{"id":781,"date":"2026-10-13T22:36:32","date_gmt":"2026-10-13T22:36:32","guid":{"rendered":"https:\/\/hoge.gg\/it\/verifiable-compute-addestramento-inferenza-prova-2026\/"},"modified":"2026-10-13T22:36:32","modified_gmt":"2026-10-13T22:36:32","slug":"verifiable-compute-addestramento-inferenza-prova-2026","status":"publish","type":"post","link":"https:\/\/hoge.gg\/it\/verifiable-compute-addestramento-inferenza-prova-2026\/","title":{"rendered":"Verifiable compute: l’inferenza si prova, l’addestramento no"},"content":{"rendered":"

Un modello di intelligenza artificiale restituisce una risposta. Come fate a sapere che ha davvero eseguito il modello che dichiara, per intero, e non una versione pi\u00f9 piccola e pi\u00f9 economica che gli assomiglia? Questa \u00e8 la domanda a cui risponde il verifiable compute, il calcolo verificabile, ed \u00e8 la stessa domanda che un oracolo, un agente autonomo o un ente di vigilanza si pongono ogni volta che un calcolo avviene fuori dalla catena. Nel 2026 il settore \u00e8 diventato sorprendentemente bravo a rispondere quando la domanda riguarda una singola risposta. Resta quasi impotente quando la domanda riguarda la cosa che quella risposta l’ha prodotta: l’addestramento del modello.<\/p>

\u00c8 questa la frattura che oggi organizza l’intero campo. Provare un’inferenza, cio\u00e8 un passaggio in avanti del modello, \u00e8 passato da fantascienza a ingegneria praticabile nel giro di diciotto mesi. Provare un addestramento, cio\u00e8 i milioni di passaggi che hanno costruito i pesi del modello a partire da un dataset, resta un problema di ricerca. E il 2026 ha offerto la dimostrazione pi\u00f9 eloquente proprio sul secondo fronte, quando i progetti nati per addestrare l’AI in modo decentralizzato e verificabile hanno fatto marcia indietro.<\/p>

Due met\u00e0 della stessa promessa<\/h2>

Il verifiable compute promette una cosa sola: insieme a un risultato, una prova a basso costo che quel risultato \u00e8 stato calcolato correttamente, cos\u00ec che chi verifica non debba rieseguire il calcolo. La fiducia si sposta dal \u00abfidati del server\u00bb al \u00abverifica la prova\u00bb. Finch\u00e9 il calcolo \u00e8 deterministico e piccolo, la promessa \u00e8 facile. L’AI rompe entrambe le ipotesi, e lo fa in due modi profondamente diversi a seconda che si parli di inferenza o di addestramento.<\/p>

Un’inferenza \u00e8 un singolo calcolo: prompt in ingresso, una sequenza di moltiplicazioni fra matrici, una risposta in uscita. Un addestramento \u00e8 un processo: un intero dataset, milioni o miliardi di aggiornamenti dei pesi, settimane di tempo macchina, scelte di iperparametri che nessuno riscriver\u00e0 mai passo per passo. Provare il primo significa certificare un’operazione; provare il secondo significa certificare una storia. Le due met\u00e0 condividono lo stesso vocabolario (zero-knowledge, enclave, prove di frode, stake) ma hanno costi, maturit\u00e0 e domanda di mercato che nel 2026 divergono in modo netto.<\/p>

Verifiable compute, in breve: un risultato pi\u00f9 una prova<\/h2>

Conviene fissare la definizione, perch\u00e9 il termine viene spesso confuso con il suo vicino. Noleggiare potenza di calcolo in modo distribuito (quello che fanno marketplace di GPU come Akash, Render o le subnet di Bittensor) non \u00e8 verifiable compute: quei sistemi affittano hardware, ma non dimostrano che l’hardware abbia calcolato in modo onesto. Il verifiable compute aggiunge il pezzo mancante, la prova. Chi riceve il risultato controlla un oggetto crittografico o economico leggero, invece di ripetere il lavoro.<\/p>

