Verifiable compute nel 2026: le prove scalano, i token no

Per due anni la promessa del verifiable compute è rimasta identica: dare a ogni calcolo di un modello di intelligenza artificiale una ricevuta, una prova che il modello giusto ha elaborato l’input giusto e ha prodotto davvero il risultato mostrato. Nel 2026 qualcosa si è mosso sul serio. Le prove hanno iniziato a scalare verso modelli reali, i primi LLM sono stati dimostrati end-to-end e le reti che vendono questa capacità sono passate dal testnet alla mainnet. Nello stesso periodo, però, i token che dovrebbero pagare tutto questo hanno perso tra il 91% e il 98% rispetto ai massimi storici. È la fotografia del settore a metà agosto 2026: la tecnologia corre, il mercato dei token no. Questo articolo prova a spiegare perché le due cose stanno accadendo insieme.

Che cosa intendiamo per verifiable compute, in breve

Un ripasso rapido, perché di guide di base a questo tema ne abbiamo già pubblicate diverse. Il verifiable compute (calcolo verificabile) consiste nel produrre un risultato e, insieme, una prova che quel risultato è stato calcolato correttamente; una prova che chi riceve l’output può controllare in modo molto più economico di quanto costerebbe rieseguire l’intero calcolo. Il modello di fiducia cambia in modo netto: si passa dal fidarsi del server, che dichiara di aver usato un certo modello su un certo input, al verificare una prova matematica o economica. Chi controlla non deve più credere sulla parola, e nemmeno rifare i conti.

È la distinzione che separa il verifiable compute dal semplice calcolo decentralizzato. Reti come Akash o i marketplace di GPU affittano potenza di calcolo, ma non dimostrano di aver eseguito il lavoro in modo onesto: un nodo potrebbe consegnare l’output di un modello più piccolo e scadente spacciandolo per quello richiesto, e nessuno se ne accorgerebbe. Il nodo della fiducia, il divario tra affittare hardware e provare l’onestà, è esattamente il punto che abbiamo analizzato parlando dei costi reali e del nodo della fiducia nell’inferenza decentralizzata. Il verifiable compute è la risposta tecnica a quella domanda.

La cornice teorica la aveva messa a fuoco Vitalik Buterin già nel gennaio 2024, nel saggio The promise and challenges of crypto plus AI applications: la verificabilità è forse l’uso più solido della crittografia applicata all’AI, ma resta un compromesso di fondo tra un calcolo economico e non verificabile e uno verificabile ma molto più costoso. Tutto quello che è successo nel 2026 è, in un modo o nell’altro, un tentativo di spostare quel compromesso.

Perché il 2026 è l’anno della svolta

Fino al 2024 il verifiable compute era in larga parte una promessa da paper accademico e da demo. Tre cose lo hanno trasformato in infrastruttura reale nel giro di dodici mesi. La prima è che le reti principali sono uscite dal laboratorio: Succinct ha portato in mainnet il proprio zkVM ad agosto 2025, Boundless ha aperto il suo marketplace di prove su Base a settembre 2025, EigenCloud ha lanciato nello stesso mese la versione mainnet alpha dei suoi servizi di AI verificabile. Non sono più esperimenti: sono servizi che generano prove e fatturano.

La seconda è il salto tecnico: per la prima volta un sistema di prova a conoscenza zero ha dimostrato end-to-end l’inferenza di un modello linguistico completo, un traguardo che fino a poco prima gli stessi ricercatori davano per lontano. La terza è normativa: l’AI Act europeo entra nella sua fase più pesante il 2 agosto 2026, e con essa cresce la domanda di sistemi che sappiano documentare in modo verificabile che cosa ha fatto un modello. Messe insieme, queste tre spinte spiegano perché il 2026 è il momento in cui il verifiable compute smette di essere una curiosità e diventa un pezzo di mercato. E spiegano anche perché la delusione sui prezzi dei token, che vedremo più avanti, faccia così rumore: la distanza tra ciò che la tecnologia sa fare e ciò che il mercato le riconosce non è mai stata così ampia.

