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 anfitriões da CryptoSlate para explicar por que razão as redes de infraestrutura física descentralizada (DePIN) estão a ultrapassar experiências nicho — e por que razão a XYO construiu uma Layer-1 especificamente destinada a 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 isso como uma meta ambiciosa — mas uma meta que acredita corresponder ao rumo para onde a categoria está a caminho.

A tese das DePIN — “todos os cantos do mundo”

Levin enquadrou as DePIN como uma mudança estrutural na forma como os mercados coordenam infraestruturas físicas, apontando para expectativas de rápido crescimento para o setor. Ele citou uma projeção do World Economic Forum de que as DePIN podem expandir-se de cerca das dezenas de milhares de milhões de hoje para triliões até 2028.

Para a XYO, a escala não é hipotética. Um dos anfitriões notou que a rede cresceu “com mais de 10 milhões de nós”, preparando o terreno para uma conversa menos focada 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 IA: o problema dos dados, não apenas a computação

Questionado sobre deepfakes e o colapso da confiança na media, Levin argumentou que o gargalo da IA não é apenas a computação — é a proveniência. “Enquanto as DePIN, o que é possível fazer é poder, uh, provar de onde vêm os dados”, disse ele, descrevendo um modelo em que os dados podem ser verificados ponta a ponta, acompanhados até pipelines de treino e consultados quando os sistemas precisam de verdade factual.

Na sua visão, a proveniência cria um ciclo de feedback: se um modelo é acusado de alucinar, pode verificar se a entrada subjacente tem origem verificável — ou pedir novos dados específicos a uma rede descentralizada em vez de fazer scraping de fontes pouco fiáveis.

Por que razão 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 foi construída mesmo para dados.”

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

Onboarding COIN: transformar utilizadores não-cripto em nós

Um fator-chave de crescimento tem sido a app COIN, que Levin descreveu como uma forma de transformar telemóveis em nós da rede 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 encaminha os utilizadores para infraestruturas cripto ao longo do tempo.

Modelo dual de token: alinhar incentivos com XL1

Levin disse que o sistema de tokens duplos foi concebido para separar recompensas e segurança do ecossistema dos custos de atividade na cadeia. “Estamos extremamente entusiasmados com este sistema de tokens duplos”, 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: cobrar infraestruturas e dados POI de qualidade de mapeamento

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

Ele também descreveu um caso de uso separado de prova de localização envolvendo conjuntos de dados de point-of-interest (horas, fotografias, informação de local), afirmando que um importante parceiro de geolocalização encontrou problemas no próprio conjunto de dados “em 60% dos casos”, enquanto os dados obtidos a partir da XYO eram “99,9% corretos”, permitindo 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 estar menos em modelos mais rápidos — e mais em pipelines de dados verificáveis ancorados no mundo real.