI vẫn còn yếu, bởi vì việc triển khai inference trên một mạng lưới phi tập trung rất phức tạp. vLLM, với API chuẩn OpenAI, chính là cầu nối để giải quyết vấn đề này. Nếu một nhà phát triển có thể trỏ API endpoint của họ vào một mạng lưới DePIN thay vì OpenAI, họ sẽ có được một giải pháp rẻ hơn, chống kiểm duyệt hơn và không bị khóa vào bất kỳ nhà cung cấp nào. Từ góc độ mật mã học, đó là một sự thay thế không cần xin phép cho một hệ thống tập trung. Nhưng để điều đó xảy ra, mạng lưới DePIN cần chứng minh rằng họ có GPU thực sự hoạt động, không phải GPU nằm trong các trang trại mining cũ được dán nhãn AI. Ở đây xuất hiện một nghịch lý. Các mạng lưới DePIN thường quảng cáo 500.000 GPU hoặc hàng nghìn node như một thước đo thành công. Tuy nhiên, con số GPU không phải là thước đo của một thị trường hoạt động. Một thị trường chỉ hoạt động khi có thanh khoản hai chiều — người mua thực sự sẵn sàng trả tiền và người bán thực sự sẵn sàng nhận việc. Nếu tôi nhìn vào funding rates hoặc utilization data của các mạng lưới này, tôi thấy một điều rất khác với câu chuyện AI phi tập trung đang bùng nổ: hầu hết các node đều chạy workload thử nghiệm hoặc không có workload nào, và doanh thu thực tế trên mỗi GPU vẫn thấp hơn nhiều so với chi phí vận hành. Đây là những gì funding rates ám chỉ khi chúng nằm im ở mức thấp trong khi giá token tăng: thị trường đang giao dịch câu chuyện, không phải dòng tiền. Tôi đã từng xây dựng công cụ giám sát mempool để săn các token mới ra mắt, và tôi học được rằng khi một thị trường có quá nhiều người bán nhưng không có đủ người mua thực sự, giá sẽ tăng trong một thời gian ngắn rồi sụp đổ. GPU DePIN hiện tại có thể đang ở giai đoạn đầu của chu kỳ đó: lượng GPU lớn, câu chuyện lớn, nhưng dòng tiền thực từ việc cho thuê GPU cho AI còn rất nhỏ so với vốn hóa token. Sự xuất hiện của vLLM như một lớp chuẩn hóa có thể thay đổi điều này, nhưng nó cũng có thể tạo ra một ảo giác khác: nếu phần mềm chạy tốt, người ta dễ dàng giả định rằng phần cứng cũng đang được sử dụng tốt. Đây là một sai lầm nguy hiểm. Một GPU idle chạy vLLM vẫn là một GPU idle. Nó chỉ đốt điện và tạo ra chi phí. Cuộc chiến giữa open model và closed API có thể là cuộc chiến sai. Điều này đưa tôi đến quan điểm phản trực giác chính. 500.000 GPU chạy vLLM không phải là bằng chứng cho thấy open model đang thắng thế. Nó là bằng chứng cho thấy inference layer đang commodity hóa với tốc độ nhanh hơn bất kỳ ai dự đoán, và điều đó làm lộ ra một sự thật khó chịu: nếu mọi thứ đều có thể chạy trên vLLM với API chuẩn OpenAI, thì các model không còn là nơi tạo ra giá trị khác biệt. Giá trị sẽ dịch chuyển xuống hai nơi: phần cứng, cụ thể là GPU và chip, và mạng lưới phân phối, bao gồm cloud tập trung hoặc DePIN. Đây là một sự tương đồng lịch sử. Vào những năm 1990, giao thức TCP/IP trở thành tiêu chuẩn chung cho Internet. Trước TCP/IP, mỗi mạng máy tính có một giao thức riêng, và các công ty như IBM kiếm tiền từ sự khác biệt đó. Sau TCP/IP, tất cả các mạng