De machtigste AI‑modellen ter wereld worden gecontroleerd door een handvol bedrijven. Zij bepalen de prijzen, zij beslissen wie toegang krijgt en zij bezitten elke gewicht en parameter die het model leert uit gebruikersdata.
Sentient (SENT) werd in 2026 gelanceerd als directe aanval op dat model: een open AI‑platform waarop bijdragers een aantoonbare economische stake krijgen in de modellen die ze helpen bouwen. De token sprong in juli 2026 op één dag circa 26 procent omhoog – een signaal dat de markt de narratief rond decentrale AI scherp volgt.
Sentient staat daarin niet alleen. Een groeiende groep protocollen gebruikt blockchains om open modeleigendom af te dwingen, gedistribueerde training te coördineren en inferentiemarkten te draaien waar iedereen rekenkracht kan leveren en beloningen kan verdienen. Wie de netwerken echt wil begrijpen – op het niveau van prikkels, cryptografie en on‑chain afwikkeling – kan zo onderscheid maken tussen serieuze infrastructuur en pure hype.
TL;DR
- Decentrale AI‑netwerken gebruiken blockchains om eigendomsrechten op AI‑modellen af te dwingen, zodat bijdragers niet kunnen worden uitgeknikkerd zodra het model af is.
- Training en inferentie zijn gescheiden lagen; bijdragers verdienen op beide niveaus voor rekenkracht en data, met on‑chain tracking.
- Cryptografische bewijzen (zero‑knowledge of attestaties) stellen het netwerk in staat inferentie‑uitkomsten te verifiëren zonder het volledige model nog eens te draaien.
- Governance‑tokens geven bijdragers stemrecht over modelupdates, vergoedingsstructuren en toegangsregels.
- De kernafruil is performance versus verifieerbaarheid: volledig on‑chain inferentie is nog trager en duurder dan gecentraliseerde API’s, maar het gat sluit snel.
Waarom gesloten AI structureel botst met open netwerken
Elk groot AI‑model wordt getraind op data die ergens vandaan komt. Gebruikers, onderzoekers en open‑sourcegemeenschappen produceren de tekst, code en beelden waarmee modellen leren. In het huidige, gecentraliseerde model krijgen die bijdragers niets. De partij die het model traint, incasseert alle waarde.
Dat creëert een zichzelf versterkend probleem. De beste bijdragers stoppen met het open delen van hun data zodra duidelijk wordt dat die zonder enige compensatie wordt afgevangen.
Modellen raken dan afhankelijk van wat een bedrijf juridisch kan bemachtigen, vaak door het open web te scrapen onder gebruiksvoorwaarden die voor de rechter worden aangevochten. De trainingsketen wordt extractief in plaats van collaboratief.
Decentrale AI‑netwerken stellen een ander contract voor. Bijdragers worden vóór de start van de training on‑chain geregistreerd. Hun data‑ en rekencapaciteit worden vastgelegd als verifieerbare input. Slimme contracten keren inkomsten uit het gebruik van het model uit aan die bijdragers, volgens regels die zijn vastgezet vóórdat er één GPU‑uur is gedraaid.
De blockchain doet zelf niet de AI‑berekeningen. Zij handhaaft de eigendomsovereenkomst die vrijwillige bijdragen economisch logisch maakt.
Lees ook: Agentische handel en AI‑gedreven markten
Hoe on‑chain modeleigendom in de praktijk werkt
Modeleigendom in een decentraal AI‑netwerk is iets anders dan een bestand bezitten. Een getraind AI‑model bestaat uit numerieke gewichten – vaak miljarden drijvende‑kommagetallen – opgeslagen over een netwerk van nodes. “Een model bezitten” betekent een afdwingbaar, cryptografisch onderbouwd recht hebben op een deel van de omzet die dat model genereert, plus zeggenschap over de verdere ontwikkeling.
De motor hierachter is een mint‑event dat aan de initiële trainingsrun is gekoppeld. Wanneer een model voor het eerst wordt uitgerold, geeft het netwerk een vaste hoeveelheid eigendomstokens uit die dat specifieke model representeren. Bijdragers die data, rekenkracht of code hebben geleverd tijdens de training krijgen een proportionele allocatie van die tokens.
De allocatieformule wordt vóór de start van de training in het slimme contract vastgelegd en kan achteraf niet meer worden aangepast.
