——Een verkenning van de toekomst en investeringskansen van gedecentraliseerde intelligentie
Inleiding — Twee paradigmaverschuivingen komen samen
Onderzoeksachtergrond: de onvermijdelijke ontmoeting van twee technologische golven
Twee krachtige technologische golven overspoelen de moderne wereld: de explosieve opkomst van kunstmatige intelligentie (AI) en de voortdurende ontwikkeling van op cryptografie gebaseerde technologieën (crypto). AI hervormt als productiviteitsinstrument van de volgende generatie sectoren in ongekend tempo; crypto bouwt ondertussen aan een gedecentraliseerd wereldwijd waardenetwerk. Hun ontwikkelpaden en toepassingsgebieden lijken uiteen te lopen, maar de ontwikkeling van hun onderliggende logica voert hen naar een historisch ontmoetingspunt.
Het centralisatieprobleem van AI:
De huidige AI-ontwikkeling is sterk afhankelijk van een handvol technologiereuzen, met een gesloten kringloop van ‘data–modellen–rekenkracht’. Dit veroorzaakt datamonopolies, ondoorzichtige algoritmen, sterk stijgende rekenkosten en centrale storingspunten. Deze centralisatie beperkt innovatie en roept vragen op over privacy, vooringenomenheid en machtsconcentratie.
De waardepropositie van crypto:
Crypto is in essentie een op cryptografie gebouwde ‘vertrouwensmachine’, gekenmerkt door decentralisatie, transparantie, censuurbestendigheid en programmeerbare waarde. Deze eigenschappen bieden nieuwe oplossingen voor de centralisatiecrisis van AI.
Kernthese: De versmelting van AI en crypto is geen toeval, maar een onvermijdelijke ontwikkeling. Crypto vervangt niet de ‘productiekrachten’ van AI (rekenkracht, algoritmen, data), maar biedt nieuwe ‘productieverhoudingen’: een gedecentraliseerd netwerk en economisch model dat geen onderling vertrouwen vereist en prikkels op elkaar afstemt. Met deze nieuwe productieverhoudingen kan het productieve vermogen van AI eerlijker en breder worden ontsloten en gecombineerd.
Kernprincipes De synergie tussen AI en crypto berust op een diepe complementariteit, geworteld in het opnieuw doordenken van machtsstructuren en waardeverdeling in het digitale tijdperk.
Wederzijdse infrastructuur: AI maakt cryptotoepassingen intelligenter, adaptiever en meer geautomatiseerd: denk aan slimmere DeFi-strategieën, meeslependere GameFi-ervaringen en efficiënt DAO-bestuur. Omgekeerd biedt crypto AI een open, censuurbestendige omgeving zonder vereiste vertrouwensrelatie, waardoor modellen en data aan de controle van afzonderlijke partijen ontsnappen.
Machtsevenwicht: Deze convergentie vertegenwoordigt een strijd tussen gedecentraliseerde krachten ‘van onderop’ en centrale controle ‘van bovenaf’. De gedistribueerde netwerken van crypto bieden tegenwicht aan de centralisatietrend van AI en bevorderen een opener en pluriformer intelligentie-ecosysteem.
Terugkeer van digitaal eigendom: In Web2 verzamelden platforms gratis gebruikersdata. Via tokenisering kan crypto data en AI-modellen omzetten in digitale activa die men kan bezitten en verhandelen (NFT's of tokens). Zo kunnen makers en bijdragers de waarde ontvangen die zij zelf creëren.
Verifieerbare intelligentie: De onveranderlijkheid en transparantie van blockchain maken, samen met cryptografische hulpmiddelen zoals zero-knowledge-bewijzen, AI-besluitvorming traceerbaar en verifieerbaar. Dit legt de basis voor betrouwbare AI en pakt het ‘blackboxprobleem’ aan.
Een diepgaande blik op de technologie
Overzicht van de technologiestack De integratie van AI en crypto berust op een meerlagige technologiestack die gedecentraliseerde fysieke infrastructuur (DePIN) verbindt met intelligente toepassingen en economische modellen op hogere niveaus. Deze stack wil de centralisatieknelpunten in de huidige AI-ontwikkeling systematisch oplossen en een complete oplossing voor gedecentraliseerde intelligentie bieden. De kernonderdelen zijn rekenkracht, data, modellen, toepassingen en verifieerbaarheid. Elke laag wordt aangedreven door innovatieve protocollen en economische prikkels.