La mappa concettuale pi\u00f9 citata resta quella tracciata da Vitalik Buterin nel saggio \u00abThe promise and challenges of crypto + AI applications\u00bb<\/a>, dove distingue l’AI come giocatore, come interfaccia, come regola del gioco e come obiettivo, e avverte che usare l’AI per scrivere le regole di un sistema con valore economico \u00e8 la categoria da trattare \u00abcon estrema cautela\u00bb. Buterin nota anche il dato tecnico che spiega perch\u00e9 l’inferenza sia diventata trattabile: la parte pi\u00f9 pesante di un calcolo AI sono le moltiplicazioni fra matrici, per cui \u00e8 possibile costruire prove a conoscenza zero molto efficienti (meno di 4 volte l’overhead), mentre gli strati non lineari costano \u00abcirca 200 volte\u00bb e una prova ZK di un intero blocco Ethereum \u00abpu\u00f2 richiedere ore\u00bb. La differenza fra 4x e 200x, e fra un passaggio e un milione, \u00e8 tutta la storia che segue.<\/p>

Perch\u00e9 nel 2026 provare l’inferenza \u00e8 quasi un problema risolto<\/h2>

Due anni fa provare l’inferenza di un modello linguistico era considerato impraticabile: gli strati non lineari (le funzioni di attivazione come ReLU e softmax) facevano esplodere il costo dei circuiti aritmetici. Il muro si \u00e8 incrinato. La svolta tecnica sono state le tabelle di consultazione (lookups) e il protocollo sumcheck, che eliminano la necessit\u00e0 di rappresentare quelle operazioni come circuiti, e il risultato pi\u00f9 citato arriva da Lagrange: il suo sistema DeepProve<\/a> \u00e8 stato il primo a provare end-to-end l’inferenza di un modello linguistico completo (GPT-2, poi Gemma-3), con oltre 12 milioni di prove generate e pi\u00f9 di 3 milioni di inferenze verificate, dichiarando una generazione delle prove fino a 60 volte pi\u00f9 rapida e una verifica fino a 671 volte pi\u00f9 rapida rispetto allo stato dell’arte precedente.<\/p>

Il fondatore e CEO di Lagrange, Ismael Hishon-Rezaizadeh, ha riassunto cos\u00ec la posta in gioco al momento del rilascio open source: \u00abNon abbiamo costruito DeepProve per possedere l’AI verificabile. L’abbiamo costruita perch\u00e9 nessuno dovesse farlo. La scatola nera \u00e8 aperta\u00bb. Lagrange, citando una ricerca McKinsey, sostiene che il 71% dei dirigenti d’azienda non scaler\u00e0 i sistemi AI senza una prova di correttezza, il che riporta il discorso dalla crittografia alla domanda commerciale. Vale la nota di cautela: i modelli di frontiera (classe Llama e oltre) restano in sviluppo, non ancora provati end-to-end, quindi la parola \u00abrisolto\u00bb vale per i modelli piccoli e medi, non per i pi\u00f9 grandi.<\/p>

Nello stesso periodo si \u00e8 sbloccato anche il problema gemello del determinismo. L’inferenza di un LLM su GPU non \u00e8 riproducibile per via della non associativit\u00e0 dei calcoli in virgola mobile e della variabilit\u00e0 dei lotti (batch), e senza riproducibilit\u00e0 non c’\u00e8 nulla da verificare. La risposta crittografica \u00e8 arrivata con EigenAI<\/a>, che dichiara un’esecuzione bit-exact: \u00absu 10.000 esecuzioni, tutti gli hash hanno coinciso esattamente\u00bb, cos\u00ec che la verifica \u00absi riduce a un confronto di uguaglianza fra byte\u00bb. Sommando prove a conoscenza zero mature, determinismo risolto ed enclave hardware veloci, nel 2026 per una singola inferenza esiste quasi sempre un metodo adatto. \u00c8 l’altra met\u00e0 a non avere ancora questa fortuna.<\/p>

I quattro modi per provare un calcolo<\/h2>

Prima di capire perch\u00e9 l’addestramento resista, conviene avere sottomano i quattro strumenti con cui il settore prova un calcolo AI. Nessuno domina: ognuno sacrifica qualcosa fra integrit\u00e0, latenza e costo, quello che il paper sui cosiddetti Optimistic TEE-Rollups chiama il trilemma della verificabilit\u00e0<\/a>.<\/p>

