Yellow.com

Os modelos de IA mais poderosos do mundo hoje são controlados por um punhado de empresas. Elas definem o preço, escolhem quem pode ter acesso e detêm todos os pesos e parâmetros que o modelo aprende a partir dos dados dos usuários.

A Sentient (SENT) surgiu em 2026 como um ataque direto a esse arranjo, ao construir uma plataforma de IA aberta em que os contribuidores passam a deter uma participação comprovável nos modelos que ajudam a criar. Seu token disparou cerca de 26% em um único dia em julho de 2026, um sinal de que o mercado está prestando muita atenção à tese de IA descentralizada.

Mas a Sentient não está sozinha. Uma nova leva de protocolos vem usando blockchains para assegurar a propriedade aberta dos modelos, coordenar treinamento distribuído e operar mercados de inferência em que qualquer um pode ofertar capacidade computacional e ser remunerado. Entender como essas redes funcionam de fato — no nível de incentivos, criptografia e liquidação on-chain — é a forma mais clara de separar infraestrutura real de puro hype.

TL;DR

Redes de IA descentralizada usam blockchains para garantir direitos de propriedade sobre modelos de IA, evitando que contribuidores sejam descartados após o treinamento.

Treinamento e inferência são divididos em camadas distintas; contribuidores ganham recompensas por computação e dados em cada etapa, tudo rastreado on-chain.

Provas criptográficas (zero-knowledge ou atestações) permitem que a rede verifique se os resultados de inferência são honestos sem precisar reexecutar todo o modelo.

Tokens de governança dão aos contribuidores poder de voto sobre atualizações dos modelos, estruturas de taxas e regras de acesso.

O trade-off central é desempenho versus verificabilidade: inferência totalmente on-chain ainda é mais lenta e cara que APIs centralizadas, mas essa diferença está encolhendo rápido.

Por que a IA fechada é um problema estrutural para redes abertas

Todo grande modelo de IA é treinado com dados que vêm de algum lugar. Usuários, pesquisadores e comunidades open source produzem o texto, o código e as imagens que alimentam o aprendizado dos modelos. No modelo centralizado atual, esses contribuidores não recebem nada. A empresa que treina o modelo captura todo o valor.

Isso cria um problema cumulativo. Os melhores contribuidores deixam de compartilhar seus dados abertamente quando percebem que eles estão sendo explorados sem qualquer compensação.

Os modelos passam então a depender apenas dos dados que a empresa consegue obter de forma juridicamente defensável, muitas vezes raspando a web aberta sob termos de uso contestados na Justiça. O pipeline de treinamento torna‑se extrativo, e não colaborativo.

Redes de IA descentralizada propõem um arranjo diferente. Contribuidores são registrados on-chain antes do início do treinamento. Suas contribuições de dados e computação são registradas como insumos verificáveis. Smart contracts distribuem a receita gerada pelo uso do modelo de volta a esses participantes, seguindo regras definidas antes de alguém aportar sequer uma hora de GPU.

A blockchain não executa a computação de IA. Ela faz cumprir o acordo de propriedade que torna racional a contribuição voluntária.

Também leia: https://yellow.com/agentic-trading

Como funciona, na prática, a propriedade on-chain de modelos

Propriedade de modelo em uma rede de IA descentralizada não é o mesmo que “possuir um arquivo”. Um modelo treinado é um conjunto de pesos numéricos — muitas vezes bilhões de números de ponto flutuante — distribuídos por vários nós. Ser dono de “um modelo” significa deter uma reivindicação comprovável e executável sobre uma fatia da receita que ele gera, além de direitos de governança sobre sua evolução.

Esse mecanismo opera por meio de um evento de emissão atrelado ao primeiro ciclo de treinamento do modelo. Quando um modelo é implantado pela primeira vez, a rede emite um suprimento fixo de tokens de propriedade que representam aquele ativo específico. Contribuidores que forneceram dados, computação ou código durante o treinamento recebem uma alocação proporcional desses tokens.

