L’AI decentralizzata ridisegna il controllo sui modelli che alimentano il Web3

I modelli di intelligenza artificiale più potenti al mondo sono oggi nelle mani di poche aziende. Fissano i prezzi, decidono chi può accedere, e detengono ogni singolo peso e parametro che il modello apprende dai dati degli utenti.

Sentient (SENT), lanciata nel 2026, nasce come sfida diretta a questo paradigma: una piattaforma di AI aperta in cui i contributori detengono una quota comprovabile dei modelli che aiutano a creare. Il token ha messo a segno un balzo di circa il 26% in una sola seduta a luglio 2026, segnale che il mercato sta iniziando a prendere molto sul serio la narrativa dell’AI decentralizzata.

Ma Sentient non è un caso isolato. Una nuova generazione di protocolli sta usando la blockchain per garantire la proprietà aperta dei modelli, coordinare il training distribuito e creare mercati di inferenza in cui chiunque può mettere a disposizione potenza di calcolo e ricevere ricompense. Capire come funzionano davvero queste reti – a livello di incentivi, crittografia e regolamento on-chain – è il modo più efficace per distinguere l’infrastruttura solida dalla pura propaganda.

In sintesi (TL;DR)

Le reti di AI decentralizzata usano la blockchain per far valere diritti di proprietà sui modelli, impedendo che i contributori vengano estromessi dopo il training.

Training e inferenza sono separati in due layer distinti; contributori di dati e calcolo vengono remunerati in ogni fase, con tracciamento on-chain.

Prove crittografiche (zero-knowledge o attestazioni crittografiche) permettono alla rete di verificare l’onestà dei risultati di inferenza senza rieseguire l’intero modello.

I governance token attribuiscono potere di voto su aggiornamenti dei modelli, struttura delle commissioni e regole di accesso.

Il trade-off chiave è tra performance e verificabilità: l’inferenza pienamente on-chain resta più lenta e costosa delle API centralizzate, ma il divario si sta riducendo rapidamente.

Perché l’AI chiusa è strutturalmente incompatibile con reti aperte

Ogni grande modello di AI è addestrato su dati che arrivano da qualche parte. Utenti, ricercatori e comunità open source producono testi, codice e immagini da cui i modelli apprendono. Nel modello centralizzato attuale, questi contributori non ricevono nulla. Tutto il valore viene incassato dall’azienda che esegue il training.

Questo genera un problema che si autoalimenta. I migliori contributori smettono di condividere liberamente i propri dati quando capiscono che vengono utilizzati senza alcuna forma di compenso.

I modelli finiscono così per dipendere soltanto dai dati che l’azienda riesce ad acquisire legalmente, spesso attraverso scraping del web aperto con termini di servizio contestati in tribunale. La pipeline di training diventa estrattiva, non collaborativa.

Le reti di AI decentralizzata propongono un contratto diverso. I contributori vengono registrati on-chain prima che inizi il training. I loro apporti in termini di dati e calcolo sono registrati come input verificabili. Smart contract dedicati redistribuiscono i proventi generati dall’uso del modello verso questi contributori, secondo regole fissate prima che venga consumata anche solo un’ora di GPU.

La blockchain non esegue il calcolo di AI. Fa rispettare l’accordo di proprietà che rende razionale contribuire volontariamente.

Da leggere anche: https://yellow.com/news/bnb-chain-agentic-trading-bnb-breakout

Come funziona davvero la proprietà dei modelli on-chain

La proprietà di un modello in una rete di AI decentralizzata non equivale a possedere un file. Un modello addestrato è un insieme di pesi numerici – spesso miliardi di numeri in virgola mobile – distribuiti su più nodi. “Possedere un modello” significa detenere un diritto, provabile e tutelato, a una quota dei ricavi che quel modello genera, oltre a diritti di governance sul suo sviluppo futuro.

Il meccanismo passa da un evento di minting collegato al primo ciclo di training del modello. Quando un modello viene distribuito per la prima volta, la rete emette una fornitura fissa di token di proprietà che rappresentano quello specifico modello. I contributori che hanno fornito dati, calcolo o codice durante il training ricevono una allocazione proporzionale di tali token.

