Gensyn \u00e8 nata con una promessa facile da enunciare e difficilissima da mantenere: trasformare qualunque scheda grafica del pianeta, dai data center ai PC da gaming fino ai dispositivi ai margini della rete, in capacit\u00e0 utile per addestrare modelli di intelligenza artificiale. Con questa tesi ha raccolto un round da 43 milioni di dollari (circa 40 milioni di euro) guidato da a16z e da altri investitori di primo piano. Nell’autunno del 2026, per\u00f2, il quadro reale \u00e8 pi\u00f9 sfumato del pitch: la rete di addestramento collaborativo (RL Swarm) \u00e8 in pausa, la prima applicazione arrivata in produzione \u00e8 un mercato predittivo (Delphi) e il token ha perso circa l’80% dal massimo di aprile.<\/p>
Fermarsi al prezzo, per\u00f2, vuol dire guardare il dito e non la luna. La domanda a cui Gensyn prova davvero a rispondere non \u00e8 \u00abdove trovo GPU a basso costo\u00bb, ma qualcosa di pi\u00f9 scomodo: come ci si fida di un calcolo eseguito su una macchina che non controlliamo? \u00c8 il problema della verifica, ed \u00e8 la ragione per cui addestrare l’AI in modo distribuito \u00e8 molto pi\u00f9 difficile che affittare potenza su un cloud centralizzato. Qui spieghiamo la risposta tecnica di Gensyn (Verde, RepOps, Judge), perch\u00e9 conta e perch\u00e9 ci\u00f2 che oggi \u00e8 davvero in produzione diverge dalla visione delle origini.<\/p>
Gensyn \u00e8 un protocollo per il calcolo di machine learning, fondato nel 2020 a Londra da Ben Fielding (oggi amministratore delegato) e Harry Grieve. L’idea di fondo \u00e8 costruire un mercato aperto e senza intermediari in cui chi possiede hardware inutilizzato lo mette a disposizione e chi deve addestrare o far girare un modello paga a consumo, con la rete a fare da coordinatore e da garante. Sul piano tecnico, Gensyn \u00e8 realizzato come un rollup Ethereum dedicato: una scelta di sovranit\u00e0 sull’infrastruttura simile a quella di altri progetti di AI on-chain, come racconta la nostra analisi su se l’AI verificabile abbia bisogno di una catena tutta sua<\/a>.<\/p> Il finanziamento \u00e8 arrivato presto e da nomi pesanti. Nel 2023 la societ\u00e0 ha chiuso un Series A da 43 milioni di dollari guidato da a16z, con CoinFund, Protocol Labs, Eden Block e Canonical Crypto tra i partecipanti, portando la raccolta complessiva oltre i 50 milioni di dollari, come riportato da CoinDesk<\/a>. La tesi di investimento la spieg\u00f2 allora Ali Yahya, partner di a16z: \u00abi progressi recenti dell’AI sono incredibili, ma gli enormi requisiti di potenza di calcolo danno alle grandi aziende tecnologiche un vantaggio sulle startup nella corsa a catturare il valore dell’AI\u00bb. Per Yahya, nessuno \u00abunisce la conoscenza e la comprensione culturale del mondo dell’AI e di quello cypherpunk delle cripto meglio di Gensyn\u00bb.<\/p> L’architettura poggia su quattro pilastri: un livello di esecuzione riproducibile (RepOps e REE), un livello di verifica (Verde), un livello di comunicazione tra nodi e agenti (AXL) e un livello di coordinamento on-chain. Sono questi mattoni, e non la semplice potenza bruta, a distinguere Gensyn dai marketplace di GPU tradizionali.<\/p> Affittare la GPU di uno sconosciuto \u00e8 facile. Sapere che quello sconosciuto ha davvero eseguito l’addestramento che ha promesso, e non una versione pi\u00f9 economica e sbagliata, \u00e8 tutta un’altra storia. In una rete senza permessi i fornitori vengono pagati per un lavoro che nessuno vede: un attore razionale, se pu\u00f2, ha tutto l’interesse a saltare passaggi, restituire risultati plausibili ma falsi o eseguire un calcolo pi\u00f9 piccolo di quello pattuito e incassare lo stesso.