opML nella morsa: l’AI verificabile stretta tra zkML e TEE

Immaginate di chiedere a un modello di intelligenza artificiale di decidere chi vince una scommessa da diecimila euro, o di autorizzare una transazione che sposta fondi veri su una blockchain. La domanda scomoda arriva subito dopo: come facciamo a sapere che il modello ha calcolato davvero quello che dichiara di aver calcolato, e non una risposta comoda scelta da chi gestisce il server? È il problema della computazione verificabile applicata all’AI, e l’opML (optimistic machine learning) è stato per quasi due anni una delle risposte più citate.

L’idea è elegante nella sua semplicità. Invece di dimostrare in anticipo, con la crittografia, che il calcolo è corretto, si pubblica il risultato sulla blockchain e lo si lascia aperto alle contestazioni per un certo periodo. Se nessuno protesta, il risultato diventa definitivo. Se qualcuno lo contesta, un gioco di verifica stabilisce chi ha ragione e chi ha mentito. È lo stesso meccanismo dei rollup ottimistici che oggi regge buona parte dell’ecosistema Ethereum, applicato però all’inferenza dei modelli di machine learning.

Per oltre un anno l’opML è stato presentato come il compromesso pragmatico: più economico dello zkML, che deve produrre pesanti prove crittografiche, e più trustless dei TEE, che chiedono di fidarsi del produttore del chip. Nel 2026, però, quel compromesso è finito sotto pressione da entrambi i lati. Mentre il mercato cripto vive un altro Uptober sopra i massimi, lo zkML è diventato più economico e i chip sono diventati più veloci, erodendo i due vantaggi su cui l’opML aveva costruito la propria tesi. Questo articolo spiega cos’è l’opML, come funziona davvero e perché oggi si trova stretto in una morsa.

Che cos’è l’opML, in una frase

opML sta per optimistic machine learning, machine learning ottimistico. In una frase: si esegue l’inferenza (o l’addestramento) di un modello di AI fuori dalla blockchain, si pubblica on-chain il risultato insieme a un impegno crittografico (una radice di Merkle) che riassume l’intero calcolo, e si considera quel risultato valido salvo contestazione entro una finestra di tempo definita.

L’aggettivo «ottimistico» non è una trovata di marketing, è un termine tecnico preso in prestito dai rollup ottimistici come Arbitrum e OP Stack. Il sistema è ottimista perché assume per default che chi ha pubblicato il risultato sia onesto. Non chiede una prova preventiva. Scommette sul fatto che, se qualcuno barasse, ci sarebbe almeno un osservatore interessato e capace di accorgersene e di aprire una disputa. Il paper fondativo, «opML: Optimistic Machine Learning on Blockchain», lo dice con parole quasi identiche: il meccanismo è «reminiscent of the optimistic rollup systems».

La differenza con l’altra grande famiglia, lo zkML, è netta. Lo zkML produce una prova a conoscenza zero che il calcolo è matematicamente corretto, verificabile da chiunque senza doverlo rieseguire: è trustless, ma costoso. L’opML non produce alcuna prova in anticipo, pubblica e aspetta. Se il risultato non viene contestato, risparmia quasi tutto il costo della verifica. È un modello di fiducia radicalmente diverso, costruito sugli incentivi economici più che sulla matematica. L’idea fu discussa pubblicamente per la prima volta in un thread su Ethereum Research nell’estate del 2023, mesi prima del paper su arXiv.

L’opML come compromesso pragmatico

Per capire la posizione dell’opML conviene disegnare lo spettro della computazione verificabile. A un estremo c’è lo zkML, che offre la garanzia più forte (fiducia zero, verifica puramente matematica) al prezzo più alto. All’estremo opposto ci sono i TEE, gli ambienti di esecuzione fidati, che danno una verifica quasi gratuita e quasi istantanea ma chiedono di fidarsi del produttore del chip e della sua resistenza agli attacchi side-channel. In mezzo si collocano due approcci: quello cripto-economico, basato su stake e slashing, e appunto l’opML.