Telkens wanneer iemand betaalt om inferentie op het model te draaien – een voorspelling opvragen, tekst genereren of een embedding laten berekenen – wordt een vergoeding gesplitst tussen de infrastructuurpartij die de inferentie draait en de houders van de eigendomstokens. De verdelingssleutel wordt via governance bepaald. Wordt een model breed gebruikt, dan blijven de oorspronkelijke bijdragers verdienen zonder extra werk te hoeven leveren, vergelijkbaar met royalty’s.
De aanpak van Sentient gaat verder met wat het “Sentient Model Fingerprinting” noemt. Elk model dat op het Sentient‑platform wordt getraind, krijgt een ingebedde cryptografische vingerafdruk die inferentie‑uitkomsten aan een specifieke modelversie koppelt.
Daarmee wordt het mogelijk om te detecteren wanneer iemand de modelgewichten kopieert en inferentie draait zonder de eigendomsfee te betalen – een vorm van piraterij die bij gesloten gewichten triviaal is uit te voeren, maar moeilijk te bewijzen. De vingerafdruk creëert een on‑chain auditrail die inkomstenafdwinging ondersteunt, zelfs als de gewichten technisch open zijn.
Lees ook: Hoe DeepSeek de kostenoorlog met OpenAI en Anthropic aanwakkert
De twee lagen: gedistribueerde training en inferentiemarkten
Decentrale AI‑netwerken knippen de AI‑levenscyclus in twee gescheiden economische lagen. Het is cruciaal die afzonderlijk te begrijpen, omdat ze verschillende spelers, prikkels en technische uitdagingen kennen.
De trainingslaag is waar het model leert. In een gecentraliseerd systeem draait één bedrijf dit op zijn eigen hardware. In een decentraal netwerk wordt training uitgespreid over vele bijdragers, die elk een deel van de berekeningen uitvoeren.
De uitdaging is coördinatie: alle deelnemers moeten het bij elke stap eens zijn over de modelstatus. Dat vergt een consensusmechanisme dat is toegesneden op gradiëntupdates in plaats van financiële transacties. Projecten als Bittensor en Gensyn bouwen hiervoor gespecialiseerde protocollen, met on‑chain scoring om de kwaliteit van elke gradiëntbijdrage te rangschikken en daarop te belonen.
De inferentielaag is waar het getrainde model uitkomsten voor eindgebruikers produceert. Economisch is inferentie anders dan training: ze is repetitief, tijdkritisch en makkelijker te verifiëren. Een gebruiker dient een query in, een inferentieprovider draait het model op eigen hardware en stuurt het resultaat terug. De kernvraag: hoe weet de gebruiker dat de provider het juiste model draaide, en niet een goedkopere, inferieure variant?
Daar komen inferentiemarkten in beeld. Meerdere providers dingen mee om een query te bedienen. De winnende partij draait het model en levert een output plus een cryptografisch bewijs. Andere providers kunnen steekproeven nemen via een challenge‑mechanisme. Oneerlijke partijen verliezen hun gestakete onderpand, eerlijke providers houden hun fees. De marktstructuur creëert een prikkel voor nauwkeurigheid zonder dat elk resultaat door het hele netwerk hoeft te worden geverifieerd.
“Inferentiemarkten lenen het economische ontwerp van prediction markets: deelnemers zetten kapitaal in op de juistheid van hun uitkomsten, en foutieve outputs worden bestraft via slashing – hetzelfde mechanisme waarmee proof‑of‑stake‑netwerken malafide validators straffen.”
Lees ook: Grok 4.5 verslaat Fable 5 en Opus 4.8 in agent‑AI‑benchmark
Hoe cryptografische bewijzen AI‑uitkomsten verifiëren zonder het model opnieuw te draaien
De grootste technische hobbel voor decentrale AI is verificatie. Een groot taalmodel één keer draaien is al duur. Het twee keer draaien om de eerste output te controleren is op schaal economisch onhoudbaar. Zonder verificatie stort het prikkelmechanisme in: een provider kan elke plausibel lijkende output terugsturen en de fee opeisen.
In 2026 worden grofweg twee benaderingen actief ontwikkeld.
Zero‑knowledge‑bewijzen voor inferentie stellen een provider in staat een wiskundig bewijs te genereren dat een specifieke berekening correct is uitgevoerd, zonder de modelgewichten prijs te geven of de verifier te dwingen het model opnieuw te draaien. De verifier controleert alleen het bewijs, wat veel goedkoper is dan het genereren ervan. Projecten als Modulus Labs en ZKML hebben dit al getoond op kleinere modellen, maar de overhead bij frontier‑modellen (70 miljard parameters en meer) is nog enorm. Voor één inferentie op een groot model kan het genereren van een bewijs minuten duren op gespecialiseerde hardware, tegenover milliseconden voor de eigenlijke inferentie.