A fórmula de alocação é escrita no smart contract antes do início do treinamento e não pode ser alterada retroativamente.

Sempre que alguém paga para executar uma inferência no modelo — seja para obter uma previsão, um texto gerado ou um embedding — uma taxa é dividida entre o provedor de infraestrutura que rodou a inferência e os detentores dos tokens de propriedade. A proporção dessa divisão é definida pela governança. Isso significa que, se o modelo ganhar adoção massiva, os contribuidores originais seguem recebendo por ele sem trabalho adicional, num arranjo econômico semelhante a royalties.

A abordagem da Sentient vai além com o que a empresa chama de “Sentient Model Fingerprinting”. Cada modelo treinado na plataforma carrega uma impressão digital criptográfica embutida, que vincula as saídas de inferência a uma versão específica do modelo.

Isso torna possível detectar se alguém copiou os pesos e está rodando inferência sem pagar as taxas de propriedade — uma forma de pirataria que é trivial com pesos fechados, mas difícil de provar. A impressão digital cria uma trilha de auditoria on-chain que sustenta a cobrança de receitas mesmo quando os pesos são tecnicamente abertos.

Também leia: https://yellow.com/news/deepseek-cheap-ai-openai-anthropic

As duas camadas: treinamento distribuído e mercados de inferência

Redes de IA descentralizada separam o ciclo de vida da IA em duas camadas econômicas distintas. Entender cada uma isoladamente é crucial, porque envolvem participantes, incentivos e desafios técnicos diferentes.

A camada de treinamento é onde o modelo aprende. Em um sistema centralizado, uma única empresa executa essa etapa em sua própria infraestrutura. Em uma rede descentralizada, o treinamento é fragmentado entre diversos contribuidores, cada um rodando uma parte do cálculo.

O desafio é coordenação: todos precisam concordar sobre o estado do modelo a cada passo, o que exige um mecanismo de consenso adaptado para atualizações de gradiente, e não só para transações financeiras. Projetos como Bittensor e Gensyn criaram protocolos específicos para isso, usando pontuações on-chain para ranquear a qualidade de cada contribuição de gradiente e remunerar de forma correspondente.

A camada de inferência é onde o modelo treinado gera respostas para usuários finais. Economicamente, a inferência é distinta do treinamento: é repetitiva, sensível a latência e mais simples de verificar. Um usuário envia uma consulta, um provedor de inferência roda o modelo em seu hardware e retorna o resultado. A questão central é: como o usuário sabe que o provedor executou o modelo correto, e não uma versão mais barata ou simplificada?

É aqui que os mercados de inferência ganham relevância. Vários provedores disputam o direito de atender uma consulta. O vencedor roda o modelo, devolve o resultado e anexa uma prova criptográfica. Outros provedores podem fazer auditorias por amostragem por meio de um mecanismo de contestação. Provedores desonestos perdem a garantia (stake). Provedores honestos recebem as taxas. Essa estrutura de mercado cria incentivos para a precisão sem exigir que toda a rede verifique cada resultado.

“Mercados de inferência se inspiram no desenho econômico dos mercados de previsão: participantes bloqueiam valor em defesa da correção de suas saídas, e resultados incorretos são punidos com slashing, o mesmo mecanismo usado para penalizar validadores mal‑comportados em redes de proof‑of‑stake.”

Também leia: https://yellow.com/news/grok-45-beats-fable-5-opus-48-agent-ai-test

Como provas criptográficas validam saídas de IA sem reexecutar o modelo

O problema técnico mais difícil na IA descentralizada é a verificação. Rodar um grande modelo de linguagem uma vez já é caro. Rodar duas vezes apenas para checar o primeiro resultado é economicamente inviável em escala. Sem verificação, porém, todo o arcabouço de incentivos desmorona: um provedor pode devolver qualquer resposta “plausível” e embolsar a taxa.

