L’addestramento dei modelli di intelligenza artificiale (AI) pi\u00f9 grandi richiede quantit\u00e0 enormi di potenza di calcolo, oggi concentrata nelle mani di pochi hyperscaler e di chi riesce ad accaparrarsi le GPU pi\u00f9 richieste. Gensyn nasce per rispondere a questo squilibrio: costruire una rete decentralizzata dove chiunque possieda hardware, da un data center a un computer da gaming, possa metterne a disposizione la capacit\u00e0 per addestrare modelli, con la garanzia crittografica che il lavoro sia stato eseguito davvero. Dopo anni di ricerca e un testnet pubblico, nell’aprile 2026 il progetto ha compiuto il passo pi\u00f9 atteso, il lancio del token $AI, diventando uno dei nomi pi\u00f9 discussi nel punto d’incontro tra AI e crypto.<\/p>
Gensyn \u00e8 un protocollo di calcolo decentralizzato per il machine learning. Standardizza il modo in cui i carichi di lavoro di addestramento, valutazione e inferenza vengono eseguiti, verificati e coordinati su dispositivi molto diversi tra loro, dai grandi data center ai personal computer domestici. L’obiettivo dichiarato \u00e8 trasformare la potenza di calcolo inutilizzata sparsa nel mondo in un’unica rete a cui gli sviluppatori possono attingere pagando a consumo, senza passare per forza da un fornitore cloud centralizzato.<\/p>
La societ\u00e0 \u00e8 stata fondata nel Regno Unito nel 2020 da Ben Fielding e Harry Grieve. Il cuore tecnico \u00e8 semplice da enunciare e complesso da realizzare: dividere un compito di addestramento in porzioni pi\u00f9 piccole, distribuirle a nodi non fidati e poi verificare on-chain che ognuno abbia calcolato correttamente, senza dover rieseguire tutto il lavoro. Chi fornisce calcolo verificato viene remunerato in token; chi lo utilizza paga per il risultato. La documentazione ufficiale descrive il protocollo come la spina dorsale economica<\/a> per l’apprendimento continuo di modelli AI senza un controllo centralizzato.<\/p> La tesi di Gensyn \u00e8 che il collo di bottiglia dell’AI non sia soltanto la disponibilit\u00e0 di chip, ma il fatto che quasi tutta la capacit\u00e0 utile sia controllata da pochi operatori. Le GPU di fascia alta scarseggiano, i prezzi del cloud restano elevati e i tempi di attesa per accedere a grandi cluster possono essere lunghi. Nel frattempo enormi quantit\u00e0 di potenza di calcolo restano inattive: schede grafiche dei consumatori, piccoli data center sottoutilizzati, macchine aziendali spente di notte.<\/p> Una rete decentralizzata prova a mettere a valore proprio questa capacit\u00e0 dispersa. Il modello ricorda quello di altri progetti DePIN (reti di infrastruttura fisica decentralizzata) che coordinano risorse hardware tramite incentivi in token, ma applicato al problema specifico dell’addestramento dei modelli. La sfida non \u00e8 banale: coordinare hardware eterogeneo su Internet introduce latenza, guasti e, soprattutto, il problema della fiducia. Come si fa a sapere che un nodo lontano abbia davvero eseguito il calcolo per cui viene pagato, invece di restituire un risultato inventato?<\/p> La risposta di Gensyn a quella domanda si chiama Verde, un sistema di verifica pensato appositamente per il machine learning e presentato in un paper accademico<\/a> nel 2025 (Verde: Verification via Refereed Delegation for Machine Learning Programs). L’idea di fondo abbandona gli approcci euristici come il proof-of-learning, che offrono efficienza ma garanzie di sicurezza deboli, in favore della cosiddetta refereed delegation, ossia la delega arbitrata.<\/p> Il meccanismo funziona cos\u00ec: un committente affida lo stesso compito a pi\u00f9 fornitori di calcolo non fidati e ottiene la certezza del risultato corretto se almeno uno di loro \u00e8 onesto. Se un verificatore ritiene che l’output di un fornitore sia sbagliato, si attiva un gioco di risoluzione delle dispute che coinvolge un arbitro neutrale. Invece di rieseguire l’intero addestramento, il protocollo individua con una ricerca a bisezione l’esatto passaggio in cui i due nodi divergono e ricalcola solo quell’operazione, riducendo drasticamente il costo della verifica.