Quando il settore crypto ha deciso di rendere verificabile l’intelligenza artificiale, la prima scommessa seria ha preso il nome di opML. L’idea era pulita: far girare un modello di machine learning fuori dalla blockchain, pubblicare on-chain il risultato insieme a un impegno crittografico, aprire una finestra di tempo in cui chiunque pu\u00f2 contestare, e trattare quel risultato come valido se nessuno solleva un’obiezione. Niente prove pesanti, niente hardware sigillato: solo l’incentivo a non mentire, perch\u00e9 una bugia pu\u00f2 essere smascherata e punita.<\/p>
Nel 2026 quella scommessa ha un bilancio scomodo. La tecnologia esiste e funziona nei limiti dichiarati, ma il token che avrebbe dovuto finanziarla \u00e8 crollato oltre il 99,9% dal massimo storico, e il problema di fiducia pi\u00f9 costoso, quello su cui circola davvero il denaro, si \u00e8 spostato a monte: non nell’inferenza, ma nell’addestramento dei modelli. \u00c8 l\u00ec che aziende come Gensyn, Prime Intellect e Nous Research raccolgono centinaia di milioni, e proprio l\u00ec la vecchia intuizione di opML, la prova di frode interattiva, rinasce sotto altri nomi.<\/p>
Questa guida spiega che cos’\u00e8 opML dalle fondamenta, da dove arriva, come funziona la sua prova di frode, chi l’ha costruito e dove \u00e8 finito; poi mostra perch\u00e9 il baricentro dell’AI verificabile si \u00e8 spostato verso il training e che cosa resta, oggi, all’inferenza on-chain.<\/p>
opML sta per optimistic machine learning. Il nome non \u00e8 casuale: ricalca gli optimistic rollup, le soluzioni di scalabilit\u00e0 di Ethereum (Arbitrum, OP Stack) che danno per buona una transazione salvo prova contraria. opML applica lo stesso principio al machine learning. Un nodo esegue l’inferenza di un modello fuori dalla catena, pubblica il risultato con un impegno di tipo Merkle e apre una finestra di sfida. Se entro quella finestra nessuno contesta, il risultato diventa definitivo. Se qualcuno contesta, parte un gioco di verifica che individua il passo di calcolo esatto in cui le due parti divergono, e la catena arbitra soltanto quel singolo passo.<\/p>
La parola chiave \u00e8 \u00abottimistico\u00bb: il sistema assume che il risultato sia corretto e si prepara a smentirlo solo se serve. Il vantaggio \u00e8 il costo. Non bisogna produrre una prova crittografica dell’intero calcolo (la strada dello zkML, costosissima sui modelli grandi) n\u00e9 fidarsi di un chip sigillato (la strada dei TEE). Basta che esista almeno un osservatore onesto disposto a rieseguire il calcolo e ad alzare la mano se non torna. Il metodo \u00e8 descritto nel paper \u00abopML: Optimistic Machine Learning on Blockchain\u00bb (arXiv 2401.17555)<\/a>, pubblicato a fine gennaio 2024 dal team di Hyper Oracle, che nel testo lo definisce esplicitamente \u00abreminiscent of the optimistic rollup systems\u00bb.<\/p> Un dettaglio va messo subito in chiaro, perch\u00e9 torner\u00e0 centrale: quel paper parla solo di inferenza. opML serve a \u00abcondurre l’inferenza di modelli AI\u00bb sulla blockchain, non ad addestrarli. Nasce per certificare una risposta gi\u00e0 calcolata, non per garantire il processo, lungo e costoso, che ha prodotto il modello.<\/p> L’intuizione non nasce con l’AI. Il meccanismo del gioco di verifica interattivo con bisezione viene da Truebit, il sistema descritto da Jason Teutsch e Christian Reitwiessner in \u00abA scalable verification solution for blockchains\u00bb<\/a> anni prima che gli optimistic rollup lo rendessero popolare per l’esecuzione generica su EVM. L’idea di Truebit \u00e8 semplice e profonda: se un risultato calcolato fuori dalla catena viene contestato, non si rif\u00e0 tutto il calcolo on-chain (sarebbe proibitivo), ma si gioca a dimezzare. Le due parti in disaccordo restringono progressivamente la contesa finch\u00e9 non resta una sola operazione elementare, e soltanto quella viene arbitrata dalla catena.