zk-ML nel 2026: le prove funzionano, ma chi le paga?

Nel 2026 è successo qualcosa che per anni gli addetti ai lavori giudicavano impossibile: un modello linguistico intero è stato dimostrato dall’inizio alla fine con una prova crittografica. Il sistema DeepProve del team Lagrange ha generato la prova a conoscenza zero di un’inferenza completa di GPT-2, e poi di Gemma-3, aprendo una breccia nel muro che teneva lo zk-ML confinato a modelli giocattolo. La tecnologia che promette di rendere l’intelligenza artificiale verificabile, non più una scatola nera di cui fidarsi sulla parola, ha finalmente attraversato la soglia che conta.

E però, nello stesso 2026, i token dei progetti che dovrebbero finanziare tutto questo raccontano una storia opposta. LA di Lagrange, PROVE di Succinct, ZKC di Boundless: nessuno di questi vale oggi più di una piccola frazione dei propri massimi storici, in alcuni casi oltre il 99% sotto. È il paradosso dell’AI verificabile: le prove funzionano, il mercato che dovrebbe pagarle no. Questa guida spiega che cos’è lo zk-ML, come si produce una prova, perché il 2026 è l’anno della svolta tecnica e, soprattutto, la domanda più scomoda di tutte: chi compra davvero queste prove?

Che cos’è lo zk-ML, spiegato semplice

Lo zk-ML, o zero-knowledge machine learning, è l’unione di due mondi: le prove a conoscenza zero della crittografia e il machine learning. L’idea è tanto semplice quanto potente. Chi esegue un modello di AI non si limita a restituire un risultato; produce anche una prova crittografica che quel risultato è stato calcolato correttamente, con quel preciso modello e su quel preciso input. Chiunque può poi verificare la prova in pochi millisecondi, senza dover rieseguire il modello e senza doversi fidare di chi lo ha eseguito.

Il cambiamento di paradigma è tutto nel modello di fiducia. Con un servizio di AI tradizionale ci si fida del server: se un provider dichiara di aver usato un certo modello, non c’è modo di controllarlo. Con lo zk-ML la fiducia si sposta dal fornitore alla matematica: non serve credere a nessuno, basta verificare la prova. A questo si aggiunge, quando serve, la proprietà a conoscenza zero vera e propria, che permette di dimostrare la correttezza di un calcolo senza rivelare i dati in ingresso né i pesi del modello. È la stessa idea che rende lo zk-ML interessante anche per la privacy, non solo per l’integrità.

Attenzione a non confondere lo zk-ML con il semplice calcolo decentralizzato. Reti come Akash o Bittensor affittano potenza di calcolo su GPU distribuite, ma non dimostrano di aver lavorato in modo onesto: verificano che qualcuno abbia fatto girare qualcosa, non che abbia fatto girare la cosa giusta nel modo giusto. Lo zk-ML riguarda l’integrità del calcolo, non la sua distribuzione, ed è questa la ragione per cui sta al centro di ogni discorso sull’AI davvero affidabile.

Perché il crypto ha bisogno di AI verificabile

Le blockchain sono macchine deterministiche: ogni nodo riesegue ogni transazione e deve ottenere lo stesso identico risultato, altrimenti la rete non trova consenso. L’inferenza di un modello di AI è l’esatto opposto: costosa, pesante, spesso non riproducibile bit per bit da una GPU all’altra. Far girare un modello linguistico dentro uno smart contract, con ogni validatore che lo riesegue, è semplicemente improponibile. Nasce da qui la domanda che tiene sveglio chi costruisce infrastruttura: come fa un contratto deterministico a fidarsi di una risposta prodotta da un’AI che vive fuori dalla catena?

I punti di frizione sono almeno tre. Il primo sono gli oracoli: se un’AI alimenta un contratto con un dato (un prezzo, una classificazione, un giudizio), chi garantisce che il modello dichiarato sia davvero quello usato, e che nessuno lo abbia sostituito con uno più economico o manomesso? Il secondo sono gli agenti autonomi, software con un wallet che agisce sulla base di decisioni prese da un modello: qui la posta in gioco è denaro reale, e la questione della fiducia diventa il collo di bottiglia dell’intera economia degli agenti, un nodo che abbiamo raccontato parlando del framework Eliza e degli agenti AI con wallet. Il terzo è la DeFi: modelli che fissano commissioni, valutano il rischio o gestiscono garanzie, dove un output manipolato si traduce in perdite immediate.

