opML puntava sull’inferenza. L’AI verificabile è nel training

Quando il settore crypto ha deciso di rendere verificabile l’intelligenza artificiale, la prima scommessa seria ha preso il nome di opML. L’idea era pulita: far girare un modello di machine learning fuori dalla blockchain, pubblicare on-chain il risultato insieme a un impegno crittografico, aprire una finestra di tempo in cui chiunque può contestare, e trattare quel risultato come valido se nessuno solleva un’obiezione. Niente prove pesanti, niente hardware sigillato: solo l’incentivo a non mentire, perché una bugia può essere smascherata e punita.

Nel 2026 quella scommessa ha un bilancio scomodo. La tecnologia esiste e funziona nei limiti dichiarati, ma il token che avrebbe dovuto finanziarla è crollato oltre il 99,9% dal massimo storico, e il problema di fiducia più costoso, quello su cui circola davvero il denaro, si è spostato a monte: non nell’inferenza, ma nell’addestramento dei modelli. È lì che aziende come Gensyn, Prime Intellect e Nous Research raccolgono centinaia di milioni, e proprio lì la vecchia intuizione di opML, la prova di frode interattiva, rinasce sotto altri nomi.

Questa guida spiega che cos’è opML dalle fondamenta, da dove arriva, come funziona la sua prova di frode, chi l’ha costruito e dove è finito; poi mostra perché il baricentro dell’AI verificabile si è spostato verso il training e che cosa resta, oggi, all’inferenza on-chain.

Che cosa significa «opML»

opML sta per optimistic machine learning. Il nome non è casuale: ricalca gli optimistic rollup, le soluzioni di scalabilità di Ethereum (Arbitrum, OP Stack) che danno per buona una transazione salvo prova contraria. opML applica lo stesso principio al machine learning. Un nodo esegue l’inferenza di un modello fuori dalla catena, pubblica il risultato con un impegno di tipo Merkle e apre una finestra di sfida. Se entro quella finestra nessuno contesta, il risultato diventa definitivo. Se qualcuno contesta, parte un gioco di verifica che individua il passo di calcolo esatto in cui le due parti divergono, e la catena arbitra soltanto quel singolo passo.

La parola chiave è «ottimistico»: il sistema assume che il risultato sia corretto e si prepara a smentirlo solo se serve. Il vantaggio è il costo. Non bisogna produrre una prova crittografica dell’intero calcolo (la strada dello zkML, costosissima sui modelli grandi) né fidarsi di un chip sigillato (la strada dei TEE). Basta che esista almeno un osservatore onesto disposto a rieseguire il calcolo e ad alzare la mano se non torna. Il metodo è descritto nel paper «opML: Optimistic Machine Learning on Blockchain» (arXiv 2401.17555), pubblicato a fine gennaio 2024 dal team di Hyper Oracle, che nel testo lo definisce esplicitamente «reminiscent of the optimistic rollup systems».

Un dettaglio va messo subito in chiaro, perché tornerà centrale: quel paper parla solo di inferenza. opML serve a «condurre l’inferenza di modelli AI» sulla blockchain, non ad addestrarli. Nasce per certificare una risposta già calcolata, non per garantire il processo, lungo e costoso, che ha prodotto il modello.

La parentela con Truebit e gli optimistic rollup

L’intuizione non nasce con l’AI. Il meccanismo del gioco di verifica interattivo con bisezione viene da Truebit, il sistema descritto da Jason Teutsch e Christian Reitwiessner in «A scalable verification solution for blockchains» anni prima che gli optimistic rollup lo rendessero popolare per l’esecuzione generica su EVM. L’idea di Truebit è semplice e profonda: se un risultato calcolato fuori dalla catena viene contestato, non si rifà tutto il calcolo on-chain (sarebbe proibitivo), ma si gioca a dimezzare. Le due parti in disaccordo restringono progressivamente la contesa finché non resta una sola operazione elementare, e soltanto quella viene arbitrata dalla catena.

opML prende questo schema e lo punta sul machine learning; gli optimistic rollup lo hanno preso e puntato sull’esecuzione degli smart contract. Stessa famiglia, bersagli diversi. È un punto da tenere a mente, perché la medesima logica ricomparirà quando parleremo di addestramento: la bisezione di Truebit è il filo rosso che collega opML del 2024 ai sistemi di verifica del training del 2026.

