A dire la verità, questo settore sta diventando sempre più una grande cassa di risonanza. Tutti stanno pompando parametri, potenza di calcolo e architetture di modelli, ognuno più rumoroso dell'altro. Ma se chiedi qualcosa di concreto, come dove hanno preso i dati di addestramento, chi si fa carico delle fesserie dei modelli, o a chi appartiene il copyright delle cose generate, praticamente nessuno risponde. Questa situazione è poco dignitosa, scomoda da discutere, quindi tutti fanno finta di niente.
Ma OpenLedger non si è tirato indietro. Non solo ha fatto domande, ma è anche intervenuto per sistemare le cose. Oggi voglio non solo smontarlo per vedere come funziona, ma voglio anche metterlo a confronto con l'intero ecosistema, perché solo confrontando puoi vedere chiaramente su cosa sta scommettendo.
Nessuno nel settore ha approfondito così tanto il calcolo dei contributi di dati.
A dirla tutta, in passato, quando vedevo le parole "contribuire dati", mi sentivo un po' in ansia. Dopo vent'anni di internet, ciò che gli utenti hanno contribuito è stato tantissimo, ma alla fine è servito solo a far stampare denaro alle piattaforme. E i contribuenti? Sono come i bastoncini usa e getta, usati e poi gettati via.
Ora l'intero settore dei dati AI decentralizzati è piuttosto vivace. Vana sta creando un Layer 1 per la sovranità dei dati degli utenti, permettendo loro di impacchettare i propri dati in asset per monetizzarli; Grass utilizza banda larga inutilizzata e nodi crawler distribuiti per raccogliere dati da internet; Sahara AI sta costruendo una piattaforma di servizi dati, dove gli utenti guadagnano token tramite la marcatura e il contributo di dati. Queste aziende seguono strade diverse, ma se ci pensi attentamente, scoprirai che risolvono lo stesso problema: come raccogliere i dati e come rendere i dati commerciabili.
OpenLedger ha qualche strato in più. Non solo ti permette di contribuire dati per guadagnare, ma la sua prova di attribuzione è fondamentale: i tuoi dati sono stati utilizzati da quale modello, e in quale misura hanno influenzato i risultati di inferenza, tutto registrato sulla blockchain. In altre parole, non è una transazione unica: ogni volta che i tuoi dati vengono utilizzati, ricevi la tua parte. Ocean Protocol si concentra sulla costruzione di mercati di dati e sulla condivisione dei dati sotto protezione della privacy, ma il suo modello economico non traccia il valore continuo dei dati nell'apprendimento dei modelli. Questa differenza, in parole povere, trasforma il "trading di dati" in "royalties sui dati". Il primo è vendere materie prime, il secondo è detenere diritti d'autore. I modelli di reddito sono diversi, quindi i limiti sono naturalmente diversi.
Ciò che fanno gli agenti AI non basta a correre, devono anche poterlo mostrare.
Pensa un attimo, se un agente AI ti aiuta a eseguire strategie nel DeFi o a gestire asset in un gioco, come puoi fidarti di lui? Non puoi basarti solo sulla buona volontà. Bittensor è molto avanti su questo aspetto, la sua idea è usare la competizione di mercato per filtrare i modelli: i miner forniscono output di modelli, i validatori danno punteggi, e le subnet con punteggi alti ricevono più incentivi TAO, in un processo di selezione darwiniano. La genialità di questo meccanismo è che risolve il problema di "quale sia il buon modello", ma non si preoccupa molto di "da dove provengono i dati di addestramento". Opera a un livello di astrazione più alto, prestando meno attenzione alla provenienza specifica dei dati utilizzati per addestrare i modelli.