<\/p> I cloud centralizzati risolvono il problema fuori dalla tecnologia: reputazione, contratti, responsabilit\u00e0 legale, la minaccia di perdere un cliente. Una rete decentralizzata non ha nulla di tutto questo. Ecco perch\u00e9 la verifica, e non l’approvvigionamento di hardware, \u00e8 il problema centrale dell’addestramento distribuito. Lo diceva a modo suo il cofondatore Harry Grieve gi\u00e0 nel 2023: \u00abcon le reti decentralizzate il valore si accumula nella rete in funzione di domanda e offerta, e aumenta nettamente l’offerta di calcolo collegando hardware sottoutilizzato in giro per il mondo\u00bb. Perch\u00e9 quel valore si accumuli, per\u00f2, chi compra deve potersi fidare dell’output.<\/p> Le famiglie di soluzioni note sono tre: le prove crittografiche (zkML), l’hardware fidato (i cosiddetti TEE, ambienti di esecuzione protetti) e la verifica economica di tipo ottimistico, basata su fraud proof. Gensyn punta con decisione sulla terza, ed \u00e8 una scelta che ne definisce l’intera identit\u00e0.<\/p> Verde \u00e8 il protocollo con cui Gensyn verifica il machine learning eseguito su nodi non fidati, descritto in un articolo di ricerca<\/a> e in un paper accademico<\/a>. Il meccanismo si chiama delega arbitrata (refereed delegation) e la logica \u00e8 la stessa dei rollup ottimistici come Arbitrum e Optimism: si assume che un risultato sia corretto e lo si mette in discussione solo se qualcuno lo contesta.<\/p> In pratica, oltre a chi esegue il compito c’\u00e8 almeno un verificatore che rif\u00e0 lo stesso lavoro. Se i due risultati coincidono, il lavoro \u00e8 accettato. Se divergono, parte un gioco di disputa che individua il primo passo di addestramento e il primo operatore, all’interno del grafo di calcolo della rete neurale, su cui esecutore e verificatore non concordano. A quel punto un arbitro neutrale (uno smart contract oppure una giuria di verificatori) ricalcola quella singola operazione per stabilire chi ha barato. Non si riesegue l’intero addestramento: si ricalcola una sola operazione. \u00c8 lo stesso principio con cui, nei rollup, una disputa su un intero blocco di transazioni si risolve rieseguendo un solo passaggio del programma.<\/p> La garanzia che ne deriva \u00e8 netta: secondo Gensyn, \u00abse almeno un verificatore \u00e8 onesto, il risultato corretto \u00e8 garantito\u00bb. I costi restano leggeri, perch\u00e9 i fornitori devono solo conservare e sottoporre ad hashing i checkpoint intermedi dell’addestramento, e l’onere della verifica cresce in modo sublineare rispetto al numero di operazioni, non linearmente sul totale del calcolo. In altre parole, non si verifica tutto: si rende l’imbroglio individuabile e costoso.<\/p> C’\u00e8 un ostacolo che ha affossato gli approcci ingenui: le reti neurali non sono deterministiche tra hardware diversi. Lo stesso codice, eseguito su due GPU differenti, pu\u00f2 produrre risultati leggermente diversi, per via dell’ordine delle operazioni in virgola mobile e delle peculiarit\u00e0 dei chip. Significa che due nodi perfettamente onesti possono divergere di quantit\u00e0 minime, e un arbitro non saprebbe distinguere quella divergenza innocente da un tentativo di frode.