La formula di allocazione è codificata nello smart contract prima dell’inizio del training e non può essere modificata ex post.

Ogni volta che qualcuno paga per effettuare un’inferenza sul modello – una previsione, un testo generato o un embedding – la commissione viene ripartita tra il provider di infrastruttura che esegue l’inferenza e i detentori dei token di proprietà. Il rapporto di ripartizione viene fissato via governance. In pratica, se un modello raggiunge un’ampia adozione, i contributori originari continuano a incassare flussi di reddito senza lavoro aggiuntivo, in modo analogo a una royalty.

L’approccio di Sentient estende ulteriormente il concetto con il cosiddetto “Sentient Model Fingerprinting”. Ogni modello addestrato sulla piattaforma Sentient incorpora un’impronta crittografica che collega gli output di inferenza a una versione specifica del modello.

Questo rende possibile individuare se qualcuno copia i pesi del modello ed esegue inferenze senza pagare le fee dovute ai titolari dei diritti, una forma di pirateria oggi banale con pesi chiusi ma difficile da dimostrare. L’impronta crea una traccia di audit on-chain che supporta l’enforcement dei ricavi anche quando i pesi sono tecnicamente aperti.

Da leggere anche: https://yellow.com/news/deepseek-cheap-ai-openai-anthropic

I due layer: training distribuito e mercati di inferenza

Le reti di AI decentralizzata scompongono il ciclo di vita dell’AI in due layer economici distinti. Capire le differenze è cruciale, perché coinvolgono attori, incentivi e sfide tecniche diverse.

Il layer di training è dove il modello impara. Nei sistemi centralizzati, un’unica azienda esegue il training sulla propria infrastruttura. In una rete decentralizzata, il training è suddiviso tra molti contributori, ognuno dei quali gestisce una porzione del calcolo.

La sfida è la coordinazione: tutti devono essere allineati sullo stato del modello a ogni step, il che richiede un meccanismo di consenso adattato agli aggiornamenti di gradiente, non alle sole transazioni finanziarie. Progetti come Bittensor e Gensyn hanno sviluppato protocolli specializzati in questo, utilizzando punteggi on-chain per valutare la qualità di ciascun contributo di gradiente e remunerarlo di conseguenza.

Il layer di inferenza è dove il modello già addestrato produce output per gli utenti finali. A livello economico è molto diverso dal training: l’inferenza è ripetitiva, sensibile alla latenza e più facile da verificare. L’utente invia una query, un provider di inferenza esegue il modello sulla propria macchina e restituisce il risultato. La domanda chiave è: come può l’utente sapere che il provider ha usato davvero il modello corretto e non un surrogato più economico?

Qui entrano in gioco i mercati di inferenza. Più provider competono per servire la stessa richiesta. Il provider vincente esegue il modello e restituisce un risultato accompagnato da una prova crittografica. Altri operatori possono effettuare controlli a campione tramite un meccanismo di challenge. I provider disonesti perdono la cauzione in stake. Quelli onesti incassano le fee. La struttura di mercato incentiva l’accuratezza senza obbligare l’intera rete a verificare ogni singolo output.

“I mercati di inferenza prendono in prestito il design economico dei prediction market: i partecipanti mettono in gioco valore sulla correttezza dei propri output e quelli errati vengono penalizzati tramite slashing, lo stesso meccanismo usato per punire i validator malevoli nelle reti proof-of-stake.”

Da leggere anche: https://yellow.com/news/grok-45-beats-fable-5-opus-48-agent-ai-test

Come le prove crittografiche verificano gli output di AI senza rieseguire il modello

Il nodo tecnico più complesso dell’AI decentralizzata è la verifica. Eseguire una volta un large language model costa caro. Eseguirlo due volte per controllare il primo risultato è economicamente insostenibile su larga scala. Ma senza un meccanismo di verifica, l’intero schema di incentivi salta: un provider potrebbe restituire qualsiasi output “plausibile” e chiedere comunque la commissione.

