Hơn 58.000 sinh viên Đại học Tự trị Quốc gia Mexico (UNAM) – một trong những trường đại học lớn nhất thế giới – vừa nhận được thông báo phải thi lại toàn bộ kỳ thi trực tuyến sau khi hệ thống AI giám sát thi cử sụp đổ giữa chừng. Không ai tại UNAM gọi đây là một sự kiện blockchain. Nhưng với một người đã dành gần ba thập kỷ quan sát sự chuyển dịch của hạ tầng tài chính và công nghệ, vụ việc này giống hệt một cú sốc thanh khoản trong một giao thức tài chính phi tập trung: bạn không biết chính xác mắt xích nào gãy, nhưng bạn biết toàn bộ hệ thống đã ngừng hoạt động. Và niềm tin – thứ đắt nhất cả trong tiền mã hóa lẫn giáo dục – đã bị tổn hại nghiêm trọng.
Ván cược cơ sở hạ tầng đằng sau ứng dụng luôn là phần kém hào nhoáng nhất, nhưng lại là nơi quyết định thắng bại. AI proctoring – công nghệ cho phép máy tính “trông thi” thay giáo viên – trông có vẻ hiện đại với webcam, nhận diện khuôn mặt, phân tích chuyển động mắt. Nhưng bên dưới lớp giao diện ấy là một kiến trúc client-server truyền thống. Và khi có 58.000 thí sinh cùng lúc tải video lên, kiến trúc đó sẽ sụp đổ. Không phải vì AI thiếu thông minh. Mà vì nó là một “sequencer tập trung” đúng nghĩa.
Bối cảnh: AI trông thi được xây dựng như thế nào
Trước khi nói về bài học, hãy đặt bối cảnh. AI proctoring là sự kết hợp của ba lớp: thứ nhất, xác minh danh tính qua nhận diện khuôn mặt hoặc sinh trắc học; thứ hai, giám sát hành vi qua phân tích luồng video, micro và hoạt động màn hình; thứ ba, chấm điểm rủi ro dựa trên các mô hình phát hiện bất thường. Về bản chất kỹ thuật, đây không phải là một đột phá AI, mà là sự lắp ráp các thành phần thị giác máy tính đã có từ nhiều năm. Mỗi thành phần có thể hoạt động tốt trong môi trường thử nghiệm. Nhưng khi đưa vào vận hành ở quy mô 58.000 người, điều kiện sẽ khác.
Hãy làm một phép tính gần đúng. Giả sử mỗi thí sinh ghi hình webcam trong 30 phút với chất lượng 720p, tốc độ bit khoảng 2,5 megabit mỗi giây. Một thí sinh sẽ tạo ra khoảng 560 megabyte dữ liệu video. Nhân với 58.000, chúng ta có khoảng 32,5 terabyte – chỉ tính riêng video từ webcam, chưa kể ghi âm và ghi màn hình. Nếu chất lượng 1080p, con số có thể vượt 100 terabyte. Hạ tầng phải nhận 145 gigabit mỗi giây ở hướng lên, trong khi băng thông thực tế tại nhiều vùng của Mexico không đáp ứng nổi. Hệ thống ghi nhận mất gói, thử kết nối lại, rồi nghẽn toàn bộ.
Nhưng câu chuyện không chỉ nằm ở con số. Nó nằm ở logic vận hành. Phần lớn các nền tảng giám sát thi trực tuyến chạy trên đám mây công cộng và thường cấu hình theo kiểu “tự mở rộng” với ngân sách hạn chế. Khi lượng người dùng tăng đột biến, chi phí cho GPU và băng thông tăng vọt. Hệ thống sẽ chọn một trong hai cách: hoặc tốn tiền để mở rộng, hoặc chặn bớt người dùng. Trong nhiều hợp đồng giáo dục, phương án “chặn bớt” được chọn. Kết quả là 58.000 sinh viên bị rơi khỏi kỳ thi, và trường đại học buộc phải tuyên bố hủy kết quả.
Điều mà các dev không nói với bạn là: hầu như không có nền tảng giám sát thi cử nào tổ chức full-scale load test trước kỳ thi chính thức. Họ kiểm tra bằng kịch bản mô phỏng với vài nghìn người dùng ảo. Nhưng mô phỏng luôn sạch sẽ hơn thực tế. Thực tế có những sinh viên dùng mạng 3G, có người ở vùng núi, có người dùng laptop cũ không hỗ trợ codec hiện đại. Những biến số này không nằm trong mô hình. Vì thế, khi đợt tải lên đầu tiên ập đến, hệ thống không kịp thích nghi.