L’opML si è venduto come la via di mezzo sensata. Il costo del calcolo è quasi nativo, perché nel caso normale (nessuna contestazione) non si genera alcuna prova pesante: si paga solo la pubblicazione di un risultato e di un impegno. La fiducia richiesta non è nel chip di un singolo fornitore, ma nell’ipotesi che esista almeno un verificatore onesto disposto a controllare. In teoria, il meglio dei due mondi: più economico della crittografia pura, più aperto dell’hardware proprietario.

Attenzione però a non confondere la computazione verificabile con la semplice computazione decentralizzata. Affittare potenza di calcolo su una rete distribuita, per esempio noleggiando una GPU su Akash, risolve il problema di dove far girare il modello, non quello di dimostrare che il nodo ha calcolato onestamente. Una rete GPU ti dà la macchina, non la garanzia. L’opML e i suoi concorrenti si occupano esattamente del secondo problema: provare l’onestà del risultato, non solo fornire i cicli di calcolo.

L’eredità di Truebit e dei rollup ottimistici

L’opML non è nato dal nulla. Il suo cuore, il gioco di verifica interattivo, viene da un progetto che precede di anni i rollup ottimistici: Truebit, proposto da Jason Teutsch e Christian Reitwiessner nel paper «A scalable verification solution for blockchains». L’intuizione di Truebit era che non serve rieseguire on-chain un intero calcolo pesante per sapere se è corretto. Basta un protocollo di bisezione che individui il singolo passo in cui due parti sono in disaccordo, e arbitrare soltanto quel passo.

Funziona così. Chi contesta e chi ha pubblicato il risultato eseguono lo stesso programma. Se divergono, si gioca una sorta di «caccia al colpevole» a dimezzamenti successivi: il programma viene diviso a metà, le due parti dichiarano lo stato intermedio, e si scopre in quale metà c’è il disaccordo. Si ripete sulla metà incriminata, poi sul quarto, poi sull’ottavo, finché non resta una sola istruzione. Quella singola istruzione, minuscola, è l’unica cosa che la blockchain deve eseguire per capire chi ha ragione. Un calcolo che dal vivo richiede miliardi di operazioni si riduce, in disputa, a una manciata di passi arbitrati on-chain.

I rollup ottimistici come Optimism e Arbitrum hanno reso popolare questo schema per l’esecuzione generica dell’EVM. L’opML lo applica a un caso specifico e molto più ostico: l’inferenza di una rete neurale, fatta di miliardi di moltiplicazioni in virgola mobile. La sfida tecnica, come vedremo, è proprio rendere quell’esecuzione abbastanza deterministica e riproducibile da poter essere bisezionata e arbitrata.

Come funziona: la macchina virtuale a prove di frode

Il componente centrale dell’opML è una Fraud Proof Virtual Machine (FPVM), una macchina virtuale a prove di frode. Serve a garantire che tutti vedano lo stesso calcolo, passo per passo, in modo identico su qualsiasi macchina. Senza questa standardizzazione il gioco di bisezione sarebbe impossibile: due nodi onesti potrebbero arrivare a risultati leggermente diversi solo perché usano GPU diverse, e la disputa non avrebbe senso.

La prima versione dell’opML era a fase singola: ogni passo dell’inferenza veniva rieseguito dentro la macchina virtuale, un ambiente ristretto e deterministico ma lento, senza accelerazione GPU. Sicuro e semplice, ma impraticabile per i modelli grandi. La soluzione, descritta nella documentazione del progetto su GitHub, è stata l’approccio multi-fase: il calcolo pesante gira in modo nativo e parallelo, con tutta la velocità dell’hardware reale, finché nessuno protesta. Solo quando scoppia una disputa, e solo sul micro-passo contestato, si scende nella macchina virtuale deterministica. In questo modo la complessità dell’albero di Merkle che indicizza il calcolo passa da un ordine grossolano a uno molto più gestibile, con un’accelerazione che il team descrive nell’ordine delle «decine o centinaia di volte» rispetto alla fase singola.