Che il problema della fiducia non sia teorico lo dicono i numeri. Secondo l’AI Index 2026 di Stanford, gli incidenti legati all’intelligenza artificiale sono saliti a 362 nel 2025, in crescita di oltre il 50% sull’anno precedente, mentre l’adozione aziendale ha toccato l’88%. Più l’AI entra in processi con conseguenze concrete, più cresce il bisogno di poter dimostrare che ha fatto ciò che dichiara. Vitalik Buterin ha inquadrato bene il dilemma nel suo saggio del 2024 su crypto e AI: da un lato c’è il calcolo economico ma non verificabile, dall’altro quello verificabile ma costoso, e la generazione di una prova a conoscenza zero di un’inferenza, ha osservato, può richiedere ore. Lo zk-ML è il tentativo di spostare quella frontiera, rendendo la verifica abbastanza economica da valere il prezzo.

Da dove viene lo zk-ML: una breve storia

L’idea non è nata ieri. Il primo a prendere sul serio la domanda «quanto costa dimostrare un calcolo di AI» è stato il gruppo di Modulus Labs, che all’inizio del 2023 pubblicò un rapporto rimasto celebre, «The Cost of Intelligence», il primo vero benchmark dei sistemi di prova applicati al machine learning. Da lì sono usciti anche i primi esperimenti concreti: RockyBot, un bot di trading la cui decisione veniva dimostrata prima di impegnare capitale, e soprattutto Leela vs the World, presentato come il primo gioco di AI on-chain: il pubblico scommetteva contro una rete neurale scacchistica e ogni mossa era dimostrata, così che l’operatore non potesse cambiare modello a partita in corso.

Parallelamente, i ricercatori hanno iniziato a spingere sulle prestazioni. Il lavoro su TensorPlonk, firmato tra gli altri da Daniel Kang, prometteva una «GPU per lo zk-ML» con accelerazioni nell’ordine delle mille volte, un segnale di quanto fosse lontano il punto di partenza. Perché il problema, fin dall’inizio, non è mai stato «si può fare», ma «si può fare a un costo che abbia senso». Ed è esattamente su questo terreno che il 2026 ha cambiato le cose.

Come nasce una prova: la pipeline dello zk-ML

Trasformare l’esecuzione di una rete neurale in una prova crittografica è un percorso a più tappe. Semplificando, ecco che cosa succede tra il modello addestrato e la prova verificabile on-chain:

• Addestramento ed esportazione. Il modello viene addestrato normalmente e poi esportato in un formato standard e interoperabile, quasi sempre ONNX, che descrive la rete come un grafo di operazioni.
• Quantizzazione. I numeri in virgola mobile del modello vengono convertiti in interi a precisione ridotta (per esempio a 8 bit), perché i sistemi di prova lavorano su campi finiti e non digeriscono i float nativi.
• Aritmetizzazione. Ogni operazione (moltiplicazioni di matrici, funzioni di attivazione) viene tradotta in un insieme di vincoli matematici, il circuito, che un sistema di prova come Halo2 sa gestire.
• Generazione della prova. Il prover esegue il modello e produce uno SNARK, una prova succinta che attesta il rispetto di tutti i vincoli senza rivelare i passaggi intermedi.
• Verifica. Un contratto on-chain, o chiunque altro, controlla la prova in tempi e costi irrisori rispetto alla riesecuzione del modello.

Ogni tappa nasconde un problema tecnico serio, e sono proprio questi problemi ad aver tenuto lo zk-ML lontano dai modelli reali fino a poco fa.

I tre muri storici dello zk-ML

Per capire perché il 2026 conta, bisogna sapere contro che cosa si è scontrato lo zk-ML per anni. Tre muri, in particolare.

