Bittensor, Akash, Render e la corsa al compute distribuito. I numeri, i capitali in gioco e le implicazioni reali.

Cinque aziende controllano lo sviluppo dell’AI di frontiera. OpenAI, Anthropic, Google DeepMind, Meta, e in misura minore xAI. Hanno i data center, hanno le GPU, hanno i miliardi che servono per addestrare un modello competitivo. Se vuoi stare alla frontiera, o sei uno di loro o resti fuori.

Questo è lo stato delle cose dal 2020. Ma i numeri degli ultimi anni raccontano un’altra storia, una storia di infrastruttura alternativa che cresce più velocemente di quella centralizzata. E se questa traiettoria continua, le implicazioni vanno ben oltre il mercato crypto.

La traiettoria

Epoch AI ha analizzato oltre cento paper sul training decentralizzato e a fine dicembre 2025 ha pubblicato i risultati. Dal 2020, la scala computazionale dei progetti distribuiti è cresciuta di 600.000 volte. Il tasso implicito è circa 20x l’anno. I training run delle big tech? Crescono di 5x l’anno.

Il divario assoluto resta enorme: i run decentralizzati più ambiziosi oggi girano sui 6e22-6e23 FLOP, mille volte meno di Grok 4. La rete più grande, Covenant AI Templar, fa 9e17 FLOP/s contro i 3e20 dei data center di frontiera. Un rapporto di 1 a 300.

Ma qui sta il punto. Quando due cose crescono a tassi diversi, la distanza si chiude. E 20x contro 5x è una differenza che conta. Epoch stima che, se guardiamo a precedenti come Folding@home e Bitcoin, queste reti potrebbero espandersi di 30-3000 volte. Non domani, ma la direzione è quella.

Chi sta costruendo l’alternativa

Il progetto che ha fatto più strada è Bittensor. Fondato nel 2019 da Ala Shaabana e Jacob Steeves, è un network peer-to-peer dove chi contribuisce modelli di machine learning viene pagato in base al valore che produce. Non in base a quanto stake ha, non in base alla potenza di calcolo. In base alla qualità dell’output.

Il token TAO ha la stessa struttura di Bitcoin: 21 milioni di supply massima, nessun premine, nessuna ICO. A ottobre 2025 il network aveva 129 subnet attive per task diversi, dalla generazione di testo al protein folding, dal coding alla drug discovery.

Il meccanismo che fa funzionare tutto si chiama Yuma Consensus. I validatori valutano i contributi dei miner usando lo Shapley value per capire quanto ciascun modello ha effettivamente contribuito al risultato. Chi produce output migliori guadagna di più. È un mercato dell’intelligenza, letteralmente.

Questo modello ha attratto capitale serio. Digital Currency Group ha creato una sussidiaria dedicata, Yuma, e detiene oltre 500.000 TAO (2.4% della supply, 175-200 milioni di dollari). Polychain Capital è dentro per cifre simili. Grayscale ha un TAO Trust. Nel giugno 2025, Oblong (quotata al Nasdaq) ha comprato 7,5 milioni di dollari in TAO chiamandolo “la terza epoca crypto” dopo Bitcoin ed Ethereum. In tutto, oltre 350 milioni di investimenti istituzionali tracciabili in due anni.

Il primo halving è arrivato il 12 dicembre 2025. Le emissioni sono scese da 7.200 a 3.600 TAO al giorno. Da febbraio è attivo Dynamic TAO, che distribuisce le emissioni alle subnet più produttive attraverso un meccanismo di mercato. La scarsità programmata incontra l’utilità reale.

Bittensor non è solo. Akash Network fa la stessa cosa per il compute generico: un marketplace dove chi ha GPU inutilizzate le affitta a chi ne ha bisogno, senza intermediari, con riduzioni di costo dell’80-90%. NVIDIA ha stretto una partnership diretta dopo l’acquisizione di Brev.dev. Render Network è partito dal rendering per VFX e gaming, ora supporta workload AI e ha migrato su Solana. La Artificial Superintelligence Alliance (Fetch.ai + SingularityNET + Ocean Protocol + CUDOS) sta costruendo ASI-1 Mini, un LLM che chiamano “Web3 nativo”.

A metà 2025, la capitalizzazione totale dei token crypto-AI stava tra 24 e 27 miliardi di dollari.