Duas abordagens principais estão em desenvolvimento em 2026.

Provas de conhecimento zero (zero-knowledge) para inferência permitem que o provedor gere uma prova matemática de que uma computação específica foi executada corretamente, sem revelar os pesos do modelo e sem exigir que o verificador refaça o cálculo. O verificador checa a prova, o que é muito mais barato do que gerá‑la. Projetos como Modulus Labs e ZKML já demonstraram o conceito em modelos menores, mas o custo de geração de provas para modelos de fronteira (70 bilhões de parâmetros ou mais) ainda é elevado. Criar uma prova para uma única inferência em um modelo desse porte pode levar minutos em hardware especializado, contra milissegundos para a execução original.

Execução otimista com provas de fraude segue outro caminho, inspirado no design dos optimistic rollups do Ethereum (ETH). Resultados são aceitos como válidos por padrão. Qualquer participante pode contestá‑los dentro de uma janela de tempo, reexecutando a computação em um nó de referência. Se o desafiante provar que o resultado estava errado, o provedor original perde seu stake e o desafiante é recompensado.

Essa abordagem é mais rápida no caso comum — em que os provedores agem honestamente — mas introduz um atraso até que os resultados sejam considerados finais.

A maioria dos sistemas em produção em 2026 adota um modelo híbrido: execução otimista para consultas rotineiras, com amostragens aleatórias usando provas de conhecimento zero para manter os provedores sob controle sem pagar o custo de verificação em cada requisição. A taxa de consultas verificadas versus não verificadas é um parâmetro de governança que os detentores de tokens podem ajustar à medida que o custo de geração de provas cai.

Também leia: https://yellow.com/news/openai-safety-veteran-exit-history

O papel dos tokens de governança no desenvolvimento dos modelos

Tokens de governança em uma rede de IA descentralizada vão além de votar em upgrades de protocolo. Eles controlam decisões que afetam diretamente o valor econômico de cada modelo: quais conjuntos de dados podem ser usados em futuros fine‑tunings, quais filtros de segurança serão aplicados, como será a divisão das taxas de inferência e se os pesos do modelo poderão ser totalmente públicos ou precisarão permanecer restritos.

Isso cria uma estrutura de poder genuinamente distinta da IA fechada. No modelo centralizado, uma equipe interna de segurança decide Quais salvaguardas devem ser aplicadas? Em uma rede descentralizada, essas decisões ficam nas mãos dos detentores de tokens, que nem sempre compartilham os mesmos interesses.

Colaboradores focados em extrair o máximo de capacidade do modelo tendem a votar contra restrições de segurança que possam reduzir a performance em determinados tipos de tarefa. Já aqueles mais preocupados com conformidade regulatória em sua jurisdição tendem a apoiar filtros mais rígidos.

Na prática, a maioria das redes convergiu para uma estrutura de governança em dois níveis. Um conselho central, eleito pelos detentores de tokens, assume decisões sensíveis de segurança que não podem esperar um processo de governança completo. Parâmetros econômicos mais amplos, como estrutura de taxas e divisão de receitas, vão para votação geral dos token holders, com uma janela de deliberação maior. É um arranjo semelhante ao adotado por vários protocolos DeFi como Aave e Compound, que descobriram na prática que governança totalmente on-chain e totalmente direta é vulnerável a ataques de baixa participação e manipulação de votos de última hora.

A governança de modelos traz ainda um desafio específico da IA: o que acontece com o modelo após grandes atualizações. Um colaborador que ajudou a treinar o modelo inicial detém tokens que representam o valor daquele ativo. Se uma votação de governança aprova um fine-tuning profundo que altera significativamente o comportamento do modelo, aqueles tokens ainda representam o mesmo ativo? A solução mais comum é cunhar um novo token para cada grande versão e conceder aos detentores atuais uma alocação proporcional na nova emissão, em linha com o que ocorre em spin-offs, quando acionistas recebem papéis na nova empresa criada.

