Vitalik: Crypto, IA e a Convergência Descentralizada

Iniciamos com as ideias mais recentes de Vitalik, analisando de forma abrangente os caminhos de convergência entre Crypto e IA, com foco na análise de protocolos descentralizados de dados, incentivos de poder computacional e outros nichos, ajudando o leitor a enxergar as oportunidades de inovação trazidas pela complementaridade tecnológica e projetando possíveis evoluções do ecossistema futuro.

5 IA como objetivo

Nos trechos anteriores, as três categorias de cenários enfatizavam IA fornecendo capacidades ao Crypto. Nesta seção, o foco está em como o Crypto pode retribuir à IA, ajudando a construir modelos e serviços mais eficientes e descentralizados. Os elementos centrais da IA são dados, poder computacional e algoritmos; em cada dimensão, a blockchain tenta oferecer incentivos e garantias de segurança.

5.1 Protocolos descentralizados de dados

Plataformas de dados descentralizadas utilizam incentivos de crowdsourcing para que indivíduos ou instituições enviem dados brutos, anotações ou algoritmos, protegendo a privacidade por meio de técnicas criptográficas. A prática mais comum é tokenizar o ativo de dados como NFT ou data‑token, que depois são pareados com a demanda no Data Marketplace.

• Ocean Protocol: usa NFTs para comprovar a propriedade e emite o datatoken correspondente, permitindo controle de acesso aos dados. O mecanismo Compute‑to‑Data (C2D) garante que o usuário só receba a saída do modelo, sem acesso ao dado original. O projeto foi lançado em 2017 e já se tornou um fornecedor importante de dados para o segmento de IA.
• Synesis One: plataforma Train2Earn baseada em Solana; usuários que fornecem dados de linguagem natural ou realizam tarefas de anotação recebem recompensas em $SNS. As tarefas são divididas em Architect (criação da tarefa), Builder (fornecimento do corpus) e Validator (verificação de qualidade). Ao final, os dados são armazenados no IPFS e registrados na blockchain para uso de empresas de IA (atualmente Mind AI).

• Grass: propõe‑se como camada descentralizada de coleta para IA, aproveitando banda larga ociosa e múltiplos endereços IP para contornar limites de rastreamento de sites, coletando dados públicos da web e realizando limpeza preliminar para alimentar treinamentos de modelos. O projeto ainda está em fase Beta; usuários podem ganhar pontos ao compartilhar largura de banda e aguardam um potencial airdrop.

• AIT Protocol: especializado em serviços de anotação de alta qualidade; trabalhadores globais recebem incentivos ao completar tarefas on‑chain, que são revisadas por cientistas de dados. Dados aprovados ficam disponíveis para download direto pelos desenvolvedores.

Redes de armazenamento descentralizado tradicionais, como Filecoin e Arweave, também fornecem a infraestrutura necessária para preservação e distribuição de longo prazo dos dados.

5.2 Poder computacional descentralizado

O poder computacional é o recurso crítico para treinamento e inferência de IA. Plataformas descentralizadas de computação incentivam proprietários de GPUs, CPUs ou aceleradores dedicados a disponibilizar recursos ociosos ao mercado, reduzindo custos e aumentando a taxa de utilização. Atualmente, os projetos nessa vertente concentram‑se em duas linhas de negócio principais:

• Inferência de modelos: prestação de serviços de predição em alta concorrência para modelos já treinados.
• Treinamento de modelos: fornecimento de infraestrutura para treinamentos de grande escala, exigindo maior largura de banda e densidade computacional.

Principais projetos

• Akash: oferece recursos de computação genéricos; já possui cerca de 282 GPUs e mais de 20 mil CPUs, com mais de 160 mil aluguéis realizados e taxa de ocupação de GPU entre 50 % e 70 %.
• Render: inicialmente focada em renderização, expandiu‑se para inferência de IA; conta com 4 318 GPUs (incluindo aproximadamente 200 unidades H100) e 159 CPUs.
• io.net: plataforma de computação projetada especificamente para IA; já implantou 40 272 GPUs e 5 958 CPUs, completando 151 879 inferências, e reforça seu pool de recursos por meio de parcerias com Render, Filecoin etc.