Come funziona la prova di frode: FPVM e bisezione

Il cuore tecnico di opML è la Fraud Proof Virtual Machine (FPVM), una macchina virtuale deterministica dentro cui il calcolo contestato può essere rieseguito passo per passo. Qui opML distingue due modalità, e la differenza non è un dettaglio: è ciò che separa un’idea teorica da un sistema usabile.

Nella versione a fase singola ogni operazione del modello viene rieseguita dentro la VM vincolata: semplice, ma lentissima, perché rinuncia alla GPU. Nella versione multi-fase il calcolo non contestato gira in modo nativo (GPU, parallelismo), e la macchina virtuale interviene solo sul micro-passo isolato dalla bisezione. Secondo la documentazione del progetto su GitHub, questo abbatte la complessità dell’albero di Merkle da O(mn) a O(m+n) e porta un’accelerazione «da decine a centinaia di volte» rispetto alla fase singola. In pratica: si paga il prezzo pieno della verifica rigorosa solo sul punto esatto della contesa, non sull’intero modello.

I numeri che il progetto cita per sé stesso restano a scala ridotta: inferenza in circa due secondi e un ciclo completo di sfida in circa due minuti su una testnet locale, per un compito di tipo MNIST. Ora sostiene anche di far girare un LLaMA da sette miliardi di parametri (26 GB) su un PC comune senza GPU, grazie a una libreria DNN leggera sviluppata in casa che sostituisce TensorFlow e PyTorch. È un’affermazione interna, non verificata in modo indipendente, e va letta come tale: una promessa di fattibilità, non un benchmark certificato.

La finestra di sfida e l’ipotesi del «guardiano onesto»

Tutta la sicurezza di opML poggia su una sola frase: basta un guardiano onesto. Il sistema regge finché esiste almeno un osservatore che riesegue i risultati pubblicati ed è disposto a contestarne uno sbagliato entro la finestra di sfida. Se quel guardiano c’è, mentire non conviene: la frode viene vista e punita. Se non c’è, i risultati passano senza controllo e l’«ottimismo» si riduce a fiducia cieca. La differenza tra le due condizioni è invisibile a chi guarda la catena: l’assenza di contestazioni è compatibile sia con la perfetta onestà sia con la totale negligenza.

Il problema è che fare il guardiano costa. Rieseguire un’inferenza consuma GPU e tempo, e se tutti si aspettano che gli altri siano onesti nessuno ha interesse a pagare per controllare un risultato che quasi certamente è corretto. È il verifier’s dilemma, già noto a Truebit, che lo affrontava con «errori forzati» periodici e un montepremi per chi li scopriva. opML, nella sua versione pubblica, non ha una risposta equivalente dispiegata in produzione: l’incentivo del guardiano resta più un’assunzione che un meccanismo.

C’è poi il costo della finestra stessa. Finché la sfida è aperta, il risultato non è definitivo; un contratto che volesse usarlo subito dovrebbe accontentarsi di una finalità «provvisoria» o aspettare. Questo rende opML poco adatto alle applicazioni in tempo reale e difficile da comporre con altri contratti che a loro volta aspettano. È un limite tecnico che diventerà decisivo appena entreranno in scena gli agenti AI, cioè l’unico caso d’uso capace di dare volume all’inferenza on-chain.

