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 mengurai mengapa jaringan infrastruktur fisik terdesentralisasi (DePIN) sedang melampaui eksperimen-eksperimen yang masih ceruk—dan mengapa XYO membangun Layer-1 yang dirancang 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 punya delapan miliar node,” katanya, menyebutnya sebagai target yang melenceng—tetapi menurutnya selaras dengan arah yang dituju oleh kategorinya.

Teori DePIN “di setiap sudut dunia”

Levin membingkai DePIN sebagai pergeseran struktural dalam cara pasar mengoordinasikan infrastruktur fisik, menyoroti 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 bergeser dari “bagaimana jika” menjadi apa yang rusak ketika volume data dunia nyata menjadi produknya.

Bukti asal untuk AI: masalah data, bukan sekadar komputasi

Ditanya tentang deepfake dan runtuhnya kepercayaan pada media, Levin berargumen bahwa bottleneck AI tidak hanya komputasi—melainkan provenance. “Sedangkan untuk DePIN, yang bisa kalian lakukan adalah, uh, membuktikan dari mana data itu berasal,” katanya, menguraikan sebuah model di mana data dapat diverifikasi ujung-ke-ujung, dilacak masuk ke pipeline pelatihan, dan diquery ketika sistem membutuhkan kebenaran yang menjadi dasar.

Menurut pandangannya, provenance menciptakan loop umpan balik: jika sebuah model dituduh berhalusinasi, ia bisa memeriksa apakah input yang mendasarinya bersumber secara terverifikasi—atau meminta data baru yang spesifik dari jaringan terdesentralisasi, bukan melakukan scraping sumber yang tidak dapat diandalkan.

Mengapa Layer-1 yang asli data itu penting

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

Ia menjelaskan tujuan desainnya dengan sederhana: “Blockchain tidak boleh menjadi gemuk… dan pada dasarnya memang dibangun untuk data.”

Pendekatan XYO berpusat pada mekanisme seperti Proof of Perfect dan kendala gaya “lookback” yang dimaksudkan untuk menjaga kebutuhan node tetap ringan, bahkan saat dataset bertambah besar.

Onboarding COIN: mengubah pengguna non-crypto menjadi node

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

Alih-alih mendorong pengguna langsung ke volatilitas token, aplikasi ini menggunakan poin yang terikat dolar dan opsi penukaran 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 hadiah keamanan/ekosistem dari biaya aktivitas rantai. “Kami sangat bersemangat dengan sistem token ganda ini,” katanya, menggambarkan $XYO sebagai aset staking/tata kelola/keamanan eksternal dan $XL1 sebagai token gas/transaksi internal yang digunakan di XYO Layer One.

Mitra dunia nyata: membebankan infrastruktur dan data POI berkelas pemetaan

Levin menunjuk kemitraan baru sebagai momentum “killer app” awal di dalam ekosistem DePIN yang lebih luas, dengan mengutip kesepakatan dengan Piggycell—sebuah 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 terpisah untuk proof-of-location 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 “benar 99,9%,” sehingga memungkinkan pemetaan lanjutan untuk perusahaan-perusahaan besar.

Secara keseluruhan, pesan Levin konsisten: jika AI dan RWAs membutuhkan input yang dapat dipercaya, garis depan kompetitif berikutnya mungkin kurang tentang model yang lebih cepat—dan lebih tentang pipeline data yang dapat diverifikasi dan berlabuh pada dunia nyata.