Dũng Virgo
Những chiếc PC gaming thường được trang bị card đồ họa rất mạnh, nhưng GPU không phải lúc nào cũng hoạt động hết công suất. Sau vài giờ chơi game hoặc làm việc, phần cứng đắt tiền có thể chuyển sang trạng thái nhàn rỗi trong phần lớn thời gian còn lại của ngày. Một số startup đang muốn biến khoảng thời gian đó thành nguồn tài nguyên phục vụ các tác vụ AI.
Ý tưởng được ví như một dạng “Airbnb cho AI”: người sở hữu máy tính cung cấp GPU khi không sử dụng, còn doanh nghiệp thuê sức mạnh tính toán để vận hành mô hình. Nếu triển khai hiệu quả, mô hình này có thể tạo ra một mạng lưới điện toán phân tán từ hàng nghìn, thậm chí hàng trăm nghìn máy tính cá nhân.
Biến PC gaming thành một phần của đám mây AI
Far Labs tại Abu Dhabi và Evolving Edge ở Austin là hai startup đang theo đuổi hướng tiếp cận này. Thay vì xây toàn bộ trung tâm dữ liệu với chi phí lớn, họ kết nối GPU tiêu dùng của người dùng thành một mạng lưới dùng chung.
Far Labs dự kiến đưa nền tảng Far AI vào hoạt động trong vài tuần và đặt mục tiêu duy trì độ trễ không quá 100 mili giây. Trong khi đó, Evolving Edge đã bắt đầu chương trình thử nghiệm dành cho những người muốn tham gia cung cấp tài nguyên máy tính.
Khách hàng mục tiêu của hai nền tảng chủ yếu là các mô hình AI nguồn mở có quy mô nhỏ và vừa. Đây không phải nhóm hệ thống khổng lồ tương đương các sản phẩm của OpenAI, Google hay Anthropic, vốn cần hạ tầng trung tâm dữ liệu chuyên dụng và khả năng phối hợp ở quy mô lớn hơn.
Thị trường này cũng đã có đối thủ hoạt động trước. Salad, một nền tảng cho thuê tài nguyên máy tính, được quảng bá là có hơn 60.000 GPU tiêu dùng hoạt động mỗi ngày. Sự xuất hiện của Far Labs và Evolving Edge cho thấy nhu cầu tận dụng phần cứng phân tán đang được nhiều doanh nghiệp AI chú ý.
Vì sao GPU nhàn rỗi phù hợp với tác vụ suy luận?
Suy luận AI là giai đoạn mô hình đã được huấn luyện tiếp nhận yêu cầu và tạo ra kết quả. Những việc quen thuộc như trả lời câu hỏi, nhận diện hình ảnh hoặc xử lý dữ liệu đều thuộc nhóm này.
So với huấn luyện một mô hình lớn từ đầu, suy luận thường nhẹ hơn. Tuy nhiên, khi có nhiều người dùng gửi yêu cầu cùng lúc, hệ thống vẫn cần lượng GPU đáng kể để xử lý nhanh và liên tục. Đây là khoảng trống mà các mạng lưới điện toán phân tán muốn khai thác.
Far Labs cho biết hệ thống của họ có thể chia mô hình thành nhiều phần, gửi các phần này tới những máy tính khác nhau rồi ghép kết quả thành câu trả lời hoàn chỉnh. Evolving Edge sử dụng Ray, một bộ khung nguồn mở cũng xuất hiện trong các trung tâm dữ liệu truyền thống, để điều phối tác vụ giữa những máy tham gia.
Cách làm này khác với việc đặt toàn bộ mô hình trên một máy chủ duy nhất. Tài nguyên được phân bổ theo nhu cầu, còn nền tảng có thể tận dụng những GPU đang không được sử dụng. Đây cũng là hướng phát triển phù hợp với xu thế mở rộng hạ tầng AI ngoài các trung tâm dữ liệu tập trung. Các mô hình AI phân tán đang cho thấy việc phối hợp nhiều tác nhân và nhiều nguồn tài nguyên có thể tạo ra những hệ thống phức tạp hơn.
Lợi thế của mạng lưới hàng nghìn máy tính cá nhân
Ưu điểm dễ thấy nhất là startup không phải mua sẵn hàng nghìn GPU, xây phòng máy hoặc đầu tư hệ thống tản nhiệt quy mô lớn. Chi phí phần cứng ban đầu có thể được chuyển một phần sang cộng đồng người dùng đang sở hữu máy tính phù hợp.
Mạng lưới phân tán cũng không phụ thuộc hoàn toàn vào một địa điểm. Nếu một máy chủ hoặc một khu vực gặp sự cố, các máy khác có thể tiếp tục nhận việc. John Federico, CEO Evolving Edge, cho rằng một hệ thống gồm 250.000 máy vẫn có thể duy trì hoạt động nếu 100 máy bất ngờ mất kết nối.