Gedecentraliseerde rekenkracht
Kernlogica: Gedecentraliseerde rekenkracht wil het monopolie doorbreken van enkele grote cloudaanbieders (zoals AWS, GCP en Azure). Het basisprincipe is om via tokenprikkels wereldwijd enorme hoeveelheden ongebruikte rekenmiddelen, voornamelijk GPU's, samen te brengen in een peer-to-peermarkt zonder toegangsvergunning. Afnemers, zoals AI-ontwikkelaars en renderkunstenaars, kunnen er direct rekenkracht huren van aanbieders, zoals miners, datacenters en zelfs individuele gebruikers, mogelijk tegen lagere kosten.
Gelaagde technische architectuur:
Bare-metallaag: Dit is de onderste laag van fysieke middelen: wereldwijd verspreide, heterogene apparaten, waaronder serverclusters van professionele datacenters, miningmachines van miners en grafische consumentenkaartjes van individuele gebruikers.
Orkestratielaag: Deze laag verzorgt standaardisatie, planning, lastverdeling en taaktoewijzing van de onderliggende rekenkracht. Als brein van het gedecentraliseerde rekennetwerk koppelt zij geschikte taken aan geschikte rekennodes en waarborgt zij een stabiele dienstverlening.
Aggregatielaag: Om grotere netwerkeffecten te bereiken, bundelen sommige projecten middelen uit verschillende gedecentraliseerde rekennetwerken, zoals Render en Filecoin, en uit traditionele clouddiensten. Zo bieden zij gebruikers één geoptimaliseerd toegangspunt tot rekenkracht.
Huidige uitdagingen: Ondanks de ruime vooruitzichten blijven er grote uitdagingen. Bij veeleisende taken zoals AI-training vormen netwerkvertraging en bandbreedte tussen gedistribueerde nodes enorme knelpunten; de snelle interne netwerken van centrale datacenters zijn moeilijk te evenaren. Ook is het prijsvoordeel niet altijd groot wanneer verborgen netwerk-, opslag- en beheerkosten meetellen. Ten slotte overtreft de vraag naar hoogwaardige GPU's, zoals H100/A100, het aanbod ruimschoots, terwijl voor de grote hoeveelheid consumenten-GPU's in het netwerk onvoldoende vraag bestaat.
Verifieerbare berekeningen en ZKML (zero-knowledge machine learning)
Kernlogica: Zero-knowledge machine learning (ZKML) is een grensverleggende toepassing van verifieerbare berekeningen. Met cryptografische methoden, namelijk zero-knowledge-bewijzen (ZKP), bewijst het dat het inferentieproces van een AI-model volledig en correct is, zonder gevoelige informatie zoals invoerdata of interne modelparameters prijs te geven. Het is als een betrouwbaar wiskundig ontvangstbewijs voor de ‘blackboxhandelingen’ van AI.
Kernwaarde:
Privacybescherming: Bij gevoelige medische, financiële of identiteitsgegevens maakt ZKML ‘bruikbaar maar onzichtbaar’ mogelijk: AI-inferentie uitvoeren zonder ruwe data bloot te leggen, zodat de privacy van gebruikers volledig beschermd blijft.
Rekenintegriteit en vertrouwen: Op de blockchain kan ZKML aan smart contracts bewijzen dat een AI-beslissing afkomstig is van een specifiek model en specifieke invoer, zonder manipulatie. Dit is cruciaal voor onder meer on-chain AI-agenten en gedecentraliseerde identiteitsverificatie, zoals Worldcoin.
Fraude voorkomen: In gedecentraliseerde AI-netwerken kan ZKML controleren of bijdragers, zoals modelbeheerders, rekentaken eerlijk hebben uitgevoerd. Dit voorkomt dat zij met onjuiste of vervalste resultaten ten onrechte beloningen ontvangen.
Huidige knelpunten: ZKML behoort tot de meest geavanceerde, maar ook minst volwassen technologieën in dit veld. Het grootste knelpunt is de enorme rekenoverhead: een bewijs genereren kan honderden of zelfs duizenden malen meer tijd en rekenkracht kosten dan de oorspronkelijke berekening. Bovendien leidt omzetting van complexe AI-modellen met drijvendekommagetallen naar wiskundige circuits voor ZKP tot precisieverlies. De huidige technologie ondersteunt vooral kleine modellen; on-chain ZK-bewijzen voor grote modellen bevinden zich nog in een zeer vroege verkenningsfase.