Il muro dell’inferenza LLM si sta incrinando

L’obiezione classica allo zkML era una sola: bello sulla carta, impossibile sui modelli veri. Dimostrare crittograficamente ogni operazione di una rete con miliardi di parametri richiedeva un overhead così alto da rendere la cosa inutilizzabile. Per anni le prove a conoscenza zero applicate all’AI si sono fermate a piccoli classificatori o a reti convoluzionali, non certo a un modello linguistico. Nel 2026 quel muro ha cominciato a incrinarsi.

Il segnale più forte arriva da Lagrange, che con DeepProve-1 ha presentato il primo sistema zkML capace di dimostrare end-to-end l’inferenza di un LLM completo, nella fattispecie GPT-2. Non è ancora un modello di frontiera, e vale la pena dirlo con chiarezza per non alimentare aspettative sbagliate: i modelli di classe Llama restano in fase di sviluppo, e nessuno oggi dimostra crittograficamente un modello da centinaia di miliardi di parametri in tempi ragionevoli. Ma la barriera concettuale, il fatto stesso che un LLM completo si possa provare, è caduta. A giugno 2026 Lagrange ha reso open source DeepProve, e secondo il comunicato di rilascio il sistema aveva già generato oltre 12 milioni di prove e verificato più di 3 milioni di inferenze, con una generazione della prova indicata come molto più rapida rispetto ai sistemi zkML precedenti e una verifica di ordini di grandezza più veloce.

Dietro il salto c’è un cambio di strumenti matematici. Le operazioni non lineari tipiche delle reti neurali, come le funzioni di attivazione ReLU e le softmax, sono storicamente le più costose da tradurre in un circuito a conoscenza zero. Le architetture più recenti, a partire dagli zkVM basati su argomenti di lookup come Jolt, riducono drasticamente quel costo trattando molte operazioni come una consultazione in tabella anziché come un circuito da provare passo per passo. È un dettaglio tecnico, ma è il vero motore della svolta 2026. Il CEO di Lagrange, Ismael Hishon-Rezaizadeh, ha riassunto così il senso del rilascio open source: «Today, DeepProve becomes a primitive. The black box is open». L’idea è che la verifica dell’AI diventi un mattone di base, disponibile a tutti, non il prodotto proprietario di una singola azienda.

Le quattro strade verso la prova

Non esiste un solo modo di rendere verificabile un calcolo di AI. Ne esistono quattro, ciascuno con un diverso equilibrio tra solidità della garanzia, velocità e costo. La tabella qui sotto li mette a confronto con lo stato raggiunto a metà 2026; nei paragrafi successivi li vediamo uno per uno.

zkML: il prezzo della precisione

Lo zkML è la strada più ambiziosa: produce una garanzia puramente crittografica, senza dover credere a nessun hardware e senza dover assumere che qualcuno stia vigilando. Chi verifica la prova ha una certezza matematica che il calcolo è avvenuto come dichiarato. Il punto debole, storicamente, è il costo. Generare la prova richiede molto più lavoro che eseguire il modello, a volte diversi ordini di grandezza in più.

L’ecosistema si è organizzato su due livelli. Da un lato ci sono le librerie che traducono un modello in un circuito dimostrabile: EZKL, che parte dal formato ONNX ed è diventata il riferimento contro cui gli altri si misurano, e i sistemi zkVM general purpose come SP1 di Succinct, basato su architettura RISC-V, che invece di provare un singolo modello permette di provare qualsiasi programma compilato. Dall’altro ci sono i sistemi specializzati, come DeepProve, che ottimizzano proprio la matematica delle reti neurali.

C’è però un vincolo che nessuna libreria elimina del tutto, ed è utile capirlo perché spiega molti compromessi. I circuiti a conoscenza zero lavorano su aritmetica intera su campi finiti, non sui numeri in virgola mobile a 32 bit con cui girano di norma i modelli di AI. Rappresentare direttamente quelle operazioni float in un circuito costa enormemente, come ha ricordato più volte la ricerca di a16z crypto. La conseguenza pratica è che i modelli vengono quantizzati, spesso a 8 bit, per entrare nei circuiti: si guadagna in provabilità ma si perde qualcosa in accuratezza. È la tensione di fondo dello zkML nel 2026: quanto sei disposto ad approssimare il modello pur di riuscire a dimostrarlo.

