AI Terdesentralisasi Mengubah Peta Kekuasaan atas Model yang Menggerakkan Web3

Model AI paling kuat di dunia saat ini dikuasai segelintir perusahaan besar. Mereka yang menentukan harga, siapa yang boleh mengakses, dan mereka pula yang memiliki setiap bobot dan parameter yang dipelajari model dari data pengguna.

Sentient (SENT) meluncur pada 2026 sebagai tantangan langsung terhadap pola ini, dengan membangun platform AI terbuka di mana para kontributor memiliki porsi kepemilikan yang dapat dibuktikan atas model yang mereka bantu ciptakan. Token SENT sempat melonjak sekitar 26% hanya dalam satu hari pada Juli 2026, menandakan pasar mulai serius memperhatikan narasi AI terdesentralisasi.

Namun Sentient bukan satu‑satunya pemain. Kelas protokol baru bermunculan, menggunakan blockchain untuk menegakkan kepemilikan model yang terbuka, mengoordinasikan pelatihan terdistribusi, dan mengelola pasar inference di mana siapa pun bisa menyumbang daya komputasi dan memperoleh imbalan. Memahami cara kerja jaringan ini pada level insentif, kriptografi, dan penyelesaian on-chain adalah cara paling jelas membedakan infrastruktur nyata dari sekadar hype.

Ringkasan Singkat

Jaringan AI terdesentralisasi memanfaatkan blockchain untuk menegakkan hak kepemilikan atas model AI, sehingga kontributor tak bisa disisihkan setelah model selesai dilatih.

Tahap training dan inference dipisah menjadi dua lapisan ekonomi; kontributor mendapat imbalan untuk komputasi dan data di tiap tahap, dicatat on-chain.

Bukti kriptografis (zero‑knowledge atau attestasi kriptografis) memungkinkan jaringan memverifikasi kejujuran hasil inference tanpa perlu menjalankan ulang seluruh model.

Token tata kelola memberi hak suara kepada kontributor atas pembaruan model, struktur biaya, dan aturan akses.

Trade‑off utamanya adalah kinerja versus verifiabilitas: inference full on‑chain masih lebih lambat dan mahal dibanding API tersentralisasi, tetapi kesenjangannya makin cepat menyempit.

Mengapa AI Tertutup Menjadi Masalah Struktural Bagi Jaringan Terbuka

Setiap model AI besar dilatih dengan data yang berasal dari suatu tempat. Pengguna, peneliti, dan komunitas open source menghasilkan teks, kode, dan gambar yang dijadikan bahan belajar model. Dalam skema terpusat yang berlaku sekarang, para kontributor itu tidak mendapat apa‑apa. Perusahaan yang melatih model menyerap seluruh nilai ekonominya.

Ini menciptakan masalah yang mengakumulasi. Kontributor terbaik lambat laun berhenti berbagi data secara terbuka setelah menyadari kontribusinya diserap tanpa kompensasi.

Model kemudian bergantung pada data apa pun yang secara hukum bisa diperoleh perusahaan, sering kali lewat scraping web terbuka dengan ketentuan layanan yang kemudian diperdebatkan di pengadilan. Alur pelatihan menjadi bersifat ekstraktif, bukan kolaboratif.

Jaringan AI terdesentralisasi menawarkan skema berbeda. Kontributor didaftarkan on‑chain sebelum pelatihan dimulai. Data dan sumbangan komputasi mereka dicatat sebagai input yang dapat diverifikasi. Smart contract lalu membagikan pendapatan dari penggunaan model kembali ke para kontributor berdasarkan aturan yang telah dikunci sebelum satu jam GPU pun dipakai.

Blockchain bukan menjalankan komputasi AI‑nya, melainkan menegakkan perjanjian kepemilikan yang membuat kontribusi sukarela menjadi rasional secara ekonomi.

Cara Kerja Kepemilikan Model di Atas Blockchain

Kepemilikan model dalam jaringan AI terdesentralisasi bukan sekadar memiliki satu berkas. Model AI terlatih adalah sekumpulan bobot numerik—sering kali miliaran angka floating‑point— yang disimpan di banyak node terdistribusi. Memiliki “sebuah model” berarti memegang klaim yang dapat dibuktikan dan ditegakkan atas bagian pendapatan yang dihasilkan model tersebut, plus hak tata kelola atas pengembangannya ke depan.

Mekanismenya berjalan lewat sebuah peristiwa minting yang diikat ke sesi pelatihan awal model. Ketika model pertama kali dideploy, jaringan menerbitkan suplai tetap token kepemilikan yang merepresentasikan model tertentu itu. Kontributor yang menyumbang data, komputasi, atau kode selama pelatihan mendapat alokasi token secara proporsional.

