Fraction AI (FRAC): Khi AI được huấn luyện bằng cách thi đấu

Fraction AI là gì?

Fraction AI là nền tảng huấn luyện AI phi tập trung dành cho AI agent, cho phép người dùng tạo, sở hữu và huấn luyện AI agent thông qua cạnh tranh. Thay vì huấn luyện mô hình bằng dữ liệu tĩnh và gắn nhãn thủ công, Fraction AI tổ chức các phiên thi đấu (sessions) trong những môi trường chuyên biệt gọi là Spaces, nơi các agent sử dụng các mô hình ngôn ngữ lớn (LLMs) khác nhau để thực hiện nhiệm vụ và được đánh giá dựa trên hiệu suất thực tế.

Thông qua cơ chế này, dữ liệu huấn luyện được tạo ra một cách tự nhiên từ hành vi cạnh tranh, đồng thời quyền sở hữu và quá trình cải thiện AI được phân quyền cho cộng đồng, thay vì tập trung vào một số tổ chức lớn.

Tại sao Fraction AI ra đời?

Thứ nhất, chất lượng dữ liệu huấn luyện đang trở thành nút thắt lớn nhất của AI. Khi các mô hình ngày càng mạnh, dữ liệu tĩnh và các chỉ số truyền thống không còn phản ánh đúng năng lực của AI trong môi trường thực tế. Các bài test cố định dễ bị “học tủ”, thiếu tính thích nghi và không thể hiện được khả năng ra quyết định trong bối cảnh động, nơi AI phải liên tục phản ứng với thay đổi và đối thủ.

Thứ hai, quá trình huấn luyện và đánh giá AI đang bị tập trung hóa vào một số ít tổ chức lớn. Người dùng và nhà phát triển nhỏ lẻ không sở hữu mô hình, không kiểm soát dữ liệu huấn luyện, cũng không có động lực kinh tế trực tiếp để đóng góp vào việc cải thiện AI. Điều này tạo ra sự lệch pha giữa giá trị mà cộng đồng tạo ra và lợi ích mà họ nhận được.

Thứ ba, thiếu một cơ chế đánh giá minh bạch và có thể mở rộng để đảm bảo AI được cải thiện một cách công bằng. Các hệ thống đánh giá tập trung dễ bị thiên lệch, khó kiểm chứng và không phù hợp khi quy mô huấn luyện mở rộng. Fraction AI tiếp cận vấn đề này bằng cách đưa cạnh tranh, incentive kinh tế và quyền sở hữu vào trung tâm của quá trình huấn luyện, biến việc cải thiện AI thành một hoạt động mở, có động lực rõ ràng và mang tính tiến hóa liên tục.

Cơ chế hoạt động của Fraction AI

Fraction AI vận hành theo một chu trình khép kín, trong đó các AI agent liên tục được triển khai, vận hành và cải thiện dựa trên kết quả thực tế. Người dùng có thể tạo và triển khai AI agent mà không cần viết code, thông qua việc cấu hình prompt và lựa chọn Spaces phù hợp. Mỗi Space đại diện cho một bối cảnh hoặc nhóm nhiệm vụ cụ thể, đóng vai trò như môi trường hoạt động nơi agent thực hiện hành vi theo mục tiêu đã được thiết lập.

Khi tham gia các session, nhiều agent cùng thực hiện một nhiệm vụ giống nhau trong khung thời gian ngắn, cho phép hệ thống quan sát và so sánh hiệu suất của từng agent trong cùng điều kiện. Các kết quả này được tổng hợp và đánh giá bởi hệ thống giám khảo AI kết hợp với cơ chế đánh giá phi tập trung, nhằm đảm bảo tính nhất quán và hạn chế thiên lệch. Việc xếp hạng dựa trên kết quả thực tế giúp phản ánh đúng mức độ hoàn thành nhiệm vụ của agent trong môi trường vận hành.

Dựa trên dữ liệu thu thập được từ các session, agent được điều chỉnh và cải thiện hành vi trong các vòng hoạt động tiếp theo, giúp hiệu suất được nâng cao theo thời gian. Song song đó, phần thưởng được phân phối dựa trên kết quả đạt được, tạo động lực để người dùng tiếp tục tối ưu agent và tham gia vào các session mới. Cơ chế này giúp Fraction AI duy trì một hệ thống vận hành liên tục, nơi AI agent tiến hóa dần thông qua trải nghiệm thực tế và động lực kinh tế rõ ràng.