Il risultato più citato è che, grazie a una libreria di deep learning leggera scritta ad hoc al posto di TensorFlow o PyTorch, l’opML riesce a far girare un modello da 7 miliardi di parametri come 7B-LLaMA (circa 26 GB) su un normale PC senza GPU. I benchmark del progetto, su compiti piccoli in stile MNIST e su testnet locale, parlano di pochi secondi per l’inferenza e di pochi minuti per il ciclo completo di contestazione. Sono numeri autodichiarati, non verificati da terzi indipendenti, e vanno letti come prove di fattibilità più che come dati di produzione.

La finestra di sfida e il guardiano onesto

Tutta la sicurezza dell’opML si concentra in un parametro: la finestra di sfida. È il periodo durante il quale un risultato pubblicato può essere contestato. Finché la finestra è aperta, il risultato è soltanto provvisorio. Quando si chiude senza contestazioni, diventa definitivo e qualsiasi smart contract può fidarsene.

Qui sta il compromesso fondamentale. Una finestra lunga è più sicura, perché dà a tutti il tempo di accorgersi di una frode e di aprire una disputa, ma rallenta la finalità e rende l’opML inutilizzabile per qualsiasi applicazione che abbia bisogno di una risposta immediata. Una finestra corta è veloce ma rischiosa, perché riduce le occasioni per un verificatore di controllare. Non esiste un valore giusto: dipende da quanto vale ciò che il modello sta decidendo.

Il secondo pilastro è l’ipotesi del «guardiano onesto»: basta un solo verificatore onesto e attento (il cosiddetto modello one-of-N) perché il sistema regga. Ma questa assunzione nasconde un problema classico, già noto a Truebit: il dilemma del verificatore. Controllare costa tempo e denaro, mentre il premio arriva solo nel raro caso in cui si scopra effettivamente una frode. Se tutti ragionano così, nessuno controlla, e il «guardiano onesto» diventa un’ipotesi teorica. Truebit tentò di risolverlo con errori forzati e jackpot per tenere svegli i verificatori; l’opML, nelle sue versioni pubbliche, non ha una risposta altrettanto strutturata.

Ora Protocol sostiene che il suo oracolo abbia gestito le richieste senza frodi andate a buon fine. È un dato che va però letto con cautela: non risulta pubblicamente che una prova di frode sia mai scattata sul suo oracolo, e l’assenza di contestazioni è coerente sia con un sistema perfettamente onesto sia con lo scenario in cui, semplicemente, nessuno sta davvero controllando.

Ora Protocol: chi c’è dietro l’opML

Il progetto che ha portato avanti l’opML è Ora Protocol, nato come Hyper Oracle nel 2022. Il co-fondatore Kartin Wong, ex ingegnere con un passato in Google, ha costruito un team che unisce competenze di oracoli e di crittografia applicata al machine learning; alla scienza si è aggiunta Cathie So, ricercatrice con un passato nel gruppo zkML della Ethereum Foundation, un dettaglio non casuale visto che Ora lavora sia su opML sia su zkML.

Nel giugno 2024 la società ha raccolto 20 milioni di dollari da Polychain, HF0 e HashKey Capital. In quell’occasione Wong ha spiegato a CoinDesk che l’obiettivo era «unlock the design space for AI dapps», sbloccare lo spazio di progettazione per le applicazioni decentralizzate basate su AI, portando i modelli di machine learning direttamente nell’ecosistema Ethereum. La visione, in altre parole, non era vendere opML come prodotto, ma usarlo come infrastruttura su cui costruire oracoli, agenti e persino mercati di modelli.