Ora Protocol, OAO e opAgent

Dietro opML c’è Ora Protocol, nata come Hyper Oracle nel settembre 2022 e fondata da Kartin Wong (ex Google, ex responsabile infrastrutture a TikTok). Al team si è unita come chief scientist Cathie So, ricercatrice zkML arrivata dal gruppo PSE della Ethereum Foundation: una combinazione che dà a Ora competenze sia su opML sia sulle prove a conoscenza zero. Nel giugno 2024 il progetto ha raccolto 20 milioni di dollari da Polychain, HF0 e HashKey Capital, dentro un totale di circa 23 milioni. Alla stampa, Wong ha spiegato di voler «unlock the design space for AI dapps», con fondi destinati a tokenizzare i modelli di AI.

Il prodotto principale costruito su opML è l’Onchain AI Oracle (OAO): contratti che accettano richieste di inferenza, le girano ai nodi opML, restituiscono il risultato con la sua finestra di sfida e richiamano il contratto del committente. Secondo il repository ufficiale, OAO è dispiegato con lo stesso indirizzo su oltre una dozzina di catene (Ethereum, Optimism, Arbitrum, Base, Polygon, Linea, Mantle, BSC e altre) e supporta modelli aperti come Llama 3.3 70B, Qwen, Mistral, Gemma e DeepSeek-V3, oltre a generatori di immagini come Stable Diffusion e FLUX.1. Le tariffe vanno da 0,01 a 1,00 ORA per chiamata.

Qui si annida una distinzione che molti saltano. La prova di frode ha senso solo se chi contesta può rieseguire il modello in modo indipendente, cosa possibile con i pesi aperti. I modelli chiusi dietro API, come GPT-4o, su OAO vengono di fatto inoltrati e attestati, non verificati con lo stesso meccanismo: nessuno può rieseguire GPT-4o per smentirlo. opML, in altre parole, mette al sicuro soprattutto ciò che è già aperto. È un vincolo che non riguarda solo OAO: scavalca l’intera categoria, perché i modelli migliori per gli agenti oggi sono quasi tutti chiusi.

Dal gennaio 2025 Ora ha lanciato opAgent, un framework di «agenti perpetui on-chain»: entità software che, nelle parole dell’azienda, «esistono indefinitamente attraverso la blockchain», controllate dalla logica di uno smart contract anziché da una chiave privata, con opML a rendere verificabile ogni loro azione (uno scambio su un DEX, un trasferimento, il deploy di un contratto). È la scommessa di Ora sull’economia degli agenti. Il paradosso è che proprio quella scommessa mette a nudo il limite di opML: gli agenti vogliono finalità immediata, e la finestra di sfida non gliela può dare.

Il tallone d’Achille: perché l’inferenza è difficile da difendere

Messi insieme, i limiti di opML convergono su un punto: l’inferenza è il bersaglio sbagliato per una prova di frode. Primo, è economica da rieseguire. Proprio perché ricontrollare un’inferenza costa poco, il valore in gioco per ogni singola risposta è piccolo, e il verifier’s dilemma morde al massimo: non c’è un premio abbastanza grande da mantenere un esercito di guardiani svegli. Secondo, la finestra di sfida è incompatibile con il tempo reale, cioè con l’unico caso d’uso (gli agenti) che avrebbe dato volume a opML. I due problemi si rinforzano a vicenda.

Il mercato ha emesso il suo verdetto sul token. ORA quota circa 0,0025 euro, per una capitalizzazione intorno ai 420 mila euro e un posto oltre il 3.700esimo nella classifica, più del 99,9% sotto il massimo storico di 5,08 euro del novembre 2024, come mostra la scheda di CoinGecko. Un balzo di oltre il 350% nelle ultime 24 ore, su un volume di appena diecimila euro al giorno, non cambia il quadro: è rumore da illiquidità, non un segnale di domanda. Se l’inferenza è il posto sbagliato, qual è quello giusto? La risposta, nel 2026, è a monte.

