Setelah Fable dilarang, akankah DeAI menjadi titik ledak berikutnya?

Penulis: CoinW Research

Pada 25 Juni, kontroversi mengenai keamanan model, kontrol akses, dan kebocoran kemampuan Anthropic kembali meningkat. Anthropic secara terbuka menuduh Alibaba secara sistematis mengambil informasi terkait kemampuan model Claude melalui hampir 25.000 akun penipuan. Tuduhan ini membuat proses pemulihan Fable 5 yang sudah terhambat menjadi semakin kompleks, dan kembali mengedepankan masalah inti: ketika model mutakhir memiliki kemampuan keamanan siber, analisis kode, dan otomatisasi yang lebih kuat, akses model, manajemen risiko akun, penggunaan lintas batas, dan kebocoran kemampuan akan bersama-sama dimasukkan ke dalam kerangka regulasi dan tata kelola platform.

Untuk memahami kontroversi ini, kita perlu menarik garis waktu kembali ke 12 Juni. Pada hari itu, Claude Fable 5 dan Mythos 5 milik Anthropic tiba-tiba dihentikan aksesnya, dengan cepat menarik perhatian industri AI dan pasar kripto. Fable 5 awalnya adalah model tingkat Mythos yang terbuka untuk publik, dengan lapisan keamanan tambahan untuk menekan potensi penyalahgunaannya di bidang berisiko tinggi seperti keamanan siber dan keamanan hayati; namun setelah ditemukan bahwa perlindungan keamanan dapat dilewati, pemerintah AS membatasi akses warga negara asing ke model terkait melalui kontrol ekspor, dan Anthropic kemudian memperluas pembatasan akses ke semua pengguna. Hampir bersamaan, Microsoft juga membatasi sementara penggunaan model tersebut oleh karyawan internal karena persyaratan penyimpanan data Fable 5. Rangkaian reaksi ini menunjukkan bahwa kekhawatiran pelanggan perusahaan telah melampaui kemampuan model itu sendiri, meluas ke penyimpanan data, kode internal, dan perlindungan rahasia dagang.

Setelah itu, ekspektasi pemulihan Fable 5 terus berfluktuasi. Pada 18 Juni, pejabat pemerintah AS meminta Anthropic untuk membuktikan bahwa perlindungan keamanannya tidak dapat dilewati sebelum merilis ulang; pada 22 Juni, halaman dokumentasi API terkait muncul kembali di hasil pencarian, tetapi pintu masuk panggilan aktual belum dipulihkan. Prediksi Polymarket menunjukkan bahwa pasar masih bertaruh pada pemulihan akhir Fable 5: probabilitas pemulihan di AS sebelum akhir Juli sekitar 90%, dan sebelum akhir Agustus sekitar 94%. Fluktuasi ini sendiri menunjukkan bahwa hak akses AI mutakhir bukan lagi sekadar masalah peluncuran atau penghapusan produk, melainkan hasil gabungan dari pembuktian keamanan, penilaian kebijakan, dan pelaksanaan platform.

Sumber: [tautan tidak diterjemahkan]

Dari sini terlihat bahwa kunci dari insiden larangan Fable 5 bukanlah kapan suatu model akan memulihkan akses, melainkan bahwa batas struktural AI mutakhir yang terpusat secara kolektif terekspos: semakin kuat kemampuan model, semakin mudah model tersebut dibatasi oleh tinjauan keamanan, kontrol ekspor, kepatuhan data perusahaan, dan izin platform. Bagi industri kripto, ini memberikan celah untuk memahami kembali DeAI. Makna AI terdesentralisasi adalah mencoba menggunakan komputasi terbuka, inferensi terdistribusi, insentif on-chain, komputasi privasi, dan eksekusi yang dapat diverifikasi untuk melemahkan kendali platform tunggal atas akses model, pemrosesan data, dan proses eksekusi. Mengikuti benang merah ini, CoinW Research pertama-tama akan meninjau kembali insiden Fable, kemudian menguraikan tiga jenis celah AI terpusat, masalah yang dapat diatasi DeAI, tiga jalur teknis komputasi AI yang dapat diverifikasi, serta diferensiasi proyek perwakilan di berbagai lapisan infrastruktur, dan akhirnya kembali ke batas realistis dan peluang jangka panjang DeAI.

1. Tinjauan Insiden Fable: Bukan Sekadar Penghapusan Model Sederhana

Alur Utama Insiden: Peneliti Amazon Menemukan Jalur Melewati Pagar Pengaman

Sensitivitas Fable 5 dan Mythos 5 berasal dari kemampuan mereka dalam tugas keamanan siber. Mythos 5 terutama dibuka untuk institusi mitra yang telah disaring, digunakan untuk menemukan dan memperbaiki kerentanan perangkat lunak; Fable 5 adalah versi publik yang lebih luas, mempertahankan beberapa kemampuan tingkat Mythos sambil mencegah output konten ofensif melalui pembatasan keamanan.

Masalahnya terletak pada lapisan pembatasan keamanan ini. Informasi publik menunjukkan bahwa peneliti Amazon menemukan jalur yang dapat dilewati pada pagar Fable 5 selama pengujian, setelah itu CEO Amazon Andy Jassy menyampaikan kekhawatiran ke Gedung Putih. Setelah itu, pejabat senior Gedung Putih melakukan beberapa putaran komunikasi dengan CEO Anthropic Dario Amodei dalam 24 jam, meminta perusahaan untuk secara sukarela menghapus model dan menangani kerentanan. Anthropic menganggap cara melewati tersebut lebih merupakan masalah lokal dan tidak merupakan "pembajakan" yang luas; Gedung Putih menganggap risiko keamanan ini sudah cukup untuk memicu intervensi tingkat keamanan nasional.

Pemerintah AS kemudian memberlakukan kontrol ekspor pada Fable 5 dan Mythos 5, melarang warga negara asing menggunakan model terkait. Karena Anthropic kesulitan mengidentifikasi secara stabil kewarganegaraan dan identitas semua pengguna dalam waktu singkat, perusahaan akhirnya menghentikan akses semua pelanggan. Langkah ini mengubah insiden Fable dari kontroversi keamanan model menjadi peristiwa hak akses AI mutakhir.