• Le operazioni non lineari. Le moltiplicazioni di matrici si aritmetizzano bene, ma funzioni come ReLU e softmax sono un incubo per i circuiti. Buterin ha stimato un sovraccarico intorno alle 200 volte proprio per gli strati non lineari, contro un fattore inferiore a 4 per le moltiplicazioni.
• La virgola mobile. Elena Burger, deal partner di a16z crypto, lo ha detto senza giri di parole: le prove a conoscenza zero oggi non riescono a rappresentare le operazioni in virgola mobile a 32 bit nel formato di circuito aritmetico necessario senza sovraccarichi enormi. La conseguenza è la quantizzazione, che però trasforma il modello in quella che Burger definisce una «approssimazione grezza» dell’originale.
• La scala. Un conto è dimostrare una piccola rete; un altro è un modello con miliardi di parametri, dove i tempi di prova esplodono e la memoria non basta. Un benchmark diventato celebre ricordava che con EZKL dimostrare un modello di raccomandazione poteva richiedere circa sei ore per un solo esempio.

Sono questi tre muri, e in particolare il primo, ad aver alimentato per anni il ritornello secondo cui «lo zk-ML non potrà mai reggere i modelli linguistici di grandi dimensioni». Nel 2026 quel ritornello ha smesso di essere vero.

Il 2026: il muro degli LLM si incrina

Tra la fine del 2025 e il 2026, due filoni di ricerca hanno cambiato le carte in tavola. Il primo è l’uso sistematico dei lookup e del sumcheck al posto dei circuiti tradizionali. Invece di costruire un circuito gigantesco per ogni operazione non lineare, si precalcolano i risultati in tabelle di consultazione e si dimostra semplicemente che il valore usato appartiene alla tabella. Il progetto Jolt Atlas, che estende la zkVM Jolt di a16z alle operazioni tensoriali dei modelli ONNX (un lavoro degli ICME Labs e di NovaNet), ha fatto di questa idea la propria spina dorsale. Wyatt Benno di ICME Labs l’ha sintetizzata così: «i lookup eliminano del tutto la necessità di rappresentare il modello come circuito». Nei loro test l’inferenza dimostrata scende intorno a 0,7 secondi, contro i 4-5 secondi dell’approccio a circuiti di EZKL. In più, l’approccio a lookup consente di generare le prove anche su dispositivi comuni, senza hardware dedicato.

Il secondo filone è DeepProve, il sistema di Lagrange che a giugno 2026 è diventato open source e che ha realizzato quella che viene descritta come la prima prova end-to-end di un LLM completo: prima GPT-2, poi Gemma-3. I numeri dichiarati dal progetto parlano di oltre 12 milioni di prove generate e più di 3 milioni di inferenze verificate, con una generazione delle prove fino a 60 volte più rapida e una verifica fino a 671 volte più veloce rispetto ai sistemi precedenti. Ismael Hishon-Rezaizadeh, fondatore e CEO di Lagrange, ha accompagnato il rilascio con una frase diventata lo slogan del settore: «Non abbiamo costruito DeepProve per possedere l’AI verificabile. L’abbiamo costruito perché nessuno dovesse farlo. Oggi DeepProve diventa una primitiva. La scatola nera è aperta».

Il fatto che DeepProve sia stato reso open source non è un dettaglio. Trasformare un sistema di prova da prodotto proprietario a primitiva pubblica significa che chiunque può integrarlo, verificarlo e costruirci sopra senza chiedere permesso, esattamente come è successo per le librerie crittografiche che oggi diamo per scontate. È il modo in cui una tecnologia smette di essere una promessa da conferenza e diventa un mattone su cui altri possono contare.

Vale la pena tenere i piedi per terra. GPT-2 e Gemma-3 sono modelli reali ma piccoli rispetto ai modelli di frontiera da centinaia di miliardi di parametri; le versioni della famiglia Llama sono ancora in fase di sviluppo. È una pietra miliare di fattibilità, non la dimostrazione che qualsiasi LLM commerciale sia già provabile a costi ragionevoli. Ma la direzione è segnata: il muro che sembrava invalicabile ha ora una crepa evidente.

Gli strumenti che spediscono davvero

Dietro le sigle si nasconde una biforcazione tecnica importante: da una parte i circuiti su misura (l’approccio di EZKL, che compila i modelli ONNX in circuiti Halo2), dall’altra le macchine virtuali a conoscenza zero, o zkVM, che eseguono un programma generico e ne dimostrano l’esecuzione. Ecco i protagonisti del 2026.

Un caso concreto e già in produzione è quello di OpenGradient con EZKL: un meccanismo di commissioni dinamiche per i pool di Uniswap V3, in cui un modello aggiusta le fee in base alla volatilità e una prova garantisce che il modello non sia stato alterato. È uno dei rari esempi in cui lo zk-ML tocca denaro reale e non resta una semplice dimostrazione da laboratorio.

