Gensyn: come si verifica l’AI su nodi non fidati

Gensyn è nata con una promessa facile da enunciare e difficilissima da mantenere: trasformare qualunque scheda grafica del pianeta, dai data center ai PC da gaming fino ai dispositivi ai margini della rete, in capacità utile per addestrare modelli di intelligenza artificiale. Con questa tesi ha raccolto un round da 43 milioni di dollari (circa 40 milioni di euro) guidato da a16z e da altri investitori di primo piano. Nell’autunno del 2026, però, il quadro reale è più sfumato del pitch: la rete di addestramento collaborativo (RL Swarm) è in pausa, la prima applicazione arrivata in produzione è un mercato predittivo (Delphi) e il token ha perso circa l’80% dal massimo di aprile.

Fermarsi al prezzo, però, vuol dire guardare il dito e non la luna. La domanda a cui Gensyn prova davvero a rispondere non è «dove trovo GPU a basso costo», ma qualcosa di più scomodo: come ci si fida di un calcolo eseguito su una macchina che non controlliamo? È il problema della verifica, ed è la ragione per cui addestrare l’AI in modo distribuito è molto più difficile che affittare potenza su un cloud centralizzato. Qui spieghiamo la risposta tecnica di Gensyn (Verde, RepOps, Judge), perché conta e perché ciò che oggi è davvero in produzione diverge dalla visione delle origini.

Che cos’è Gensyn, in breve

Gensyn è un protocollo per il calcolo di machine learning, fondato nel 2020 a Londra da Ben Fielding (oggi amministratore delegato) e Harry Grieve. L’idea di fondo è costruire un mercato aperto e senza intermediari in cui chi possiede hardware inutilizzato lo mette a disposizione e chi deve addestrare o far girare un modello paga a consumo, con la rete a fare da coordinatore e da garante. Sul piano tecnico, Gensyn è realizzato come un rollup Ethereum dedicato: una scelta di sovranità sull’infrastruttura simile a quella di altri progetti di AI on-chain, come racconta la nostra analisi su se l’AI verificabile abbia bisogno di una catena tutta sua.

Il finanziamento è arrivato presto e da nomi pesanti. Nel 2023 la società ha chiuso un Series A da 43 milioni di dollari guidato da a16z, con CoinFund, Protocol Labs, Eden Block e Canonical Crypto tra i partecipanti, portando la raccolta complessiva oltre i 50 milioni di dollari, come riportato da CoinDesk. La tesi di investimento la spiegò allora Ali Yahya, partner di a16z: «i progressi recenti dell’AI sono incredibili, ma gli enormi requisiti di potenza di calcolo danno alle grandi aziende tecnologiche un vantaggio sulle startup nella corsa a catturare il valore dell’AI». Per Yahya, nessuno «unisce la conoscenza e la comprensione culturale del mondo dell’AI e di quello cypherpunk delle cripto meglio di Gensyn».

L’architettura poggia su quattro pilastri: un livello di esecuzione riproducibile (RepOps e REE), un livello di verifica (Verde), un livello di comunicazione tra nodi e agenti (AXL) e un livello di coordinamento on-chain. Sono questi mattoni, e non la semplice potenza bruta, a distinguere Gensyn dai marketplace di GPU tradizionali.

Il vero collo di bottiglia non è il calcolo, è la fiducia

Affittare la GPU di uno sconosciuto è facile. Sapere che quello sconosciuto ha davvero eseguito l’addestramento che ha promesso, e non una versione più economica e sbagliata, è tutta un’altra storia. In una rete senza permessi i fornitori vengono pagati per un lavoro che nessuno vede: un attore razionale, se può, ha tutto l’interesse a saltare passaggi, restituire risultati plausibili ma falsi o eseguire un calcolo più piccolo di quello pattuito e incassare lo stesso.