Contribuição de Dados, Privacidade e o Desafio do Treinamento Federado

Uma das questões de desenho mais críticas em qualquer rede de IA descentralizada é como permitir a participação de provedores de dados sem expor informações sensíveis. Prontuários médicos, dados financeiros e comunicações pessoais estão entre os insumos mais valiosos para treinar modelos especializados. Mas esses dados não podem simplesmente ser enviados para uma rede compartilhada sem criar riscos severos de privacidade e de conformidade regulatória.

O treinamento federado oferece uma solução parcial. Em vez de enviar dados brutos para um nó central de treinamento, cada participante treina localmente uma atualização do modelo sobre seus próprios dados e envia apenas o gradiente — a direção matemática em que os pesos do modelo devem se mover — para a rede. A rede agrega gradientes de muitos participantes sem jamais ver os dados subjacentes. O modelo melhora a partir de dados privados que nunca saem do controle do detentor.

O papel do blockchain no treinamento federado é coordenar e remunerar. Smart contracts registram quais participantes enviaram gradientes em cada rodada de treinamento, avaliam a qualidade e a utilidade de cada gradiente usando funções de avaliação on-chain e distribuem recompensas em função disso. O problema de avaliação é complexo: um participante pode enviar gradientes aleatórios e tentar embolsar recompensas sem trabalho honesto. Protocolos como o FedML e a própria stack de treinamento da Sentient utilizam compromissos criptográficos e mecanismos de revelação tardia para coibir esse comportamento, exigindo que o colaborador se comprometa com seu gradiente antes de ver as submissões dos demais.

A privacidade diferencial geralmente é aplicada em camada adicional ao treinamento federado para garantir, com rigor matemático, que exemplos individuais de treinamento não possam ser reconstruídos a partir dos pesos do modelo. O orçamento de privacidade — quanto de informação o modelo tem permissão de “vazar” sobre qualquer ponto de dado — vira mais um parâmetro de governança, permitindo aos detentores de tokens arbitrar o trade-off entre utilidade do modelo e proteção de privacidade dos contribuintes.

“Treinamento federado somado à privacidade diferencial oferece às redes de IA descentralizada uma resposta crível para o problema da privacidade de dados. O colaborador nunca entrega seus dados. A rede nunca os vê. E o modelo ainda assim melhora a partir deles.”

Quem, de Fato, se Beneficia das Redes de IA Descentralizada Hoje

Entender a mecânica é uma coisa. Saber quem realmente deveria se preocupar com isso em 2026 é outra. A tecnologia já é genuinamente útil em contextos específicos — e genuinamente impraticável em outros.

Pesquisadores independentes de IA e contribuidores open source são os beneficiários mais óbvios. Eles podem aportar poder computacional de treinamento ou conjuntos de dados curados para modelos nos quais acreditam, receber uma participação econômica verificável e ganhar receita recorrente a partir do uso do modelo. A alternativa, contribuir com modelos open source como derivados do LLaMA, rende reputação, mas não participação na captura de valor quando o modelo é comercializado.

Empresas com dados proprietários e exigências regulatórias rígidas demonstram interesse crescente em arranjos de treinamento federado. Um grupo hospitalar que deseja um modelo de IA médica especializado não pode compartilhar prontuários de pacientes com um provedor centralizado. Uma rede descentralizada com treinamento federado permite contribuir com o processo mantendo os dados on-premises. O registro de propriedade on-chain fornece uma trilha de auditoria que ajuda a cumprir requisitos de compliance.

Protocolos DeFi e aplicações Web3 precisam de inferência de IA que não possa ser censurada ou derrubada por um provedor central de API. Um mercado de previsões que usa IA para processar dados de eventos do mundo real não pode correr o risco de ter seu provedor de IA cortando o acesso à API no meio da operação. Mercados de inferência descentralizados oferecem redundância e resistência à censura que APIs centralizadas estruturalmente não conseguem replicar.