Detail 1: Dualitas Kemampuan Tingkat Mythos

Inti dari gejolak Fable bukanlah pada tanya jawab biasa, melainkan pada batas yang semakin kabur antara "kemampuan pertahanan" dan "kemampuan serangan". Model keamanan siber dapat membantu perusahaan menemukan kerentanan, memperbaiki sistem, tetapi juga dapat membantu penyerang menemukan pintu masuk dan mengeksploitasi kerentanan secara otomatis.

Ini juga alasan mengapa pemerintah campur tangan dengan cepat. Jika sebuah model hanya bisa menulis teks atau menghasilkan kode, tekanan regulasi relatif terbatas; begitu model memiliki kemampuan penemuan dan eksploitasi kerentanan yang kuat, model itu akan ditempatkan dalam kerangka keamanan nasional untuk dinilai ulang. Fable 5 sebagai versi publik, dimaksudkan untuk mengurangi risiko melalui pagar; ketika pagar dapat dilewati, regulator akan melihat "pintu masuk kemampuan berisiko tinggi yang mungkin terbuka".

Detail 2: Pembatasan Penggunaan oleh Microsoft Mengungkap Risiko Sisi Perusahaan

Jalur lain dari insiden Fable datang dari Microsoft. Microsoft membatasi sementara penggunaan Claude Fable 5 oleh karyawan karena persyaratan penyimpanan data baru Anthropic. Prompt dan output Fable 5 dapat disimpan selama 30 hari, konten yang ditandai oleh sistem keamanan dapat disimpan lebih lama. Microsoft khawatir karyawan akan memasukkan data pelanggan, materi perusahaan, atau kode internal selama penggunaan, dan jika konten terkait disimpan dan masuk ke proses investigasi, dapat menimbulkan risiko kepatuhan dan persaingan.

Detail ini sangat kritis. Ini menunjukkan bahwa risiko AI mutakhir telah meluas dari "apakah model berbahaya" ke "apakah perusahaan dapat mengendalikan data mereka sendiri". Saat perusahaan menggunakan AI, yang mereka khawatirkan bukan hanya apakah jawaban model cukup baik, tetapi juga apakah prompt disimpan, apakah data dapat dihapus, apakah panggilan model sesuai dengan kepatuhan internal, dan apakah pemasok dapat mengakses konten sensitif dalam investigasi keamanan.

Detail 3: Kontrol Ekspor Memunculkan Masalah Kedaulatan AI

Insiden Fable juga memicu diskusi kedaulatan AI yang lebih luas. Inti dari keraguan pasar adalah: di satu sisi, pemerintah AS ingin mendorong AI AS ke luar negeri, di sisi lain, mereka dapat memutus akses model mutakhir di luar negeri melalui kontrol ekspor, yang akan membuat pelanggan global mengevaluasi kembali keandalan pasokan AI AS.

Ini berarti dampak insiden Fable tidak akan berhenti pada Anthropic. Perusahaan, negara, dan pengembang perlu memikirkan kembali rantai pasokan AI: jika model inti berasal dari beberapa perusahaan AS, apakah akses stabil; jika alur kerja perusahaan sangat bergantung pada model tertentu, apakah perubahan kebijakan dapat menyebabkan gangguan bisnis; jika aturan keamanan dan kepatuhan ditentukan secara internal oleh platform, dapatkah pengguna eksternal mendapatkan bukti yang cukup.

Hingga titik ini, insiden Fable bukan lagi sekadar penghapusan model yang terisolasi. Alasan mengapa ini benar-benar memicu diskusi DeAI adalah karena tiga jenis celah struktural yang telah lama ada dalam AI terpusat diperbesar secara bersamaan: akses ditentukan bersama oleh platform dan regulator, aliran data tetap berada di dalam platform, dan proses eksekusi model dan Agen tidak memiliki bukti yang dapat diverifikasi secara eksternal.

2. Celah AI Terpusat: Akses, Data, dan Eksekusi yang Tidak Dapat Diverifikasi

Akses Tidak Terkendali: Layanan Model Dapat Diputus oleh Aturan Eksternal

Insiden Fable membuktikan bahwa model mutakhir tidak lagi sepenuhnya merupakan layanan internet biasa. Ini dapat dipengaruhi oleh keamanan nasional, kontrol ekspor, identifikasi identitas, umpan balik mitra, dan hubungan geopolitik. Begitu perusahaan mengintegrasikan penelitian dan pengembangan, audit kode, manajemen risiko, layanan pelanggan, atau tugas otomatisasi ke dalam satu model, penghentian mendadak model dapat menjadi masalah kontinuitas bisnis.

Risiko semacam ini sebelumnya diremehkan oleh pasar. Pengguna sering hanya membandingkan kemampuan model, harga, dan kecepatan respons, tetapi jarang mengevaluasi "apakah model tiba-tiba tidak tersedia". Setelah Fable ditarik, risiko ini ditunjukkan secara nyata. Di masa depan, ketika perusahaan memilih pemasok AI, mereka mungkin akan mempertimbangkan skema redundansi, model cadangan, dan kemampuan beralih antar pemasok seperti halnya memilih layanan cloud.

Data Tidak Terlihat: Perusahaan Sulit Memastikan Bagaimana Informasi Sensitif Diproses

Inti dari pembatasan Microsoft terhadap Fable 5 adalah penyimpanan data. Semakin kuat model, semakin mungkin diintegrasikan dengan kode sumber, data pelanggan, dokumen keuangan, dokumen strategi, dan basis pengetahuan internal. Pada saat itu, apakah prompt dan output disimpan, berapa lama disimpan, siapa yang dapat mengakses, apakah digunakan untuk investigasi keamanan, semuanya akan menjadi faktor kunci bagi perusahaan untuk mengintegrasikan model.