có thể nói chuyện với nhau, và giá trị dịch chuyển lên tầng ứng dụng — nơi Google và Amazon được xây dựng. Tương tự, vLLM đang làm cho inference trở thành một giao thức chuẩn. Nhưng điểm khác biệt là: trong AI, tầng ứng dụng vẫn đang chập chững, trong khi tầng phần cứng GPU vẫn bị kiểm soát bởi NVIDIA. Vậy nên giá trị không dịch chuyển lên trên như thời Internet, mà nó bị mắc kẹt ở giữa: các công ty sở hữu GPU và các nền tảng điều phối GPU có thể là những người hưởng lợi lớn nhất. Hãy nhìn vào cách thị trường phản ứng với tin tức này. Nếu các token DePIN tăng giá sau khi câu chuyện vLLM 500.000 GPU được lan truyền, đó có thể là một tín hiệu cho thấy thị trường đang gộp hai khái niệm khác nhau: phần mềm inference mở và mạng GPU mở. Nhưng nếu giá token không tăng, hoặc tăng rồi giảm, điều đó cho thấy nhà đầu tư đã tinh ý hơn — họ hiểu rằng vLLM chạy nhiều GPU không tự động có nghĩa là các mạng lưới token hóa GPU sẽ thu được lợi nhuận. Trong một phiên đi ngang của thị trường crypto, tôi thường tìm kiếm những tài sản có sự khác biệt giữa câu chuyện và định giá. Một mạng lưới DePIN có doanh thu thực tế bằng một phần trăm vốn hóa token là một dấu hiệu xấu, giống như một giao thức DeFi có TVL khổng lồ nhưng doanh thu từ phí bằng không. Trong khi đó, một công ty GPU cloud tư nhân có doanh thu tăng trưởng 50% mỗi quý có thể là một khoản đầu tư tốt hơn nhiều so với token của bất kỳ mạng lưới phi tập trung nào — nhưng nó không thể tiếp cận được với nhà đầu tư retail. Đó là lý do tại sao câu chuyện vLLM lại được đăng trên Crypto Briefing: một số người đang muốn kể câu chuyện GPU và AI cho giới đầu tư crypto, để thu hút dòng vốn vào các token hạ tầng. Nhưng hãy cẩn thận. Có một mối nguy hiểm lớn trong câu chuyện vLLM là hạ tầng mở. Nếu một lớp phần mềm trung gian trở nên quá quan trọng, nó sẽ trở thành mục tiêu tấn công. Một lỗ hổng bảo mật trong vLLM, nếu có 500.000 GPU đang chạy, có thể cho phép kẻ tấn công đánh cắp toàn bộ prompt, thông tin người dùng, hoặc thậm chí kiểm soát các model đang được phục vụ. Tôi đã dành nhiều năm kiểm tra các giao thức DeFi, và tôi biết rằng những giao thức có TVL lớn nhất thường là những mục tiêu hack hấp dẫn nhất. Các giao thức có 500.000 GPU cũng vậy. Bài phân tích không hề đề cập đến bảo mật, không đề cập đến khả năng prompt injection, không đề cập đến kiểm toán. Và đây chính là điểm mù mà các quỹ đầu tư đang bỏ qua khi họ đổ tiền vào câu chuyện open model. Một open-source engine chạy trên nửa triệu GPU mà không có cơ chế bảo mật tiêu chuẩn hóa là một bề mặt tấn công khổng lồ, lớn hơn bất kỳ API tập trung nào. Điều này không có nghĩa là chúng ta nên từ chối vLLM, mà là chúng ta cần phải định giá rủi ro này vào câu chuyện đầu tư. Có một câu chuyện tương tự trong DeFi. Khi tổng giá trị khóa trên các giao thức cho vay đạt đỉnh vào năm 2021, nhiều người tin rằng các giao thức này quá lớn để sụp đổ. Nhưng những người hiểu về cấu trúc thị trường đã nhìn thấy rủi ro: thanh khoản mỏng, oracle có thể