Ilusão de tokenização: Vitalik está mais otimista com «IA a ajudar o Crypto»

Escrito por: Lao Bai

Depois de dois anos, o V voltou a publicar no Twi, e eu também vou comentar com base naquele relatório de há dois anos, pois o tempo é exatamente o mesmo, 10 de fevereiro.

Há dois anos, o V já tinha expressado de forma implícita que não tinha muita confiança nas várias Crypto Helps AI que estavam na moda na altura. Naquele momento, as três principais áreas em voga eram a tokenização de poder computacional, a tokenização de dados e a tokenização de modelos. O relatório que escrevi há dois anos focava principalmente em algumas observações e dúvidas sobre essas três áreas no mercado primário. Do ponto de vista do V, ele ainda preferia Crypto Helps AI.

Ele deu alguns exemplos na altura:

AI como participante nos jogos;

AI como interface de jogos;

AI como regras do jogo;

AI como objetivo do jogo;

Nos últimos dois anos, tentámos várias abordagens em Crypto Helps AI, mas os resultados foram escassos. Muitos projetos e setores apenas lançam um token e pronto, sem uma verdadeira PMF comercial. Eu chamo isso de “ilusão de tokenização”.

1. Tokenização de poder computacional - A maioria não consegue oferecer SLA de nível empresarial, é instável, frequentemente cai. Só consegue lidar com tarefas simples de inferência de modelos médios ou pequenos, maioritariamente atendendo mercados de borda, e a receita não está ligada ao token…

2. Tokenização de dados - A oferta (indivíduos) enfrenta muitas dificuldades, baixa vontade, alta incerteza. Do lado da procura (empresas), o que precisam são dados estruturados, dependentes de contexto, com confiança e responsabilidade legal, algo difícil de fornecer por projetos DAO ou Web3.

3. Tokenização de modelos - Modelos são ativos não escassos, replicáveis, ajustáveis rapidamente e que perdem valor rapidamente, não sendo ativos finais. A Hugging Face é mais uma plataforma de colaboração e disseminação, semelhante ao GitHub para ML, e não uma loja de aplicativos para modelos. Assim, os projetos que tentam criar uma “Hugging Face descentralizada” para tokenizar modelos geralmente fracassam.

Além disso, nos últimos dois anos, experimentámos várias abordagens de “inferência verificável”, que parecem histórias de procurar pregos com um martelo. Desde ZKML, OPML, Teoria dos Jogos, até EigenLayer, que transformou sua narrativa de Restaking para Verifiable AI.

Mas, basicamente, o que acontece na área de Restaking é semelhante - poucos AVS estão dispostos a pagar por segurança verificável contínua adicional.

Da mesma forma, a inferência verificável geralmente tenta validar “coisas que ninguém realmente precisa de verificar”. O modelo de ameaça do lado da procura é extremamente vago - quem estamos a proteger?

Erros na saída de AI (problemas de capacidade do modelo) são muito mais comuns do que tentativas maliciosas de adulterar a saída (problemas de adversarial). Recentemente, acidentes de segurança na OpenClaw e Moltbook mostraram isso, e os verdadeiros problemas vêm de:

Design de estratégia errado;

Permissões excessivas;

Limites mal pensados;

Interações inesperadas entre ferramentas;

…

Praticamente não existe a preocupação de “modelo adulterado” ou “processo de inferência reescrito maliciosamente”.

No ano passado, publiquei esta imagem, não sei se alguém se lembra.

Desta vez, as ideias do V estão claramente mais maduras do que há dois anos, graças aos avanços em privacidade, X402, ERC8004, mercados preditivos e outros setores.

Podemos ver que ele dividiu em quatro quadrantes, metade relacionada com AI Helps Crypto, e a outra metade com Crypto Helps AI, não mais com uma clara preferência pela primeira como há dois anos.

Quadrantes superior esquerdo e inferior esquerdo - Usar a descentralização e transparência do Ethereum para resolver problemas de confiança e colaboração econômica em AI:

1. Facilitar interação AI sem confiança e privada (infraestrutura + sobrevivência): usar ZK, FHE e outras tecnologias para garantir privacidade e verificabilidade na interação AI (não sei se a inferência verificável que mencionei antes conta aqui).

2. Ethereum como camada econômica para AI (infraestrutura + prosperidade): permitir que agentes de AI possam fazer pagamentos econômicos, recrutar outros robôs, pagar garantias ou estabelecer sistemas de reputação via Ethereum, construindo uma arquitetura descentralizada de AI, sem depender de uma única grande plataforma.

Quadrantes superior direito e inferior direito - Usar a inteligência do AI para melhorar a experiência do usuário, eficiência e governança no ecossistema de criptomoedas:

3. Visão de cypherpunk com LLMs locais (impacto + sobrevivência): AI como escudo e interface para o usuário. Por exemplo, LLMs locais podem auditar contratos inteligentes, verificar transações, reduzindo a dependência de front-ends centralizados e garantindo soberania digital individual.

4. Tornar mercados e governança melhores uma realidade (impacto + prosperidade): AI participando profundamente em mercados preditivos e governança DAO. AI como participante eficiente, processando grande volume de informações para ampliar o julgamento humano, resolvendo problemas de atenção, altos custos de decisão, sobrecarga de informações e apatia na votação.

Antes, queríamos que Crypto ajudasse AI, enquanto o V estava do outro lado. Agora, finalmente, encontramos um ponto de encontro, embora pareça que tudo isso não tenha muito a ver com tokens de AI ou Layer1 de IA. Espero que, daqui a dois anos, ao reler este post, encontremos novas direções e surpresas.