Prospek AI Terdesentralisasi 2026: Mengapa Blockchain adalah Solusi Esensial untuk AI

Penulis: Pink Brains

Diterjemahkan oleh AididiaoJP, Foresight News

Keberadaan AI terdesentralisasi disebabkan oleh bottleneck struktural pada AI terpusat, yang tidak dapat diatasi dengan modal dan kode:

• Sumber daya komputasi langka dan mahal
• Konsentrasi kekuasaan yang berlebihan
• Output model tidak dapat diverifikasi
• Pengambilan data pelatihan semakin sulit

Sumber daya komputasi langka dan mahal

Infrastruktur GPU diperkirakan akan tumbuh dari $10 miliar pada tahun 2025 menjadi $77 miliar pada tahun 2035. GPU pusat data telah berada dalam kondisi habis terjual selama beberapa bulan berturut-turut. Pasar komputasi terdesentralisasi diperkirakan akan tumbuh dari $9 miliar pada tahun 2024 menjadi $22 miliar pada tahun 2035 (data dari Research and Markets). Angka ini hanya valid jika Anda percaya bahwa kelangkaan ini bersifat struktural, bukan siklus—dan kami percaya bahwa memang bersifat struktural.

Konsentrasi kekuasaan yang berlebihan

ChatGPT, Gemini, Grok, dan Claude semuanya dimiliki dan dioperasikan oleh beberapa perusahaan swasta saja. Kebijakan AI saat ini mengasumsikan bahwa hanya sedikit entitas yang mampu mengumpulkan sumber daya komputasi masif yang dapat melatih sistem canggih. Setelah asumsi ini dipecahkan, siapa yang dapat membangun kecerdasan mutakhir akan berubah secara radikal.

Hasil tidak dapat diverifikasi

Saat model membuat keputusan, pengguna tidak dapat memverifikasi apakah model yang benar dijalankan, perhitungan dilakukan dengan benar, atau data sensitif bocor. Hal ini masih dapat ditoleransi untuk chatbot, tetapi tidak dapat diterima sama sekali ketika AI menangani pinjaman, perawatan kesehatan, atau agen otonom yang mengoperasikan dompet real-time.

Pengumpulan data pelatihan semakin sulit karena kekhawatiran privasi dan regulasi

Sebuah crawler terpusat yang berada di satu wilayah AWS akan segera mengalami pembatasan kecepatan, pemblokiran geografis, atau diberi cache yang terkontaminasi. Seperti yang disebutkan a16z dalam prospek 2026, privasi sedang menjadi "moat terpenting di bidang kripto".

AI membutuhkan blockchain agar kecerdasan menjadi terbuka, dapat diverifikasi, dan ekonomis.

• Lapisan aplikasi dan layanan: AI agent dapat melakukan banyak hal, tetapi di bidang kripto, dua kasus penggunaan utama saat ini adalah Agentic Finance dan Agentic Payments.
• Lapisan middleware: organisasi yang terhubung—dari kerangka kerja pembuatan dan identifikasi agen, pasar agen, hingga lapisan koordinasi
• Lapisan infrastruktur: Sumber daya dasar AI—lapisan privasi dan verifikasi, komputasi, inferensi, pelatihan, data, dan penyimpanan

Agent Finance mengubah petunjuk bahasa alami menjadi tindakan on-chain.

ARMA agent dari @gizatechxyz telah menangani volume agen lebih dari $4,6 miliar di pasar pinjaman terpilih—berjalan blok demi blok, non-custodial, di kerangka kerja EigenLayer AVS.

@Infinit_Labs menjalankan kluster yang terdiri dari lebih dari 20 agen profesional, yang mampu mengubah niat seperti "menghasilkan $1000 per bulan dengan 1 BTC" menjadi strategi satu-klik di Ethereum, Solana, dan Base.

@coinvestai oleh Liquid akan menjalankan eksekusi real-time langsung di ChatGPT dan Claude, mendukung perdagangan di 500+ pasar melalui Model Context Protocol.

