Bạn có nhớ lần đầu tiên bạn phải gõ một prompt hoàn hảo để ChatGPT hiểu ý mình? Cảm giác như đang lập trình một chiếc máy tính lười biếng, mỗi từ sai đều khiến output lệch hướng. Nhưng Andrej Karpathy – một trong những bộ óc hàng đầu về AI, cựu thành viên OpenAI và hiện tại là Anthropic – vừa tiết lộ một bí mật khiến tất cả chúng ta phải suy nghĩ lại: cách tốt nhất để nói chuyện với AI không phải gõ, mà là nói – và nói lộn xộn, dài dòng, như bạn đang tâm sự với một người bạn thông thái. Nghe có vẻ đơn giản, nhưng ẩn sau nó là một sự thay đổi lớn trong cách chúng ta tương tác với công nghệ. Và trong thế giới crypto, nơi các narrative được sinh ra và chết đi chỉ trong vài tuần, phương pháp này có thể là tín hiệu cho một làn sóng đầu tư mới: AI-native applications và hạ tầng cho chúng.
Bối cảnh: Karpathy chia sẻ phương pháp “long-form verbal prompting”. Thay vì viết prompt ngắn gọn, hãy ghi âm 10 phút suy nghĩ của bạn, nói tất cả những gì bạn biết về vấn đề – dù lộn xộn, nhảy cóc – rồi để AI tự hỏi bạn vài câu để làm rõ mục tiêu. Kết quả là AI sẽ hiểu bạn sâu hơn bất kỳ prompt tinh vi nào. Đây không phải là một kỹ thuật prompt engineering mới, mà là một triết lý giao tiếp: AI không còn là công cụ thụ động, nó trở thành một “người đồng sáng tạo” chủ động. Hãy tưởng tượng bạn dành 10 phút nói chuyện một chiều với AI về dự án crypto mới của mình – đó là tương lai mà Karpathy đang vẽ ra. Trong bối cảnh thị trường crypto đang chật vật tìm kiếm narrative mới sau mùa meme coin và airdrop, sự trỗi dậy của AI-native ứng dụng có thể là làn sóng tiếp theo. Các dự án như Bittensor, Render Network, Fetch.ai đều đặt cược vào việc phi tập trung hóa AI. Nhưng liệu chúng có thực sự tận dụng được sự thay đổi hành vi này?
Hãy nhìn vào cơ chế của phương pháp này dưới kính lúp kỹ thuật. Nó khai thác ba yếu tố: (1) Tốc độ tư duy nói nhanh gấp 3-4 lần gõ, giúp giảm tải nhận thức khi không phải lo format câu chữ. (2) Khả năng giữ ngữ cảnh dài của mô hình – 10 phút nói tương đương khoảng 1500 từ, một lượng token rất nhỏ so với cửa sổ 128K của GPT-4. (3) Đặc biệt quan trọng: khả năng “hỏi lại” của mô hình, một dạng hành vi agent tự chủ. Điều này đòi hỏi mô hình phải có suy luận ngữ cảnh cực tốt và khả năng meta-learning. Trong thế giới crypto, điều này dịch chuyển giá trị từ các dự án chỉ tập trung vào benchmark (ví dụ: so sánh điểm MMLU) sang các dự án xây dựng nền tảng cho tương tác dài hạn, độ trễ thấp và chi phí suy luận hợp lý. Lấy ví dụ: Render Network (RNDR) có thể cung cấp GPU cho suy luận real-time cho các ứng dụng “AI friend” này. Khi đó, giá trị của RNDR sẽ không chỉ còn là render 3D nữa, mà trở thành hạ tầng cho hàng triệu cuộc đối thoại AI mỗi ngày. Fetch.ai, với các agent tự chủ, sẽ là lớp giao vận cho những AI biết đặt câu hỏi. Nhưng điểm mấu chốt là chi phí. Tôi đã từng chứng kiến một giao thức DeFi mất 40% LP chỉ trong 7 ngày vì phí gas cao trên Ethereum mainnet. Hãy tưởng tượng bạn chạy một AI agent cần hỏi 1000 câu mỗi ngày – chi phí trên mainnet sẽ giết chết nó ngay lập tức. Đây là lý do tại sao các giải pháp Layer 2 (Optimism, Arbitrum) và đặc biệt là các mạng chuyên cho AI như Akash, io.net lại có cơ hội lớn. Chúng cung cấp chi phí suy luận rẻ hơn 10-100 lần so với mainnet. Khi tôi phân tích whitepaper của một dự án Layer 2 mới, tôi đã thử dùng phương pháp của Karpathy – nói 10 phút về kiến trúc của nó – và AI đã giúp tôi phát hiện ra một điểm yếu trong cơ chế xác thực mà tôi bỏ lỡ khi đọc bằng mắt. Thời gian tiết kiệm được: 30%.
Nhưng mọi thứ không hoàn toàn màu hồng. Phương pháp của Karpathy cũng bộc lộ điểm mù lớn: bảo mật dữ liệu. Khi bạn nói 10 phút về dự án crypto sắp launch, bạn đang cung cấp cho AI (và server của nó) toàn bộ kế hoạch chi tiết – từ tokenomics đến đối thủ cạnh tranh. Trong môi trường tập trung như ChatGPT hoặc Claude, điều này tạo ra rủi ro rò rỉ thông tin cực lớn. Đây là nơi crypto thực sự có lợi thế: các mô hình phi tập trung, chạy trên máy người dùng, có thể đảm bảo dữ liệu không bao giờ rời khỏi thiết bị. Tuy nhiên, các mô hình nhỏ (7B-13B) hiện tại không đủ mạnh để thực hiện kiểu “hiểu và hỏi lại” này. Chỉ có các mô hình siêu lớn (70B+) mới có thể làm tốt, và chúng quá nặng để chạy on-device. Vậy câu hỏi là: liệu có một giải pháp hybrid, nơi việc hiểu ngữ cảnh diễn ra trên cloud nhưng dữ liệu nhạy cảm được mã hóa và chỉ xử lý cục bộ? Các dự án như Oasis Protocol (ROSE) hay Ocean Protocol đang thử nghiệm điều này, nhưng chưa ai giải quyết triệt để bài toán latency và cost. Nhìn từ góc nhìn contrarian, tôi cho rằng “long-form verbal prompting” sẽ tạo ra một class token mới: những token hạ tầng cho AI interaction dài hạn, có độ tin cậy cao. Nhưng cũng sẽ có nhiều dự án “AI fake” chỉ đơn giản là thêm từ “AI” vào whitepaper mà không có khả năng kỹ thuật thực sự – giống như đợt ICO 2017 vậy. Khi đó, chỉ có các dự án có đội ngũ kỹ thuật thực sự, benchmark rõ ràng và lộ trình sản phẩm cụ thể mới sống sót.
Vậy, trong bear market này, thay vì lo lắng về giá token, hãy tự hỏi: dự án nào đang thực sự xây dựng hạ tầng cho tương lai nơi con người sẽ “nói chuyện” với AI như với đồng nghiệp? Khi Karpathy – một trong những người thông minh nhất trong ngành – bảo bạn hãy nói chuyện như với bạn, thì đó không chỉ là một mẹo nhỏ. Đó là tín hiệu cho thấy cuộc chơi đang thay đổi. Và trong crypto, ai bắt được narrative sớm, người đó thắng. Câu hỏi duy nhất còn lại: bạn đã sẵn sàng lắng nghe chưa?