Nel 2026 si stanno affermando due approcci principali.

Le prove a conoscenza zero (zero-knowledge proofs) per l’inferenza permettono a un provider di generare una prova matematica che un calcolo specifico è stato eseguito correttamente, senza rivelare i pesi del modello né costringere il verificatore a rieseguirlo. Il verificatore controlla la prova, un’operazione molto più economica della sua generazione. Progetti come Modulus Labs e ZKML hanno dimostrato il funzionamento su modelli di dimensioni contenute, ma l’overhead di generazione della prova resta importante per i modelli di frontiera (70 miliardi di parametri e oltre). Produrre una singola prova di inferenza su un modello di grandi dimensioni può richiedere minuti su hardware specializzato, contro i millisecondi della normale inferenza.

L’esecuzione ottimistica con fraud proof segue un’impostazione diversa, mutuata dal design degli optimistic rollup di Ethereum (ETH). I risultati sono accettati come validi per default. Chiunque può contestare un risultato entro una finestra temporale rieseguendo il calcolo su un nodo di riferimento. Se il challenger dimostra che il risultato era errato, il provider originale perde lo stake e il challenger incassa una ricompensa.

Questo approccio è più rapido nel caso tipico – quando i provider sono onesti – ma introduce un ritardo prima che i risultati siano considerati definitivamente finali.

La maggior parte dei sistemi in produzione nel 2026 adotta un modello ibrido: esecuzione ottimistica per le query di routine con controlli a campione basati su prove zero-knowledge per mantenere allineati gli incentivi senza sostenere i costi di verifica su ogni richiesta. Il rapporto tra query verificate e non verificate è un parametro regolato via governance, che i detentori di token possono modificare man mano che i costi di generazione delle prove diminuiscono.

Da leggere anche: https://yellow.com/news/openai-safety-veteran-exit-history

Il ruolo dei governance token nello sviluppo dei modelli

I governance token in una rete di AI decentralizzata fanno molto più che votare sugli upgrade del protocollo. Controllano decisioni che incidono in modo diretto sul valore economico del modello: quali dataset possono essere usati per futuri fine-tuning, quali filtri di sicurezza applicare, come strutturare la ripartizione delle fee di inferenza e se i pesi del modello possano essere resi completamente pubblici o debbano restare soggetti a restrizioni.

Questo genera una struttura di potere realmente diversa rispetto all’AI chiusa. In una Nel modello centralizzato è un team interno all’azienda a definire le regole di sicurezza del sistema. In una rete decentralizzata, invece, queste scelte vengono rimesse ai detentori del token, spesso portatori di interessi divergenti.

Chi punta a massimizzare le prestazioni del modello tenderà a respingere vincoli di sicurezza che ne riducano la capacità su alcune tipologie di task. Chi è più sensibile al rischio normativo nel proprio Paese spingerà per filtri più severi.

La soluzione operativa cui stanno convergendo molte reti è una governance a due livelli. Un consiglio centrale (core council), eletto dai token holder, gestisce le decisioni urgenti in materia di safety che non possono attendere un voto di governance completo. I grandi parametri economici, come struttura delle commissioni e ripartizione dei ricavi, vengono invece sottoposti al voto dell’intera base di token holder con finestre di deliberazione più lunghe. È una struttura che riecheggia quella di molti protocolli DeFi come Aave e Compound, nati con una governance interamente on-chain e “iper-democratica”, poi costretti a introdurre meccanismi più robusti dopo aver sperimentato attacchi da bassa partecipazione e manipolazioni all’ultimo minuto.

La governance di un modello introduce poi una criticità specifica dell’AI: cosa diventa il modello dopo gli aggiornamenti. Un contributor che ha partecipato al training iniziale detiene token che rappresentano il valore di quel modello. Se una votazione approva un massiccio ciclo di fine-tuning che modifica in profondità il comportamento del sistema, quei token rappresentano ancora lo stesso asset? La maggior parte dei protocolli risolve il problema coniando un nuovo token per ogni major release del modello e riconoscendo agli attuali detentori un’allocazione proporzionale nella nuova versione, in modo analogo a quanto accade quando gli azionisti ricevono titoli in una società oggetto di spin-off.

