Membangun infrastruktur keuangan komputasi AI melalui kripto di pasar modal: bagaimana cara kripto membangun fondasi keuangan komputasi AI

Penulis: Lucas Tcheyan; Sumber: Galaxy Digital; Disusun oleh: Shaw, Jinse Finance

Pengantar

Konsep “pasar modal inferensi di rantai” merujuk pada serangkaian jaringan, protokol, infrastruktur pendukung, dan aplikasi yang digunakan untuk mengoordinasikan bisnis inferensi model AI di luar pusat API sistem layanan cloud skala sangat besar milik vendor besar, serta membangun lapisan finansial yang sedang terbentuk di atas bisnis tersebut. Pengguna tidak perlu mengirim setiap permintaan API melalui penyedia model AI frontier seperti OpenAI, Anthropic, atau melalui perantara dari perusahaan cloud di baliknya; sebaliknya, pengguna dapat mengirimkan prompt kepada jaringan operator GPU yang dikoordinasikan oleh insentif token kripto dan mekanisme penyelesaian on-chain. Dalam beberapa arsitektur, pengguna juga bisa memperoleh jaminan kriptografis atau jaminan ekonomi yang ditujukan untuk akurasi hasil keluaran dan privasi data.

Pada tahun 2026, jalur ini semakin mendapat perhatian. “Proporsi kebutuhan global GPU untuk inferensi (proses komputasi yang menghasilkan keluaran berdasarkan data baru menggunakan model AI yang sudah dilatih) telah melampaui pelatihan model, menjadi skenario permintaan terbesar untuk daya komputasi.” Seiring itu, agen otonom menjadi pihak permintaan inferensi yang baru. Perangkat lunak ini mampu menyelesaikan pembayaran secara otomatis, tanpa intervensi manusia sepanjang proses.

Dalam beberapa tahun terakhir, pasar perdagangan GPU terdesentralisasi, protokol inferensi, payment channel, alat tokenisasi aset, wadah penghimpunan modal, serta porsi likuiditas on-chain masing-masing memiliki jendela perkembangan sendiri. Perubahan baru yang muncul saat ini adalah: “berbagai komponen dasar sedang berfusi menjadi satu sistem yang terpadu dan lengkap — pasar modal inferensi.” “Seiring inferensi AI semakin luas diterapkan ke beragam skenario bisnis, kebutuhan pasar untuk sistem ini diperkirakan terus meningkat.” Saat ini, praktik on-chain berfokus pada bisnis yang memiliki produktivitas nyata dan nilai ekonomi yang dapat diobservasi; permintaan terkait juga tidak lagi hanya berasal dari dalam industri kripto.

Sejumlah kekuatan mendorong proses fusi ekosistem ini. Kebutuhan komputasi GPU bergeser jelas dari pelatihan model ke tugas inferensi; sementara pada skenario bisnis yang hanya perlu memenuhi standar “cukup” (tidak perlu terbaik), model bobot open-source sedang mempersempit kesenjangan performa dengan model frontier yang tertutup. Hal ini memungkinkan perusahaan mengalihkan tugas yang sebelumnya mahal biayanya ke sisi penyedia komputasi dengan rasio nilai-terbaik (apa pun apakah berbasiskan kanal kripto atau jalur tradisional), sehingga menjadi layak secara ekonomi.

“Permintaan daya komputasi inferensi terus tumbuh, sekaligus mendorong pengguna untuk membeli daya komputasi dengan cara-cara inovatif yang lebih banyak.” Laporan riset terbaru dari Citadel Securities menyebutkan, ukuran konsumsi AI Token yang dihitung oleh Silicon Data LLM Index (indeks LLM Silicon Data di Silicon Valley) menunjukkan penurunan, yang mencerminkan pergeseran pasar ke opsi model dengan biaya lebih rendah. (Catatan: AI Token adalah satuan penagihan yang digunakan penyedia layanan AI untuk penetapan harga; jangan disamakan dengan token kripto yang diterbitkan di blockchain.)

Banyak perusahaan, termasuk Coinbase, Microsoft, Airbnb, dalam waktu dekat juga mulai beralih menggunakan model open-source, dengan mayoritas berasal dari model open-source Tiongkok. OpenRouter baru saja menyelesaikan putaran pendanaan baru, yang juga mengonfirmasi bahwa kebutuhan pasar untuk beragam kanal akses model terus meningkat; kanal-kendal ini dapat secara efektif menurunkan biaya inferensi. Salah satu alasan tren ini adalah suplai komputasi yang terbatas, sehingga biaya deployment marjinal layanan inferensi terus naik.

“Kekuatan kedua yang mendorong fusi ekosistem adalah finansialisasi.” Tingkat adopsi kecerdasan buatan terus meningkat; kemampuan cerdas hampir menjadi faktor produksi untuk semua jenis bisnis. Pasar pun menciptakan kebutuhan untuk mengkomoditikan daya komputasi dan memfinasialkannya. Lebih banyak tim mulai mengeksplorasi solusi, dengan membangun daya komputasi AI sebagai aset yang bisa diperdagangkan dan dimasukkan ke dalam sistem keuangan yang lebih lengkap. Kerangka awal pasar modal inferensi sedang terbentuk: pasar mulai memberi harga finansialisasi pada perangkat AI dan kapasitas komputasi, dengan tujuan membangun satu pasar perdagangan terpadu.

Indeks GPU dan pasar berjangka

Sebelum membahas bentuk implementasi on-chain dari pasar modal inferensi, perlu lebih dulu memperhatikan pasar off-chain yang jauh lebih besar, yang paling representatif adalah futures GPU. Prediksi berbagai pihak mengenai skala ekspansi infrastruktur AI sangat berbeda: Morgan Stanley memperkirakan, hingga 2028, belanja modal pusat data global sekitar 2,9 triliun dolar AS (tidak termasuk investasi untuk listrik), dengan sekitar 2,5 triliun dolar AS digunakan langsung untuk beban bisnis terkait AI. McKinsey menghitung bahwa hingga 2030 belanja modal pusat data global akan mencapai 6,7 triliun dolar AS; di antaranya 5,2 triliun dolar AS untuk infrastruktur komputasi AI dan 1,5 triliun dolar AS untuk bisnis IT tradisional. Skenario AI mereka dibagi menjadi dua: skenario permintaan lemah sebesar 3,7 triliun dolar AS, sementara skenario percepatan pelepasan permintaan dapat mencapai 7,9 triliun dolar AS. Goldman Sachs memperkirakan, pada 2026 hingga 2031, belanja modal global untuk infrastruktur AI di bidang komputasi, pusat data, dan listrik sekitar 7,6 triliun dolar AS. Terlepas dari angka presisi akhirnya berapa pun, banyak lembaga menyimpulkan kesamaan: komputasi dan perangkat keras adalah segmen dengan porsi belanja tertinggi. Rentang estimasi dari Morgan Stanley, McKinsey, dan Goldman Sachs menunjukkan porsi segmen ini sekitar 55%~67%.

Prediksi seperti ini sulit diwujudkan secara presisi, intinya karena banyak variabel yang tidak diketahui di sisi permintaan maupun penawaran. Variabel pertama adalah elastisitas permintaan: jika uang yang dihemat karena biaya komputasi turun tidak berubah menjadi laba perusahaan yang disimpan, melainkan terus diinvestasikan untuk melatih model skala lebih besar dan memperluas skenario implementasi, maka peningkatan efisiensi hanya akan memperluas volume penggunaan komputasi, bukan mengurangi tagihan total. Variabel kedua adalah umur pakai chip; hingga kini industri belum mencapai kesimpulan yang seragam, sehingga kisaran estimasi depresiasi umumnya berada di 3 hingga 7 tahun. Meski setiap tahun ada chip generasi baru dengan performa lebih kuat yang secara teori mempercepat usangnya chip lama, dalam praktiknya perangkat keras lama tetap memiliki nilai. Karena pasokan terus ketat, perusahaan harus mengandalkan perangkat keras yang sudah ada (existing inventory) untuk memenuhi kebutuhan komputasi; sekaligus chip lama juga dapat menangani tugas inferensi model yang ambang masuknya lebih rendah. Pada akhirnya terbentuk situasi: gelombang modal besar terus mengalir ke aset-aset yang harganya berfluktuasi tajam; dan inilah kondisi khas yang melahirkan pasar penetapan harga, lindung nilai (hedging), dan pendanaan pendukung.

Ekosistem pembelian komputasi saat ini sering dianalogikan sebagai pasar perdagangan gelap —— agar mendapat pasokan, Anda hanya bisa menghubungi “perantara” tertentu.