Kiến trúc tập trung: từ UNAM đến sequencer Layer 2
Bây giờ hãy để tôi nối vụ việc này với thế giới tôi đang làm việc hằng ngày. Trong các giải pháp Layer 2, sequencer là node trung tâm có quyền “đóng gói” các giao dịch trước khi đưa lên mạng chính. Nó nhận yêu cầu từ hàng nghìn người dùng, sắp xếp chúng thành một khối, rồi công bố bằng chứng lên hợp đồng thông minh. Về mặt lý thuyết, sequencer mang lại tốc độ và chi phí thấp. Nhưng nếu nó bị nghẽn, toàn bộ rollup bị đóng băng. Người dùng không thể gửi giao dịch, không thể rút tài sản, và không có cách nào để phản kháng ngoài việc chờ đợi. Quyền lực của sequencer giống hệt quyền lực của trung tâm dữ liệu UNAM: một điểm duy nhất, nếu gãy thì mọi thứ dừng lại.
Tôi đã nhiều lần nói rằng “decentralized sequencing” suốt hai năm qua vẫn chỉ nằm trên PowerPoint. Không phải vì đội ngũ phát triển không đủ giỏi, mà vì bài toán kinh tế rất khó: một hệ thống phi tập trung có nhiều node đồng thuận sẽ chậm hơn, tốn kém hơn và phức tạp hơn. Nếu không có sự kiện lớn nào buộc họ phải thay đổi, động lực để xây dựng nó gần như bằng không. Vụ UNAM có thể không liên quan trực tiếp đến blockchain, nhưng nó là một ví dụ về cái giá phải trả khi một hệ thống tập trung gặp sự cố. Và cái giá đó được trả bằng sự công bằng của 58.000 sinh viên – một con số lớn hơn hầu hết các nút mạng blockchain hiện nay.
Phân tích kỹ thuật: những con số nói lên điều gì
Trong một thị trường đang đi ngang, tôi dành thời gian để đọc những sự kiện phi crypto và tìm cách áp dụng các nguyên lý từ chúng vào danh mục đầu tư. Sự cố UNAM là một ví dụ điển hình về lý do vì sao tôi không bao giờ đặt cược vào một giao thức phụ thuộc vào một điểm kiểm soát duy nhất. Hãy nhìn vào ba lớp hạ tầng: thu thập dữ liệu, truyền tải và suy luận AI. Lớp thu thập diễn ra trên thiết bị của sinh viên. Lớp truyền tải đi qua internet và trung tâm dữ liệu của nhà cung cấp dịch vụ. Lớp suy luận AI chạy trên cụm GPU với hàng loạt hàng đợi.
Nếu bất kỳ lớp nào trong ba lớp đó không đủ sức chứa, hệ thống sẽ hỏng. Nhưng các báo cáo truyền thông thường quy tất cả về “AI thất bại”. Đó là một sự đơn giản hóa nguy hiểm, vì nó khiến mọi người tìm cách sửa model AI trong khi vấn đề thực sự nằm ở kiến trúc hệ thống. Cũng giống như việc một giao thức DeFi bị khai thác vì giá oracle sai, nhưng mọi người lại đổ lỗi cho hợp đồng thông minh thay vì nhìn vào nguồn dữ liệu. Một hệ thống tập trung không sụp đổ vì một thuật toán kém, mà vì nó là một điểm thất bại duy nhất.
Bài học quản lý rủi ro tôi học được một cách đắt giá từ sự kiện UST năm 2022 không phải là “đừng tin vào thuật toán”. Đó là “đừng đặt toàn bộ càng vào một mộc neo giá”. UST có vẻ an toàn vì cơ chế arbitrage, nhưng thực chất chỉ dựa trên niềm tin vào một nhóm nhỏ nhà tạo lập thị trường. Khi nhóm đó không còn đủ khả năng bơm thanh khoản, cơ chế sụp đổ. Hệ thống giám sát AI của UNAM cũng vậy. Nó có vẻ tự động vì có AI, nhưng thực chất chỉ là một cổng dữ liệu tập trung. Khi cổng đó nghẽn, toàn bộ hệ thống chết.