Vale la pena ricordare da dove si parte. Nei primi esperimenti di zkML, generare la prova per una singola inferenza di un modello anche modesto poteva richiedere ore di calcolo, un costo che rendeva la tecnologia una curiosità da laboratorio. La corsa degli ultimi due anni è stata soprattutto una corsa a comprimere quei tempi: hardware dedicato alla generazione delle prove, nuovi schemi di commitment e, come si è visto, gli argomenti di lookup hanno abbattuto quel costo di ordini di grandezza. Restano lontani i modelli più grandi, ma la traiettoria è chiara, e spiega perché nel 2026 si parli di zkML come di qualcosa di quasi pratico e non più soltanto teorico.

TEE: velocità contro fiducia nel silicio

Se lo zkML è la strada più pura, i TEE (Trusted Execution Environment) sono la strada più pragmatica, ed è quella che nel 2026 muove i volumi maggiori. L’idea è diversa: invece di dimostrare matematicamente il calcolo, si esegue il modello dentro un’enclave hardware isolata e cifrata, e il chip firma un’attestazione che certifica quale codice ha girato e su quale dispositivo. Il verificatore non controlla una prova crittografica del calcolo, ma una firma dell’hardware.

Il grande abilitatore è stato l’arrivo del confidential computing sulle GPU. Le enclave tradizionali vivevano sulla CPU e mal si adattavano ai carichi AI; con il confidential computing di NVIDIA sulle H100, che protegge la memoria della GPU con un firewall hardware e mantiene l’overhead entro margini contenuti, l’inferenza protetta è diventata praticabile anche su modelli grandi. Su questo si è costruita Phala Network, che dichiara oltre trentamila dispositivi TEE e un volume superiore al miliardo di token LLM elaborati al giorno instradati attraverso servizi come OpenRouter. Accanto a NVIDIA ci sono Intel TDX, AMD SEV e servizi cloud come Google Cloud Confidential Space, che portano l’attestazione anche in contesti enterprise.

Il compromesso è evidente e va detto senza giri di parole: la fiducia non sparisce, si sposta. Con un TEE non ti fidi dell’operatore del nodo, ma devi fidarti del produttore del chip e della robustezza della sua enclave. La storia recente della sicurezza hardware è piena di attacchi side-channel che hanno bucato enclave ritenute sicure, e ogni nuova falla riapre la domanda. Il TEE offre una garanzia forte e velocissima, ma non è la fiducia-zero dello zkML. Per un approfondimento su come si combinano GPU, routing e verifica leggera in una rete reale rimandiamo alla nostra analisi su hardware, GPU e routing dell’inferenza decentralizzata.

opML e sicurezza crypto-economica

Le altre due strade rinunciano alla certezza immediata in cambio di costi bassi. L’opML (optimistic machine learning) funziona come i rollup ottimistici: chi calcola pubblica il risultato dando per buono che sia corretto, si apre una finestra di contestazione e, se qualcuno segnala un errore, una prova di frode risolve la disputa rieseguendo solo il passaggio incriminato. Il pioniere è Ora, che ha formalizzato l’approccio in un paper del 2024. Il vantaggio è il costo quasi nullo nel caso normale; gli svantaggi sono due, la latenza introdotta dalla finestra di disputa, che rende l’opML inadatto agli usi in tempo reale, e la necessità che esista almeno un osservatore onesto pronto a contestare.