<\/p> opML prende questo schema e lo punta sul machine learning; gli optimistic rollup lo hanno preso e puntato sull’esecuzione degli smart contract. Stessa famiglia, bersagli diversi. \u00c8 un punto da tenere a mente, perch\u00e9 la medesima logica ricomparir\u00e0 quando parleremo di addestramento: la bisezione di Truebit \u00e8 il filo rosso che collega opML del 2024 ai sistemi di verifica del training del 2026.<\/p> Il cuore tecnico di opML \u00e8 la Fraud Proof Virtual Machine (FPVM), una macchina virtuale deterministica dentro cui il calcolo contestato pu\u00f2 essere rieseguito passo per passo. Qui opML distingue due modalit\u00e0, e la differenza non \u00e8 un dettaglio: \u00e8 ci\u00f2 che separa un’idea teorica da un sistema usabile.<\/p> Nella versione a fase singola ogni operazione del modello viene rieseguita dentro la VM vincolata: semplice, ma lentissima, perch\u00e9 rinuncia alla GPU. Nella versione multi-fase il calcolo non contestato gira in modo nativo (GPU, parallelismo), e la macchina virtuale interviene solo sul micro-passo isolato dalla bisezione. Secondo la documentazione del progetto su GitHub<\/a>, questo abbatte la complessit\u00e0 dell’albero di Merkle da O(mn) a O(m+n) e porta un’accelerazione \u00abda decine a centinaia di volte\u00bb rispetto alla fase singola. In pratica: si paga il prezzo pieno della verifica rigorosa solo sul punto esatto della contesa, non sull’intero modello.<\/p> I numeri che il progetto cita per s\u00e9 stesso restano a scala ridotta: inferenza in circa due secondi e un ciclo completo di sfida in circa due minuti su una testnet locale, per un compito di tipo MNIST. Ora sostiene anche di far girare un LLaMA da sette miliardi di parametri (26 GB) su un PC comune senza GPU, grazie a una libreria DNN leggera sviluppata in casa che sostituisce TensorFlow e PyTorch. \u00c8 un’affermazione interna, non verificata in modo indipendente, e va letta come tale: una promessa di fattibilit\u00e0, non un benchmark certificato.<\/p> Tutta la sicurezza di opML poggia su una sola frase: basta un guardiano onesto. Il sistema regge finch\u00e9 esiste almeno un osservatore che riesegue i risultati pubblicati ed \u00e8 disposto a contestarne uno sbagliato entro la finestra di sfida. Se quel guardiano c’\u00e8, mentire non conviene: la frode viene vista e punita. Se non c’\u00e8, i risultati passano senza controllo e l’\u00abottimismo\u00bb si riduce a fiducia cieca. La differenza tra le due condizioni \u00e8 invisibile a chi guarda la catena: l’assenza di contestazioni \u00e8 compatibile sia con la perfetta onest\u00e0 sia con la totale negligenza.<\/p> Il problema \u00e8 che fare il guardiano costa. Rieseguire un’inferenza consuma GPU e tempo, e se tutti si aspettano che gli altri siano onesti nessuno ha interesse a pagare per controllare un risultato che quasi certamente \u00e8 corretto. \u00c8 il verifier’s dilemma, gi\u00e0 noto a Truebit, che lo affrontava con \u00aberrori forzati\u00bb periodici e un montepremi per chi li scopriva. opML, nella sua versione pubblica, non ha una risposta equivalente dispiegata in produzione: l’incentivo del guardiano resta pi\u00f9 un’assunzione che un meccanismo.