Dove si è spostato il problema: il training decentralizzato

Addestrare un modello di frontiera è l’esatto opposto dell’inferenza. Non è un calcolo da due secondi che chiunque può rifare: è un’operazione che dura settimane, costa milioni e non è riproducibile banalmente. Se quel calcolo viene affidato a GPU anonime sparse per il mondo, i rischi diventano concreti e costosi. Un fornitore può fingere di aver addestrato e intascare il pagamento (free-riding), può avvelenare i pesi del modello, può moltiplicare identità finte per rastrellare ricompense (attacco Sybil). Qui c’è davvero del denaro da proteggere, e qui l’idea «dai per buono, poi punisci chi mente» ritrova senso economico: il premio per smascherare una frode può valere quanto il costo di controllarla, cosa che nell’inferenza non accadeva mai.

Non è un caso che i capitali siano andati proprio lì. Gensyn, Prime Intellect e Nous Research, i tre nomi di punta del training decentralizzato, non vendono una prova di frode per l’inferenza: vendono la possibilità di addestrare su hardware non fidato. E lo fanno con valutazioni che il settore della verifica pura può solo sognare. La corsa alle GPU decentralizzate che alimenta questo filone è la stessa che muove reti come Akash, dove la domanda reale di calcolo convive con un’offerta di schede sempre più contesa.

Gensyn Verde: la prova di frode rinasce per il training

Il ponte più diretto tra opML e il training si chiama Verde. È il sistema di verifica di Gensyn, descritto nel paper arXiv 2502.19405 (tra gli autori il crittografo Joseph Bonneau, NYU) e messo in produzione secondo una nota tecnica firmata da Oğuzhan Ersoy il 24 novembre 2025. L’abstract del paper lo dice con precisione: il metodo consente a «un client con risorse limitate di delegare un programma a più fornitori di calcolo non fidati, con la garanzia di ottenere il risultato corretto se almeno uno di loro è onesto», adattando «la nozione crittografica di refereed delegation al machine learning».

Il meccanismo è, nella sostanza, la bisezione di Truebit vista all’inizio. Nelle parole di Gensyn: «se due fornitori di calcolo sono in disaccordo sul risultato finale, un referee può eseguire un bisection game per individuare la prima operazione in cui divergono», e a quel punto il referee esegue soltanto quella singola operazione invece dell’intero job. È esattamente la famiglia di opML, applicata però all’addestramento anziché all’inferenza; la stessa garanzia («corretto se almeno uno è onesto») che altrove veniva venduta per certificare una risposta, qui serve a certificare un processo lungo e irripetibile.

Verde porta anche la soluzione a un buco che opML aveva lasciato aperto: il determinismo. Si chiama RepOps (Reproducible Operators) e, sempre secondo Gensyn, «garantisce che la stessa operazione di ML produca risultati identici bit per bit, indipendentemente dalla GPU o dall’ambiente». Senza una riproducibilità del genere, qualunque gioco di frode rischia di scambiare per bugia una semplice differenza di arrotondamento tra schede diverse.

Attenzione alla lettura, però: Verde non è «opML copiato». Verde rivendica l’eredità della refereed delegation, opML quella degli optimistic rollup; entrambi discendono dai giochi di verifica interattivi di Truebit. Sono cugini, non lo stesso prodotto. Ma la morale è netta: la migliore idea di opML ha trovato il suo caso d’uso naturale un piano più su, nel training, dove c’è abbastanza valore in gioco da pagare chi controlla.

TOPLOC e la scuola «non ottimistica»

Non tutti, nel training decentralizzato, scommettono sulle prove di frode. Prime Intellect, che ha addestrato in modo distribuito i modelli INTELLECT-1 (10 miliardi di parametri) e INTELLECT-2 (32 miliardi, reinforcement learning distribuito a livello globale), usa un approccio diverso chiamato TOPLOC: invece di aprire una finestra di sfida, verifica i risultati dei lavoratori non fidati con un hash localmente sensibile (locality-sensitive hashing) calcolato sulle attivazioni del modello, capace di cogliere cambi di modello, prompt o precisione. È la scuola «controlla subito» contrapposta alla scuola «contesta dopo» di opML e Verde. Due filosofie opposte per lo stesso problema: fidarsi di nessuno in anticipo, oppure dare per buono e tenere pronta la punizione.

