Nel report “State of AI 2025”, Messari dedica un intero capitolo alla Decentralized AI (deAI), definendola non come un’alternativa ideologica all’AI tradizionale, ma come un complemento necessario per garantire trasparenza, sicurezza e partecipazione globale.
In un mondo dove i modelli diventano black box e cresce il potere dei laboratori privati, il ruolo della deAI non è teorico: è una risposta strutturale alle sfide del nuovo ordine dell’intelligenza.
L’intelligenza artificiale sta diventando l’infrastruttura digitale più strategica del pianeta. Ma mentre i colossi tech consolidano il proprio dominio, cresce un movimento parallelo che vuole costruire un’AI radicalmente diversa: aperta, verificabile, permissionless e distribuita.
Summary
Cos’è la Decentralized AI (deAI)?
La deAI è un sistema AI costruito su reti distribuite, dove:
- i dati possono essere raccolti, etichettati e scambiati in modalità permissionless;
- il calcolo viene eseguito su reti globali di GPU indipendenti;
- i modelli possono essere addestrati e utilizzati in modo coordinato, senza un’unica autorità di controllo;
- privacy, verificabilità e reputazione sono garantite tramite blockchain, crittografia e sistemi di attestazione;
- gli agenti AI possono transare, identificarsi e collaborare in un ambiente trustless.
In altre parole:
La deAI è l’infrastruttura che permette di costruire un’AI aperta “per chiunque e da chiunque”, senza dover dipendere da un gigante privato.
Perché la deAI diventa necessaria?
Messari divide le ragioni in due categorie: filosofiche e pratiche.
🔹 Filosofia
- Concentrazione del potere
L’AI centralizzata dà un controllo enorme a poche aziende (OpenAI, Google, Anthropic). Questo influenza narrative, accesso ai dati, standard tecnologici e perfino processi sociali. - Opacità
Non sappiamo come sono stati addestrati i modelli, quali dati usano, quali bias incorporano. - Trust limitato
Non esistono garanzie verificabili che il modello servito sia quello dichiarato o che tratti i dati in modo corretto.
🔹 Pratica
- Coordinazione globale
Le blockchain permettono di coordinare milioni di dispositivi e contributori senza fiducia. - Verificabilità on-chain
Identità, reputazione, stato del modello e integrità possono essere registrati in modo immutabile. - Pagamenti nativi
Gli agenti AI hanno bisogno di pagamenti istantanei, microtransazioni e settlement immediato: qui crypto è insostituibile. - Scalabilità tramite reti distribuite
La deAI sfrutta hardware già esistente (PC gaming, edge devices, piccoli data center), non solo GPU hyperscaler.
La deAI Stack: i 6 livelli che compongono l’ecosistema
Il report descrive in dettaglio la stack tecnologica della deAI, composta da 6 layer interconnessi: Data → Compute → Training → Privacy/Verification → Agents → Applications.
Vediamoli uno per uno.
1. Data Layer
Il cuore di ogni sistema AI è il dataset.
Nella deAI, i dati vengono raccolti, etichettati, archiviati e scambiati tramite reti distribuite.
Attività principali:
- raccolta dati (video, audio, sensori, interazioni reali)
- labeling tramite marketplace incentivati
- cleaning & preprocessing
- storage su reti distribuite (Filecoin, Arweave, Jackal)
- data marketplaces (Ocean, Vana, Cudis)
La decentralizzazione permette:
- maggiore diversità dei dati
- incentivi economici diretti ai contributori
- verificabilità (provenance, timestamp, identità)
- riduzione del costo dei dataset proprietari
Con il “data famine” previsto entro il 2030, questo layer diventa cruciale.
2. Compute Layer
Qui avviene la parte più costosa dell’AI: eseguire training e inference.
Le reti di compute decentralizzato (DCN):
- Akash
- Render
- io.net
- Aethir
- Hyperbolic
- EigenCloud
- Exabits
Il vantaggio principale: rendono disponibile compute on-demand a prezzi di mercato, non imposti da un cloud provider.