Layanan AI terpusat biasanya menempatkan proses ini di dalam platform. Pengguna hanya dapat membaca ketentuan kebijakan, sulit untuk memverifikasi secara teknis apakah data benar-benar dihapus, apakah masuk ke klasifikasi tertentu, atau apakah diakses oleh proses investigasi tertentu. Perusahaan memerlukan pernyataan privasi yang lebih jelas, serta bukti eksekusi yang dapat diverifikasi secara eksternal.

Eksekusi Tidak Dapat Diverifikasi: Sulit bagi Pihak Eksternal untuk Menilai Apakah Lapisan Keamanan Benar-benar Efektif

Kontroversi Fable juga terletak pada lapisan keamanan. Model mengklaim memiliki batasan, tetapi sulit bagi pengguna eksternal untuk memverifikasi apakah batasan tersebut selalu dijalankan dengan benar. Versi model, prompt sistem, mekanisme routing, pengklasifikasi keamanan, dan filter output semuanya selesai di dalam platform. Pengguna melihat jawaban, tetapi tidak dapat melihat jalur eksekusi di balik jawaban.

Dalam skenario berisiko rendah, ketidaktransparanan ini dapat diterima; dalam keuangan, keamanan siber, audit kode, transaksi on-chain, dan manajemen aset, ini akan menjadi masalah tanggung jawab. Pengguna perlu tahu apakah model telah diganti, apakah lingkungan eksekusi dapat dipercaya, apakah input dan output telah dimanipulasi, apakah Agen AI melampaui wewenang. Celah struktural AI terpusat ada di sini: kemampuan semakin kuat, tetapi mekanisme yang dapat diverifikasi secara eksternal tidak matang secara bersamaan.

Dengan demikian, pertanyaan yang perlu dijawab DeAI menjadi lebih spesifik: apakah ada pintu masuk alternatif ketika akses model dapat diputus; apakah lingkungan pemrosesan yang dapat dibuktikan dapat disediakan ketika data sensitif harus masuk ke alur kerja model; apakah rantai bukti yang dapat dipertanggungjawabkan dapat ditinggalkan ketika Agen AI mulai mengeksekusi transaksi, memanggil kontrak, dan mengelola izin. Pentingnya komputasi AI yang dapat diverifikasi mulai terlihat pada lapisan ini.

3. Apa yang Dapat Dipecahkan DeAI: Dari Akses Terbuka ke Eksekusi Tepercaya

Insiden Fable bergema di industri kripto karena menyentuh masalah yang familiar: dapatkah infrastruktur kritis dihentikan oleh satu entitas. Nilai inti Bitcoin tidak hanya terletak pada harga aset, tetapi pada penyediaan jaringan transfer nilai global, tanpa izin, dan tahan sensor. AI menjadi infrastruktur kritis baru, dan ketika kemampuan model mulai memengaruhi kode, keamanan, proses perusahaan, dan eksekusi aset, pasar secara alami akan bertanya: apakah juga diperlukan lapisan akses dan eksekusi AI yang lebih terbuka, dapat dialihkan, dan dapat diverifikasi?

Ini tidak berarti semua AI harus dilatih melalui jaringan terdesentralisasi, juga tidak berarti teknologi dapat sepenuhnya menghindari regulasi. Penilaian yang lebih realistis adalah bahwa pengguna akan membutuhkan dua jenis kemampuan secara bersamaan: satu adalah kecerdasan kuat dari model mutakhir terpusat, yang lain adalah redundansi akses, perlindungan privasi, dan eksekusi yang dapat diverifikasi dari jaringan terbuka. Ketika model seperti Fable tiba-tiba dihentikan karena kebijakan atau aturan platform, pasar akan memahami kembali kebutuhan akan AI tanpa izin. Saat ini, nilai DeAI terutama tercermin dalam tiga tingkat berikut:

Mengatasi Titik Tunggal Akses: Mengurangi Ketergantungan pada Satu Pemasok Model

DeAI pertama-tama dapat meredakan masalah titik tunggal akses. Insiden Fable menunjukkan bahwa model mutakhir dapat diputus secara tiba-tiba oleh kebijakan atau aturan platform. Secara spesifik pada tingkat produk, DeAI dapat mengurangi risiko melalui tiga cara: pertama, memperkenalkan routing multi-model, memungkinkan pengguna beralih antara model terpusat, model sumber terbuka, dan jaringan inferensi terdesentralisasi; kedua, melalui pasar model terbuka, memungkinkan model dan layanan inferensi yang berbeda untuk bergabung secara bebas, mengurangi kendali pemasok tunggal; ketiga, melalui pintu masuk inferensi privasi dan kombinasi model lokal, memungkinkan pengguna mempertahankan jalur cadangan dalam tugas-tugas kritis.

DeAI mungkin tidak dapat melatih Claude lain dalam jangka pendek. Nilai yang lebih realistis adalah membuat alur kerja kritis tidak lagi sepenuhnya bergantung pada satu pintu masuk model. Bagi pengguna biasa, ini adalah hak pilihan akses; bagi perusahaan, ini adalah kontinuitas bisnis; bagi negara dan wilayah, ini adalah bagian dari kedaulatan AI.

Mengatasi Kepercayaan Data: Membiarkan Komputasi Sensitif Berjalan di Lingkungan yang Dapat Dibuktikan

Nilai kedua DeAI adalah membuat komputasi sensitif memiliki kemampuan pembuktian yang lebih kuat. Ketika perusahaan dan aplikasi on-chain memanggil AI, mereka sering melibatkan data pribadi, kode, strategi perdagangan, atau aset pengguna. Lingkungan eksekusi tepercaya, bukti jarak jauh, komputasi privasi, dan audit on-chain dapat memungkinkan pengguna memastikan apakah data sensitif diproses di lingkungan yang dilindungi.

