58.000 sinh viên. Một kỳ thi trực tuyến duy nhất. Toàn bộ hệ thống sụp đổ.
Đó là tóm tắt ngắn nhất về sự cố vừa xảy ra tại Đại học Quốc gia Mexico (UNAM), trường đại học lớn nhất Mỹ Latinh với hơn 360.000 sinh viên.
Hệ thống giám sát thi bằng AI được triển khai để ngăn gian lận, nhưng chỉ sau vài phút cao điểm, nó không thể xử lý 58.000 luồng dữ liệu cùng lúc. UNAM buộc phải tuyên bố hủy kỳ thi và tổ chức thi lại toàn bộ. Phía trường chưa công bố tên nhà cung cấp, chưa công bố nguyên nhân kỹ thuật, và chưa đưa ra phương án xử lý dữ liệu sinh trắc học đã thu thập.
Sự kiện không chỉ là tin giáo dục. Với người làm dữ liệu on-chain như tôi, đây là một case study hoàn chỉnh về sự mong manh của hạ tầng tập trung. Cụ thể, nó cho thấy vì sao các hệ thống xác thực và lưu vết phi tập trung không còn là lựa chọn 'công nghệ cho tương lai', mà là yêu cầu vận hành cấp thiết.
Trước khi đi sâu vào phân tích, cần làm rõ bối cảnh. AI giám thị (AI proctoring) là sự kết hợp của nhận diện khuôn mặt, theo dõi ánh mắt, phân tích hành vi, khóa trình duyệt và ghi âm môi trường. Thí sinh bật camera, hệ thống sẽ trích xuất khuôn mặt, phát hiện chuyển động bất thường và xác định nguy cơ gian lận. Toàn bộ video được truyền về máy chủ của nhà cung cấp dịch vụ, nơi mô hình AI xử lý theo thời gian thực.
Về bản chất, đây là một hệ thống tập trung điển hình: mọi luồng dữ liệu nhạy cảm đều đi qua một điểm duy nhất. Khi điểm duy nhất đó gặp sự cố, toàn bộ quy trình sụp đổ. Không có dự phòng phi tập trung, không có cơ chế xác minh độc lập, và thí sinh không có cách nào tự kiểm tra hệ thống đang hoạt động đúng hay không.
Câu hỏi mà số liệu đặt ra là: vì sao hệ thống lại gãy ở quy mô 58.000 người? Hãy làm phép tính đơn giản. Giả định mỗi thí sinh tải lên 30 phút video 720p với tốc độ bit 2 Mbps, lượng dữ liệu mỗi thí sinh tạo ra là 30 nhân 60 giây nhân 2 Mbps, tương đương 450 megabyte. Nhân với 58.000 thí sinh, tổng dữ liệu là khoảng 26 terabyte. Con số này chỉ tính riêng video thô trong một buổi thi, chưa gồm mã hóa, lưu trữ tạm và video từ camera phụ.
Nếu tính thêm băng thông đường lên, mỗi thí sinh ở Mexico cần tải lên ít nhất 2 Mbps liên tục. Tại các khu vực có hạ tầng mạng yếu, tốc độ thực tế có thể thấp hơn 10 lần, khiến video bị treo, mất kết nối và phải truyền lại. Toàn bộ các gói tin bị lỗi được gửi lại cùng lúc sẽ tạo ra một cú sốc băng thông thứ cấp. Hệ quả là hàng đợi suy luận AI trong trung tâm dữ liệu bị nghẽn. Hệ thống bắt đầu trả về lỗi xác thực, lỗi hết thời gian chờ, và tiến trình thi bị dừng. Đây là điểm gãy điển hình của hạ tầng đám mây thiếu khả năng co giãn dự phòng.
Nhưng điều đáng nói hơn là: AI không hề sai. Trong các bài kiểm tra nhỏ, AI giám thị vẫn phát hiện các hành vi bất thường với độ chính xác tương đối. Vấn đề ở UNAM là quy mô, là tầng vận chuyển dữ liệu, là khả năng co giãn của hạ tầng. Nếu mô hình AI gặp lỗi, chúng ta sẽ thấy các cảnh báo sai rải rác. Nhưng những gì xảy ra là toàn hệ thống không thể nhận đủ dữ liệu, không thể xử lý đủ đồng thời. Đây là khác biệt quan trọng mà nhiều bản tin đã bỏ qua: họ quy mọi thứ về 'AI thất bại', trong khi dữ liệu vận hành chỉ ra rằng nút thắt nằm ở kiến trúc hạ tầng.