La sicurezza crypto-economica adotta la logica dello staking. Chi esegue il calcolo deposita un capitale a garanzia; se viene colto a barare, quel capitale viene tagliato (slashing). Non c’è una prova crittografica del calcolo: c’è la certezza economica che imbrogliare costa più di quanto renda. È la scommessa di EigenCloud, la nuova identità di EigenLayer, che a fine settembre 2025 ha lanciato in mainnet alpha due prodotti: EigenAI, un’API di inferenza LLM verificabile e compatibile con OpenAI, che punta su un’esecuzione deterministica bit-exact su GPU, ed EigenCompute, che esegue immagini Docker in ambiente TEE con attestazione Intel TDX su Google Cloud Confidential Space e si integra con strumenti per agenti come Coinbase AgentKit. Il CEO di EigenCloud, Sreeram Kannan, sintetizza la tesi in una frase: «The future of software is autonomous and verifiable, with agents that can act on behalf of users in the real world, from managing capital to brokering agreements», e definisce l’attuale infrastruttura legacy per AI e calcolo un collo di bottiglia per lo sviluppo degli agenti.

I marketplace di prove: Boundless e Succinct

Uno dei cambiamenti più concreti del 2025-2026 è nato accanto alle quattro strade appena viste: la separazione tra chi ha bisogno di una prova e chi la genera. Produrre prove a conoscenza zero richiede hardware specializzato e competenze rare; ha senso che diventi un servizio a mercato, come è successo per il cloud computing. Da qui i marketplace di prove.

Il caso più visibile è Boundless, che a settembre 2025 ha lanciato la mainnet su Base con il sostegno, tra gli altri, di Ethereum Foundation, Base e Wormhole. Il meccanismo si chiama Proof of Verifiable Work: i prover competono per generare prove e vengono remunerati in base a quantità, velocità e complessità del lavoro svolto, ed è agnostico rispetto al sistema di prova sottostante. Shiv Shankar, CEO di Boundless ed ex CIO di RISC Zero, ha spiegato l’ambizione così: «For the first time, developers on any chain can access abundant zero-knowledge compute to build complex applications that scale across ecosystems without sacrificing decentralization». Sull’altro versante, Succinct ha portato in mainnet ad agosto 2025 il proprio zkVM SP1, adottato da decine di protocolli per generare prove che mettono in sicurezza miliardi di dollari di valore. L’idea comune è la stessa: rendere la prova a conoscenza zero una risorsa abbondante e comprabile, non un lusso artigianale.

L’aspetto economico è interessante quanto quello tecnico. Un marketplace di prove trasforma la generazione di ZK in un mercato con un lato dell’offerta competitivo: chiunque abbia hardware adatto può candidarsi come prover e guadagnare svolgendo il lavoro, e la concorrenza spinge verso il basso il prezzo della prova. È la stessa dinamica che ha reso economico il cloud tradizionale, applicata a una risorsa finora scarsa e costosa. Se funziona, rendere verificabile un calcolo smette di essere un ostacolo proibitivo e diventa una voce di spesa gestibile; se non funziona, questi mercati resteranno sottili e i prover si concentreranno in poche mani, con i rischi di centralizzazione che ne derivano.

Il trilemma della verificabilità e il paradosso del determinismo

Perché non esiste una sola strada vincente? Perché il verifiable compute vive un trilemma. Le tre proprietà desiderabili sono l’integrità della garanzia (quanto è forte la prova che il calcolo è corretto), la latenza (quanto tempo passa prima che il risultato sia usabile) e il costo. Nel 2026 si riesce a ottimizzarne al massimo due sacrificando la terza. Lo zkML massimizza l’integrità ma paga in costo; il TEE è veloce ed economico ma la sua integrità dipende dalla fiducia nel chip; l’opML è economicissimo ma introduce latenza; il crypto-economico è rapido ma offre una garanzia probabilistica ed economica, non assoluta.

C’è poi un ostacolo più sottile, quasi filosofico, che rende difficile applicare lo zkML agli LLM: il paradosso del determinismo. Le prove a conoscenza zero hanno bisogno di un calcolo perfettamente riproducibile, bit per bit. L’inferenza di un LLM su GPU, però, non è deterministica in senso stretto: l’ordine con cui vengono sommate le operazioni in parallelo e gli arrotondamenti in virgola mobile possono produrre output leggermente diversi da un’esecuzione all’altra sullo stesso input. Ecco perché la promessa di un’esecuzione deterministica bit-exact, rivendicata da chi lavora sull’inferenza verificabile, non è un dettaglio di marketing ma una precondizione tecnica: senza determinismo non c’è prova che tenga, e senza prova non c’è verificabilità.