Approccio<\/th>Come prova<\/th>Garanzia<\/th>Limite principale<\/th>Progetti tipici<\/th><\/tr><\/thead>
zkML (prove a conoscenza zero)<\/td>Una prova crittografica che il calcolo \u00e8 avvenuto secondo il modello dichiarato<\/td>Matematica, senza fiducia in terzi<\/td>Costo di prova ancora alto sui modelli grandi; richiede quantizzazione<\/td>EZKL, DeepProve (Lagrange), Jolt Atlas, SP1 (Succinct)<\/td><\/tr>
TEE (calcolo riservato)<\/td>Attestazione firmata da un chip che isola l’esecuzione in un’enclave<\/td>Hardware: ci si fida del produttore del chip<\/td>Superficie di attacco fisica (vedi TEE.Fail); non \u00e8 \u00abfiducia zero\u00bb<\/td>Phala, EigenCompute, NVIDIA H100, Intel TDX<\/td><\/tr>
opML (ottimistico)<\/td>Si pubblica il risultato, si apre una finestra di sfida con prova di frode<\/td>Economica, con almeno un osservatore onesto<\/td>Latenza della finestra di disputa; niente interattivit\u00e0 in tempo reale<\/td>Ora Protocol (OAO)<\/td><\/tr>
Crypto-economico<\/td>Stake vincolato e slashing di chi calcola in modo disonesto<\/td>Economica: costo di corruzione maggiore del profitto<\/td>Garanzia probabilistica, non una dimostrazione<\/td>EigenCloud (EigenLayer)<\/td><\/tr><\/tbody><\/table><\/figure>

Il nodo che accomuna i primi due e che torner\u00e0 sull’addestramento riguarda i numeri in virgola mobile. Come ha spiegato Elena Burger, Deal Partner di a16z crypto, le prove a conoscenza zero<\/a> oggi \u00abnon possono rappresentare le operazioni in virgola mobile a 32 bit nel formato di circuito aritmetico richiesto senza overhead enormi\u00bb, e questo costringe a quantizzare il modello a 8 bit, ottenendo una \u00abapprossimazione grezza\u00bb di quello originale. Si prova una versione semplificata, non sempre il modello esatto: una tensione che sull’addestramento diventa un abisso.<\/p>

Addestrare non \u00e8 inferire: la prova si fa mille volte pi\u00f9 difficile<\/h2>

Perch\u00e9 provare l’addestramento \u00e8 un problema di un altro ordine di grandezza? Quattro ragioni, e insieme spiegano perch\u00e9 ogni approccio del riquadro precedente si inceppi quando lo si punta sul training invece che sull’inferenza.<\/p>

La prima \u00e8 la scala. Un’inferenza \u00e8 un passaggio in avanti; un addestramento ne contiene milioni o miliardi, ciascuno con una retropropagazione che tocca tutti i pesi. Se provare una singola inferenza costa secondi, provare crittograficamente un addestramento completo, passaggio per passaggio, \u00e8 semplicemente fuori portata con la tecnologia del 2026. La seconda \u00e8 la provenienza dei dati: certificare un’inferenza significa legare un output a un modello e a un input, ma certificare un addestramento significa anche dimostrare su quali dati \u00e8 avvenuto, ed \u00e8 un problema di catena di custodia, non solo di integrit\u00e0 del calcolo. La terza \u00e8 il determinismo che si accumula: le minime divergenze in virgola mobile che su una inferenza si domano con kernel dedicati, ripetute per milioni di passaggi e su hardware diverso, rendono irriproducibile l’intera traiettoria. La quarta \u00e8 la natura stessa di ci\u00f2 che si prova: non un singolo risultato, ma un’intera storia di ottimizzazione che nessuno riesegue.<\/p>

Dimensione<\/th>Provare l’inferenza<\/th>Provare l’addestramento<\/th><\/tr><\/thead>
Che cosa si certifica<\/td>Questo output viene da questo modello e da questo input<\/td>Questo modello \u00e8 il risultato onesto di questi dati e di questa procedura<\/td><\/tr>
Numero di passaggi<\/td>Uno (un passaggio in avanti)<\/td>Milioni o miliardi di aggiornamenti dei pesi<\/td><\/tr>
Dati in gioco<\/td>Un prompt<\/td>L’intero dataset, pi\u00f9 la sua provenienza<\/td><\/tr>
Costo della prova<\/td>Da secondi a minuti sui modelli piccoli e medi<\/td>Proibitivo end-to-end; si ripiega su replica o campionamento<\/td><\/tr>
Non determinismo<\/td>Domato con kernel bit-exact su hardware identico<\/td>Si accumula su milioni di passaggi; riproduzione cross-hardware irrisolta<\/td><\/tr>
Stato nel 2026<\/td>Maturo sui modelli piccoli e medi, parziale sui grandi<\/td>Aspirazionale; in produzione solo surrogati<\/td><\/tr><\/tbody><\/table><\/figure>