Từ góc độ khác, AI giám thị có thể được xem như một cơ chế đồng thuận thiếu minh bạch. Trong blockchain, đồng thuận là quá trình các nút cùng xác minh một trạng thái; trong kỳ thi AI, trạng thái duy nhất nằm trong hệ thống của nhà cung cấp. Không ai có thể kiểm tra xem hệ thống có xác định đúng hành vi của từng thí sinh hay không. Khi hệ thống trở thành hộp đen, lỗi sẽ không thể phát hiện cho đến khi toàn bộ kỳ thi đổ vỡ. Đây là lý do vì sao khái niệm 'bằng chứng có thể kiểm toán' trên chuỗi không chỉ là khẩu hiệu: nó tạo ra lớp phản biện độc lập cho các quyết định do AI đưa ra.
Trong quá trình theo dõi pool thanh khoản Uniswap năm 2020, tôi phát hiện một nhóm ví rút 80% thanh khoản chỉ trong 3 block. Uniswap v2 không có cơ chế khóa thanh khoản, nên không thể ngăn chặn. Bài học là: một hệ thống không có kế hoạch dự phòng cho các cú sốc đồng thời sẽ luôn hứng chịu thảm họa. UNAM giống Uniswap thời điểm trước SushiSwap: thiếu cơ chế phòng vệ, và khi cú sốc đến, toàn bộ thanh khoản niềm tin bị rút đi chỉ trong một buổi sáng.
Có một lớp vấn đề thứ hai, ít được nhắc đến trong các bản tin: dữ liệu sinh trắc học của 58.000 sinh viên. Hệ thống AI giám thị đã ghi hình khuôn mặt, ghi âm giọng nói, theo dõi màn hình và có thể lưu cả ảnh phòng thi. Khi hệ thống sụp đổ, lượng dữ liệu cực nhạy cảm này vẫn nằm trên máy chủ của bên thứ ba. UNAM chưa công bố ai đang kiểm soát dữ liệu, dữ liệu đã được mã hóa hay chưa, và liệu có tiếp tục được dùng để huấn luyện AI hay không.
Khi nhìn vào các vụ việc trước đây, tôi nhận ra một mô thức lặp lại. Sau sự kiện FTX, dữ liệu dòng tiền của Alameda nằm trên chuỗi, công khai, ai cũng kiểm toán được. Ở UNAM, dữ liệu giám thị nằm trong máy chủ riêng, không ai kiểm toán được cho đến khi hệ thống sập. Ranh giới giữa minh bạch và che giấu nằm ngay ở kiến trúc dữ liệu, không nằm ở lời hứa của nhà cung cấp.
Vậy giải pháp blockchain có thể làm gì? Hãy nghĩ đến một kỳ thi được thiết kế lại theo mô hình phân tán có kiểm soát. Thí sinh cài một ứng dụng giám thị cục bộ, chạy mô hình AI ngay trên thiết bị của mình. Mô hình này không gửi toàn bộ video lên máy chủ; thay vào đó, nó tạo ra một bằng chứng mật mã, ví dụ một hàm băm của luồng video, cùng với thời gian, vị trí và mã định danh kỳ thi, rồi gửi bằng chứng đó lên chuỗi. Khi kỳ thi kết thúc, trường đại học đối chiếu bằng chứng trên chuỗi với kết quả thi. Nếu hệ thống trung tâm sập, thí sinh vẫn giữ được dữ liệu cục bộ và bằng chứng mật mã; trường có thể xác minh lại sau mà không cần tổ chức thi lại.
Kỹ thuật này, gọi là zero-knowledge proof kết hợp với danh tính phi tập trung, không phải chuyện chưa từng có tiền lệ. Các mạng blockchain layer-2 đã dùng kỹ thuật tương tự để phân tán dữ liệu giao dịch mà vẫn bảo đảm an ninh: dữ liệu được tách thành nhiều mảnh, phân phối cho nhiều nút, bất kỳ nút nào cũng có thể phục hồi trạng thái. Mô hình đó có tên là data availability, và nó giải quyết chính xác bài toán 'một điểm chết là toàn hệ thống chết' mà UNAM vừa trải qua.
