Model-model AI paling kuat di dunia saat ini dikuasai segelintir perusahaan. Mereka yang menentukan harga, mengatur siapa boleh mengakses, dan memegang penuh seluruh bobot (weights) serta parameter yang dipelajari model dari data pengguna.
Sentient (SENT) yang meluncur pada 2026 hadir sebagai penantang langsung skema tersebut, membangun platform AI terbuka di mana para kontributor memegang 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 melirik narasi AI terdesentralisasi.
Sentient bukan satu-satunya pemain. Kelas protokol baru tengah tumbuh, memanfaatkan blockchain untuk menegakkan kepemilikan model yang terbuka, mengoordinasikan pelatihan terdistribusi, serta menggelar pasar inference di mana siapa pun bisa menyumbang daya komputasi dan meraih imbalan. Memahami bagaimana jaringan-jaringan ini benar-benar berjalan—di level insentif, kriptografi, dan penyelesaian on-chain—adalah cara paling jelas untuk memilah infrastruktur nyata dari sekadar hype.
TL;DR
- Jaringan AI terdesentralisasi memakai blockchain untuk menegakkan hak kepemilikan atas model AI sehingga kontributor tidak bisa “diputus” setelah model jadi.
- Proses training dan inference dipisah ke dua lapisan ekonomi; kontributor mendapat imbalan atas komputasi dan data di tiap tahap, tercatat di on-chain.
- Bukti kriptografis (zero-knowledge atau attestasi kriptografis) memungkinkan jaringan memverifikasi hasil inference tanpa perlu menjalankan ulang model.
- Token tata kelola memberikan hak suara kepada kontributor atas update model, struktur biaya, dan aturan akses.
- Trade-off inti adalah kinerja versus verifiabilitas: inference sepenuhnya on-chain masih lebih lambat dan mahal ketimbang API terpusat, meski kesenjangannya cepat menyempit.
Mengapa AI Tertutup Menjadi Masalah Struktural bagi Jaringan Terbuka
Setiap model AI besar dilatih dengan data yang bersumber dari banyak pihak. Pengguna, peneliti, dan komunitas open-source menghasilkan teks, kode, dan gambar yang kemudian dipelajari model. Dalam model terpusat saat ini, para kontributor itu tidak mendapat apa pun. Perusahaan yang melatih model-lah yang menyerap seluruh nilai ekonominya.
Ini menciptakan masalah yang menumpuk. Kontributor terbaik akan berhenti berbagi data secara terbuka ketika menyadari kontribusinya diserap tanpa kompensasi.
Model lalu bergantung pada data apa pun yang secara hukum masih bisa diraih perusahaan—sering melalui scraping web terbuka dengan dasar hukum yang diperdebatkan di pengadilan. Rantai pelatihan menjadi ekstraktif, bukan kolaboratif.
Jaringan AI terdesentralisasi menawarkan skema berbeda. Kontributor diregistrasi on-chain sebelum pelatihan dimulai. Data dan kontribusi komputasi mereka dicatat sebagai input yang dapat diverifikasi. Smart contract kemudian mendistribusikan pendapatan dari pemakaian model kembali ke para kontributor mengikuti aturan yang disepakati sejak awal—sebelum satu jam GPU pun disumbangkan.
Blockchain bukan menjalankan komputasi AI. Fungsinya adalah menegakkan perjanjian kepemilikan yang membuat kontribusi sukarela menjadi rasional secara ekonomi.
Juga Baca: https://yellow.com/agentic-trading
Cara Kerja Kepemilikan Model On-Chain
Kepemilikan model di jaringan AI terdesentralisasi tidak sama dengan memiliki sebuah file. Model AI terlatih terdiri atas sekumpulan bobot numerik—sering kali miliaran angka floating point—yang tersimpan di node-node terdistribusi. Memiliki “sebuah model” berarti memegang klaim yang dapat dibuktikan dan ditegakkan terhadap bagian pendapatan yang dihasilkan model tersebut, plus hak tata kelola atas pengembangannya ke depan.
Mekanismenya berjalan melalui peristiwa pencetakan (minting) token yang dikaitkan dengan sesi pelatihan awal model. Saat model pertama kali diluncurkan, jaringan menerbitkan suplai tetap token kepemilikan yang merepresentasikan model spesifik itu. Kontributor yang menyumbang data, komputasi, atau kode selama pelatihan menerima alokasi token secara proporsional.
