Il 22 aprile 2026 Gensyn ha acceso la propria mainnet e, una settimana dopo, il token $AI ha debuttato quasi simultaneamente su una dozzina di piattaforme di scambio. Nel giro di poche ore il prezzo \u00e8 salito di circa il 250%, per poi perdere quasi la met\u00e0 del proprio valore nello stesso weekend, uno schema di debutto che chi segue il cluster ai-crypto ha ormai imparato a riconoscere. Tre mesi dopo, con la polvere del lancio in gran parte assestata, \u00e8 il momento giusto per fare un passo indietro e capire cos’\u00e8 davvero Gensyn, come funziona e cosa significa per chi guarda al settore dall’Italia.<\/p>
In sintesi, Gensyn \u00e8 un protocollo che vuole trasformare la potenza di calcolo del mondo, dalle GPU dei grandi data center a quelle dei PC da gaming, in un mercato aperto e verificabile per addestrare modelli di machine learning. L’ambizione non \u00e8 isolata: anche Bittensor e Akash Network lavorano da anni su problemi adiacenti. Ma Gensyn punta su un elemento specifico che lo distingue, ovvero un sistema di verifica crittografica ed economica capace di dimostrare che un lavoro di addestramento \u00e8 stato svolto per davvero, e correttamente, anche quando il computer che lo esegue non gode di alcuna fiducia a priori.<\/p>
Il momento non \u00e8 casuale. Negli ultimi due anni il cluster ai-crypto, l’insieme di progetti che uniscono infrastrutture di calcolo, agenti software autonomi e marketplace di dati per l’intelligenza artificiale, \u00e8 diventato uno dei temi pi\u00f9 discussi del settore, spesso a colpi di token dal nome altisonante e promesse difficili da verificare. Gensyn si presenta come un caso un po’ diverso: sei anni di sviluppo tecnico alle spalle, una ricerca accademica pubblica e, oggi, un prodotto effettivamente in funzione sulla propria rete. Questo non lo rende immune da rischi, come si vedr\u00e0 pi\u00f9 avanti, ma cambia il tipo di domande da porsi. Questo articolo ripercorre la storia del progetto, spiega i suoi componenti tecnici principali (Verde, RepOps, RL Swarm), fa il punto sul token $AI dopo il debutto di mercato e guarda alle implicazioni regolatorie e fiscali per un lettore italiano.<\/p>
Alla base di Gensyn c’\u00e8 una diagnosi ricorrente nelle parole del co-fondatore e CEO Ben Fielding: l’addestramento dei grandi modelli di intelligenza artificiale richiede quantit\u00e0 di calcolo che solo poche aziende al mondo possono permettersi, e questo crea una barriera strutturale a favore dei laboratori gi\u00e0 dominanti. In un’intervista raccolta da CoinDesk<\/a>, Fielding lo ha detto senza troppi giri di parole: \u00abil machine learning \u00e8 fortemente vincolato dalle sue risorse di base. Questo crea un enorme fossato per le aziende di intelligenza artificiale centralizzate, ma non deve necessariamente esistere\u00bb.<\/p> L’osservazione riflette un problema reale e ben documentato: le GPU pi\u00f9 recenti sono scarse, costose e concentrate nei data center di poche societ\u00e0 cloud, e chi non pu\u00f2 permettersi cluster da migliaia di acceleratori resta di fatto escluso dalla frontiera della ricerca. Negli ultimi anni il costo di accesso a un singolo acceleratore di fascia alta \u00e8 cresciuto insieme alla domanda generata dal boom dei modelli linguistici, le liste d’attesa per l’hardware pi\u00f9 richiesto si misurano in mesi, e i fornitori cloud tradizionali tendono a riservare la capacit\u00e0 migliore ai clienti pi\u00f9 grandi e ai contratti pluriennali. \u00c8 il contesto che ha reso plausibile, agli occhi di investitori come a16z crypto, l’idea di un mercato alternativo costruito attorno a hardware gi\u00e0 esistente ma sottoutilizzato.