Investidores de varejo detentores de tokens ocupam a posição mais ambígua. Reter um token de governança garante direito a voto e exposição a taxas, mas exige participação ativa para capturar valor. Detentores passivos, que não votam, tendem a ser diluídos por participantes ativos. A dinâmica lembra a de tokens de governança em DeFi: o upside econômico existe, mas depende de engajamento.

O Verdadeiro Trade-Off Entre Performance e Verificabilidade

Nenhuma análise honesta de IA descentralizada pode ignorar os pontos em que a tecnologia ainda fica atrás. O conflito central é estrutural: quanto mais verificável é um cálculo de IA, mais lento e caro ele tende a se tornar.

Uma API centralizada como a do GPT‑5, da OpenAI, entrega resultados de inferência em cerca de 500 milissegundos para uma consulta típica. Uma inferência totalmente verificada via zero-knowledge em um modelo de escala equivalente leva, em 2026, algo entre 30 segundos e vários minutos, dependendo do hardware e do sistema de prova. Em aplicações sensíveis à latência — sinais de trading em tempo real, moderação instantânea de conteúdo, chatbots interativos — esse descompasso ainda é proibitivo.

A abordagem de execução otimista reduz significativamente essa lacuna. Com inferência otimista, a latência do resultado inicial se aproxima bastante da de um provedor centralizado. O custo é um atraso na finalização: aplicações precisam aguardar o fechamento da janela de contestação antes de tratar o resultado como definitivamente consolidado. Para a maioria dos casos de uso em Web3, uma janela de alguns minutos é aceitável. Para aplicações em tempo real, não é.

Na frente de custos, o quadro é mais favorável. Provedores centralizados de API cobram prêmio por acesso a modelos de fronteira porque detêm poder de monopólio. Um mercado competitivo de inferência, em que múltiplos operadores disputam a execução de consultas, tende a empurrar os preços para perto do custo marginal. Dados iniciais de mercados como a oferta de computação de IA da Akash Network sugerem que GPUs comoditizadas, acessadas via mercados descentralizados, podem operar com custo 30% a 60% menor do que APIs centralizadas equivalentes para modelos que não exigem a fronteira absoluta de capacidade.

O balanço honesto é que redes de IA descentralizada já estão prontas para produção em aplicações tolerantes à latência, sensíveis à privacidade ou que necessitam de forte resistência à censura. Elas ainda correm atrás nos casos de uso em tempo real, com modelos de fronteira, em que os melhores provedores centralizados mantêm vantagem duradoura. A evolução do hardware para geração de provas e a pesquisa em zkML indicam que essa diferença deve seguir diminuindo, mas não tende a desaparecer completamente no curto prazo.

Conclusão

Redes de IA descentralizada não pretendem substituir os grandes clusters de GPU que treinam modelos de fronteira.

O que elas constroem é uma camada econômica e jurídica sobre o desenvolvimento de IA que torna racional a contribuição voluntária, torna exequível a noção de propriedade aberta e permite auditar, on-chain, a distribuição de receitas de inferência. O blockchain funciona como cartório de registro de propriedade e camada de liquidação — não como supercomputador.

A disparada da Sentient em julho de 2026 reflete um mercado que começa a precificar a ideia de que o desenvolvimento aberto de IA precisa de um modelo econômico crível para sobreviver ao lado de competidores fechados e bem capitalizados. As engrenagens desse modelo — fingerprinting on-chain de modelos, mercados de inferência com verificação criptográfica, treinamento federado com privacidade diferencial — não são teoria. Estão em operação, em redes que já remuneram colaboradores hoje.

Leia a seguir: Grok 4.5 Desafia OpenAI e Anthropic Com IA Agente Mais Barata

IA descentralizada redefine quem controla os modelos que impulsionam a Web3