Tra 47 giorni Bittensor dimezzerà le emissioni di TAO. Da 1 token per blocco a 0.5. Meno offerta sul mercato mentre i costi dei miner restano uguali.

L’halving ha riportato attenzione sul settore crypto AI. Ma le domande sono concrete: questa narrativa ha ancora senso? I token AI valgono qualcosa oltre la speculazione? O siamo solo all’inizio di qualcosa di nuovo?

Facciamo i conti. TAO da $750 a $380. FET da $3.50 a $0.80. RNDR da $13 a $4. Il retail se n’è andato, i Discord sono vuoti, i volumi morti.

Sembra la fine. Ma sotto la superficie, tra novembre 2024 e maggio 2025, è successo qualcosa che cambia le carte in tavola.

Il problema vero delle AI coins

I token “AI inference” hanno pompato nel 2023-2024 sulla promessa di GPU decentralizzate per competere con OpenAI. Il pitch era semplice: noleggi GPU sparse nel mondo, fai girare modelli AI, paghi in token.

Non ha funzionato. La latency era terribile. I costi superavano Amazon Web Services. Nessuno usava davvero questi network per workload seri.

Il mercato l’ha capito e ha crashato i prezzi.

Ma c’era un problema più profondo: l’inference è commodity. Chiunque con una GPU può servire API per ChatGPT. Non c’è vantaggio competitivo. Il valore sta nel modello, non nel server che lo fa girare.

Se vuoi catturare valore reale nell’AI, devi controllare il training. Non il serving.

La svolta che è passata inosservata

Mentre i prezzi crollavano, dietro le quinte è successo qualcosa di concreto.

Novembre 2024: Prime Intellect completa INTELLECT-1. 10 miliardi di parametri trainati su 112 GPU H100 distribuite su tre continenti. Non in un datacenter. Via internet normale.

Dicembre 2024: Nous Research traina un modello da 15 miliardi di parametri usando un nuovo algoritmo chiamato DisTrO che riduce il traffico internet necessario di 1,000-10,000 volte. Non teoria. In produzione.

Maggio 2025: Prime rilascia INTELLECT-2. 32 miliardi di parametri. Oltre 100 computer diversi connessi via internet. Primo training completamente decentralizzato e verificabile al mondo.

Questi sono modelli veri che funzionano, trainati senza datacenter, usando connessioni internet che prima erano considerate troppo lente.

Per capire: trainare un modello AI richiede sincronizzare miliardi di calcoli tra centinaia di GPU. Prima servivano connessioni ultra-veloci da datacenter. Ora funziona con internet standard grazie a tecnologie come DiLoCo e DisTrO.

È come se avessimo scoperto come costruire grattacieli usando mattoni invece che acciaio speciale. Cambia chi può costruire e quanto costa.

Da “noleggio GPU” a “training verificabile”

L’inference (far girare un modello già trainato) è morta come narrativa perché era commodity. Il training decentralizzato è diverso per tre motivi chiari:

1. La barriera all’ingresso è reale

Trainare un modello da 10+ miliardi di parametri costa milioni di dollari. Richiede coordinare centinaia di GPU, gestire quando una si disconnette, verificare che i calcoli siano corretti.

Non è “noleggio GPU”. È orchestrare un’orchestra dove ogni musicista è in un paese diverso e può andarsene quando vuole.

2. Verifica che non puoi barare

Come verifichi che qualcuno stia davvero trainando un modello e non stia solo copiando il lavoro degli altri?

Prime Intellect usa TOPLOC: verifica che un nodo abbia genuinamente imparato dai dati, controllando che le sue risposte siano coerenti con ciò che ha “studiato”.

Gensyn usa staking: depositi token come garanzia. Se imbrogli, perdi i token.

Bittensor usa Yuma Consensus: i validatori assegnano punteggi ai miner. Chi fa lavoro scarso riceve meno reward.

Questi meccanismi trasformano “compute decentralizzato” in “training verificabile e incentivato”. Problema molto più difficile dell’inference, ma molto più difendibile.

3. Economics che hanno senso

Pluralis dà ownership frazionata del modello a chi contribuisce al training. Se il modello genera revenue, guadagni proporzionalmente.

Gensyn ricompensa i nodi in base alla qualità dell’output, non solo per “aver fatto calcoli”. Incentiva accuracy, non volume.

Questi modelli hanno senso perché il valore creato (un modello trainato) è un asset permanente, non un servizio temporaneo.

I numeri che contano davvero

Nous Research: $50M di Series A da Paradigm con valuation $1 miliardo. La loro testnet Psyche ha ricevuto $500K in GPU donations nelle prime 44 ore. Non hype retail, capitale istituzionale serio.

Prime Intellect: $20.5M totali, $15M da Founders Fund. Nessun token ancora, ma la roadmap implica incentive layer futuro.

Bittensor Templar: oltre 200 GPU in produzione trainando modelli reali. Target prossimo: 70+ miliardi di parametri. Con Dynamic TAO (upgrade di febbraio 2025), ogni subnet ha il suo token che compete per emissioni TAO in base a market cap.