@minara terintegrasi dengan Hyperliquid dan baru saja bergabung dengan Lighter. Platform ini menjalankan siklus perdagangan lengkap 'analisis → keputusan → eksekusi' melalui model DMind dan 50+ integrasi.

@Cod3xOrg: Jaringan yang terdiri dari agen AI ringan yang mengubah niat menjadi transaksi on-chain yang dibangun dan dieksekusi.

@Zyfai_: Sebuah agen DeFAI yang di-host sendiri, yang dapat mengotomatisasi dan mengoptimalkan yield farming, serta secara terus-menerus menyeimbangkan kembali modal lintas protokol untuk mengejar APY yang disesuaikan risiko, tanpa intervensi manusia.

Dalam bidang pasar prediksi, @SynthdataCo adalah subnetwork Bittensor yang menjalankan jaringan cerdas keuangan prediksi terdesentralisasi. Para penambang bersaing dalam memodelkan ketidakpastian harga jangka pendek. Platform ini sudah menyediakan data real-time untuk produk seperti Mode AI Quant dari pasar kripto Kalshi.

Seperti internet menjadi lapisan komunikasi untuk ekonomi digital, blockchain dan stablecoin sedang menjadi lapisan penyelesaian untuk pembayaran agen.

Hingga Mei 2026, x402 telah memproses lebih dari 173 juta transaksi di Base dan Solana, dengan anggota x402 Foundation mencakup Google, Visa, AWS, Circle, Anthropic, Stripe, dan Cloudflare. Stripe mulai menggunakannya sejak Februari 2026; AWS meluncurkan AgentCore Payments asli.

Aktivitas pembeli dan penjual sedang meningkat, dengan sebagian besar transaksi terkait penggunaan bayar-per-pakai yang nyata: pemanggilan API, layanan inferensi AI, agen bisnis, dan beban kerja serupa. Siklus hiruk-pikuk awal telah mereda, tetapi daya tarik dasar mulai menyusul.

Sementara itu, Machine Payments Protocol dari Stripe dan Tempo muncul sebagai jalur kedua, mencatat lebih dari 411.900 transaksi dan 9.600 pembeli sejak peluncurannya.

Jaringan-jaringan ini secara bersama-sama menunjukkan bahwa bisnis mesin-ke-mesin sedang berubah ke arah yang lebih luas, di mana agen perangkat lunak dapat melakukan perdagangan secara otonom dengan kecepatan mesin.

Seiring dengan peningkatan jumlah agen, tantangan utama menjadi koordinasi: bagaimana agen saling menemukan, membuktikan identitas, dan melakukan transaksi tanpa intervensi manusia.

Kesenjangan kepercayaan di sini adalah bottleneck. Estimasi ukuran bisnis agen diperkirakan mencapai $1,5 triliun hingga $5 triliun pada tahun 2030, tetapi adopsi terhambat oleh satu hal—sebagian besar pengguna bersedia membiarkan AI melakukan riset, tetapi sedikit sekali yang bersedia membiarkan AI melakukan pembelian secara langsung.

Sistem hari ini masih bergantung pada kunci API, dan hampir tidak ada sistem yang menganggap proxy sebagai entitas dengan identitas.

@GoKiteAI sedang membangun L1 khusus yang menjadikan identitas dan pembayaran sebagai primitif asli. ERC-8004 adalah standar Ethereum yang menyediakan identitas dan reputasi on-chain yang portabel untuk agen, yang dapat diikuti lintas rantai.

Dalam hal pasar, @virtuals_io adalah sistem operasi untuk ekonomi agen di Base. Hingga Juni 2026, platform ini telah menangani lebih dari 2,38 juta tugas agen, menghasilkan hampir $480 juta dalam "PDB agen".