Secara tertentu, pasar perdagangan forward seperti ini sudah lama ada, tetapi belum membentuk bentuk yang distandardisasi. Pembeli besar sejak lama sudah mengunci komputasi forward melalui perjanjian privat, dengan bentuk mulai dari sewa on-demand berbasis jam, kontrak pre-order komputasi jangka panjang (setara “perjanjian pemesanan GPU”), hingga transaksi bilateral antara penyedia layanan dan pelanggan besar teratas. Harga biasanya terbentuk dari negosiasi jejaring, dengan transparansi sangat rendah. Perusahaan model frontier seperti OpenAI menjual kuota pemanggilan API secara massal; sementara raksasa cloud skala sangat besar saling menyisihkan kapasitas komputasi. Penyedia cloud khusus AI (New Cloud / Neoclouds) mengunci kapasitas komputasi lebih dulu ke penyedia public cloud dan perantara, berakar pada fakta bahwa pasokan keseluruhan tidak mencukupi. Salah satu penyedia layanan inferensi teratas, Baseten, terang-terangan menyatakan bahwa membeli komputasi saat ini seperti perdagangan gelap, sehingga perlu menghubungi perantara khusus untuk mendapatkan pasokan. Perantara yang menghasilkan keuntungan lewat asimetri informasi dan jejaring, serta pihak pemegang komputasi dalam jumlah besar, nyaris tidak punya dorongan untuk beralih ke perdagangan bursa elektronik yang terbuka dan transparan, meskipun pasar standar bisa sedikit meningkatkan efisiensi transaksi. Dalam sejarah, hambatan serupa juga menghalangi perkembangan komoditas skala besar: penolakan raksasa energi seperti Vitol, BP, Shell, membuat upaya bursa perdagangan gas alam cair membutuhkan waktu 10 tahun dan tetap sulit terwujud. Futures GPU justru mulai muncul di atas pasar spot yang terfragmentasi seperti ini; posisinya adalah sebagai alat standard untuk memindahkan risiko harga, dan dalam jangka pendek tidak akan menggantikan pola pembelian komputasi yang ada.

Prasyarat agar pasar futures dapat berjalan efektif adalah adanya indeks harga presisi yang dapat menjadi jangkar kontrak. Dibandingkan komoditas massal yang distandardisasi, membangun indeks komputasi jauh lebih sulit. Hanya “GPU per jam” tidak memiliki standar universal: harus ditentukan jenis chip, memori grafis (VRAM), spesifikasi jaringan, wilayah lokasi, serta apakah komputasi adalah spot on-demand atau sumber daya yang diunci lewat pre-order. Listrik, bandwidth, dan gas alam cair pun, sebelum berkembang menjadi pasar yang likuid, menghadapi masalah target spesifikasi yang tidak seragam. Industri akhirnya mengambil jalur penyelesaian yang sama: membagi grade, menetapkan harga acuan, bukan menuntut setiap unit barang benar-benar homogen. Penetapan harga minyak mentah bergantung pada grade acuan seperti WTI di New York Mercantile Exchange dan Brent; sementara gas alam memakai harga Henry Hub sebagai jangkar.

Pasar GPU sedang membentuk sistem penetapan harga yang mirip. Perusahaan dalam portofolio Galaxy Ornn meluncurkan indeks harga komputasi, yang disusun berdasarkan data transaksi nyata. Silicon Data setiap hari menerbitkan indeks sewa H100, A100, dan B200 di terminal Bloomberg; standar penawaran untuk konfigurasi perangkat keras, penyedia layanan, dan wilayah yang berbeda distandardisasi, lalu digabung menjadi satu acuan tunggal. Compute Desk juga bergerak ke arah yang sama. Menurut penetapan posisi Ornn, indeks seperti ini lebih dekat dengan tingkat bunga pembiayaan jangka pendek tanpa jaminan (SOFR) daripada LIBOR versi lama yang banyak dikritik. Sumber data indeks berasal dari catatan transaksi nyata dalam skala besar dari pasar, bukan estimasi subjektif kelompok ahli. Indeks tidak melacak GPU model tunggal, tetapi mengumpulkan harga pasar untuk sekumpulan sumber daya komputasi yang distandardisasi. Dengan bertumpu pada data transaksi nyata, masalah variasi spesifikasi perangkat keras komputasi dapat ditangani secara terukur. Indeks tidak mensyaratkan bahwa setiap jam GPU memiliki komputasi yang identik secara total; cukup memiliki sampel transaksi nyata yang cukup untuk menghitung harga yang representatif.

Namun, indeks komputasi tetap menghadapi masalah yang tidak ada pada pasar minyak: patokan indeks GPU akan terus mengalami iterasi, sehingga basis penetapan harga harus diperbarui seiring transisi cluster komputasi dari H100 ke H200, B200, GB200, dan chip Rubin; setiap pembaruan generasi perangkat keras memerlukan revisi ulang basis acuan harga. Keragaman perangkat keras makin memperumit tantangan: kebutuhan yang terpisah untuk chip AMD, TPU Google, Trainium Amazon, ASIC buatan internal perusahaan cloud besar, serta chip mandiri dari berbagai negara; semua perangkat keras ini tidak kompatibel satu sama lain. Membangun basis acuan harga jangka panjang yang stabil dan efektif menjadi semakin sulit, bukan menurun.

Poin inti kontroversi kedua adalah aturan penyelesaian (delivery). Untuk lab AI yang ingin menghedge volatilitas anggaran komputasi, atau tim perdagangan yang ingin menyampaikan pandangan harga, mereka hanya perlu eksposur risiko harga murni dan tidak membutuhkan perangkat keras fisik; untuk pihak seperti ini, kontrak berbasis settlement selisih (difference settlement) berdasarkan indeks sudah cukup. Tetapi, untuk vendor cloud vertikal AI yang melayani pelanggan terminal, mereka butuh komputasi nyata. Futures GPU yang mulai diluncurkan saat ini semuanya menggunakan cash settlement (penyelesaian tunai). Alasannya adalah kebutuhan hedging harga paling mudah distandardisasi; sebagian besar futures komoditas skala besar walaupun mendukung physical delivery, umumnya tetap berbasis settlement tunai, dengan logika yang konsisten. Physical delivery itu layak, tetapi kesulitan implementasinya jauh lebih besar, membutuhkan standardisasi yang lebih lanjut dan klausul yang sangat rinci. Mengingat kecepatan dorongan futures settlement tunai dan munculnya kebutuhan pasar baru, kemunculan kontrak GPU dengan physical delivery dalam setahun ke depan tidak mengejutkan. Ada pula pandangan bahwa urutan pengembangan yang sedang berjalan terbalik: ketika hanya sedikit pihak suplai yang memegang pasokan, cash settlement yang menggunakan indeks dengan sampel yang tipis mudah memicu manipulasi pasar. Pasar komoditas skala besar biasanya membutuhkan physical delivery atau sistem maturity/spot-futures exchange seperti EFP agar harga futures bisa menempel pada fundamental spot.

Pasar yang matang juga perlu kedua sisi permintaan-penawaran memiliki niat transaksi nyata, bukan sekadar pertarungan spekulan. Long alami: perusahaan yang biaya dan kedalaman komputasinya terikat, ingin mengunci biaya pembelian; termasuk lab AI, pengembang aplikasi, vendor cloud vertikal AI yang hilirnya telah menjual komputasi dan harus menjamin pasokan. Short alami: institusi yang memegang stok GPU tetapi belum jelas penggunaannya di masa depan, misalnya perusahaan cloud besar, pemegang GPU dalam jumlah besar, perantara komputasi. Lembaga pemberi pinjaman yang menyediakan dana kredit untuk pembelian GPU juga memerlukan harga acuan yang seragam —— dengan pinjaman yang mengandalkan perangkat keras berbasis depresiasi, penilaian aset harus disesuaikan dengan harga pasar yang wajar. Dana spekulatif dan tim proprietary trading sebagai partisipan umum menyediakan likuiditas, tetapi bukan entitas perdagangan industri utama. Saat ini, kontradiksi struktural utama masih ada: penjual cenderung menandatangani kontrak jangka panjang untuk mengunci pendapatan, sementara pembeli lebih suka kontrak jangka pendek untuk menjaga fleksibilitas penyesuaian.

Meski tantangan berlapis, embrio pasar perdagangan GPU yang matang sudah tampak. Platform prediksi pasar seperti Kalshi sudah meluncurkan beberapa produk perdagangan harga GPU. Induk bursa saham New York, Intercontinental Exchange (ICE, bekerja sama dengan Ornn), serta Chicago Mercantile Exchange (CME, bekerja sama dengan Silicon Data) resmi mengumumkan rencana meluncurkan futures GPU tahun depan. Komputasi sebagai komoditas skala besar mungkin segera menjadi kenyataan.

Pasar modal inferensi on-chain

Penyedia layanan model dan inferensi pada dasarnya seperti pabrik pengolahan token: masukkan bahan mentah berupa komputasi GPU untuk memproses dan menghasilkan output AI Token. Sumber daya “GPU per jam” dengan bantuan berbagai indeks komputasi semakin distandardisasi, tetapi tingkat perkembangan pasar perdagangan AI Token jauh lebih rendah. Tantangan besar adalah: token yang diproduksi oleh model-model besar berbeda tidak memiliki basis pembandingan harga yang seragam. Meski begitu, ekosistem jalur ini perlahan terbentuk. Tiga operator telekomunikasi besar di Tiongkok telah menjadikan komputasi inferensi sebagai layanan publik komoditas yang dijual secara retail berdasarkan ukuran, meluncurkan paket bulanan Token terstandar; modelnya mirip seperti paket kuota data ponsel. Diberitakan bahwa Amazon akan menyesuaikan cara penyelesaian dengan Anthropic, dari sebelumnya mengunci durasi kapasitas komputasi menjadi membayar berdasarkan jumlah Token yang benar-benar dikonsumsi. Ada kabar lain bahwa Shanghai Futures Exchange sedang berada dalam tahap desain skema awal, berencana meluncurkan produk futures yang terhubung dengan AI Token, yang bersesuaian dengan futures GPU yang disusun di hulu oleh CME dan ICE.