Rumus alokasi ini ditulis ke dalam smart contract sebelum pelatihan dimulai dan tak bisa diubah secara retroaktif.

Setiap kali seseorang membayar untuk menjalankan inference pada model—baik untuk permintaan prediksi, teks yang dihasilkan, atau embedding—biaya akan dibagi antara penyedia infrastruktur yang menjalankan inference dan pemegang token kepemilikan. Rasio pembagiannya ditetapkan melalui tata kelola. Artinya, bila model menjadi sangat populer, kontributor awal terus menikmati aliran pendapatan tanpa harus bekerja lagi, mirip struktur royalti.

Pendekatan Sentient melangkah lebih jauh lewat apa yang mereka sebut “Sentient Model Fingerprinting.” Setiap model yang dilatih di platform Sentient disematkan fingerprint kriptografis yang menghubungkan output inference ke versi model tertentu.

Dengan begitu, jaringan bisa mendeteksi jika ada pihak yang menyalin bobot model dan menjalankan inference tanpa membayar biaya kepemilikan—bentuk pembajakan yang sangat mudah terjadi saat bobot model terbuka tetapi sulit dibuktikan. Fingerprint ini membentuk jejak audit on‑chain yang menopang penegakan pendapatan bahkan ketika bobot model tersedia secara open weight.

Dua Lapisan: Pelatihan Terdistribusi dan Pasar Inference

Jaringan AI terdesentralisasi memecah siklus hidup AI menjadi dua lapisan ekonomi yang berbeda. Memahami keduanya secara terpisah penting karena melibatkan partisipan, struktur insentif, dan tantangan teknis yang berbeda.

Lapisan training adalah tempat model belajar. Dalam sistem tersentralisasi, satu perusahaan menjalankan seluruh proses di infrastruktur miliknya. Dalam jaringan terdesentralisasi, pelatihan disebar ke banyak kontributor yang masing‑masing mengeksekusi sebagian komputasi.

Tantangannya adalah koordinasi: semua partisipan harus sepakat atas keadaan model di setiap langkah, yang menuntut mekanisme konsensus yang diadaptasi untuk pembaruan gradien, bukan hanya transaksi finansial. Proyek seperti Bittensor dan Gensyn membangun protokol khusus untuk ini, dengan scoring on‑chain guna memeringkat kualitas kontribusi gradien tiap peserta dan memberi imbalan secara proporsional.

Lapisan inference adalah tempat model yang sudah dilatih menghasilkan output bagi pengguna akhir. Secara ekonomi, inference berbeda dari training karena bersifat berulang, sensitif terhadap waktu, dan relatif lebih mudah diverifikasi. Pengguna mengirim permintaan, penyedia inference menjalankan model di perangkat kerasnya, lalu mengembalikan hasil. Pertanyaan kuncinya: bagaimana pengguna tahu bahwa penyedia benar‑benar menjalankan model yang seharusnya, bukan versi lebih murah atau model lain?

Di sinilah pasar inference menjadi menarik. Beberapa penyedia mengajukan penawaran (bid) untuk melayani satu permintaan. Penyedia yang menang menjalankan model dan mengembalikan hasil plus bukti kriptografis. Penyedia lain dapat melakukan spot‑check melalui mekanisme challenge. Penyedia yang berbuat curang akan kehilangan jaminan (stake) mereka. Penyedia jujur memperoleh biaya layanan. Struktur pasar ini menciptakan insentif untuk akurasi tanpa harus memverifikasi setiap output di seluruh jaringan.

"Pasar inference mengadopsi desain ekonomi pasar prediksi: peserta mempertaruhkan nilai pada kebenaran output mereka, dan output yang salah dikenai penalti lewat mekanisme slashing, sama seperti validator yang berperilaku buruk di jaringan proof‑of‑stake."

Cara Bukti Kriptografis Memverifikasi Output AI Tanpa Menjalankan Ulang Model

Tantangan teknis tersulit dalam AI terdesentralisasi adalah verifikasi. Menjalankan model bahasa besar sekali saja sudah mahal. Menjalankannya dua kali hanya untuk memeriksa hasil pertama menjadi tidak masuk akal secara ekonomi pada skala besar. Namun tanpa verifikasi, seluruh struktur insentif runtuh: penyedia bisa mengirim jawaban yang sekadar tampak meyakinkan dan tetap menagih bayaran.

Dua pendekatan utama dikembangkan secara aktif pada 2026.

