Penulis: Pink Brains
Kompilasi: AididiaoJP, Foresight News
AI terdesentralisasi ada karena AI terpusat memiliki hambatan struktural yang tidak dapat diatasi oleh modal atau kode:
- Sumber daya komputasi langka dan mahal
- Kontrol yang terlalu terpusat
- Output model tidak dapat diverifikasi
- Mendapatkan data pelatihan semakin sulit
Sumber daya komputasi langka dan mahal
Infrastruktur GPU diperkirakan akan tumbuh dari $100 miliar pada tahun 2025 menjadi $770 miliar pada tahun 2035. GPU pusat data telah terjual habis selama beberapa bulan berturut-turut. Pasar komputasi terdesentralisasi diperkirakan akan tumbuh dari $9 miliar pada tahun 2024 menjadi $22 miliar pada tahun 2035 (data Research and Markets). Angka ini hanya valid jika Anda percaya bahwa kelangkaan adalah masalah struktural, bukan siklus, dan kami percaya itu masalah struktural.
Kontrol yang terlalu terpusat
ChatGPT, Gemini, Grok, Claude dimiliki dan dioperasikan oleh segelintir perusahaan swasta. Kebijakan AI saat ini mengasumsikan bahwa hanya entitas yang dapat mengkonsentrasikan sumber daya komputasi besar yang dapat melatih sistem canggih. Jika asumsi ini dihancurkan, lanskap siapa yang dapat membangun kecerdasan mutakhir akan berubah total.
Output hasil tidak dapat diverifikasi
Ketika model membuat keputusan, pengguna tidak dapat memverifikasi apakah model yang benar dijalankan, apakah komputasi dieksekusi dengan benar, atau apakah data sensitif bocor. Ini mungkin masih bisa ditoleransi untuk chatbot, tetapi sama sekali tidak dapat diterima ketika AI menangani pinjaman, perawatan kesehatan, atau agen otonom mengoperasikan dompet real-time.
Mendapatkan data pelatihan semakin sulit, karena kekhawatiran privasi dan regulasi
Crawler terpusat yang berlokasi di satu wilayah AWS akan segera dibatasi kecepatannya, diblokir secara geografis, atau diberi cache beracun. Seperti yang dikatakan a16z dalam prospek 2026 mereka, privasi menjadi 'parit pertahanan terpenting di bidang kripto.'
AI membutuhkan blockchain untuk membuat kecerdasan menjadi terbuka, dapat diverifikasi, dan terjangkau secara ekonomi.
Peta Tumpukan Teknologi AI Terdesentralisasi
- Lapisan Aplikasi dan Layanan: Agen AI dapat melakukan banyak hal, tetapi di bidang kripto, dua kasus penggunaan yang mendominasi saat ini adalah Keuangan Agen (Agentic Finance) dan Pembayaran Agen (Agentic Payments).
- Lapisan Middleware: Konektor - dari kerangka kerja yang membangun dan mengidentifikasi agen, pasar agen, hingga lapisan koordinasi.
- Lapisan Infrastruktur: Sumber daya dasar AI - lapisan privasi dan verifikasi, komputasi, inferensi, pelatihan, data, dan penyimpanan.
Lapisan Aplikasi dan Layanan
Keuangan Agen mengubah prompt bahasa alami menjadi tindakan on-chain.
Agen ARMA @gizatechxyz telah memproses volume transaksi agen lebih dari $4,6 miliar di pasar pinjaman terpilih — berjalan per blok, non-kustodial, pada kerangka AVS EigenLayer.
@Infinit_Labs menjalankan cluster yang terdiri dari lebih dari 20 agen khusus yang dapat mengubah maksud seperti 'dapatkan $1000 per bulan dengan 1 BTC' menjadi strategi satu klik di Ethereum, Solana, dan Base.
@coinvestai oleh Liquid menyematkan eksekusi real-time langsung ke ChatGPT dan Claude, mendukung perdagangan di 500+ pasar melalui Model Context Protocol.
