Gli agenti AI hanno imparato a firmare transazioni, gestire wallet e muovere capitali senza intervento umano. Quasi tutto il lavoro pesante, per\u00f2, l’inferenza di un modello linguistico, l’addestramento di una rete, il calcolo di un prezzo, avviene fuori dalla blockchain, sulla GPU di qualcun altro. La domanda che vale miliardi \u00e8 semplice: come faccio a sapere che quel server ha eseguito davvero il calcolo che dichiara, e non una scorciatoia pi\u00f9 economica o un risultato manipolato ad arte? La risposta si chiama verifiable compute, e nel 2026 \u00e8 passata dalla ricerca accademica ai primi prodotti su mainnet.<\/p>\n\n\n\n
Con verifiable compute si intende un insieme di tecniche che permettono a chi esegue un calcolo di produrre, insieme al risultato, una prova che quel calcolo \u00e8 avvenuto esattamente come dichiarato. Chi riceve il risultato non deve rifare i conti: gli basta controllare la prova, operazione molto pi\u00f9 economica dell’esecuzione originale. Il modello di fiducia cambia in modo radicale. Invece di \u00abfidati del server\u00bb, si passa a \u00abverifica la prova\u00bb. Vitalik Buterin, nel saggio The promise and challenges of crypto + AI applications<\/a>, colloca proprio in questa categoria le sinergie pi\u00f9 solide tra le due tecnologie, distinguendo l’uso dell’AI dentro i meccanismi crypto dai casi in cui \u00e8 la crittografia a rendere l’AI affidabile.<\/p>\n\n\n\n Attenzione a non confondere il verifiable compute con il semplice calcolo decentralizzato. Reti come Akash o Bittensor affittano potenza GPU distribuita, ma affittare capacit\u00e0 non equivale a dimostrarne l’onest\u00e0: un nodo pagato per un’inferenza pu\u00f2 restituire un risultato plausibile senza aver mai eseguito il modello richiesto. \u00c8 la differenza tra \u00abqualcuno ha calcolato\u00bb e \u00abposso provare che ha calcolato bene\u00bb.<\/p>\n\n\n\n Una blockchain \u00e8 deterministica e costosa per definizione: ogni nodo riesegue ogni operazione per raggiungere il consenso. Far girare on-chain l’inferenza di un modello con miliardi di parametri \u00e8 semplicemente impossibile, sia per costo sia per capacit\u00e0. Ecco perch\u00e9 l’AI vive fuori catena. Il problema \u00e8 che, spostando il calcolo all’esterno, si reintroduce l’incentivo a barare: usare hardware pi\u00f9 economico del dovuto, servire una risposta salvata in cache, oppure alterare l’output per un tornaconto.<\/p>\n\n\n\n La posta in gioco cresce quando il risultato muove denaro. Un agente che gestisce una tesoreria DeFi, un oracolo che alimenta un prezzo, un prediction market che decide chi ha ragione: se l’output \u00e8 sbagliato o manipolato, qualcuno perde fondi reali. C’\u00e8 poi un ostacolo tecnico noto come paradosso del determinismo. L’inferenza di un LLM su GPU non \u00e8 perfettamente riproducibile (aritmetica in virgola mobile, parallelismo, ottimizzazioni hardware), mentre le prove crittografiche classiche pretendono che lo stesso input produca sempre lo stesso identico output. Riconciliare le due cose \u00e8 una delle sfide centrali del settore.<\/p>\n\n\n\n Le prove a conoscenza zero (zero-knowledge proof, in sigla ZK) permettono di dimostrare che un’affermazione \u00e8 vera senza rivelare i dati che la sostengono. Applicate al machine learning danno lo zkML: il produttore genera una prova crittografica del tipo \u00abho eseguito il modello M sull’input x e ho ottenuto y\u00bb, e chiunque pu\u00f2 verificarla in millisecondi. \u00c8 la garanzia pi\u00f9 forte in circolazione, perch\u00e9 \u00e8 matematica e non richiede di fidarsi n\u00e9 dell’operatore n\u00e9 del produttore dell’hardware.<\/p>\n\n\n\n Il prezzo di tanta solidit\u00e0 \u00e8 il costo. L’overhead di prova cresce in modo superlineare rispetto alla dimensione del modello, il che rende oggi lo zkML poco pratico per reti da miliardi di parametri. Il settore lavora su due fronti. Da un lato le zkVM, macchine virtuali che provano l’esecuzione di programmi generici: RISC Zero e la SP1 di Succinct<\/a> compilano codice RISC-V e ne generano la prova. Dall’altro i marketplace di prove, che trasformano il proving in una commodity. Boundless<\/a>, il mercato decentralizzato di RISC Zero attivo su mainnet da settembre 2025, ha gi\u00e0 processato oltre 542 mila miliardi di cicli su circa 399.000 ordini, con i prover che competono in asta per generare le prove. Succinct gestisce una rete analoga, dove i prover mettono in staking il token PROVE e vengono penalizzati se mancano le scadenze.