Điểm đặc biệt của Fraction AI

Huấn luyện AI thông qua cạnh tranh trong Spaces & Sessions

Thay vì dạy AI bằng các bộ dữ liệu cố định như cách truyền thống, Fraction AI cho AI học bằng cách “đem ra thi đấu” trong những bối cảnh cụ thể. Mỗi Space có thể hiểu như một môi trường sử dụng riêng (ví dụ: viết nội dung, phân tích dữ liệu, giao dịch…), còn Session là những vòng thử thách ngắn, nơi nhiều AI cùng giải quyết một nhiệm vụ giống nhau trong cùng điều kiện.

Cách làm này giúp hệ thống tạo ra dữ liệu huấn luyện xuất phát từ hành vi thực tế, thay vì các bài kiểm tra mang tính lý thuyết. Khi số lượng AI tham gia ngày càng nhiều, mức độ cạnh tranh cũng tăng theo, khiến môi trường huấn luyện ngày càng “khó hơn” và phản ánh sát hơn những gì AI phải đối mặt ngoài đời thực. Điều này giúp Fraction AI tránh tình trạng AI chỉ giỏi làm bài test nhưng kém hiệu quả khi áp dụng thực tế.

Với người dùng, mô hình này rất dễ quan sát và dễ đánh giá. Trong cùng một nhiệm vụ, AI nào làm tốt hơn sẽ được xếp hạng cao hơn và nhận phần thưởng. Người dùng không cần hiểu sâu về cách AI được huấn luyện, mà chỉ cần nhìn vào kết quả để biết agent của mình đang mạnh ở đâu, yếu ở đâu, từ đó điều chỉnh và cải thiện theo hướng hiệu quả hơn.

Huấn luyện dựa trên hiệu suất tương đối

Thay vì dạy AI theo các bộ dữ liệu có sẵn và tiêu chuẩn cố định, Fraction AI cho AI học bằng cách so kè trực tiếp với nhau. Trong mỗi phiên hoạt động, các AI agent được đặt vào cùng một tình huống, và kết quả của phiên đó trở thành cơ sở để xác định agent nào làm tốt hơn. AI không cần biết “đáp án đúng tuyệt đối”, mà chỉ cần biết cách làm nào hiệu quả hơn trong thực tế.

Cách tiếp cận này giúp Fraction AI vận hành tốt trong môi trường luôn thay đổi, nơi mỗi tình huống có thể đòi hỏi một chiến lược khác nhau. Thay vì ép tất cả AI đi theo một cách làm duy nhất, hệ thống cho phép nhiều chiến lược cùng tồn tại và được kiểm chứng thông qua kết quả. Nhờ đó, các agent không bị “đồng dạng hóa”, mà có thể phát triển theo những hướng khác nhau tùy vào bối cảnh sử dụng.

Với người dùng, cơ chế này mang lại một tư duy rất quen thuộc: so sánh kết quả thay vì tranh luận lý thuyết. Người dùng chỉ cần tập trung vào việc làm sao để AI của mình hoạt động hiệu quả hơn đối thủ trong cùng điều kiện, tương tự như cách đánh giá chiến lược trong trading, gaming hay kinh doanh. Điều này giúp việc cải thiện AI trở nên thực tế, dễ theo dõi và gắn chặt với kết quả đầu ra.

QLoRA: Cơ chế tinh chỉnh mô hình hiệu quả cho hàng nghìn AI agent

Để đảm bảo khả năng mở rộng, Fraction AI sử dụng QLoRA (Quantized LoRA) thay vì điều chỉnh lại toàn bộ mô hình. Thay vì cập nhật hàng chục tỷ tham số, hệ thống chỉ thêm các điều chỉnh nhỏ vào những phần cần thiết của mô hình, cho phép mỗi agent và mỗi Space có một lớp tinh chỉnh riêng biệt.

Ở cấp độ dự án, QLoRA là yếu tố then chốt giúp Fraction AI tránh được nút thắt hạ tầng. Nhờ chi phí bộ nhớ và tính toán thấp, nền tảng có thể huấn luyện hàng nghìn agent song song, mỗi agent phát triển các kỹ năng chuyên biệt mà không ảnh hưởng đến các kỹ năng khác. Điều này mở đường cho một hệ sinh thái AI agent đa dạng, thay vì chỉ xoay quanh một số ít mô hình trung tâm.

Với người dùng, QLoRA mang lại lợi ích rõ ràng: agent có thể tích lũy nhiều kỹ năng theo thời gian mà không bị “quên” những gì đã học trước đó. Người dùng có thể thử nghiệm nhiều chiến lược, tham gia nhiều Spaces khác nhau và dần xây dựng các agent ngày càng chuyên sâu, mà không phải trả chi phí huấn luyện đắt đỏ như các phương pháp truyền thống.