Optimistische uitvoering met fraud proofs volgt een andere route, ontleend aan de optimistische rollups van Ethereum (ETH). Resultaten worden standaard als geldig geaccepteerd. Iedereen kan binnen een bepaalde termijn een resultaat aanvechten door de berekening op een referentienode opnieuw te draaien. Kan de challenger aantonen dat de output onjuist was, dan verliest de oorspronkelijke provider zijn stake en ontvangt de challenger een beloning.
Deze aanpak is sneller in de normale situatie waarin providers zich eerlijk gedragen, maar introduceert wel een vertraging voordat resultaten definitief zijn.
De meeste productiesystemen in 2026 gebruiken een hybride model: optimistische uitvoering voor routinetaken, met willekeurige zero‑knowledge steekproeven om providers scherp te houden zonder elke request volledig te controleren. De verhouding tussen gecontroleerde en ongecontroleerde queries is een governance‑parameter die tokenhouders kunnen bijstellen naarmate de kosten van proofgeneratie dalen.
Lees ook: Wat het vertrek van een OpenAI‑veiligheidspionier zegt over het veld
De rol van governance‑tokens in modelontwikkeling
Governance‑tokens in een decentraal AI‑netwerk gaan verder dan stemmen over protocolupgrades. Ze bepalen beslissingen die direct raken aan de economische waarde van het model: welke datasets mogen worden gebruikt voor toekomstige fine‑tuning, welke veiligheids‑ en contentfilters worden ingeplugd, hoe de inferentievergoedingen worden gesplitst en of modelgewichten volledig openbaar worden of (gedeeltelijk) gesloten blijven.
Dat leidt tot een wezenlijk andere machtsstructuur dan bij gesloten AI. In een gecentraliseerd model beslist een intern safety‑team of een klein bestuur binnen het bedrijf. In een decentraal netwerk verschuift die beslissingsmacht naar tokenhouders en kernbijdragers, wat de economische en ethische koers van het model dichter bij de community legt dan bij de corporate balans. Welke veiligheidskaders leg je vast? In een gedecentraliseerd netwerk worden die keuzes gemaakt door tokenhouders, die onderling uiteenlopende belangen kunnen hebben.
Bijdragers die vooral geven om maximale modelcapaciteit, zullen geneigd zijn tegen veiligheidsbeperkingen te stemmen die de performance op bepaalde taken aantasten. Bijdragers die primair kijken naar toezicht en regelgeving in hun rechtsgebied, zullen juist pleiten voor strengere filters.
De praktische oplossing waar de meeste netwerken uiteindelijk op uitkomen, is een tweelaagse governance‑structuur. Een core council, gekozen door de tokenhouders, neemt tijdkritische veiligheidsbeslissingen die niet kunnen wachten op een volledige governance‑stemming. Brede economische parameters, zoals fee‑structuren en de verdeling van inkomsten, gaan wél naar een stemming onder alle tokenhouders met een langere beraadslagingsperiode. Dat lijkt sterk op hoe veel DeFi‑protocollen als Aave en Compound hun governance hebben ingericht, nadat duidelijk werd dat volledig on‑chain, volledig directe democratie kwetsbaar is voor lage opkomst en manipulatie rond de eindstreep van een stemming.
Modelgovernance introduceert bovendien een AI‑specifieke vraag: wat gebeurt er met het model na grote updates? Een bijdrager die heeft meegetraind aan het oorspronkelijke model houdt tokens die de waarde van dát model representeren. Als een governance‑stemming een grote fine‑tuning‑ronde goedkeurt die het gedrag van het model ingrijpend verandert, claimen die tokens dan nog steeds hetzelfde onderliggende “asset”? De meeste protocollen lossen dit op door voor elke hoofdversie een nieuwe token uit te geven en bestaande houders pro rata te laten meedoen in de nieuwe versie – vergelijkbaar met hoe aandeelhouders nieuwe stukken krijgen bij een afsplitsing (spin‑off).