• Gensyn: foca no treinamento descentralizado, construindo uma camada de validação baseada em provas de aprendizado probabilístico e grafos para garantir a confiabilidade dos resultados computacionais.
• Fluence (Solana) e Nosana: utilizam mecanismos de verificação on‑chain que permitem ao usuário comprovar a execução correta das tarefas, aumentando a confiança no sistema.

A competição entre essas plataformas gira em torno de escala de recursos, preço de aluguel, taxa de ocupação e mecanismos de validação. Com a explosão da demanda por IA, o balanceamento entre oferta e procura de poder computacional será um importante motor de entrada de capital.

5.3 Modelos descentralizados

Para alcançar uma IA verdadeiramente descentralizada, os próprios modelos precisam ser componíveis, incentiváveis e verificáveis. Embora ainda distante da “caixa‑preta confiável” descrita por Vitalik, alguns projetos já experimentam incentivos econômicos que permitem que modelos aprendam, compitam e melhorem coletivamente a qualidade das inferências.

• Bittensor: rede que oferece serviços de inferência de modelos, composta por 32 sub‑redes especializadas em captura de dados, geração de texto, texto‑para‑imagem etc. O mecanismo de recompensas distribui diariamente cerca de 7 200 TAO (1 TAO por bloco), com 64 validadores que ajustam a alocação com base no desempenho de cada sub‑rede; dentro das sub‑redes, os miners são recompensados proporcionalmente à qualidade do seu trabalho. Esse esquema estimula a otimização contínua dos modelos em ambiente competitivo.

---

4 IA como regra do jogo

Quando a IA deixa de ser apenas uma ferramenta de apoio e passa a assumir decisões e execuções, o risco sistêmico aumenta. Essa camada pode ser subdividida em três pilares tecnológicos: aplicações de IA, protocolos de Agentes Autônomos, zkML / opML.

4.1 Agente Autônomo

Um agente é uma entidade capaz de compreender instruções em linguagem natural, registrar identidade on‑chain e executar tarefas de forma autônoma. A blockchain fornece incentivos em token, comprovação de propriedade via NFT e logs imutáveis, permitindo que o agente obtenha poder computacional off‑chain ao mesmo tempo em que deixa rastros confiáveis on‑chain.

• Autonolas: utiliza um protocolo on‑chain para comprovar a propriedade de código e componentes de agentes via NFT; serviços podem combinar múltiplos agentes para criar ofertas compostas, com pagamento por uso.
• Fetch.ai: arquitetura de quatro camadas (AI Agents, Agentverse, AI Engine e Fetch Network). O Agentverse funciona como plataforma SaaS que registra agentes; o AI Engine converte linguagem natural em instruções executáveis e seleciona o agente mais adequado; a Fetch Network gerencia identidade e coordenação on‑chain.
• Delysium: oferece camada de comunicação padronizada (baseada em protocolos de mensagem) e camada de identidade on‑chain (Agent ID e contrato Chronicle) para interações eficientes e auditáveis entre agentes.
• Altered State Machine: usa NFTs para comprovar e negociar agentes de IA; já integrou agentes em jogos como FIFA, formando um ecossistema de IA para o metaverso.
• Morpheous: cria uma rede de quatro papéis (Coder, Computer Provider, Community Builder, Capital) que incentiva de forma justa provedores de poder computacional, desenvolvedores e contribuidores da comunidade.

4.2 zkML / opML

Tecnologias de prova zero‑conhecimento (ZK) oferecem duas rotas para execução confiável de inferência de IA:

1. Verificação de inferência: o modelo roda off‑chain, gera uma ZK‑Proof e a blockchain verifica a prova, confirmando que o cálculo não foi adulterado.
2. Proteção de privacidade: criptografa‑se dados de entrada ou pesos do modelo, garantindo que a execução pública na cadeia não exponha informações sensíveis.

A abordagem típica converte o modelo em um circuito ZK (ou usa a hipótese AnyTrust do opML) e implanta um contrato de verificação on‑chain, obtendo o resultado da inferência através de um contrato principal. A tecnologia ainda está em estágio inicial, enfrentando desafios de custo de conversão de circuitos e sobrecarga computacional.