Le quattro strade all’AI verificabile

Lo zk-ML è la strada più ambiziosa, ma non l’unica. Nel 2026 l’AI verificabile si gioca su quattro approcci, ciascuno con un compromesso diverso tra fiducia, velocità e costo.

Nessuno di questi approcci vince su tutti i fronti, ed è per questo che i progetti più recenti puntano agli ibridi: architetture che combinano l’attestazione hardware per la velocità, la prova di frode per l’economia e controlli a conoscenza zero a campione per l’integrità. Una rete come Ritual, per esempio, tratta l’integrità come un modulo intercambiabile e può appoggiarsi a zk-ML, TEE o opML a seconda del caso, un approccio che abbiamo descritto nel dettaglio parlando di Ritual e dell’AI on-chain verificabile e riservata.

Il paradosso del 2026: le prove funzionano, i token no

Torniamo al paradosso da cui siamo partiti. Se la tecnologia ha fatto passi da gigante, i mercati non se ne sono accorti, o meglio: se ne sono disinnamorati. Ecco lo stato dei principali token del settore al 10 settembre 2026, con i prezzi rilevati su CoinGecko.

Il quadro è impietoso e sorprendentemente uniforme: ogni token del settore viaggia tra l’88% e il 99,9% sotto il proprio massimo storico. E non si tratta di progetti falliti: sono le stesse squadre che hanno spedito la tecnologia di cui abbiamo parlato. Per chi in Italia detiene ancora questi token, per giunta, il calendario fiscale non aspetta: la finestra per dichiarare le cripto-attività, con il famigerato quadro T, ha una scadenza precisa, come abbiamo ricordato nella guida alla dichiarazione crypto 2026 e alla corsa al 30 settembre.

Ma chi paga davvero per le prove?

La divergenza tra tecnologia e prezzo ha una spiegazione semplice e scomoda: la domanda. Le prove funzionano, ma quasi nessuno, oggi, paga per averle, perché la versione non verificata di quasi tutto costa meno. Verificare ha senso solo dove il costo della sfiducia supera il costo della prova. E questo accade, per ora, in tre corsie.

• La conformità normativa. È la corsia più promettente. L’AI Act europeo introduce obblighi di tracciabilità e verificabilità che, sui sistemi ad alto rischio, potrebbero rendere la prova crittografica non un lusso ma un requisito. Lagrange, citando una ricerca di McKinsey, sostiene che il 71% dei dirigenti d’azienda non intende scalare i sistemi di AI senza una prova della loro correttezza.
• Gli agenti autonomi. Man mano che software con wallet iniziano a firmare transazioni sulla base di output di modelli, dimostrare che l’inferenza è avvenuta come dichiarato diventa la condizione per potersi fidare di loro. È la scommessa dell’economia degli agenti.
• La DeFi con denaro in gioco. Oracoli, commissioni dinamiche, valutazione del rischio: dove un output manipolato costa subito, la prova si ripaga. Il caso OpenGradient su Uniswap è il prototipo di questa corsia.

A queste tre corsie se ne aggiunge una quarta, più laterale ma potenzialmente enorme: l’inferenza privata. Qui la proprietà a conoscenza zero permette di far girare un modello su dati sensibili (cartelle cliniche, informazioni finanziarie, segreti industriali) dimostrando che il calcolo è corretto senza rivelare né i dati né i pesi del modello. È una domanda che arriva più dal mondo aziendale e sanitario che dal crypto, e che potrebbe rivelarsi il vero mercato di lungo periodo, ben più della speculazione sui token.

Fuori da queste corsie, la realtà è che la maggior parte dell’AI on-chain oggi non paga per le prove, e la ragione è la stessa che tiene i token a terra. Anche i pagamenti tra agenti, il caso d’uso più citato, restano sottili: le infrastrutture ci sono, ma i volumi che le giustificano economicamente latitano. Nel frattempo, chi vuole muovere valore in euro tra applicazioni e agenti guarda a rail come le stablecoin regolamentate, un tema che abbiamo affrontato con Qivalis, la stablecoin in euro delle banche.