Industri kripto sedang membangun sistem sejenisnya sendiri. Pasar modal inferensi on-chain bertumpu pada komponen dasar yang sudah ada (penyedia layanan komputasi GPU, jaringan pengembangan model terdesentralisasi), sekaligus memasukkan jalur-jalur baru, termasuk standar pembayaran agen otonom dan pasar perdagangan inferensi berbasis tokenisasi. Ekosistem terkait sudah menyiapkan berbagai blockchain dan eksekusi lingkungan, tetapi sumber pengembangan sangat terkonsentrasi pada Base dan Solana, berkat dua rantai publik ini yang memiliki komunitas pengembang dan pengguna yang lebih matang.

Inti seluruh sistem adalah penyedia layanan inferensi dan jaringan inferensi, yakni berbagai proyek yang mewujudkan konversi prompt menjadi output hasil. Mengelilingi lapisan inti, ada banyak infrastruktur pendukung agar layanan inferensi memiliki sifat bisa digunakan, berguna, dan dapat difinasialkan: pengembang model, penyedia GPU dan sumber daya komputasi, platform routing dan pasar perdagangan, agen otonom dan aplikasi lapisan atas, payment channel, serta infrastruktur penghimpunan modal. Mengapa lapisan-lapisan pendukung ini penting di semua level adalah karena mereka sama-sama menciptakan permintaan inferensi atau menghasilkan faktor produksi komputasi, atau mengubah perilaku penggunaan komputasi menjadi aset yang bisa dibayar, dibiayai, dijadwalkan, dan diakui hak kepemilikannya.

Sebagian besar layanan di atas tidak unik untuk industri kripto; di dunia off-chain juga ada produk pembanding yang sudah matang. Di lapisan teknologi atas, framework orkestrasi agen seperti Hermes dan Ironclaw bisa memanggil model dari laboratorium frontier tanpa diskriminasi, atau memanfaatkan komputasi yang disediakan oleh penyedia layanan inferensi on-chain seperti Venice. Model yang dilatih oleh pengembang terdesentralisasi seperti Nous Research dapat terintegrasi ke platform agregasi model all-in-one seperti OpenRouter. Penyedia komputasi GPU setara dengan versi open-source tanpa izin dari hyperscaler cloud dan pusat data; tetapi umumnya skalanya lebih kecil. Protokol pembayaran agen seperti x402 dan MPP dapat membayar tagihan langganan OpenAI dan Anthropic, sekaligus menyelesaikan pembayaran biaya platform Venice dengan mudah. Penyelesaian otomatis terprogram cepat menjadi kemampuan umum di industri, tidak lagi hanya keunggulan khas sektor kripto; OpenAI dan Visa baru-baru ini juga masing-masing meluncurkan infrastruktur pembayaran untuk agen.

Bagian yang benar-benar inovatif secara diferensiasi terkonsentrasi pada lapisan finansialisasi: teknologi kripto mengubah cara pengakuan kepemilikan, penetapan harga, dan pembiayaan daya komputasi inferensi. Kami sebelumnya membahas secara mendalam bahwa kanal dasar kripto dapat mempercepat pembentukan modal; banyak komponen dasar di bawahnya juga dapat langsung diterapkan di jalur inferensi.

Finansialisasi layanan inferensi telah menarik banyak proyek on-chain. Dengan mengandalkan payment channel berbasis blockchain dan alat tokenisasi, bisnis inferensi diubah menjadi aset yang dapat diperdagangkan. Secara garis besar terdapat tiga bentuk:

• Penyedia layanan inferensi (Venice, Morpheus, dll.): tokenisasi hak akses ke layanan inferensi; mengubah hak tagih atas layanan inferensi masa depan menjadi aset yang bisa dimiliki, diberi harga, dan dijual kembali.

• Proyek Proof of Useful Work (Pearl, Ambient, dll.): tokenisasi proses produksi inferensi; penyedia layanan memperoleh hadiah token ketika menyelesaikan tugas inferensi.

• Penyedia kredit (USD.AI): polanya berbeda. Mereka tidak langsung tokenisasi layanan inferensi, tetapi membiayai perangkat keras yang menanggung tugas inferensi; dengan mengandalkan setoran stablecoin, mereka menyediakan dana untuk GPU dan pusat data lapisan bawah.

Berbagai komponen di atas terintegrasi bersama dan bersama-sama membentuk pasar modal inferensi on-chain.

Lapisan penyedia layanan inferensi

Penyedia layanan inferensi adalah inti dari seluruh tumpukan teknologi. Jalur inferensi terdesentralisasi sangat mirip dengan pasar AI API tradisional di sini: pengguna atau pengembang memilih model, mengirim prompt, membayar berdasarkan Token / jumlah permintaan / pola langganan, lalu menerima output. Dalam bentuk paling sederhana, pengalaman pengguna mendekati OpenRouter, Together AI, Fireworks, atau API resmi dari laboratorium AI frontier. Perbedaannya adalah: penyedia inferensi kripto-native bisa membeli kapasitas komputasi dari jaringan GPU terdesentralisasi, menerima pembayaran dengan stablecoin atau token native, menyediakan akses model open-source / tanpa sensor, menawarkan jaminan privasi tambahan, atau mengikat akses tokenisasi dengan perilaku penggunaan komputasi.

OpenRouter adalah skenario implementasi yang sangat potensial di jalur inferensi on-chain. Permintaan di dalam platform dihitung berdasarkan AI Token; setiap kali pengguna memulai permintaan apa pun, mereka dapat bebas mengganti penyedia layanan inferensi. Dalam lingkungan pasar seperti itu, penyedia dengan rasio nilai-terbaik dan respons lebih cepat harus merebut lebih banyak pangsa. Dalam tiga bulan terakhir, total Token yang dibawa oleh penyedia layanan inferensi on-chain berada pada kisaran 0,5%~1% dari total harian OpenRouter; sementara pada periode yang sama, skala total Token yang diproses OpenRouter secara keseluruhan terus tumbuh secara eksplosif. Ini menunjukkan bahwa layanan on-chain telah memperoleh pengakuan pasar awal di luar komunitas kripto-native, tetapi pangsanya masih rendah; hal ini mencerminkan bahwa jangkauan kanal, biaya relatif, atau faktor lain membatasi daya saing. Saat ini, pangsa tersebut belum mampu bersaing langsung dengan layanan pusat yang sudah matang.

Namun, OpenRouter hanya mewakili sebagian aliran Token. Misalnya Venice: platform itu mengungkapkan, pada 23 Juni, total kumulatif Token yang diproses seluruh kanal mencapai 1000 miliar Token, yakni sepuluh kali volume yang diproses melalui kanal OpenRouter. Jika hanya menghitung data OpenRouter, tidak mungkin merefleksikan secara penuh momentum perkembangan proyek-proyek independen. Penyedia layanan inferensi on-chain besar sedang terus membangun basis pengguna yang stabil melalui berbagai strategi operasional; sebagian strategi mengandalkan fitur produk yang berbeda. Venice sangat menonjolkan perlindungan privasi sebagai keunggulan utama: saat pengguna memanggil layanan inferensi, mereka tidak perlu terlalu khawatir layanan disimpan/disensor/dibocorkan datanya oleh penyedia, menjalankan audit konten, atau dipaksa menyerahkan informasi sensitif. Chutes dan AkashML memungkinkan siapa pun menghubungkan GPU ke jaringan, menghidupkan kembali komputasi idle agar bisa menghasilkan pendapatan, sebagai upaya menekan biaya layanan. Meski fitur seperti ini membantu penyedia merebut sedikit pangsa pasar, sebagian besar platform terpusat bisa meniru kemampuan sejenis; hanya mengandalkan fitur produk sulit untuk mengambil pangsa pasar yang signifikan.

Layanan inferensi on-chain bisa menjadi jalur terobosan untuk membangun moat yang nyata, karena finansialisasi mekanismenya: mengubah hak akses inferensi menjadi aset yang bisa dimiliki, ditimbun, dan dijual kembali oleh pembeli, bukan sekadar layanan langganan yang sekali konsumsi.

Venice: tokenisasi kepemilikan inferensi

Venice didirikan oleh Erik Voorhees, praktisi kripto berpengalaman dan serial entrepreneur. Dalam misi mengubah hak akses inferensi menjadi aset yang bisa dimiliki, proyek ini bergerak paling dalam. Proyek menggunakan sistem dua token — VVV dan DIEM — dengan membungkus hak pengambilan (access/entitlement) atas layanan inferensi masa depan menjadi aset yang bisa dicetak, dimiliki, dan dijual kembali oleh pengguna.