Il token nativo, ORA, serve soprattutto da carburante: ogni chiamata all’oracolo costa da 0,01 a 1,00 ORA, a seconda del modello. Non è pensato principalmente come token di governance, quanto come unità di pagamento per il servizio. Come vedremo più avanti, il prezzo di quel token racconta però una storia molto diversa da quella della tecnologia.

OAO, opAgent e cosa ci gira sopra

L’applicazione principale dell’opML è l’OAO, l’Onchain AI Oracle. È un insieme di contratti, con lo stesso indirizzo (0x0A0f4321214BB6C7811dD8a71cF587bdaF03f0A0) replicato su oltre una dozzina di reti tra cui Ethereum, Optimism, Arbitrum, Base, Polygon, Linea, Mantle e BSC. Il flusso è lineare: uno smart contract invia una richiesta, i nodi opML eseguono il modello, pubblicano il risultato con la finestra di sfida, e al termine un callback riporta la risposta al contratto richiedente. Blockworks ha confermato la disponibilità dell’oracolo sulla mainnet di Ethereum. Il catalogo, elencato nel repository OAO, comprende modelli a pesi aperti come Llama, Qwen, Mistral, Gemma, DeepSeek e generatori di immagini come Stable Diffusion e FLUX.

Sull’OAO Ora ha costruito opAgent, un framework di «agenti perpetui on-chain» presentato il 31 gennaio 2025, controllati dalla logica di uno smart contract anziché da una chiave privata, con l’opML come ponte che rende verificabile ogni loro azione. C’è poi l’IMO, l’Initial Model Offering, un tentativo di tokenizzare i ricavi di un modello: lo standard ERC-7641 (ancora in bozza) descrive un token che, nelle parole del suo stesso abstract, «embodies shares», incorpora quote, consentendo di bruciarle per riscattare una parte proporzionale dei ricavi; i contenuti generati sono invece ancorati allo standard ERC-7007, già finalizzato, che prevede sia prove di validità (zkML) sia prove di frode (opML).

Qui va segnalata una sfumatura che pesa più di quanto sembri. L’opML protegge davvero solo i modelli a pesi aperti, quelli che un contestatore può rieseguire in modo indipendente per verificare il risultato. Quando l’oracolo relaya un modello chiuso tramite API, come GPT-4o, non c’è alcun modo di rieseguirlo: quel risultato è di fatto soltanto trasmesso e attestato, non verificato con una prova di frode nel senso proprio. È una distinzione che molti materiali promozionali tendono a lasciare in secondo piano.

I quattro modi di verificare l’AI

Per collocare l’opML conviene metterlo accanto ai suoi tre concorrenti. Vitalik Buterin, co-fondatore di Ethereum, in un suo saggio sull’incrocio tra crypto e AI ha ricordato quanto sia caro portare una rete neurale in un circuito a conoscenza zero: le moltiplicazioni matriciali hanno un overhead contenuto, ma le operazioni non lineari possono comportare un sovraccarico «around 200x», e generare certe prove «can take hours». È proprio questo costo che l’opML aggira rinunciando alla prova preventiva. La tabella seguente riassume i quattro approcci.

Il fianco sinistro: lo zkML costa sempre meno

Il primo lato della morsa è lo zkML. La tesi storica dell’opML era semplice: lo zkML è bellissimo in teoria ma impraticabile sui modelli grandi, perché il costo di produrre la prova esplode. Per anni è stato vero. Elena Burger, deal partner di a16z crypto, ha spiegato con precisione il motivo in un suo intervento: «zero-knowledge proofs today can’t represent 32-bit floating point operations in the necessary arithmetic circuit format without massive overheads», e la quantizzazione a 8 bit che si usa per aggirare il problema produce quella che lei definisce una «crude approximation» del modello originale.