<\/p> C’\u00e8 poi il costo della finestra stessa. Finch\u00e9 la sfida \u00e8 aperta, il risultato non \u00e8 definitivo; un contratto che volesse usarlo subito dovrebbe accontentarsi di una finalit\u00e0 \u00abprovvisoria\u00bb o aspettare. Questo rende opML poco adatto alle applicazioni in tempo reale e difficile da comporre con altri contratti che a loro volta aspettano. \u00c8 un limite tecnico che diventer\u00e0 decisivo appena entreranno in scena gli agenti AI, cio\u00e8 l’unico caso d’uso capace di dare volume all’inferenza on-chain.<\/p> Dietro opML c’\u00e8 Ora Protocol, nata come Hyper Oracle nel settembre 2022 e fondata da Kartin Wong (ex Google, ex responsabile infrastrutture a TikTok). Al team si \u00e8 unita come chief scientist Cathie So, ricercatrice zkML arrivata dal gruppo PSE della Ethereum Foundation: una combinazione che d\u00e0 a Ora competenze sia su opML sia sulle prove a conoscenza zero. Nel giugno 2024 il progetto ha raccolto 20 milioni di dollari da Polychain, HF0 e HashKey Capital, dentro un totale di circa 23 milioni. Alla stampa, Wong ha spiegato di voler \u00abunlock the design space for AI dapps\u00bb<\/a>, con fondi destinati a tokenizzare i modelli di AI.<\/p> Il prodotto principale costruito su opML \u00e8 l’Onchain AI Oracle (OAO): contratti che accettano richieste di inferenza, le girano ai nodi opML, restituiscono il risultato con la sua finestra di sfida e richiamano il contratto del committente. Secondo il repository ufficiale<\/a>, OAO \u00e8 dispiegato con lo stesso indirizzo su oltre una dozzina di catene (Ethereum, Optimism, Arbitrum, Base, Polygon, Linea, Mantle, BSC e altre) e supporta modelli aperti come Llama 3.3 70B, Qwen, Mistral, Gemma e DeepSeek-V3, oltre a generatori di immagini come Stable Diffusion e FLUX.1. Le tariffe vanno da 0,01 a 1,00 ORA per chiamata.<\/p> Qui si annida una distinzione che molti saltano. La prova di frode ha senso solo se chi contesta pu\u00f2 rieseguire il modello in modo indipendente, cosa possibile con i pesi aperti. I modelli chiusi dietro API, come GPT-4o, su OAO vengono di fatto inoltrati e attestati, non verificati con lo stesso meccanismo: nessuno pu\u00f2 rieseguire GPT-4o per smentirlo. opML, in altre parole, mette al sicuro soprattutto ci\u00f2 che \u00e8 gi\u00e0 aperto. \u00c8 un vincolo che non riguarda solo OAO: scavalca l’intera categoria, perch\u00e9 i modelli migliori per gli agenti oggi sono quasi tutti chiusi.<\/p> Dal gennaio 2025 Ora ha lanciato opAgent, un framework di \u00abagenti perpetui on-chain\u00bb: entit\u00e0 software che, nelle parole dell’azienda, \u00abesistono indefinitamente attraverso la blockchain\u00bb, controllate dalla logica di uno smart contract anzich\u00e9 da una chiave privata, con opML a rendere verificabile ogni loro azione (uno scambio su un DEX, un trasferimento, il deploy di un contratto). \u00c8 la scommessa di Ora sull’economia degli agenti. Il paradosso \u00e8 che proprio quella scommessa mette a nudo il limite di opML: gli agenti vogliono finalit\u00e0 immediata, e la finestra di sfida non gliela pu\u00f2 dare.<\/p> Messi insieme, i limiti di opML convergono su un punto: l’inferenza \u00e8 il bersaglio sbagliato per una prova di frode. Primo, \u00e8 economica da rieseguire. Proprio perch\u00e9 ricontrollare un’inferenza costa poco, il valore in gioco per ogni singola risposta \u00e8 piccolo, e il verifier’s dilemma morde al massimo: non c’\u00e8 un premio abbastanza grande da mantenere un esercito di guardiani svegli. Secondo, la finestra di sfida \u00e8 incompatibile con il tempo reale, cio\u00e8 con l’unico caso d’uso (gli agenti) che avrebbe dato volume a opML. I due problemi si rinforzano a vicenda.