Hoe gedecentraliseerde AI-training een nieuwe activaklasse voor digitale intelligentie zal creëren

Frontier AI — de meest geavanceerde, voor algemene doeleinden ontwikkelde AI-systemen die momenteel in ontwikkeling zijn — wordt een van ’s werelds meest strategisch en economisch belangrijke industrieën, maar blijft grotendeels ontoegankelijk voor de meeste investeerders en ontwikkelaars. Het trainen van een concurrerend AI-model vandaag de dag, vergelijkbaar met de modellen die detailhandelsgebruikers vaak gebruiken, kan honderden miljoenen dollars kosten, tienduizenden high-end GPU’s vereisen, en een niveau van operationele verfijning vragen dat slechts door een handvol bedrijven kan worden ondersteund. Daarom is er voor de meeste investeerders, vooral particuliere, geen directe manier om een aandeel te bezitten in de sector van kunstmatige intelligentie.

Die beperking staat op het punt te veranderen. Een nieuwe generatie gedecentraliseerde AI-netwerken beweegt zich van theorie naar productie. Deze netwerken verbinden GPU's van alle soorten over de hele wereld, variërend van dure high-end hardware tot consumentgerichte gaming rigs en zelfs de M4-chip van jouw MacBook, in een enkel trainingsnetwerk dat in staat is grootschalige, geavanceerde processen te ondersteunen. Wat voor markten van belang is, is dat deze infrastructuur meer doet dan alleen het coördineren van rekenkracht; het coördineert ook eigendom door tokens uit te geven aan deelnemers die middelen bijdragen, waardoor zij een direct belang krijgen in de AI-modellen die zij helpen creëren.

Gedecentraliseerde training is een ware vooruitgang in de huidige stand van de techniek. Het trainen van grote modellen op onbetrouwbare, heterogene hardware via het open internet werd tot voor kort door AI-experts als onmogelijk beschouwd. Prime Intellect heeft echter inmiddels gedecentraliseerde modellen in productie getraind — één met 10 miljard parameters (de snelle, efficiënte allrounder die geschikt is voor alledaagse taken) en een ander met 32 miljard parameters (de diepdenker die uitblinkt in complexe redenatie en meer genuanceerde, geavanceerde resultaten levert).

Gensyn, een gedecentraliseerd machine-learningprotocol, heeft reinforcement learning gedemonstreerd die onchain geverifieerd kan worden. Pluralis heeft aangetoond dat het trainen van grote modellen met behulp van commodity GPU's (de standaard grafische kaarten die te vinden zijn in gamingcomputers en consumentapparaten, in plaats van dure gespecialiseerde chips) in een zwerm een steeds haalbaardere gedecentraliseerde benadering is voor grootschalige pretraining, de fundamentele fase waarin AI-modellen leren van enorme datasets voordat ze worden verfijnd voor specifieke taken.

Om duidelijk te zijn, dit werk is niet zomaar een onderzoeksproject—het gebeurt al. In gedecentraliseerde trainingsnetwerken “zit” het model niet binnen het datacenter van één enkel bedrijf. In plaats daarvan leeft het over het netwerk zelf. Modelparameters zijn gefragmenteerd en gedistribueerd, wat betekent dat geen enkele deelnemer het gehele asset bezit. Bijdragers leveren GPU-computing en bandbreedte, en ontvangen in ruil daarvoor tokens die hun belang in het resulterende model weerspiegelen. Op deze manier dienen trainingsdeelnemers niet alleen als middelen; ze verdienen alignering en eigenaarschap in de AI die ze creëren. Dit is een heel andere vorm van alignering dan wat we zien in gecentraliseerde AI-laboratoria.

Hier wordt tokenisering integraal, waardoor het model een economische structuur en marktwaarde krijgt. Een getokeniseerd AI-model gedraagt zich als een aandeel, met kasstromen die de vraag naar het model weerspiegelen. Net zoals OpenAI en Anthropic gebruikers kosten in rekening brengen voor API-toegang, kunnen gedecentraliseerde netwerken dat ook. Het resultaat is een nieuw soort activum: getokeniseerde intelligentie.

In plaats van te investeren in een groot beursgenoteerd bedrijf dat eigenaar is van modellen, kunnen beleggers direct blootstelling krijgen aan modellen. Netwerken zullen dit implementeren via verschillende strategieën. Sommige tokens verlenen vooral toegangsrechten — prioriteit of gegarandeerd gebruik van de mogelijkheden van het model — terwijl andere expliciet een aandeel volgen van de nettowinst die wordt gegenereerd wanneer gebruikers betalen om queries via het model uit te voeren. In beide gevallen beginnen de tokenmarkten te functioneren als een aandelenmarkt voor modellen, waarbij de prijzen verwachtingen weerspiegelen over de kwaliteit, vraag en bruikbaarheid van een model. Voor veel beleggers kan dit de meest directe weg zijn om financieel te participeren in de groei van AI.

Deze ontwikkeling vindt niet plaats in isolatie. Tokenisatie beweegt zich al richting de financiële mainstream, met platforms zoals Superstate en Securitize (dat in 2026 naar de beurs gaat) die fondsen en traditionele effecten onchain brengen. Strategieën voor real-world assets zijn nu een populair onderwerp onder toezichthouders, vermogensbeheerders en banken. Getokeniseerde AI-modellen passen natuurlijk binnen deze categorie: ze zijn digitaal-native, toegankelijk voor iedereen met een internetverbinding ongeacht locatie, en hun kernactiviteit—computatie voor inferentie, het proces van het uitvoeren van queries via een getraind model voor het verkrijgen van antwoorden—is al volledig geautomatiseerd en traceerbaar via software. Onder alle getokeniseerde activa mogen continu verbeterende AI-systemen mogelijk het meest intrinsiek dynamisch worden genoemd, aangezien modellen geüpgraded, opnieuw getraind en verbeterd kunnen worden in de loop van de tijd.

Gedecentraliseerde AI-netwerken zijn een natuurlijke uitbreiding van de these dat blockchains gemeenschappen in staat stellen om gezamenlijk digitale activa te financieren, ontwikkelen en bezitten op manieren die voorheen onmogelijk waren. Eerst was er geld, vervolgens financiële contracten, daarna echte wereld activa. AI-modellen zijn de volgende digitaal-native activaklasse die georganiseerd, bezit en verhandeld zal worden onchain. Onze visie is dat de kruising van crypto en AI niet beperkt zal blijven tot “AI-thema tokens”; het zal verankerd zijn in daadwerkelijke modelinkomsten, ondersteund door meetbare rekenkracht en gebruik.

Het is nog vroeg. De meeste gedecentraliseerde trainingssystemen zijn in actieve ontwikkeling, en veel tokenontwerpen zullen falen voor technische, economische of regelgevende toetsen. Maar de richting is duidelijk: de gedecentraliseerde AI-trainingsnetwerken staan op het punt een liquide, wereldwijd gecoördineerde hulpbron te worden. AI-modellen worden deelbaar, bezitbaar en verhandelbaar via tokens. Naarmate deze netwerken volwassen worden, zullen markten niet alleen bedrijven waarderen die intelligentie ontwikkelen; zij zullen de intelligentie zelf prijzen.