Negli ultimi diciotto mesi, la parte del cluster ai-crypto che cresce pi\u00f9 in fretta non \u00e8 quella dei chatbot o degli agenti autonomi, ma quella infrastrutturale: le reti che promettono di far girare i modelli di intelligenza artificiale senza passare per i data center di Amazon, Microsoft o Google. Il termine tecnico \u00e8 inferenza decentralizzata, e nel 2026 sta smettendo di essere uno slogan da white paper per diventare un mercato reale, con capitalizzazioni miliardarie, ricavi ancora piccoli rispetto ai concorrenti centralizzati, e pi\u00f9 di un rischio da conoscere prima di considerarla un’alternativa seria al cloud tradizionale.<\/p>
Quando si parla di intelligenza artificiale nel crypto, il termine che circola di pi\u00f9 negli ultimi mesi \u00e8 inferenza decentralizzata. Prima di capire perch\u00e9 mezza dozzina di reti blockchain ci stia scommettendo capitalizzazioni miliardarie, conviene separare due concetti che vengono spesso confusi: il training e l’inferenza.<\/p>
Il training \u00e8 la fase in cui un modello, una rete neurale, un large language model, un sistema di visione artificiale, viene addestrato su enormi quantit\u00e0 di dati. Richiede cluster di migliaia di GPU collegate con interconnessioni a bassissima latenza (NVLink, InfiniBand), perch\u00e9 le schede devono scambiarsi di continuo gradienti e pesi durante l’addestramento. Un errore di sincronizzazione, anche minimo, pu\u00f2 rovinare settimane di calcolo. Per questo il training resta, ancora oggi, un territorio quasi esclusivo dei grandi laboratori (OpenAI, Google DeepMind, Anthropic, Meta) e dei fornitori cloud che affittano loro l’hardware.<\/p>
L’inferenza \u00e8 un’altra cosa: \u00e8 il momento in cui il modello, gi\u00e0 addestrato, viene semplicemente interrogato per produrre una risposta, un’immagine, una previsione. Ogni richiesta \u00e8 in gran parte indipendente dalle altre, quindi non serve la stessa sincronizzazione millimetrica del training, il che rende l’inferenza molto pi\u00f9 facile da distribuire su hardware eterogeneo e sparso geograficamente, anche non professionale. Questa differenza tecnica spiega perch\u00e9 quasi tutti i progetti crypto che parlano di AI decentralizzata partano proprio dall’inferenza e non dal training: \u00e8 la parte del problema pi\u00f9 facile da risolvere con un mercato di computer sconnessi tra loro.<\/p>
Non \u00e8 un dettaglio da addetti ai lavori. Secondo le stime di MarketsAndMarkets<\/a>, il mercato globale dell’inferenza AI valeva circa 106 miliardi di dollari nel 2025 ed \u00e8 atteso oltre i 250 miliardi entro il 2030, un ritmo di crescita che pochi altri settori tecnologici possono vantare. Ed \u00e8 un mercato oggi controllato quasi per intero da un pugno di fornitori: Amazon Web Services, Microsoft Azure, Google Cloud, pi\u00f9 i laboratori che vendono accesso diretto ai propri modelli, come OpenAI e Anthropic.<\/p> La domanda naturale \u00e8: se il cloud centralizzato funziona, perch\u00e9 complicarsi la vita con blockchain, token e provider sconosciuti sparsi per il mondo? Il settore crypto individua tre problemi concreti.<\/p> Il risultato pratico del primo problema \u00e8 che affittare un H100 su cloud tradizionale costa oggi, a seconda del fornitore e della durata dell’impegno, tra circa 1,50 e 6 euro l’ora (1,80-7 dollari), con punte storiche ben pi\u00f9 alte nei momenti di massima scarsit\u00e0, secondo l’indice H100 di SemiAnalysis<\/a>. Chi ha gi\u00e0 capacit\u00e0 riservata tende a tenersela stretta, rendendo ancora pi\u00f9 difficile trovarne di nuova sul mercato spot.