Rumus alokasi ditulis ke dalam smart contract sebelum pelatihan dimulai dan tidak dapat diubah secara retroaktif.
Setiap kali seseorang membayar untuk menjalankan inference pada model—entah untuk prediksi, teks yang digenerasi, atau embedding—biaya dibagi antara penyedia infrastruktur yang menjalankan inference dan pemegang token kepemilikan model. Rasio pembagian ditentukan melalui tata kelola. Artinya, bila sebuah model menjadi sangat populer, para kontributor awal terus menikmati aliran pendapatan tanpa perlu kerja tambahan, mirip skema royalti.
Pendekatan Sentient melangkah lebih jauh lewat apa yang mereka sebut “Sentient Model Fingerprinting.” Setiap model yang dilatih di platform Sentient membawa fingerprint kriptografis yang menautkan output inference ke versi model tertentu.
Ini memungkinkan jaringan mendeteksi jika seseorang menyalin bobot model dan menjalankan inference tanpa membayar biaya kepemilikan—bentuk pembajakan yang sangat mudah dilakukan pada model dengan bobot tertutup namun sulit dibuktikan. Fingerprint tersebut menciptakan jejak audit on-chain yang menopang penegakan pendapatan meski bobot modelnya bersifat terbuka.
Juga Baca: https://yellow.com/news/deepseek-cheap-ai-openai-anthropic
Dua Lapisan: Pelatihan Terdistribusi dan Pasar Inference
Jaringan AI terdesentralisasi memecah siklus hidup AI ke dua lapisan ekonomi yang berbeda. Memahami keduanya secara terpisah penting karena melibatkan pelaku, insentif, dan tantangan teknis yang berbeda.
Lapisan training adalah tempat model “belajar.” Dalam sistem terpusat, satu perusahaan menjalankan proses ini di infrastruktur miliknya sendiri. Dalam jaringan terdesentralisasi, pelatihan disebar ke banyak kontributor yang masing-masing menjalankan bagian komputasi.
Tantangannya adalah koordinasi: semua peserta harus sepakat terhadap kondisi model pada setiap langkah, yang memerlukan mekanisme konsensus yang diadaptasi untuk update gradien, bukan sekadar transaksi keuangan. Proyek seperti Bittensor dan Gensyn membangun protokol khusus untuk ini, memanfaatkan skoring on-chain untuk mengurutkan kualitas kontribusi gradien tiap peserta dan memberi reward secara proporsional.
Lapisan inference adalah tempat model yang sudah terlatih menghasilkan output untuk pengguna akhir. Secara ekonomi, inference berbeda dari training karena bersifat berulang, sensitif waktu, dan lebih mudah diverifikasi. Pengguna mengirim kueri, penyedia inference menjalankan model di hardwarenya, lalu mengembalikan hasil. Pertanyaannya: bagaimana pengguna tahu bahwa penyedia benar-benar menjalankan model yang seharusnya, bukan versi lebih murah?
Di sinilah pasar inference menjadi menarik. Banyak penyedia berkompetisi mengajukan penawaran untuk melayani satu kueri. Penyedia yang menang menjalankan model dan mengirim hasil beserta bukti kriptografis. Penyedia lain dapat melakukan spot-check melalui mekanisme tantangan. Penyedia yang curang kehilangan kolateral yang mereka staking. Penyedia jujur meraih biaya layanan. Struktur pasar ini menciptakan insentif terhadap akurasi tanpa mengharuskan tiap hasil diverifikasi seluruh jaringan.
“Pasar inference mengadopsi desain ekonomi dari prediction market: peserta mempertaruhkan nilai atas kebenaran output mereka, dan output yang salah dikenai penalti lewat mekanisme slashing, sama seperti hukuman bagi validator nakal di jaringan proof-of-stake.”
Juga Baca: https://yellow.com/news/grok-45-beats-fable-5-opus-48-agent-ai-test
Cara Bukti Kriptografis Memverifikasi Output AI Tanpa Menjalankan Ulang Model
Persoalan teknis tersulit di AI terdesentralisasi adalah verifikasi. Menjalankan large language model sekali saja sudah mahal. Menjalankannya dua kali hanya untuk mengecek hasil jelas tidak masuk akal bila dilakukan dalam skala besar. Namun tanpa verifikasi, seluruh struktur insentif runtuh: penyedia bisa mengirim output yang sekilas tampak logis dan tetap menagih bayaran.
