Gensyn \u00e8 uno dei nomi che tornano pi\u00f9 spesso quando si parla di \u00abAI decentralizzata\u00bb. La promessa \u00e8 ambiziosa: trasformare l’addestramento dei modelli, oggi riservato a chi pu\u00f2 permettersi data center da miliardi di euro, in un mercato aperto dove chiunque possieda una GPU pu\u00f2 contribuire e farsi pagare. \u00c8 la stessa idea che ha reso celebre Bitcoin applicata a una risorsa diversa, il calcolo per il machine learning.<\/p>
Nel 2026, per\u00f2, la realt\u00e0 \u00e8 pi\u00f9 sfumata della brochure. Il prodotto di addestramento di punta, RL Swarm, \u00e8 fermo; l’unica applicazione viva che genera commissioni \u00e8 Delphi, un mercato informativo regolato dall’intelligenza artificiale; e il token $AI, lanciato ad aprile, vale oggi circa 0,0177 euro (0,0198 dollari), oltre l’80% sotto il suo massimo storico, secondo CoinGecko<\/a>. Questo articolo spiega che cos’\u00e8 davvero Gensyn, come funziona la sua tecnologia di verifica, perch\u00e9 addestrare l’AI su internet \u00e8 cos\u00ec difficile, chi sono i rivali che stanno correndo pi\u00f9 forte e dove si colloca il token per un investitore italiano, con i dovuti riferimenti a Consob e a MiCA.<\/p> Gensyn \u00e8 un protocollo che vuole coordinare, su una blockchain dedicata, la potenza di calcolo sparsa nel mondo per addestrare e verificare modelli di machine learning. L’idea di fondo \u00e8 semplice da enunciare e difficilissima da realizzare: mettere in rete GPU che altrimenti resterebbero inattive (nei data center, nelle fattorie di mining riconvertite, nei PC da gaming) e usarle come un unico supercomputer distribuito, con pagamenti e garanzie gestiti da smart contract.<\/p> La societ\u00e0 \u00e8 stata fondata nel 2020 a Londra da Ben Fielding (CEO) e Harry Grieve (CTO), che si sono conosciuti tramite il programma Entrepreneur First. Dal 2020 Gensyn ha raccolto circa 78 milioni di dollari, con un percorso che \u00e8 passato da un pre-seed nel 2021 a un Series A da 43 milioni di dollari guidato da a16z crypto nel 2023, fino a un round venture guidato di nuovo da a16z nell’ottobre 2025 e a una vendita di token a dicembre 2025. Tra gli investitori figurano a16z crypto, Galaxy Digital e CoinFund, come ricostruito da The Block<\/a>. Non \u00e8 una start-up improvvisata: \u00e8 un progetto con capitale paziente e una tesi di ricerca precisa.<\/p> Il problema che Gensyn vuole aggredire \u00e8 la concentrazione. Addestrare un modello di frontiera richiede migliaia di acceleratori collegati da reti ultraveloci, e questo tipo di infrastruttura \u00e8 nelle mani di poche aziende. Il calcolo \u00e8 diventato la risorsa scarsa dell’era dell’AI, un po’ come l’energia lo \u00e8 per il mining di Bitcoin: chi ne controlla l’accesso, controlla chi pu\u00f2 costruire. Non a caso la corsa ai megawatt che sta ridisegnando la rete elettrica somiglia molto alla corsa alle GPU, come abbiamo raccontato parlando della difficolt\u00e0 di Bitcoin come asta per l’energia<\/a>.<\/p> La scommessa di Gensyn \u00e8 che aggregare il calcolo inutilizzato del mondo possa moltiplicarne la disponibilit\u00e0. Gli investitori che hanno guidato il Series A, i general partner di a16z crypto Ali Yahya e Guy Wuollet, hanno scritto che Gensyn potrebbe potenzialmente \u00abmoltiplicare per 10-100 volte\u00bb la potenza di calcolo disponibile per il machine learning (a16zcrypto.com<\/a>). Fielding, in un’intervista a Decrypt<\/a>, ha riassunto cos\u00ec il cuore tecnico del progetto: \u00ab\u00c8 quella la grande ricetta segreta dietro Gensyn, abbiamo risolto quel problema specificamente per l’addestramento del machine learning\u00bb. Il socio Grieve, nello stesso articolo, ha aggiunto che il gruppo aveva \u00abun problema di machine learning molto preciso che richiedeva un livello di fiducia decentralizzato\u00bb. Capire quale sia quel problema, e perch\u00e9 la sua soluzione sia la vera propriet\u00e0 intellettuale di Gensyn, \u00e8 il passo successivo.<\/p> La documentazione tecnica di Gensyn descrive uno stack a quattro livelli (docs.gensyn.ai<\/a>). Vale la pena conoscerli, perch\u00e9 spiegano perch\u00e9 il protocollo \u00e8 molto pi\u00f9 di un \u00abmarketplace di GPU\u00bb.