Storicamente inefficaci per il training a larga scala (per via di latenze e sincronizzazioni), oggi i DCN sono perfetti per servire inference, perché:
- richiede meno comunicazione tra GPU
- può essere eseguita su hardware eterogeneo
- è il segmento destinato a rappresentare il 50–75% della domanda di compute entro il 2030
3. Training & Inference Layer
Messari distingue nettamente:
Pre-training
Difficilissimo da decentralizzare:
richiede dataset enormi, sincronizzazione stretta, banda elevatissima.
Post-training (SFT / RLHF / RL)
Perfetto per reti distribuite:
- più asynchrony
- meno comunicazione
- più scalabilità
- possibilità di crowdsourcing dei dati
Inference decentralizzata
È l’anello mancante che rende la deAI utilizzabile nella vita reale.
Esempi citati nel report:
- Prodia
- Chutes
- Fortytwo Network
- dria
- inference.net
4. Privacy & Verification Layer
Qui entrano in gioco le tecnologie crittografiche più complesse.
Tecniche fondamentali:
- ZKML (zero-knowledge machine learning)
- Optimistic ML (verifica tramite challenge period)
- TEE-based ML (trusted execution environments)
- FHE (fully homomorphic encryption)
- MPC (multi-party computation)
- Federated learning
Obiettivo:
Garantire che un modello sia stato calcolato correttamente, senza modifiche e senza esporre dati sensibili.
Progetti menzionati:
- Phala (TEE)
- Zama (FHE)
- Nillion (MPC)
- EZKL (ZKML)
- Lagrange (zkML + verification infra)
Questo è il layer più importante per l’adozione enterprise.
5. Agents & Orchestration Layer
Il report analizza come gli autonomous agents stanno diventando la nuova “interfaccia” dell’AI.
Uno stack completo include:
- modello di base (LLM o SLM)
- tooling (API, wallet, browser automation)
- framework (ElizaOS, Daydreams, Olas, Questflow)
- standard di comunicazione
- coordinazione multi-agente
- integrità verificabile (prompt inviolabile, reasoning verificato)
Le blockchain sbloccano per gli agenti:
- identità
- reputazione
- pagamenti self-custodial
- accesso trustless a servizi finanziari
- auditabilità
Gli agenti saranno i principali “utenti” della blockchain nei prossimi 5 anni.
6. Applications Layer
Il livello finale: le app costruite sull’intera stack.
Esempi:
- trading agents
- autonomic DeFi bots
- browser autonomi
- sistemi di cybersecurity
- data labeling AI-powered
- universi multi-agente per gaming, discovery o e-commerce
- motori di recommendation decentralizzati
Le app deAI funzionano come normali AI, ma con tre differenze:
- trasparenza
- verificabilità
- interoperabilità con crypto
Perché ora? Le 5 forze che spingono la deAI
Messari individua cinque megatrend che creano un terreno perfetto per la crescita della decentralized AI:
- Domanda di inference in boom verticale
- Esaurimento dei dati pubblici e richiesta di dati proprietari
- Esplosione degli agenti AI che devono transare autonomamente
- Guerra globale per il talento e costi proibitivi del compute
- Avanzamenti nella decentralizzazione del training e della verification
L’AI centralizzata non può soddisfare tutto: serve complementarità.
Conclusione: la deAI è la base dell’AI open, verificabile e partecipativa
La decentralized AI non è un trend: è una risposta strutturale.
Man mano che i modelli crescono e il potere delle Big Tech si concentra, la necessità di:
- verificare
- decentralizzare
- attestare
- coordinare
- compensare
- proteggere
- distribuire
diventa centrale.
La deAI è l’infrastruttura che permette all’AI di essere non solo potente, ma anche:
- aperta
- sicura
- distribuita
- accessibile globalmente