Fokus dari jalur ini adalah memungkinkan pengguna mendapatkan bukti tentang lingkungan eksekusi tanpa mengekspos privasi. Misalnya, perusahaan dapat meminta inferensi AI terjadi di lingkungan eksekusi tepercaya dan mengonfirmasi kode yang berjalan dan versi model melalui bukti jarak jauh; aplikasi on-chain dapat mencatat hash tugas, hasil eksekusi, dan bukti di rantai; pengguna dapat memastikan bahwa lingkungan eksekusi tidak diganti secara sembarangan tanpa mengungkap data asli. Bagi keuangan, medis, kepatuhan perusahaan, dan manajemen aset on-chain, ini lebih penting daripada sekadar mengejar model yang lebih kuat.

Mengatasi Tanggung Jawab Eksekusi: Membiarkan Perilaku Agen AI Meninggalkan Rantai Bukti

Nilai ketiga DeAI adalah membangun rantai tanggung jawab untuk Agen AI. Di masa depan, Agen AI akan memanggil dompet, bursa, layanan cloud, sistem perusahaan, dan kontrak on-chain. Ini akan beralih dari menjawab pertanyaan ke mengeksekusi tugas secara langsung. Pada saat itu, pasar tidak hanya membutuhkan output model, tetapi juga log eksekusi, catatan izin, jalur panggilan, aliran dana, dan mekanisme penelusuran kesalahan.

Sistem on-chain lebih cocok untuk merekam perilaku ini. Melalui log on-chain, jaminan, mekanisme tantangan, dan hukuman ekonomi, DeAI dapat mengubah eksekusi AI dari "operasi latar belakang platform" menjadi perilaku yang dapat dilacak, diperiksa, dan dipertanggungjawabkan. Misalnya, setiap kali Agen memanggil kontrak, membaca data, memulai transaksi, atau mengirimkan hasil, dapat meninggalkan catatan yang dapat diaudit; ketika node mengirimkan hasil yang salah, dapat diperiksa melalui mekanisme tantangan dan dihukum. Insiden Fable benar-benar mendorong kebutuhan lapisan ini.

4. Bagaimana DeAI Membangun Eksekusi Tepercaya: Tiga Jalur Komputasi AI yang Dapat Diverifikasi

Dari proyek yang ada dan jalur penelitian, komputasi AI yang dapat diverifikasi bukanlah teknologi tunggal, melainkan solusi kombinasi yang berpusat pada "lingkungan eksekusi, hasil komputasi, perilaku eksekusi". Jalur yang berbeda memecahkan masalah yang berbeda dan memiliki kecepatan implementasi yang berbeda.

Verifikasi Lingkungan Eksekusi: Konfirmasi Tempat Model Berjalan Terlebih Dahulu

Jalur pertama adalah lingkungan eksekusi tepercaya, intinya adalah membuktikan bahwa model berjalan di lingkungan perangkat keras yang dilindungi. Pengguna tidak perlu melihat server latar belakang, tetapi dapat mengonfirmasi melalui bukti jarak jauh bahwa kode, model, dan lingkungan eksekusi tidak diubah secara sembarangan. Solusi semacam ini lebih mendekati aplikasi nyata, cocok untuk model pribadi perusahaan, eksekusi Agen AI, manajemen risiko keuangan, dan tugas otomatisasi on-chain.

Keuntungannya adalah biaya dan latensi relatif terkendali, dapat menyelesaikan masalah "di mana model berjalan, apakah data diproses di lingkungan yang dilindungi" terlebih dahulu. Keterbatasannya adalah masih bergantung pada produsen perangkat keras, lingkungan eksekusi tepercaya, dan mekanisme bukti jarak jauh. Jika perangkat keras yang mendasarinya atau mekanisme bukti gagal, dasar verifikasi juga akan terpengaruh.

Verifikasi Hasil Komputasi: Membiarkan Output AI Membawa Bukti

Jalur kedua adalah bukti kriptografi, arah umum termasuk bukti pengetahuan nol dan zkML. Tujuannya adalah menghasilkan kredensial komputasi yang dapat diverifikasi untuk komputasi AI, memungkinkan pihak ketiga untuk mengonfirmasi bahwa hasilnya benar-benar berasal dari proses komputasi yang ditentukan tanpa menjalankan ulang seluruh model.

Jalur ini lebih mendekati "bukti matematis". Keuntungannya adalah deterministik yang lebih kuat, cocok untuk skenario dengan persyaratan kebenaran hasil yang sangat tinggi; keterbatasannya adalah biaya pembuatan bukti tinggi, latensi tinggi, dan dukungan untuk model mutakhir skala besar masih terbatas. Penelitian inferensi yang dapat diverifikasi ringan telah mulai mencoba mengurangi biaya dengan pengambilan sampel dan mekanisme komitmen, tetapi dari penelitian ke penggunaan komersial skala besar masih membutuhkan waktu.

Verifikasi Perilaku Eksekusi: Membuat Kesalahan dan Pelanggaran Kewenangan Memiliki Biaya

Jalur ketiga adalah insentif ekonomi dan log yang dapat diaudit. Ini tidak memerlukan setiap inferensi AI segera menghasilkan bukti lengkap, intinya adalah melalui tantangan, perhitungan ulang, verifikasi pengambilan sampel, hukuman jaminan, dan catatan on-chain, membuat hasil yang salah dan perilaku jahat memiliki biaya. Node yang mengirimkan hasil palsu dapat kehilangan jaminan, pihak yang menemukan kesalahan dapat menerima hadiah.

Jalur ini sangat penting untuk Agen AI. Di masa depan, pengguna tidak hanya akan melihat jawaban model, tetapi juga antarmuka mana yang dipanggil Agen, izin apa yang digunakan, apakah melampaui wewenang, apakah dieksekusi sesuai otorisasi. Log yang dapat diaudit mengubah perilaku AI dari operasi latar belakang menjadi catatan yang dapat dilacak, dan mungkin mendarat lebih awal daripada verifikasi penuh model besar.