<\/p> Il punto importante \u00e8 che la blockchain non fa il calcolo: tiene i conti. Il calcolo pesante avviene fuori catena, sulle GPU dei fornitori, e la catena serve a coordinare chi fa cosa e a garantire che venga fatto correttamente. Tutto il valore del progetto si gioca quindi sul secondo livello, la verifica.<\/p> Ecco il problema preciso di cui parlava Grieve. Se affido un pezzo di addestramento a un nodo anonimo, come faccio a sapere che lo ha svolto davvero e correttamente, e non ha restituito un risultato approssimato per risparmiare sulla bolletta elettrica? Nel machine learning questo \u00e8 pi\u00f9 sottile che in altri campi, perch\u00e9 anche due macchine oneste che eseguono lo stesso calcolo possono ottenere numeri leggermente diversi: l’ordine delle operazioni in virgola mobile cambia il risultato all’ultima cifra, e su miliardi di operazioni le differenze si accumulano.<\/p> Gensyn risolve il problema in due mosse. RepOps impone un ordine fisso alle operazioni dei principali operatori del machine learning (la moltiplicazione tra matrici, per esempio), ottenendo risultati identici bit per bit su hardware diverso ed eliminando il \u00abrumore\u00bb del non determinismo. Verde, descritto in un paper accademico firmato tra gli altri da Ben Fielding e dal crittografo Joseph Bonneau (arXiv 2502.19405<\/a>), aggiunge sopra un gioco di arbitraggio: se due fornitori che eseguono lo stesso compito arrivano a risultati diversi, un arbitro suddivide ripetutamente il grafo di calcolo fino a isolare la singola operazione su cui i due divergono, e la riesegue. In pratica, invece di rifare l’intero addestramento, basta rieseguire una sola operazione per capire chi mente. La garanzia formale \u00e8 elegante: il sistema resta corretto finch\u00e9 almeno uno degli N fornitori \u00e8 onesto.<\/p> Questa tecnologia non \u00e8 pi\u00f9 soltanto teoria. Dal novembre 2025 Verde e RepOps sono \u00abin produzione\u00bb dentro Judge, il sistema di valutazione verificabile dei modelli che Gensyn ha presentato nell’agosto 2025. Ed \u00e8 un approccio diverso da quello dei progetti cugini: dove lo zkML usa prove crittografiche e i TEE si affidano a enclave hardware fidate, Gensyn sceglie una strada economico-crittografica basata su arbitri e repliche. Chi vuole un confronto tra queste scuole pu\u00f2 leggere la nostra guida a Ritual e all’AI verificabile on-chain<\/a>. Una precisazione utile: la societ\u00e0 di sicurezza Trail of Bits ha verificato gli smart contract di Gensyn (il vault di buyback, il token bridged, il meccanismo di Delphi e il token ERC-20), con quattro report datati 2026 pubblicati su trailofbits.com<\/a>, ma quegli audit coprono il codice Solidity, non la validit\u00e0 scientifica delle affermazioni sulla verifica dell’AI. Sono due piani distinti che conviene non confondere.<\/p> Il banco di prova del sogno di Gensyn si chiama RL Swarm: uno \u00absciame\u00bb di modelli che collaborano via reinforcement learning, ognuno su un nodo diverso, imparando gli uni dagli altri. Nel novembre 2025 l’ambiente di esercizio Reasoning Gym \u00e8 stato sostituito da CodeZero, con ruoli distinti (chi propone problemi, chi li risolve, chi valuta), mentre esperimenti collaterali come BlockAssist e CodeAssist sono stati chiusi per concentrare le forze.<\/p> C’\u00e8 per\u00f2 un dettaglio che pesa pi\u00f9 di qualsiasi roadmap. Chi oggi apre la pagina ufficiale della testnet legge una frase secca: \u00abAl momento non ci sono swarm ufficiali in funzione\u00bb, con l’invito a esplorare, in alternativa, proprio Delphi (docs.gensyn.ai<\/a>). Non \u00e8 un guasto temporaneo: \u00e8 il segnale che il prodotto fondativo, l’addestramento decentralizzato, non ha ancora una domanda pagante che giustifichi di tenerlo acceso in modo permanente. La testnet ha dimostrato che migliaia di nodi possono unirsi a uno sciame; non ha dimostrato che qualcuno sia disposto a pagare per addestrare cos\u00ec. Ed \u00e8 qui che la fisica entra in gioco.