Lo stesso Prime Intellect offre però l’avvertenza più onesta del settore. Il suo modello più grande, INTELLECT-3 (106 miliardi di parametri totali, circa 12 attivi, architettura MoE), uscito a fine novembre 2025, non è stato addestrato su una nuvola di GPU casalinghe: è girato su un cluster concentrato di schede NVIDIA H200 con interconnessione InfiniBand, perché il reinforcement learning asincrono su larga scala richiede InfiniBand, non banda larga di consumo. Il training davvero decentralizzato resta un traguardo parziale, non un fatto compiuto: la fisica della banda passante continua a riportare i run più grossi dentro data center concentrati.

Che i capitali credano comunque in questa direzione lo dicono i numeri. Prime Intellect ha chiuso a luglio 2026 un round da 130 milioni di dollari a una valutazione di un miliardo, guidato da Radical Ventures con i bracci di investimento di NVIDIA, Intel e Dell. E il 7 ottobre 2026 Nous Research ha annunciato una Serie B da 90 milioni a una valutazione di 1,5 miliardi (lead Robot Ventures, con NVIDIA, Samsung, M12 di Microsoft, Y Combinator, USV e Menlo), portando il totale raccolto a circa 160 milioni; l’azienda dichiara un fatturato annualizzato intorno ai 36 milioni e un agente, Hermes, clonato oltre 24 milioni di volte. Nessuna delle due ha un token quotato: il valore, qui, lo cattura l’equity, non un gettone.

I quattro modi di rendere verificabile l’AI

Per collocare opML conviene vederlo accanto alle alternative. Esistono quattro grandi scuole per convincere qualcuno che un modello ha fatto davvero ciò che dice, e ciascuna sacrifica qualcosa.

La strada crittografica, lo zkML, è la più rigorosa e la più cara; su chi costruisce questi mercati di prove ci siamo soffermati in un approfondimento dedicato. Vitalik Buterin, nel suo saggio su crypto e AI, stima che generare una prova a conoscenza zero per gli strati non lineari di una rete aggiunga «intorno a 200 volte» di overhead e che il proving «possa richiedere ore»: ecco perché lo zkML fatica sui modelli grandi e perché opML, rinunciando alla prova a priori, era nato proprio per aggirare quel muro di costo.

Il nodo del determinismo delle GPU

C’è un problema trasversale che spiega metà delle scelte di design appena viste: le GPU non sono deterministiche. L’ordine in cui vengono sommati i numeri in virgola mobile, la parallelizzazione, le ottimizzazioni dei kernel fanno sì che lo stesso modello, sullo stesso input, possa dare risultati leggermente diversi su schede diverse. Per una prova di frode è un incubo: come distinguere una bugia da un normale scarto di arrotondamento? Se la soglia è troppo stretta scattano falsi allarmi, se è troppo larga passa la frode.

Il problema morde anche lo zkML. Elena Burger, di a16z, ricorda che le prove a conoscenza zero «non riescono a rappresentare le operazioni in virgola mobile a 32 bit» nel formato dei circuiti aritmetici senza overhead enormi, il che costringe a quantizzare i modelli a 8 bit e a barattare accuratezza con dimostrabilità. È qui che RepOps di Gensyn diventa interessante: fissando l’ordine delle operazioni per ottenere risultati identici bit per bit, trasforma la riproducibilità da problema aperto in prerequisito risolto. opML, nella sua formulazione originale, questo nodo lo aveva aggirato più che sciolto, e non a caso è uno dei punti che i suoi successori hanno dovuto affrontare per primi.

