Do mercado primário para Crypto × IA: um experimento de ilusão de tokenização

Autor: Lao Bai

Após dois anos, o V voltou a postar no Twi, e eu também vou comentar com base naquele relatório de pesquisa de há dois anos, pois o momento é exatamente o mesmo, 10 de fevereiro. (Leitura adicional: ABCDE: Uma análise do mercado primário de AI+Crypto)

Há dois anos, o V神 já tinha expressado de forma sutil que não estava muito otimista em relação às várias Crypto Helps AI que estavam na moda na altura. Naquele momento, as três principais tendências eram a tokenização de poder computacional, a tokenização de dados e a tokenização de modelos. O relatório que escrevi há dois anos também abordava esses três aspectos, observando alguns fenômenos e questionamentos no mercado primário. Do ponto de vista do V神, ele ainda preferia a ideia de AI Helps Crypto.

Ele deu alguns exemplos na época:

• AI como participante no jogo;
• AI como interface do jogo;
• AI como regra do jogo;
• AI como objetivo do jogo;

Nos últimos dois anos, tentámos várias abordagens de Crypto Helps AI, mas os resultados foram escassos. Muitos projetos e setores simplesmente lançam um token e pronto, sem um verdadeiro ajuste ao PMF (Product-Market Fit) comercial — o que chamo 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 e pequenos, atendendo principalmente mercados de borda, com receitas que não dependem do token…

2. Tokenização de dados — há muita fricção na oferta (por parte de investidores individuais), baixa vontade, alta incerteza. Do lado da demanda (empresas), o que precisam são fornecedores de dados profissionais, estruturados, com dependência de contexto, confiança e responsabilidade legal, algo difícil de fornecer por projetos DAO ou Web3.

3. Tokenização de modelos — modelos são ativos não escassos, facilmente replicáveis, ajustáveis e que se depreciam rapidamente, não sendo ativos finais. O Hugging Face é mais uma plataforma de colaboração e disseminação, semelhante ao GitHub para ML, e não uma loja de aplicativos para modelos. Assim, projetos que tentam criar “Hugging Face descentralizado” para tokenizar modelos geralmente fracassam.

Além disso, nos últimos dois anos, experimentámos várias formas de “inferência verificável”, que é uma história típica de tentar pregar pregos com um martelo. Desde ZKML, OPML, Teoria dos Jogos, até EigenLayer, que transformou sua narrativa de Restaking em algo baseado em Verifiable AI.

Porém, tudo isso se assemelha ao que acontece na área de Restaking — poucos AVS estão dispostos a pagar por segurança verificável contínua adicional.

Da mesma forma, a inferência verificável geralmente valida “coisas que ninguém realmente precisa que sejam verificadas”. O modelo de ameaça do lado da demanda é muito vago — quem exatamente estamos protegendo?

Erros na saída de AI (problemas de capacidade do modelo) são muito mais comuns do que tentativas maliciosas de adulterar a saída (problemas de adversarialidade). Recentemente, acidentes de segurança na OpenClaw e Moltbook mostraram isso — o problema real vem de:

• Design de estratégia incorreto;
• Permissões excessivas;
• Limites mal definidos;
• Interações não planejadas entre ferramentas;

…

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

No ano passado, compartilhei uma imagem que talvez alguns veteranos ainda lembrem.

As ideias que o V神 apresentou desta vez estão claramente mais maduras do que há dois anos, graças aos avanços em privacidade, X402, ERC8004, mercados preditivos e outros campos.

Ele dividiu o espaço em quatro quadrantes, metade relacionada a AI Helps Crypto e a outra metade a Crypto Helps AI, deixando de lado a preferência clara pelo primeiro há dois anos.

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

1. Facilitar interação de AI sem confiança e privada (infraestrutura + sobrevivência): usando ZK, FHE e outras tecnologias para garantir privacidade e verificabilidade nas interações de AI (não tenho certeza se a inferência verificável que mencionei antes se encaixa aqui).

2. Ethereum como camada econômica para AI (infraestrutura + prosperidade): permitindo que agentes de AI possam fazer pagamentos econômicos, contratar 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 — usando a inteligência de 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 usuários. Por exemplo, LLMs locais podem auditar contratos inteligentes, verificar transações, reduzindo a dependência de front-ends centralizados e protegendo a soberania digital individual.

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

Antes, queríamos que Crypto ajudasse AI, enquanto o V神 estava do outro lado. Agora, finalmente nos encontramos no meio, embora pareça que tudo isso não tenha muito a ver com tokens de XX ou camadas de AI Layer1. Espero que, daqui a dois anos, ao reler este post, encontremos novas direções e surpresas.