Verde, TOPLOC e proof-of-training: come si prova (in teoria) un addestramento<\/h2>

La ricerca non \u00e8 rimasta ferma, e vale la pena capire come aggira la scala, perch\u00e9 nessuna delle risposte \u00e8 una prova crittografica completa dell’addestramento. La prima famiglia \u00e8 la delega arbitrata (refereed delegation): invece di provare tutto, due o pi\u00f9 calcolatori rieseguono il lavoro e, in caso di disaccordo, un arbitro ispeziona solo il singolo passaggio contestato. \u00c8 l’idea del paper Verde<\/a>, che la presenta come una via di mezzo fra l’onere di verificare interamente un addestramento e l’insicurezza degli approcci euristici, con test su modelli come DistilBERT (66 milioni di parametri), Llama-3.1-1B e Llama-3.1-8B. La replica sostituisce la crittografia: pi\u00f9 economica, ma richiede che qualcuno rifaccia davvero il calcolo.<\/p>

La seconda famiglia attacca il determinismo come precondizione. Il paper Optimistic Verifiable Training by Controlling Hardware Nondeterminism<\/a> mostra che, se si controlla la non determinazione dell’hardware, un addestramento diventa abbastanza riproducibile da poterne contestare i passaggi con prove di frode: lo stesso schema ottimistico dell’opML, ma applicato al training. La terza famiglia \u00e8 accademica: le costruzioni di tipo proof-of-training trasformano l’addestramento stesso nel lavoro utile di un consenso, come nel lavoro \u00abProof of Training\u00bb<\/a>, dove la rete viene ingaggiata per addestrare in modo provabile un modello sui dati forniti dal cliente. Sono eleganti, ma restano lontane dalla produzione.<\/p>

C’\u00e8 poi un dettaglio rivelatore. Il meccanismo di verifica pi\u00f9 concreto in circolazione, il TOPLOC di Prime Intellect, non prova affatto il passaggio di addestramento: \u00e8 uno schema di hashing sensibile alla localit\u00e0 che verifica la fase di inferenza<\/em> (la generazione dei rollout) all’interno del ciclo di reinforcement learning, restando robusto fra tipi di GPU diversi nonostante la non determinazione. In altre parole, anche il sistema di punta per l’addestramento decentralizzato risolve il suo problema di fiducia verificando delle inferenze. L’addestramento, nel punto in cui conta davvero (il gradiente, l’aggiornamento dei pesi), resta non provato.<\/p>

Gensyn: il campione che ha messo in pausa l’addestramento<\/h2>

Se c’\u00e8 un progetto che incarnava la promessa dell’addestramento decentralizzato e verificabile, era Gensyn. Sostenuto da a16z crypto, costruito come rollup Layer 2 su Ethereum, aveva lanciato RL Swarm<\/a>, presentato come il primo test dal vivo di addestramento decentralizzato di AI su hardware di sconosciuti, con il meccanismo di verifica a delega arbitrata che eredita dalla linea di Verde. L’idea era seducente: chiunque presti una GPU, le prove garantiscono che il lavoro sia onesto, il token $AI paga i contributi.<\/p>

Nel 2026 \u00e8 arrivato il controcanto. Il primo prodotto in produzione di Gensyn non \u00e8 un mercato dell’addestramento: \u00e8 Delphi<\/a>, una piattaforma di mercati informativi regolati dall’AI, in cui chi crea un mercato ne fa decidere l’esito a modelli AI fissati e verificabili anzich\u00e9 a esseri umani. Delphi \u00e8 passato dalla testnet di dicembre 2025 alla mainnet nell’aprile 2026, e i nodi di RL Swarm sono stati sospesi per concentrare le energie sul primo prodotto con valore economico reale. In pratica, il poster child dell’addestramento verificabile ha spedito per prima cosa un oracolo AI per mercati predittivi<\/a>, non il marketplace di training che aveva ispirato la sua esistenza. Chi vuole il dettaglio del dietrofront lo trova nella nostra analisi dedicata, Gensyn nel 2026: addestramento AI in pausa, Delphi al lavoro<\/a>.<\/p>