<\/p> La scommessa di Gensyn \u00e8 che esista un’enorme quantit\u00e0 di capacit\u00e0 di calcolo inutilizzata nel mondo, sparsa tra data center pi\u00f9 piccoli, mining farm riconvertite e persino singoli PC da gaming, e che aggregarla in un mercato permissionless possa avvicinare quella scala anche a chi non dispone del budget di una big tech. La visione di Fielding, sempre secondo la stessa intervista, \u00e8 esplicita: l’obiettivo \u00e8 \u00abprendere tutte le risorse che stanno sotto il machine learning e renderle immediatamente e programmaticamente accessibili a chiunque\u00bb. Non \u00e8 un caso che proprio il tema della concentrazione della potenza di calcolo in mano a poche aziende sia diventato uno degli argomenti ricorrenti del dibattito pubblico sull’intelligenza artificiale, anche fuori dal mondo crypto: governi e ricercatori indipendenti si interrogano sempre pi\u00f9 spesso su cosa significhi, in termini di potere economico, che l’addestramento dei modelli pi\u00f9 avanzati richieda risorse alla portata di pochissimi soggetti privati.<\/p> Il nodo del problema, per\u00f2, resta la fiducia: se un modello viene addestrato su un computer che non si controlla, come si fa a sapere che il calcolo \u00e8 stato eseguito correttamente e non falsificato per intascare comunque la ricompensa? \u00c8 esattamente qui che entra in gioco il resto dell’architettura tecnica di Gensyn.<\/p> Gensyn nasce a Londra nel 2020, fondata da Ben Fielding (oggi CEO) e Harry Grieve (oggi CTO). I due si erano incontrati all’interno di Entrepreneur First, un acceleratore che mette in coppia fondatori con competenze complementari prima ancora che abbiano un’idea di startup precisa; da quell’incontro nacque l’intuizione che sarebbe diventata Gensyn. Il progetto arriva anni prima del boom dell’AI generativa innescato da ChatGPT, in un momento storico in cui il mercato guardava al machine learning con molto pi\u00f9 scetticismo di oggi.<\/p> Il primo salto di visibilit\u00e0 arriva nel giugno 2023, quando Gensyn chiude un round Series A da 43 milioni di dollari (circa 37,7 milioni di euro al cambio attuale) guidato da a16z crypto, con la partecipazione di CoinFund, Canonical Crypto, Protocol Labs e Eden Block, come riportato da CoinDesk<\/a>. Con quel round il totale raccolto da Gensyn supera i 50 milioni di dollari (oltre 43,9 milioni di euro). Nel proprio memo di investimento, a16z crypto<\/a> ha scritto che, \u00abattingendo alla lunga coda di calcolo inutilizzato e capace di machine learning sparso nel mondo, Gensyn pu\u00f2 potenzialmente moltiplicare da 10 a 100 volte la potenza di calcolo disponibile per il machine learning\u00bb, scommettendo sulla tesi che senza un mercato aperto per il calcolo saranno solo le grandi aziende tecnologiche a beneficiare dei prossimi salti di scala dell’intelligenza artificiale.<\/p> Da l\u00ec il progetto ha attraversato anni di sviluppo tecnico piuttosto silenzioso rispetto al resto del mercato crypto, culminati nell’avvio di una testnet pubblica nella primavera del 2025 e, un anno dopo, nel lancio della mainnet.<\/p> Secondo la documentazione ufficiale del progetto (docs.gensyn.ai<\/a>), la rete Gensyn \u00e8 organizzata su quattro livelli distinti:<\/p> Ognuno di questi livelli risolve un problema specifico, ma \u00e8 il secondo, quello della verifica, il cuore dell’innovazione tecnica di Gensyn: il progetto lo ha battezzato Verde. Vale la pena notare che il livello AXL non serve soltanto a coordinare l’addestramento di un modello tra pi\u00f9 nodi: supportando esplicitamente i protocolli MCP e A2A, la stessa infrastruttura \u00e8 pensata per permettere anche ad agenti software autonomi di scambiarsi dati e istruzioni, segno di quanto il progetto guardi gi\u00e0 al mondo degli agenti AI on-chain come possibile superficie applicativa futura, oltre al semplice addestramento di modelli.