Markus Levin dari XYO: Mengapa L1 yang berbasis data dapat menjadi tulang punggung "bukti asal-usul" AI

Di episode SlateCast terbaru, pendiri XYO Markus Levin bergabung dengan pembawa acara CryptoSlate untuk mengupas mengapa jaringan infrastruktur fisik terdesentralisasi (DePIN) sedang bergerak melampaui eksperimen yang hanya berskala kecil—dan mengapa XYO membangun Layer-1 khusus untuk menangani jenis data yang semakin dituntut oleh AI dan aplikasi dunia nyata.

Ambisi Levin untuk jaringan itu terus terang: “Pertama, saya pikir XYO akan memiliki delapan miliar node,” katanya, menyebutnya sebagai target yang menjangkau—tetapi, menurutnya, target itu sesuai dengan arah kategori ini.

Gagasan DePIN tentang “setiap sudut dunia”

Levin membingkai DePIN sebagai pergeseran struktural dalam cara pasar mengoordinasikan infrastruktur fisik, dengan menunjuk pada ekspektasi pertumbuhan pesat untuk sektor tersebut. Ia mengutip proyeksi World Economic Forum bahwa DePIN dapat berkembang dari kisaran puluhan miliar saat ini menjadi triliunan pada tahun 2028.

Bagi XYO, skala bukanlah sesuatu yang hipotetis. Salah satu pembawa acara mencatat bahwa jaringan telah tumbuh “dengan lebih dari 10 juta node,” sehingga percakapan beralih dari “bagaimana jika” menjadi apa yang akan rusak ketika volume data dunia nyata menjadi produknya.

Bukti asal-usul untuk AI: masalah data, bukan hanya komputasi

Ketika ditanya tentang deepfake dan runtuhnya kepercayaan pada media, Levin berargumen bahwa bottleneck AI tidak hanya komputasi—melainkan asal-usul. “Sementara DePIN, yang bisa Anda lakukan adalah Anda bisa, uh, membuktikan dari mana data itu berasal,” katanya, menguraikan model di mana data dapat diverifikasi dari ujung ke ujung, dilacak masuk ke pipeline pelatihan, dan dipertanyakan ketika sistem membutuhkan kebenaran (ground truth).

Menurut pandangannya, provenance menciptakan umpan balik: jika sebuah model dituduh melakukan halusinasi, model itu dapat memeriksa apakah masukan yang mendasarinya bersumber secara dapat diverifikasi—atau meminta data baru yang spesifik dari jaringan terdesentralisasi, alih-alih mengikis sumber yang tidak dapat diandalkan.

Mengapa Layer-1 yang asli untuk data itu penting

XYO menghabiskan bertahun-tahun mencoba untuk tidak membangun sebuah rantai, kata Levin—beroperasi sebagai middleware antara sinyal dunia nyata dan smart contract. Namun “tidak ada yang membangunnya,” dan volume data jaringan memaksa masalah tersebut.

Ia menjelaskan tujuan desainnya secara sederhana: “Blockchain tidak bisa membengkak… dan itu memang dibangun untuk data.”

Pendekatan XYO berpusat pada mekanisme seperti Proof of Perfect dan batasan gaya “lookback” yang ditujukan untuk menjaga kebutuhan node tetap ringan, bahkan ketika dataset terus bertumbuh.

Onboarding COIN: mengubah pengguna non-crypto menjadi node

Salah satu pendorong pertumbuhan utama adalah aplikasi COIN, yang Levin gambarkan sebagai cara untuk mengubah ponsel seluler menjadi node jaringan XYO.

Alih-alih mendorong pengguna ke volatilitas token secara langsung, aplikasi ini menggunakan poin yang terikat dolar dan opsi penebusan yang lebih luas—lalu secara bertahap menjembatani pengguna ke jalur kripto.

Model token ganda: menyelaraskan insentif dengan XL1

Levin mengatakan sistem token ganda dirancang untuk memisahkan imbalan keamanan/ekosistem dari biaya aktivitas rantai. “Kami sangat bersemangat tentang sistem token ganda ini,” katanya, menjelaskan $XYO sebagai aset eksternal untuk staking/tata kelola/keamanan dan $XL1 sebagai token internal untuk gas/transaksi yang digunakan di XYO Layer One.

Mitra dunia nyata: penagihan infrastruktur dan data POI dengan standar pemetaan

Levin menunjuk pada kemitraan baru sebagai momentum “killer app” awal di dalam ekosistem DePIN yang lebih luas, dengan menyebut kesepakatan dengan Piggycell—jaringan pengisian daya besar dari Korea Selatan yang membutuhkan bukti lokasi dan berencana untuk tokenisasi data di XYO Layer One.

Ia juga menjelaskan kasus penggunaan proof-of-location yang terpisah yang melibatkan dataset point-of-interest (jam, foto, informasi tempat), dengan mengklaim bahwa sebuah mitra geolokasi besar menemukan masalah dalam datasetnya sendiri “pada 60% kasus,” sementara data yang bersumber dari XYO “99,9% akurat,” sehingga memungkinkan pemetaan lanjutan untuk perusahaan besar.

Secara keseluruhan, pesan Levin konsisten: jika AI dan RWA memerlukan input yang tepercaya, batas persaingan berikutnya mungkin kurang tentang model yang lebih cepat—dan lebih tentang pipeline data yang dapat diverifikasi yang tertambat pada dunia nyata.