Gedecentraliseerde data en opslag
Kernlogica: De intelligentie van AI hangt sterk af van de kwaliteit en hoeveelheid trainingsdata. Gedecentraliseerde data en opslag willen datamonopolies en datasilo's in Web2 doorbreken en een open, betrouwbaar data-ecosysteem met eerlijke waardeverdeling opbouwen. De kern is gebruikers en organisaties via prikkels aan te moedigen data bij te dragen, te verifiëren en te delen.
Belangrijkste technologieën en paradigma's:
Gedecentraliseerde opslagnetwerken (DSN): Netwerken zoals Filecoin en Arweave leveren de infrastructuur voor langdurige, censuurbestendige opslag van grote hoeveelheden data.
Dataverzameling en verificatie: Projecten zoals Grass belonen gebruikers voor het beschikbaar stellen van ongebruikte bandbreedte. Zo ontstaat een gedistribueerde webcrawler die openbare webdata voor AI-training verzamelt, met als doel AI-modellen een decentralere en transparantere databron te bieden.
Data-eigendom en waardecreatie: Door eigendom van data te tokeniseren (Data NFT's) kunnen bijdragers hun data werkelijk bezitten, verhandelen of in licentie geven via datamarkten of dataliquiditeitspools, en zo opbrengsten ontvangen. Dit creëert het nieuwe paradigma van ‘data als bezit’.
Toepassingsrichtingen: Naast data voor het trainen van grote modellen bieden gedecentraliseerde datanetwerken veel mogelijkheden voor synthetische datageneratie, data-annotatie zoals RLHF en verifieerbare databronnen. Technologieën als TLS Notary kunnen daarbij de authenticiteit van off-chain data waarborgen.
Economische modellen voor AI-agenten
Kernlogica: Als de voorgaande technologiestack de infrastructuur voor AI legt, zijn AI-agenten de oorspronkelijke bewoners van dit nieuwe continent. On-chain AI-agenten geven modellen een zelfstandige economische identiteit, zoals een cryptowalletadres. Daarmee kunnen ze autonoom activa bezitten, transacties ondertekenen, smart contracts uitvoeren en met andere agenten of protocollen communiceren. Zo worden het volwaardige economische entiteiten op de blockchain.
Belangrijkste paradigma's:
Het model als node: In sommige netwerken is het AI-model zelf een volwaardige deelnemer die kan bijdragen aan consensus en bestuur. Bijdragen, zoals hoogwaardige inferentie, worden met tokens beloond.
Intentie centraal: Dit is het kernparadigma voor interactie met AI-agenten. Gebruikers hoeven geen complexe reeks handelingen meer uit te voeren, maar formuleren hun uiteindelijke doel, hun ‘intentie’, in gewone taal. Bijvoorbeeld: ‘Stort ETH in Aave en gebruik de ontvangen aETH als onderpand om USDC te lenen.’ De AI-agent ontleedt die intentie automatisch, plant vervolgens een optimale reeks on-chain transacties en voert die uit om het doel te bereiken.
Autonome economische activiteit: AI-agenten kunnen zelfstandig geld beheren, complexe DeFi-arbitragestrategieën uitvoeren, aan DAO-stemmingen deelnemen, als intelligente NPC's in on-chain games optreden en andere AI-diensten inschakelen voor complexere taken. Zo ontstaat een diensteneconomie tussen machines.
Toepassingsscenario's: De mogelijkheden zijn zeer breed: geautomatiseerde handel met MEV-benutting en -bescherming, intelligent beleggingsadvies en vermogensbeheer, taakautomatisering, gedecentraliseerde orakelnetwerken en complexere autonome economische systemen. Projecten zoals Fetch.ai en Olas (Autonolas) leveren de kerntechnologie en protocolkaders voor zulke agenteconomieën.
Het ecosysteem in beeld
Overzicht van de deelgebieden
Het AI + Crypto-ecosysteem groeit snel en vormt een meerlagige structuur van infrastructuur, middleware en toepassingen. In dit levendige, innovatieve landschap proberen projecten vanuit verschillende invalshoeken de belangrijkste problemen van AI-centralisatie op te lossen.
Infrastructuurlaag: De basis van het hele ecosysteem bestaat vooral uit projecten voor gedecentraliseerde rekenkracht, zoals io.net en Akash, data, zoals Grass, en opslag, zoals Filecoin. Ze leveren de onderliggende middelen die nodig zijn om AI te laten werken.