Zero‑knowledge proofs untuk inference memungkinkan penyedia menghasilkan bukti matematis bahwa satu komputasi tertentu dieksekusi dengan benar, tanpa membocorkan bobot model atau memaksa verifikator menjalankan ulang model. Verifikator cukup memeriksa buktinya, yang jauh lebih murah dibanding menghasilkan bukti itu sendiri. Proyek seperti Modulus Labs dan ZKML telah mendemonstrasikan teknik ini pada model yang lebih kecil, tetapi overhead pembuatan bukti untuk model frontier berskala 70 miliar parameter ke atas masih besar. Pembuatan bukti untuk satu inference di model besar bisa memakan waktu menit di perangkat keras khusus, sementara inference itu sendiri hanya butuh milidetik.

Eksekusi optimistis dengan fraud proofs mengambil pendekatan berbeda yang dipinjam dari desain rollup optimistis Ethereum (ETH). Hasil dianggap valid secara default. Siapa saja dapat menantang hasil dalam jangka waktu tertentu dengan menjalankan ulang komputasi di node referensi. Jika penantang berhasil membuktikan hasilnya salah, penyedia awal kehilangan stake dan penantang mendapat imbalan.

Pendekatan ini lebih cepat dalam kasus umum ketika mayoritas penyedia jujur, tetapi menambah jeda sebelum hasil dianggap final.

Sebagian besar sistem produksi pada 2026 menggunakan model hibrida: eksekusi optimistis untuk permintaan rutin dengan zero‑knowledge spot check acak guna menjaga penyedia tetap jujur tanpa membebankan biaya verifikasi di setiap permintaan. Rasio antara permintaan yang diperiksa dan yang tidak diperiksa ditetapkan lewat tata kelola dan dapat diubah seiring biaya pembuatan bukti turun.

Peran Token Tata Kelola dalam Pengembangan Model

Token tata kelola di jaringan AI terdesentralisasi bukan hanya alat voting untuk upgrade protokol. Token ini mengendalikan keputusan yang langsung memengaruhi nilai ekonomi model: dataset apa yang boleh dipakai untuk fine‑tuning berikutnya, filter keamanan seperti apa yang diterapkan, bagaimana skema pembagian biaya inference, serta apakah bobot model boleh dibuka penuh ke publik atau tetap dibatasi.

Ini menciptakan struktur kekuasaan yang benar‑benar berbeda dibanding AI tertutup. Dalam model tradisional, keputusan seputar data, pemanfaatan, dan perizinan terpusat pada manajemen perusahaan. Di jaringan AI terdesentralisasi, hak pengambilan keputusan tersebut berpindah ke komunitas pemegang token— termasuk penambang komputasi, penyedia data, dan pengembang model—yang kepentingannya lebih selaras dengan ekosistem secara keseluruhan. Dalam model terpusat, tim keselamatan internal perusahaan yang menetapkan rambu-rambu (guardrails) apa saja yang berlaku. Dalam jaringan terdesentralisasi, keputusan itu berada di tangan para pemegang token, yang kepentingannya bisa saling bertentangan.

Kontributor yang fokus pada maksimalisasi kapabilitas model bisa saja memilih menolak pembatasan keamanan yang dianggap menurunkan performa pada tugas tertentu. Sebaliknya, kontributor yang sensitif terhadap regulasi di yurisdiksi mereka mungkin justru mendorong filter yang jauh lebih ketat.

Secara praktik, sebagian besar jaringan akhirnya mengadopsi struktur tata kelola dua tingkat. Sebuah dewan inti (core council) yang dipilih pemegang token menangani keputusan keselamatan yang mendesak dan tidak bisa menunggu voting penuh. Sementara itu, parameter ekonomi yang lebih luas, seperti struktur biaya dan skema pembagian pendapatan, dibawa ke pemungutan suara seluruh pemegang token dengan periode deliberasi yang lebih panjang. Pola ini mirip dengan tata kelola banyak protokol DeFi seperti Aave dan Compound, yang belajar dengan cara keras bahwa tata kelola sepenuhnya on-chain dan sepenuhnya demokratis rentan terhadap serangan partisipasi rendah dan manipulasi suara di menit-menit terakhir.

Tata kelola model juga memunculkan tantangan yang khas dunia AI: persoalan tentang “menjadi apa” model tersebut setelah di-update. Kontributor yang membantu melatih model awal memegang token yang merepresentasikan nilai model itu. Jika sebuah voting tata kelola menyetujui proses fine-tuning besar yang secara signifikan mengubah perilaku model, apakah token mereka masih menjadi klaim atas aset yang sama? Sebagian besar protokol menyiasati ini dengan mencetak token baru untuk setiap versi mayor dan mendistribusikannya secara proporsional kepada pemegang lama, mirip dengan pemegang saham yang mendapat saham baru ketika terjadi spin-off.