Lo ha confermato il cofondatore e CEO Ben Fielding, spiegando la mossa: \u00abDelphi non compete direttamente con Polymarket e Kalshi sugli stessi mercati; la strategia \u00e8 aprire una categoria interamente nuova di mercati di nicchia, di propriet\u00e0 dei creatori, che quelle piattaforme non costruirebbero mai\u00bb. Il token $AI, al momento del lancio di Delphi, non era ancora quotato: il modello prevede una commissione dello 0,5% sul volume per riacquistare e bruciare il token, e un 1,5% in USDC ai creatori sui mercati risolti. La lezione, per il tema di questo articolo, \u00e8 semplice: provare l’addestramento era la missione; il prodotto che paga, almeno per ora, prova delle inferenze.<\/p>

Prime Intellect e la gravit\u00e0 del cluster centralizzato<\/h2>

L’altro protagonista \u00e8 Prime Intellect, che nel 2025 aveva fatto scalpore con INTELLECT-2<\/a>, un modello da 32 miliardi di parametri addestrato interamente tramite reinforcement learning distribuito a livello globale, su GPU messe a disposizione da chiunque. L’impalcatura ha tre moduli: PRIME-RL per il reinforcement learning asincrono, SHARDCAST per distribuire i file dei pesi, e il gi\u00e0 citato TOPLOC per la verifica. Secondo l’annuncio, TOPLOC abilita \u00abuna partecipazione davvero aperta, permettendo a chiunque nel mondo di contribuire risorse GPU in modo pienamente permissionless\u00bb. Sulla carta, l’addestramento senza fiducia funziona.<\/p>

Poi \u00e8 arrivato INTELLECT-3, un Mixture-of-Experts da 106 miliardi di parametri rilasciato a fine novembre 2025, e qui la realt\u00e0 ha presentato il conto. Il modello di punta non \u00e8 stato addestrato in modo decentralizzato: \u00e8 stato addestrato su un cluster centralizzato<\/a> di 512 GPU NVIDIA H200 distribuite su 64 nodi con interconnessione InfiniBand a 400 Gbps, per circa due mesi. La ragione \u00e8 la fisica dell’addestramento di frontiera: la larghezza di banda fra i nodi conta pi\u00f9 della decentralizzazione, e il reinforcement learning su scala richiede una sincronia che una rete di sconosciuti non garantisce. Il token PRIME esiste su pi\u00f9 catene ma resta scarsamente liquido. Quando \u00e8 contato un modello competitivo, la gravit\u00e0 del data center co-locato ha avuto la meglio sull’ideale permissionless: un secondo indizio, dopo Gensyn, che nel 2026 l’addestramento verificabile e decentralizzato \u00e8 pi\u00f9 facile da raccontare che da spedire.<\/p>

Il buco di provenienza: l’AI Act chiede le origini, i laboratori chiudono i rubinetti<\/h2>

Qui la storia tecnica incontra quella politica, e la tempistica \u00e8 impietosa. Mentre provare l’addestramento resta aspirazionale, la trasparenza volontaria dei laboratori sta crollando proprio quando la legge inizia a pretenderla. L’AI Index 2026 di Stanford<\/a> fotografa il paradosso: 80 dei 95 modelli di rilievo usciti nel 2025 sono stati pubblicati senza il codice di addestramento (solo quattro con codice aperto), l’indice di trasparenza dei foundation model \u00e8 sceso da 58 a 40<\/a>, e laboratori come Google, Anthropic e OpenAI hanno smesso di divulgare la dimensione dei dataset e la durata dell’addestramento dei loro modelli pi\u00f9 recenti. I modelli pi\u00f9 capaci sono, oggi, fra i meno trasparenti. Nello stesso rapporto, gli incidenti legati all’AI salgono a 362 nel 2025 (pi\u00f9 55% sull’anno prima), con l’adozione aziendale all’88%.<\/p>

Dall’altro lato arriva l’obbligo. Dal 2 agosto 2026 diventano operativi i poteri di enforcement e le sanzioni dell’AI Act europeo<\/a> per i fornitori di modelli di uso generale (GPAI), fino a 15 milioni di euro o il 3% del fatturato globale annuo. Tra gli obblighi: pubblicare un riassunto \u00absufficientemente dettagliato\u00bb dei contenuti usati per l’addestramento, seguendo un modello fornito dalla Commissione (fonti dei dati, copertura linguistica e geografica, tipi di contenuto, intervalli temporali), e conservare una documentazione tecnica versione per versione, con ritenzione decennale. L’AI Office pu\u00f2 chiedere informazioni a qualsiasi fornitore che offra modelli nell’Unione, ovunque abbia sede.<\/p>