<\/p> Il terzo problema \u00e8 quello pi\u00f9 specifico del mondo crypto, e spiega perch\u00e9 servano protocolli costruiti apposta: uno smart contract non pu\u00f2, da solo, chiamare un’API esterna come quella di OpenAI e fidarsi ciecamente della risposta. Serve un livello intermedio, decentralizzato quanto la blockchain stessa, capace di fornire output AI agli smart contract senza reintrodurre un singolo punto di fallimento o di censura.<\/p> Con inferenza decentralizzata si indicano oggi almeno tre modelli architetturali abbastanza diversi tra loro, spesso confusi nello stesso discorso.<\/p> Il primo \u00e8 il marketplace di GPU: una sorta di mercato dell’affitto del calcolo, dove chi possiede hardware, da un rack professionale a una scheda consumer in un garage, lo mette a disposizione, un meccanismo di abbinamento (spesso un’asta) incontra domanda e offerta, e un token regola pagamenti e incentivi. \u00c8 il modello di Akash Network, io.net, Nosana e, in parte, Render Network.<\/p> Il secondo \u00e8 il modello a subnet, reso popolare da Bittensor: invece di limitarsi ad affittare hardware, la rete premia chi produce il miglior output secondo una metrica di qualit\u00e0 definita dalla community. I miner competono a fornire risposte, i validator le classificano, e un algoritmo di consenso, Yuma Consensus nel caso di Bittensor, distribuisce le ricompense in proporzione al valore percepito del lavoro svolto, non solo all’hardware messo a disposizione.<\/p> Il terzo \u00e8 il modello coprocessor, o oracolo AI: un livello che permette agli smart contract di chiamare un modello AI e ricevere una risposta on-chain, con qualche garanzia, crittografica, economica o basata su hardware, che il calcolo sia stato eseguito correttamente. \u00c8 l’approccio di Ritual, e in parte quello dei layer di verifica come EigenAI, un tema che approfondiamo pi\u00f9 avanti in questo articolo.<\/p> Nessuno dei tre modelli \u00e8 il migliore in assoluto: rispondono a esigenze diverse. Un marketplace GPU \u00e8 la scelta giusta quando serve calcolo grezzo a basso costo, senza troppe pretese su chi lo fornisce. Un modello a subnet ha senso quando la qualit\u00e0 della risposta conta pi\u00f9 della semplice disponibilit\u00e0 hardware. Un coprocessor serve quando \u00e8 uno smart contract, non un’app tradizionale, a dover consumare l’output AI.<\/p> Bittensor, lanciato nel 2019 da Jacob Steeves e Ala Shaabana, \u00e8 oggi la rete di AI decentralizzata con la capitalizzazione pi\u00f9 alta: il token TAO valeva circa 171 euro a met\u00e0 luglio 2026, per una capitalizzazione di circa 1,64 miliardi di euro, tra le prime 40 criptovalute per capitalizzazione (il prezzo era sceso di oltre il 16% nel mese precedente la rilevazione, un promemoria di quanto siano volatili questi dati).<\/p> L’idea di fondo \u00e8 replicare la logica del mining di Bitcoin, ma invece di premiare chi risolve un puzzle crittografico fine a se stesso, premia chi produce informazione utile: una risposta di un modello linguistico, una previsione, un’immagine generata. La rete \u00e8 organizzata in oltre cento subnet indipendenti, ciascuna con un proprio compito e una propria metrica di qualit\u00e0. All’interno di ogni subnet, i miner competono a fornire il miglior output e i validator, i primi 64 nodi per emissioni su un massimo di 256 partecipanti attivi per subnet, ne valutano il lavoro assegnando pesi. Il meccanismo di Yuma Consensus<\/a> converte queste valutazioni in due flussi di ricompensa, uno per i miner e uno per i validator, dando pi\u00f9 peso ai giudizi dei validator storicamente pi\u00f9 affidabili.