Also Read: https://yellow.com/news/bitcoin-63k-war-chatter

Kontribusi Data, Privasi, dan Masalah Federated Training

Salah satu pertanyaan desain terpenting bagi jaringan AI terdesentralisasi adalah bagaimana kontributor data bisa berpartisipasi tanpa membuka akses ke informasi privat. Rekam medis, data keuangan, dan komunikasi personal adalah sebagian dari input pelatihan paling berharga untuk model AI spesialis. Namun kontributor tidak bisa begitu saja mengunggah data ini ke jaringan bersama tanpa menimbulkan risiko privasi dan regulasi yang serius.

Federated learning menawarkan solusi parsial. Alih-alih mengirim data mentah ke node pelatihan pusat, setiap kontributor menjalankan proses pelatihan lokal pada datanya sendiri dan hanya mengirim gradien—yakni arah matematis pergeseran bobot model—ke jaringan. Jaringan lalu mengagregasi gradien dari banyak kontributor tanpa pernah melihat data dasarnya. Model tetap meningkat kualitasnya berkat data privat tersebut, tanpa data itu pernah meninggalkan kontrol kontributor.

Peran blockchain dalam federated learning adalah koordinasi dan pembayaran. Smart contract mencatat siapa saja yang mengirim gradien di setiap ronde pelatihan, menilai kualitas dan kegunaan setiap gradien dengan fungsi evaluasi on-chain, dan mendistribusikan imbalan sesuai kontribusi. Masalah evaluasi ini tidak sepele: seorang kontributor bisa saja mengirim gradien acak dan tetap mengklaim reward tanpa kerja yang jujur. Protokol seperti FedML dan kerangka pelatihan milik Sentient sendiri menggunakan komitmen kriptografis dan mekanisme “delayed reveal” untuk mendeteksi kecurangan, dengan mewajibkan kontributor mengunci (commit) gradien mereka sebelum bisa melihat kiriman peserta lain.

Di atas federated learning, biasanya ditambahkan differential privacy untuk memberikan jaminan matematis formal bahwa contoh data individual tidak dapat direkonstruksi dari bobot model yang dipublikasikan. “Anggaran privasi” (privacy budget)—yakni seberapa banyak informasi yang boleh “bocor” tentang satu titik data individu—menjadi parameter tata kelola lain yang bisa diputuskan pemegang token, sehingga mereka dapat menyeimbangkan antara utilitas model dan tingkat perlindungan privasi bagi kontributor.

“Federated learning plus differential privacy memberi jaringan AI terdesentralisasi jawaban yang kredibel terhadap problem privasi data. Kontributor tidak pernah menyerahkan datanya. Jaringan tidak pernah melihatnya. Namun model tetap membaik karenanya.”

Also Read: https://yellow.com/news/gpt-56-beats-human-interns-openai

Siapa yang Sebenarnya Diuntungkan dari Jaringan AI Terdesentralisasi Saat Ini

Memahami mekanisme adalah satu hal. Mengetahui siapa yang benar-benar perlu peduli pada 2026 adalah hal lain. Teknologi ini sudah benar-benar berguna hari ini di konteks tertentu, dan masih sangat tidak praktis di konteks lain.

Peneliti AI independen dan kontributor open-source adalah pihak yang paling jelas diuntungkan. Mereka bisa menyumbangkan komputasi pelatihan atau dataset terkurasi ke model yang mereka yakini, memperoleh porsi kepemilikan yang bisa dibuktikan, dan menikmati aliran pendapatan berkelanjutan dari penggunaan model. Alternatifnya, berkontribusi pada model open-source seperti turunan LLaMA memang membangun reputasi, tetapi tidak memberikan imbal hasil ekonomi ketika model tersebut dikomersialisasi.

Perusahaan dengan data proprietary dan kewajiban kepatuhan kian tertarik dengan skema federated training. Sistem rumah sakit yang ingin membangun model AI medis khusus, misalnya, tidak bisa begitu saja membagi rekam medis pasien ke penyedia layanan terpusat. Jaringan terdesentralisasi berbasis federated learning memungkinkan rumah sakit berkontribusi pada pelatihan model sambil menjaga data tetap on-premise. Rekam kepemilikan on-chain menyediakan jejak audit yang bisa memenuhi tuntutan regulator.