@minara mengintegrasikan Hyperliquid dan baru-baru ini bergabung dengan Lighter. Ini menjalankan siklus perdagangan lengkap 'analisis → keputusan → eksekusi' melalui model DMind dan 50+ integrasi.
@Cod3xOrg: Jaringan yang terdiri dari agen AI ringan yang dapat mengubah maksud menjadi transaksi on-chain yang dibangun dan dieksekusi.
@Zyfai_: Agen DeFAI yang mengelola sendiri, dapat mengotomatiskan dan mengoptimalkan yield farming, terus-menerus merelokasi modal antar protokol untuk mengejar APY yang disesuaikan dengan risiko, tanpa campur tangan manusia.
Di pasar prediksi, @SynthdataCo adalah subnet Bittensor yang menjalankan jaringan intelijen keuangan prediksi terdesentralisasi. Penambang bersaing dalam pemodelan ketidakpastian harga jangka pendek. Ini sudah menyediakan data real-time untuk produk seperti Mode AI Quant untuk pasar kripto Kalshi.
Pembayaran Agen: Mesin Membayar Mesin
Sama seperti internet menjadi lapisan komunikasi untuk ekonomi digital, blockchain dan stablecoin menjadi lapisan penyelesaian untuk pembayaran agen.
Hingga Mei 2026, x402 telah memproses lebih dari 173 juta transaksi di Base dan Solana, dengan anggota yayasan x402 termasuk Google, Visa, AWS, Circle, Anthropic, Stripe, dan Cloudflare. Stripe telah menggunakannya sejak Februari 2026; AWS meluncurkan AgentCore Payments native.
Aktivitas pembeli dan penjual meningkat, dengan sebagian besar transaksi terkait penggunaan bayar-per-pakai yang nyata: panggilan API, layanan inferensi AI, bisnis agen, dan beban kerja serupa. Siklus hype awal telah mereda, tetapi daya tarik dasar mulai mengikutinya.
Sementara itu, Machine Payments Protocol oleh Stripe dan Tempo muncul sebagai jalur kedua, mencatat lebih dari 411.900 transaksi dan 9.600 pembeli sejak diluncurkan.
Jaringan-jaringan ini bersama-sama menunjukkan pergeseran yang lebih luas menuju bisnis mesin-ke-mesin di mana agen perangkat lunak dapat bertransaksi secara otonom dengan kecepatan mesin.
Lapisan Middleware
Seiring bertambahnya jumlah agen, masalah inti menjadi koordinasi: bagaimana agen saling menemukan, membuktikan identitas, dan bertransaksi tanpa campur tangan manusia.
Celah kepercayaan di sini adalah hambatan. Perkiraan ukuran bisnis agen akan mencapai $1,5 hingga $5 triliun pada tahun 2030, tetapi adopsi dibatasi oleh satu hal — kebanyakan pengguna bersedia membiarkan AI melakukan penelitian, tetapi sangat sedikit yang bersedia membiarkan AI benar-benar membeli.
Sistem hari ini masih bergantung pada kunci API, dan hampir tidak ada sistem yang menganggap agen sebagai entitas dengan identitas.
@GoKiteAI sedang membangun L1 khusus yang menganggap identitas dan pembayaran sebagai primitif native. ERC-8004 adalah standar Ethereum yang memberikan identitas dan reputasi on-chain yang portabel untuk agen, dapat diikuti lintas rantai.
Di pasar, @virtuals_io adalah sistem operasi untuk ekonomi agen di Base. Hingga Juni 2026, ini telah memproses lebih dari 2,38 juta tugas agen, menghasilkan hampir $480 juta 'PDB Agensi'.