Middleware- en protocollaag: Deze laag verbindt de infrastructuur met toepassingen en levert essentiële functionele modules en protocolstandaarden. Bittensor probeert bijvoorbeeld een gedecentraliseerd samenwerkingsnetwerk voor AI-modellen te bouwen. Fetch.ai en Olas bieden kaders om AI-agenten te bouwen en te laten communiceren. Ritual en Modulus Labs onderzoeken ZKML om AI-berekeningen verifieerbaar te maken.
Toepassingslaag: Deze laag richt zich rechtstreeks op gebruikers en integreert AI in uiteenlopende dApps om functies en gebruikerservaring te verbeteren. Voorbeelden zijn AI-gestuurde DeFi-protocollen, slimmere wallets, zelfstandig handelende NPC's in on-chain games en nieuwe toepassingen op basis van ‘intentie’.
Momenteel concentreren de meeste waarde en aandacht zich op infrastructuur en protocollen, omdat deze nodig zijn voor gedecentraliseerde intelligentie. Naarmate de onderliggende technologie volwassener wordt, verwachten we de komende jaren echter explosieve groei in de toepassingslaag.
Positionering van de belangrijkste spelers
Dit deelgebied kent veel grote spelers met een duidelijke positionering, verbonden door een complexe mix van samenwerking en concurrentie.
Concurrentie en integratie in gedecentraliseerde rekenkracht: Dit veld telt de meeste deelnemers en kent sterke concurrentie. Akash Network (AKT), ook wel de ‘gedecentraliseerde cloud-Taobao’, biedt een open verhuurmarkt voor cloudmiddelen. Render Network (RNDR) begon met 3D-rendering, verzamelde veel consumenten-GPU's en breidt actief uit naar AI-inferentie. De opkomende speler io.net (IO) fungeert als ‘rekenkrachtaggregator’: het bundelt GPU-middelen uit netwerken zoals Render en Filecoin en verbindt geografisch verspreide GPU's via clustering. Zo ondersteunt het complexere AI-training en -inferentie, rechtstreeks gericht op de zakelijke markt.
Gedecentraliseerde AI-modellen en -netwerken: Bittensor (TAO) is het vlaggenschip in dit veld. Het biedt geen enkel afzonderlijk model, maar een beloningsnetwerk waarin machinelearningmodellen wereldwijd concurreren en samenwerken, samen goed voor een voortdurend evoluerende ‘collectieve intelligentie’. SingularityNET (AGIX) bouwt een open markt voor AI-diensten waar iedereen diensten kan maken, delen en te gelde maken.
Platforms voor on-chain AI-agenten: Fetch.ai (FET) is een van de pioniers en biedt een complete gereedschapsset voor het bouwen, uitrollen en verbinden van Autonomous Economic Agents (AEA). Olas (Autonolas, OLAS) richt zich op een samenstelbare stack voor autonome off-chain AI-diensten, die via orakels en andere middelen met de blockchain worden verbonden. Dit biedt veel mogelijkheden voor automatisering en complexe taakuitvoering.
Samen vormen deze projecten de ruggengraat van het AI + Crypto-ecosysteem. Hun ontwikkelpaden en onderlinge dynamiek zullen de toekomstige richting van het gehele deelgebied sterk beïnvloeden.
Investeringskader en kansen
Marktomvang en groeiverwachting
Als nieuw sectoroverschrijdend gebied moet AI + Crypto worden geschat vanuit twee onderliggende macromarkten: AI en hoogwaardige rekeninfrastructuur, vooral GPU's. Mordor Intelligence verwacht dat de wereldwijde AI-markt in 2027 tussen 780 en 990 miljard USD zal bedragen. Tegelijk voorspellen marktleiders zoals AMD dat de wereldwijde GPU-markt, de essentiële hardwarebasis voor AI, tegen 2027 groeit naar 200 tot 400 miljard USD. Hoewel de totale marktwaarde van AI + Crypto nog in een vroege fase zit, is de potentiële totale adresseerbare markt (TAM) enorm. Wij denken dat zelfs een klein aandeel, bijvoorbeeld 1–5%, van deze twee immense markten een nieuwe markt van honderden miljarden dollars kan opleveren. Het groeipotentieel hangt af van de snelheid waarmee de technologie volwassen wordt en doorslaggevende toepassingen ontstaan.