Nel 2026, però, quel muro ha cominciato a incrinarsi. Il sistema DeepProve di Lagrange ha dimostrato end-to-end l’inferenza di LLM reali come GPT-2 e Gemma-3, con modelli in stile Llama ancora in sviluppo, rivendicando una generazione delle prove decine di volte più rapida e una verifica centinaia di volte più veloce rispetto allo stato dell’arte precedente. Sul fronte accademico, lavori come Jolt Atlas hanno sostituito la rappresentazione a circuito delle operazioni non lineari con le lookup table, abbattendo proprio il costo che Burger descriveva.

Per l’opML è un problema. Non perché lo zkML sia già economico quanto una finestra di sfida, non lo è, ma perché il margine si assottiglia. Quanto più lo zkML diventa praticabile sugli LLM, tanto meno l’argomento «è troppo caro, usate l’opML» convince. E lo zkML, a differenza dell’opML, non ha bisogno di una finestra di attesa né di un guardiano onesto: la prova o è valida o non lo è. È lo stesso tema del determinismo e della fiducia che attraversa tutta la computazione verificabile.

Il fianco destro: i TEE hanno vinto sul volume

Il secondo lato della morsa sono i TEE, gli ambienti di esecuzione fidati. Qui il calcolo gira dentro un’enclave hardware isolata e il chip firma un’attestazione che certifica cosa è stato eseguito. La critica classica è nota: ti fidi del produttore del chip e sei esposto agli attacchi side-channel. Ma sul piano che conta per gli agenti e per le applicazioni interattive, la latenza, i TEE sono imbattibili.

I numeri lo confermano. Phala Network, uno dei principali operatori di confidential computing, dichiara sul proprio sito oltre 30 miliardi di token di inferenza confidenziale al giorno su una decina di modelli attivi, girando su hardware Intel TDX abbinato a GPU NVIDIA H100, H200 e Blackwell, con un overhead dichiarato dal 5 al 10% e prestazioni «near-native». È esattamente ciò che una finestra di sfida non può offrire: finalità praticamente istantanea, a costo quasi nullo, sui modelli chiusi come su quelli aperti. Chi costruisce agenti che devono reagire in tempo reale o comporre più chiamate in sequenza trova nei TEE ciò che l’opML, per costruzione, non può dare. Il tema della fiducia nel chip è lo stesso che abbiamo affrontato parlando di calcolo riservato.

Il verdetto si legge anche nei mercati. Mentre il token di Ora è crollato quasi a zero, il token di Phala ha messo a segno un recupero deciso nel corso del 2026, con una capitalizzazione tornata nell’ordine delle decine di milioni di euro. Non è una prova scientifica, ma è un segnale: il capitale ha premiato l’approccio che ha trovato volumi di produzione reali.

I problemi che l’opML non ha risolto

Mentre i due fianchi avanzavano, i limiti strutturali dell’opML sono rimasti dov’erano. Vale la pena elencarli con chiarezza, perché sono la ragione per cui l’opML fatica proprio dove la domanda cresce.

• Latenza e componibilità: finché la finestra di sfida è aperta, il risultato è provvisorio. Un altro contratto che volesse usarlo subito dovrebbe attendere, oppure accettare un rischio. Questo rompe la componibilità, il grande vantaggio della DeFi, dove le operazioni si incastrano una dentro l’altra nello stesso blocco.
• Il dilemma del verificatore: la sicurezza dipende da almeno un guardiano onesto, ma controllare costa e raramente paga. Senza un incentivo robusto a vigilare, il presidio rischia di essere solo teorico.
• La privacy: perché una disputa sia possibile, il calcolo (e quindi input e stati intermedi) deve poter essere rieseguito pubblicamente. L’opML, da solo, non protegge i dati sensibili dell’utente.
• Il non-determinismo delle GPU: l’inferenza in virgola mobile su GPU diverse può dare risultati leggermente diversi, il che complica la riesecuzione esatta richiesta dal gioco di frode.
• I modelli chiusi: l’opML verifica davvero solo i modelli riproducibili a pesi aperti. I modelli proprietari, spesso i migliori per gli agenti, possono essere solo attestati, non verificati.