I cloud centralizzati risolvono il problema fuori dalla tecnologia: reputazione, contratti, responsabilità legale, la minaccia di perdere un cliente. Una rete decentralizzata non ha nulla di tutto questo. Ecco perché la verifica, e non l’approvvigionamento di hardware, è il problema centrale dell’addestramento distribuito. Lo diceva a modo suo il cofondatore Harry Grieve già nel 2023: «con le reti decentralizzate il valore si accumula nella rete in funzione di domanda e offerta, e aumenta nettamente l’offerta di calcolo collegando hardware sottoutilizzato in giro per il mondo». Perché quel valore si accumuli, però, chi compra deve potersi fidare dell’output.

Le famiglie di soluzioni note sono tre: le prove crittografiche (zkML), l’hardware fidato (i cosiddetti TEE, ambienti di esecuzione protetti) e la verifica economica di tipo ottimistico, basata su fraud proof. Gensyn punta con decisione sulla terza, ed è una scelta che ne definisce l’intera identità.

Verde, la delega arbitrata applicata al machine learning

Verde è il protocollo con cui Gensyn verifica il machine learning eseguito su nodi non fidati, descritto in un articolo di ricerca e in un paper accademico. Il meccanismo si chiama delega arbitrata (refereed delegation) e la logica è la stessa dei rollup ottimistici come Arbitrum e Optimism: si assume che un risultato sia corretto e lo si mette in discussione solo se qualcuno lo contesta.

In pratica, oltre a chi esegue il compito c’è almeno un verificatore che rifà lo stesso lavoro. Se i due risultati coincidono, il lavoro è accettato. Se divergono, parte un gioco di disputa che individua il primo passo di addestramento e il primo operatore, all’interno del grafo di calcolo della rete neurale, su cui esecutore e verificatore non concordano. A quel punto un arbitro neutrale (uno smart contract oppure una giuria di verificatori) ricalcola quella singola operazione per stabilire chi ha barato. Non si riesegue l’intero addestramento: si ricalcola una sola operazione. È lo stesso principio con cui, nei rollup, una disputa su un intero blocco di transazioni si risolve rieseguendo un solo passaggio del programma.

La garanzia che ne deriva è netta: secondo Gensyn, «se almeno un verificatore è onesto, il risultato corretto è garantito». I costi restano leggeri, perché i fornitori devono solo conservare e sottoporre ad hashing i checkpoint intermedi dell’addestramento, e l’onere della verifica cresce in modo sublineare rispetto al numero di operazioni, non linearmente sul totale del calcolo. In altre parole, non si verifica tutto: si rende l’imbroglio individuabile e costoso.

Il problema della virgola mobile e RepOps

C’è un ostacolo che ha affossato gli approcci ingenui: le reti neurali non sono deterministiche tra hardware diversi. Lo stesso codice, eseguito su due GPU differenti, può produrre risultati leggermente diversi, per via dell’ordine delle operazioni in virgola mobile e delle peculiarità dei chip. Significa che due nodi perfettamente onesti possono divergere di quantità minime, e un arbitro non saprebbe distinguere quella divergenza innocente da un tentativo di frode.

La risposta di Gensyn è RepOps (Reproducible Operators), una libreria che implementa versioni riproducibili bit per bit degli operatori di machine learning più diffusi, a partire dalla moltiplicazione tra matrici, imponendo un ordine fisso alle operazioni in virgola mobile. Con RepOps gli stessi input producono output identici bit per bit su hardware eterogeneo. Su questa base poggia il REE (Reproducible Execution Environment), un ambiente containerizzato che rende riproducibile anche l’inferenza, indipendentemente dalla macchina che la esegue.

È la parte meno appariscente e, forse, più importante del progetto. Senza riproducibilità, la delega arbitrata applicata al machine learning semplicemente non funziona, perché ogni disputa finirebbe in un’ambiguità irrisolvibile. RepOps è, in un certo senso, il contributo tecnico più profondo di Gensyn: trasforma un problema statistico e disordinato in qualcosa che uno smart contract può giudicare in modo binario, vero o falso.

Perché non zkML e perché non l’hardware fidato

Se l’obiettivo è la fiducia, perché non usare le prove crittografiche? Lo zkML, cioè le prove a conoscenza zero applicate al machine learning, offre garanzie matematiche a prova di bomba. Il problema è il costo: come ammette la stessa Gensyn, «i sistemi di prova crittografica garantiscono la correttezza, ma sono proibitivamente costosi per i carichi di machine learning su larga scala, almeno per ora». Dimostrare crittograficamente un addestramento di grandi dimensioni richiede oggi ordini di grandezza di overhead in più.