La tecnologia regge, il token no

Il paradosso più grande dell’AI verificabile è che la tecnologia avanza mentre i token che dovrebbero finanziarla affondano. Ogni gettone del settore è decine di punti percentuali sotto il proprio massimo storico, e il più debole di tutti è proprio quello di opML.

I dati sono rilevati su CoinGecko e vanno letti con prudenza, perché su gettoni così sottili di liquidità il prezzo balla. Il confronto con l’equity, però, è impietoso. ORA capitalizza circa 420 mila euro; Bittensor (TAO), l’unico token davvero in salute del gruppo, vale 2,8 miliardi; ma soprattutto Prime Intellect e Nous Research, che non hanno alcun token, sono state prezzate da investitori privati a uno e a 1,5 miliardi di dollari. Il mercato ha deciso dove sta il valore: nel calcolo e nell’addestramento, non nel gettone della verifica pura.

C’è anche una ragione macro. Con i rendimenti dei Treasury vicini al 5%, un asset senza flussi di cassa e con forti sblocchi di offerta in arrivo è una scommessa a lunghissima durata che il mercato sconta pesantemente; è lo stesso meccanismo che penalizza molte reti AI a bassa capitalizzazione. E non è un caso isolato: anche gli esperimenti di fondi gestiti da agenti, di cui il caso ai16z è l’esempio più discusso, hanno mostrato quanto sia sottile il filo tra attività on-chain e valore reale del token.

Gli ibridi del 2026 e cosa resta all’inferenza on-chain

Il fatto stesso che opML stia prendendo in prestito dai rivali è il segnale più chiaro della sua posizione. Nel 2026 i progetti di punta sono ibridi, e la lista dice molto:

• opp/ai, dello stesso team di Ora, combina zkML (per la privacy) e opML (per l’efficienza).
• zk-OPML usa le prove a conoscenza zero per accorciare la finestra di sfida, cioè per curare proprio il difetto di latenza.
• Optimistic TEE-Rollups mette una TEE a dare finalità rapida, le prove di frode a garantire l’integrità e controlli ZK a campione.

Gli autori del paper Optimistic TEE-Rollups (arXiv 2512.20176), Aaron Chan e colleghi, non sono teneri con l’approccio puro: scrivono che gli approcci ottimistici «impongono finestre di contestazione proibitive, che impediscono l’interattività in tempo reale», e descrivono un «trilemma della verificabilità» per cui alta integrità, bassa latenza e basso costo non si ottengono tutti e tre insieme. Ogni scuola ne sacrifica un angolo; opML sacrifica la latenza.

Intanto il fronte TEE ha vinto sul volume. Phala Network dichiara circa 94 miliardi di token riservati al giorno su una decina di modelli, con hardware Intel TDX e GPU NVIDIA (H100, H200, B300) e un overhead «del 5-10% circa», cioè prestazioni quasi native. Sono numeri che opML non ha mai avvicinato, e spiegano perché l’inferenza ad alta frequenza degli agenti sia migrata verso i TEE invece che verso le prove di frode.

Che cosa resta, allora, all’inferenza ottimistica on-chain? Una nicchia reale ma stretta: le chiamate oracolari con denaro in gioco, dove la finestra di sfida è accettabile perché il valore protetto è alto e la finalità immediata non serve. La risoluzione di mercati predittivi, certi oracoli di dati, l’arbitraggio di dispute. Non l’inferenza in tempo reale degli agenti, che pretende risposte in millisecondi. opML sopravvive dove il tempo conta meno del denaro.

Consob, MiCA e il vuoto normativo

Sul piano normativo, l’infrastruttura di calcolo verificabile non è regolata in quanto tale: a cadere sotto le regole sono i token che la pagano e i servizi costruiti sopra, soprattutto quando un agente AI maneggia asset dei clienti. In Italia il quadro è quello di MiCA, recepito con il D.lgs. 129/2024, che affida a Consob la vigilanza su condotta di mercato e tutela degli investitori e a Banca d’Italia i profili prudenziali e sugli stablecoin; il periodo transitorio italiano si è chiuso il 1° luglio 2026. I derivati su crypto, invece, restano strumenti finanziari sotto la MiFID II, non sotto MiCA.