<\/p> Pubblicato inizialmente come paper accademico (arXiv, febbraio 2025<\/a>) e poi messo in produzione sulla rete, Verde \u00e8 descritto dal team come il primo sistema di verifica pensato specificamente per il machine learning moderno, distinto dai sistemi di verifica generici ereditati da altri ambiti della blockchain.<\/p> Il problema che Verde risolve \u00e8 concreto: se un nodo esegue un addestramento e dichiara un risultato, come fa un altro nodo, il verificatore, a controllare che quel risultato sia corretto senza dover ripetere l’intero calcolo, altrettanto costoso? La risposta di Gensyn \u00e8 un meccanismo di risoluzione delle dispute molto leggero, basato sulla cosiddetta delega arbitrata (refereed delegation): quando trainer e verificatore sono in disaccordo, il protocollo non ripete l’intero addestramento, ma individua, passo dopo passo all’interno del grafo computazionale della rete neurale, il primo punto esatto in cui i due risultati divergono, e ricalcola solo quel singolo passaggio.<\/p> Perch\u00e9 questo meccanismo funzioni, per\u00f2, serve un’altra condizione: che lo stesso identico calcolo, ripetuto su hardware diverso, produca esattamente lo stesso risultato bit per bit. Nella pratica del deep learning non \u00e8 affatto scontato: le operazioni in virgola mobile possono restituire risultati leggermente diversi a seconda dell’ordine in cui vengono eseguite, anche rispettando standard consolidati come IEEE-754. Per questo Gensyn ha sviluppato i cosiddetti RepOps (Reproducible Operators), descritti nello stesso paper accademico: primitive di calcolo che fissano l’ordine delle operazioni di riduzione e usano un’aritmetica arrotondata correttamente, cos\u00ec da eliminare il non determinismo hardware e rendere i risultati stabili su tutte le piattaforme supportate.<\/p> La combinazione di RepOps e Verde \u00e8 ci\u00f2 che permette a Gensyn di sostenere che chiunque, con qualunque scheda grafica, possa unirsi alla rete e vedere il proprio lavoro verificato senza doversi fidare a priori di nessun altro partecipante. \u00c8 lo stesso principio, applicato al machine learning, che regge altri approcci al calcolo verificabile on-chain<\/a>, dagli zero-knowledge proof ai sistemi basati su enclave hardware, anche se Gensyn ha scelto una strada ibrida: pi\u00f9 economica rispetto alla crittografia pura, ma dipendente dall’esistenza di almeno un verificatore onesto pronto a sollevare una disputa quando serve.<\/p> Dal punto di vista di chi valuta il progetto dall’esterno, la parte pi\u00f9 interessante di Verde non \u00e8 tanto la sofisticazione matematica quanto la scelta di design: invece di puntare tutto sulla crittografia pura, oggi ancora troppo lenta per modelli di grandi dimensioni, Gensyn ha scelto un compromesso pragmatico tra costo e sicurezza, scommettendo che nella maggior parte dei casi nessuno tenter\u00e0 di imbrogliare, e che basti la possibilit\u00e0 di essere scoperti e penalizzati a mantenere onesta la rete.<\/p> Prima di arrivare alla mainnet, Gensyn ha testato la propria tecnologia attraverso RL Swarm, un framework open source (disponibile su GitHub<\/a>) per il post-addestramento collaborativo tramite reinforcement learning condotto direttamente su internet. Chiunque disponesse di una GPU, anche di fascia consumer, poteva scaricare il software, unirsi allo sciame e contribuire a migliorare le capacit\u00e0 di ragionamento di modelli linguistici open source, ricevendo in cambio dei crediti all’interno della rete.<\/p> RL Swarm ha costituito la cosiddetta Fase 0 della testnet pubblica di Gensyn, online dalla primavera del 2025. Nel giro di pochi mesi la rete ha attirato una base di partecipanti sorprendentemente ampia, con diverse migliaia di nodi attivi gi\u00e0 entro l’estate dello stesso anno: un risultato notevole per un esperimento ancora sperimentale, e per di pi\u00f9 su un compito computazionalmente pesante come il reinforcement learning.