Il caso Giza: quando lo zk-ML puro non è un business

Se c’è una storia che riassume la tensione tra tecnologia e mercato, è quella di Giza. Nata nel 2023 come progetto di zk-ML puro (con lo stack Orion su Cairo), Giza ha finito per cambiare strada: oggi il suo prodotto di punta è ARMA, un agente autonomo che ottimizza i rendimenti su stablecoin sulla rete Base, muovendosi tra Aave, Morpho, Compound e Moonwell. In altre parole, ha smesso di vendere prove e ha iniziato a vendere un agente che fa qualcosa di concreto. Il token GIZA, intanto, capitalizza meno di 200.000 euro, circa il 99,9% sotto il massimo storico: il segnale più netto che lo zk-ML come prodotto a sé, per ora, fatica a diventare un business sostenibile.

Il caso Giza non è isolato. Diversi progetti nati come laboratori di zk-ML hanno finito per spostare il baricentro verso prodotti che generano ricavi qui e ora, dagli agenti finanziari agli oracoli, lasciando la verifica come componente e non come prodotto vendibile a sé. È un segnale prezioso per chi legge il settore: la prova crittografica è una funzionalità potentissima, ma raramente è ciò per cui un cliente firma un assegno. Il valore, per ora, sta a valle, nell’applicazione che quella prova rende affidabile, non nella prova in quanto tale.

Serve davvero un token per l’AI verificabile?

C’è una domanda che il crollo dei token rende inevitabile: l’AI verificabile ha davvero bisogno di un token proprio? Tecnicamente, no. Una prova può essere generata fuori catena e verificata da un contratto senza che nessun token nativo cambi di mano; la verifica costa gas nella valuta della catena ospite, non serve altro. La tesi opposta, quella dei marketplace di prove come Boundless, è che un token serve a coordinare e remunerare una rete aperta di prover, premiando chi calcola più prove, più in fretta e su compiti più complessi: è il meccanismo che Boundless chiama Proof of Verifiable Work.

Il verdetto del mercato, per ora, pende dalla parte scettica. Prezzi tra l’88% e il 99,9% sotto i massimi non dicono che la tecnologia non funzioni; dicono che la speculazione era corsa molto più avanti dell’uso reale. È la stessa lezione che vale per gran parte dell’infrastruttura crypto: il valore del token e il valore della tecnologia sono due grandezze diverse, e possono restare separate a lungo. Chi investe in questi asset sta scommettendo non sulla bontà della matematica, ormai fuori discussione, ma sull’arrivo di una domanda pagante che finora si è vista solo a tratti.

Regole: AI Act europeo, Consob e il vuoto americano

Sul piano normativo, l’Europa è il motore di domanda più credibile. L’AI Act è pienamente applicabile dal 2 agosto 2026, con i poteri di enforcement della Commissione e dell’Ufficio AI, le regole di trasparenza e gli obblighi per i modelli di uso generale (GPAI, in vigore già dal 2 agosto 2025). Gli obblighi più pesanti per i sistemi ad alto rischio arriveranno per gradi, tra dicembre 2027 e agosto 2028. Le sanzioni non sono simboliche: fino a 35 milioni di euro o il 7% del fatturato mondiale per le violazioni più gravi. È in questa richiesta di tracciabilità e auditabilità che l’AI verificabile può trovare la sua prima vera domanda pagante.

In Italia il quadro di riferimento per le cripto-attività è MiCA, il cui periodo transitorio si è chiuso il 1° luglio 2026. Le competenze sono divise: Consob vigila su condotta di mercato e tutela degli investitori, Banca d’Italia sugli aspetti prudenziali e sulle stablecoin, secondo il decreto legislativo 129 del 2024. L’infrastruttura di zk-ML in sé non è regolata direttamente, ma i token che la finanziano e i servizi costruiti sopra (soprattutto quando un agente gestisce fondi di terzi) possono ricadere nel perimetro. Chi vuole offrire servizi su cripto-attività nel nostro Paese deve passare per l’autorizzazione come CASP, un percorso che abbiamo ricostruito nella guida alla licenza CASP e all’autorizzazione MiCA in Italia.

Vale la pena notare che la stessa Consob non è estranea al tema dell’AI: da tempo utilizza tecniche di machine learning per la sorveglianza sugli abusi di mercato, con un principio esplicito di supervisione umana sui risultati degli algoritmi. È la prova che anche i regolatori si pongono il problema di quanto fidarsi di un modello, e che la verificabilità non è un capriccio teorico ma una questione che attraversa tutta la filiera, dalle imprese alle autorità.