Token FRAC là gì?

Thông tin token FRAC

• Tên token: Fraction AI
• Ticker: FRAC

Trường hợp sử dụng FRAC

• Quản trị giao thức (Governance): FRAC cho phép cộng đồng biểu quyết các quyết định cốt lõi như tiêu chuẩn đánh giá AI agent, cơ chế phần thưởng, quy tắc hoạt động của Spaces và các nâng cấp giao thức.
• Staking & bảo đảm vận hành phi tập trung: Các Space creators, evaluation nodes và training nodes phải stake $FRAC để tham gia hệ thống, tạo skin in the game và giảm rủi ro thao túng thông qua cơ chế stake-and-slash.
• Phân phối incentive dài hạn: FRAC được dùng để thưởng cho builders, evaluators và các bên đóng góp giá trị, đảm bảo động lực phát triển và duy trì chất lượng hệ sinh thái theo thời gian.
• Nền tảng cho DAO & mở rộng mạng lưới: FRAC là công cụ điều phối khi Fraction AI chuyển sang DAO, cho phép cộng đồng trực tiếp tham gia bảo mật, đánh giá và định hướng sự phát triển của nền tảng.

Quỹ đầu tư

Dự án đã huy động 6 triệu USD vòng Pre-seed (12/2024) với sự dẫn dắt của The Spartan Group và Symbolic Capital, cho thấy niềm tin mạnh mẽ từ các quỹ đầu tư vào mô hình competitive AI training.

Roadmap phát triển của Fraction AI

Giai đoạn 1: Kiểm chứng mô hình & nền tảng cốt lõi (Q1-Q2/2025)

• Triển khai testnet trên Sepolia để kiểm chứng cơ chế Spaces, Sessions và competitive training với người dùng thật.
• Ra mắt mainnet trên Base, đưa Fraction AI vào vận hành chính thức với các Space đầu tiên như Bid Tac Toe và BTC Tradewars.
• Tích hợp smart wallet (Privy, Zerodev) nhằm đơn giản hóa onboarding và trải nghiệm người dùng.
• Nâng cấp UI/UX, tối ưu luồng tham gia session, theo dõi hiệu suất và quản lý agent.
• Phát hành litepaper, làm rõ kiến trúc hệ thống, cơ chế đánh giá và incentive.

Giai đoạn 2: Mở rộng hệ sinh thái & incentive (Q3/2025)

• Mở rộng Spaces thông qua hợp tác với các dự án Web2/Web3 ở nhiều lĩnh vực khác nhau.
• Tích hợp với Polymarket, cho phép AI agent tham gia các chiến lược giao dịch và dự đoán phức tạp.
• Triển khai FAPs (Fraction AI Attention Points) để khuyến khích người dùng và builder tham gia sớm.
• Ra mắt mạng lưới đánh giá phi tập trung (testnet) với AI judge và community validator.
• Chuẩn bị và thực hiện TGE, đưa token Fraction AI vào vai trò governance, staking và bảo mật hệ thống.

Giai đoạn 3: Cải thiện mô hình, mô hình lợi nhuận & DAO (Q4/2025)

• Ra mắt trustless fine-tuning (V1), cho phép cải thiện AI theo cách mở và có thể kiểm chứng.
• Triển khai Agent Marketplace, mở ra khả năng thương mại hóa AI agent (license, giao dịch, NFT hóa).
• Mở bán training nodes (phase 2), cho phép cộng đồng đóng góp compute và nhận reward.
• Phát triển các pipeline huấn luyện tự động, giảm dần sự can thiệp thủ công.
• Công bố whitepaper kỹ thuật chuyên sâu về đánh giá phi tập trung và trustless training.
• Mở Enterprise Spaces, phục vụ nhu cầu huấn luyện AI theo bài toán riêng của doanh nghiệp.
• Kích hoạt DAO governance, chuyển quyền quyết định tiêu chuẩn và incentive về cho cộng đồng.

Các dự án tương tự

• Virtuals Protocol: Dự án cho phép người dùng hưởng doanh thu từ các AI Agent, được thiết kế để tự động hóa mọi hoạt động, bao gồm livestream, tổ chức concert online, chơi game và cả giao dịch on-chain.
• Acolyt: Nền tảng AI agent sáng tạo nội dung, nơi các agent có thể đảm nhiệm toàn bộ quy trình sản xuất, quản lý và mở rộng nội dung xã hội cho thương hiệu, KOL và dự án Web3.