L’alternativa dell’hardware fidato (i TEE) è più economica, ma sposta la fiducia sul produttore del chip e sulla tenuta dell’enclave: se il silicio è compromesso, la garanzia svanisce, e comunque questi ambienti mal si adattano ai grandi carichi su GPU. La scommessa ottimistica di Gensyn, invece, è economica nel caso normale (si controlla a campione, si contesta solo quando serve) e fa pagare il conto solo in caso di disputa.

È la stessa famiglia della verifica ottimistica applicata all’inferenza, il cosiddetto opML, di cui abbiamo scritto a proposito del tentativo di tokenizzare i modelli di AI, e ne condivide anche il limite: funziona in modo pulito con i modelli a pesi aperti, dove chiunque può rieseguire il calcolo, mentre i modelli chiusi restano difficili da verificare. Resta poi il presupposto scomodo di ogni sistema ottimistico: serve almeno un verificatore onesto e una finestra di contestazione funzionante. Se nessuno si prende la briga di verificare, la garanzia si indebolisce. È il bivio architetturale, prove crittografiche contro fraud proof, catena dedicata contro soluzioni innestate, che attraversa tutto il settore dell’AI on-chain.

Judge e RL Swarm, dall’addestramento collettivo alla pausa

Sopra questi mattoni Gensyn ha costruito due esperimenti concreti. Il primo è RL Swarm, un framework open source in cui molti nodi fanno girare ciascuno un modello locale e giocano partite di ragionamento a più fasi tipiche del reinforcement learning: rispondono, criticano le risposte altrui e le rivedono, addestrandosi in modo collettivo attraverso internet. Il codice è pubblico su GitHub ed è stato la Fase 0 della testnet.

Il secondo è Judge, un runtime che garantisce l’esecuzione equa e verificabile dei compiti di reinforcement learning, di fatto il livello di esecuzione decentralizzato dentro RL Swarm. È qui che la teoria incontra la pratica: secondo Gensyn, Verde e RepOps sono già in produzione dentro Judge, dove producono giudizi di modello che chiunque può verificare in modo indipendente. Attorno a questo nucleo ruota un ampio programma di ricerca, riassunto nella documentazione: SkipPipe riduce i salti di sincronizzazione tra i nodi, NoLoCo elimina l’all-reduce globale sostituendolo con una media a coppie in stile gossip, CheckFree recupera l’addestramento senza checkpoint tradizionali, SAPO abilita un post-training a reinforcement learning asincrono e distribuito.

Il dato scomodo è che, alla fine dell’estate 2026, la documentazione di Gensyn è netta: «RL Swarm e tutti i nodi ospitati da Gensyn sono stati messi in pausa». Non ci sono swarm ufficiali in funzione, e la fase finale della testnet si concentra altrove. Letto senza filtri, significa che la rete di addestramento vera e propria, il cuore della visione originaria, non è ancora il prodotto vivo.

Delphi, la svolta verso i mercati informativi

Dove si è spostato il baricentro? Su Delphi, una piattaforma di mercati informativi regolati dall’AI. Chiunque può creare un mercato su qualsiasi tema; a differenza dei mercati predittivi tradizionali, l’esito non lo decidono esseri umani ma un modello di AI a pesi fissi, scelto in anticipo dal creatore e non più modificabile. I creatori guadagnano automaticamente in USDC, come ha raccontato The Block.

Qui la verifica smette di essere teoria e diventa prodotto. La regolazione dei mercati usa il REE: chiunque può rieseguire lo stesso modello su hardware diverso (GPU, CPU, data center) e ottenere lo stesso verdetto. Delphi è, in sostanza, un oracolo verificabile. Sul piano economico, i creatori incassano l’1,5% del volume dei mercati andati a buon fine, mentre una commissione di protocollo alimenta il riacquisto e la distruzione del token.