VVV memposisikan dirinya sebagai “aset tipe modal.” Memegang VVV tidak identik dengan memiliki ekuitas Venice (ekuitas platform dibiayai secara independen, dan putaran A senilai 65 juta dolar AS telah selesai pada Juni), tetapi secara teori pemegang token dapat membagi manfaat pertumbuhan proyek. Mekanisme paling langsung adalah: Venice menggunakan sebagian pendapatan untuk buyback dan membakar VVV. Buyback dan burn dilakukan lewat dua jalur: pertama, burn fleksibel menggunakan pendapatan reguler; kedua, aturan burn yang diprogram — pada setiap pendapatan langganan baru, proporsi tetap dana akan digunakan untuk buyback dan burn token. Hingga saat ini, 42% dari VVV sudah dibakar.

VVV juga memiliki fungsi aplikasi: pengguna dapat melakukan staking sejumlah VVV apa pun untuk mendapatkan hadiah inflasi token tahunan yang ditambahkan; staking 100 VVV akan membuka hak langganan versi profesional. Namun nilai paling penting justru terletak pada mekanisme keterkaitan dengan DIEM (aset komputasi “Venice”). Pemegang yang meng-stake VVV dapat mencetak DIEM; setiap 1 DIEM secara permanen setara dengan nilai 1 dolar AS dari kuota inferensi Venice. Memegang 100 DIEM berarti memiliki kuota API senilai 100 dolar AS, yang bisa digunakan untuk seluruh model di platform dan berlaku permanen (dengan syarat Venice terus beroperasi normal).

Jumlah VVV yang dipatok untuk mencetak satu DIEM mengikuti kurva yang ditetapkan platform: ketika total pasokan DIEM mendekati batas atas yang menjadi target proyek, jumlah VVV yang dibutuhkan untuk staking meningkat secara eksponensial. Logikanya: setiap DIEM akan membentuk kewajiban permanen sebesar 1 dolar AS dalam neraca. Saat ini pasokan DIEM sudah mendekati ambang target; biaya pencetakan naik dari sekitar 90 VVV/DIEM pada awal peluncuran menjadi kini ratusan VVV untuk mencetak 1 DIEM. Mekanisme ini memperlambat kecepatan pencetakan DIEM baru. Artinya, pencetak awal mendapat DIEM dengan biaya VVV yang lebih rendah; pengguna yang masuk belakangan menghadapi biaya yang jauh lebih tinggi.

Ketika staking VVV dikunci untuk mendukung DIEM, staker hanya memperoleh 80% dari imbal hasil staking biasa; sedangkan sisa 20% menjadi milik platform Venice. Selain itu, VVV yang dikunci hanya bisa dilepaskan setelah DIEM yang didukung dibakar. Jika pencetak sudah menjual DIEM, untuk mengambil kembali VVV yang dikunci, ia harus membeli DIEM lagi di pasar sekunder; jika harga DIEM naik, operasi penebusan akan menimbulkan kerugian.

Dua jenis token membentuk closed-loop yang saling menguatkan. DIEM hanya dapat dicetak melalui staking VVV yang dikunci; maka ketika permintaan pasar terhadap DIEM meningkat, akan terus menarik VVV yang beredar keluar dari sirkulasi, sehingga VVV memiliki skenario aplikasi nyata di luar spekulasi. Sebaliknya, DIEM juga mendapat manfaat dari perkembangan platform Venice: semakin kuat utilitas platform dan semakin tinggi adopsinya, maka nilai hak akses inferensi yang dapat dipindahtangankan dalam token ini juga semakin tinggi. Memegang DIEM tidak hanya berarti memiliki kuota inferensi untuk dijual kembali; pemegang pada dasarnya sedang bertaruh pada perkembangan jangka panjang Venice.

Bahkan jika pengguna terminal sama sekali tidak menyentuh aset kripto, bisnis utama platform tetap dapat terus menguatkan ekonomi token. Tim Venice menyatakan bahwa sebagian besar pengguna bukan berasal dari komunitas kripto-native; banyak di antaranya tidak tertarik pada token itu sendiri. Tetapi selama pengguna mengaktifkan langganan, membeli kuota inferensi, dan menggunakan layanan platform, aktivitas tersebut akan tetap mendorong buyback dan burn VVV, sekaligus menciptakan permintaan terhadap layanan inferensi Venice. Ekonomi token dibangun di hilir bisnis produk, bukan menggantikan produk itu sendiri. Venice bukan token kripto yang mencari-cari skenario penerapan AI; Venice adalah produk AI yang memasukkan sebagian hak penggunaan platform dan hak akses ke dalam pasar perdagangan inferensi yang tokenized.

DIEM Venice paling unik dalam hal atribut kepemilikan: pengguna dapat memiliki sumber daya inferensi yang mereka konsumsi, bukan sekadar menyewanya.

DIEM adalah sebuah eksperimen seputar tokenisasi hak akses inferensi dan pola pengirimannya (delivery). Diferensiasi intinya adalah kepemilikan. Pengguna bisa memegang sumber daya inferensi yang mereka konsumsi, bukan hanya menyewanya. Dalam model bayar per penggunaan, ketika sumber daya inferensi habis dikonsumsi, sumber daya itu tidak lagi ada; sedangkan memegang sertifikat akses yang tokenized setara dengan memiliki aset yang dapat dipegang dalam jangka panjang, dialihkan, atau dijual. Dari situ lahir beberapa skenario aplikasi:

• Karena hak tagih ini bersifat dapat diperdagangkan, pemegang yang menghadapi volatilitas permintaan dapat mempertahankan kuota penggunaan dasar, lalu menjual atau menyewakan kuota saat idle. Dengan begitu, mereka bisa memulihkan biaya yang dalam skema bayar per penggunaan akan hilang total. AI agen dapat langsung memegang DIEM, memperoleh saldo sumber daya inferensi tanpa izin dan yang dapat dimiliki sendiri untuk dipanggil. Kanal transaksi yang tersedia termasuk platform spot seperti Aerodrome, atau market sewa berbasis durasi seperti Surplus, UsePod, AntSeed, CarpeDiem, dan lainnya.

• Tim Venice sering menyebut skenario lain: pengguna membeli DIEM, menggunakan layanan inferensi pada siang hari, lalu menjualnya kembali pada hari berikutnya. Jika harga tetap stabil, itu setara dengan penggunaan inferensi secara gratis; jika harga naik, pengguna juga bisa memperoleh keuntungan tambahan. Risiko juga tetap ada: bila harga turun, kerugian pemegang bisa jauh melampaui biaya membeli layanan inferensi sekali. Bagi sebagian pengguna, ini berarti saat mereka mengonsumsi daya komputasi, mereka juga bisa berspekulasi pada harga sumber daya inferensi.

• DIEM juga dapat mengunci biaya. Perusahaan atau agen yang memiliki permintaan komputasi stabil dan dapat diprediksi dapat menggunakan DIEM untuk mengunci biaya dari perspektif komputasi, logikanya mirip kontrak pre-order komputasi berbasis bertahun-tahun. Perusahaan tidak bisa memprediksi berapa banyak kuota inferensi yang bisa ditukar $1 setelah dua tahun, tetapi bisa mengunci hak sejak sekarang; ketika penggunaan selesai dan dijual mendekati harga biaya, biaya penggunaan komputasi aktual menjadi rendah. Hingga 7 Juli 2026, harga DIEM adalah 1270 dolar AS; 1 DIEM kira-kira setara dengan kuota 1 dolar AS per hari selama empat tahun, sehingga pembeli secara efektif membayar sekitar 3,5 tahun hak pakai komputasi perpetual. Namun kelemahannya jelas: agar memperoleh kepastian biaya seperti itu, pengguna harus memegang aset yang volatil, perpetual, dan berdenominasi dolar AS; ini justru mengurangi stabilitas yang sebelumnya dicari pengguna. Penetapan harga DIEM dibangun di atas komitmen perpetual settlement, yang secara tersirat menyiratkan discount rate dua digit atas kemampuan Venice untuk terus beroperasi; dan hak akses ini hanya bernilai jika Venice terus menyediakan layanan secara normal.

Mekanisme ini masih tahap awal dan memiliki kekurangan nyata:

• Tokenisasi inferensi paling cocok untuk pihak penerbit yang perlu menarik permintaan sejak awal dan menghimpun dana. Lab AI yang memiliki model berkualitas dan hak penetapan harga nyata tidak memiliki dorongan untuk mendorong tokenisasi, karena mode ini menghilangkan kemampuan untuk menerapkan penetapan harga diferensial untuk pelanggan yang berbeda, tidak bisa membukukan keuntungan dari kuota yang kedaluwarsa tanpa settlement, dan sekaligus mengurangi fleksibilitas untuk penyesuaian harga di masa depan.

• DIEM tidak memiliki mekanisme proteksi nilai sampai jatuh tempo. Di baliknya juga tidak ada jaminan atau aset cadangan; berbeda dengan produk pinjaman dengan jaminan GPU yang akan dibahas di bawah. Memegang DIEM berarti tanpa batas waktu bertaruh bahwa Venice akan terus beroperasi normal bertahun-tahun kemudian; jika platform berhenti menyediakan layanan, pemegang tidak memiliki jaminan kontraktual maupun jalur tuntutan apa pun.