Gli ibridi: il vero trend del 2026

La conseguenza logica del trilemma è che nessuno, nel 2026, sceglie più un solo approccio. Il trend dominante sono gli stack ibridi, che combinano più tecniche per prendere il meglio di ciascuna. Lo schema più discusso è quello dei cosiddetti Optimistic TEE-Rollup: si esegue l’inferenza in un’enclave TEE su GPU H100 per avere velocità e finalità quasi immediata, si aggiunge una finestra di contestazione ottimistica con prove di frode per catturare gli abusi, e si inseriscono controlli a campione con prove a conoscenza zero laddove il costo lo consente.

Il risultato è un sistema che offre la rapidità del TEE, l’onestà economica del modello ottimistico e, sui campioni verificati, la certezza crittografica dello zkML, senza pagare il costo pieno di dimostrare ogni singola inferenza. È un compromesso ingegneristico, non elegante quanto una prova pura, ma è l’unico che oggi regge in produzione su carichi reali. La direzione è chiara: nel breve periodo il verifiable compute non sarà una tecnologia sola, ma una pila di garanzie sovrapposte, calibrate sul valore di ciò che stanno proteggendo. Più il calcolo è critico, più garanzie si impilano sopra.

Le prove scalano, i token no: la grande divergenza

Qui arriva la parte scomoda. Mentre la tecnologia registrava i progressi che abbiamo descritto, i token dei progetti che la costruiscono sono stati travolti. A metà agosto 2026, secondo i dati di CoinGecko in euro, quasi ogni token legato alla generazione o alla verifica di prove viaggia tra il 91% e il 98% sotto il proprio massimo storico. Non è il caso di un singolo progetto andato male: è un pattern che attraversa tutto il settore.

Il contrasto con Bittensor è istruttivo: TAO, che non è un token puro di verifica ma la valuta di un’intera rete di intelligenza AI, resta più o meno invariato sull’ultimo mese e ben capitalizzato, mentre i token specializzati nella prova vengono venduti senza pietà. Perché? Le ragioni sono più d’una. Molti di questi asset avevano toccato i massimi nel 2025 su ondate speculative slegate dall’uso reale; buona parte è soggetta a piani di sblocco che diluiscono l’offerta proprio mentre la narrativa si raffredda; ma soprattutto c’è un problema strutturale di cattura del valore. Un token infrastrutturale abilita un servizio prezioso senza necessariamente incassarne il valore: la domanda di prove può crescere mentre il ricavo che finisce nel token resta modesto. È lo stesso scarto tra fondamentali e prezzo che abbiamo visto altrove, e che rende il settore vulnerabile ai cicli di liquidità, un tema che si intreccia con il modo in cui i dati macro come l’inflazione muovono i prezzi crypto. Per l’investitore la lezione è prudente: una tecnologia che funziona non è di per sé un token che sale, e un drawdown del 95% non è mai automaticamente un’occasione.

Sotto la superficie c’è una questione più profonda, che gli investitori crypto conoscono bene: il divario tra il valore che un protocollo genera e il valore che il suo token riesce a trattenere. Un’infrastruttura di verifica può diventare indispensabile e comunque lasciare poco margine al token che la rappresenta, soprattutto se il servizio si paga in stablecoin o se le prove diventano una commodity a basso prezzo. A questo si aggiunge il calendario degli sblocchi: diversi progetti del settore hanno ancora grandi quote di token in vesting a favore di team e primi investitori, un’offerta che continuerà ad arrivare sul mercato nei prossimi trimestri. Finché la domanda reale non cresce più in fretta di quell’offerta, la pressione sui prezzi difficilmente si allenta.