thao túng, và các admin key tập trung. Họ đúng. Các giao thức sụp đổ không phải vì ý tưởng sai, mà vì hạ tầng bảo mật không theo kịp quy mô. Với vLLM, cũng có những câu hỏi tương tự: ai đang kiểm soát quy trình phát hành? Ai có quyền nâng cấp? Các nhà cung cấp cloud lớn có đang chạy các bản vá riêng không? Nếu câu trả lời không rõ ràng, thì việc vLLM chạy trên 500.000 GPU không phải là một tin tốt, mà là một tin đáng sợ. Từ góc nhìn đầu tư: điều gì được định giá và điều gì bị bỏ quên? Cuối cùng, tôi muốn nói về cách tôi nhìn nhận cơ hội đầu tư trong câu chuyện này. Trước hết, hãy phân biệt rõ các tầng: model layer, inference infrastructure layer, hardware layer, và distributed network layer. vLLM thuộc tầng inference infrastructure. Nó không tạo ra doanh thu trực tiếp, nhưng nó tạo ra giá trị bằng cách giảm chi phí ở tất cả các tầng khác. Các công ty hưởng lợi trực tiếp từ vLLM là những công ty sở hữu GPU và cung cấp GPU dưới dạng dịch vụ: CoreWeave, Lambda Labs, Together AI, Fireworks AI. Những công ty này không cần phát hành token để huy động vốn, nhưng họ cạnh tranh trực tiếp với các mạng lưới DePIN. Nếu họ có chi phí vốn thấp hơn và vận hành tốt hơn các mạng lưới phi tập trung, họ sẽ thắng. Nếu họ không đáp ứng được nhu cầu về tính phi tập trung và khả năng chống kiểm duyệt, DePIN có thể chiếm một phân khúc. Ván cược cơ sở hạ tầng đằng sau ứng dụng AI đang trở thành ván cược lớn nhất trong thị trường này. Nhưng có một vấn đề: hầu hết nhà đầu tư crypto không thể đầu tư vào CoreWeave hoặc Lambda Labs ở vòng đầu. Họ chỉ có thể đầu tư vào token của các mạng lưới DePIN. Và đó là lúc câu chuyện trở nên phức tạp. Một token DePIN không phải là cổ phiếu của công ty GPU cloud. Nó không có cổ tức, không có quyền đòi hỏi dòng tiền từ việc cho thuê GPU. Nó chỉ có giá trị nếu mạng lưới tạo ra được một thị trường hai chiều thực sự, nơi người mua compute và người bán compute gặp nhau và trả phí bằng token đó. Nếu không có người mua thực sự, token chỉ là một câu chuyện. Là một DeFi Yield Strategist, tôi đã quen với việc phân biệt giữa TVL và doanh thu thực. Một giao thức có TVL cao nhưng doanh thu thấp thường bị ép giá về đúng giá trị. Tương tự, một mạng lưới GPU DePIN có thể có hàng nghìn GPU nhưng nếu tổng doanh thu từ việc cho thuê dưới một triệu đô la mỗi tháng, thì vốn hóa token của nó không thể biện minh bằng bất kỳ chỉ số nào. Khi tôi đánh giá một mạng lưới GPU, tôi nhìn vào ba con số: tổng doanh thu từ compute rental, tỷ lệ GPU được sử dụng thực tế trong 24 giờ qua, và động thái của giá token khi có tin tức về hạ tầng như vLLM. Nếu giá token tăng nhưng doanh thu không tăng, tôi biết rằng thị trường đang giao dịch câu chuyện. Nếu doanh thu tăng nhưng giá token không tăng, đó có thể là cơ hội. Và nếu cả hai cùng tăng, đó có thể là lúc cả thị trường đã nhìn ra điều mà tôi đã thấy từ trước. Tôi nhìn vào các chỉ số on-chain của các mạng lưới DePIN hàng đầu, và tôi không thấy một sự tăng trưởng tương xứng với câu chuyện. Tổng