• Hak tagih yang dimiliki DIEM adalah hak inferensi $1 yang didefinisikan sepihak oleh Venice, bukan kuota komputasi tetap dalam jumlah tertentu. Venice secara mandiri menetapkan standar konsumsi token per unit untuk tiap model; standar ini berubah sesuai kondisi pasokan-permintaan. Risiko pemegang tidak hanya berasal dari fluktuasi harga di pasar sekunder, tetapi juga dari adanya ruang diskresi antara platform dan pemegang. Secara teori, ketika biaya model turun, $1 harus menukar lebih banyak komputasi; tetapi pemegang hanya bisa menikmati manfaat itu jika Venice memilih untuk berbagi keuntungan (menyisihkan margin).

Masalah yang lebih dalam adalah: format hak perpetual yang berdenominasi dolar AS seperti DIEM, apakah benar-benar eksposur risiko yang dicari pembeli komputasi inferensi? Atau justru partisipan pasar lebih menyukai utang dengan tenor tetap yang dihitung lewat komputasi atau AI Token (atau gabungan keduanya).

Saat ini, DIEM sebagian besar diperlakukan sebagai aset spekulatif dan tidak benar-benar digunakan untuk memanggil layanan inferensi. Kuota inferensi yang benar-benar dikonsumsi per minggu kurang dari 50% dari total kapasitas yang ditanggung. Materi resmi Venice mendefinisikan DIEM sebagai bukti hak perpetual berbasis volatilitas; mereka membagi pembeli menjadi tiga kelompok: pengguna terminal API, pemegang VVV yang tidak menjual token dan terus menangkap nilai; serta spekulan yang memanfaatkan selisih harga. Dua kelompok terakhir menguasai mayoritas.

Produk paling mendekati di area terpusat adalah paket berskala dari OpenAI (Scale Tier): pengguna mengunci throughput model secara proaktif, membeli dalam periode yang ditetapkan dengan pengukuran per menit dalam AI Token. Namun paket berskala tidak memberi kepemilikan komputasi — kuota terikat ke akun, hanya dapat digunakan di dalam platform OpenAI, dan tidak bisa dipindahtangankan. Kelebihan DIEM justru berlawanan: dapat dipegang dalam jangka panjang, dijual kembali di pasar sekunder, dan bisa digabungkan dengan komponen lain dalam ekosistem inferensi kripto. Instrumen finansial yang lebih ideal mungkin adalah menggabungkan tenor tetap dan kuota berdenominasi komputasi dari Scale Tier, sekaligus mempertahankan kepemilikan dan atribut transferabilitas yang dimiliki DIEM.

Untuk Venice, setiap DIEM yang beredar merepresentasikan kebutuhan platform untuk settlement berkelanjutan sebesar 1 dolar AS atas komputasi yang tidak dapat dijual kembali kepada pelanggan lain; maka itu termasuk liabilitas. Oleh karena itu platform menggunakan pendapatan untuk buyback token, bukan sekadar memberi imbal balik kepada pemegang.

Pada akhirnya, VVV dan DIEM tidak dirancang sebagai instrumen berbasis ekuitas untuk Venice. Keduanya mula-mula dibuat sebagai mekanisme cold start untuk mengakumulasi pengguna platform; kini fondasi nilainya berasal dari hak tagih atas komputasi yang diwakili token. Pemegang VVV dapat mencetak DIEM untuk mendapatkan hak atas layanan inferensi perpetual Venice; seiring platform berkembang dan nilai komputasi meningkat, hak ini juga akan bertambah nilainya. Dari sudut pandang Venice, setiap DIEM yang belum ditebus adalah liabilitas komputasi yang belum diselesaikan (to-be-settled) dan tidak bisa dijual ulang berkali-kali; inilah alasan utama platform menggunakan pendapatan untuk buyback token, bukan karena memberi keistimewaan pada pemegang. Satu pihak memegang hak tagih dan berharap nilai meningkat; pihak lain memikul kewajiban settlement dan ingin menurunkan skala liabilitas. Ikatan kepentingan yang terbentuk antara kedua pihak melalui komputasi Venice (bukan hubungan ekuitas apa pun) menciptakan jalinan sinergi. Ini juga membuat VVV menjadi percobaan yang sangat bernilai untuk dieksplorasi: membangun bisnis inferensi menggunakan mekanisme token berbasis aplikasi.

Tokenisasi pada sisi output inferensi

Venice mewujudkan tokenisasi hak akses inferensi; sedangkan jaringan Proof of Useful Work memfokuskan tokenisasi pada proses produksi inferensi, dan menggunakan subsidi inflasi token untuk mensubsidi biaya penyediaan layanan inferensi. Proof of Work tradisional melakukan cold start jaringan dengan memberikan reward token kepada penambang yang memecahkan puzzle acak; Bitcoin mengandalkan mekanisme ini untuk menjaga keamanan. Tetapi sejumlah besar komputasi hanya dipakai untuk hashing tanpa output yang benar-benar berguna. Proof of Useful Work menggantikan puzzle acak dengan tugas inferensi yang nyata, sehingga aset komputasi yang sama dapat menjaga keamanan blockchain sekaligus menghasilkan layanan AI yang benar-benar ingin dibeli pelanggan.

Pearl dan Ambient adalah dua jalur implementasi yang sudah berjalan saat ini. Kedua desain dasarnya berlawanan.

Pearl

Pearl Network adalah public chain lapisan 1 yang dibangun sebagai fork dari kode Bitcoin; ia mempertahankan model buku besar Bitcoin UTXO dan mekanisme penyesuaian kesulitan, tetapi mengganti algoritma hash SHA-256 dengan perkalian matriks — yakni operasi inti untuk inferensi AI dan pelatihan model. Pernyataan inti Pearl adalah: operasi matriks untuk menyelesaikan permintaan inferensi pengguna dapat sekaligus berfungsi sebagai Proof of Work untuk penambangan.

Operasi dasar yang mendasari pemrosesan prompt oleh model AI pada dasarnya adalah perkalian dua matriks digit besar. Dalam mekanisme Pearl, penambang menambahkan lapisan noise acak ke matriks asli untuk melakukan perturbasi, lalu menjalankan perkalian matriks terhadap matriks yang sudah diperturbasi. Perhitungan perkalian matriks membentuk tugas komputasi intensif yang berpartisipasi dalam kompetisi penambangan seluruh jaringan. Saat menjalankan operasi, sistem terus memverifikasi apakah hasil antara memenuhi ambang kesulitan. Penambang yang pertama memenuhi akan mendapatkan reward blok; logika aturannya konsisten dengan Bitcoin. Bedanya adalah: pekerjaan yang diverifikasi adalah operasi inferensi model yang benar-benar menghasilkan, bukan perhitungan hash tradisional yang tidak bermakna. Setelah operasi matriks selesai, sistem dengan cepat menghapus noise acak yang ditambahkan, mengembalikan hasil inferensi standar yang dibutuhkan pelanggan. Satu kali perhitungan memberikan dua manfaat: menghasilkan output AI sekaligus bersaing untuk memperebutkan reward blok.

Dua desain kunci membuat pola “satu operasi, dua fungsi” ini bisa diimplementasikan. Pertama, Pearl beradaptasi dengan vLLM (software running model yang umum dipakai perusahaan AI) dalam bentuk plugin; penyedia layanan tidak perlu merombak arsitektur yang sudah ada untuk integrasi cepat. Kedua, hasil operasi pemenang perlu diverifikasi terbuka oleh seluruh jaringan; karena itu Pearl menyiapkan pembungkusan data dengan zero-knowledge proofs untuk melindungi prompt pengguna serta bobot model eksklusif penyedia agar tidak bocor. Mekanisme tambahan ini memberi biaya ekstra yang relatif rendah. Pearl mengungkapkan bahwa menjalankan model dengan skema ini menambah beban komputasi 0,5%~10%. Pada uji peluncuran berbasis model open-source arus utama Llama-3.3-70B, versi yang dioptimasi Pearl menampilkan kecepatan yang setara bahkan lebih baik daripada versi asli, karena modul operasi inti yang direkonstruksi tim lebih efisien pada sebagian lingkungan deployment dibanding implementasi standar.

Sebagai salah satu jaringan pertama yang menggabungkan Proof of Work dengan inferensi AI, Pearl pada awal peluncuran mendapat perhatian tinggi dari para penambang; total komputasi seluruh jaringan cepat naik. Namun protokol ini tidak bisa membedakan antara operasi efektif (tugas komputasi yang benar-benar dibutuhkan untuk inferensi permintaan pelanggan) dan operasi tidak efektif. Apa pun ada atau tidaknya pelanggan yang membutuhkan hasil komputasi yang sesuai, operasi itu sendiri akan dinilai sebagai “valid.” Whitepaper Pearl telah mengantisipasi masalah ini; asumsi modelnya memang memuat kelompok penambang yang hanya menjalankan operasi tanpa makna untuk mendapatkan reward blok. Performa pasar setelah peluncuran juga membuktikan hal itu: euforia penambangan awal mendorong komputasi naik tajam, tetapi hampir tidak ada tanda-tanda komputasi tersebut benar-benar mendukung bisnis inferensi nyata.