Namun, permata lapisan ini adalah Bittensor. Ini adalah jaringan yang terdiri dari sub-jaringan profesional, masing-masing sub-jaringan merupakan ekonomi mikro, di mana penambang menjalankan model AI, validator menilai output, dan emisi TAO mengalir kepada mereka yang menghasilkan pekerjaan paling berguna. Ada tiga mekanisme yang membuatnya serius secara ekonomi:

• Pengurangan setengah pada Desember 2025 akan menurunkan emisi harian TAO dari 7.200 menjadi 3.600, sesuai dengan batas maksimum 21 juta koin.
• dTAO meningkatkan setiap subnet dengan token Alpha dan kolam AMM sendiri—emisi ditentukan oleh pasar.
• Taoflow meningkat (dirilis November 2025) dan mendistribusikan emisi murni berdasarkan aliran staking bersih. Jika sebuah subnet melepas staking lebih banyak daripada yang di-stake, ia bisa turun menjadi nol. Desainnya secara alami Darwinian.

Jaringan telah melebihi 128 sub-jaringan aktif, tiga sub-jaringan komputasi teratas dilaporkan mencapai ARR total $20 juta dalam tiga bulan setelah monetisasi. Darwinisme adalah produk.

Proyek-proyek lain berfokus pada pembuatan blockchain AI khusus, atau menyediakan alat, kerangka kerja, dan insentif yang diperlukan untuk mendukung ekosistem AI yang dimiliki komunitas.

@NEARProtocol: Lapisan koordinasi tak terlihat yang menggabungkan penyelesaian, identitas, privasi, TEE, MPC, dan perlindungan PII untuk melayani agen otonom.

@base——Pusat utama dari "ekonomi agen". Base MCP memungkinkan alat AI seperti Claude, ChatGPT, dan Cursor untuk menjalankan tindakan on-chain melalui prompt di platform seperti Uniswap, Morpho, dan Avantis—melakukan pertukaran, transfer, dan interaksi DeFi.

@SentientAGI: Ekosistem GRID-nya menghubungkan agen, model, data, dan komputasi, serta mengarahkan kueri ke peserta profesional untuk memberikan hasil terbaik.

@gensynai: Eksekusi ML yang dapat diverifikasi, mengoordinasikan perangkat keras terdistribusi untuk pelatihan dan inferensi, sambil memastikan kepercayaan terhadap pekerjaan, jaringan koordinasi $AI.

@SaharaAI menghubungkan data, model, agen, dan reward dalam satu ekosistem native AI.

Infrastruktur adalah kerangka kerja AI—primitif komputasi, penalaran, pelatihan, data, dan privasi dasar yang menjadi dasar semua lapisan atas. Ini adalah lapisan paling padat modal dalam stack AI terdesentralisasi.

Komputasi terdesentralisasi

@akashnet menjalankan pasar lelang terbalik, di mana penyedia bersaing untuk memenangkan beban kerja Anda. Pertumbuhan kontrak baru pada Q1 2026 sebesar 27%, mencapai lebih dari 43.500, menjadi kuartal ketiga berturut-turut meningkat. Layanan inferensi AkashML-nya menangani hampir 120 miliar token pada bulan April, dengan harga 60–85% lebih murah dibandingkan cloud utama.

@rendernetwork melaporkan pertumbuhan penggunaan sebesar 428% secara tahunan.

@ionet meng agregasikan 130.000+ GPU dari lebih dari 130 negara di atas Solana.

@AethirCloud adalah salah satu yang benar-benar menghasilkan pendapatan: melaporkan ARR sekitar $166 juta (Q3 2025), dengan telah menyediakan lebih dari 1,5 miliar jam komputasi.

Distributed and Verifiable Reasoning

推理 menyumbang lebih dari 70% biaya operasional AI, Goldman Sachs memperkirakan AI agen akan mendorong pertumbuhan konsumsi token hingga 24 kali lipat pada tahun 2030—120 triliun token per bulan.

Jawaban terdesentralisasi adalah membuat inferensi menjadi murah, pribadi, dan dapat diverifikasi.

@AskVenice telah menyediakan lebih dari 50 miliar token per hari bagi lebih dari 2 juta pengguna melalui model pribadi dan tanpa sensor, dengan moatnya adalah model tersebut.