<\/p> Due subnet in particolare sono diventate il fulcro dell’inferenza vera e propria su Bittensor: Chutes, pensata per l’inferenza serverless a basso costo, e Targon, gestita da Manifold Labs, che punta su inferenza verificabile e a bassa latenza per applicazioni consumer.<\/p> Jacob Steeves ha descritto l’ambizione del progetto in termini quasi militanti contro la centralizzazione dell’AI. Per usare le sue parole, riportate da IQ.wiki<\/a>, la rete punta a costruire \u00abuna massiccia rete neurale decentralizzata pensata per comprendere meglio le informazioni nel mondo che ci circonda\u00bb, accessibile senza il permesso di un singolo laboratorio o fornitore cloud.<\/p> Il gruppo pi\u00f9 affollato \u00e8 quello dei marketplace di GPU puri, che non giudicano la qualit\u00e0 dell’output ma si limitano ad abbinare domanda e offerta di calcolo.<\/p> Akash Network, fondato nel 2018 da Greg Osuri e Adam Bozanich, \u00e8 una blockchain Cosmos indipendente, nata come cloud generalista per CPU e storage e diventata marketplace GPU solo con l’aggiornamento Supercloud del 2023. Funziona ad asta inversa: chi cerca calcolo pubblica un manifesto con i requisiti, i provider fanno offerte al ribasso, il richiedente sceglie, senza essere obbligato a prendere l’offerta pi\u00f9 economica. Il token AKT valeva circa 0,47 euro a met\u00e0 luglio 2026, per una capitalizzazione di circa 140 milioni di euro. Akash ha anche lanciato AkashML, un layer di inferenza gestita che ospita modelli come Llama 3.3 e DeepSeek V3 e che, secondo l’azienda stessa, servirebbe oltre 10 miliardi di token al giorno a inizio luglio 2026. Il fondatore Greg Osuri ha riassunto cos\u00ec la sfida strutturale del settore nel report del primo trimestre 2026<\/a> di Akash: \u00abl’AI si muove in mesi, l’energia si muove in anni\u00bb.<\/p> io.net, costruito su Solana, aggrega GPU di data center, ex miner di Ethereum riconvertiti dopo il passaggio a Proof of Stake e cluster consumer. Il fondatore Ahmad Shadid \u00e8 partito dal problema opposto: costruendo un proprio cluster GPU per trading quantitativo ad alta frequenza, si \u00e8 scontrato con i costi dei fornitori centralizzati, da cui l’idea, come si legge nella documentazione ufficiale del progetto<\/a>, che \u00abl’infrastruttura dietro l’AI non dovrebbe stare nelle mani di poche grandi corporation\u00bb. Il token IO valeva circa 0,17 dollari a met\u00e0 luglio 2026, con una capitalizzazione di circa 62 milioni di dollari.<\/p> Render Network, nato per il rendering grafico distribuito e poi esteso all’inferenza AI, \u00e8 passato da Ethereum a Solana per gestire meglio il coordinamento in tempo reale dei nodi. Il token RENDER capitalizzava circa 671 milioni di euro a met\u00e0 luglio 2026, il pi\u00f9 capitalizzato tra i marketplace GPU puri dopo Bittensor. Nosana, costruito su Solana e pensato per sviluppatori indipendenti in cerca di inferenza a basso costo, \u00e8 invece un progetto molto pi\u00f9 piccolo, con una capitalizzazione di circa 25 milioni di euro.<\/p> Ritual segue una logica diversa da un marketplace o da una subnet: invece di vendere calcolo grezzo o classificare output, costruisce un ponte tra gli smart contract e i modelli AI.