Penulis: Pink Brains
Kompilasi: AididiaoJP, Foresight News
AI terdesentralisasi ada karena AI terpusat memiliki hambatan struktural yang tidak dapat diselesaikan hanya dengan modal dan kode:
- Sumber daya komputasi langka dan mahal
- Kendali yang terlalu terkonsentrasi
- Output model tidak dapat diverifikasi
- Mendapatkan data pelatihan semakin sulit
Sumber Daya Komputasi Langka dan Mahal
Infrastruktur GPU diproyeksikan tumbuh dari $100 miliar pada 2025 menjadi $770 miliar pada 2035. GPU pusat data telah habis terjual selama berbulan-bulan. Pasar komputasi terdesentralisasi diproyeksikan tumbuh dari $9 miliar pada 2024 menjadi $22 miliar pada 2035 (data Research and Markets). Angka ini hanya berlaku jika Anda percaya bahwa kelangkaan ini adalah masalah struktural, bukan siklus, dan kami meyakini itu adalah masalah struktural.
Kendali yang Terlalu Terkonsentrasi
ChatGPT, Gemini, Grok, Claude semuanya dimiliki dan dioperasikan oleh segelintir perusahaan swasta. Kebijakan AI saat ini berasumsi bahwa hanya entitas yang dapat memusatkan sumber daya komputasi masif yang mampu melatih sistem yang kuat. Begitu asumsi ini dihancurkan, lanskap tentang siapa yang dapat membangun kecerdasan terdepan akan berubah total.
Output Hasil Tidak Dapat Diverifikasi
Saat model membuat keputusan, pengguna tidak dapat memverifikasi apakah model yang benar dijalankan, apakah komputasi dieksekusi dengan benar, atau apakah data sensitif bocor. Ini masih bisa ditoleransi untuk chatbot, tetapi sama sekali tidak dapat diterima ketika AI menangani pinjaman, perawatan kesehatan, atau saat agen otonom mengoperasikan dompet secara real-time.
Mendapatkan Data Pelatihan Semakin Sulit, Karena Kekhawatiran Privasi dan Regulasi
Penjelajah web terpusat yang berlokasi di satu wilayah AWS dengan cepat akan dibatasi kecepatannya, diblokir secara geografis, atau diberi cache beracun. Seperti yang dikatakan a16z dalam outlook 2026 mereka, privasi sedang menjadi "moat terpenting dalam kripto."
AI membutuhkan blockchain untuk membuat kecerdasan menjadi terbuka, dapat diverifikasi, dan terjangkau secara ekonomi.
Peta Lapisan Teknologi (Tech Stack) AI Terdesentralisasi
- Lapisan Aplikasi & Layanan: Agen AI dapat melakukan banyak hal, tetapi di ranah kripto, dua use case yang saat ini mendominasi adalah Keuangan Agen (Agentic Finance) dan Pembayaran Agen (Agentic Payments)
- Lapisan Middleware: Organisasi penghubung—mulai 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 & Layanan
Keuangan Agen mengubah perintah bahasa alami menjadi aksi on-chain.
Agen ARMA dari @gizatechxyz telah memproses lebih dari $4.6 miliar volume transaksi agen di pasar pinjaman terpilih—berjalan per blok, non-kustodian, di atas kerangka kerja AVS EigenLayer.
@Infinit_Labs menjalankan kluster lebih dari 20 agen khusus yang dapat mengubah intensi seperti "Hasilkan $1000 per bulan dengan 1 BTC" menjadi strategi satu-klik di Ethereum, Solana, dan Base.
@coinvestai by 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. Ia menjalankan loop perdagangan lengkap "analisis → keputusan → eksekusi" melalui model DMind dan 50+ integrasi.
@Cod3xOrg: Jaringan agen AI ringan yang dapat mengubah intensi menjadi transaksi on-chain yang dibangun dan dieksekusi.
@Zyfai_: Agen DeFAI yang dikelola sendiri, mampu mengotomatisasi dan mengoptimalkan yield farming, secara terus-menerus menyeimbangkan kembali modal antar-protokol untuk mengejar APY yang disesuaikan risiko, tanpa intervensi manusia.