<\/p> Resta un problema pratico: hardware differenti possono produrre risultati leggermente diversi a causa dell’ordine delle operazioni in virgola mobile. Per questo Gensyn ha sviluppato RepOps (Reproducible Operators), una libreria che controlla l’ordine di quei calcoli e rende i modelli riproducibili bit per bit su schede diverse. Il team ha poi descritto il passaggio del sistema in produzione sul proprio blog tecnico<\/a>.<\/p> Il salto dalla teoria alla pratica \u00e8 arrivato a marzo 2025 con il lancio del testnet pubblico<\/a>, pensato per portare un’identit\u00e0 persistente ai sistemi AI decentralizzati: una rete che traccia la partecipazione, gestisce i pagamenti, coordina l’esecuzione da remoto e registra le sessioni di addestramento.<\/p> L’applicazione che ha fatto conoscere il progetto al grande pubblico \u00e8 RL Swarm, un framework open source per il post-training collaborativo tramite reinforcement learning. L’idea \u00e8 dimostrare che l’apprendimento per rinforzo pu\u00f2 avvenire in modo cooperativo e senza fiducia reciproca tra macchine indipendenti, ciascuna delle quali contribuisce con il proprio calcolo per migliorare i modelli insieme. Il codice \u00e8 pubblico su GitHub<\/a> e migliaia di utenti hanno provato ad avviare un nodo.<\/p> Il progetto ha continuato a evolversi: con la release di novembre 2025 l’ambiente Reasoning Gym \u00e8 stato sostituito da CodeZero, uno spazio cooperativo dedicato alla programmazione, costruito sullo stesso schema peer-to-peer. Va detto che, in alcune fasi, RL Swarm e i nodi ospitati direttamente da Gensyn sono stati messi in pausa, un promemoria del fatto che si tratta ancora di software sperimentale.<\/p> Il 22 aprile 2026 Gensyn ha portato sul mainnet la sua prima applicazione con valore economico reale, Delphi<\/a>, una piattaforma di mercati informativi permissionless. Chiunque pu\u00f2 creare un mercato su qualsiasi tema, dal prezzo obiettivo di Bitcoin ai risultati sportivi fino agli eventi geopolitici, e comprare o vendere posizioni sui possibili esiti.<\/p> La particolarit\u00e0 sta nel meccanismo di regolamento: al posto dei classici oracoli, sono modelli di AI a decidere l’esito dei mercati. Sul piano finanziario Delphi usa una regola di scoring logaritmica (LMSR) come market maker automatico, con prezzi che si adattano in tempo reale ai flussi di capitale e liquidit\u00e0 disponibile fin dal primo scambio. Il modello di commissioni ha un impatto diretto sul token: il 70 per cento delle entrate di protocollo viene bruciato, il 29 per cento va a un tesoro di comunit\u00e0 e chi crea un mercato guadagna l’1,5 per cento del volume scambiato. \u00c8 il primo caso concreto in cui la domanda per il servizio si traduce in pressione deflazionistica sull’offerta di $AI.<\/p> Il token $AI \u00e8 arrivato con un Token Generation Event concluso il 29 aprile 2026, uno dei debutti pi\u00f9 seguiti dell’anno nel comparto che unisce AI e crypto. Il token \u00e8 stato quotato in tempi rapidi su diversi exchange importanti, tra cui Binance, Coinbase, Kraken, KuCoin e Gate.io. L’offerta massima \u00e8 fissata a 10 miliardi di unit\u00e0, con circa 1,3 miliardi in circolazione al debutto.<\/p> Nel protocollo il token svolge tre funzioni principali:<\/p> La tabella seguente riassume i dati principali del token secondo CoinGecko<\/a>.<\/p>Perch\u00e9 serve un calcolo AI decentralizzato<\/h2>
Verde, come Gensyn verifica il lavoro svolto<\/h2>
Testnet, RL Swarm e CodeZero<\/h2>
Delphi, il primo prodotto sul mainnet<\/h2>
Il token $AI, tra tokenomics e prezzo<\/h2>