La svolta ibrida del 2026

Il segnale più eloquente della morsa è che l’opML ha iniziato a prendere in prestito dai suoi concorrenti. La parola chiave del 2026, in questo settore, è ibrido. La stessa Ora ha pubblicato opp/ai, che integra lo zkML per la privacy con l’opML per l’efficienza, ammettendo di fatto che da solo l’opML non copre il problema dei dati sensibili. In ambito accademico è comparso anche lo zk-OPML, che usa la crittografia a conoscenza zero per accorciare la finestra di sfida, cioè per curare il difetto principale dell’opML con la medicina del suo rivale.

La critica più diretta arriva dal paper «Optimistic TEE-Rollups», firmato da Aaron Chan e colleghi, che propone un’architettura che unisce TEE per la finalità rapida, prove di frode e controlli a campione crittografici. Gli autori non usano giri di parole: gli approcci ottimistici «impose prohibitive dispute windows, preventing real-time interactivity», impongono finestre di disputa proibitive che impediscono l’interattività in tempo reale. Il loro quadro teorico è quello del «trilemma della verificabilità»: un sistema non può massimizzare insieme integrità del calcolo, bassa latenza e basso costo. La loro proposta ibrida rivendica il 99% della capacità di un sistema centralizzato, un costo intorno a 0,07 dollari per query e una finalità provvisoria sotto il secondo, esattamente le metriche su cui l’opML puro arranca.

Il messaggio di fondo è coerente: nessuno dei tre ibridi rinuncia all’opML, ma tutti lo circondano di pezzi presi altrove. L’opML resta utile come mattone, meno come edificio.

Il divario tra tecnologia e token

C’è un modo brutale di misurare la morsa: guardare i token. L’infrastruttura di verifica funziona, è tecnicamente credibile e in molti casi è live da anni. I token che dovrebbero rappresentarla, invece, sono tutti profondamente sotto i massimi storici. All’interno di questo quadro, il token dell’opML è di gran lunga il più debole. I dati che seguono sono rilevati da CoinGecko il 2 ottobre 2026.

I numeri parlano da soli. ORA vale poco più di un quarto di centesimo, capitalizza circa 438 mila euro e scambia volumi quotidiani nell’ordine di pochi euro: un controvalore così sottile che il prezzo è a malapena significativo. In queste condizioni di illiquidità le variazioni percentuali giornaliere non vanno sovrainterpretate, e non è onesto attribuire il crollo a un singolo evento quando i dati pubblici non lo documentano. Resta il fatto strutturale: la tecnologia dell’opML è viva, l’interesse del mercato per il suo token no. È lo stesso divario tra fondamentali e prezzo che abbiamo osservato parlando della correlazione tra azioni e crypto, dove i prezzi raccontano spesso più il sentiment che la sostanza.

Cosa significa per l’Italia: Consob, MiCA e il fisco

L’infrastruttura di calcolo, in sé, non è direttamente regolata. A finire nel perimetro delle regole sono i token che la pagano e, soprattutto, i servizi costruiti sopra, specie quando un agente autonomo gestisce asset per conto di terzi. In Italia il quadro è quello di MiCA, la cui fase transitoria si è chiusa il 1° luglio 2026 (con applicazione nazionale dal 30 giugno), affiancata dalle competenze di Consob su autorizzazioni e condotta e di Banca d’Italia su custodia e profili prudenziali, secondo l’impianto del D.lgs. 129/2024.