5. Proyek Perwakilan: DeAI Sedang Berdiferensiasi ke Berbagai Lapisan Infrastruktur

Mengikuti tiga jalur verifikasi di atas, proyek DeAI sedang berdiferensiasi ke berbagai lapisan infrastruktur: Bittensor dan Gensyn lebih condong ke jaringan pasokan kecerdasan, Venice lebih condong ke pintu masuk pengguna, OpenGradient dan Ritual lebih mendekati komputasi yang dapat diverifikasi dan lapisan eksekusi on-chain. Perbedaan proyek-proyek ini juga menunjukkan bahwa DeAI adalah ekosistem kombinasi yang berpusat pada akses, privasi, bukti, dan eksekusi.

5.1 Bittensor: Menyaring Pasokan Kecerdasan Mesin dengan Mekanisme Subnet

X: [tautan tidak diterjemahkan]

Sebagai jaringan dengan awal yang relatif awal dalam AI terdesentralisasi dan skala ekosistem yang cukup besar, Bittensor mewakili rute pasar kecerdasan terbuka. Ini terdiri dari banyak subnetwork, masing-masing merupakan pasar kecerdasan mesin yang relatif independen: penambang bertanggung jawab untuk memproduksi barang digital, termasuk komputasi, penyimpanan, inferensi AI, pelatihan, prediksi keuangan, dll.; validator bertanggung jawab untuk mengevaluasi kualitas output penambang; pembuat subnetwork bertanggung jawab untuk merancang mekanisme insentif; pemegang TAO dapat mendukung validator melalui staking. Jaringan pada akhirnya mendistribusikan insentif TAO kepada peserta yang dianggap memberikan kontribusi lebih tinggi.

Dalam struktur modal, Bittensor tidak sama dengan proyek pendanaan ekuitas tipikal. Ia tidak pernah melakukan penjualan pribadi atau ICO dalam arti tradisional, protokol inti dipelihara oleh Yayasan Opentensor, dan TAO juga tidak memiliki alokasi untuk investor awal. Namun, ini tidak berarti ketiadaan modal: Polychain telah berpartisipasi dalam inkubasi Bittensor sejak 2019, dan telah mengakumulasi posisi TAO senilai sekitar $200 juta melalui pasar sekunder serta proses penambangan dan validasi; Digital Currency Group terus membeli melalui anak perusahaannya Yuma, menjadi pemegang terbesar, dengan kepemilikan sekitar 500.000 TAO, sekitar 2,4% dari total.

Dari aktivitas on-chain, halaman subnetwork Taostats menunjukkan bahwa total volume perdagangan 24 jam di pasar subnetwork Bittensor sekitar 193.300 TAO, di mana transaksi Alpha Token (token subnetwork asli yang mencerminkan harga pasar, staking, dan aliran dana subnetwork tertentu) masing-masing sekitar 139.000 TAO, menyumbang 71,93%; transaksi terkait Root TAO (aset TAO asli dari mainnet Bittensor, sebagai aset dasar untuk masuk dan keluar Alpha Token subnetwork) sekitar 54.300 TAO, menyumbang 28,07%. Ini menunjukkan bahwa aktivitas perdagangan saat ini terutama berasal dari aset subnetwork tertentu, bukan sisi TAO mainnet.

Sumber: [tautan tidak diterjemahkan]

Di antara subnetwork saat ini, yang menonjol termasuk SN3 τemplar dan SN64 Chutes: SN3 τemplar berfokus pada pelatihan model besar terdesentralisasi, timnya pernah menyelesaikan pelatihan model 72B parameter Covenant-72B di Bittensor Subnet 3, menjadi subnetwork perwakilan kemampuan pelatihan Bittensor; SN64 Chutes berfokus pada inferensi AI tanpa server, telah memproses lebih dari 9,1 triliun token secara kumulatif, dengan puncak harian melebihi 50 miliar token, menjadikannya subnetwork inferensi yang menonjol dalam penggunaan saat ini. Sementara itu, CoinW telah meluncurkan Zona Ekosistem TAO dan telah meluncurkan perdana tiga subnetwork: Chutes-SN64, Gradients-SN56, dan Targon-SN4.

Bittensor telah berevolusi dari jaringan AI tunggal menjadi pasar kecerdasan terbuka multipel, multi-aset, dan multi-kurva insentif, memecah berbagai barang digital seperti inferensi AI, pelatihan, data, prediksi keuangan, komputasi, dan penyimpanan menjadi pasar independen yang dipasok oleh penambang, dievaluasi oleh validator, dan didistribusikan oleh insentif token.

Yang lebih patut diperhatikan adalah bahwa beberapa subnetwork inferensi mulai memperkuat lapisan evaluasi dan verifikasi hasil. "Verifikasi" di sini lebih dekat ke mekanisme penyaringan kualitas internal jaringan: penambang mengirimkan output model atau hasil tugas, validator menilai kualitas hasil melalui penilaian, backtesting, tinjauan sampel, tugas dasar, dan aturan insentif, yang pada akhirnya memengaruhi insentif TAO yang diterima penambang. Nilai Bittensor terletak pada mengubah "siapa yang dapat menyediakan layanan kecerdasan" menjadi masalah persaingan terbuka, tantangannya adalah bahwa kualitas antar subnetwork sangat bervariasi, dan standar verifikasi serta mekanisme anti-kecurangan menentukan apakah jaringan benar-benar dapat menyaring layanan AI berkualitas tinggi.

5.2 Venice: Pintu Masuk AI Privasi dari Sisi Pengguna

X: [tautan tidak diterjemahkan]

Venice lebih condong ke pintu masuk aplikasi DeAI. Ia mengintegrasikan berbagai kemampuan AI seperti teks, gambar, video, audio, kode, dan pencarian, serta menekankan akses pribadi atau anonim. Di sisi model, Venice mendukung Claude, Google, DeepSeek, OpenAI, Mistral, Meta, Qwen, Grok, Kimi, dan lainnya, serta menyediakan API yang kompatibel dengan OpenAI, yang dapat diintegrasikan ke dalam tumpukan alat Agen, panggilan fungsi, pencarian web, dan generasi multimodal.