Dua pendekatan utama tengah dikembangkan pada 2026.
Zero-knowledge proofs untuk inference memungkinkan penyedia menghasilkan bukti matematis bahwa suatu komputasi dieksekusi dengan benar, tanpa mengungkap bobot model atau memaksa verifier menjalankan ulang model. Verifier cukup memeriksa buktinya, yang jauh lebih murah ketimbang menghasilkan bukti tersebut. Proyek seperti Modulus Labs dan ZKML sudah mendemonstrasikan ini pada model kecil, tetapi overhead pembuatan bukti untuk model skala frontier (70 miliar parameter ke atas) masih sangat besar. Pembuatan bukti untuk satu inference di model besar bisa memakan waktu menit di hardware khusus, dibanding milidetik untuk inference aslinya.
Eksekusi optimistis dengan fraud proof mengambil pendekatan berbeda yang diadopsi dari desain optimistic rollup di Ethereum (ETH). Hasil dianggap sah secara default. Siapa pun dapat menantang hasil dalam jendela waktu tertentu dengan menjalankan ulang komputasi di node referensi. Jika penantang terbukti benar bahwa hasil awal keliru, penyedia kehilangan stake dan penantang mendapat imbalan.
Pendekatan ini lebih cepat dalam kasus umum, ketika mayoritas penyedia jujur, namun menambah jeda sebelum hasil dianggap final.
Kebanyakan sistem produksi di 2026 menggunakan hibrida: eksekusi optimistis untuk kueri rutin dengan spot-check acak berbasis zero-knowledge untuk menjaga penyedia tetap jujur tanpa membayar biaya verifikasi di tiap permintaan. Rasio kueri yang dicek dan tidak dicek diatur melalui tata kelola dan dapat diubah seiring biaya pembuatan bukti menurun.
Juga Baca: https://yellow.com/news/openai-safety-veteran-exit-history
Peran Token Tata Kelola dalam Pengembangan Model
Token tata kelola di jaringan AI terdesentralisasi bukan sekadar alat voting untuk upgrade protokol. Token ini mengendalikan keputusan yang langsung berdampak pada nilai ekonomi model: dataset mana yang boleh dipakai untuk fine-tuning berikutnya, filter keamanan apa yang diterapkan, bagaimana skema pembagian biaya inference, serta apakah bobot model boleh sepenuhnya dibuka atau harus tetap dibatasi.
Ini menciptakan struktur kekuasaan yang benar-benar berbeda dari AI tertutup. Dalam model terpusat, sebuah tim internal—misalnya tim safety di dalam perusahaan—yang secara sepihak memutuskan arah model. Pertanyaan utamanya: pagar pengaman seperti apa yang layak diterapkan. Dalam jaringan terdesentralisasi, keputusan tersebut berada di tangan para pemegang token, yang kepentingannya sering kali saling bertentangan.
Kontributor yang berorientasi pada kinerja maksimal model bisa saja menolak pembatasan keselamatan yang dianggap mengurangi performa pada tugas tertentu. Sebaliknya, kontributor yang fokus pada kepatuhan regulasi di yurisdiksi mereka cenderung mendorong filter yang lebih ketat.
Secara praktik, mayoritas jaringan kini bertemu di solusi dua lapis. Sebuah dewan inti (core council) yang dipilih pemegang token diberi mandat menangani keputusan keselamatan yang sensitif waktu dan tidak bisa menunggu voting penuh. Parameter ekonomi makro, seperti struktur biaya dan pembagian pendapatan, tetap dibawa ke pemungutan suara seluruh pemegang token dengan jendela deliberasi yang lebih panjang. Pola ini meniru tata kelola banyak protokol DeFi seperti Aave dan Compound, yang belajar lewat pengalaman bahwa tata kelola sepenuhnya on-chain dan sepenuhnya demokratis rentan terhadap serangan partisipasi rendah dan manipulasi suara di detik-detik terakhir.
Tata kelola model juga menimbulkan persoalan yang khas di AI: apa yang terjadi terhadap model setelah pembaruan besar. Seorang kontributor yang membantu melatih model awal memegang token yang mewakili nilai model tersebut. Jika voting tata kelola menyetujui proses fine-tuning besar yang secara signifikan mengubah perilaku model, apakah token mereka masih mencerminkan klaim atas aset yang sama? Kebanyakan protokol menyikapi hal ini dengan mencetak token baru untuk setiap versi mayor dan memberikan alokasi proporsional kepada pemegang lama di versi baru, mirip cara pemegang saham menerima saham di entitas hasil spin-off.