A cosa serve davvero: i casi d’uso

Tolta la finanza speculativa, dove serve concretamente una prova di calcolo AI? I casi d’uso che hanno più senso nel 2026 sono quelli in cui l’output di un modello innesca un’azione con conseguenze economiche o legali, e dove quindi sbagliare o barare costa caro.

• Agenti AI che agiscono on-chain: un agente che sposta capitali, firma transazioni o esegue ordini dovrebbe poter dimostrare che la decisione è nata davvero dal modello dichiarato e non da un input manipolato. È la spina dorsale della cosiddetta economia degli agenti.
• Oracoli verificabili: portare on-chain il risultato di un calcolo complesso, da una query su un database (Proof of SQL) a un modello di rischio, con la garanzia che il dato non è stato alterato.
• Risoluzione dei mercati predittivi: quando l’esito di una scommessa dipende da un giudizio, una prova rende l’arbitraggio contestabile e trasparente invece che affidato a un’autorità opaca.
• Marketplace DePIN di GPU: le reti che affittano potenza di calcolo possono aggiungere uno strato di verifica per dimostrare ai clienti che il lavoro è stato eseguito con il modello e sull’hardware pattuiti.
• Tracciabilità e audit: documentare in modo non falsificabile quale modello, con quali pesi e su quali dati ha prodotto una certa decisione, è esattamente il tipo di prova che una normativa sull’AI può richiedere.

AI Act, Consob e MiCA: le regole del gioco

L’ultimo punto della lista, la tracciabilità, è anche quello che collega il verifiable compute alla regolazione, e qui sta forse la spinta di domanda più solida per i prossimi anni. L’AI Act europeo applica dal 2 agosto 2025 gli obblighi sui modelli di uso generale (GPAI), e dal 2 agosto 2026 entra in vigore la parte più corposa del regolamento, comprese le regole sui sistemi ad alto rischio elencati nell’Allegato III, come ricorda la Commissione europea. Obblighi di trasparenza, documentazione tecnica e tracciabilità creano una domanda naturale di strumenti che sappiano provare, e non solo dichiarare, che cosa ha fatto un modello. È la ragione per cui diversi operatori del settore leggono la normativa non come un vincolo ma come un motore commerciale.

Sul piano crypto, in Italia la cornice è quella di MiCA, il cui periodo transitorio si è chiuso il 1 luglio 2026. L’infrastruttura di calcolo in sé non è oggetto diretto del regolamento: MiCA disciplina le cripto-attività e i servizi su cripto-attività, non i protocolli tecnici. Ma i token che pagano questi servizi ricadono nel perimetro, e così i servizi stessi quando, per esempio, un agente AI gestisce asset per conto di un cliente. La vigilanza è divisa: Consob sorveglia condotta di mercato e tutela dell’investitore, Banca d’Italia gli aspetti prudenziali e le stablecoin, secondo il D.lgs. 129/2024. Un nodo delicato è la classificazione: seguendo gli orientamenti ESMA fatti propri anche da Consob, conta la sostanza, non l’etichetta, e un token infrastrutturale potrebbe essere trattato come cripto-attività sotto MiCA oppure, in certi casi, come strumento finanziario sotto la MiFID II. Gli eventuali derivati su questi asset, del resto, restano fuori da MiCA e sotto la MiFID II. Per il quadro completo dell’attuazione italiana rimandiamo alla nostra guida su MiCA in Italia, CASP autorizzati e cosa cambia nel 2026.

Che cosa guardare nel resto del 2026

Restano aperte alcune domande che il resto dell’anno aiuterà a sciogliere. La prima è se i servizi di AI verificabile usciranno dalla fase alpha per diventare disponibilità generale stabile: EigenCloud ha promesso il passaggio, e sarà un test concreto della tesi crypto-economica applicata all’AI. La seconda riguarda la frontiera tecnica: dopo GPT-2, la vera prova del nove sarà dimostrare end-to-end un modello di classe Llama in tempi e costi accettabili. Chi ci riuscirà per primo sposterà davvero l’asticella.

