7.500 tỷ USD cho hạ tầng AI: Lời nguyền thanh khoản hay cơ hội vàng?

Khi cả thế giới đang phấn khích với con số 7.500 tỷ USD mà Goldman Sachs dự báo cho đầu tư hạ tầng AI trong 5 năm tới, tôi lại nhìn thấy một tín hiệu đáng lo ngại hơn nhiều: dòng thanh khoản toàn cầu đang bị hút vào một cái hố không đáy, và những người đi sau sẽ trả giá. Cảm giác này tôi đã từng trải qua vào năm 2017, khi OmiseGo ICO tăng 15 lần trong 2 tháng, nhưng thanh khoản kém khiến tôi không thể thoát ra kịp. Lịch sử không lặp lại, nhưng nó thường vần điệu. Goldman Sachs vừa công bố báo cáo cho rằng chi tiêu cho cơ sở hạ tầng AI (chip, trung tâm dữ liệu, mạng lưới) sẽ đạt 7.500 tỷ USD từ năm 2025 đến 2029. Con số này lớn gấp 12 lần tổng vốn hóa thị trường hiện tại của Nvidia, và gấp 1,5 lần GDP của Nhật Bản. Trong bối cảnh lãi suất toàn cầu vẫn ở mức cao (Fed duy trì 5,25-5,5%), việc huy động nguồn vốn khổng lồ này sẽ hút thanh khoản từ các kênh đầu tư khác, bao gồm cả thị trường crypto. Hãy tưởng tượng 7.500 tỷ USD có thể làm gì. Với giá thành khoảng 30.000 USD cho một chip Nvidia B200 (20 PFLOPS), số tiền này đủ để mua 250 triệu chip, mang lại tổng sức mạnh tính toán 5.000 ZettaFLOPS – gấp 10.000 lần những gì OpenAI đang sở hữu. Nhưng vấn đề không nằm ở chip: để vận hành chúng, chúng ta cần khoảng 500 GW điện, tương đương 60% tổng sản lượng điện của Mỹ hiện tại. Các lò phản ứng hạt nhân nhỏ (SMR) sẽ phải mọc lên như nấm, nhưng thời gian xây dựng trung bình là 7-10 năm – muộn so với kỳ vọng. Từ góc nhìn của một người nghiên cứu thanh khoản xuyên biên giới, tôi thấy sự tương đồng rõ ràng với những gì đã xảy ra trong DeFi Summer 2020. Khi thanh khoản tràn ngập, impermanent loss trở thành cái bẫy cho những ai đến sau. 7.500 tỷ USD là một gói thanh khoản khổng lồ sẽ được bơm vào một lĩnh vực mà nhu cầu thực tế chưa được kiểm chứng. Các gã khổng lồ công nghệ (Microsoft, Google, Meta) sẽ là người hưởng lợi chính, nhưng các công ty khởi nghiệp AI có thể bị bóp nghẹt bởi chi phí compute và sự phụ thuộc vào hạ tầng đắt đỏ. Kinh nghiệm của tôi với Ethereum Layer2 cho thấy một bài học: càng có nhiều blockchain, thanh khoản càng bị phân mảnh, và người dùng cuối không thấy được lợi ích thực sự. Tương tự, nếu 7.500 tỷ USD tập trung xây dựng compute nhưng thiếu các ứng dụng AI đủ mạnh để tạo doanh thu, chúng ta sẽ đối mặt với một bong bóng hạ tầng giống như cơn sốt ICO năm 2017. Lúc đó, hàng nghìn dự án huy động hàng tỷ USD, nhưng hầu hết chết yểu vì thiếu sản phẩm thực tế. Điều trái ngược: mặc cho sự lạc quan của Goldman Sachs, tôi cho rằng con số 7.500 tỷ USD là quá cao. Nó dựa trên giả định rằng scaling law (quy mô mô hình) vẫn tiếp tục có hiệu quả tuyến tính, nhưng các nhà nghiên cứu hàng đầu đã bắt đầu thấy dấu hiệu bão hòa. Nếu chi phí huấn luyện mô hình tăng theo cấp số nhân mà hiệu suất chỉ tăng tuyến tính, các công ty sẽ thắt chặt đầu tư. Hơn nữa, sự trỗi dậy của các mô hình nhỏ hơn (SLM) và kỹ thuật tinh chỉnh (fine-tuning) có thể làm giảm nhu cầu compute tổng thể. Từ góc nhìn của một người từng xây dựng hệ thống routing thanh toán đa chain dùng reinforcement learning trong hackathon 2026, tôi tin rằng giá trị thực sự nằm ở khả năng tối ưu hóa và phân bổ compute, không phải ở việc chất đống chip. Giống như trong cross-border payment, việc chọn đường đi rẻ nhất quan trọng hơn băng thông tổng. Các dự án AI + crypto có thể giải quyết vấn đề này thông qua các thị trường compute phi tập trung (như Akash, io.net) – nơi cho phép chia sẻ tài nguyên tính toán dư thừa. Takeaway của tôi: 7.500 tỷ USD không phải là một khoản đầu tư chắc chắn, mà là một lời nguyền nếu không có kế hoạch thoát ra. Những con số khổng lồ thường che giấu sự thật rằng không ai thực sự hiểu chúng. Là một INFJ, tôi thấy cần phải nhìn vào các tín hiệu yếu: sự thắt chặt thanh khoản toàn cầu, chu kỳ lãi suất cao, và sự mệt mỏi của các nhà đầu tư công nghệ. Chu kỳ tiếp theo của crypto có thể không đến từ AI hype, mà từ những dự án giải quyết bài toán phân bổ nguồn lực hiệu quả – giống như cách DeFi đã làm với thanh khoản tài chính. Khi mọi người đổ xô mua GPU, tôi sẽ tìm mua những token của các mạng lưới compute phi tập trung đang bị định giá thấp. Đó là bài học tôi rút ra từ 17 năm quan sát thị trường: giá trị thực nằm ở chỗ mọi người không nhìn thấy.