Also Read: https://yellow.com/news/bitcoin-63k-war-chatter
Kontribusi Data, Privasi, dan Masalah Federated Training
Salah satu pertanyaan desain paling krusial bagi jaringan AI terdesentralisasi adalah: bagaimana kontributor data bisa berpartisipasi tanpa membuka akses ke informasi sensitif. Rekam medis, data keuangan, dan komunikasi pribadi merupakan input pelatihan bernilai tinggi untuk model AI spesialis. Namun kontributor tidak bisa begitu saja mengunggah data tersebut ke jaringan bersama tanpa memicu risiko privasi dan regulasi yang serius.
Federated learning menawarkan solusi parsial. Alih-alih mengirim data mentah ke node pelatihan pusat, setiap kontributor melatih pembaruan model secara lokal menggunakan data mereka sendiri, lalu hanya mengirim gradient—arah matematis perubahan bobot model—ke jaringan. Jaringan kemudian mengagregasi gradient dari banyak kontributor tanpa pernah melihat data dasarnya. Model tetap membaik berkat data privat, sementara data itu sendiri tidak pernah meninggalkan kendali pemilik.
Peran blockchain dalam federated learning adalah koordinasi dan pembayaran. Smart contract mencatat siapa saja yang mengirim gradient di setiap putaran pelatihan, menilai kualitas dan kegunaan setiap gradient melalui fungsi evaluasi on-chain, lalu mendistribusikan imbalan sesuai kontribusi. Masalah evaluasi ini tidak sepele: kontributor bisa saja mengirim gradient acak dan tetap mengklaim imbalan tanpa kerja jujur. Protokol seperti FedML dan kerangka pelatihan milik Sentient menggunakan komitmen kriptografis dan mekanisme delayed reveal untuk mencegah kecurangan, dengan mewajibkan kontributor mengunci gradient mereka sebelum bisa melihat kiriman peserta lain.
Differential privacy biasanya ditambahkan di atas federated learning untuk memberikan jaminan matematis formal bahwa contoh pelatihan individual tidak dapat direkonstruksi dari bobot model yang dipublikasikan. Privacy budget—seberapa banyak informasi yang boleh “bocor” dari model tentang satu data individu—menjadi parameter tata kelola lain, yang memungkinkan pemegang token menyeimbangkan antara utilitas model dan tingkat perlindungan privasi bagi kontributor.
“Federated learning plus differential privacy memberikan jawaban yang kredibel atas problem privasi data di jaringan AI terdesentralisasi. 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. Menentukan siapa yang seharusnya peduli pada 2026 adalah hal lain. Teknologi ini sudah benar-benar berguna di konteks tertentu, dan sama nyata ketidakpraktisannya di konteks lain.
Peneliti AI independen dan kontributor open-source adalah kelompok yang paling jelas diuntungkan. Mereka dapat menyumbang komputasi pelatihan atau dataset terkurasi ke model yang mereka yakini, memperoleh porsi kepemilikan yang dapat dibuktikan, dan menikmati pendapatan berkelanjutan dari penggunaan model. Alternatifnya, berkontribusi ke model open-source seperti turunan LLaMA mungkin meningkatkan reputasi, tetapi tidak memberi imbal hasil ekonomi ketika model tersebut dikomersialisasi.
Perusahaan dengan data proprietari dan tuntutan kepatuhan kian tertarik pada skema pelatihan federated. Rumah sakit yang ingin membangun model AI medis khusus tidak bisa sembarangan membagi rekam pasien dengan penyedia terpusat. Jaringan terdesentralisasi berbasis federated training memungkinkan kontribusi ke proses pelatihan tanpa memindahkan data dari infrastruktur on-premises. Catatan kepemilikan on-chain menghadirkan jejak audit yang sesuai kebutuhan regulator.
Protokol DeFi dan aplikasi Web3 membutuhkan inference AI yang tidak bisa disensor atau dimatikan secara sepihak oleh penyedia API terpusat. Pasar prediksi yang memanfaatkan AI untuk memproses data peristiwa dunia nyata tidak bisa mengambil risiko akses API-nya dihentikan di tengah jalan oleh penyedia tunggal. Pasar inference terdesentralisasi memberikan redundansi dan resistensi sensor yang secara struktural tidak bisa ditawarkan API terpusat.