OpenLedger e Theoriq AI stanno facendo cose diverse. Theoriq si concentra su protocolli di coordinamento AI modulari, permettendo a più agenti di comunicare, pagare e formare sistemi di reputazione, con un occhio alla gestione della liquidità e all'ottimizzazione dei rendimenti nel mondo DeFi. D'altra parte, OpenLedger si focalizza sul rendere ogni percorso di inferenza e ogni strategia generata da un agente verificabile sulla blockchain, con registri auditabili. La collaborazione con Perception è davvero eccezionale, poiché porta le decisioni AI fuori dalla scatola nera, mostrando fonti di dati e logiche decisionali al sole. Bittensor risolve il problema dell'utilità dei modelli, mentre OpenLedger si preoccupa di cosa ha fatto il modello e se puoi risalire a verifiche passate. Due meccanismi di fiducia che si completano, ma OpenLedger è più vicino al nucleo della "responsabilità AI".
Nella potenza di calcolo, l'integrazione è più importante della specializzazione.
Parliamo di potenza di calcolo. Anche se i modelli sono intelligenti, se non possono funzionare sono solo un mucchio di codice inutile. Questo settore è attualmente diviso in due gruppi: Render sta creando un mercato standardizzato per il rendering GPU, soddisfacendo le esigenze di calcolo per film e design; Akash sta creando un mercato di potenza di calcolo aperto, utilizzando le aste inverse per consentire agli utenti di fissare i prezzi. C'è anche Gensyn, che sta seguendo un approccio più all'avanguardia, specializzandosi nella verifica computazionale per l'addestramento del machine learning, attualmente in fase di testing.
Queste aziende stanno andando bene nei loro ambiti, soprattutto il modello Burn-Mint di Render e le aste inverse di Akash, che presentano un design meccanico piuttosto raffinato. Ma hanno una caratteristica comune: si concentrano sulla potenza di calcolo in sé. La collaborazione tra OpenLedger e DGrid AI non ha come obiettivo quello di creare un mercato di potenza di calcolo indipendente per competere direttamente con Render e Akash. Ciò che intendono fare è integrare la potenza di calcolo decentralizzata nella loro pipeline, permettendo ai livelli di dati, modelli e validazione di funzionare su una base di calcolo unificata. La chiave non è quanto sia economica o veloce la potenza di calcolo, ma se cresce insieme alle applicazioni superiori. Render e Akash sono strati di prodotto di calcolo indipendenti, OpenLedger trasforma la potenza di calcolo in un componente fondamentale della propria pipeline end-to-end. Le due strade non si scontrano direttamente, ma dal punto di vista dell'efficienza sistemica, una soluzione integrata, una volta messa in funzione, genererà effetti di rete collaborativi più forti rispetto a un mercato di potenza di calcolo isolato.
La questione dei diritti d'autore è più interessante dal punto di vista della collaborazione nel settore.
L'AI generativa è così popolare che ci sono tantissime cause legali sui diritti d'autore. Story Protocol ha colto questa esigenza. Sta creando uno strato di gestione della proprietà intellettuale programmabile, delegando la registrazione dei diritti, le autorizzazioni e la distribuzione delle royalty a contratti intelligenti, e A16z ha guidato un investimento di 134 milioni di dollari, con una valutazione già oltre i 2,3 miliardi di dollari. La visione di Story è ampia, non si limita ai diritti d'autore AI, ma include DeFi, metaverso, RWA e altri sei settori.
Ma la collaborazione tra OpenLedger e Story è significativa perché non si limita a usare il protocollo di Story per colmare le proprie lacune in termini di conformità. Sta portando la conformità dei diritti d'autore da un "servizio esterno" a una "condizione integrata nel sistema". Quando un modello AI invoca dati, deve verificare lo stato di autorizzazione a livello crittografico e poi automaticamente distribuire i fondi ai detentori dei diritti. Story fornisce capacità di programmazione IP, e OpenLedger integra questa capacità nell'intero processo AI. Non è solo una competizione per lo stesso mercato, ma collaborano per realizzare qualcosa che nessuno aveva fatto prima: rendere la conformità una base operativa per l'AI, non una soluzione legale post-fatto.
I token diventano preziosi solo quando sono usati da molte persone.