Namun, makin banyak sinyal yang menunjukkan proyek ini mulai menjalankan bisnis nyata. Perkembangan yang paling patut dicermati adalah, pada bulan Mei, Pearl mengumumkan kerja sama dengan Together.ai, penyedia inferensi dan komputasi teratas, meluncurkan node akses inferensi; harga lebih rendah daripada tarif reguler Together lebih dari 25%. Selisih harga disubsidi oleh reward token Pearl yang dihasilkan dari komputasi yang sama. Intinya, arsitektur “komputasi dua guna” seperti Pearl hanya akan menghasilkan output yang benar-benar efektif jika investasi komputasi didominasi oleh permintaan inferensi berbayar yang nyata. Jika tidak ada demand dari ujung terminal, sekadar reward blok akan hanya menarik penambang spekulatif; pada akhirnya jaringan akan menjadi mekanisme Proof of Work lain yang tidak menghasilkan produksi nyata, mirip dengan Bitcoin.

Ambient

Ambient mengambil pendekatan desain yang sepenuhnya berlawanan dengan Pearl. Tidak seperti Pearl yang mengizinkan penambang menjalankan model apa pun, Ambient mewajibkan seluruh jaringan menggunakan satu model bobot open-source besar yang sama, serta membangun mekanisme konsensus di sekitar verifikasi hasil keluaran model tersebut.

Pearl memakai mode kompetisi “brute force” dengan seluruh penambang berebut menyelesaikan satu teka-teki yang sama; Ambient menggunakan mekanisme lelang. Pengguna atau AI agent mempublikasikan tugas inferensi, menentukan deadline dan penawaran harga. Secara esensial ini setara dengan “dalam X menit selesai inferensi ini, saya akan membayar Y,” lalu penambang ikut bersaing untuk mengakuisisi tugas tersebut melalui bidding. Penambang yang menang menjalankan kueri dengan model yang sama untuk seluruh jaringan dan menyetor jaminan. Jika tidak berhasil menyerahkan hasil tepat waktu, jaminan akan dirampas; dengan itu, jaringan mengikat kualitas layanan dan kecepatan respons penambang.

Sistem kemudian secara acak memilih sekelompok validator untuk memverifikasi hasil. Prioritas verifikasi berdasarkan catatan useful work valid sebelumnya yang diberi bobot, bukan berdasarkan ukuran aset yang dipertaruhkan. Penambang memproses banyak tugas berbeda secara paralel, bukan seluruh jaringan berebut satu blok tunggal; sehingga jaringan dapat menghindari bottleneck performa yang umum pada Proof of Work tradisional. Proyek ini dikembangkan dengan fork dari kode Solana; mekanisme useful work menggantikan konsensus staking, dengan tujuan mendekati kecepatan eksekusi Solana.

Ambient adalah penyedia di platform OpenRouter dengan harga token input dan output Kimi K2.7 yang berada di peringkat kedua terendah.

Mekanisme lelang juga menjadi alasan kunci mengapa Ambient bisa membuat harga inferensi menjadi kompetitif. Penyedia layanan API biasa perlu bergantung pada biaya yang dibayar pengguna untuk menutup seluruh biaya layanannya untuk satu permintaan. Sementara penambang Ambient yang menyelesaikan workload yang setara bisa memperoleh dua jenis pendapatan: pertama, biaya yang dibayar oleh pengguna atau agen yang mengirimkan kueri; kedua, reward yang diberikan protokol untuk useful work yang sudah diverifikasi. Karena penambang melakukan bidding pada tugas-tugas dengan harga dan indikator keterlambatan yang jelas, penawaran mereka akan berpatokan pada biaya bersih setelah dikurangi reward token yang diperkirakan, bukan pada total biaya sebelum dipotong reward. Secara substansi, subsidi inflasi token diberikan pada sisi suplai; sementara mekanisme lelang menyalurkan sebagian besar subsidi ke sisi demand, yang tercermin sebagai harga layanan inferensi yang lebih murah. Perbedaan terpentingnya dari subsidi mining biasa adalah: reward terikat pada tugas nyata yang dipublikasikan dan dibayar oleh seseorang. Jika mekanisme ini berjalan mulus, penerbitan token baru tidak lagi sekadar dipakai untuk membeli komputasi; tetapi untuk membeli layanan inferensi dengan harga lebih rendah dan hasil yang bisa diverifikasi. Hal ini menarik lebih banyak pengguna untuk memakai layanan, memberi lebih banyak volume bisnis bagi penambang, dan semakin menguatkan basis kebutuhan akan token jaringan.

Mekanisme lelang ini juga—menurut klaim Ambient—menjadi solusi atas masalah yang tidak bisa dituntaskan Pearl. Di jaringan Pearl, apa pun apakah ada pelanggan yang membutuhkan hasil perhitungan, penambang hanya perlu menjalankan perkalian matriks untuk mendapat reward blok; inilah akar mengapa jaringan dipenuhi komputasi yang tidak menanggung kebutuhan nyata. Dalam ekosistem Ambient, penambang hanya bisa mendapatkan token Ambient (belum diterbitkan) jika memenangkan tugas yang diajukan dan dibayar oleh orang lain; desain mekanisme di akar memadukan perilaku mining dan penerimaan tugas inferensi yang nyata.

Ambient juga menggunakan pendekatan unik pada lapisan verifikasi hasil inferensi. Jika penambang mengklaim telah menggunakan model yang disepakati untuk menyelesaikan kueri, bagaimana pengguna memastikan bahwa penambang tidak diam-diam mengganti dengan model yang lebih murah dan kualitasnya lebih buruk demi menekan biaya? Bahkan layanan terpusat pun saat ini memiliki risiko seperti itu; banyak institusi telah dituduh diam-diam menurunkan kualitas output model untuk menekan biaya. Solusi Ambient bertumpu pada karakteristik eksekusi dasar large language model: saat model menghasilkan teks, setiap langkah selalu mengeluarkan logits — yakni nilai mentah skor untuk semua kandidat kata sebelum memilih kata berikutnya. Aliran data skor ini setara dengan “sidik jari” proses komputasi model; skor tersebut dapat di-hash menjadi angka singkat untuk keperluan pembandingan dan verifikasi.

Untuk penambang yang menghasilkan ribuan Token output teks, node verifikasi tidak perlu menjalankan ulang seluruh tugas secara lengkap. Validator akan secara acak memilih satu titik pada teks; lalu meminta penambang memberikan “sidik jari” operasi yang sesuai di titik tersebut. Setelah itu, validator hanya menjalankan satu putaran model pada titik itu untuk menghasilkan satu Token, lalu membandingkan apakah sidik jari kedua hasil tersebut identik. Dengan hanya satu kali komputasi, verifikasi bisa memastikan hasil penuh dari ribuan Token. Logika ini mirip dengan Bitcoin: biaya untuk menghasilkan pekerjaan tinggi, tetapi biaya untuk memverifikasi pekerjaan sangat rendah. Ambient mengklaim skema ini bisa membatasi biaya verifikasi tambahan pada kisaran 0,1%; sementara dibandingkan, zero-knowledge proof yang digunakan proyek lain umumnya menambah overhead 10 hingga 1000 kali.

Seberapa besar nilai Proof of Useful Work?

Perbedaan inti proyek semacam ini dengan jaringan komputasi terdesentralisasi lainnya adalah: tugas yang menjaga keamanan blockchain justru merupakan bisnis inferensi yang benar-benar dibutuhkan pelanggan. Jika mekanisme berjalan mulus, satu alokasi energi menghasilkan sekaligus keamanan jaringan dan produk yang bisa dijual ke pihak luar. Bagi penyedia layanan komputasi, mining menjadi sumber pendapatan kedua dari perangkat keras yang sudah ada; sekaligus hasil komputasinya dapat diverifikasi. Saat AI agen membeli layanan inferensi, mereka tidak perlu hanya percaya bahwa penyedia tidak akan menurunkan kualitas model atau menghentikan layanan secara sepihak.

Jika kekurangan demand terminal yang nyata, reward blok saja cukup untuk menarik penambang masuk; keseluruhan jaringan PoW akan dipenuhi komputasi menganggur tanpa pelanggan yang benar-benar dihubungkan, sehingga hanya punya “kulit” useful work tanpa output yang substansial.

Selain berbagai tantangan teknis, ada dua penghalang besar untuk mewujudkan visi di atas. Pertama adalah persaingan di sisi permintaan. Jaringan inferensi terdesentralisasi harus menghadapi kompetisi dari layanan terpusat dan bisnis sewa GPU murni. Dua pihak terakhir tidak perlu terikat pada token kripto dan biasanya bisa berjalan lebih cepat serta menawarkan harga lebih rendah. Agar bisa menembus persaingan, jalur terdesentralisasi harus memegang satu tipe pembeli tertentu: mereka yang mengejar ambang kepercayaan minimal, hasil yang bisa diverifikasi, bersifat tahan sensor, dan tidak punya risiko platform tutup sepihak. Ukuran demand yang bersedia membayar premi seperti itu masih terbatas; namun di masa depan ada potensi ekspansi cepat: asalkan proyek terus menyediakan layanan inferensi dengan rasio nilai-biaya yang stabil, atau kepercayaan terhadap penyedia layanan AI terpusat terus menurun. Perjalanan peluncuran Pearl adalah contoh peringatan: tanpa demand nyata yang cukup, mengandalkan reward blok saja hanya menarik penambang spekulatif; jaringan menumpuk banyak komputasi yang tidak didukung pelanggan nyata, sehingga useful work hanya menjadi “sekadar formalitas”.