Il posizionamento è esplicito. L’amministratore delegato Ben Fielding ha descritto Delphi come «una categoria interamente nuova di mercati di nicchia, di proprietà dei creatori, che [Polymarket e Kalshi] non costruirebbero mai. La coda lunga è il punto», in dichiarazioni riportate da The Block. La visione di lungo periodo è ancora più ambiziosa: «i modelli di AI comprano informazione dagli esseri umani per diventare più intelligenti, e gli esseri umani ottengono previsioni migliori perché anche l’AI contribuisce».

Delphi è in test dalla fine del 2025, ha registrato milioni di dollari di volume in fase sperimentale ed è ora, secondo la documentazione ufficiale, «attiva su testnet e mainnet». È qui che sta la svolta: la prima cosa che gli utenti possono davvero usare in produzione non è l’addestramento decentralizzato, ma un’applicazione di AI verificabile costruita sopra la stessa tecnologia. Sui mercati predittivi, però, pesa un contesto regolatorio e comportamentale complesso, su cui torniamo più avanti.

Lo stack tecnologico a colpo d’occhio

Prima di procedere conviene mettere in fila i componenti che compaiono nella documentazione di Gensyn, perché il progetto usa molti nomi propri per cose diverse e il rischio di confonderli è alto.

Il token AI, dal TGE al minimo storico

Il token nativo, che porta il ticker AI, ha debuttato con l’evento di generazione (TGE) del 29 aprile 2026. La parabola è stata rapida in entrambe le direzioni: dopo lo slancio iniziale fino a un massimo storico di circa 0,107 dollari, il prezzo è scivolato di circa l’80%. Al momento in cui scriviamo, secondo CoinGecko, AI vale poco meno di 0,02 euro, con una capitalizzazione attorno ai 24 milioni di euro e una circolazione di circa 1,3 miliardi di token.

Un dettaglio è difficile da ignorare per chi segue la macro: secondo CoinGecko il minimo storico è stato toccato il 16 settembre 2026, lo stesso giorno del rialzo dei tassi della Fed, in un contesto di dollaro forte e propensione al rischio in ritirata che ha pesato su tutto il comparto. Non è la causa unica del calo del token, ma è il tipo di regime in cui gli asset più speculativi soffrono di più.

Sul fronte dell’utilità, il token serve a pagare il calcolo e la verifica, a mettere in staking le risorse di fornitori e verificatori e a catturare valore attraverso un meccanismo di buyback-and-burn. La documentazione sul token descrive un vault che accumula le commissioni in USDC generate dai prodotti Gensyn (come Delphi), le converte in AI su Uniswap e ne brucia il 70%, riducendo l’offerta in circolazione.

Resta però un tema di offerta futura. Buona parte dei token destinati a investitori e team è soggetta a un periodo di blocco iniziale seguito da uno sblocco graduale, il che colloca un potenziale muro di nuova offerta più avanti nel ciclo. Con la rete di addestramento non ancora in produzione e Delphi ancora giovane, il valore attuale poggia più sulla narrazione che su ricavi di protocollo consolidati.

Fonte dei dati di mercato: CoinGecko. Le cifre sui prezzi sono volatili e vanno verificate al momento della lettura.

Gensyn e i rivali nella corsa all’addestramento decentralizzato

Gensyn non corre da solo. L’addestramento decentralizzato è diventato una piccola industria, con approcci diversi. Prime Intellect ha addestrato la serie di modelli INTELLECT e ha reso noto il metodo OpenDiLoCo, con una partecipazione perlopiù curata e un forte sostegno del venture capital. Nous Research lavora su Psyche e sugli ottimizzatori a basso traffico di rete della famiglia DisTrO, in una testnet a permessi. Templar, sulla subnet 3 di Bittensor, ha addestrato Covenant-72B, presentato come il più grande modello mai addestrato in modo permissionless, come documentato da BlockEden; Bittensor, dal canto suo, resta soprattutto un livello di coordinamento tra subnet.