<\/p> Il limite non \u00e8 la buona volont\u00e0, \u00e8 la larghezza di banda. Addestrare un grande modello significa far dialogare continuamente le schede, scambiandosi aggiornamenti dei pesi grandi quanto l’intero modello. Dentro un data center questo avviene su connessioni da centinaia di gigabyte al secondo; tra GPU sparse per il mondo, su normali linee di casa, il traffico collassa. L’istituto di ricerca Epoch AI ha calcolato che, con una sincronizzazione ingenua su una tipica linea da 60 Mbps in upload, servirebbero \u00ab5.000 anni\u00bb per addestrare un modello in stile DeepSeek v3 da 671 miliardi di parametri (epoch.ai<\/a>).<\/p> Esistono trucchi per ridurre il dialogo. La tecnica DiLoCo lascia che ogni nodo lavori in autonomia per molti passi prima di sincronizzarsi, tagliando il fabbisogno di banda di circa 500 volte. Anche cos\u00ec, secondo Epoch AI, i pi\u00f9 grandi addestramenti decentralizzati restano circa 1.000 volte sotto il calcolo usato per i modelli di frontiera di oggi. La nota incoraggiante \u00e8 il ritmo: l’addestramento decentralizzato cresce di circa 20 volte l’anno contro le 5 della frontiera, ma anche a questo passo servirebbero all’incirca cinque anni e mezzo per colmare il divario, e difficilmente accadr\u00e0 entro questo decennio senza una spinta costante. Un dato \u00e8 per\u00f2 cruciale per capire le scelte di Gensyn: il reinforcement learning, soprattutto nella fase di post-addestramento, tollera molto meglio la distribuzione rispetto al pre-addestramento. Non \u00e8 un caso che lo sciame di Gensyn sia costruito attorno all’RL: \u00e8 la nicchia della fisica in cui il decentramento ha davvero senso.<\/p> Gensyn non corre da solo. Attorno all’idea di addestrare l’AI fuori dai data center dei giganti si \u00e8 formato un piccolo gruppo di sfidanti, e confrontarli aiuta a vedere dove sta Gensyn nel 2026.<\/p> Il pi\u00f9 avanti sul piano dei prodotti \u00e8 Prime Intellect<\/strong>, che a luglio 2026 ha chiuso un Series A da 130 milioni di dollari a una valutazione di 1 miliardo, guidato da Radical Ventures con NVIDIA Ventures, Intel Capital, Dell Technologies Capital e, tra gli altri, l’amministratore delegato di Cloudflare Matthew Prince, portando la raccolta totale oltre i 150 milioni (SiliconANGLE<\/a>). La societ\u00e0 dichiara circa 100 milioni di dollari di ricavi e ha addestrato INTELLECT-3, un modello con oltre 100 miliardi di parametri. Il dettaglio rivelatore \u00e8 che il post-addestramento \u00e8 avvenuto su un cluster concentrato di GPU H200, non su uno sciame globale: anche il campione del settore, quando conta la qualit\u00e0, torna a un data center. Prime Intellect non ha un token pubblico, e questa \u00e8 la differenza pi\u00f9 importante con Gensyn. Il suo CEO, Vincent Weisser, l’ha spiegata con una frase diventata nota: \u00abNon dovrebbero essere solo pochi nerd in una torre di vetro a San Francisco ad avere la capacit\u00e0 di addestrare modelli di AI. Dovrebbe esserlo ogni impresa, ogni Stato nazionale\u00bb, in dichiarazioni riportate da TechCrunch<\/a>.<\/p> Gli altri due nomi completano il quadro. Nous Research<\/strong> ha costruito Psyche, un sistema di addestramento distribuito su Solana basato sugli ottimizzatori DisTrO\/DeMo, e rivendica con Consilience (40 miliardi di parametri) il \u00abpi\u00f9 grande pre-addestramento distribuito mai realizzato\u00bb (nousresearch.com<\/a>); ha raccolto 50 milioni da Paradigm a una valutazione di 1 miliardo e, secondo indiscrezioni, sta raccogliendo ancora, ma non ha un token liquido. Pluralis Research<\/strong> insegue l’approccio pi\u00f9 radicale, il Protocol Learning, in cui i pesi del modello non vengono mai interamente ricostruiti da un singolo partecipante; ha chiuso un seed da 7,6 milioni con USV e CoinFund, ma non ha ancora un prodotto. Il confronto si riassume cos\u00ec.<\/p>Che cos’\u00e8 Gensyn<\/h2>
La promessa: l’addestramento dell’AI come bene comune<\/h2>
L’architettura in quattro livelli<\/h2>
Verde e RepOps: la verifica senza fiducia<\/h2>
RL Swarm: l’addestramento collettivo che si \u00e8 fermato<\/h2>
Il muro della banda: perch\u00e9 addestrare su internet \u00e8 cos\u00ec difficile<\/h2>
Chi sta davvero vincendo la corsa all’addestramento decentralizzato<\/h2>