Il punto che lega tutto \u00e8 questo: la legge impone di dichiarare<\/em> la provenienza dell’addestramento, ma nulla prova che la dichiarazione sia vera. Un riassunto compilato \u00e8 un pezzo di carta; l’addestramento verificabile sarebbe esattamente la tecnologia capace di trasformarlo in una prova. \u00c8 la domanda che non trova ancora l’offerta: il regime di conformit\u00e0 del 2026 gira sulla fiducia e sull’audit documentale, non su una dimostrazione crittografica, perch\u00e9 quest’ultima, sull’addestramento, non esiste ancora a un costo sostenibile.<\/p>

Cosa cambia in Italia: Consob, Banca d’Italia e la provenienza dei modelli<\/h2>

Per il lettore italiano la cornice ha due livelli. L’infrastruttura in s\u00e9 (le reti di prover, le enclave, le GPU) non \u00e8 regolata in modo diretto: non \u00e8 un servizio finanziario. Lo diventano per\u00f2 i token che la pagano e, soprattutto, i servizi costruiti sopra, quando un agente AI gestisce asset della clientela o alimenta una decisione di investimento. Qui entrano il MiCA e il decreto che lo attua in Italia, il D.lgs. 129\/2024, che designa Consob<\/a> per la condotta di mercato e la tutela degli investitori e la Banca d’Italia per i profili prudenziali e sulle stablecoin (ART ed EMT); il periodo transitorio del MiCA per gli operatori italiani si \u00e8 chiuso il 1 luglio 2026.<\/p>

Consob ha recepito gli orientamenti ESMA sulla classificazione delle cripto-attivit\u00e0, con un principio di sostanza sulla forma che decide se un token sia cripto-attivit\u00e0 sotto MiCA o strumento finanziario sotto MiFID II, e ha ricordato, insieme all’ESMA, che l’uso dell’AI nei servizi di investimento non sospende gli obblighi di governance e accountability. Tradotto: una fintech o una banca italiana che usi un modello per selezionare titoli dovr\u00e0 poterne documentare origine e comportamento. Non \u00e8 un caso che l’ingresso delle banche italiane nella custodia e negli ETP cripto<\/a> stia procedendo con prudenza: la provenienza provabile \u00e8 esattamente il tipo di primitiva che un revisore vorrebbe, e che oggi manca.<\/p>

L’applicazione pi\u00f9 vicina alla realt\u00e0 istituzionale, non a caso, non riguarda l’addestramento ma una prova molto pi\u00f9 semplice: la prova di riserve. Un emittente pu\u00f2 far girare i dati sensibili dentro un’enclave e pubblicare solo un verdetto firmato (\u00abcoperto almeno 1:1\u00bb) senza esporre le cifre, uno schema gi\u00e0 sperimentato con il calcolo riservato di Flare<\/a> per la stablecoin USDX di Hex Trust. Per un emittente di EMT europeo, la stessa meccanica potrebbe un giorno attestare le riserve richieste dal MiCA. Dove invece l’importo passa dal bilancio alla dichiarazione dei redditi, restano aperti i nodi fiscali che abbiamo trattato parlando dello scostamento e dell’aliquota al 26% nella Manovra 2027<\/a>: provare un calcolo non esime dal dichiararne il risultato al Fisco.<\/p>

Tecnologia su, token gi\u00f9<\/h2>

C’\u00e8 un modo rapido per misurare quanto il mercato creda alla narrazione dell’AI verificabile: guardare i token dei progetti che la costruiscono. Il divario \u00e8 imbarazzante. Le prove scalano, i prezzi no. Tutti i principali token del settore delle prove restano fra l’80 e il 98% sotto il massimo storico, nonostante abbiano spedito tecnologia funzionante. La tabella sotto riporta i valori rilevati il 13 ottobre 2026 su CoinGecko<\/a> (prezzi in euro, arrotondati).<\/p>