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

Contributo di Dati, Privacy e il Problema del Federated Training

Una delle questioni di design più delicate per qualsiasi rete di AI decentralizzata è come permettere ai contributor di fornire dati senza esporre informazioni sensibili. Cartelle cliniche, dati finanziari e comunicazioni personali sono fra gli input di training più preziosi per modelli specializzati. Ma non possono essere semplicemente caricati su una rete condivisa senza generare rischi enormi in termini di privacy e compliance.

Il federated learning offre una risposta parziale. Invece di inviare i dati grezzi a un nodo centrale di training, ogni contributor addestra in locale un aggiornamento del modello sui propri dati e invia alla rete soltanto il gradiente, cioè la direzione matematica in cui devono muoversi i pesi del modello. La rete aggrega i gradienti di molti partecipanti senza mai vedere i dati sottostanti. Il modello migliora grazie ai dati privati, che però non lasciano mai il controllo del contributor.

In questo schema, la blockchain funge da livello di coordinamento e regolamento economico. Gli smart contract registrano quali contributor hanno inviato gradienti in ciascun round di training, valutano qualità e utilità di ogni gradiente tramite funzioni di scoring on-chain e distribuiscono le ricompense di conseguenza. Il problema dell’evaluation è tutt’altro che banale: un partecipante potrebbe inviare gradienti casuali e incassare ricompense senza lavoro effettivo. Protocolli come FedML e il framework di training di Sentient utilizzano impegni crittografici (commitment) e meccanismi di reveal ritardato per contrastare questi comportamenti, imponendo ai contributor di bloccare il proprio gradiente prima di poter vedere quelli altrui.

Su questo si innesta di norma la differential privacy, che fornisce garanzie matematiche formali circa l’impossibilità di ricostruire singoli esempi di training a partire dai pesi del modello pubblicato. Il cosiddetto privacy budget, cioè quanta informazione il modello può “perdere” o “trapelare” su ogni singolo dato, diventa un ulteriore parametro di governance, attraverso cui i token holder possono bilanciare l’utilità del modello con il livello di protezione per i contributor.

«Federated learning più differential privacy offre alle reti di AI decentralizzata una risposta credibile al problema della privacy dei dati. Il contributor non cede mai i propri dati. La rete non li vede mai. E il modello ne beneficia comunque.»

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

Chi Sta Davvero Traendo Vantaggio Oggi dalle Reti di AI Decentralizzata

Capire come funziona la macchina è un conto. Sapere chi dovrebbe davvero interessarsene nel 2026 è un altro. La tecnologia è già concretamente utile in alcuni contesti specifici, mentre resta poco praticabile in altri.

Gli independent AI researcher e contributor open source sono i primi beneficiari evidenti. Possono mettere a disposizione potenza di calcolo per il training o dataset curati su modelli in cui credono, ricevendo in cambio una quota di proprietà dimostrabile e una fetta dei ricavi futuri generati dall’utilizzo del modello. L’alternativa, contribuire a un modello open source come i derivati di LLaMA, garantisce visibilità e reputazione ma non ritorni economici diretti quando il modello viene monetizzato.

Le imprese con dati proprietari e forti vincoli di compliance guardano con crescente interesse alle architetture di federated training. Un gruppo ospedaliero che voglia sviluppare un modello medico specializzato non può condividere le cartelle cliniche con un provider centralizzato. Una rete federata e decentralizzata consente di partecipare al training mantenendo tutti i dati on-premise. Il registro on-chain delle quote di proprietà fornisce inoltre una traccia auditabile, compatibile con i requisiti normativi.

I protocolli DeFi e le applicazioni Web3 hanno esigenza di capacità di inference non soggette a censura né al rischio di essere disattivate da un singolo provider di API. Un prediction market che usa l’AI per processare dati su eventi reali non può permettersi che il proprio fornitore chiuda l’accesso API a metà operatività. I mercati di inference decentralizzata offrono ridondanza e resistenza alla censura che le API centralizzate, per costruzione, non possono garantire.