Venice diluncurkan oleh pendiri ShapeShift Erik Voorhees pada Mei 2024, dengan dukungan pendiri yang kuat, pendanaan dan insentifnya lebih bergantung pada token daripada putaran VC tradisional. Pada Januari 2025, Venice menerbitkan token asli VVV di jaringan Base, dengan pasokan awal 100 juta, di mana sekitar setengahnya didistribusikan melalui airdrop kepada pengguna awal dan komunitas AI kripto, sisanya dipegang oleh tim proyek, kumpulan likuiditas, dan dana insentif. Setelah itu, Venice juga meluncurkan token DIEM, membentuk struktur dual-token: setiap DIEM sesuai dengan kuota API tetap harian, dan hanya dapat dicetak oleh pemegang VVV, sehingga menghubungkan permintaan token dengan konsumsi daya komputasi platform yang sebenarnya.

Kembali ke produk itu sendiri, perbedaan Venice berfokus pada lapisan privasi. Ia memiliki empat jenis arsitektur privasi: akses anonim ke model pihak ketiga, penyimpanan data nol pada model sumber terbuka yang dihosting sendiri, mengurangi visibilitas sisi platform melalui TEE, dan enkripsi ujung-ke-ujung. Bagi pengguna biasa, ini lebih mudah dipahami daripada jaringan bukti dasar: yang diinginkan pengguna adalah apakah mereka dapat mengakses, apakah data akan disimpan, apakah panggilan akan digunakan untuk pelatihan atau penyaringan oleh platform. Setelah insiden Fable, kebutuhan semacam ini akan lebih langsung. Karena model dinonaktifkan bukan hanya masalah pengembang, tetapi juga memengaruhi kepercayaan pengguna biasa terhadap kontinuitas alat AI.

Venice sesuai dengan masalah pintu masuk sisi pengguna DeAI. Jaringan bukti dasar memecahkan "apakah komputasi dapat diverifikasi", pintu masuk AI privasi memecahkan "apakah pengguna dapat menggunakan dengan aman, berkelanjutan, dan dengan gesekan rendah". Venice tidak dapat menggantikan zkML atau lapisan eksekusi TEE, juga tidak sepenuhnya menghilangkan pembatasan penyedia model, tetapi menunjukkan bahwa jalur komersialisasi DeAI tidak harus dimulai dari lapisan paling bawah, yang pertama kali dirasakan pengguna adalah aksesibilitas, kemampuan beralih, gesekan rendah, dan perlindungan privasi.

5.3 OpenGradient: Menempatkan Hosting Model, Inferensi yang Diverifikasi, dan Agen On-Chain dalam Satu Jaringan

X: [tautan tidak diterjemahkan]

OpenGradient lebih dekat ke jaringan komputasi AI yang dapat diverifikasi secara full-stack. Ia mencoba mengintegrasikan hosting model, panggilan inferensi, pembayaran x402, Agen on-chain, dan lapisan bukti ke dalam satu jaringan pengembang, bukan hanya menyediakan satu pintu masuk model, dengan tujuan menempatkan penyebaran, panggilan, penyelesaian, dan bukti tepercaya model ke dalam alur kerja pengembang yang sama.

Dalam pendanaan, OpenGradient menyelesaikan putaran benih senilai $8,5 juta pada tahun 2024, dipimpin oleh a16z, dengan partisipasi Coinbase Ventures, Symbolic Capital, Wintermute Ventures, GSR, dan lainnya. Investor mencakup modal AI Silicon Valley, infrastruktur perdagangan kripto, dan lembaga pembuat pasar, kombinasi ini bermanfaat untuk mendorong ekosistem pengembang, penyelesaian on-chain, dan pasar sumber daya komputasi secara bersamaan.

Dari data on-chain, halaman Portal menunjukkan data terbaru: jaringan OpenGradient memiliki 4.448 model, sekitar 874.900 Inferensi TX, sekitar 332.200 transaksi x402, tinggi blok saat ini sekitar 1.599.860; rata-rata transaksi harian dalam 30 hari terakhir sekitar 2.510.

Sumber: [tautan tidak diterjemahkan]

Dari data produk, OpenGradient telah membentuk jalur lengkap hosting model, panggilan inferensi, pembayaran x402, Agen on-chain, dan lapisan bukti. Pengguna dapat memahaminya sebagai pasar komputasi AI untuk pengembang: model yang dihosting dapat langsung dipanggil, panggilan menghasilkan transaksi dan pembayaran, dan hasil kunci kemudian ditingkatkan kredibilitasnya melalui zkML atau TEE.

Keunggulan OpenGradient terletak pada rantai produk yang relatif lengkap dan menyediakan data penggunaan on-chain yang relatif dapat diperiksa. Tahap selanjutnya perlu mengamati dua masalah: apakah jumlah transaksi dapat mengendap menjadi pembayaran berkelanjutan, dan apakah kebutuhan bukti dapat menutupi biaya komputasi tambahan. Jumlah model dan jumlah inferensi dapat ditingkatkan dengan cepat melalui insentif, yang benar-benar menentukan nilai jaringan adalah apakah pengembang bersedia membayar jangka panjang untuk panggilan stabil, eksekusi pribadi, dan hasil yang dapat diverifikasi.

5.4 Gensyn: Dari Jaringan Komputasi ke Pasar Kecerdasan Mesin

X: [tautan tidak diterjemahkan]

Gensyn adalah proyek dengan latar belakang modal dan ambisi teknis yang menonjol di antara jaringan dasar DeAI. Ia awalnya dimulai dari jaringan komputasi yang mengagregasi GPU yang menganggur, dengan tujuan berkembang secara bertahap menjadi jaringan kecerdasan mesin yang lebih lengkap, memungkinkan pelatihan, inferensi, kolaborasi model, dan layanan kecerdasan untuk dipanggil dan diperdagangkan dalam jaringan terbuka.