Gensyn: $43M Series A da a16z. RL Swarm testnet live. Nessun token ma infra pronta.

eBook gratuito

Non è che sai poco.
È che ti manca un criterio.

Quattro domande che ti dicono dove stai improvvisando, e i quattro pezzi che tengono in piedi un metodo. Gratis.

Ricevi l'eBook gratuito →

Ti arriva via email, insieme agli approfondimenti di Mauro. Ti disiscrivi quando vuoi.

Questi non sono seed round da $2M per progetti senza prodotto. Sono round istituzionali su progetti con tech funzionante.

L’halving TAO: cosa cambia

Tra 47 giorni, quando TAO raggiungerà 10.5M di supply, le emissioni verranno dimezzate.

Cosa significa: Meno TAO nuovo sul mercato ogni giorno. I miner riceveranno metà reward ma avranno stessi costi (server, elettricità). Meno pressione vendita.

Dynamic TAO cambia tutto: Le emissioni vanno alle subnet in base al prezzo dei loro token Alpha. Non è più voto dei validatori, è il mercato che decide.

Formula semplice: se il tuo token Alpha vale il 10% della market cap totale degli Alpha, ricevi il 10% delle emissioni TAO.

Risultato: Subnet con prodotti veri vedranno Alpha salire → riceveranno più emissioni → pool cresce → validatori arrivano → loop positivo.

Subnet senza prodotto: Alpha crolla → emissioni calano → pool si svuota → miner escono → morte.

Post-halving questo processo accelera. Con metà emissioni, solo le subnet con traction reale sopravvivranno.

Il problema token economics

La parte debole? Molti progetti hanno tech solida ma token economics da provare.

Bittensor ha TAO live con mcap che ha toccato $5B (ora ~$2.5B). Il meccanismo funziona: validator stakano TAO, miner ricevono TAO, subnet competono per emissioni.

Ma l’halving dimezzerà reward. Meno TAO per miner significa che solo subnet con domanda vera reggeranno i costi.

Prime, Nous, Gensyn non hanno ancora token. Quando lanceranno, sarà price discovery da zero. Rischio alto, ma upside asimmetrico se la tech convince.

Il problema più grande: se i modelli trainati sono open-source, chi paga? Servire inference costa. Il modello economico richiede revenue reale, non solo “governance token value”.

Timeline realistica

Q4 2025 – Q1 2026: Token launch per Prime/Nous/Gensyn. Volatilità estrema. Price discovery puro. Chi entra presto rischia drawdown 70-80% se la narrativa non regge.

2026: Primi modelli 70B+ parametri trainati decentralizzati. Integration con DeFi. Se Templar traina un modello 70B verificabile, diventa infra per altri protocol. Value chain verticale.

2027-2028: Se i fondamentali reggono, qui stanno i multipli grossi. Ma serve che:

• I modelli decentralizzati chiudano il gap performance con quelli centralizzati
• I protocol generino revenue reale da usage, non solo speculation
• Critical mass di compute: target 10,000+ GPU per network

Non è garantito. Regulation incerta, competition da blockchain tradizionali, security non completamente risolta.

Cosa significa per il mercato crypto

Il training decentralizzato ha effetti su tutto lo stack:

Compute marketplaces (Akash, io.net, Render): Raw GPU non basta più. Il valore si sposta verso orchestration + verification.

Inference protocol: Se modelli open vengono hostati decentralizzati, protocol come Bittensor SN4 possono usarli. Vertical integration.

Data protocol: Training richiede dataset. Flock.io, Ocean Protocol potrebbero integrarsi con training protocol.

Agent protocol: Nous ha già agent framework. Se agent accedono a modelli trainati verificabili, cambia il paradigma di coordinazione.

Trend: Integrazione verticale vince. I protocolli che controllano training + inference + data + agent layer cattureranno più valore di quelli specializzati su singolo layer.

Morta o viva?

La narrativa crypto AI non è morta. È passata dalla fase “hype su GPU commodity” alla fase “costruzione infra per training verificabile”.

I token hanno crashato perché il mercato ha capito che inference non ha vantaggio difendibile. Il training ce l’ha, ma richiede anni di sviluppo.

I breakthrough tecnici ci sono. DiLoCo e DisTrO funzionano. INTELLECT-2 con 32B parametri è proof concreto.

I capitali istituzionali sono arrivati. Paradigm, Founders Fund, a16z non sono retail che comprano top.

Ma serve tempo. Non vedremo pump domani. Serve che i modelli vengano usati commercialmente, che le subnet generino revenue, che i token abbiano backing economico.

L’halving TAO tra 47 giorni non è il pump. È l’inizio dello squeeze di offerta che separerà progetti veri dal rumore.

La strategia non è comprare bag di token sperando nel rally. È posizionarsi sui protocolli che risolvono verification, raggiungono network effect su compute, costruiscono vantaggi difendibili attraverso tech proprietaria.

Non è morta. È diventata seria. E quando diventa seria, o fallisce completamente o fa numeri che il retail non immagina.