Token<\/th>Progetto<\/th>Approccio<\/th>Prezzo (EUR)<\/th>Cap. di mercato<\/th>Da massimo storico<\/th><\/tr><\/thead>
EIGEN<\/td>EigenCloud<\/td>Crypto-economico<\/td>0,217<\/td>circa 211 mln<\/td>circa -96%<\/td><\/tr>
PROVE<\/td>Succinct<\/td>zkML (zkVM)<\/td>0,169<\/td>circa 33 mln<\/td>circa -88%<\/td><\/tr>
PHA<\/td>Phala Network<\/td>TEE<\/td>0,049<\/td>circa 42 mln<\/td>circa -96%<\/td><\/tr>
LA<\/td>Lagrange<\/td>zkML (DeepProve)<\/td>0,057<\/td>circa 11 mln<\/td>circa -96%<\/td><\/tr>
ZKC<\/td>Boundless<\/td>zkML (marketplace)<\/td>0,034<\/td>circa 9,9 mln<\/td>circa -98%<\/td><\/tr>
TAO<\/td>Bittensor<\/td>DePIN AI (proxy)<\/td>248,59<\/td>circa 2,8 mld<\/td>intero ecosistema<\/td><\/tr><\/tbody><\/table><\/figure>

E questo \u00e8 il mercato dell’inferenza provabile, quello maturo. Il mercato dei token legati all’addestramento \u00e8 ancora pi\u00f9 rarefatto: il $AI di Gensyn non \u00e8 quotato, il PRIME di Prime Intellect \u00e8 poco liquido, e l’unico riferimento capitalizzato davvero \u00e8 il TAO<\/a> di Bittensor, che per\u00f2 \u00e8 l’intero ecosistema di subnet, non un token puro dell’addestramento verificabile. Se la verifica dell’inferenza fatica a sostenere una valutazione, quella dell’addestramento non ha nemmeno un mercato su cui provarci.<\/p>

Chi pagher\u00e0 per provare l’addestramento?<\/h2>

La domanda commerciale per il verifiable compute esiste, ma si concentra dove il calcolo tocca denaro o conformit\u00e0, e quasi sempre sull’inferenza. Un agente autonomo che firma una transazione ha interesse a provare di aver eseguito il modello giusto prima di muovere fondi; un oracolo che alimenta un protocollo DeFi deve dimostrare che il prezzo o il rischio non sono stati manomessi; un ente che adotta l’AI nei servizi regolati vuole un audit crittografico anzich\u00e9 una promessa. Sono i casi d’uso che raccontiamo analizzando a cosa serve davvero l’AI verificabile on-chain<\/a>, e il filo comune \u00e8 che il valore sta nel momento della decisione, non in quello della costruzione del modello.<\/p>

Per l’addestramento la lista di chi paga \u00e8 pi\u00f9 corta. Ha senso provare un training solo quando la provenienza \u00e8 giuridicamente o economicamente portante: modelli regolati sotto l’AI Act, contenziosi sulla propriet\u00e0 intellettuale dei dati, licenze di modello dove il compratore vuole garanzie su che cosa ha davvero appreso la rete. Fuori da questi casi, il premio da pagare per una prova resta superiore al dolore che evita, e il mercato lo sa. Vale qui la lezione che aleggia su tutto il comparto, cristallizzata dal pivot di aziende nate zkML e poi convertite ad altro: la verifica pura \u00e8 un business difficile, e non tutto ci\u00f2 che si pu\u00f2 provare conviene provarlo. Resta persino la domanda di fondo, se il verifiable compute abbia bisogno di un token proprio o sia piuttosto un servizio che qualcun altro vender\u00e0.<\/p>

Il 2026 che verr\u00e0: ibridi, hardware canonico e il limite del determinismo<\/h2>

Sul fronte dell’inferenza la direzione \u00e8 ormai tracciata: gli ibridi aggirano il trilemma invece di risolverlo. Le architetture di tipo Optimistic TEE-Rollup combinano la finalit\u00e0 rapida di un’enclave, le prove di frode ottimistiche e controlli a campione a conoscenza zero, dichiarando circa il 99% del throughput centralizzato<\/a> a un costo intorno ai sette centesimi di dollaro per query. EigenCloud fa stake e slashing oggi con la promessa dello zero-knowledge domani, Ritual impacchetta il tutto in modo modulare. Per una singola risposta, insomma, nel 2026 si sceglie l’ibrido pi\u00f9 adatto al proprio punto del trilemma.<\/p>

Ma proprio qui si annida il limite che riporta la decentralizzazione con i piedi per terra. Il determinismo bit-exact che rende la verifica un semplice confronto fra byte funziona solo su GPU identiche: come ammette lo stesso paper di EigenAI<\/a>, una A100 e una H100 non producono gli stessi bit, e processori di generazioni o produttori diversi divergono. Serve quindi un \u00abbersaglio hardware canonico\u00bb, che per\u00f2 ricentralizza il mercato delle GPU che si voleva aprire. \u00c8 la stessa gravit\u00e0 che ha spinto Prime Intellect verso un cluster co-locato: l’ideale permissionless e il requisito di riproducibilit\u00e0 tirano in direzioni opposte, e sull’addestramento, dove i passaggi sono milioni, lo strappo \u00e8 massimo.<\/p>