Tuy nhiên, đây mới là khả năng trên lý thuyết. Hiệu quả thực tế còn phụ thuộc vào chất lượng đường truyền, khoảng cách địa lý, thời gian phản hồi và khả năng điều phối. Các máy tính gia đình cũng không có cấu hình đồng nhất, hoạt động ổn định như máy chủ chuyên dụng hay được đặt trong môi trường tối ưu cho việc chạy liên tục.
Với những yêu cầu AI cần phản hồi nhanh, chỉ một mắt xích có tốc độ thấp hoặc thường xuyên mất kết nối cũng có thể ảnh hưởng đến trải nghiệm chung. Vì vậy, mạng lưới càng lớn thì bài toán quản lý tài nguyên và sắp xếp tác vụ càng phức tạp.
Rủi ro bảo mật khi cho người lạ dùng GPU
Cho thuê GPU không chỉ là bật một phần mềm rồi chờ tiền thưởng. Chủ máy đang cho một nền tảng bên ngoài quyền đưa tác vụ vào máy tính của mình. Điều này lập tức đặt ra câu hỏi: người thuê có thể chạy gì, dữ liệu được xử lý ở đâu và hệ thống có thể ngăn tác vụ vượt khỏi phạm vi cho phép hay không?
Rủi ro đáng lo nhất là mã độc tìm cách thoát khỏi môi trường giới hạn, truy cập dữ liệu cá nhân hoặc chiếm thêm CPU, RAM, bộ nhớ và tài nguyên mạng. Nếu máy tính còn được dùng để lưu tài liệu công việc, tài khoản cá nhân hoặc dữ liệu nhạy cảm, hậu quả của một lỗ hổng có thể lớn hơn nhiều so với khoản thu nhập nhận được.
Far Labs và Evolving Edge cho biết tác vụ AI sẽ chạy trong sandbox, tức môi trường được tách biệt với dữ liệu chính trên máy. Kết nối được mã hóa, trong khi quyền sử dụng CPU, GPU, RAM, bộ nhớ và mạng đều bị giới hạn. Khách hàng thuê GPU cũng không được truy cập trực tiếp vào máy chủ của người cung cấp.
Evolving Edge còn công khai mã nguồn phần mềm dành cho máy tham gia mạng lưới, giúp cộng đồng có thể kiểm tra cách chương trình vận hành. Dù vậy, sandbox và mã nguồn mở chỉ giúp tăng khả năng kiểm tra, không thể bảo đảm tuyệt đối rằng hệ thống sẽ không xuất hiện lỗ hổng.
Người dùng cũng cần quan tâm đến lượng dữ liệu truyền qua mạng, quyền riêng tư và cơ chế dừng tác vụ. Một nền tảng đáng tin cậy phải cho phép chủ máy lấy lại tài nguyên nhanh chóng khi muốn chơi game, làm việc hoặc xử lý công việc cá nhân.
Tiền điện có thể cao hơn khoản thu
Khả năng kiếm tiền là yếu tố khiến mô hình này thu hút chủ PC gaming, nhưng hiện chưa có đủ dữ liệu để khẳng định lợi nhuận. Far Labs và Evolving Edge chưa công bố mức chi trả cụ thể cho người cung cấp GPU. Vì vậy, người dùng chưa thể biết doanh thu thực tế có đủ bù tiền điện, hao mòn linh kiện và chi phí làm mát hay không.
Salad hiện bán sức mạnh GPU tiêu dùng cho khách hàng với giá khởi điểm 0,02 USD mỗi giờ. Đây là giá khách hàng trả cho nền tảng, không phải số tiền chủ máy nhận được. Sau khi khấu trừ phí, phần chia cho người cung cấp sẽ thấp hơn.
Năm 2021, Salad từng ước tính doanh thu khoảng 3,6 triệu USD từ máy tính của người dùng nhưng chỉ phân phối khoảng 500.000 USD tiền thưởng. Tỷ lệ này tương đương gần 14 cent trên mỗi USD doanh thu. Con số được ghi nhận trong giai đoạn nền tảng còn khai thác Ethereum nên không thể dùng để tính trực tiếp cho dịch vụ AI hiện nay, nhưng nó cho thấy cơ chế phân chia doanh thu có thể ảnh hưởng mạnh đến thu nhập.
