XYO’s Markus Levin: Por que uma L1 nativa de dados poderia tornar-se a espinha dorsal do “prova de origem” da IA

No episódio mais recente do SlateCast, o cofundador da XYO, Markus Levin, juntou-se aos apresentadores da CryptoSlate para explicar por que é que as redes de infraestruturas físicas descentralizadas (DePIN) estão a passar de experiências de nicho—e por que a XYO construiu uma Layer-1 feita à medida para lidar com o tipo de dados que a IA e as aplicações do mundo real exigem cada vez mais.

A ambição de Levin para a rede é direta: “Primeiro, acho que a XYO vai ter oito mil milhões de nós”, disse ele, referindo-se a uma meta ambiciosa—mas uma que acredita corresponder ao rumo que a categoria está a tomar.

A tese das “todas as esquinas do mundo” da DePIN

Levin enquadrou a DePIN como uma mudança estrutural na forma como os mercados coordenam infraestruturas físicas, apontando para expectativas de crescimento rápido para o setor. Ele citou uma projeção do Fórum Económico Mundial de que a DePIN poderia expandir-se de cerca das dezenas de mil milhões de hoje para biliões até 2028.

Para a XYO, a escala não é hipotética. Um dos apresentadores notou que a rede cresceu “com mais de 10 milhões de nós”, preparando o terreno para uma conversa focada menos no “e se” e mais no que se quebra quando o volume de dados do mundo real se torna o produto.

Prova de origem para a IA: o problema dos dados, não apenas a computação

Quando questionado sobre deepfakes e o colapso da confiança na comunicação social, Levin argumentou que o gargalo da IA não é apenas a computação—é a proveniência. “Enquanto na DePIN, o que podes fazer é poder, uh, provar de onde vêm os dados”, disse ele, delineando um modelo em que os dados podem ser verificados ponta a ponta, rastreados para pipelines de treino e consultados quando os sistemas precisam de uma verdade subjacente.

Na sua perspetiva, a proveniência cria um ciclo de feedback: se um modelo for acusado de alucinar, pode verificar se a entrada subjacente tem uma origem verificavelmente estabelecida—ou solicitar dados novos e específicos a uma rede descentralizada, em vez de fazer scraping de fontes pouco fiáveis.

Por que uma Layer-1 nativa de dados é importante

A XYO passou anos a tentar não construir uma cadeia, disse Levin—operando como middleware entre sinais do mundo real e contratos inteligentes. Mas “ninguém a construiu”, e o volume de dados da rede tornou a questão inevitável.

Ele explicou o objetivo do design de forma simples: “A blockchain não pode inchar… e está apenas feita para dados, verdadeiramente.”

A abordagem da XYO centra-se em mecanismos como Proof of Perfect e em restrições do tipo “lookback”, destinados a manter os requisitos dos nós leves, mesmo à medida que os conjuntos de dados crescem.

Onboarding de COIN: transformar utilizadores não-cripto em nós

Um dos principais motores de crescimento tem sido a app COIN, que Levin descreveu como uma forma de transformar telemóveis em nós de rede da XYO.

Em vez de empurrar os utilizadores para uma volatilidade imediata do token, a app usa pontos indexados ao dólar e opções de resgate mais amplas—e depois faz a ponte para os utilizadores nas rails de cripto ao longo do tempo.

Modelo dual de token: alinhar incentivos com XL1

Levin disse que o sistema dual de tokens é concebido para separar as recompensas/segurança do ecossistema dos custos de atividade na cadeia. “Estamos extremamente entusiasmados com este sistema dual de tokens”, disse ele, descrevendo $XYO como o ativo externo de staking/governação/segurança e $XL1 como o token interno de gas/transações usado na XYO Layer One.

Parceiros do mundo real: infraestruturas de carregamento e dados de POI com nível de mapeamento

Levin apontou para novas parcerias como um “empurrão” inicial de killer app dentro do ecossistema DePIN mais amplo, citando um acordo com a Piggycell—a grande rede sul-coreana de carregamento que precisa de prova de localização e planeia tokenizar dados na XYO Layer One.

Ele também descreveu um caso de uso separado de prova de localização envolvendo conjuntos de dados de pontos de interesse (horas, fotos, informação do local), afirmando que um grande parceiro de geolocalização encontrou problemas no próprio conjunto de dados “em 60% dos casos”, enquanto os dados obtidos a partir da XYO estavam “99,9% corretos”, possibilitando mapeamento a jusante para grandes empresas.

No conjunto, a mensagem de Levin foi consistente: se a IA e as RWAs precisam de entradas fiáveis, a próxima fronteira competitiva pode ter menos a ver com modelos mais rápidos—e mais com pipelines de dados verificáveis ancorados no mundo real.