Vấn đề oracle và chi phí của sự phi tập trung
Trong thế giới blockchain, oracle là cầu nối dữ liệu từ thế giới bên ngoài vào hợp đồng thông minh. AI giám sát thi cử về bản chất cũng là một oracle: nó đọc thế giới thực (hành vi của thí sinh) và chuyển thành một tín hiệu nhị phân (đậu hay rớt). Nếu oracle đưa ra kết quả sai, mọi thứ phía trên sẽ sụp đổ. Độ trễ của oracle feed chính là gót chân Achilles của DeFi. Chainlink giải quyết tính phi tập trung bằng các node vận hành độc lập, nhưng vẫn tập trung ở tầng điều phối và khâu trả lời. Đó là một nghịch lý mà ít người nói: càng phi tập trung về mặt kinh tế, càng tập trung về mặt kỹ thuật ở những nơi quan trọng nhất.
Điều tương tự cũng áp dụng cho proctoring. Bạn có thể phân tán dữ liệu bằng cách lưu trữ phi tập trung, mã hóa các đoạn video và đưa lên IPFS. Nhưng nếu điểm cuối xử lý vẫn là một công ty duy nhất chạy thuật toán phát hiện gian lận, rủi ro vẫn ở đó. Vấn đề không phải là AI, mà là quyền lực ra quyết định cuối cùng nằm trong tay ai.
Các giao thức danh tính phi tập trung như zkProof hay verifiable credentials có thể giảm bớt nhu cầu gửi video thô lên máy chủ. Thay vì ghi lại toàn bộ khuôn mặt và chuyển động mắt, một hệ thống có thể tạo một bằng chứng mật mã chứng minh rằng thí sinh có mặt trong phòng thi, danh tính đã được xác minh, mà không tiết lộ dữ liệu sinh trắc học. Nhưng điều này đòi hỏi phần cứng đáng tin cậy trên thiết bị của sinh viên và một giao thức đồng thuận giữa các bên. Nó không giải quyết được vấn đề băng thông thấp ở vùng sâu, nơi mà ngay cả một bằng chứng mật mã cũng cần ít nhất một kết nối mạng ổn định.
Vì sao blockchain không phải là câu trả lời ngay lập tức
Bây giờ đến phần phản trực giác. Nếu bạn nghĩ blockchain sẽ cứu thị trường AI proctoring, hãy dừng lại. Sự thật là việc phi tập trung hóa một hệ thống vốn đã mong manh có thể làm nó tệ hơn. Khi bạn chạy một giao thức không cần tin cậy trên hàng nghìn node, bạn phải đối mặt với độ trễ, sự bất khả tri và sự thiếu chuẩn hóa. Trong tình huống 58.000 thí sinh ở các vùng có kết nối mạng khác nhau, một mạng lưới phân tán sẽ yêu cầu mỗi node đồng bộ một lượng lớn video – điều gần như không thể với hạ tầng viễn thông hiện tại của Mexico.
Phi tập trung không tự động tăng độ tin cậy; nó chỉ phân tán rủi ro trên nhiều điểm hơn. Trong một sự cố hạ tầng như UNAM, điểm chết không phải là máy chủ trung tâm mà là mạng lưới giáo dục và năng lực xử lý của từng thiết bị. Phân tán sẽ không cứu được một sinh viên ở vùng nông thôn có mạng chậm. Nó còn có thể khiến vấn đề tệ hơn, vì bạn không còn một đầu mối duy nhất để khắc phục sự cố.
Đó cũng là lý do vì sao tôi đóng vị thế ở các giao thức danh tính phi tập trung khi thị trường hào hứng nhất. Tôi không nghi ngờ tiềm năng lâu dài của chúng. Tôi chỉ nhìn thấy rằng trước khi giải quyết được bài toán kết nối và khả năng tương thích phần cứng, mọi lời hứa về một hệ thống giám sát phi tập trung chỉ là một câu chuyện đẹp. Hệ thống UNAM sụp đổ không phải vì thiếu blockchain, mà vì thiếu dự phòng và kế hoạch chịu lỗi.
Xung lực thanh khoản đang chuyển hướng. Trong ngắn hạn, các quỹ đầu tư mạo hiểm sẽ tránh xa các startup AI proctoring thuần túy vì rủi ro danh tiếng. Họ sẽ đổ tiền vào những nền tảng có thể chứng minh “không sụp đổ dưới tải” và có cơ chế bồi thường rõ ràng. Những giao thức hứa hẹn “giám sát phi tập trung” nhưng không có bằng chứng vận hành thực tế sẽ bị bỏ lại. Trước khi airdrop farmer đến và khai thác các giao thức danh tính phi tập trung vì điểm thưởng, chúng ta cần một lớp xác thực không phụ thuộc vào băng thông và thiết bị của người dùng. Sự cố UNAM cho thấy lớp đó vẫn chưa tồn tại.