Posisi pemegang token ritel justru paling abu-abu. Memegang token tata kelola memberikan hak suara dan eksposur atas fee, tetapi menuntut partisipasi aktif untuk benar-benar menangkap nilai. Pemegang pasif yang tidak pernah ikut voting akan terdilusi oleh peserta aktif yang konsisten terlibat. Dinamikanya mirip dengan memegang token governance di protokol DeFi: upside ekonominya nyata, namun membutuhkan keterlibatan untuk terealisasi.
Also Read: https://yellow.com/news/solana-etf-bitwise-filing
Trade-Off Nyata Antara Performa dan Verifiabilitas
Tidak ada ulasan jujur tentang AI terdesentralisasi tanpa membahas area di mana teknologi ini masih tertinggal. Tegangannya bersifat fundamental: makin mudah diverifikasi suatu komputasi AI, makin lambat dan mahal prosesnya.
API terpusat seperti GPT-5 dari OpenAI dapat mengembalikan hasil inference dalam sekitar 500 milidetik untuk kueri tipikal. Inference yang sepenuhnya diverifikasi zero-knowledge pada model setara, di tahun 2026, membutuhkan waktu antara 30 detik hingga beberapa menit tergantung perangkat keras dan sistem pembuktian. Untuk aplikasi yang sensitif terhadap latensi—sinyal perdagangan real-time, moderasi konten langsung, chatbot interaktif—kesenjangan ini masih terlalu besar.
Pendekatan eksekusi optimistis mengurangi gap ini secara signifikan. Dengan optimistic inference, latensi hasil awal nyaris menyamai performa terpusat. Biayanya adalah penundaan finalitas: aplikasi harus menunggu jendela challenge berakhir sebelum menganggap hasil sebagai final. Bagi sebagian besar use case Web3, jendela beberapa menit masih dapat diterima. Untuk aplikasi real-time, tidak demikian.
Dari sisi biaya, perbandingan justru lebih menguntungkan. Penyedia API terpusat membebankan tarif premium untuk akses model frontier karena memiliki kekuatan harga monopolistik. Pasar inference kompetitif, di mana banyak penyedia saling bidding untuk mengeksekusi kueri, akan mendorong harga ke arah biaya marginal. Data awal dari pasar inference seperti penawaran komputasi AI Akash Network menunjukkan bahwa sewa GPU yang dikomoditisasi via pasar terdesentralisasi bisa 30–60% lebih murah dibanding harga API terpusat untuk model yang tidak membutuhkan kapabilitas paling frontier.
Kesimpulan jujurnya: jaringan AI terdesentralisasi sudah siap produksi hari ini untuk aplikasi yang toleran latensi, sensitif privasi, atau membutuhkan ketahanan terhadap sensor. Mereka masih mengejar ketertinggalan untuk aplikasi real-time dengan tuntutan kapabilitas frontier, di mana penyedia terpusat terbaik masih memegang keunggulan berkelanjutan. Perkembangan hardware pembangkit proof dan riset zkML mengindikasikan gap ini akan terus menyempit, meski kecil kemungkinan benar-benar tertutup dalam waktu dekat.
Also Read: https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin
Penutup
Jaringan AI terdesentralisasi bukan berupaya menggantikan klaster GPU raksasa yang melatih model frontier.
Mereka sedang membangun lapisan ekonomi dan legal di atas pengembangan AI yang membuat kontribusi sukarela menjadi rasional, kepemilikan terbuka dapat ditegakkan, dan pendapatan inference bisa diaudit. Blockchain berperan sebagai registri kepemilikan dan lapisan penyelesaian, bukan sebagai superkomputer.
Lonjakan Sentient pada Juli 2026 mencerminkan pasar yang mulai memasukkan ke dalam harga gagasan bahwa pengembangan AI terbuka membutuhkan model ekonomi yang kredibel untuk bisa bertahan di samping para raksasa tertutup yang kaya modal. Mekanismenya—model fingerprinting on-chain, pasar inference dengan verifikasi kriptografis, federated training dengan differential privacy—bukan lagi teori. Semuanya sudah berjalan di jaringan yang hari ini membayar para kontributornya.
Read Next: Grok 4.5 Tantang OpenAI dan Anthropic dengan Agentic AI Berbiaya Lebih Murah