Per l’addestramento, allora, la risposta realistica del 2026 non \u00e8 una prova crittografica unica ed elegante, ma una pila di garanzie parziali: replica e delega arbitrata per dirimere le dispute, controlli alla TOPLOC sulle inferenze interne al ciclo, attestazione TEE dell’ambiente di addestramento, registri di provenienza e watermarking per i dati. \u00abProvare\u00bb un training, oggi, significa impilare questi strati, non emettere un singolo SNARK. \u00c8 meno soddisfacente di una dimostrazione pulita, ma \u00e8 ci\u00f2 che regge il peso quando la scala rende la crittografia pura impraticabile.<\/p>

La parabola, in fondo, \u00e8 questa. In diciotto mesi provare l’inferenza \u00e8 passato dalla ricerca all’ingegneria; provare l’addestramento \u00e8 il punto dove si concentra oggi il lavoro difficile ed economicamente pi\u00f9 rilevante. L’AI Act ha trasformato la provenienza in un obbligo di legge proprio mentre la trasparenza volontaria dei laboratori crollava, e chi riuscir\u00e0 a rendere l’addestramento provabile a basso costo si prender\u00e0 lo strato di audit dell’economia dell’AI. Per ora lo stato delle cose, alla fine del 2026, si riassume in una frase: la risposta si pu\u00f2 provare, l’origine no, non ancora.<\/p>

Domande frequenti<\/h2>

Che cos’\u00e8 il verifiable compute?<\/h3>

Il verifiable compute, o calcolo verificabile, \u00e8 la capacit\u00e0 di produrre insieme a un risultato una prova a basso costo che quel risultato \u00e8 stato calcolato correttamente, cos\u00ec che chi verifica non debba rieseguire il calcolo. La fiducia passa dal fidarsi del server al verificare la prova. \u00c8 diverso dal semplice noleggio di potenza di calcolo, che affitta hardware senza dimostrarne l’onest\u00e0.<\/p>

Qual \u00e8 la differenza fra provare l’inferenza e provare l’addestramento di un’AI?<\/h3>

Provare l’inferenza significa certificare un singolo calcolo, cio\u00e8 che un output deriva da un dato modello e da un dato input. Provare l’addestramento significa certificare un intero processo fatto di milioni di passaggi su un intero dataset. Nel 2026 il primo problema \u00e8 quasi risolto per i modelli piccoli e medi, mentre il secondo resta aspirazionale perch\u00e9 scala e provenienza dei dati lo rendono enormemente pi\u00f9 costoso.<\/p>

Si pu\u00f2 davvero provare come \u00e8 stato addestrato un modello AI?<\/h3>

Non ancora in modo completo e a costo sostenibile. Esistono metodi parziali come la delega arbitrata (per esempio Verde), i controlli di tipo TOPLOC che in realt\u00e0 verificano la fase di inferenza dentro il ciclo di addestramento, e costruzioni accademiche di proof-of-training. Nessuno prova crittograficamente un addestramento di frontiera passaggio per passaggio: resta una frontiera di ricerca.<\/p>

Cosa sono zkML, TEE e opML?<\/h3>

Sono tre dei quattro approcci al calcolo verificabile. Lo zkML usa prove a conoscenza zero, una garanzia matematica senza fiducia in terzi ma costosa sui modelli grandi. Il TEE usa enclave hardware attestate da un chip, veloci ma basate sulla fiducia nel produttore. L’opML pubblica il risultato e apre una finestra di sfida con prova di frode. Il quarto approccio \u00e8 quello crypto-economico, basato su stake e slashing.<\/p>

L’AI Act europeo obbliga a provare l’addestramento dei modelli?<\/h3>

No. L’AI Act obbliga i fornitori di modelli di uso generale a dichiarare e documentare la provenienza dell’addestramento, con un riassunto dei dati usati e una documentazione tecnica conservata per dieci anni, e dal 2 agosto 2026 prevede sanzioni fino a 15 milioni di euro o il 3% del fatturato. Ma chiede di dichiarare, non di dimostrare crittograficamente: \u00e8 proprio il divario che l’addestramento verificabile punterebbe a colmare.<\/p>