La terza è normativa: con l’entrata in vigore delle regole ad alto rischio dell’AI Act ad agosto, si vedrà se la domanda di tracciabilità verificabile si tradurrà in adozione reale o resterà sulla carta. La quarta è di mercato: i token del settore torneranno a riflettere l’uso effettivo, oppure la divergenza tra tecnologia e prezzo si allargherà ancora? E sullo sfondo resta la questione infrastrutturale, quella dell’hardware e dell’energia necessari a far girare tutto questo, un terreno su cui reti come Render stanno costruendo la propria scommessa, come raccontiamo nell’analisi su Render e il calcolo AI su GPU decentralizzate. Per ora la fotografia è nitida: nel 2026 il verifiable compute ha dimostrato di poter mantenere la sua promessa tecnica; deve ancora dimostrare di poterla trasformare in un mercato sostenibile.

Domande frequenti

Che cos’è il verifiable compute in parole semplici?

È la capacità di accompagnare il risultato di un calcolo, tipicamente l’output di un modello di intelligenza artificiale, con una prova che quel risultato è stato ottenuto correttamente, con il modello e i dati dichiarati. Chi riceve l’output può controllare la prova in modo rapido ed economico, senza dover rieseguire il calcolo e senza doversi fidare sulla parola di chi lo ha eseguito. Serve soprattutto quando la risposta di un’AI innesca un’azione con conseguenze reali, come una transazione o una decisione finanziaria.

Il verifiable compute può davvero dimostrare l’inferenza di un LLM come ChatGPT?

In parte, e con cautela. Nel 2026 Lagrange, con DeepProve-1, ha dimostrato end-to-end l’inferenza di un LLM completo, ma si tratta di GPT-2, un modello ormai piccolo. I modelli di frontiera con centinaia di miliardi di parametri restano oggi troppo costosi da provare crittograficamente in tempi ragionevoli; quelli di classe Llama sono in fase di sviluppo. La barriera concettuale è caduta, ma non siamo ancora al punto di poter dimostrare a conoscenza zero un modello di ultima generazione in produzione.

Perché i token come EIGEN, PROVE e ZKC sono crollati se la tecnologia funziona?

Perché il prezzo di un token e il progresso di una tecnologia sono due cose diverse. A metà 2026 quasi tutti i token del settore viaggiano tra il 91% e il 98% sotto i massimi, complici i picchi speculativi del 2025, gli sblocchi che diluiscono l’offerta e, soprattutto, un problema di cattura del valore: un token infrastrutturale può abilitare un servizio prezioso senza incassarne davvero il valore. La lezione per chi investe è che una tecnologia che funziona non equivale a un token che sale.

Qual è la differenza tra zkML, TEE e opML?

Sono tre modi diversi di garantire un calcolo. Lo zkML produce una prova crittografica pura, la garanzia più forte ma anche la più costosa da generare. Il TEE esegue il modello in un’enclave hardware isolata e ne fa attestare l’esecuzione dal chip: è veloce ed economico, ma richiede fiducia nel produttore del silicio. L’opML pubblica il risultato in modo ottimistico e lo lascia contestabile entro una finestra di tempo tramite prove di frode: costa pochissimo ma introduce latenza e richiede almeno un osservatore onesto. Nel 2026 molti sistemi li combinano in stack ibridi.

Come si applicano MiCA e l’AI Act al verifiable compute in Italia?

L’infrastruttura di calcolo in sé non è regolata direttamente da MiCA, che disciplina le cripto-attività e i relativi servizi; rientrano invece nel perimetro i token che pagano questi servizi e i servizi stessi quando gestiscono asset per conto di terzi. In Italia vigilano Consob (condotta e tutela dell’investitore) e Banca d’Italia (profili prudenziali e stablecoin), con il periodo transitorio MiCA chiuso il 1 luglio 2026. L’AI Act, la cui parte sui sistemi ad alto rischio si applica dal 2 agosto 2026, spinge invece la domanda di tracciabilità verificabile, ed è probabilmente il vero motore normativo del settore.

Di Luca Ferretti, redattore senior di HOGE Wire specializzato in AI e infrastrutture crypto.