Il punto delicato è la classificazione. Consob ha adottato nel giugno 2025 le linee guida ESMA sulla qualificazione delle cripto-attività, che impongono un approccio di sostanza sulla forma: conta cosa fa davvero un token, non come viene etichettato. Un token di pura utilità, come ORA nella sua funzione di carburante per l’oracolo, tende a cadere sotto MiCA. Ma un token che, per ammissione del suo stesso standard tecnico, «embodies shares» e consente di riscattare una quota dei ricavi di un modello, come l’ERC-7641 alla base dell’IMO, assomiglia molto di più a uno strumento finanziario, e in quel caso la cornice rilevante diventa la MiFID II con la vigilanza di Consob, non MiCA. Negli Stati Uniti l’interpretazione congiunta SEC-CFTC del marzo 2026, che ha indicato sedici cripto-attività come digital commodity (tra cui LINK), non dice nulla sui token dell’infrastruttura di AI verificabile, lasciando ORA e simili in una zona grigia da valutare caso per caso.

C’è infine il capitolo fiscale, che per molti lettori italiani è il più concreto. Chi detiene un token come ORA, sceso di oltre il 99% dai massimi, ha con ogni probabilità una minusvalenza da gestire, e il trattamento delle plusvalenze e minusvalenze cripto resta in evoluzione: come abbiamo raccontato, l’Intergruppo parlamentare chiede il ritorno all’aliquota del 26% dal 2027. Prima di investire in un token infrastrutturale così illiquido, la domanda da farsi non è solo tecnologica ma anche pratica: esiste un mercato in cui uscire, e a quali condizioni fiscali.

Domande frequenti

Che cos’è l’opML in parole semplici?

L’opML (optimistic machine learning) è un metodo per rendere verificabile il calcolo di un modello di AI su blockchain. Si pubblica il risultato on-chain e lo si considera valido salvo contestazione entro una finestra di tempo; se qualcuno lo contesta, un gioco di verifica individua il singolo passo sbagliato e lo arbitra on-chain. È lo stesso principio dei rollup ottimistici, applicato all’inferenza dei modelli.

Qual è la differenza tra opML e zkML?

Lo zkML produce in anticipo una prova crittografica che il calcolo è corretto: è trustless ma costoso e lento da generare. L’opML non produce prove preventive, pubblica il risultato e si affida a una finestra di contestazione: è molto più economico nel caso normale, ma introduce una latenza di finalità e dipende dalla presenza di almeno un verificatore onesto.

L’opML è sicuro? Chi controlla che il risultato sia corretto?

La sicurezza dell’opML si regge su due ipotesi: una finestra di sfida abbastanza lunga e almeno un verificatore onesto e attento. Il punto debole è il dilemma del verificatore: controllare costa e raramente paga, quindi se nessuno vigila la garanzia diventa teorica. Il fatto che una prova di frode non sia mai scattata pubblicamente può voler dire che tutto è onesto, oppure che nessuno sta controllando davvero.

Che cos’è Ora Protocol e a cosa serve il token ORA?

Ora Protocol (ex Hyper Oracle) è il progetto che ha portato avanti l’opML e lo ha usato per costruire l’OAO, un oracolo di AI on-chain, insieme ad agenti (opAgent) e alla tokenizzazione dei modelli (IMO). Il token ORA è il carburante del servizio: ogni chiamata all’oracolo costa da 0,01 a 1,00 ORA. Al 2 ottobre 2026 ORA vale circa 0,0026 euro, con una capitalizzazione di poche centinaia di migliaia di euro e volumi molto bassi.

L’opML può verificare modelli come GPT-4o?

Non nel senso proprio. L’opML verifica con le prove di frode solo i modelli a pesi aperti, che un contestatore può rieseguire in modo indipendente. Un modello chiuso accessibile solo via API, come GPT-4o, non può essere rieseguito: quando l’oracolo lo utilizza, il risultato è trasmesso e attestato, non verificato con una prova di frode. È un limite rilevante, perché molti dei modelli migliori per gli agenti sono proprietari.

Marcus Okafor è senior editor di HOGE Wire e segue l’incrocio tra intelligenza artificiale e infrastruttura crypto.