Penghalang kedua adalah mekanisme penangkapan nilai token. Setiap proyek menggambarkan roda pertumbuhan: penggunaan bisnis nyata mendorong kebutuhan terhadap token kripto native; permintaan token mendukung reward mining, menjaga keamanan jaringan; keamanan jaringan makin menarik penggunaan bisnis. Namun hingga kini belum ada proyek yang benar-benar menjalankan closed loop itu. Setelah mining menghasilkan token, penambang biasanya menjual token untuk menutup biaya operasional; sementara di sisi demand tidak ada mekanisme wajib membeli token. Saat pengguna memakai layanan inferensi dalam skala besar, memanggil bukti verifikasi, dan menggunakan produk inti, kebanyakan dari mereka tidak perlu memegang token kripto. Pengguna dapat membayar biaya inferensi Pearl menggunakan dolar. Proyek berencana masa depan meluncurkan pasar perdagangan pertukaran token menjadi komputasi; ini juga secara tidak langsung mengakui bahwa closed loop saat ini belum matang. Ambient menunda pengungkapan rencana ekonomi token; belum jelas apakah layanan inferensi akan diberi harga dengan token native. Pada akhirnya kondisi saat ini adalah: token terutama berasal dari mining lalu segera dilempar ke pasar untuk jadi uang; bukan dikonsumsi nyata oleh skenario bisnis.

Jalur paling layak untuk jaringan ini adalah menjadikan token native sebagai payment channel lapisan bawah untuk layanan inferensi; ini adalah cara paling langsung untuk menutup value loop. Ditambah dengan keuntungan harga dari subsidi inflasi token, strategi ini memiliki daya tarik kuat. Harga inferensi yang lebih rendah menarik traffic nyata; jika layanan harus diselesaikan menggunakan token native, volume bisnis akan berubah menjadi kebutuhan token yang “benar-benar wajib.” Tetapi agar flywheel berjalan searah, ada prasyarat: kebiasaan pengguna harus terus tersimpan; seiring subsidi berkurang, kebutuhan token yang lahir secara natural dari pengguna akhirnya bisa melampaui tekanan penjualan dari mining.

Jalur pendanaan perangkat keras inferensi AI

Venice tokenisasi hak akses inferensi, Pearl dan Ambient tokenisasi proses produksi inferensi; sementara pada lapisan yang lebih dasar dari ketiganya, sebuah pasar on-chain yang benar-benar baru sedang muncul, khusus untuk menyediakan pembiayaan bagi GPU yang menanggung bisnis inferensi. Pola yang dijelaskan dalam bab ini paling menunjukkan keunggulan teknologi kripto; kunci agar skema ini bisa berjalan lancar adalah: proyek tidak menerbitkan token baru, dan tidak perlu membangun permintaan untuk cold start token. Platform menyerap dana reguler melalui aset perangkat keras, mengubah setoran stablecoin menjadi pinjaman pembelian untuk operator komputasi, lalu menggunakan cashflow sewa GPU untuk melunasi simpanan pengguna beserta pokok dan bunganya.

Operator komputasi utama sudah memperoleh pembiayaan lewat credit line bank, asset securitization, private credit, dan sebagainya, dengan mengandalkan kumpulan komputasi untuk pendanaan. Contoh khas adalah pinjaman berbasis jaminan GPU skala puluhan ratus juta dolar dari CoreWeave. Namun pembiayaan untuk perusahaan cloud vertikal AI menengah-kecil lebih sulit: mereka punya aset perangkat keras dan kontrak pendapatan sewa yang stabil sebagai prasyarat pinjaman, tetapi kekurangan neraca yang matang, tim manajemen dana, serta sumber daya lembaga kredit untuk mendapatkan pembiayaan dengan cepat. USD.AI justru menyediakan layanan pinjaman untuk pihak seperti itu. Pengguna yang menyetor dana menyediakan modal pinjaman; pendapatan sewa GPU digunakan untuk membayar utang; bunga yang dihasilkan dikembalikan sebagai imbal hasil kepada penyimpan. Dibanding bank tradisional, mode ini memiliki tiga keunggulan yang sulit ditiru:

• Sisi penyediaan dana terbuka untuk semua pemegang stablecoin, bukan hanya untuk dana kredit tertutup yang terbatas.

• Setiap pinjaman menjadi instrumen keuangan on-chain yang dapat dikomposisikan, mendukung staking, perdagangan, atau menjadi aset yang dapat dijaminkan di protokol lain.

• Hak atas aset yang dijaminkan diakui dan dicatat di chain; fondasinya juga didukung oleh kerangka hukum tradisional yang matang untuk menjamin hak penagihan kembali.

USD.AI menggunakan mekanisme dua token. Pengguna penyimpan dapat mencetak USDai — yaitu stablecoin dolar sintetis yang didukung oleh PYUSD yang diterbitkan oleh PayPal (dan PYUSD sendiri didukung oleh surat berharga treasury AS jangka pendek serta cadangan kas). USDai tidak menghasilkan imbal hasil; desain awalnya untuk menjaga likuiditas dan sifat komposibilitas yang tinggi. Jika pengguna penyimpan ingin mendapatkan imbal hasil, mereka bisa menstakingskan USDai untuk mengonversinya menjadi sUSDai; saat posisi staking menghasilkan imbal hasil, nilainya akan ikut terakumulasi. Sumber imbal hasil terbagi menjadi dua bagian: bunga yang dibayar oleh peminjam GPU untuk pinjaman yang masih berjalan, dan imbal hasil surat utang (treasury) dari aset cadangan yang menganggur sebelum dana dipakai. Saat ini skala penyaluran pinjaman sekitar setengah dari total cadangan, dan tingkat imbal hasil annualized atas staking berada di kisaran 8%; seiring lebih banyak dana selesai dipakai (deployed), target kisaran imbal hasil protokol adalah 10%~15%.

Kesulitan inti dalam pinjaman jaminan GPU fisik adalah eksekusi paksa atas klaim jika peminjam gagal bayar (default). USD.AI menyatakan akan menangani proses terkait melalui sistem CALIBER; nama ini adalah akronim dari “Collateralized Asset Ledger: Insurance, Bailment, Evaluation, and Redemption.” Dalam kerangka ini, GPU yang dibiayai akan menyelesaikan arsip informasi dan ditokenisasikan menjadi ERC-721 standar NFT. USD.AI menyebut NFT ini memiliki kekuatan sebagai bukti kepemilikan yang sah berdasarkan Pasal 7 dari Uniform Commercial Code. Dengan bantuan perjanjian bailment (penitipan), peminjam tetap dapat menggunakan perangkat keras tersebut, sementara NFT terkait dijaminkan untuk staking. Ikatan antara token dan perangkat keras fisik tidak otomatis berlaku; dan tidak bisa hanya dicapai lewat implementasi teknis. Seluruh hubungan tersebut bertumpu pada dokumen arsip tertulis, pemeriksaan di tempat, bukti instalasi perangkat, polis asuransi, pemantauan berkelanjutan atas aset jaminan, dokumen hak retensi (lien), serta kerja sama pihak pusat data atau pihak kustodian aset. Jika terjadi default, lelang on-chain hanya dapat memindahkan klaim hukum (liabilitas kreditor), sementara penarikan kembali aset fisik tetap memerlukan dukungan sistem hukum dan operasional off-chain. Kerangka ini belum diuji melalui siklus penuh penanganan aset bermasalah; keandalan jangka panjang masih perlu dibuktikan.

Adanya mismatch jatuh tempo alami antara token likuid yang dihubungkan dengan pinjaman amortisasi tiga tahun menciptakan masalah tenor mismatch aset-liabilitas. Banyak protokol kredit RWA menutupi risiko ini dengan opsi penebusan segera yang bersifat janji, tetapi di fase pasar menekan, protokol seperti ini mudah meledak. Peristiwa de-peg USD0++ adalah contoh khas. USD.AI tidak menjanjikan penebusan segera. Permohonan penebusan akan diproses dengan siklus settlement 30 hari, hanya menggunakan pokok yang sudah ter-amortisasi untuk ditunaikan pada periode tersebut, serta mengikuti prinsip FIFO; protokol tidak akan menangani aset pinjaman yang normal beritikad baik untuk memenuhi kebutuhan penarikan pengguna. Lapisan protokol meniru mekanisme Flashbots MEV-Boost dengan mengenalkan antrian penebusan berbasis lelang; pengguna yang ingin ditebus lebih dulu bisa menawar untuk mengantre lebih cepat, dan biaya terkait akan dibagikan kepada pemegang yang memilih untuk menunggu dalam antrian. Desain ketentuan pinjaman mirip dengan sekuritas pendukung pinjaman properti komersial (CMBS): loan-to-value 70%~80%; peminjam harus menyimpan cadangan yang dapat menutup pembayaran pokok dan bunga sekitar tiga bulan; jika terjadi keterlambatan pembayaran, aset akan dirampas; asuransi untuk perangkat keras, pemantauan berkelanjutan, dan pengembalian aset dapat dilakukan lewat lembaga kerja sama profesional.