Di pasar prediksi, @SynthdataCo adalah subnet Bittensor yang menjalankan jaringan kecerdasan keuangan prediksi terdesentralisasi. Penambang bersaing dalam memodelkan ketidakpastian harga jangka pendek. Ini sudah memasok data real-time untuk produk seperti Mode AI Quant untuk pasar kripto Kalshi.
Pembayaran Agen: Mesin Membayar Mesin
Sebagaimana internet menjadi lapisan komunikasi ekonomi digital, blockchain dan stablecoin sedang menjadi lapisan penyelesaian (settlement layer) untuk pembayaran agen.
Per 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 mulai menggunakannya sejak Februari 2026; AWS meluncurkan AgentCore Payments native.
Aktivitas pembeli dan penjual meningkat, sebagian besar transaksi terkait dengan penggunaan bayar-per-pakai yang nyata: panggilan API, layanan inferensi AI, perdagangan agen, dan workload serupa. Siklus hype awal telah mereda, tetapi traksi mendasar mulai menyusul.
Sementara itu, Machine Payments Protocol oleh Stripe dan Tempo muncul sebagai jalur kedua, mencatat lebih dari 411.9 ribu transaksi dan 9,600 pembeli sejak diluncurkan.
Jaringan-jaringan ini bersama-sama menandakan pergeseran yang lebih luas di mana perdagangan mesin-ke-mesin sedang bergerak, memungkinkan agen perangkat lunak untuk bertransaksi secara otonom dengan kecepatan mesin.
Lapisan Middleware
Seiring jumlah agen bertambah, teka-teki inti menjadi koordinasi: bagaimana agen saling menemukan, membuktikan identitas, dan bertransaksi tanpa campur tangan manusia.
Kesenjangan kepercayaan di sini adalah hambatan. Perkiraan ukuran perdagangan agen akan mencapai $1.5 hingga $5 triliun pada 2030, namun adopsi dibatasi oleh satu hal—kebanyakan pengguna mau membiarkan AI melakukan riset, tetapi sedikit yang mau membiarkan AI benar-benar membeli.
Sistem hari ini masih bergantung pada kunci API, hampir tidak ada sistem yang memperlakukan agen sebagai entitas dengan identitas.
@GoKiteAI sedang membangun L1 khusus yang menjadikan identitas dan pembayaran sebagai primitif asli. ERC-8004 adalah standar Ethereum yang memberi agen identitas dan reputasi on-chain yang portabel, dapat diikuti lintas rantai.
Di sisi pasar, @virtuals_io adalah sistem operasi untuk ekonomi agen di Base. Hingga Juni 2026, ia telah memproses lebih dari 2.38 juta tugas agen, menghasilkan hampir $480 juta "PDB Agen".
Namun permata di lapisan ini adalah Bittensor. Ini adalah jaringan subnet khusus, masing-masing subnet adalah ekonomi mikro di mana penambang menjalankan model AI, validator memberi skor output, dan emisi TAO mengalir kepada mereka yang menghasilkan pekerjaan paling berguna. Tiga mekanisme membuatnya serius secara ekonomi:
- Pengurangan separuh (halving) Desember 2025 menurunkan emisi harian TAO dari 7200 menjadi 3600, sesuai dengan batas keras 21 juta.
- Peningkatan dTAO memberi setiap subnet Token Alpha dan pool AMM sendiri—pasar menentukan emisi.
- Peningkatan Taoflow (diluncurkan November 2025) murni mengalokasikan emisi berdasarkan arus staking bersih. Sebuah subnet dapat turun ke nol jika unstaking melebihi staking. Dirancang secara Darwinis.
Jaringan telah melampaui 128 subnet aktif, dengan 3 subnet komputasi terbesar dilaporkan mencapai $20 juta ARR gabungan dalam tiga bulan setelah dimonetisasi. Darwinisme adalah produknya.
Proyek lain fokus pada pembuatan blockchain AI khusus, atau menyediakan alat, kerangka kerja, dan insentif yang dibutuhkan untuk mendukung ekosistem AI yang dimiliki komunitas.
@NEARProtocol: Lapisan koordinasi tak kasat mata yang menggabungkan penyelesaian, identitas, privasi, TEE, MPC, dan perlindungan PII, melayani agen otonom.