<\/p> Il mercato ha emesso il suo verdetto sul token. ORA quota circa 0,0025 euro, per una capitalizzazione intorno ai 420 mila euro e un posto oltre il 3.700esimo nella classifica, pi\u00f9 del 99,9% sotto il massimo storico di 5,08 euro del novembre 2024, come mostra la scheda di CoinGecko<\/a>. Un balzo di oltre il 350% nelle ultime 24 ore, su un volume di appena diecimila euro al giorno, non cambia il quadro: \u00e8 rumore da illiquidit\u00e0, non un segnale di domanda. Se l’inferenza \u00e8 il posto sbagliato, qual \u00e8 quello giusto? La risposta, nel 2026, \u00e8 a monte.<\/p> Addestrare un modello di frontiera \u00e8 l’esatto opposto dell’inferenza. Non \u00e8 un calcolo da due secondi che chiunque pu\u00f2 rifare: \u00e8 un’operazione che dura settimane, costa milioni e non \u00e8 riproducibile banalmente. Se quel calcolo viene affidato a GPU anonime sparse per il mondo, i rischi diventano concreti e costosi. Un fornitore pu\u00f2 fingere di aver addestrato e intascare il pagamento (free-riding), pu\u00f2 avvelenare i pesi del modello, pu\u00f2 moltiplicare identit\u00e0 finte per rastrellare ricompense (attacco Sybil). Qui c’\u00e8 davvero del denaro da proteggere, e qui l’idea \u00abdai per buono, poi punisci chi mente\u00bb ritrova senso economico: il premio per smascherare una frode pu\u00f2 valere quanto il costo di controllarla, cosa che nell’inferenza non accadeva mai.<\/p> Non \u00e8 un caso che i capitali siano andati proprio l\u00ec. Gensyn, Prime Intellect e Nous Research, i tre nomi di punta del training decentralizzato, non vendono una prova di frode per l’inferenza: vendono la possibilit\u00e0 di addestrare su hardware non fidato. E lo fanno con valutazioni che il settore della verifica pura pu\u00f2 solo sognare. La corsa alle GPU decentralizzate che alimenta questo filone \u00e8 la stessa che muove reti come Akash<\/a>, dove la domanda reale di calcolo convive con un’offerta di schede sempre pi\u00f9 contesa.<\/p> Il ponte pi\u00f9 diretto tra opML e il training si chiama Verde. \u00c8 il sistema di verifica di Gensyn, descritto nel paper arXiv 2502.19405<\/a> (tra gli autori il crittografo Joseph Bonneau, NYU) e messo in produzione secondo una nota tecnica<\/a> firmata da O\u011fuzhan Ersoy il 24 novembre 2025. L’abstract del paper lo dice con precisione: il metodo consente a \u00abun client con risorse limitate di delegare un programma a pi\u00f9 fornitori di calcolo non fidati, con la garanzia di ottenere il risultato corretto se almeno uno di loro \u00e8 onesto\u00bb, adattando \u00abla nozione crittografica di refereed delegation al machine learning\u00bb.<\/p> Il meccanismo \u00e8, nella sostanza, la bisezione di Truebit vista all’inizio. Nelle parole di Gensyn: \u00abse due fornitori di calcolo sono in disaccordo sul risultato finale, un referee pu\u00f2 eseguire un bisection game per individuare la prima operazione in cui divergono\u00bb, e a quel punto il referee esegue soltanto quella singola operazione invece dell’intero job. \u00c8 esattamente la famiglia di opML, applicata per\u00f2 all’addestramento anzich\u00e9 all’inferenza; la stessa garanzia (\u00abcorretto se almeno uno \u00e8 onesto\u00bb) che altrove veniva venduta per certificare una risposta, qui serve a certificare un processo lungo e irripetibile.<\/p> Verde porta anche la soluzione a un buco che opML aveva lasciato aperto: il determinismo. Si chiama RepOps (Reproducible Operators) e, sempre secondo Gensyn, \u00abgarantisce che la stessa operazione di ML produca risultati identici bit per bit, indipendentemente dalla GPU o dall’ambiente\u00bb. Senza una riproducibilit\u00e0 del genere, qualunque gioco di frode rischia di scambiare per bugia una semplice differenza di arrotondamento tra schede diverse.