Tetapi permata di lapisan ini adalah Bittensor. Ini adalah jaringan subnet khusus, di mana setiap subnet adalah ekonomi mikro, penambang menjalankan model AI, validator menilai output, emisi TAO mengalir ke mereka yang menghasilkan pekerjaan paling berguna. Ada tiga mekanisme yang membuatnya serius secara ekonomi:
- Pembagian dua Desember 2025 mengurangi penerbitan TAO harian dari 7200 menjadi 3600, sesuai dengan batas maksimal 21 juta.
- Peningkatan dTAO memberikan setiap subnet token Alpha dan pool AMM sendiri — pasar yang menentukan emisi.
- Peningkatan Taoflow (diluncurkan November 2025) murni mengalokasikan emisi berdasarkan aliran staking bersih. Sebuah subnet dapat turun ke nol jika mengalami unstaking lebih banyak daripada staking. Desainnya memang Darwinistik.
Jaringan telah melebihi 128 subnet aktif, dengan 3 subnet komputasi teratas dilaporkan mencapai ARR gabungan $20 juta dalam tiga bulan setelah dimonetisasi. Darwinisme adalah produk.
Proyek lain fokus pada pembuatan blockchain AI khusus, atau menyediakan alat, kerangka kerja, dan insentif yang diperlukan untuk mendukung ekosistem AI yang dimiliki komunitas.
@NEARProtocol: Lapisan koordinasi tak kasatmata yang menggabungkan penyelesaian, identitas, privasi, TEE, MPC, dan perlindungan PII, melayani agen otonom.
@base — 'basis' utama untuk 'ekonomi agen'. Base MCP memungkinkan alat AI seperti Claude, ChatGPT, Cursor untuk mengeksekusi tindakan on-chain melalui prompt di platform seperti Uniswap, Morpho, Avantis — tukar, transfer, interaksi DeFi.
@SentientAGI: Ekosistem GRID-nya menghubungkan agen, model, data, dan komputasi, mengarahkan kueri ke peserta khusus untuk memberikan hasil terbaik.
@gensynai: Eksekusi ML yang dapat diverifikasi, mengoordinasikan perangkat keras terdistribusi untuk pelatihan dan inferensi sambil memastikan pekerjaan dapat dipercaya, $AI mengoordinasikan jaringan.
@SaharaAI menghubungkan data, model, agen, dan hadiah dalam satu ekosistem AI-native.
Lapisan Infrastruktur
Infrastruktur adalah kerangka AI — primitif komputasi, inferensi, pelatihan, data, dan privasi mentah yang menjadi ketergantungan semua lapisan di atasnya. Ini adalah lapisan paling intensif modal di tumpukan AI terdesentralisasi.
Komputasi Terdesentralisasi
@akashnet menjalankan pasar lelang terbalik di mana penyedia menawar untuk memenangkan beban kerja Anda. Pertumbuhan sewa baru Q1 2026 meningkat 27% menjadi 43.500+, pertumbuhan kuartalan ketiga berturut-turut. Layanan inferensi AkashML-nya memproses hampir 120 miliar token pada April, dengan harga 60–85% lebih murah daripada cloud arus utama.
@rendernetwork melaporkan pertumbuhan penggunaan tahun-ke-tahun sebesar 428%.
@ionet mengagregasi 130.000+ GPU dari 130+ negara di Solana.
@AethirCloud adalah salah satu yang benar-benar menghasilkan pendapatan: dilaporkan sekitar $166 juta ARR (Q3 2025), memberikan lebih dari 1,5 miliar jam komputasi.
Inferensi Terdistribusi dan Dapat Diverifikasi
Inferensi menyumbang lebih dari 70% biaya operasional AI, dan Goldman Sachs memperkirakan AI agen akan mendorong konsumsi token tumbuh 24 kali lipat pada tahun 2030 — 120 triliun token per bulan.
Jawaban terdesentralisasi adalah membuat inferensi menjadi murah, pribadi, dan dapat diverifikasi.
@AskVenice telah menyediakan lebih dari 50 miliar token per hari untuk lebih dari 2 juta pengguna melalui model pribadi dan tanpa sensor, dengan parit pertahanannya adalah model.