Ook interessant: https://yellow.com/news/bitcoin-63k-war-chatter
Databijdrage, privacy en het federated‑trainingdilemma
Een van de belangrijkste ontwerpvragen voor elk gedecentraliseerd AI‑netwerk is hoe databijdragers kunnen meedoen zonder gevoelige informatie prijs te geven. Medische dossiers, financiële data en persoonlijke communicatie behoren tot de meest waardevolle trainingsinputs voor gespecialiseerde AI‑modellen. Maar bijdragers kunnen die data niet simpelweg uploaden naar een gedeeld netwerk zonder forse privacy‑ en reguleringsrisico’s te creëren.
Federated learning biedt een gedeeltelijke uitweg. In plaats van ruwe data naar een centrale trainingsnode te sturen, traint elke bijdrager lokaal een modelupdate op de eigen data en verstuurt alleen de gradient – de wiskundige richting waarin de gewichten van het model moeten worden aangepast – naar het netwerk. Het netwerk aggregeert gradients van vele bijdragers zonder ooit de onderliggende data in te zien. Het model profiteert van de private data, terwijl die data het domein van de bijdrager niet verlaat.
De rol van de blockchain in federated learning is coördinatie en afrekening. Smart contracts leggen vast welke bijdragers in welke trainingsronde gradients hebben ingediend, beoordelen de kwaliteit en bruikbaarheid van elke gradient via on‑chain evaluatiefuncties en keren op basis daarvan beloningen uit. Dat evaluatievraagstuk is niet triviaal: een bijdrager zou willekeurige gradients kunnen indienen en tóch een beloning kunnen opstrijken zonder eerlijk werk te leveren. Protocollen als FedML en Sentient’s eigen trainingsframework gebruiken cryptografische commitments en “delayed reveal”-mechanismen om dit te ondervangen: bijdragers moeten zich eerst cryptografisch vastleggen op hun gradient, vóórdat ze inzage krijgen in de inzendingen van anderen.
Differential privacy wordt doorgaans boven op federated learning gelegd om formele, wiskundig afdwingbare garanties te bieden dat individuele trainingsvoorbeelden niet kunnen worden gereconstrueerd uit de gepubliceerde modelgewichten. Het zogeheten privacybudget – de maximale hoeveelheid informatie die het model mag “lekken” over een individueel datapunt – wordt daarmee een governanceparameter, waarmee tokenhouders kunnen sturen op de ruilvoet tussen modelnut en privacybescherming van bijdragers.
“Federated learning plus differential privacy geeft gedecentraliseerde AI‑netwerken een geloofwaardig antwoord op het dataprivacyprobleem. De bijdrager staat zijn data nooit af. Het netwerk ziet die data nooit. En toch wordt het model er beter van.”
Ook interessant: https://yellow.com/news/gpt-56-beats-human-interns-openai
Wie nu daadwerkelijk profiteert van gedecentraliseerde AI‑netwerken
Inzicht in de technische werking is één ding. Weten wie hier in 2026 écht iets aan heeft, is iets anders. De technologie is vandaag al praktisch inzetbaar in specifieke niches, en nog ronduit onhandig in andere.
Onafhankelijke AI‑onderzoekers en open‑sourcebijdragers zijn de duidelijkste voordeelhebbers. Zij kunnen rekenkracht of zorgvuldig samengestelde datasets inbrengen voor modellen waarin zij geloven, in ruil voor een aantoonbaar eigendomsbelang en een doorlopende revenue‑share op het gebruik van het model. Het alternatief – bijdragen aan een open‑sourcemodel zoals LLaMA‑derivaten – levert vooral reputatie op, maar geen economische return wanneer het model wordt gecommercialiseerd.
Bedrijven met eigen data en strikte compliance‑eisen tonen toenemende interesse in federated‑trainingsopstellingen. Een ziekenhuisgroep die een gespecialiseerd medisch AI‑model wil, kan patiëntendossiers niet zomaar delen met een gecentraliseerde aanbieder. Een federaal gedecentraliseerd netwerk maakt het mogelijk om mee te trainen terwijl de data on‑premises blijft. Het on‑chain eigendomsregister creëert bovendien een auditeerbaar spoor dat toezichthouders kunnen volgen.
DeFi‑protocollen en Web3‑applicaties hebben behoefte aan AI‑inference die niet kan worden gecensureerd of offline gehaald door een centrale API‑provider. Een prediction market die AI inzet om real‑world data te verwerken, kan zich niet permitteren dat een AI‑leverancier halverwege de operatie de API‑sleutel dichtdraait. Gedecentraliseerde inferencemarkten bieden redundantie en censuurbestendigheid die gecentraliseerde APIs structureel niet kunnen bieden.