<\/p> Attenzione alla lettura, per\u00f2: Verde non \u00e8 \u00abopML copiato\u00bb. Verde rivendica l’eredit\u00e0 della refereed delegation, opML quella degli optimistic rollup; entrambi discendono dai giochi di verifica interattivi di Truebit. Sono cugini, non lo stesso prodotto. Ma la morale \u00e8 netta: la migliore idea di opML ha trovato il suo caso d’uso naturale un piano pi\u00f9 su, nel training, dove c’\u00e8 abbastanza valore in gioco da pagare chi controlla.<\/p> Non tutti, nel training decentralizzato, scommettono sulle prove di frode. Prime Intellect, che ha addestrato in modo distribuito i modelli INTELLECT-1 (10 miliardi di parametri) e INTELLECT-2<\/a> (32 miliardi, reinforcement learning distribuito a livello globale), usa un approccio diverso chiamato TOPLOC: invece di aprire una finestra di sfida, verifica i risultati dei lavoratori non fidati con un hash localmente sensibile (locality-sensitive hashing) calcolato sulle attivazioni del modello, capace di cogliere cambi di modello, prompt o precisione. \u00c8 la scuola \u00abcontrolla subito\u00bb contrapposta alla scuola \u00abcontesta dopo\u00bb di opML e Verde. Due filosofie opposte per lo stesso problema: fidarsi di nessuno in anticipo, oppure dare per buono e tenere pronta la punizione.<\/p> Lo stesso Prime Intellect offre per\u00f2 l’avvertenza pi\u00f9 onesta del settore. Il suo modello pi\u00f9 grande, INTELLECT-3 (106 miliardi di parametri totali, circa 12 attivi, architettura MoE), uscito a fine novembre 2025, non \u00e8 stato addestrato su una nuvola di GPU casalinghe: \u00e8 girato su un cluster concentrato di schede NVIDIA H200 con interconnessione InfiniBand<\/a>, perch\u00e9 il reinforcement learning asincrono su larga scala richiede InfiniBand, non banda larga di consumo. Il training davvero decentralizzato resta un traguardo parziale, non un fatto compiuto: la fisica della banda passante continua a riportare i run pi\u00f9 grossi dentro data center concentrati.<\/p> Che i capitali credano comunque in questa direzione lo dicono i numeri. Prime Intellect ha chiuso a luglio 2026 un round da 130 milioni di dollari a una valutazione di un miliardo<\/a>, guidato da Radical Ventures con i bracci di investimento di NVIDIA, Intel e Dell. E il 7 ottobre 2026 Nous Research ha annunciato una Serie B da 90 milioni a una valutazione di 1,5 miliardi<\/a> (lead Robot Ventures, con NVIDIA, Samsung, M12 di Microsoft, Y Combinator, USV e Menlo), portando il totale raccolto a circa 160 milioni; l’azienda dichiara un fatturato annualizzato intorno ai 36 milioni e un agente, Hermes, clonato oltre 24 milioni di volte. Nessuna delle due ha un token quotato: il valore, qui, lo cattura l’equity, non un gettone.<\/p> Per collocare opML conviene vederlo accanto alle alternative. Esistono quattro grandi scuole per convincere qualcuno che un modello ha fatto davvero ci\u00f2 che dice, e ciascuna sacrifica qualcosa.<\/p>La parentela con Truebit e gli optimistic rollup<\/h2>
Come funziona la prova di frode: FPVM e bisezione<\/h2>
La finestra di sfida e l’ipotesi del \u00abguardiano onesto\u00bb<\/h2>
Ora Protocol, OAO e opAgent<\/h2>
Il tallone d’Achille: perch\u00e9 l’inferenza \u00e8 difficile da difendere<\/h2>
Dove si \u00e8 spostato il problema: il training decentralizzato<\/h2>
Gensyn Verde: la prova di frode rinasce per il training<\/h2>
TOPLOC e la scuola \u00abnon ottimistica\u00bb<\/h2>
I quattro modi di rendere verificabile l’AI<\/h2>