Chi phí điện là phép tính mà người dùng không nên bỏ qua. Một GPU RTX 4090 có mức tiêu thụ khoảng 350-450 W khi hoạt động liên tục. Với giá điện 0,15 USD/kWh tại Mỹ, riêng card đồ họa có thể tiêu tốn khoảng 40-50 USD mỗi tháng nếu chạy cả ngày. Con số này chưa tính đến CPU, quạt, hệ thống tản nhiệt, điện năng thất thoát và hao mòn phần cứng.
| Khoản cần tính | Ảnh hưởng đến lợi nhuận |
|---|---|
| Điện cho GPU | Tăng theo thời gian chạy và công suất thực tế |
| CPU, quạt và tản nhiệt | Làm tổng mức tiêu thụ cao hơn chỉ số của GPU |
| Hao mòn linh kiện | Rút ngắn thời gian sử dụng nếu phần cứng chạy liên tục |
| Phí nền tảng | Giảm số tiền chủ máy thực nhận |
Giá điện ở mỗi quốc gia và cấu hình máy sẽ tạo ra kết quả khác nhau. Một PC đặt tại nơi có điện rẻ, thường xuyên rảnh và có GPU hiệu quả năng lượng có thể phù hợp hơn. Ngược lại, nếu mức thưởng thấp hoặc GPU chỉ được thuê trong thời gian ngắn, doanh thu có thể không đủ bù chi phí vận hành.
“Nhân viên làm ca đêm” chưa chắc là nguồn thu thụ động
Ý tưởng biến GPU nhàn rỗi thành tài sản tạo doanh thu có sức hấp dẫn rõ ràng. Người dùng không cần mua thêm máy nếu đã sở hữu PC gaming mạnh, còn các startup có thể tiếp cận nguồn năng lực tính toán phân tán mà không phải tự xây toàn bộ trung tâm dữ liệu.
Dù vậy, cách gọi “thu nhập thụ động” có thể khiến người dùng đánh giá thấp những việc cần theo dõi. Máy phải duy trì kết nối, phần mềm cần được cập nhật, hệ thống phải kiểm soát nhiệt độ và chủ máy phải kiểm tra tác vụ đang chạy. Nếu nền tảng không có nút dừng đáng tin cậy, trải nghiệm chơi game hoặc làm việc có thể bị ảnh hưởng.
Trước khi tham gia, người dùng nên tìm hiểu ít nhất bốn điểm: mức trả thực tế sau phí, cách tính điện năng, loại tác vụ được phép chạy và chính sách xử lý khi xảy ra sự cố. Ngoài ra, nên tách máy cho thuê khỏi thiết bị lưu dữ liệu quan trọng, đồng thời kiểm tra giới hạn tài nguyên mà phần mềm được phép sử dụng.
Ở phía doanh nghiệp, mô hình này chỉ có thể phát triển lâu dài nếu chứng minh được ba yếu tố: độ ổn định, bảo mật và chi phí cạnh tranh. Một mạng lưới nhiều GPU nhưng thường xuyên mất kết nối sẽ khó đáp ứng khách hàng cần AI phản hồi nhanh. Ngược lại, hệ thống an toàn nhưng trả thù lao quá thấp cũng khó thu hút chủ máy.
Cơ hội còn lớn, nhưng cần mô hình minh bạch
Hàng triệu GPU trong máy tính cá nhân có thể bị bỏ không trong nhiều giờ mỗi ngày. Việc tận dụng nguồn lực này là hướng đi đáng chú ý khi nhu cầu tính toán AI tiếp tục tăng. Tuy nhiên, tiềm năng công nghệ không đồng nghĩa với lợi nhuận chắc chắn cho người dùng.
Far Labs và Evolving Edge vẫn cần chứng minh rằng mạng lưới phân tán có thể vận hành ổn định ngoài quy mô thử nghiệm, bảo vệ được dữ liệu và đưa ra mức chia doanh thu hợp lý. Với chủ PC gaming, câu hỏi quan trọng không chỉ là “có thể kiếm được bao nhiêu”, mà còn là “phải trả bao nhiêu để GPU hoạt động thay mình”.
Nếu các nền tảng công khai rõ giá thuê, tỷ lệ khấu trừ, chi phí ước tính và trách nhiệm khi có sự cố, người dùng sẽ dễ đánh giá hơn. Khi đó, chiếc PC nhàn rỗi mới có cơ hội trở thành một phần hữu ích của hạ tầng AI, thay vì biến thành thiết bị tiêu thụ điện để làm việc cho người khác với mức thưởng không đáng kể.
AI phát hiện quá nhiều lỗi trong hơn 40 triệu dòng mã Linux
GPT-6 Astra: OpenAI tuyên bố kỷ nguyên AGI đã bắt đầu
Gemini 3.8 Flash ra mắt: Mạnh hơn, rẻ hơn nhưng vẫn thiếu bản Pro
Trung Quốc hướng tới 3.000 nhà cung cấp dịch vụ AI vào 2027
Gemini 3.8 Flash: AI reasoning nhanh, rẻ và mạnh về coding
Anthropic ra mắt Fable 5.1: Mạnh hơn, rẻ hơn cho lập trình AI
EU siết giám sát ChatGPT theo Đạo luật Dịch vụ Kỹ thuật số
