Come l’addestramento decentralizzato dell’IA creerà una nuova classe di asset per l’intelligenza digitale

Frontier AI — i sistemi di intelligenza artificiale general-purpose più avanzati attualmente in sviluppo — sta diventando uno dei settori più importanti a livello strategico ed economico nel mondo, ma rimane ancora in gran parte inaccessibile alla maggior parte degli investitori e sviluppatori. Addestrare oggi un modello di IA competitivo, simile a quelli utilizzati dagli utenti retail, può costare centinaia di milioni di dollari, richiedere decine di migliaia di GPU di alta gamma e necessitare di un livello di sofisticazione operativa che solo poche aziende possono garantire. Di conseguenza, per la maggior parte degli investitori, specialmente quelli retail, non esiste un modo diretto per possedere una quota del settore dell’intelligenza artificiale.

Questa limitazione sta per cambiare. Una nuova generazione di reti AI decentralizzate sta passando dalla teoria alla produzione. Queste reti collegano GPU di ogni tipo da tutto il mondo, che vanno da hardware costoso e di fascia alta a impianti di gioco consumer e persino al chip M4 del tuo MacBook, in un unico tessuto di addestramento capace di supportare processi su larga scala e all'avanguardia. Ciò che conta per i mercati è che questa infrastruttura fa più che coordinare la potenza di calcolo; coordina anche la proprietà emettendo token ai partecipanti che contribuiscono con risorse, conferendo loro una partecipazione diretta nei modelli AI che aiutano a creare.

La formazione decentralizzata rappresenta un autentico progresso nello stato dell'arte. Addestrare modelli di grandi dimensioni su hardware eterogeneo e non affidabile attraverso l'internet aperto era, fino a poco tempo fa, considerato un'impossibilità dagli esperti di intelligenza artificiale. Tuttavia, Prime Intellect ha ora addestrato modelli decentralizzati attualmente in produzione — uno con 10 miliardi di parametri (l'operatore rapido, efficiente e versatile, veloce e capace per compiti quotidiani) e un altro con 32 miliardi di parametri (il pensatore profondo che eccelle nel ragionamento complesso e offre risultati più sfumati e sofisticati).

Gensyn, un protocollo di machine learning decentralizzato, ha dimostrato un apprendimento per rinforzo verificabile onchain. Pluralis ha mostrato che l'addestramento di modelli di grandi dimensioni utilizzando GPU commodity (le schede grafiche standard presenti nei computer da gioco e nei dispositivi di consumo, piuttosto che chip specializzati costosi) in uno sciame è un approccio decentralizzato sempre più praticabile per il preaddestramento su larga scala, la fase fondamentale in cui i modelli di intelligenza artificiale apprendono da enormi set di dati prima di essere affinati per compiti specifici.

Per essere chiari, questo lavoro non è semplicemente un progetto di ricerca—è già in corso. Nelle reti di addestramento decentralizzate, il modello non “risiede” all’interno del data center di una singola azienda. Al contrario, vive diffuso attraverso la rete stessa. I parametri del modello sono frammentati e distribuiti, il che significa che nessun singolo partecipante possiede l’intero asset. I contributori forniscono potenza di calcolo GPU e banda larga e, in cambio, ricevono token che riflettono la loro quota nel modello risultante. In questo modo, i partecipanti all’addestramento non sono solo risorse; guadagnano allineamento e proprietà nell’IA che stanno creando. Questa è un’allineamento molto diverso da quello che osserviamo nei laboratori di IA centralizzati.

Qui, la tokenizzazione diventa integrante, conferendo al modello una struttura economica e un valore di mercato. Un modello di intelligenza artificiale tokenizzato si comporta come un'azione, con flussi di cassa che riflettono la domanda del modello. Proprio come OpenAI e Anthropic fanno pagare gli utenti per l'accesso API, così possono fare anche le reti decentralizzate. Il risultato è una nuova tipologia di asset: l'intelligenza tokenizzata.

Invece di investire in una grande società pubblica che possiede modelli, gli investitori possono acquisire esposizione ai modelli direttamente. Le reti implementeranno questo attraverso diverse strategie. Alcuni token possono principalmente conferire diritti di accesso — priorità o utilizzo garantito delle capacità del modello — mentre altri possono esplicitamente tracciare una quota dei ricavi netti generati quando gli utenti pagano per eseguire query attraverso il modello. In entrambi i casi, i mercati dei token iniziano a funzionare come un mercato azionario per i modelli, dove i prezzi riflettono le aspettative sulla qualità, la domanda e l’utilità di un modello. Per molti investitori, questo potrebbe essere il percorso più diretto per partecipare finanziariamente alla crescita dell’AI.

Questo sviluppo non avviene nel vuoto. La tokenizzazione sta già entrando nel mainstream finanziario, con piattaforme come Superstate e Securitize (con prevista quotazione nel 2026) che stanno portando fondi e titoli tradizionali onchain. Le strategie basate su asset reali sono ora un tema popolare tra regolatori, gestori patrimoniali e banche. I modelli di intelligenza artificiale tokenizzati rientrano naturalmente in questa categoria: sono digitalmente nativi, accessibili a chiunque disponga di una connessione internet indipendentemente dalla posizione geografica, e la loro attività economica principale — il calcolo per inferenza, il processo di esecuzione di query su un modello addestrato per ottenere risposte — è già automatizzata e tracciabile tramite software. Tra tutti gli asset tokenizzati, i sistemi di IA in continuo miglioramento potrebbero essere i più intrinsecamente dinamici, poiché i modelli possono essere aggiornati, riaddestrati e perfezionati nel tempo.

Le reti di intelligenza artificiale decentralizzate rappresentano un naturale prolungamento della tesi secondo cui le blockchain consentono alle comunità di finanziare, costruire e possedere collettivamente asset digitali in modi precedentemente impossibili. Prima è stato il denaro, poi i contratti finanziari, quindi gli asset del mondo reale. I modelli di intelligenza artificiale sono la prossima classe di asset digitalmente nativi da organizzare, possedere e scambiare onchain. La nostra opinione è che l’intersezione tra crypto e AI non si limiterà ai “token a tema AI”; sarà invece ancorata a veri ricavi derivanti dai modelli, supportati da calcoli e utilizzi misurabili.

È ancora presto. La maggior parte dei sistemi di addestramento decentralizzati è in fase di sviluppo attivo, e molti progetti di token non supereranno i test tecnici, economici o normativi. Ma la direzione è chiara: le reti di addestramento AI decentralizzate sono destinate a diventare una risorsa liquida e coordinata a livello globale. I modelli di AI stanno diventando condivisibili, possedibili e commerciabili tramite token. Con la maturazione di queste reti, i mercati non valuteranno solo le aziende che sviluppano intelligenza; valuteranno l’intelligenza stessa.