Dari struktur produk, jaringan Gensyn bukan lagi sekadar penjadwalan GPU. Komponen AXL digunakan untuk bertukar bobot, gradien, dan sinyal antar node pembelajaran mesin; identitas dan reputasi on-chain mencatat kinerja historis model, Agen, dan node komputasi; mekanisme verifikasi digunakan untuk mengonfirmasi apakah sebagian komputasi dilakukan sesuai permintaan, dll. Pasar informasi Delphi Gensyn selanjutnya menguji skenario di mana manusia dan Agen AI bersama-sama berpartisipasi dalam prediksi, dengan AI oracle menyelesaikan penyelesaian.

Dalam pendanaan, latar belakang modal Gensyn cukup menonjol di antara proyek serupa. Pada tahun 2022, Gensyn menyelesaikan putaran benih senilai $6,5 juta, dipimpin oleh Eden Block, dengan partisipasi Galaxy Digital, CoinFund, dll.; pada tahun 2023, menyelesaikan putaran Seri A senilai $43 juta, dipimpin oleh a16z, dengan total pendanaan publik minimal $49,5 juta. Siklus penelitian dan pengembangan yang panjang serta dukungan modal utama yang berkelanjutan memungkinkannya untuk secara bersamaan mendorong beberapa jalur teknis seperti pelatihan terdistribusi, pasar kecerdasan mesin, identitas on-chain, dan mekanisme verifikasi.

Gensyn sesuai dengan kerentanan pasokan setelah konsentrasi kemampuan AI mutakhir. Insiden Fable menunjukkan bahwa akses model dapat diputus dengan cepat antara kebijakan, regional, dan strategi keamanan perusahaan. Gensyn berharap menjadikan kecerdasan mesin sebagai pasar terbuka yang dapat dimasuki, bersaing, dan diverifikasi, sehingga pelatihan model, kolaborasi model, perdagangan Agen, dan layanan kecerdasan mesin tidak sepenuhnya bergantung pada satu platform. Tantangannya adalah bahwa pelatihan terdesentralisasi memiliki persyaratan tinggi pada bandwidth, sinkronisasi data, verifikasi gradien, dan desain insentif, lebih mungkin untuk diterapkan terlebih dahulu dalam model vertikal, optimalisasi model terbuka, kolaborasi Agen, dan pasar prediksi.

5.5 Ritual: Mengubah Tugas AI menjadi Eksekusi On-Chain yang Dapat Dipanggil dan Dilacak

X: [tautan tidak diterjemahkan]

Ritual memasuki lapisan eksekusi AI, ia berfokus pada bagaimana membuat panggilan model, perilaku Agen, dan tugas kompleks dapat diatur, dieksekusi, dan diselesaikan secara langsung di rantai, bukan sebagai layanan kotak hitam off-chain. Ritual Chain mengadopsi arsitektur EVM dengan tugas mesin yang dapat diverifikasi off-chain. Tugas deterministik seperti transfer biasa dan pembacaan penyimpanan masih dijalankan oleh replikasi EVM, sementara tugas biaya tinggi seperti inferensi LLM, panggilan Agen, dan generasi gambar dijalankan di lingkungan TEE, kemudian hasilnya diikat dengan permintaan asli dan dikembalikan ke rantai. Kontrak sistem seperti AsyncJobTracker, TEEServiceRegistry, Scheduler, dan AsyncDelivery masing-masing mengelola status tugas, registrasi eksekutor, penjadwalan, dan panggilan balik hasil. Ritual juga mengembangkan Infernet, memungkinkan kontrak pintar untuk memanggil model dan komputasi eksternal, posisi produk lebih dekat ke "sistem operasi eksekusi AI on-chain".

Dalam pendanaan, Ritual menyelesaikan pendanaan senilai $25 juta pada tahun 2023, dipimpin oleh Archetype, dengan partisipasi Accomplice, Robot Ventures, dao5, Avra, Hypersphere, dll.; pada tahun 2024, juga memperkenalkan Polychain sebagai investor strategis, semakin memperkuat cadangan sumber dayanya dalam arah infrastruktur kripto.

Keunggulan Ritual terletak pada kedekatannya dengan kebutuhan on-chain yang nyata, cocok untuk perdagangan otomatis, oracle AI, Agen on-chain, pembayaran mesin, dan pengaturan tugas kompleks. Fokusnya bukan pada melatih model yang lebih kuat, tetapi pada memungkinkan panggilan model memasuki sistem izin dan penyelesaian kontrak pintar. Risikonya terletak pada TEE yang masih bergantung pada akar kepercayaan perangkat keras, pemilihan eksekutor, keamanan panggilan balik asinkron, dan hambatan pengembang yang perlu terus diverifikasi. Apakah Ritual dapat mencapai skala pada akhirnya tergantung pada apakah aplikasi on-chain bersedia menyerahkan tugas AI bernilai tinggi ke lapisan eksekusi ini.

6. Batas Realistis: DeAI Belum Dapat Menyelesaikan Semua Masalah

Pelatihan Terdesentralisasi Masih Menghadapi Kendala Fisik

Nilai jangka panjang DeAI perlu dibangun di atas batas realistis. Pelatihan awal model besar membutuhkan bandwidth yang sangat tinggi, kluster GPU yang stabil, data berkualitas tinggi dalam jumlah besar, dan sistem rekayasa yang matang. Meskipun jaringan terdesentralisasi dapat menurunkan ambang komputasi tertentu, komunikasi internet publik, koordinasi perangkat heterogen, kualitas kumpulan data, dll., semuanya akan memengaruhi efisiensi pelatihan. Ini tidak mengurangi nilai DeAI. Jalur yang lebih realistis adalah: lapisan pelatihan pertama-tama melayani model khusus dan optimalisasi model terbuka; lapisan inferensi pertama-tama melayani privasi, biaya, dan routing multi-model; lapisan verifikasi pertama-tama melayani bukti dan audit untuk skenario bernilai tinggi; lapisan eksekusi pertama-tama melayani Agen on-chain dan tugas otomatisasi. Arah yang paling cepat matang di DeAI mungkin adalah infrastruktur tepercaya yang terbentuk di sekitar panggilan model.