<\/p> Fondata a New York nel 2023 da Niraj Pant, per sei anni general partner di Polychain Capital, e Akilesh Potti, Ritual ha raccolto 25 milioni di dollari in un round Series A guidato da Archetype, con la partecipazione tra gli altri di Balaji Srinivasan, Accel e Robot Ventures, come riportato da Cointelegraph<\/a> nel novembre 2023.<\/p> La prima incarnazione del progetto, Infernet, \u00e8 una rete di oracoli decentralizzata: un contratto chiama un nodo Infernet, il nodo esegue l’inferenza fuori dalla catena e restituisce il risultato on-chain, con la possibilit\u00e0 di allegare una garanzia crittografica (prova a conoscenza zero) o basata su hardware (Trusted Execution Environment) sul fatto che il calcolo sia stato eseguito come richiesto. Oggi una rete diffusa di nodi Infernet esegue questi calcoli fuori dalla catena in tutto il mondo. Il passo successivo, Ritual Chain, sostituisce Infernet con precompilati nativi: quando un contratto chiama una funzione come HTTP o LLM, il lavoro effettivo avviene fuori dalla catena dentro un Trusted Execution Environment, ma il risultato rientra nell’esecuzione della catena come se fosse stato calcolato on-chain.<\/p> A differenza di Bittensor, Akash o io.net, Ritual non ha ancora un token in circolazione con una capitalizzazione di mercato verificabile a met\u00e0 2026: resta, sotto questo profilo, un progetto in una fase pi\u00f9 orientata al protocollo che ai numeri di mercato. Il suo interesse per chi segue il cluster ai-crypto sta soprattutto nell’architettura, pensata per gli agenti AI e gli smart contract che devono consumare output AI con qualche garanzia di correttezza.<\/p> Vale una precisazione su Gensyn, di cui HOGE Wire si \u00e8 gi\u00e0 occupato in due pezzi dedicati dopo il lancio della mainnet e del token $AI. Gensyn nasce per il training distribuito, non per l’inferenza: il suo strato di verifica, Verde, e i suoi RepOps (Reproducible Operators) risolvono un problema specifico del training, cio\u00e8 garantire che calcoli eseguiti su hardware diverso producano risultati identici bit per bit, condizione necessaria per addestrare un modello in modo affidabile su un insieme eterogeneo di macchine sconnesse tra loro.<\/p> Detto questo, l’architettura di Gensyn a quattro livelli include AXL (Agent eXchange Layer), un layer di comunicazione peer to peer per gli agenti AI che supporta i protocolli MCP e A2A: la stessa infrastruttura potrebbe in futuro instradare anche richieste di inferenza tra agenti, non solo compiti di training. \u00c8 un promemoria utile: la linea che separa decentralizzare il training da decentralizzare l’inferenza, nel 2026, \u00e8 meno netta di quanto sembri sulla carta, e diversi progetti nati per un caso d’uso stanno allargando lo sguardo all’altro. Per l’approfondimento su Gensyn, mainnet, Delphi e la volatilit\u00e0 del token $AI, HOGE Wire ha gi\u00e0 pubblicato una copertura dedicata.<\/p> Per orientarsi tra architetture diverse, ecco un confronto sintetico tra i sei protocolli citati finora, con dati indicativi a met\u00e0 luglio 2026: capitalizzazioni e prezzi sono soggetti a forte volatilit\u00e0 e vanno riverificati al momento della lettura.<\/p>Perch\u00e9 decentralizzare l’inferenza? Il problema dei cloud centralizzati<\/h2>
Le tre architetture dell’inferenza decentralizzata<\/h2>
Bittensor: il modello a subnet e il consenso di Yuma<\/h2>
I marketplace GPU: Akash, io.net, Nosana e Render<\/h2>
Ritual: i coprocessor on-chain per gli smart contract<\/h2>
Gensyn e il confine tra training e inferenza decentralizzati<\/h2>
Il confronto tra i protagonisti dell’inferenza decentralizzata<\/h2>