@OpenGradient telah menangani lebih dari 2 juta inferensi yang dapat diverifikasi, menghasilkan 500.000+ bukti zkML.

@chutes_ai: Pengembang dapat meng部署 dan memperluas model AI melalui API sederhana, didukung oleh penambang GPU, dengan biaya hingga 85% lebih murah dibanding AWS. Pendapatan platform diubah menjadi permintaan token melalui mekanisme staking otomatis.

@dphnAI——Jaringan inferensi AI terdesentralisasi. Perlu dicatat bahwa Dolphin mengembangkan model tanpa sensor yang digunakan oleh Venice AI, dan seluruh pendapatan jaringan digunakan untuk pembelian kembali token.

Pelatihan terdesentralisasi

Pelatihan adalah masalah paling sulit dan paling berdampak—ia menentukan apakah model mutakhir harus dibangun di dalam laboratorium hanya oleh tiga atau empat perusahaan.

INTELLECT-1 dari @PrimeIntellect (10 miliar parameter) adalah pelatihan terdistribusi global pertama; INTELLECT-2 (32 miliar parameter) adalah pelatihan RL terdistribusi pertama.

@tplr_ai berhasil melatih Covenant-72B pada lebih dari 70 node terdistribusi, menangani sekitar 1,1 triliun token, dan mengurangi biaya komunikasi sebesar 146 kali.

@NousResearch: Jaringan Psyche mereka mencapai pelatihan terdistribusi yang tahan terhadap kesalahan, menjadikan Hermes 4.3 sebagai model Hermes pertama yang dilatih di infrastruktur terdesentralisasi, bukan di klaster terpusat.

Subjaring IOTA (@MacrocosmosAI) SN9 melakukan pre-training LLM terdesentralisasi dan "pelatihan di rumah", sementara subjaring Data Universe (SN13) menangani lapisan data. Algoritma komunikasi rendah seri DiLoCo memungkinkan GPU yang tersebar di seluruh dunia untuk berkolaborasi tanpa jaringan internal berkecepatan super tinggi di pusat data.

Ketersediaan dan penyimpanan data terdesentralisasi

Seiring dengan meningkatnya skala beban kerja AI, keduanya kini menjadi bottleneck. Model terdepan mengonsumsi sejumlah besar data segar, sementara kebutuhan penyimpanan telah meningkat hingga pemasok hard drive utama melaporkan bahwa kapasitas produksi mereka telah terjual habis bertahun-tahun sebelumnya.

Ekonomi sangat menarik. Penyimpanan terdesentralisasi bisa 60-80% lebih murah dibanding penyedia cloud tradisional; jaringan seperti @Filecoin menawarkan harga penyimpanan di bawah $1 per TB per bulan, sementara alternatif terpusat sekitar $30.

@grass membayar kompensasi untuk bandwidth menganggur dari 2,5 juta node di 190 negara, memungkinkan laboratorium AI mengambil data web secara real-time.

@WalrusProtocol adalah tantangan cepat yang dibangun oleh @Mysten_Labs untuk penyimpanan terdesentralisasi dan ketersediaan data—menggunakan kode koreksi kesalahan dua dimensi untuk menyimpan secara efisien "blob" besar, dan semakin sering diposisikan sebagai lapisan memori permanen untuk agen AI.

@eigencloud: Platform cloud yang dapat diverifikasi yang dibangun di sekitar ketersediaan data, komputasi yang dapat diverifikasi, dan penyelesaian sengketa. Dijamin oleh ETH yang ditekan kembali, konsepnya adalah memungkinkan agen AI berjalan dengan jaminan kriptografi, sehingga tindakan dapat dibuktikan, diaudit, dan dieksekusi.

@vana—sebuah EVM L1, Data DAOs dan Data Liquidity Pools mengubah data pribadi menjadi aset yang dapat ditokenisasi dan diperdagangkan.