Kemampuan Verifikasi Masih Memiliki Batas Penerapan

Komputasi AI yang dapat diverifikasi juga memiliki batas penerapan yang jelas. TEE dapat membuktikan lingkungan eksekusi, tetapi perlu mempercayai perangkat keras dan mekanisme bukti jarak jauh; zkML dapat membuktikan hasil komputasi, tetapi biaya dan latensi masih menjadi kendala; insentif ekonomi dapat membuat pelaku jahat membayar harga, tetapi memerlukan mekanisme tantangan yang wajar, desain jaminan, dan insentif validator. Solusi yang berbeda memecahkan masalah yang berbeda, tidak dapat diringkas dengan satu label "dapat diverifikasi". Oleh karena itu, dalam memilih proyek di masa depan, perlu melihat apa yang dibuktikan secara spesifik. Membuktikan identitas model, membuktikan lingkungan eksekusi, membuktikan hasil output, dll., ini sesuai dengan batas produk yang berbeda. Semakin jelas proyek dapat menjelaskan objek verifikasi, semakin mungkin benar-benar menerima permintaan perusahaan dan aplikasi on-chain.

Popularitas Pasar Tidak Sama dengan Penggunaan Nyata

Insiden Fable akan membawa sentimen ke sektor DeAI, tetapi sentimen tidak dapat langsung dikonversi menjadi nilai jangka panjang. Yang perlu diamati adalah apakah proyek memiliki permintaan tugas yang berkelanjutan, apakah pengguna bersedia membayar untuk verifiabilitas, apakah pendapatan jaringan berasal dari panggilan nyata, dan apakah biaya verifikasi lebih rendah dari premi keamanan yang bersedia dibayar pengguna. DeAI tanpa penggunaan nyata pada akhirnya akan kembali ke perdagangan konsep.

7. Kesimpulan: Peluang DeAI Terletak pada Membangun Kembali Lapisan Kepercayaan AI

Yang benar-benar perlu diperhatikan dari insiden Fable bukanlah bahwa satu model Anthropic dihentikan sementara, melainkan bahwa AI mutakhir untuk pertama kalinya dengan jelas mengekspos kontradiksi struktural antara peningkatan kemampuan model dan penurunan stabilitas akses. Di masa lalu, pasar biasanya mengasumsikan bahwa kemampuan model yang lebih kuat akan menghasilkan tingkat adopsi yang lebih tinggi; tetapi insiden Fable menunjukkan bahwa ketika model memiliki kemampuan sensitif tinggi seperti keamanan siber, keamanan hayati, eksekusi kode, batas operasinya juga lebih mudah dimasukkan ke dalam kontrol ekspor, kepatuhan perusahaan, dan kerangka keamanan nasional. Semakin kuat model, semakin platform perlu menambahkan lapisan keamanan; semakin kompleks lapisan keamanan, semakin sulit bagi pengguna eksternal untuk memverifikasi proses eksekusi; semakin dalam intervensi regulasi, hak akses model tidak lagi hanya masalah tingkat produk. Ini berarti bahwa persaingan AI di masa depan tidak hanya akan berkisar pada kemampuan model, tetapi juga akan meluas ke stabilitas akses, pengendalian data, dan kredibilitas eksekusi.

Ini juga mengapa DeAI perlu dipahami kembali. Dalam jangka pendek, DeAI mungkin tidak dapat mereplikasi model mutakhir seperti Claude, tetapi dapat mulai dari titik terlemah AI terpusat, yaitu apakah model dapat diganti, apakah data dapat dilindungi, apakah proses komputasi dapat dibuktikan, apakah perilaku Agen dapat dipertanggungjawabkan. Proyek DeAI yang benar-benar bernilai tidak hanya memindahkan kemampuan AI ke rantai, tetapi memecah proses panggilan AI menjadi beberapa mata rantai yang dapat diverifikasi, termasuk siapa yang menyediakan model, siapa yang mengeksekusi inferensi, bagaimana hasil dihasilkan, siapa yang bertanggung jawab atas kesalahan, dan apakah pengguna dapat beralih antar layanan yang berbeda. Di masa lalu, masalah-masalah ini sebagian besar tersembunyi di dalam platform terpusat; di masa depan, mereka mungkin berkembang menjadi pasar infrastruktur baru.

Dari sudut pandang ini, komputasi AI yang dapat diverifikasi mungkin merupakan arah yang paling layak diteliti dalam DeAI. AI sedang berubah dari alat pembuatan konten menjadi entitas cerdas dengan kemampuan eksekusi tugas. Ketika AI terutama digunakan untuk menghasilkan teks, pengguna dapat mentolerir tingkat ketidaktransparanan tertentu; tetapi ketika AI mulai berpartisipasi dalam audit kode, manajemen aset, panggilan dompet, eksekusi perdagangan, dan interaksi kontrak, ketidaktransparanan akan menjadi risiko sistemik. Di masa depan, pasar tidak hanya akan membayar untuk kemampuan model yang lebih kuat, tetapi juga untuk proses eksekusi yang dapat dibuktikan, diaudit, dan dipertanggungjawabkan.

Oleh karena itu, setelah insiden Fable, logika investasi DeAI juga perlu beralih dari narasi sentimen ke narasi verifikasi. Di masa lalu, pasar cenderung mengejar konsep AI, nama model, dan hotspot jangka pendek; tahap selanjutnya harus lebih memperhatikan tiga jenis indikator: apakah ada permintaan panggilan nyata, apakah ada mekanisme bukti yang dapat diverifikasi, apakah ada pengguna yang bersedia membayar premi untuk eksekusi tepercaya. Hanya jika ketiga kondisi ini terpenuhi secara bersamaan, komputasi AI yang dapat diverifikasi dapat berkembang dari hotspot sementara pasar kripto menjadi lapisan kepercayaan baru era AI. Inti dari persaingan AI di masa depan tidak hanya akan menjadi kemampuan model itu sendiri, tetapi apakah model dapat dipanggil secara stabil, tepercaya, dan dapat diverifikasi di lingkungan terbuka, inilah ruang jangka panjang yang benar-benar dapat dibuka oleh DeAI.