dung lượng GPU lớn, số lượng node lớn, nhưng khối lượng compute được thuê bởi các khách hàng AI thực tế vẫn rất nhỏ so với các nhà cung cấp tập trung. Điều đó không có nghĩa là DePIN sẽ thất bại. Nó có nghĩa là định giá hiện tại của một số token đang đi trước dòng tiền rất xa. Trong thị trường đi ngang, những loại token này thường bị thanh lý mạnh khi câu chuyện không được tiếp thêm nhiên liệu mới. Ngược lại, khi một tin tức như vLLM chạy trên 500.000 GPU xuất hiện, nó có thể được dùng làm nhiên liệu để đẩy giá lên một lần nữa — nhưng lần tăng này dựa trên một sự hiểu lầm. Đây là nơi smart money đang định vị. Thay vì mua token của các mạng lưới DePIN có định giá cao và dòng tiền thấp, một số quỹ đang tìm đến các công ty GPU cloud tư nhân thông qua thị trường thứ cấp, hoặc mua trái phiếu chuyển đổi của các công ty hạ tầng AI. Họ cũng có thể mua cổ phiếu của NVIDIA và các nhà sản xuất chip — không phải vì họ tin vào AI, mà vì họ tin rằng mọi câu chuyện, dù là open model hay closed model, cuối cùng đều phải trả tiền cho GPU. Nhìn vào dòng tiền của NVIDIA trong các quý gần đây, bạn sẽ thấy rằng phần lớn doanh thu đến từ các công ty lớn xây dựng trung tâm dữ liệu khổng lồ. Nếu vLLM giúp các doanh nghiệp vừa và nhỏ tự triển khai model, họ sẽ cần mua GPU, và NVIDIA vẫn là người bán duy nhất có quy mô. Vậy nên câu chuyện open model chiến thắng thực chất cũng là câu chuyện NVIDIA chiến thắng — một điều mà những người theo chủ nghĩa phi tập trung có thể không muốn nghe. Bức tranh tổng thể: ba kịch bản cho 12 tháng tới. Kịch bản thứ nhất: vLLM tiếp tục mở rộng và trở thành lớp chuẩn hóa cho mọi triển khai inference. Giá GPU vẫn cao, các công ty cloud AI tăng trưởng mạnh, và các mạng lưới DePIN bị bỏ lại phía sau vì không có đủ cầu thực sự. Trong kịch bản này, các token AI và DePIN phổ biến sẽ giảm dần về định giá, trong khi các công ty hạ tầng tư nhân và NVIDIA tiếp tục hưởng lợi. Kịch bản thứ hai: vLLM giúp giảm chi phí inference đến mức mà các nhà phát triển ứng dụng bắt đầu chạy model trên các mạng lưới GPU giá rẻ, kể cả DePIN. Cầu thực sự xuất hiện, dòng tiền trên các mạng lưới này tăng, và token DePIN có một đợt tăng giá dựa trên doanh thu thực tế. Trong kịch bản này, các mạng lưới có cơ chế khuyến khích hai chiều tốt nhất sẽ thắng, không phải mạng lưới có nhiều GPU nhất. Kịch bản thứ ba: Một lỗ hổng bảo mật nghiêm trọng được phát hiện trong vLLM hoặc một thư viện liên quan, ảnh hưởng đến hàng trăm nghìn instance. Niềm tin vào open-source inference engine bị tổn hại, các doanh nghiệp quay trở lại sử dụng API tập trung, và câu chuyện open model bị đẩy lùi 2-3 năm. Trong kịch bản này, giá trị quay trở lại với các công ty như OpenAI và Anthropic, trong khi các mạng lưới DePIN mất đi lý do tồn tại chính. Tôi không biết kịch bản nào sẽ xảy ra. Nhưng tôi biết rằng thị trường hiện tại đang định giá theo kịch bản thứ hai, trong khi bằng chứng kỹ thuật lại nghiêng về kịch bản thứ nhất. Các token DePIN có vốn hóa lớn trong khi