Góc nhìn về quản lý và cạnh tranh
Câu chuyện này cũng nhắc tôi nhớ về cách mà các cơ quan quản lý xử lý công nghệ tài chính. SEC đã chọn chiến lược “quản lý bằng thực thi” thay vì ban hành quy định rõ ràng. Trong giáo dục, các cơ quan quản lý có thể làm điều tương tự: không có quy trình chứng nhận AI proctoring, không có yêu cầu về khả năng chịu lỗi, nhưng khi thảm họa xảy ra, họ sẽ trừng phạt. Điều đó tạo ra sự bất định, và trong bất định, kẻ yếu thế nhất là người dùng cuối.
Sự cố UNAM cũng sẽ thay đổi cân bằng cạnh tranh trong ngành. Các nhà cung cấp lớn có thể tận dụng sự cố này để bán các hợp đồng có cam kết uptime 99,9% và điều khoản bồi thường. Các nhà cung cấp nhỏ hoặc địa phương có thể bị loại khỏi các cuộc đấu thầu vì thiếu bằng chứng chịu tải. Đồng thời, các trường đại học khác ở châu Mỹ Latinh sẽ trở nên thận trọng hơn khi ký hợp đồng với bất kỳ ai. Chu kỳ bán hàng của ngành AI proctoring có thể kéo dài gấp đôi trong vòng 6 – 12 tháng tới.
Nhưng có một cơ hội ẩn mà ít người nhận ra: các mô hình “hỗn hợp” giữa giám sát tự động và con người. Thay vì phụ thuộc hoàn toàn vào AI, các trường có thể dùng AI để lọc rủi ro và cho giáo viên xác minh các trường hợp nghi ngờ. Đây là một bước lùi so với câu chuyện “tất cả tự động”, nhưng lại là một bước tiến về độ tin cậy. Nếu nhìn từ góc độ kinh tế học, việc kết hợp máy móc và con người tối ưu hơn so với việc chạy theo tự động hóa tuyệt đối.
Dấu hiệu cần theo dõi
Tôi sẽ theo dõi một số tín hiệu cụ thể sau sự cố này. Thứ nhất, phản hồi chính thức từ UNAM. Nếu họ công bố một báo cáo kỹ thuật chi tiết, chúng ta sẽ biết hệ thống thất bại ở tầng nào. Nếu họ im lặng, rủi ro pháp lý và danh tiếng sẽ tăng cao. Thứ hai, cơ quan bảo vệ dữ liệu của Mexico (INAI) có thể mở cuộc điều tra về việc xử lý dữ liệu sinh trắc học của hàng chục nghìn sinh viên. Điều này có thể tạo tiền lệ cho các quy định mới về AI giám sát, giống như GDPR đã thay đổi cách xử lý dữ liệu của các công ty công nghệ tại châu Âu.
Thứ ba, tôi sẽ theo dõi các hợp đồng mới trong lĩnh vực giáo dục trực tuyến. Nếu các điều khoản về bồi thường và chịu tải trở thành tiêu chuẩn, đó là một sự thay đổi cấu trúc có ý nghĩa. Nếu không, ngành sẽ quay lại lối mòn và chờ đợi thảm họa tiếp theo. Thứ tư, các dự án danh tính phi tập trung có tận dụng cơ hội này để xây dựng use case thực tế không? Nếu họ chỉ phát hành token mà không giải quyết được bài toán băng thông, tôi sẽ đứng ngoài. Nếu họ xây dựng các giao thức có thể hoạt động offline và đồng bộ sau, câu chuyện sẽ khác.
Kết luận mở
Sự cố UNAM không nên được đọc như bằng chứng rằng “AI không thể giám sát thi cử”. Nó nên được đọc như một lời cảnh báo về sự mong manh của mọi hệ thống tập trung, dù là trong giáo dục hay tài chính. Nếu một nền tảng xử lý hàng chục nghìn video cùng lúc sụp đổ, thì một sàn giao dịch tập trung giữ hàng tỷ đô la cũng có thể sụp đổ theo cách tương tự. Câu hỏi mà tôi để lại cho bạn đọc không phải là “blockchain có cứu được AI proctoring không”, mà là: liệu chúng ta đã sẵn sàng trả giá cho một hệ thống chịu lỗi tốt hơn, hay chúng ta vẫn chỉ chờ đến thảm họa tiếp theo để rồi lại đổ lỗi cho AI?