Tuy nhiên, cần tỉnh táo. Blockchain không phải là cây đũa thần. Lưu trữ 26 terabyte video thi trực tiếp lên chuỗi là phi kinh tế: chi phí lưu trữ có thể lên tới hàng triệu đô la, và tốc độ xử lý sẽ không đáp ứng được một buổi thi tập trung. Do đó, phương án kết hợp là bắt buộc: hệ thống tập trung vẫn đảm nhận việc lưu trữ video lớn, trong khi blockchain đảm nhận lớp chứng minh danh tính, chứng minh tính toàn vẹn và chống chối bỏ. Giống như cách tôi phân tích mối tương quan giữa dòng tiền ETF Bitcoin và lượng BTC trên sàn, điều quan trọng là không bao giờ được tuyệt đối hóa một công nghệ; chỉ số cho thấy mối tương quan có thể mạnh, nhưng tương quan không phải là nhân quả. Blockchain không tự động làm AI giám thị đáng tin hơn; chính thiết kế quy trình mới quyết định điều đó.
Một khía cạnh nữa cần được nhắc đến: chi phí của 58.000 sinh viên phải thi lại. Không chỉ là phí phần mềm giám thị bị lãng phí. Còn có chi phí cho giảng viên chấm bài, chi phí thuê phòng thi, thời gian chết của sinh viên, và tổn hại tâm lý. Nghiên cứu của tôi trong lĩnh vực dữ liệu DeFi cho thấy một quy luật: khi một giao thức chỉ tập trung vào tăng trưởng TVL mà bỏ qua khả năng chống chịu, dòng tiền sẽ rời đi rất nhanh. Giáo dục số cũng vậy. Một hệ thống giám thị không có khả năng chống chịu không chỉ mất chi phí, mà còn mất niềm tin. Khi niềm tin vào hạ tầng công nghệ biến mất, sinh viên sẽ quay lại các hình thức thi truyền thống, và không ai có lợi từ việc đó.
Có một câu hỏi quan trọng hơn cả nguyên nhân kỹ thuật: ai sẽ chịu trách nhiệm? Hiện tại UNAM chưa nêu tên nhà cung cấp, chưa công bố báo cáo điều tra, và chưa đề cập đến quyền lợi của sinh viên. Trong hợp đồng dịch vụ giám thị, thường có điều khoản về mức độ sẵn sàng dịch vụ (SLA). Nếu sự cố do nhà cung cấp không bảo đảm SLA, họ có thể phải bồi thường. Nhưng nếu nhà cung cấp và UNAM đổ lỗi cho nhau, sinh viên là người chịu thiệt. Điều này cho thấy một trong những rủi ro hệ thống lớn nhất không nằm ở công nghệ, mà nằm ở sự mơ hồ về trách nhiệm pháp lý trong chuỗi cung ứng dịch vụ số.
Cuối cùng, hãy nhìn vào xu hướng dài hạn. AI giám thị không biến mất sau sự cố này; thị trường vẫn có nhu cầu thực sự về chống gian lận trong giáo dục trực tuyến. Nhưng sự cố sẽ định hình lại tiêu chuẩn lựa chọn của các trường đại học. Trước đây, tiêu chí quan trọng nhất là độ chính xác phát hiện gian lận. Sau UNAM, tiêu chí sẽ là khả năng không sụp đổ, khả năng bảo vệ dữ liệu và khả năng phục hồi sau sự cố. Đây là cơ hội cho các công ty tích hợp hạ tầng blockchain vào quy trình xác thực, không phải để thay thế AI giám thị, mà để làm lớp dự phòng minh bạch, chống chối bỏ.
Tín hiệu cần theo dõi trong trung hạn: UNAM có công bố báo cáo điều tra độc lập hay không? Cơ quan bảo vệ dữ liệu của Mexico (INAI) có mở cuộc điều tra về việc xử lý dữ liệu sinh trắc học của 58.000 sinh viên hay không? Các trường đại học khác ở Mỹ Latinh có siết chặt điều khoản SLA trong hợp đồng AI giám thị hay không? Từng câu trả lời sẽ là tín hiệu cho thấy thị trường đang chuyển dịch theo hướng an toàn tập trung hay phân tán.
Và câu hỏi mở cho các bên liên quan: liệu một kỳ thi 58.000 người có thể vận hành mà không cần bất kỳ ai tin tưởng vào một máy chủ trung tâm hay không? Với dữ liệu cho phép, câu trả lời sẽ không đến từ lời hứa của AI, mà đến từ kiến trúc hệ thống.