• Modulus Labs: lançou o provedor zkML *Remainder*, que acelera a inferência em cerca de 180× em relação a métodos tradicionais, e colabora com projetos como Upshot e AI Arena para aplicar ZK‑AI em coleta de dados de mercado e avaliação de preços de NFTs.
• Risc Zero: permite a execução direta de modelos de aprendizado de máquina dentro de sua ZKVM, proporcionando verificabilidade completa do processo de cálculo.
• Ingonyama: desenvolve hardware especializado em ZK com o objetivo de reduzir a barreira de entrada ao zkML e oferecer proteção criptográfica durante o treinamento de modelos.

4.3 Aplicações de IA

Esses projetos concentram‑se em cenários de decisão automática como *bots de trading automatizado* ou *bots de rendimento DeFi*. Eles operam entre a camada de interface e a camada de regras, exigindo modelos confiáveis e, simultaneamente, soluções para segurança e transparência. A maioria ainda está em fase “assistida”; decisões totalmente autônomas ainda não são maduras, motivo pelo qual não detalhamos casos específicos aqui.

---

3 IA como interface

Nesta camada, a IA atua como intermediária de informação e alerta de risco, facilitando a interação de usuários comuns, desenvolvedores ou analistas com a blockchain. Embora a IA não execute decisões diretamente, saídas incorretas podem induzir usuários ao erro, gerando risco sistêmico inicial.

Projetos representativos

• PaaL: chatbot baseado em ChatGPT treinado com corpora cripto, integrado ao Telegram e Discord, oferecendo análises de fundamentos de tokens, geração de imagens etc. Usuários podem criar bots personalizados alimentando‑os com datasets próprios. A nova versão PaalX combina IA com trading e auditoria de contratos, simplificando a curva de aprendizado para iniciantes.

• ChainGPT: oferece chatbot, geração de NFTs, agregação de notícias, auditoria de contratos, assistente de trading e outras ferramentas; também incubou projetos no Launchpad, completando 24 IDOs.

• Arkham: seu motor Ultra mapeia endereços on‑chain para entidades reais, aumentando a transparência do setor. O projeto ganhou notoriedade após investimento pessoal de Sam Altman (co‑fundador da OpenAI), registrando crescimento de aproximadamente 5× em 30 dias.
• GraphLinq: baseia‑se em grafos visuais para que usuários criem fluxos automatizados sem programar; recentemente incorporou IA conversacional, permitindo a criação e gestão de tarefas via linguagem natural.
• 0x0.ai: fornece auditoria de contratos com IA, detecção de rug pulls e geração de contratos sem código; atualmente apenas o módulo de auditoria está ativo.
• Zignaly: desde 2018 oferece serviço de cópia de trades de gestores de fundos; agora utiliza aprendizado de máquina para avaliar gestores e lançou o primeiro produto Z‑Score.

---

2 IA como participante

Nesta categoria, a IA em si é tratada como objeto de incentivos dentro de protocolos, recebendo recompensas ou penalizações conforme seu desempenho. Como a IA não interfere diretamente nas decisões humanas, o risco sistêmico é relativamente baixo, tornando este o cenário mais pronto para implementação.

2.1 Jogos de IA

Em ambientes de jogo, os participantes podem treinar e ajustar seus próprios agentes de IA para atender a preferências pessoais ou melhorar a competitividade. A barreira de entrada é baixa e o conceito é fácil de entender, servindo como porta de entrada da IA ao mundo real.

• AI Arena: plataforma de combate PVP onde os personagens são NFTs; o modelo de IA central reside no IPFS. Jogadores aprimoram estratégias via aprendizado por imitação (IL), e a cada ciclo de treinamento os parâmetros do modelo

Leitura Relacionada

• Efeito de Venda do Vitalik: impacto nas token meme
• DeFAI: IA e DeFi impulsionam o futuro das finanças on‑chain
• Web3 + IA + MCP: DeFi, Jogos e Tendências 2024

💡 Cadastre-se na Binance com o código B2345 para o desconto máximo em taxas. Veja guia completo Binance.

⚠️ Aviso de risco: Os preços das criptomoedas são muito voláteis. Isso não é aconselhamento de investimento.