Negli Stati Uniti, invece, il vuoto. L’interpretazione congiunta di SEC e CFTC del marzo 2026 ha classificato come digital commodity token come Bitcoin, Ethereum, Solana e XRP, ma non ha detto nulla sui token di infrastruttura per l’AI verificabile, che restano in una zona grigia da valutare caso per caso. Per un settore che vive di segnali, il silenzio di Washington non aiuta.

Limiti, rischi e cosa guardare

Prima di tirare le somme, un promemoria sui limiti che restano sul tavolo.

• I modelli di frontiera non sono ancora alla portata. Dimostrare GPT-2 è una cosa, dimostrare un modello da centinaia di miliardi di parametri a costi ragionevoli è un’altra, ancora fuori tiro.
• La quantizzazione ha un prezzo. Ridurre la precisione per far entrare il modello nel circuito significa accettare un modello leggermente diverso, quella «approssimazione grezza» di cui parlava Burger.
• I modelli chiusi restano un problema. Se non si possono rieseguire i pesi, non si può dimostrare granché: le API proprietarie possono essere al massimo attestate, non verificate nel senso pieno del termine.
• Il paradosso del determinismo. L’inferenza su GPU non è sempre riproducibile bit per bit, mentre le prove hanno bisogno di determinismo assoluto: un attrito tecnico tutt’altro che risolto.

Che cosa guardare da qui in avanti? Tre segnali. Un primo acquirente aziendale vero, che paghi per le prove perché una norma glielo impone o perché il rischio lo giustifica. Le prime azioni di enforcement sull’AI Act, che trasformerebbero la conformità da teoria a mercato. E l’arrivo in produzione delle architetture ibride, che potrebbero abbattere il costo abbastanza da rendere la verifica un default e non un’eccezione. Fino ad allora, lo zk-ML resta una delle tecnologie più eleganti del crypto, e una delle più difficili da vendere.

Domande frequenti

Che cos’è lo zk-ML in parole semplici?

Lo zk-ML (zero-knowledge machine learning) è una tecnica che permette di eseguire un modello di intelligenza artificiale e di produrre, insieme al risultato, una prova crittografica che il calcolo è avvenuto correttamente. Chi riceve la prova può verificarla in millisecondi senza rieseguire il modello e senza doversi fidare di chi lo ha eseguito.

Lo zk-ML può già gestire i grandi modelli linguistici?

In parte. Nel 2026 il sistema DeepProve di Lagrange ha dimostrato per la prima volta un LLM completo dall’inizio alla fine, prima GPT-2 e poi Gemma-3. Si tratta però di modelli piccoli rispetto a quelli di frontiera: dimostrare un modello da centinaia di miliardi di parametri a costi ragionevoli è ancora fuori portata.

Qual è la differenza tra zk-ML, opML e TEE?

Sono tre modi di rendere verificabile l’AI, con compromessi diversi. Lo zk-ML offre una garanzia crittografica ma è costoso; i TEE si affidano all’attestazione dell’hardware, sono veloci ma richiedono fiducia nel produttore del chip; l’opML pubblica il risultato e lo considera valido salvo contestazione entro una finestra, risparmiando sul calcolo ma introducendo latenza.

Perché i token dei progetti di AI verificabile sono crollati?

Perché la tecnologia funziona ma la domanda pagante è ancora scarsa. Al 10 settembre 2026 i principali token del settore viaggiavano tra l’88% e il 99,9% sotto i massimi storici: un segnale che la speculazione era corsa molto più avanti dell’uso reale, non che l’infrastruttura non funzioni.

Lo zk-ML è regolamentato in Italia?

L’infrastruttura in sé non è regolata direttamente. Sotto MiCA, però, i token che la finanziano e i servizi costruiti sopra possono rientrare nel perimetro: in Italia Consob vigila sulla condotta di mercato e Banca d’Italia sugli aspetti prudenziali. In Europa è soprattutto l’AI Act, pienamente applicabile dal 2 agosto 2026, a poter creare domanda di verificabilità.

Marcus Okafor è redattore di HOGE Wire e si occupa dell’intersezione tra intelligenza artificiale e crypto.