<\/p> La risposta di Gensyn \u00e8 RepOps (Reproducible Operators), una libreria che implementa versioni riproducibili bit per bit degli operatori di machine learning pi\u00f9 diffusi, a partire dalla moltiplicazione tra matrici, imponendo un ordine fisso alle operazioni in virgola mobile. Con RepOps gli stessi input producono output identici bit per bit su hardware eterogeneo. Su questa base poggia il REE (Reproducible Execution Environment), un ambiente containerizzato che rende riproducibile anche l’inferenza, indipendentemente dalla macchina che la esegue.<\/p> \u00c8 la parte meno appariscente e, forse, pi\u00f9 importante del progetto. Senza riproducibilit\u00e0, la delega arbitrata applicata al machine learning semplicemente non funziona, perch\u00e9 ogni disputa finirebbe in un’ambiguit\u00e0 irrisolvibile. RepOps \u00e8, in un certo senso, il contributo tecnico pi\u00f9 profondo di Gensyn: trasforma un problema statistico e disordinato in qualcosa che uno smart contract pu\u00f2 giudicare in modo binario, vero o falso.<\/p> Se l’obiettivo \u00e8 la fiducia, perch\u00e9 non usare le prove crittografiche? Lo zkML, cio\u00e8 le prove a conoscenza zero applicate al machine learning, offre garanzie matematiche a prova di bomba. Il problema \u00e8 il costo: come ammette la stessa Gensyn, \u00abi sistemi di prova crittografica garantiscono la correttezza, ma sono proibitivamente costosi per i carichi di machine learning su larga scala, almeno per ora\u00bb. Dimostrare crittograficamente un addestramento di grandi dimensioni richiede oggi ordini di grandezza di overhead in pi\u00f9.<\/p> L’alternativa dell’hardware fidato (i TEE) \u00e8 pi\u00f9 economica, ma sposta la fiducia sul produttore del chip e sulla tenuta dell’enclave: se il silicio \u00e8 compromesso, la garanzia svanisce, e comunque questi ambienti mal si adattano ai grandi carichi su GPU. La scommessa ottimistica di Gensyn, invece, \u00e8 economica nel caso normale (si controlla a campione, si contesta solo quando serve) e fa pagare il conto solo in caso di disputa.<\/p> \u00c8 la stessa famiglia della verifica ottimistica applicata all’inferenza, il cosiddetto opML, di cui abbiamo scritto a proposito del tentativo di tokenizzare i modelli di AI<\/a>, e ne condivide anche il limite: funziona in modo pulito con i modelli a pesi aperti, dove chiunque pu\u00f2 rieseguire il calcolo, mentre i modelli chiusi restano difficili da verificare. Resta poi il presupposto scomodo di ogni sistema ottimistico: serve almeno un verificatore onesto e una finestra di contestazione funzionante. Se nessuno si prende la briga di verificare, la garanzia si indebolisce. \u00c8 il bivio architetturale, prove crittografiche contro fraud proof, catena dedicata contro soluzioni innestate, che attraversa tutto il settore dell’AI on-chain.<\/p> Sopra questi mattoni Gensyn ha costruito due esperimenti concreti. Il primo \u00e8 RL Swarm, un framework open source in cui molti nodi fanno girare ciascuno un modello locale e giocano partite di ragionamento a pi\u00f9 fasi tipiche del reinforcement learning: rispondono, criticano le risposte altrui e le rivedono, addestrandosi in modo collettivo attraverso internet. Il codice \u00e8 pubblico su GitHub<\/a> ed \u00e8 stato la Fase 0 della testnet.