<\/p> Il meccanismo di ricompensa era pensato per premiare non solo la quantit\u00e0 di calcolo fornita, ma anche la qualit\u00e0 del contributo al processo di apprendimento collettivo, in linea con l’approccio del reinforcement learning, in cui un modello migliora attraverso tentativi ripetuti e un segnale di rinforzo piuttosto che tramite dataset statici. Diverse guide operative pubblicate dalla comunit\u00e0 hanno documentato passo passo come configurare un nodo, segno dell’interesse genuino generato dalla fase testnet ben prima che esistesse un token da scambiare.<\/p> Con l’avvicinarsi del lancio della mainnet, il team ha deciso di mettere in pausa RL Swarm e gli altri nodi ospitati direttamente da Gensyn, per concentrare tutte le risorse di sviluppo su Delphi, la prima applicazione pensata per girare sulla rete principale. Pi\u00f9 che un abbandono del progetto originale, sembra una scelta di sequenziamento: dimostrare prima che un’applicazione reale possa generare valore economico sulla rete, per poi tornare a espandere i casi d’uso legati all’addestramento vero e proprio.<\/p> Il 22 aprile 2026 Gensyn ha lanciato la propria mainnet, un layer 2 compatibile EVM costruito con l’OP Stack e quindi ancorato, in ultima istanza, alla sicurezza di Ethereum. Ad accompagnarla \u00e8 arrivata Delphi<\/a>, una piattaforma di mercati informativi permissionless in cui chiunque pu\u00f2 creare un mercato su quasi qualunque tema, dal prezzo di bitcoin agli esiti sportivi fino agli eventi geopolitici, mentre un sistema di intelligenza artificiale genera e verifica l’esito finale al posto dei tradizionali oracoli.<\/p> Dal punto di vista tecnico, Delphi utilizza una Logarithmic Market Scoring Rule (LMSR) simmetrica come market maker automatico: il prezzo si aggiorna in tempo reale in base ai flussi di capitale, senza bisogno di un order book o di una controparte diretta, e la liquidit\u00e0 \u00e8 garantita fin dal primo scambio. Dal punto di vista economico, il modello prevede che una parte consistente dei ricavi generati dalla piattaforma venga usata per riacquistare e bruciare token $AI, riducendone nel tempo la fornitura in circolazione, mentre chi crea un mercato guadagna una piccola percentuale del volume scambiato su quel mercato specifico.<\/p> Tra i mercati comparsi nelle prime settimane figurano scommesse sui livelli di prezzo di bitcoin ed ether, sull’andamento di materie prime come il petrolio Brent, su risultati sportivi e su eventi di attualit\u00e0, con nuovi mercati aggiunti regolarmente sia dal team di Gensyn sia dalla community. L’idea di fondo \u00e8 che l’intelligenza artificiale, se il suo lavoro pu\u00f2 essere verificato in modo affidabile, possa sostituire gli oracoli umani o i comitati di arbitraggio che oggi decidono l’esito dei mercati predittivi pi\u00f9 tradizionali, un caso d’uso che mette alla prova proprio le capacit\u00e0 di verifica sviluppate con Verde.<\/p> Il giorno stesso del lancio la rete dichiarava gi\u00e0 una potenza di calcolo equivalente a oltre 5.000 GPU NVIDIA H100, un segnale concreto che gli operatori di calcolo avevano iniziato a spostarsi dalla testnet alla rete principale.<\/p> Una settimana dopo il lancio della mainnet, il 29 aprile 2026, Gensyn ha completato il Token Generation Event del token $AI, quotato quasi simultaneamente su una dozzina di piattaforme di scambio, tra cui Binance, Coinbase, OKX, Kraken, KuCoin e Gate.io; nelle settimane successive il token \u00e8 stato quotato anche su altri exchange asiatici. Ecco i numeri principali, aggiornati a met\u00e0 luglio 2026:<\/p>Dalle origini al Series A: la storia di Gensyn<\/h2>
L’architettura in quattro livelli<\/h2>
Verde: la verifica del machine learning senza fiducia<\/h2>
RL Swarm: la testnet e l’addestramento collettivo<\/h2>
Il mainnet e Delphi: il primo caso d’uso reale<\/h2>
Il token $AI: tokenomics e numeri chiave<\/h2>