@reppo dan @oroagents membangun kumpulan data berkualitas tinggi dan dapat dipercaya untuk pelatihan AI melalui kompetisi insentif.

Privasi dan lapisan verifikasi

Pengguna AI biasa tidak dapat memverifikasi apakah model secara pribadi menangani data mereka, apakah perhitungan dilakukan dengan benar, atau bahkan apakah model yang diklaim benar-benar digunakan.

Pada tahun 2026, privasi dan verifikasi sedang menjadi prasyarat bagi AI, bukan fitur tambahan.

@nillion —「Komputer Buta», melakukan komputasi pada data terenkripsi tanpa perlu mendekripsinya menggunakan MPC dan Nil Message Compute sendiri. Skenario penggunaan mencakup inferensi AI pribadi, database terenkripsi, dan RAG pribadi (memungkinkan AI untuk mengajukan pertanyaan ke basis pengetahuan propietaris tanpa mengungkapkannya).

@Arcium: Jaringan komputasi rahasia terdesentralisasi di Solana. Penggunaan mencakup Umbra (transfer tersembunyi / pendapatan pribadi) dan pelatihan AI rahasia pada dataset sensitif.

@OasisProtocol: L1 yang berfokus pada privasi, menggunakan ROFL (Runtime Offchain Logic), kerangka berbasis TEE untuk menjalankan komputasi off-chain yang dapat diverifikasi dan melindungi privasi—agen AI, pelatihan model, atau oracle.

@octra: L1 yang berfokus pada privasi dengan dukungan asli FHE, menggunakan solusi khusus HFHE (Hypergraph FHE), dirancang khusus untuk komputasi enkripsi paralel dan throughput.

@eigencloud: Verifikasi peserta berat, dibangun di atas keamanan staking ulang EigenLayer. EigenAI (inferensi LLM yang dapat diverifikasi adalah API yang kompatibel dengan OpenAI untuk model open-source, di mana prompt dan respons dapat dibuktikan tidak diubah) dan EigenCompute (eksekusi off-chain yang dapat diverifikasi untuk logika agen).

@PhalaNetwork. GPU cloud kuat tetapi tidak privat; Phala membuat beban kerja dapat dibuktikan, bahkan terhadap Phala sendiri. GPU TEE di produk inti Phala Cloud mendeploy model open-source ke perangkat keras, menyediakan API yang kompatibel dengan OpenAI, di mana setiap inferensi memiliki bukti enkripsi.

Permintaan AI tumbuh lebih cepat daripada kecepatan penyesuaian infrastruktur, agen AI sedang menjadi mesin pertumbuhan utama—jalur on-chain telah siap.

Computing is transforming into an asset class, and on-chain markets are becoming its financial layer. Institutional participants are shifting from experimentation to infrastructure investment.

Ekonomi token sedang menjadi keunggulan struktural dalam mengoordinasikan modal, komputasi, dan data untuk AI terdesentralisasi. Peluang sedang berkembang dari AI ke robot, mesin otonom, dan AI fisik.

AI terdesentralisasi sedang tumbuh di seluruh lapisan utama, termasuk infrastruktur, middleware, dan aplikasi, yang tercermin dalam pendapatan komputasi, ekonomi agen yang berkembang, dan pelatihan terdistribusi skala besar.

Namun, bidang ini masih berada pada tahap awal. Pendapatan seringkali tertinggal di belakang insentif token, adopsi masih tidak merata, dan meskipun investasi AI secara keseluruhan meningkat pesat, AI terdesentralisasi masih hanya menyumbang sebagian kecil dari investasi modal ventura. Jaringan yang didorong oleh token bisa menjadi keunggulan kuat, tetapi hanya jika desain penangkapan nilai dilakukan dengan benar.

Meskipun demikian, munculnya proyek-proyek seperti Bittensor, NEAR, Virtuals, Base, dan Venice menunjukkan bahwa AI terdesentralisasi sedang berkembang dari narasi spekulatif menjadi pola baru yang mengoordinasikan komputasi, data, modal, dan kecerdasan.