Perché funziona

La parte tecnica è meno sexy ma è quella che rende tutto possibile. L’ottimizzatore DiLoCo e le sue varianti hanno risolto il problema della sincronizzazione: prima serviva banda enorme per tenere allineati i nodi durante il training, ora si può fare con molto meno. Tecniche come CocktailSGD permettono di fare fine-tuning su modelli da 20 miliardi di parametri combinando quantizzazione e sparsificazione. I gradienti vengono compressi, solo gli aggiornamenti significativi vengono trasmessi, il resto si accumula localmente.

Questi progressi sono recenti. SparseLoCo è già in produzione nel training run di Covenant AI. Streaming DiLoCo permette di sincronizzare sottoinsiemi di parametri in sequenza invece che tutti insieme. Il gap tecnico tra training centralizzato e distribuito si sta chiudendo.

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.

Cosa significa politicamente

Epoch AI lo dice chiaro: il training decentralizzato è una tecnologia politica.

Oggi chi decide cosa può fare l’AI di frontiera sono le aziende che possono permettersi il compute per un training competitivo. Servono miliardi di dollari e sei mesi di tempo. Queste aziende sono tutte americane, forse presto anche cinesi. Università, governi, attori indipendenti non hanno accesso a questa frontiera.

Il training decentralizzato cambia l’equazione. Permette di aggregare risorse distribuite e competere senza avere un data center da un gigawatt. Non raggiungerà la frontiera assoluta, probabilmente. Ma può avvicinarsi abbastanza da contare. E nella misura in cui resta legato a modelli open weight, significa modelli aperti sempre più vicini allo stato dell’arte.

C’è anche un problema per chi vuole regolamentare. Se le regole assumono che il training avvenga in strutture identificabili, il compute distribuito le rende inapplicabili. È un limite strutturale a cosa può essere controllato.

Il loop che accelera

Intanto l’AI sta iniziando a ottimizzare se stessa, e questo accelera tutto.

Meta ha pubblicato i dettagli di KernelEvolve, un sistema che usa GPT, Claude e Llama per scrivere automaticamente i kernel che ottimizzano i modelli AI dell’azienda. Tempi di sviluppo passati da settimane a ore. Performance fino a 17x migliori delle baseline. Su KernelBench ha ottenuto il 100% di pass rate su 250 problemi; quando il benchmark è uscito a febbraio 2025, OpenAI o1 faceva il 4% sui task difficili.

PostTrainBench, dell’Università di Tübingen, misura quanto i modelli di frontiera sanno fare fine-tuning di altri modelli. Risultato: +20% su benchmark specifici, contro +60% di un umano. GPT 5.1 Codex Max fa il 30%, Opus 4.5 il 20%, Gemini 3 Pro il 18%. Non siamo ancora al punto in cui l’AI fa ricerca AI autonomamente, ma ci stiamo avvicinando.

Questo loop ha implicazioni per il training decentralizzato. Se i sistemi AI diventano capaci di ottimizzare il proprio training, chi ha accesso a quei sistemi può migliorare più velocemente. La corsa all’infrastruttura diventa ancora più importante.

Dove porta

Una ricerca del MIT ha analizzato 59 modelli AI scientifici e ha trovato che le rappresentazioni interne convergono. Modelli diversi, addestrati su dati diversi, finiscono per rappresentare molecole, materiali e proteine in modi simili. Più grande è il modello, più converge verso una rappresentazione comune.

È la conferma empirica della bitter lesson di Sutton: il compute batte i bias induttivi. Non servono architetture intelligenti, serve scala. E se questo è vero, i modelli grandi stanno costruendo una specie di libreria universale di come rappresentare il mondo.

L’accesso a questa libreria diventa una questione di infrastruttura. Chi controlla il compute, controlla le rappresentazioni. Chi controlla le rappresentazioni, controlla cosa l’AI può capire e fare.

La convergenza tra crypto e AI non è una narrativa di marketing. È una battaglia per l’infrastruttura dell’intelligenza. I progetti decentralizzati stanno costruendo un’alternativa, e i numeri dicono che sta crescendo più velocemente dell’incumbent. Non sappiamo se vincerà, ma sappiamo che la partita è aperta.

Fonti: Import AI #439 (Jack Clark), Epoch AI, Bittensor.com, 21Shares Research, Presto Labs Research