Per i retail token holder la posizione è la più ambigua. Possedere un governance token significa avere diritto di voto e una quota delle fee, ma anche dover partecipare attivamente perché quel valore si realizzi. Gli holder passivi che non votano finiscono diluiti da chi invece è attivo in governance. È una dinamica molto simile a quella dei token di governance nei protocolli DeFi: l’upside economico esiste, ma non è automatico e richiede engagement.

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

Il Vero Trade-Off tra Performance e Verificabilità

Qualsiasi panoramica onesta sull’AI decentralizzata deve misurarsi con ciò che la tecnologia, ad oggi, non riesce ancora a fare. Il nodo centrale è strutturale: più si rende verificabile un calcolo di AI, più questo diventa lento e costoso.

Un’API centralizzata come GPT‑5 di OpenAI restituisce un risultato di inference in circa 500 millisecondi per una query tipica. Un’inference completamente verificata con zero-knowledge su un modello di scala comparabile richiede, nel 2026, da 30 secondi a diversi minuti, a seconda dell’hardware e del sistema di proof. Per applicazioni sensibili alla latenza — segnali di trading in tempo reale, moderazione live dei contenuti, chatbot interattivi — questo gap resta proibitivo.

L’approccio dell’esecuzione ottimistica riduce significativamente questa distanza. Con l’optimistic inference, la latenza del risultato iniziale è sostanzialmente allineata con quella dei provider centralizzati. Il prezzo da pagare è un ritardo di finalità: le applicazioni devono attendere la chiusura della finestra di challenge prima di considerare un output definitivamente “settled”. Per la maggior parte degli use case Web3, una finestra di qualche minuto è accettabile. Per le applicazioni realmente real-time, non lo è.

Sul fronte dei costi il confronto è più favorevole. I provider centralizzati applicano un forte premium per l’accesso ai modelli di frontiera, potendo esercitare un potere di prezzo quasi monopolistico. Un mercato competitivo dell’inference, dove più operatori fanno bid per eseguire la stessa query, tende invece a portare i prezzi verso il costo marginale. I primi dati dai mercati di inference come le offerte di AI compute di Akash Network indicano che la GPU commoditizzata, acquistata via marketplace decentralizzati, può risultare dal 30% al 60% più economica rispetto alle API centralizzate equivalenti per modelli che non richiedono le capacità assolutamente allo stato dell’arte.

La sintesi onesta è che le reti di AI decentralizzata sono già oggi pronte per la produzione in scenari tolleranti alla latenza, sensibili alla privacy o con forte esigenza di resistenza alla censura. Restano invece in rincorsa per le applicazioni real-time e per i modelli di frontiera, dove i migliori provider centralizzati mantengono un vantaggio strutturale. L’evoluzione dell’hardware per la generazione di proof e la ricerca in zkML indicano che il gap continuerà a ridursi, ma non è realistico attendersi una chiusura completa nel breve periodo.

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

Conclusione

Le reti di AI decentralizzata non aspirano a sostituire i cluster di GPU che addestrano i modelli di frontiera.

Stanno costruendo un livello economico e giuridico sopra lo sviluppo dell’AI che renda razionale il contributo volontario, tuteli la proprietà aperta e renda tracciabili e verificabili i flussi di ricavi da inference. La blockchain, in questo schema, è un catasto dei diritti di proprietà e un livello di settlement, non un supercomputer.

L’impennata di Sentient nel luglio 2026 riflette un mercato che inizia a prezzare seriamente l’idea che lo sviluppo open dell’AI abbia bisogno di un modello economico credibile per sopravvivere accanto a concorrenti chiusi e iper-finanziati. I mattoni tecnologici — fingerprinting on-chain dei modelli, mercati di inference con verifica crittografica, federated training con differential privacy — non sono più concetti teorici. Girano già in produzione su reti che oggi stanno pagando i contributor.