Quando questi strati iniziano a girare, $OPEN non è più solo un gioco per speculatori. È necessario per la validazione dei dati, per l'invocazione dei modelli, per la liquidazione della potenza di calcolo, per il blocco dei nodi di verifica, e ogni passo di conformità ai diritti d'autore richiede il suo uso. Ogni strato di attrito genera una domanda reale. Con l'aggiunta di meccanismi di riacquisto e distruzione e di una distruzione fissa per ogni transazione, l'offerta continua a restringersi.
Confrontiamo il TAO di Bittensor e il RENDER di Render. L'economia del token di Bittensor è essenzialmente un sistema di distribuzione di premi per "competizioni intelligenti", con le subnet che competono per il ranking, e i miner che ottengono incentivi TAO basati sulla qualità del modello. Il modello economico di Render è basato sulla fatturazione dei servizi, utilizzando il meccanismo Burn-Mint per collegare l'uso della potenza di calcolo alla domanda e offerta di token. Questi due modelli sono coerenti all'interno dei loro rispettivi sistemi: TAO incentiva la competizione sulla qualità del modello, mentre RENDER collega l'uso della potenza di calcolo alla domanda e offerta. Tuttavia, $OPEN ha una logica che добавляет un ulteriore livello: non premia un singolo comportamento, ma trasforma l'attrito di tutte le azioni lungo l'intero tubo in consumo di token. Non significa che sia necessariamente migliore degli altri, ma indica che la sua fonte di domanda è più diversificata, rendendo meno probabile che fluttuazioni in un singolo strato compromettano l'intero modello economico del token.
Dopo il lancio della mainnet, ci sono già 20 dataset che coprono vari ambiti come immagini mediche, mercati finanziari e governance crypto. Inoltre, il progetto ha recentemente finanziato 5 milioni di dollari all'Università di Cambridge per ricerche nel campo dell'AI decentralizzata. Con l'investimento strategico della grande azienda di giochi coreana Netmarble, tramite MARBLEX, e legami profondi con team come Astro AI e Pundi AI, Datanets sta lentamente consolidando la sua posizione come standard layer per i dati AI decentralizzati.
Alla fine, qual è il suo vantaggio competitivo?
Dopo aver esaminato l'intero settore, una cosa è diventata sempre più chiara. Non ci sono carenze di progetti che lavorano a fondo su un singolo aspetto. Ocean è molto preciso nel trading di dati, Bittensor eccelle nella competizione dei modelli, Render e Akash hanno ciascuno la propria soluzione per la gestione della potenza di calcolo, Story ha una grande visione nella gestione dei diritti di proprietà intellettuale, e Vana e Grass stanno accelerando nella raccolta dei dati.
Ma hanno tutti un limite comune: si concentrano sulla risoluzione di un problema specifico. Non c'è nulla di sbagliato in questo, la specializzazione è un vantaggio competitivo. Ma ciò di cui il mondo AI ha davvero bisogno non è solo ottimizzazione locale, ma qualcuno in grado di integrare dati, modelli, potenza di calcolo, validazione e conformità in un'unica soluzione. La vera forza di OpenLedger non risiede in una tecnologia sfavillante, ma nel collegare questi cinque aspetti in un sistema di tubazioni che crea un ciclo di fiducia difficile da replicare in breve tempo. Se guardi ogni strato singolarmente, ci sono persone che ci stanno lavorando. Ma collegarli è un altro paio di maniche, non è semplice addizione, è moltiplicazione. Ocean gestisce il trading di dati nel momento, ma non riesce a gestire i profitti continui derivanti dall'uso ripetuto dei modelli. Bittensor riesce a filtrare i modelli più intelligenti, ma non può verificare se i dati utilizzati hanno problemi di copyright. Render può ottenere la GPU più economica, ma non può gestire i diritti sui dati in tuo possesso.
Oggi OpenLedger potrebbe essere ancora un protocollo di prova di attribuzione, ma guardando la sua traiettoria, domani potrebbe diventare il sistema operativo di base per l'intero mondo AI decentralizzato. Non è un aggiornamento, è come rifare completamente le fondamenta. E la cosa più importante è che il cemento per queste fondamenta, attualmente, nessuno sta usando la stessa formula.