Protokol DeFi dan aplikasi Web3 membutuhkan inference AI yang tidak bisa disensor atau tiba-tiba dimatikan oleh penyedia API terpusat. Pasar prediksi yang menggunakan AI untuk memproses data peristiwa dunia nyata tidak mampu mengambil risiko akses API AI dihentikan di tengah operasi. Pasar inference terdesentralisasi menyediakan redundansi dan ketahanan sensor yang secara struktural tidak dapat ditandingi API terpusat.

Pemegang token ritel berada di posisi yang paling ambigu. Memegang token tata kelola memberikan hak suara dan eksposur terhadap fee, tetapi menuntut partisipasi aktif agar nilai ekonominya benar-benar terasa. Pemegang pasif yang tidak ikut voting cenderung terdilusi oleh peserta aktif yang memanfaatkan mekanisme tata kelola. Dinamikanya mirip dengan kepemilikan token governance di protokol DeFi: upside ekonominya nyata, tapi butuh keterlibatan untuk bisa dinikmati.

Also Read: https://yellow.com/news/solana-etf-bitwise-filing

Trade-Off Nyata Antara Performa dan Verifiabilitas

Setiap ulasan jujur tentang AI terdesentralisasi harus mengakui di mana teknologi ini masih tertinggal. Tegangan utama bersifat fundamental: semakin terverifikasi sebuah komputasi AI, semakin lambat dan mahal ia dijalankan.

API terpusat seperti GPT-5 milik OpenAI bisa mengembalikan hasil inference dalam sekitar 500 milidetik untuk kueri standar. Satu inference yang diverifikasi sepenuhnya dengan zero-knowledge pada model skala setara, pada 2026, memakan waktu antara 30 detik hingga beberapa menit, tergantung hardware dan sistem pembuktiannya. Untuk aplikasi yang sangat sensitif terhadap latensi—sinyal trading live, moderasi konten real-time, chatbot interaktif—kesenjangan ini masih terlalu lebar.

Pendekatan eksekusi optimistis memangkas jarak itu cukup signifikan. Dengan optimistic inference, latensi untuk hasil awal hampir setara dengan performa terpusat. Konsekuensinya adalah penundaan finalitas: aplikasi harus menunggu jendela challenge ditutup sebelum memperlakukan sebuah hasil sebagai final. Untuk sebagian besar use case Web3, jendela challenge beberapa menit dianggap masih bisa diterima. Untuk aplikasi real-time, jelas belum.

Dari sisi biaya, perbandingannya lebih menguntungkan. Penyedia API terpusat mengenakan premium untuk akses ke model frontier karena memiliki kekuatan monopoli harga. Pasar inference yang kompetitif, di mana banyak penyedia bersaing mengeksekusi kueri, akan mendorong harga ke arah biaya marginal. Data awal dari pasar inference seperti penawaran komputasi AI milik Akash Network menunjukkan bahwa compute GPU yang sudah terkomoditisasi dan diakses lewat pasar terdesentralisasi bisa berjalan 30–60% lebih murah dibanding harga API terpusat untuk model yang tidak memerlukan kapabilitas frontier absolut.

Ringkasnya, jaringan AI terdesentralisasi sudah siap produksi hari ini untuk aplikasi yang toleran terhadap latensi, sensitif terhadap privasi, atau membutuhkan ketahanan sensor. Namun mereka masih mengejar untuk use case real-time dengan kapabilitas frontier, di mana penyedia terpusat terbaik masih memegang keunggulan struktural. Perkembangan hardware pembangkit bukti dan riset zkML mengindikasikan jarak ini akan terus menyempit, namun tidak akan sepenuhnya hilang dalam waktu dekat.

Also Read: https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin

Penutup

Jaringan AI terdesentralisasi bukan bertujuan menggantikan klaster GPU yang melatih model-model frontier.

Mereka membangun lapisan ekonomi dan legal di atas pengembangan AI yang membuat kontribusi sukarela menjadi rasional, kepemilikan terbuka bisa ditegakkan, dan pendapatan inference dapat diaudit. Blockchain berperan sebagai registri kepemilikan dan lapisan penyelesaian, bukan superkomputer.

Lonjakan Sentient pada Juli 2026 mencerminkan pasar yang mulai mem-price-in gagasan bahwa pengembangan AI terbuka membutuhkan model ekonomi yang kredibel agar bisa hidup berdampingan dengan para pemain tertutup yang sangat terdanai. Mekanis-menik seperti fingerprinting model on-chain, pasar inference dengan verifikasi kriptografis, serta federated training dengan differential privacy bukan lagi konsep di whitepaper. Semuanya sudah berjalan di jaringan yang hari ini membayar para kontributornya.