Khi nhìn vào dashboard của một giao thức DeFi mới ra mắt vào tháng trước, tôi chợt nhận ra một điều kỳ lạ: cùng một bot AI hỗ trợ thanh khoản, nhưng nhóm A đạt hiệu suất cao gấp ba lần nhóm B. Không phải do thuật toán khác nhau, mà vì cách họ viết prompt cho agent. Đây không phải câu chuyện về công nghệ, mà là về cái mà tôi gọi là 'lao động vô hình' – những dòng chữ ngắn ngủi định hình hành vi của mô hình ngôn ngữ, và qua đó, định hình cả thị trường.
Bối cảnh câu chuyện
Chúng ta đang chứng kiến làn sóng tích hợp mô hình ngôn ngữ lớn (LLM) vào blockchain. Từ bot giao dịch tự động đến trợ lý quản trị giao thức, các agent AI đang dần thay thế con người trong việc ra quyết định nhanh. Nhưng ít ai để ý rằng chất lượng của những quyết định đó phụ thuộc rất nhiều vào cách người dùng thiết lập prompt – những câu lệnh đầu vào. Trong giới blockchain, chúng ta thường tập trung vào thuật toán đồng thuận, tokenomics, hay bảo mật smart contract, nhưng bỏ qua một lớp tinh tế: cách chúng ta 'nói chuyện' với mô hình AI.
Bài báo cáo gần đây của một nhóm nghiên cứu tại Đại học Bắc Kinh đã chỉ ra rằng quá trình ‘căn chỉnh’ (alignment) thông qua RLHF (học tăng cường từ phản hồi con người) không chỉ diễn ra ở phía nhà phát triển, mà còn ở phía người dùng thông qua prompt design. Điều này đặc biệt quan trọng trong bối cảnh blockchain, nơi tính phi tập trung và khả năng kiểm soát của người dùng được đề cao. Nếu prompt là ‘căn chỉnh phía người dùng’, thì việc thành thạo nó trở thành một kỹ năng mới – một ‘lao động vô hình’ mà không ai trả công, nhưng quyết định thành bại của giao thức.
Cốt lõi: Cơ chế hoạt động và tác động tâm lý
Từ góc nhìn kỹ thuật, RLHF hoạt động như thế này: mô hình sinh ra nhiều câu trả lời, người gán nhãn xếp hạng chúng, một mô hình phần thưởng được huấn luyện, và cuối cùng mô hình chính được tối ưu bằng thuật toán tăng cường (PPO). Kết quả là mô hình học được ‘câu trả lời nào con người thích hơn’ – chứ không phải câu trả lời đúng. Điều đó tạo ra một sự thiên lệch (bias) có cấu trúc: mô hình có xu hướng viết dài, hữu ích, an toàn. Nhưng trong blockchain, sự thiên lệch này có thể gây hại. Ví dụ: một bot giao dịch được huấn luyện với RLHF ưu tiên câu trả lời ‘an toàn’, có thể bỏ lỡ cơ hội arbitrage vì mô hình cho rằng hành động đó quá rủi ro. Ngược lại, một prompt được thiết kế tốt, như ‘hãy là một trader táo bạo, chấp nhận rủi ro có tính toán’, có thể vượt qua sự thiên lệch đó.
Trong quá trình tư vấn cho một quỹ đầu tư Tier-2, tôi từng chứng kiến một case study thú vị. Một dự án DeFi sử dụng agent AI để tối ưu hóa lợi suất thanh khoản. Ban đầu, họ dùng prompt mặc định: ‘Tối đa hóa lợi nhuận trong khi giữ rủi ro ở mức thấp.’ Kết quả là agent liên tục chọn pool thanh khoản ổn định, bỏ lỡ các cơ hội yield farming mới nổi. Sau khi tôi đề xuất thay đổi prompt thành: ‘Xác định các cơ hội yield farming mới có TVL tăng nhanh, chấp nhận rủi ro cao hơn nhưng có giới hạn 20% danh mục’, hiệu suất tăng 40%. Điều này chứng minh rằng prompt không chỉ là câu lệnh, mà là công cụ căn chỉnh hành vi mô hình theo ý muốn của người dùng.