La differenza di Gensyn è il baricentro: non punta ad avere addestrato il modello più grande, ma a rendere verificabile il lavoro altrui. Templar ha il modello permissionless più imponente; Gensyn ha probabilmente il livello di fiducia più sviluppato, con però una rete di addestramento in pausa. Resta la domanda che vale per tutto il comparto: chi paga davvero per addestramento e inferenza decentralizzati? È il nodo che abbiamo affrontato chiedendoci chi compra davvero l’inferenza decentralizzata, con un traffico reale spesso molto inferiore alle valutazioni dei token.

Sicurezza, audit e il divario tra ricerca e prodotto

Le parti di Gensyn che maneggiano denaro reale sono contratti on-chain: il vault di buyback-and-burn, il token nella sua versione bridged su Ethereum e i contratti dei mercati di Delphi, che funzionano secondo una logica di tipo paramutuel (le puntate confluiscono in un montepremi comune e i rendimenti dipendono dalla distribuzione finale). Trail of Bits ha esaminato proprio questi contratti nell’aprile 2026, dal vault di buyback al token bridged fino ai mercati paramutuel di Delphi, come risulta dai suoi report pubblici. Restano comunque componenti da valutare con la lente classica della sicurezza degli smart contract, tra audit indipendenti e programmi di bug bounty.

Qui, però, serve una distinzione che spesso si perde. Verificare un contratto in Solidity non verifica la matematica del machine learning sottostante. Le garanzie di Verde non nascono da un audit di codice, ma da presupposti economici: almeno un verificatore onesto, stake sufficiente, finestre di contestazione che funzionano. «Contratti verificati» e «l’addestramento trustless regge su larga scala» sono due affermazioni diverse, e vanno tenute separate.

Gensyn dichiara Verde «in produzione» dentro Judge per la verifica delle valutazioni, il che è un impiego più circoscritto rispetto a un mercato di addestramento permissionless a pieno regime. È esattamente qui che si colloca il progetto oggi: nello spazio tra un programma di ricerca solido (il paper su Verde, la libreria RepOps) e un marketplace di addestramento vivo, permissionless e capace di generare ricavi. Delphi accorcia in parte quella distanza, monetizzando la tecnologia di verifica in un dominio ristretto. Ma è un ponte, non ancora la destinazione.

Cosa cambia per l’Italia: Consob, MiCA e i mercati di Delphi

Per il lettore italiano contano due piani distinti. Il primo è il token. Sotto il regolamento MiCA, AI sarà con ogni probabilità trattato come cripto-attività di tipo utility e non come strumento finanziario; ma i meccanismi legati ai ricavi, come il buyback-and-burn alimentato dalle commissioni, invitano a un supplemento di prudenza. In Italia l’autorità competente per i mercati e gli strumenti finanziari resta la Consob, e quando l’economia di un token somiglia troppo a un rendimento può entrare in gioco la disciplina MiFID II più che MiCA.

Il secondo piano, più delicato, è Delphi. Si tratta di un mercato predittivo, e i mercati predittivi in Italia rientrano nell’orbita dell’ADM, l’Agenzia delle Dogane e dei Monopoli, che regola scommesse e gioco. Non è un’ipotesi teorica: l’ADM ha già bloccato l’accesso a Polymarket, come abbiamo raccontato analizzando agenti AI e insider. Un mercato permissionless, regolato dall’AI e raggiungibile da utenti italiani si troverebbe con ogni probabilità nello stesso mirino.

C’è poi la questione del perimetro. MiCA lascia in larga parte fuori dal proprio campo di applicazione i protocolli pienamente decentralizzati, ma l’aggettivo «pienamente» fa un lavoro enorme, come abbiamo spiegato analizzando perché la finanza decentralizzata resta fuori dal regolamento: se dietro Delphi c’è una fondazione o una società identificabile, quell’entità può essere considerata responsabile. Per l’utente italiano la morale è pratica: disponibilità non è legalità. Il fatto che un token sia quotato su un exchange non equivale a un via libera regolamentare, e la partecipazione a un mercato predittivo può essere soggetta a restrizioni.

I rischi da tenere d’occhio

Chi guarda a Gensyn con interesse, da utente o da osservatore, dovrebbe tenere a mente alcuni rischi concreti.

