De Grote Inzet op de AI-Infrastructuur van Crypto

Een nieuwe, gedecentraliseerde beweging dient zich aan — een die AI en blockchain samenbrengt om open, schaalbare en vertrouwenloze infrastructuur te creëren, zegt Leo Mindyuk van ML Tech.

Wire modernist chair
Samenvatting

U leest Crypto Long & Short, onze wekelijkse nieuwsbrief met inzichten, nieuws en analyses voor de professionele belegger. Meld u hier aan om het elke woensdag in uw inbox te ontvangen.

Kunstmatige intelligentie transformeert het technologisch landschap, en het zijn niet alleen traditionele spelers zoals Nvidia en Google die de toekomst vormgeven. Er ontstaat een nieuwe, gedecentraliseerde beweging — een die AI en blockchain combineert om open, schaalbare en vertrouwenloze infrastructuur te creëren.

Naarmate AI-systemen steeds krachtigere rekenkracht en betrouwbare datasystemen vereisen, nemen crypto-native platforms een voortrekkersrol op zich. Deze systemen bieden niet alleen alternatieven, maar beginnen ook echte workloads aan te sturen en herdenken hoe AI wordt opgebouwd en bestuurd.


We ontvangen graag uw feedback! CoinDesk voert een vertrouwelijke enquête uit. Start enquête.


Gedecentraliseerde compute wordt realiteit

Het idee van gedecentraliseerde GPU-netwerken waarbij gebruikers rekencapaciteit op afroep huren en hardware-eigenaren inkomsten genereren door ongebruikte middelen te delen, werd ooit als futuristisch beschouwd. Tegenwoordig wordt het snel operationeel, met platforms die live AI-inferentie en trainingstaken ondersteunen.

io.net is een van de koplopers in deze sector. Met meer dan 10.000 actieve nodes verspreid, levert het schaalbare compute-on-demand via gedecentraliseerde infrastructuur. Het netwerk maakt gebruik van geavanceerde technologieën zoals Ray-gebaseerde gedistribueerde systemen en proof-of-work/time-lock mechanismen om betrouwbaarheid en efficiënte coördinatie te waarborgen.

Ondertussen, Aethir positioneert zich als een enterprise-grade alternatief voor traditionele GPU-clouds. Met meer dan 400.000 high-end GPU-containers, waaronder meer dan 3.000 NVIDIA H100- en H200-eenheden, is Aethir ontworpen voor prestatie-intensieve AI-workloads. Het netwerk blijft groeien naarmate nieuwe cloudhosts zich aansluiten om te voldoen aan de vraag in AI en gaming.

Deze platforms bieden niet alleen rekenkracht, ze tokeniseren deze ook. Via native prikkels stimuleren zij de deelname van hardwareleveranciers en validators, terwijl ze ontwikkelaars een schaalbaar en vaak kosteneffectiever alternatief bieden voor traditionele cloudoplossingen.

Het opbouwen van een gedecentraliseerde AI-stack

Gedecentraliseerde computing is slechts het beginpunt. Er ontstaat een volledige AI-infrastructuur rondom blockchain-native principes zoals transparantie, verifieerbaarheid en gebruikersbezit.

Modelhosting wordt opnieuw vormgegeven door projecten zoals Bittensor, dat peer-to-peer training en inferentie aanbiedt via een wereldwijd netwerk. De subnetarchitectuur stelt deelnemers in staat modellen bij te dragen, te concurreren op prestaties en beloningen te verdienen, allemaal zonder gecentraliseerd toezicht.

De datainfrastructuur ontwikkelt zich ook. Filecoin is naar voren gekomen als een gedecentraliseerde opslagoplossing die in staat is grootschalige AI-datasets te ondersteunen. Organisaties zoals Singularity en Kite AI maken nu gebruik van Filecoin om niet alleen ruwe data, maar ook metadata en trainingsmiddelen op te slaan, wat de weg effent voor private en gedecentraliseerde datastromen.

Investeren in de toekomst: AI-tokens versus big tech

Voor beleggers bieden crypto-native tokens een fundamenteel andere vorm van blootstelling aan de AI-boom. Terwijl traditionele aandelen zoals Nvidia of AMD toegang bieden tot de hardware- en infrastructuurniveaus van enterprise AI, bieden tokens zoals Fetch.ai en Bittensor vertegenwoordigen eigendom in open, gedecentraliseerde netwerken.

Deze projecten experimenteren met peer-to-peer training, token-gestuurde inferentiemarkten en gedecentraliseerde agent-ecosystemen. Hoewel risicovoller en meer experimenteel dan traditionele technologiebedrijven, sluiten ze ook aan bij een bottom-up visie op AI, een visie die waarde hecht aan participatie, integriteit en open toegang tot rekenkracht en data.

Wat volgt

Naarmate gedecentraliseerde AI-ecosystemen volwassen worden, beginnen een aantal baanbrekende innovaties zich af te tekenen:

  • Autonome AI-agenten: Zelfsturende agenten die in staat zijn smart contracts uit te voeren, on-chain transacties te verrichten en samen te werken met andere agenten zonder menselijke tussenkomst.
  • On-chain/off-chain interoperabiliteit: Hybride modellen ontstaan die krachtige off-chain AI koppelen aan trust-minimized, on-chain logica en besluitvorming.
  • Getokeniseerde AI-marktplaatsen: Deze platforms stellen ontwikkelaars en gebruikers in staat om modellen en agenten te implementeren, evalueren en te gelde te maken in transparante, gedecentraliseerde omgevingen die de deur zullen openen naar economische netwerken van mens-naar-agent en agent-naar-agent.

De weg vooruit

De convergentie van AI en crypto is niet langer theoretisch, het wordt een architecturale verschuiving in hoe intelligentie wordt gecreëerd, ingezet en bestuurd. Als AI inclusief en veilig wil blijven, moet het verder gaan dan de gesloten, black-box systemen.

De transparante, programmeerbare infrastructuur van blockchain biedt een overtuigend alternatief. Naarmate gedecentraliseerde netwerken opschalen, zullen we waarschijnlijk een toenemend aantal AI-toepassingen zien die on-chain worden gebouwd en bestuurd door tokens, uitgevoerd door wereldwijde bijdragers en eigendom zijn van de gemeenschappen die ze bedienen.

Disclaimer: De auteur kan persoonlijke posities aanhouden in sommige van de genoemde tokens.

RLUSD OG Image

As stablecoins move into regulated finance, APAC is becoming a key proving ground. This report maps the region’s rules, use cases, and RLUSD’s role.

Waarom het belangrijk is:

As stablecoins move into regulated finance, APAC is becoming a key proving ground. This report maps the region’s rules, use cases, and RLUSD’s role.