@OpenGradient telah memproses lebih dari 2 juta inferensi yang dapat diverifikasi, menghasilkan 500.000+ bukti zkML.
@chutes_ai: Pengembang dapat menerapkan dan menskalakan model AI melalui API sederhana, didukung oleh penambang GPU, dengan biaya hingga 85% lebih murah daripada AWS. Pendapatan platform diubah menjadi permintaan token melalui mekanisme staking otomatis.
@dphnAI — Jaringan Inferensi AI Terdesentralisasi. Patut diperhatikan, Dolphin mengembangkan model tanpa sensor yang digunakan oleh Venice AI, dan menggunakan 100% pendapatan jaringan untuk pembelian kembali token.
Pelatihan Terdesentralisasi
Pelatihan adalah masalah tersulit dan dengan dampak terbesar — ini menentukan apakah model mutakhir harus dibangun di dalam tiga atau empat laboratorium perusahaan.
INTELLECT-1 (10 miliar parameter) oleh @PrimeIntellect adalah pelatihan terdistribusi global pertama; INTELLECT-2 (32 miliar parameter) adalah pelatihan RL terdistribusi pertama.
@tplr_ai berhasil melatih Covenant-72B pada 70+ node terdistribusi, memproses sekitar 1,1 triliun token, mengurangi biaya komunikasi 146 kali.
@NousResearch: Jaringan Psyche-nya memungkinkan pelatihan terdistribusi yang toleran kesalahan, Hermes 4.3 menjadi model Hermes pertama yang dilatih pada infrastruktur terdesentralisasi, bukan cluster terpusat.
Subnet IOTA (SN9) @MacrocosmosAI melakukan pra-pelatihan LLM terdesentralisasi dan 'pelatihan di rumah', subnet Data Universe-nya (SN13) menangani lapisan data. Algoritma DiLoCo seri komunikasi rendah memungkinkan GPU yang tersebar di seluruh dunia untuk berkolaborasi tanpa jaringan internal berkecepatan tinggi pusat data.
Ketersediaan Data dan Penyimpanan Terdesentralisasi
Keduanya menjadi hambatan seiring dengan peningkatan skala beban kerja AI. Model mutakhir mengonsumsi data segar dalam jumlah besar, dan kebutuhan penyimpanan telah melonjak ke titik di mana pemasok hard drive utama melaporkan kapasitas terjual habis beberapa tahun sebelumnya.
Ekonominya menarik. Penyimpanan terdesentralisasi bisa 60-80% lebih murah daripada penyedia cloud tradisional, jaringan seperti @Filecoin menawarkan harga penyimpanan di bawah $1 per TB per bulan, sementara alternatif terpusat sekitar $30.
@grass membayar 2,5 juta node dari 190 negara untuk bandwidth menganggur mereka, memungkinkan laboratorium AI untuk merangkak web secara real-time.
@WalrusProtocol adalah penantang yang berkembang pesat yang dibangun oleh @Mysten_Labs, untuk penyimpanan dan ketersediaan data terdesentralisasi — menggunakan kode penghapus dua dimensi untuk menyimpan 'blob' besar secara efisien, dan semakin diposisikan sebagai lapisan memori persisten untuk agen AI.
@eigencloud: Platform cloud yang dapat diverifikasi yang dibangun di sekitar ketersediaan data, komputasi yang dapat diverifikasi, dan resolusi sengketa. Dijamin oleh ETH yang di-restake, teorinya adalah memungkinkan agen AI berjalan dengan jaminan kriptografik, membuat tindakan dapat dibuktikan, diaudit, dan dapat dieksekusi.
@vana — EVM L1 di mana DAO Data dan Data Liquidity Pools mengubah data pribadi menjadi aset yang dapat ditokenisasi dan diperdagangkan.