<\/p> Il secondo \u00e8 Judge, un runtime che garantisce l’esecuzione equa e verificabile dei compiti di reinforcement learning, di fatto il livello di esecuzione decentralizzato dentro RL Swarm. \u00c8 qui che la teoria incontra la pratica: secondo Gensyn, Verde e RepOps sono gi\u00e0 in produzione dentro Judge<\/a>, dove producono giudizi di modello che chiunque pu\u00f2 verificare in modo indipendente. Attorno a questo nucleo ruota un ampio programma di ricerca, riassunto nella documentazione<\/a>: SkipPipe riduce i salti di sincronizzazione tra i nodi, NoLoCo elimina l’all-reduce globale sostituendolo con una media a coppie in stile gossip, CheckFree recupera l’addestramento senza checkpoint tradizionali, SAPO abilita un post-training a reinforcement learning asincrono e distribuito.<\/p> Il dato scomodo \u00e8 che, alla fine dell’estate 2026, la documentazione di Gensyn<\/a> \u00e8 netta: \u00abRL Swarm e tutti i nodi ospitati da Gensyn sono stati messi in pausa\u00bb. Non ci sono swarm ufficiali in funzione, e la fase finale della testnet si concentra altrove. Letto senza filtri, significa che la rete di addestramento vera e propria, il cuore della visione originaria, non \u00e8 ancora il prodotto vivo.<\/p> Dove si \u00e8 spostato il baricentro? Su Delphi, una piattaforma di mercati informativi regolati dall’AI. Chiunque pu\u00f2 creare un mercato su qualsiasi tema; a differenza dei mercati predittivi tradizionali, l’esito non lo decidono esseri umani ma un modello di AI a pesi fissi, scelto in anticipo dal creatore e non pi\u00f9 modificabile. I creatori guadagnano automaticamente in USDC, come ha raccontato The Block<\/a>.<\/p> Qui la verifica smette di essere teoria e diventa prodotto. La regolazione dei mercati usa il REE: chiunque pu\u00f2 rieseguire lo stesso modello su hardware diverso (GPU, CPU, data center) e ottenere lo stesso verdetto. Delphi \u00e8, in sostanza, un oracolo verificabile. Sul piano economico, i creatori incassano l’1,5% del volume dei mercati andati a buon fine, mentre una commissione di protocollo alimenta il riacquisto e la distruzione del token.<\/p> Il posizionamento \u00e8 esplicito. L’amministratore delegato Ben Fielding ha descritto Delphi come \u00abuna categoria interamente nuova di mercati di nicchia, di propriet\u00e0 dei creatori, che [Polymarket e Kalshi] non costruirebbero mai. La coda lunga \u00e8 il punto\u00bb, in dichiarazioni riportate da The Block<\/a>. La visione di lungo periodo \u00e8 ancora pi\u00f9 ambiziosa: \u00abi modelli di AI comprano informazione dagli esseri umani per diventare pi\u00f9 intelligenti, e gli esseri umani ottengono previsioni migliori perch\u00e9 anche l’AI contribuisce\u00bb.<\/p> Delphi \u00e8 in test dalla fine del 2025, ha registrato milioni di dollari di volume in fase sperimentale ed \u00e8 ora, secondo la documentazione ufficiale, \u00abattiva su testnet e mainnet\u00bb. \u00c8 qui che sta la svolta: la prima cosa che gli utenti possono davvero usare in produzione non \u00e8 l’addestramento decentralizzato, ma un’applicazione di AI verificabile costruita sopra la stessa tecnologia. Sui mercati predittivi, per\u00f2, pesa un contesto regolatorio e comportamentale complesso, su cui torniamo pi\u00f9 avanti.<\/p> Prima di procedere conviene mettere in fila i componenti che compaiono nella documentazione<\/a> di Gensyn, perch\u00e9 il progetto usa molti nomi propri per cose diverse e il rischio di confonderli \u00e8 alto.<\/p>Il vero collo di bottiglia non \u00e8 il calcolo, \u00e8 la fiducia<\/h2>
Verde, la delega arbitrata applicata al machine learning<\/h2>
Il problema della virgola mobile e RepOps<\/h2>
Perch\u00e9 non zkML e perch\u00e9 non l’hardware fidato<\/h2>
Judge e RL Swarm, dall’addestramento collettivo alla pausa<\/h2>
Delphi, la svolta verso i mercati informativi<\/h2>
Lo stack tecnologico a colpo d’occhio<\/h2>