• Prodotto contro promessa: la mainnet di addestramento non è ancora il prodotto vivo e RL Swarm è in pausa.
• Sicurezza economica: la verifica ottimistica regge solo con verificatori onesti, stake adeguato e finestre di contestazione funzionanti; è un modello di incentivi, non una legge fisica.
• Token: valore trainato più dalla narrazione che dai ricavi, calo di circa l’80% dal massimo e nuova offerta in arrivo con gli sblocchi.
• Domanda: non è ancora chiaro chi paghi in volumi significativi per addestramento e inferenza decentralizzati.
• Regolamentazione: Delphi e i mercati predittivi sotto l’attenzione di ADM e Consob, con il token nel perimetro MiCA e MiFID.
• Concorrenza: Prime Intellect, Nous Research e Templar corrono su fronti diversi e in parte più avanti sull’addestramento vero e proprio.
• Dipendenza dalla riproducibilità: RepOps deve inseguire operatori e architetture in continua evoluzione; ogni nuovo modello è nuova superficie da rendere deterministica.

Prospettive: cosa guardare nei prossimi mesi

Le tappe da monitorare sono chiare. La prima è il lancio effettivo della mainnet di addestramento, il passaggio che trasformerebbe Gensyn da protocollo di verifica con un’app (Delphi) a rete di calcolo vera e propria. La seconda è il volume reale, non da testnet, su Delphi, insieme alla prova che il buyback-and-burn incida davvero sull’offerta più di quanto facciano gli sblocchi. La terza è se Verde riuscirà a garantire un mercato permissionless oltre il perimetro attuale di Judge.

La scommessa di fondo è semplice da enunciare. Se la computazione verificabile su hardware non fidato funziona e trova domanda pagante, Gensyn è arrivata presto nella nicchia più difendibile, la fiducia, e non in quella più affollata, la potenza di calcolo. Se la domanda non si materializza, sarà una soluzione elegante in cerca di un problema. Il prezzo del token farà quello che deve fare; la cosa davvero da osservare è se il «machine learning trustless» passerà dallo stadio di ricerca a quello di mercato.

Domande frequenti

Che cos’è Gensyn?

Gensyn è un protocollo per il calcolo di machine learning decentralizzato, costruito come rollup Ethereum e fondato nel 2020 a Londra. Collega hardware di tutto il mondo per addestrare e far girare modelli di AI, aggiungendo un livello di verifica che permette di controllare il lavoro svolto da fornitori non fidati.

Come funziona la verifica di Gensyn?

Gensyn usa Verde, un sistema di delega arbitrata simile ai fraud proof dei rollup ottimistici: se due esecuzioni divergono, un arbitro ricalcola soltanto la singola operazione contestata. La libreria RepOps rende i calcoli riproducibili bit per bit su hardware diverso, così una divergenza onesta non viene scambiata per una frode.

Che cos’è Delphi?

Delphi è la piattaforma di mercati informativi di Gensyn, in cui gli esiti sono regolati da modelli di AI a pesi fissi anziché da esseri umani. Chiunque può creare un mercato e la regolazione è verificabile in modo indipendente. È la prima applicazione arrivata sulla mainnet di Gensyn.

Quanto vale il token AI di Gensyn?

Al momento in cui scriviamo il token AI vale poco meno di 0,02 euro, con una capitalizzazione attorno ai 24 milioni di euro, in calo di circa l’80% dal massimo storico di fine aprile 2026. Il prezzo è molto volatile e queste informazioni non costituiscono consulenza finanziaria.

Gensyn e Delphi sono disponibili in Italia?

Il token AI può essere accessibile tramite exchange, ma la disponibilità non equivale a un’approvazione regolamentare. I mercati predittivi come Delphi rientrano nell’attenzione dell’ADM, che in Italia ha già bloccato Polymarket, mentre il token ricade nel perimetro MiCA vigilato in Italia dalla Consob. Conviene informarsi bene prima di operare.

Marcus Okafor è redattore AI e cripto di HOGE Wire e segue l’intreccio tra intelligenza artificiale e infrastrutture decentralizzate.