@base—"homebase" untuk ekonomi agen. Base MCP memungkinkan alat AI seperti Claude, ChatGPT, Cursor untuk mengeksekusi aksi on-chain melalui perintah di platform seperti Uniswap, Morpho, Avantis—pertukaran, transfer, interaksi DeFi.
@SentientAGI: Ekosistem GRID-nya menghubungkan agen, model, data, dan komputasi, merutekan 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 penghargaan dalam satu ekosistem AI-native.
Lapisan Infrastruktur
Infrastruktur adalah kerangka AI—primitif komputasi mentah, inferensi, pelatihan, data, dan privasi yang menjadi sandaran segala sesuatu di atasnya. Ini adalah lapisan paling padat modal di tumpukan AI terdesentralisasi.
Komputasi Terdesentralisasi
@akashnet menjalankan pasar lelang terbalik di mana penyedia menawar untuk memenangkan workload Anda. Sewa baru Q1 2026 tumbuh 27% menjadi 43,500+, pertumbuhan kuartal 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 berpendapatan: melaporkan 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, Goldman Sachs memperkirakan AI agen akan mendorong pertumbuhan konsumsi token 24x hingga 2030—120 triliun token per bulan.
Jawaban terdesentralisasi adalah membuat inferensi menjadi murah, privat, dan dapat diverifikasi.
@AskVenice telah memberikan lebih dari 50 miliar token per hari kepada lebih dari 2 juta pengguna melalui model privat dan tanpa sensor, moat-nya adalah model.
@OpenGradient telah memproses lebih dari 2 juta inferensi yang dapat diverifikasi, menghasilkan 500,000+ bukti zkML.
@chutes_ai: Pengembang dapat menyebarkan 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 dicatat, Dolphin mengembangkan model tanpa sensor yang digunakan oleh Venice AI, dan mengalokasikan 100% pendapatan jaringan untuk pembelian kembali token.
Pelatihan Terdesentralisasi
Pelatihan adalah masalah tersulit, dan yang berdampak paling besar—ini menentukan apakah model terdepan harus dibangun di dalam tiga atau empat laboratorium perusahaan.
INTELLECT-1 (10B parameter) oleh @PrimeIntellect adalah operasi pelatihan terdistribusi global pertama; INTELLECT-2 (32B parameter) adalah operasi RL terdistribusi pertama.
@tplr_ai berhasil melatih Covenant-72B di 70+ node terdistribusi, memproses sekitar 1.1 triliun token, mengurangi biaya komunikasi 146x.
@NousResearch: Jaringan Psyche-nya memungkinkan pelatihan terdistribusi yang toleran kesalahan, Hermes 4.3 menjadi model Hermes pertama yang dilatih pada infrastruktur terdesentralisasi, bukan kluster terpusat.
Subnet IOTA (SN9) @MacrocosmosAI melakukan pra-pelatihan LLM terdesentralisasi dan "pelatihan di rumah", sementara subnet Data Universe (SN13) menangani lapisan data. Seri algoritma DiLoCo komunikasi-rendah memungkinkan GPU yang tersebar di seluruh dunia berkolaborasi tanpa jaringan internal kecepatan super pusat data.
Ketersediaan dan Penyimpanan Data Terdesentralisasi
Keduanya sedang menjadi hambatan seiring workload AI meningkat skalanya. Model terdepan mengonsumsi data segar dalam jumlah masif, sementara kebutuhan penyimpanan telah melonjak ke titik produsen hard drive utama melaporkan kapasitas terjual habis bertahun-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, dibandingkan sekitar $30 untuk alternatif terpusat.
@grass membayar 2.5 juta node dari 190 negara untuk bandwidth menganggur mereka, memungkinkan lab AI merangkak web secara real-time.
@WalrusProtocol adalah penantang yang tumbuh cepat, dibangun oleh @Mysten_Labs untuk penyimpanan dan ketersediaan data terdesentralisasi—menyimpan "blob" besar secara efisien menggunakan pengkodean penghapusan dua dimensi, 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. Diamankan oleh ETH yang di-restaking, teorinya adalah memungkinkan agen AI berjalan dengan jaminan kriptografi, membuat tindakan dapat dibuktikan, diaudit, dan dapat dieksekusi.