@reppo dan @oroagents membangun kumpulan data berkualitas tinggi dan dapat dipercaya untuk pelatihan AI melalui kompetisi berinsentif.
Lapisan Privasi dan Verifikasi
Pengguna AI biasa tidak dapat memverifikasi apakah model menangani data mereka secara pribadi, apakah komputasi dieksekusi dengan benar, atau bahkan apakah model yang diklaim digunakan.
Pada tahun 2026, privasi dan verifikasi menjadi prasyarat untuk AI, bukan fitur tambahan.
@nillion — 'Komputer Buta', menggunakan MPC dan Nil Message Compute miliknya untuk mengeksekusi komputasi pada data terenkripsi tanpa mendekripsi. Kasus penggunaan termasuk inferensi AI pribadi, database terenkripsi, dan RAG pribadi (membiarkan AI menginterogasi basis pengetahuan khusus tanpa membocorkannya).
@Arcium: Jaringan komputasi rahasia terdesentralisasi di Solana. Kasus penggunaan termasuk Umbra (transfer terlindungi / yield pribadi) dan pelatihan AI rahasia pada kumpulan data sensitif.
@OasisProtocol: L1 prioritas privasi, menggunakan ROFL (Runtime Offchain Logic), kerangka berbasis TEE untuk menjalankan komputasi off-chain yang dapat diverifikasi dan dilindungi privasi — agen AI, pelatihan model, atau oracle.
@octra: L1 prioritas privasi yang secara native mendukung FHE, menggunakan skema HFHE (Hypergraph FHE) khusus, dirancang untuk komputasi paralel terenkripsi dan throughput.
@eigencloud: Ahli verifikasi berat, dibangun di atas keamanan restaking EigenLayer. EigenAI (inferensi LLM yang dapat diverifikasi adalah API yang kompatibel dengan OpenAI untuk model open source, di mana prompt dan respons dapat dibuktikan tidak dirusak) dan EigenCompute (eksekusi off-chain yang dapat diverifikasi untuk logika agen).
@PhalaNetwork. GPU cloud kuat tetapi tidak pribadi; Phala membuat beban kerja dapat dibuktikan, bahkan terselubung dari Phala itu sendiri. Produk intinya, GPU TEE di Phala Cloud, menerapkan model open source ke perangkat keras, menyediakan API yang kompatibel dengan OpenAI di mana setiap inferensi memiliki bukti kriptografik.
Arah AI Terdesentralisasi 2026-2027
Permintaan AI tumbuh lebih cepat daripada infrastruktur yang mengikutinya, agen AI menjadi mesin pertumbuhan dominan — jalur on-chain sudah siap.
Komputasi sedang berubah menjadi kelas aset, pasar on-chain menjadi lapisan keuangannya. Peserta institusional beralih dari eksperimen ke investasi infrastruktur.
Tokenomics menjadi keunggulan struktural AI terdesentralisasi dalam mengoordinasikan modal, komputasi, dan data. Peluang berkembang dari AI ke robotika, mesin otonom, dan AI fisik.
Kesimpulan
AI terdesentralisasi tumbuh di tumpukan utama — infrastruktur, middleware, aplikasi — terwujud dalam pendapatan komputasi, ekonomi agen yang berkembang, dan pelatihan terdistribusi skala besar.
Tetapi bidang ini masih awal. Pendapatan sering tertinggal dari insentif token, adopsi masih tidak merata, dan sementara investasi AI secara keseluruhan melonjak, AI terdesentralisasi masih hanya sebagian kecil dari modal ventura. Jaringan yang digerakkan token bisa menjadi keunggulan yang kuat, tetapi hanya jika desain penangkapan nilainya benar.
Meskipun demikian, munculnya proyek-proyek seperti Bittensor, NEAR, Virtuals, Base, dan Venice menunjukkan bahwa AI terdesentralisasi berevolusi dari narasi spekulatif menjadi mode baru untuk mengoordinasikan komputasi, data, modal, dan kecerdasan.