Retailtokenhouders zitten in de meest ambigue positie. Een governance‑token geeft stemrecht en aanspraak op fees, maar vergt actieve deelname om waarde te ontsluiten. Passieve houders die niet stemmen, verwateren ten opzichte van actieve deelnemers die dat wel doen. Die dynamiek is vergelijkbaar met gouvernance‑tokens in DeFi: het opwaarts potentieel is reëel, maar vraagt om betrokkenheid.
Ook interessant: https://yellow.com/news/solana-etf-bitwise-filing
De werkelijke trade‑off tussen performance en verifieerbaarheid
Geen analyse van gedecentraliseerde AI is compleet zonder een nuchtere blik op de huidige tekortkomingen. De kernspanning is fundamenteel: hoe beter een AI‑berekening cryptografisch verifieerbaar is, hoe trager en duurder zij wordt.
Een gecentraliseerde API als GPT‑5 van OpenAI levert inferenceresultaten in grofweg 500 milliseconden voor een standaardquery. Een volledig zero‑knowledge geverifieerde inference op een model van vergelijkbare schaal kost in 2026 tussen de 30 seconden en enkele minuten, afhankelijk van hardware en het gebruikte proofsysteem. Voor toepassingen waar latency kritisch is – live handelssignalen, real‑time contentmoderatie, interactieve chatbots – is dit gat nog steeds onoverbrugbaar.
De zogeheten optimistische uitvoering verkleint dat gat aanzienlijk. Bij optimistic inference ligt de latency voor het eerste resultaat vrijwel op het niveau van gecentraliseerde aanbieders. De prijs die je daarvoor betaalt, zit in de finaliteit: applicaties moeten wachten tot de challenge‑window is verstreken voordat een resultaat als definitief kan worden beschouwd. Voor de meeste Web3‑use‑cases is een challenge‑window van enkele minuten acceptabel. Voor échte realtime‑toepassingen niet.
Op kostenvlak steekt decentralisatie gunstiger af. Gecentraliseerde API‑aanbieders rekenen een forse premie voor toegang tot frontier‑modellen omdat zij over marktmacht beschikken. Een concurrerende inferencemarkt, waarin meerdere providers bieden op de uitvoering van queries, duwt de prijs richting marginale kosten. Vroege data uit inferencemarkten, zoals de AI‑compute‑diensten van Akash Network, suggereren dat gecommoditiseerde GPU‑capaciteit via gedecentraliseerde markten 30–60% goedkoper kan draaien dan vergelijkbare gecentraliseerde API‑tarieven, zolang het model niet de absolute frontier aan capaciteiten hoeft te bieden.
De eerlijke conclusie is dat gedecentraliseerde AI‑netwerken vandaag productierijp zijn voor toepassingen die enige latency verdragen, sterk privacy‑gevoelig zijn of censuurbestendigheid vereisen. Ze lopen nog achter bij realtime‑toepassingen met de allerhoogste capaciteitsvereisten, waar de beste gecentraliseerde aanbieders een structureel voordeel behouden. De ontwikkeling van gespecialiseerde hardware voor proof‑generatie en de voortgang in zkML‑onderzoek wijzen erop dat dit gat verder zal verkleinen, maar niet volledig zal sluiten op korte termijn.
Ook interessant: https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin
Conclusie
Gedecentraliseerde AI‑netwerken proberen niet de GPU‑clusters te vervangen die frontier‑modellen trainen.
Ze bouwen een economisch en juridisch lagenstelsel bóven op AI‑ontwikkeling, waardoor vrijwillige bijdragen rationeel worden, open eigendom afdwingbaar wordt en inkomsten uit inference transparant en controleerbaar zijn. De blockchain fungeert daarbij als eigendomsregister en settlementlaag, niet als supercomputer.
De Sentient‑rally in juli 2026 weerspiegelt een markt die begint in te prijzen dat open AI‑ontwikkeling een geloofwaardig economisch model nodig heeft om naast kapitaalkrachtige gesloten spelers te kunnen blijven bestaan. De bouwstenen – on‑chain modelfingerprinting, inferencemarkten met cryptografische verificatie, federated training met differential privacy – zijn geen theorie meer. Ze draaien in productie op netwerken die vandaag al bijdragers uitbetalen.
Lees verder: Grok 4.5 Daagt OpenAI en Anthropic Uit Met Goedkopere Agentic AI