lượng compute thực tế được giao dịch vẫn rất nhỏ. Điều này giống như một giao thức DeFi có TVL 1 tỷ đô la nhưng doanh thu từ phí chỉ 1 triệu đô la một năm: nó có thể tồn tại trong một thời gian dài, nhưng nó không tạo ra giá trị kinh tế bền vững. Nếu bạn đang nắm giữ các token này, hãy tự hỏi: bạn đang đặt cược vào dòng tiền từ việc cho thuê GPU, hay bạn đang đặt cược vào việc một câu chuyện sẽ tiếp tục được kể? Trong lúc viết bài này, tôi nhớ lại một câu nói của một quản lý quỹ kỳ cựu mà tôi từng làm việc cùng ở Abu Dhabi: đừng bao giờ mua một tài sản chỉ vì câu chuyện về nó hay, hãy mua nó vì những con số mà người khác chưa nhìn thấy. Với vLLM, con số mà người khác chưa nhìn thấy không phải là 500.000 GPU. Đó là số GPU đang chạy workload có doanh thu, số hợp đồng cho thuê GPU dài hạn được ký bởi các doanh nghiệp thực, và số lượng nhà phát triển sẵn sàng trả phí để chạy model trên một mạng lưới phi tập trung. Ngày nào những con số đó chưa xuất hiện, ngày đó câu chuyện vLLM vẫn chỉ là một câu chuyện. Về bản chất, câu chuyện 500.000 GPU của vLLM là một tín hiệu quan trọng không phải vì con số, mà vì nó cho thấy AI inference đang trở thành một loại hạ tầng công cộng. Cũng giống như giao thức TCP/IP không thuộc về một công ty nào, vLLM cho thấy tầng phục vụ model đang mở ra cho tất cả mọi người. Nhưng một lớp hạ tầng mở không tự động tạo ra một thị trường phi tập trung. Nó có thể được sử dụng bởi các công ty tập trung để củng cố quyền lực của họ. Trong thực tế, điều này đang xảy ra: các cloud provider lớn là những người hưởng lợi chính từ vLLM, chứ không phải các mạng lưới DePIN. Từ góc độ mật mã học, câu chuyện này có một bài học sâu sắc. Chúng ta có xu hướng nghĩ rằng mã nguồn mở là phi tập trung, và API đóng là tập trung. Nhưng sự phân biệt thực sự không nằm ở mã nguồn, mà nằm ở ai kiểm soát các điểm truy cập. vLLM là mã nguồn mở, nhưng nếu 90% lượng GPU chạy vLLM nằm trong tay ba công ty cloud, thì sự mở đó chỉ là một lớp trang trí. Ngược lại, một mạng lưới DePIN dù sử dụng mã nguồn đóng vẫn có thể phi tập trung nếu các node do nhiều bên độc lập vận hành và quyền kiểm soát được phân tán. Điều quan trọng không phải là bạn có thể đọc mã nguồn hay không, mà là bạn có thể chạy một node và có khách hàng trả tiền hay không. Vậy, câu hỏi cuối cùng mà tôi muốn đặt ra là: khi bạn nhìn thấy con số 500.000 GPU, bạn đang nhìn thấy một chiến thắng của sự mở, hay một sự tái tập trung quyền lực dưới một lớp vỏ bọc mới? Nếu vLLM đang giúp các cloud provider lớn củng cố vị thế của họ, thì câu chuyện open model thực chất là câu chuyện của một hệ thống tập trung mới. Còn nếu vLLM đang giúp các mạng lưới GPU phi tập trung có được một lớp phần mềm tiêu chuẩn để thu hút khách hàng, thì đó mới là một câu chuyện crypto thực sự. Tôi nghiêng về phía thứ nhất, nhưng tôi vẫn đang theo dõi dòng tiền để xác nhận. Trong thị trường này, dòng tiền không bao giờ nói dối. Còn những con số GPU đẹp đẽ trên slide pitch deck thì luôn có thể được vẽ lại.