@vana—sebuah EVM L1, di mana Data DAOs dan Data Liquidity Pools mengubah data pribadi menjadi aset yang dapat ditokenisasi dan diperdagangkan.
@reppo dan @oroagents membangun kumpulan data pelatihan AI berkualitas tinggi dan tepercaya melalui kompetisi berinsentif.
Lapisan Privasi dan Verifikasi
Pengguna AI biasa tidak dapat memverifikasi apakah model menangani data mereka secara privat, apakah komputasi dieksekusi dengan benar, atau bahkan apakah model yang diklaim digunakan.
Pada 2026, privasi dan verifikasi sedang menjadi prasyarat untuk AI, bukan fitur tambahan.
@nillion—"komputer buta", menggunakan MPC dan Nil Message Compute sendiri untuk mengeksekusi komputasi pada data terenkripsi tanpa mendekripsi. Kasus penggunaan termasuk inferensi AI privat, basis data terenkripsi, dan RAG privat (membiarkan AI mengkueri basis pengetahuan proprietary tanpa membocorkannya).
@Arcium: Jaringan komputasi rahasia terdesentralisasi di Solana. Kasus penggunaan termasuk Umbra (transfer terlindungi / hasil privat) dan pelatihan AI rahasia pada kumpulan data sensitif.
@OasisProtocol: L1 prioritas privasi, menggunakan ROFL (Runtime Offchain Logic), kerangka kerja berbasis TEE untuk menjalankan komputasi off-chain yang dapat diverifikasi dan dilindungi privasi—agen AI, pelatihan model, atau oracle.
@octra: L1 prioritas privasi dengan dukungan native untuk FHE, menggunakan skema proprietary HFHE (Hypergraph FHE), dirancang untuk komputasi paralel terenkripsi dan throughput.
@eigencloud: Juara berat verifikasi, dibangun di atas keamanan restaking EigenLayer. EigenAI (inferensi LLM yang dapat diverifikasi adalah API kompatibel OpenAI untuk model open-source, di mana perintah dan respons dapat dibuktikan belum dirusak) dan EigenCompute (eksekusi off-chain yang dapat diverifikasi untuk logika agen).
@PhalaNetwork. Cloud GPU kuat tetapi tidak privat; Phala membuat workload dapat dibuktikan, bahkan terlindungi dari Phala sendiri. Produk intinya, GPU TEE pada Phala Cloud, menyebarkan model open-source ke perangkat keras, menyediakan API kompatibel OpenAI di mana setiap inferensi memiliki bukti kriptografi.
Arah AI Terdesentralisasi 2026-2027
Permintaan AI tumbuh lebih cepat daripada infrastruktur yang mengikutinya, agen AI sedang menjadi mesin pertumbuhan dominan—jalur on-chain sudah siap.
Komputasi sedang berubah menjadi kelas aset, pasar on-chain sedang menjadi lapisan keuangannya. Pelaku institusional sedang beralih dari eksperimen ke investasi infrastruktur.
Tokenomics sedang menjadi keunggulan struktural AI terdesentralisasi dalam mengoordinasikan modal, komputasi, dan data. Peluang sedang berkembang dari AI ke robotika, mesin otonom, dan AI fisik.
Kesimpulan
AI terdesentralisasi sedang tumbuh di seluruh tumpukan utama—infrastruktur, middleware, aplikasi—terwujud dalam pendapatan komputasi, ekonomi agen yang berkembang, dan pelatihan terdistribusi skala besar.
Tapi ruang ini masih sangat awal. Pendapatan sering tertinggal dari insentif token, adopsi masih tidak merata, dan meskipun investasi AI secara keseluruhan melonjak, AI terdesentralisasi masih hanya sebagian kecil dari modal ventura. Jaringan berbasis token bisa menjadi keunggulan kuat, tetapi hanya jika desain penangkapan nilainya benar.
Meski begitu, munculnya proyek-proyek seperti Bittensor, NEAR, Virtuals, Base, dan Venice menunjukkan bahwa AI terdesentralisasi sedang berevolusi dari narasi spekulatif menjadi paradigma baru untuk mengoordinasikan komputasi, data, modal, dan kecerdasan.