Alasan laporan ini memasukkan USD.AI adalah karena ia menutup business closed loop dengan lapisan penetapan harga. Lembaga pemberi pinjaman yang membiayai GPU membutuhkan standar rujukan nilai pasar yang wajar: berapa pendapatan yang bisa dihasilkan perangkat keras, kecepatan depresiasi, keamanan rasio pinjaman, serta bagaimana eksposur risiko dapat di-hedge. Indeks harga komputasi dan futures GPU secara kebetulan menyediakan benchmark penetapan harga seperti itu; sementara bisnis pinjaman jaminan GPU memberi pasar harga eksposur risiko kredit yang nyata, sehingga harga menjadi memiliki nilai finansial aktual. Secara singkat, pasar penetapan harga menyediakan dasar valuasi perangkat keras untuk pemberi pinjaman.

Berbagai risiko sudah jelas terlihat; tingkat imbal hasil yang tinggi itu sendiri adalah penetapan harga atas risiko oleh pasar. Apakah seluruh arsitektur bisnis dapat bertahan tergantung pada apakah tingkat sewa GPU cukup untuk menutup pokok dan bunga pinjaman — dan ini adalah variabel permintaan yang melintasi seluruh laporan, yang di sini diwujudkan sebagai risiko kredit. Jika permintaan inferensi melemah, atau jika pasokan GPU melimpah dan sewa turun, arus kas peminjam akan terus menyempit, sehingga tingkat gagal bayar meningkat; pada saat protokol perlu melakukan likuidasi jaminan, nilai perangkat keras juga turun bersamaan. Pinjaman USD.AI menjalani amortisasi dengan siklus tiga tahun yang mencerminkan umur penggunaan perangkat keras yang dinyatakan 7 tahun, sehingga menyediakan buffer keamanan; tetapi jika siklus iterasi perangkat keras dipercepat, margin keamanan akan menyempit. Karena mode ini mengandalkan penggalangan dana dari pasar kripto untuk menginvestasikan belanja modal AI, ketika industri turun, nilai jaminan, kebutuhan bisnis peminjam, dan kesediaan kontribusi penyimpan akan mengalami tekanan yang sama. Korelasi setinggi ini adalah poin risiko yang perlu menjadi perhatian utama.

Ada dua contoh proyek yang relevan untuk dijadikan referensi. Maple Finance membuktikan: ketika kemampuan risk control kredit yang profesional dibungkus menjadi aset收益 token yang likuid dan komposibel, bisnis kredit on-chain dapat melakukan ekspansi skala. Validasi model bisnisnya menunjukkan pengguna DeFi bersedia berinvestasi pada aset kredit privat yang dikelola institusi, melalui tokenisasi piutang. USD.AI menggunakan wadah distribusi yang mirip, tetapi underlying-nya adalah aset fisik GPU yang kurang likuid dan terus mengalami depresiasi, bukan aset kripto yang lebih likuid atau kredit institusional yang tenor-nya lebih pendek. OnRe menerapkan wadah serupa ke pasar fisik lain yang lebih tinggi hambatan masuknya: reasuransi. Pengguna dapat meminjam melalui aset dolar yang dapat dikomposisikan, untuk menghasilkan cashflow dari gabungan pendapatan premi dan aset jaminan. Kesamaan pada kasus-kasus tersebut adalah kemampuan distribusi kanal. Kanal dasar kripto memperluas akses investor ritel biasa ke pasar private, tetapi tidak mengurangi risiko yang inheren pada aset dasar.

Kesimpulan

Pada tahap ini, baik pasar modal inferensi on-chain maupun off-chain masih sangat kecil dibandingkan skala pertumbuhan total industri kecerdasan buatan. Agar layanan terkait on-chain dapat berkembang secara massal (skala), layanan tersebut harus membuktikan bahwa keuntungan yang diberikannya bersifat berkelanjutan dan memiliki daya hidup jangka panjang.

Keuntungan jalur ini sangat jelas. Tokenisasi hak akses (Venice) mengubah hak tagih layanan inferensi menjadi aset tanpa nama (bearer asset). Pemegang bisa memegang, menjual kembali, menyewakan, atau menyerahkan hak akses ini kepada AI agen untuk dipanggil; berbeda dari kuota langganan yang terikat ke akun tunggal dan bisa dicabut sepihak oleh penyedia. Proof of Useful Work (Pearl, Ambient) menggunakan subsidi penerbitan token untuk membuat harga inferensi berada di bawah harga pasar rata-rata, sekaligus membuat hasil bisa diverifikasi; pembeli tidak perlu sekadar percaya bahwa penyedia tidak akan mengganti model berbiaya lebih rendah dengan kualitas lebih buruk secara sepihak. Bisnis pembiayaan perangkat keras (USD.AI) mengubah aset kredit GPU yang kekurangan likuiditas menjadi instrumen keuangan yang komposibel; semua pemegang stablecoin dapat berpartisipasi dalam penyaluran dan penebusan, dengan efisiensi yang lebih tinggi daripada industri kredit tradisional. Ketiga jenis skema di atas memiliki karakteristik yang sama di lapisan dasarnya: tanpa izin (permissionless), dapat diprogram. Hal ini sangat pas dengan kelompok AI agen yang kemungkinan besar akan menjadi pendorong utama kebutuhan pasar modal inferensi on-chain di masa depan. Nilai teknologi kripto terutama penting dalam skenario yang membutuhkan jaminan kepemilikan, kenetralan, komposibilitas, serta kanal dana yang lebih inklusif.

Hambatan implementasi jalur ini tidak bisa dianggap enteng. Saat ini belum ada proyek yang bisa mengubah kebutuhan konsumsi komputasi yang nyata menjadi kebutuhan mendasar (justifiable demand) yang wajib dipenuhi oleh token kripto yang sesuai. Jaringan yang menghasilkan komputasi terus mencetak token dan lalu menjualnya, sementara layanan inferensi yang disubsidi inflasi token tetap berada di bawah harga pasar. Setelah token diterbitkan, token tersebut hampir segera masuk ke pasar untuk menghasilkan likuiditas. Perdagangan hak akses tokenized lebih banyak berkisar pada spekulasi atas ekspektasi perkembangan proyek; pemegang DIEM sebagian besar adalah spekulan. Harganya pada dasarnya adalah taruhannya terhadap prospek perkembangan Venice, bukan nilai penggunaan komputasi. Jalur pembiayaan termasuk pengecualian dan merupakan satu-satunya segmen yang punya pelanggan industri nyata: berbagai cloud vertikal AI memiliki kebutuhan pembiayaan, serta memiliki cashflow sewa yang dapat dipakai untuk membayar kembali utang; sumber pendapatannya berasal dari kebutuhan bisnis nyata, bukan dari menarik perhatian lewat penerbitan token. Secara keseluruhan, kemampuan sistem keuangan saat ini dalam menyerap modal spekulatif jauh lebih kuat daripada kemampuannya membangun ekosistem yang mandiri (self-sustaining) yang bergantung pada kebutuhan penggunaan nyata.

Dalam gelombang ekspansi industri AI yang sedang menggebu-gebu ini, kompetisi inti pasar modal inferensi on-chain bukanlah bertanding langsung pada area yang paling dikuasai raksasa terpusat — yaitu penyediaan layanan inferensi skala besar dengan biaya rendah. Peluanggannya ada pada pembangunan kanal modal yang tidak sanggup dijangkau oleh keuangan tradisional, yang responsnya lambat, dan yang skalanya terbatas, serta respons terhadap pasar baru yang muncul. Ini juga merupakan pola perkembangan yang berulang kali terbukti dalam industri kripto: sektor kripto jarang mengalahkan secara langsung di level produk terminal, platform perdagangan, model besar, atau aplikasi; tetapi biasanya justru paling cepat membangun infrastruktur finansial pendukung, mencakup penetapan harga aset, pemecahan aset terfragmentasi, pembiayaan, settlement, dan lain-lain.

Komputasi inferensi adalah contoh terbaru dengan potensi skala paling besar. Kategori aset dengan skala hingga beberapa triliun dolar AS sedang cepat terbentuk, namun sampai saat ini nyaris tidak ada sistem pasar lengkap yang memperlakukan komputasi sebagai aset finansial (indeks, futures, kredit, dan tokenisasi kuota komputasi). Kekosongan ini menyimpan peluang besar. Bisnis pembiayaan yang saat ini dapat dijalankan dengan baik merupakan karena ia adalah bagian pertama dalam keseluruhan sistem yang benar-benar mendarat pada kebutuhan nyata; sementara bagian ekosistem lainnya bertaruh pada: seiring komputasi terus difinasialkan, keunggulan unik ini akan meluas ke lapisan upstream s