Un token come ORA, di pura utilità per pagare le inferenze, vive in una zona grigia: l’interpretazione congiunta SEC-CFTC del marzo 2026 negli Stati Uniti ha elencato una serie di digital commodity (tra cui LINK di Chainlink) ma non dice nulla sull’infrastruttura di AI verificabile. Più esposti sono i gettoni che Ora ha sperimentato con l’Initial Model Offering per tokenizzare i ricavi di un modello: lo standard ERC-7641 su cui si basano, nella definizione ufficiale, «incarna di fatto delle quote» (embodies shares), un linguaggio che spinge dritto verso la disciplina degli strumenti finanziari (MiFID II, Consob) più che verso MiCA. È lo stesso nodo di perimetro che attraversa tutta la finanza decentralizzata conforme: chi controlla e chi offre il servizio, non il protocollo in astratto.

Sul versante opposto, la regolazione può creare domanda. Dal 2 agosto 2026 sono operativi i poteri di enforcement dell’AI Act europeo sui modelli general-purpose, con sanzioni fino a 15 milioni di euro o il 3% del fatturato globale. Un obbligo di tracciabilità e auditabilità dei modelli è esattamente il tipo di pressione che potrebbe, un giorno, rendere utile una prova verificabile su larga scala. Ma è una promessa, non ancora un mercato: oggi quasi nessuno paga per verificare un’inferenza, e questo, più del prezzo di qualsiasi token, è il vero problema di opML.

Domande frequenti

Che cosa significa opML in parole semplici?

opML (optimistic machine learning) è un modo per rendere verificabile un calcolo di AI senza riprodurlo per intero sulla blockchain: si pubblica il risultato, si apre una finestra di tempo per contestarlo e lo si considera valido se nessuno lo sfida. In caso di contestazione, un gioco di bisezione individua l’unico passo di calcolo da arbitrare. È il principio degli optimistic rollup applicato al machine learning.

Qual è la differenza tra opML e zkML?

zkML produce una prova crittografica che il calcolo è corretto, senza bisogno di fidarsi di nessuno, ma è molto costoso e lento sui modelli grandi. opML non produce alcuna prova a priori: scommette che almeno un osservatore onesto contesterà un risultato falso. opML è più economico e scala meglio, ma dipende da quel guardiano e introduce il ritardo della finestra di sfida.

opML può verificare modelli chiusi come GPT-4o?

Non nello stesso modo. La prova di frode richiede che chi contesta possa rieseguire il modello in modo indipendente, cosa possibile solo con i pesi aperti come Llama, Mistral o Stable Diffusion. I modelli chiusi dietro API vengono inoltrati e attestati, non verificati rieseguendoli: nessuno può far girare di nuovo GPT-4o per smentirlo.

Perché l’AI verificabile si sta spostando dall’inferenza al training?

L’inferenza è economica da rieseguire, quindi il valore protetto per ogni risultato è piccolo e manca l’incentivo a controllare. L’addestramento invece dura settimane, costa milioni e viene affidato a GPU non fidate: lì c’è denaro reale da proteggere e la logica «dai per buono, punisci chi mente» ritrova senso. Progetti come Gensyn, con Verde, e Prime Intellect, con TOPLOC, portano la verifica a monte.

Conviene comprare il token ORA?

Questo articolo non è una consulenza finanziaria. I fatti: ORA capitalizza intorno ai 420 mila euro, oltre il 99,9% sotto il massimo del 2024, con volumi giornalieri di poche migliaia di euro che rendono il prezzo molto volatile e poco significativo. La tecnologia esiste, ma l’adozione misurabile e il valore del token divergono da oltre un anno.

Marcus Okafor è senior editor di HOGE Wire e scrive di AI verificabile, infrastrutture crypto e regolazione dei mercati digitali.