<\/p>\n\n\n\n Un Trusted Execution Environment (TEE) \u00e8 un’area protetta del processore che isola codice e dati dal resto del sistema, incluso chi gestisce fisicamente la macchina, e produce un’attestazione firmata dal chip a garanzia di ci\u00f2 che ha eseguito. Intel TDX, AMD SEV e soprattutto il confidential computing delle GPU NVIDIA H100<\/a> hanno reso l’approccio praticabile per l’AI: la memoria viene isolata da un firewall hardware e l’overhead sull’inferenza resta sotto il 7%, quasi la velocit\u00e0 nativa.<\/p>\n\n\n\n Qui la fiducia non si sposta sulla matematica ma sul produttore del silicio. Phala Network<\/a> ha costruito su questa base una rete di oltre 30.000 dispositivi TEE che combina Intel TDX e GPU TEE, con attestazione on-chain: a marzo 2026 processava pi\u00f9 di un miliardo di token LLM al giorno su piattaforme come OpenRouter. Anche EigenCompute, il servizio di calcolo verificabile di EigenCloud, parte dai TEE. Il vantaggio \u00e8 la velocit\u00e0; il limite \u00e8 che si deve confidare nell’integrit\u00e0 del chip e nell’assenza di attacchi side-channel, per cui la garanzia non \u00e8 a fiducia zero.<\/p>\n\n\n\n Un terzo filone prende in prestito l’idea degli optimistic rollup. Con l’optimistic machine learning (opML) il risultato viene pubblicato subito e dato per buono, ma si apre una finestra di contestazione durante la quale chiunque pu\u00f2 sfidarlo e forzare la riesecuzione: se il calcolo originale era sbagliato, una prova di frode lo smaschera e chi ha barato viene penalizzato. Il vantaggio \u00e8 economico, perch\u00e9 nessuna prova pesante viene generata finch\u00e9 non arriva una contestazione. Il progetto Ora ha introdotto per primo l’opML, descritto in un paper del 2024<\/a>.<\/p>\n\n\n\n Il compromesso \u00e8 la latenza. La finestra di sfida ritarda la finalit\u00e0 e mal si concilia con l’interattivit\u00e0 in tempo reale: un chatbot che deve attendere ore prima di considerare \u00abdefinitiva\u00bb una risposta non \u00e8 utilizzabile. Inoltre il modello regge solo se esiste almeno un osservatore onesto pronto a contestare, esattamente come negli optimistic rollup di Ethereum.<\/p>\n\n\n\n La quarta strada rinuncia alla prova crittografica e punta sul capitale in gioco. Invece di dimostrare matematicamente il calcolo, lo si garantisce con denaro messo in staking che viene tagliato (slashing) se il risultato \u00e8 scorretto. \u00c8 il modello del restaking reso popolare da EigenLayer, oggi ridenominata EigenCloud. Operatori indipendenti gestiscono servizi verificabili (AVS), vincolano token EIGEN o ETH e li perdono in caso di comportamento disonesto.<\/p>\n\n\n\n La tesi del progetto, la cosiddetta verifiable cloud<\/a>, \u00e8 ambiziosa: diventare per il calcolo verificabile ci\u00f2 che AWS \u00e8 stato per il web. EigenCloud ha lanciato EigenAI per l’inferenza end-to-end ed EigenCompute per il calcolo generico, con una roadmap che parte dalla sicurezza crypto-economica e prevede di aggiungere prove ZK in un secondo momento. Va ricordato che qui la garanzia \u00e8 economica, non crittografica: il sistema regge finch\u00e9 il costo per corrompere gli operatori resta superiore al profitto ottenibile. Il token EIGEN, secondo CoinGecko<\/a>, vale circa 0,16 euro a inizio luglio 2026.<\/p>\n\n\n\n Nessuno dei quattro metodi domina gli altri su ogni fronte: ciascuno sceglie un punto diverso nel triangolo tra integrit\u00e0 del calcolo, latenza e costo, quello che la letteratura chiama ormai il \u00abtrilemma della verificabilit\u00e0\u00bb. La tabella riassume i termini principali.<\/p>\n\n\n\nPerch\u00e9 la fiducia nel calcolo off-chain \u00e8 un problema<\/h2>\n\n\n\n
Le prove a conoscenza zero e lo zkML<\/h2>\n\n\n\n
TEE e confidential computing: la via dell’hardware<\/h2>\n\n\n\n
L’approccio ottimistico: opML e prove di frode<\/h2>\n\n\n\n
Sicurezza crypto-economica ed EigenCloud<\/h2>\n\n\n\n
I quattro approcci a confronto<\/h2>\n\n\n\n