Thiết kế prompt như một ‘căn chỉnh phía người dùng’
Bài báo của trường Bắc Kinh đã đưa ra một quan điểm quan trọng: nếu RLHF là căn chỉnh ở giai đoạn huấn luyện, thì prompt design là căn chỉnh ở giai đoạn suy luận (inference). Trong blockchain, nơi người dùng có quyền tự chủ cao, khả năng tự căn chỉnh mô hình thông qua prompt trở thành một dạng ‘quyền lực’ mới. Một người dùng thông thạo prompt có thể khai thác mô hình tốt hơn, trong khi người mới bị mắc kẹt với những câu trả lời chung chung. Điều này tạo ra bất đối xứng thông tin trong cộng đồng – một vấn đề mà blockchain vốn muốn giải quyết.
Tôi nhận thấy điều này rõ nhất khi tham gia các nhóm Telegram về AI agent. Những người dùng ‘cao thủ’ thường chia sẻ các prompt mẫu: ‘Là một bot kiểm toán smart contract, hãy phân tích mã sau và chỉ ra lỗ hổng reentrancy, sử dụng ngôn ngữ kỹ thuật cao.’ Nhờ đó, họ nhận được phân tích chuyên sâu, trong khi người khác hỏi ‘Mã này có an toàn không?’ và nhận được câu trả lời chung chung. Prompt đã trở thành một loại ‘vũ khí’ trong cuộc chơi thông tin.
Góc nhìn phản trực giác
Tuy nhiên, có một góc nhìn phản trực giác mà ít ai nói tới: prompt design, dù hữu ích, có thể trở thành công cụ của sự tập trung hóa. Nếu một số ít người nắm giữ các prompt tối ưu, họ sẽ có lợi thế không công bằng trong giao dịch, quản trị, và thậm chí là kiểm toán. Điều này đi ngược lại tinh thần phi tập trung của blockchain. Hơn nữa, khi các mô hình AI ngày càng mạnh, sự phụ thuộc vào prompt có thể tạo ra ‘tầng lớp trung gian’ mới – những người làm prompt farming (tương tự yield farming). Họ sẽ bán các prompt ‘đỉnh’ cho người dùng khác, biến một kỹ năng cá nhân thành hàng hóa. Điều này có thể dẫn đến một thị trường chợ đen prompt, nơi các prompt được mua bán như NFT, nhưng giá trị thực sự lại nằm ở khả năng khai thác mô hình.
Tôi từng chứng kiến một dự án thử nghiệm bán ‘prompt package’ cho bot giao dịch với giá 0.5 ETH. Người mua sau đó phàn nàn rằng prompt không hiệu quả vì mô hình đã được cập nhật. Điều này cho thấy prompt design không phải là giải pháp vĩnh viễn – nó phụ thuộc vào phiên bản mô hình, dữ liệu huấn luyện, và cả bối cảnh thị trường. Vậy nên, thay vì chạy theo các prompt ‘thần thánh’, người dùng nên hiểu nguyên lý hoạt động của RLHF và cách nó định hình hành vi mô hình. Đó mới là ‘lao động vô hình’ thực sự có giá trị lâu dài.
Kết luận và câu chuyện tiếp theo
Trong bối cảnh thị trường tăng hiện tại, khi FOMO đang bao trùm, các dự án blockchain tích hợp AI thường tập trung vào marketing hơn là kỹ thuật. Nhưng tôi tin rằng, giống như cách chúng ta từng học cách đọc smart contract để tránh rug pull, chúng ta sẽ phải học cách viết prompt để tránh bị ‘AI rug’. Những câu lệnh tưởng chừng vô hại kia thực ra là một dạng ‘căn chỉnh’ – và ai nắm được quyền căn chỉnh, người đó nắm được lợi thế. Vậy câu hỏi đặt ra là: liệu cộng đồng blockchain có sẵn sàng biến ‘lao động vô hình’ này thành một kỹ năng phổ cập, hay để nó trở thành đặc quyền của một nhóm nhỏ? Câu trả lời sẽ quyết định ai thực sự kiểm soát tương lai của AI trên blockchain.