Investeringslogica en these
Onze investeringslogica voor AI + Crypto berust op de volgende pijlers:
Macro-economische drijfveer: De structurele spanning tussen de explosief stijgende vraag naar AI-rekenkracht en de aanbodknelpunten bij centrale cloudaanbieders schept een historische kans voor gedecentraliseerde rekennetwerken. Dit is de stevigste en duidelijkste fundamentele groeimotor van het deelgebied.
Opbrengst van sectoroverschrijdende innovatie: AI geeft de cryptowereld ongekende intelligentie en automatisering, met complexere DeFi-strategieën, adaptiever DAO-bestuur en meeslependere blockchaingames. Omgekeerd biedt crypto AI een open economisch model zonder toegangsvergunning en wereldwijde samenwerkingsnetwerken, waarmee het de ‘productieverhoudingen’ van AI aanpakt.
Aandacht van institutioneel kapitaal: Grote durfkapitalisten zoals a16z, Paradigm en Multicoin Capital hebben al fors in dit veld geïnvesteerd. Hun onderzoek en kapitaalinjecties vormen een krachtig vertrouwensteken en een katalysator voor verdere ontwikkeling.
Waarderingssysteem en kernindicatoren
AI + Crypto-projecten waarderen is complex: traditionele modellen zoals P/E en DCF zijn moeilijk toepasbaar omdat ze uitgaan van stabiele kasstromen en winstverwachtingen. Daarom is een multidimensionaal kader nodig dat cryptospecifieke indicatoren combineert met nieuwe maatstaven voor dit deelgebied.Cryptospecifieke waarderingsindicatoren:
Protocolomzet en koers-omzetverhouding (P/S): Meet het vermogen van het netwerk om waarde te verzilveren en is een kernindicator voor de financiële gezondheid van een project.
Aandeel gestakete tokens: Weerspiegelt het vertrouwen van tokenhouders in de langetermijnwaarde van het netwerk en hun bereidheid bij te dragen aan de netwerkbeveiliging.
Verhouding netwerkwaarde tot transacties (NVT): Vergelijkbaar met de koers-winstverhouding; beoordeelt de netwerkwaardering ten opzichte van de transactieactiviteit op de blockchain.
Actieve adressen en ontwikkelaarsactiviteit: Meten het daadwerkelijke netwerkgebruik en de gezondheid van het ecosysteem.
Specifieke indicatoren voor AI + Crypto:
Benuttingsgraad van rekenkracht: Voor gedecentraliseerde rekenprojecten is dit essentieel om de efficiëntie van de matching tussen vraag en aanbod en de werkelijke zakelijke vraag te meten.
API-aanroepen van modellen: Op platforms voor gedecentraliseerde AI-modellen weerspiegelt het aantal API-aanroepen rechtstreeks hoe vaak en met welke waarde de modellen daadwerkelijk worden gebruikt.
Omvang en waarde van databijdragen: Meet voor gedecentraliseerde dataprojecten de schaal en kwaliteit van de data die hun netwerken verzamelen en verwerken.
Frequentie en waarde van agentinteracties: Meet op AI-agentplatforms de activiteit van agenten, de complexiteit van hun taken en de omvang van de middelen die zij inzetten.
Risico's, uitdagingen en strategieën
Technische risico's en knelpunten Ondanks de aantrekkelijke vooruitzichten kent AI + Crypto nog veel ernstige technische uitdagingen en knelpunten. Deze vormen de belangrijkste obstakels voor grootschalige toepassing op korte termijn.
Schaalbaarheid en prestaties: Het lage aantal transacties per seconde (TPS) van de meeste publieke blockchains voldoet niet aan de eisen van hoogfrequente AI-toepassingen. Daarnaast belemmert communicatievertraging tussen nodes efficiënte gedistribueerde AI-training, waarvoor grootschalige datasynchronisatie nodig is.
Modelcomplexiteit en kosten: Grote taalmodellen (LLM's) rechtstreeks op de blockchain uitrollen en uitvoeren kost astronomische bedragen. Zowel opslag als berekeningen zijn onbetaalbaar. Huidige on-chain AI verwerkt daarom vooral inferentieresultaten in plaats van de modellen zelf uit te voeren.
Contextbegrip van agenten: Huidige AI-agenten begrijpen complexe, dynamische en vijandige on-chain omgevingen slechts beperkt. Kwaadwillenden kunnen ze gemakkelijk misbruiken, of ze kunnen verkeerde besluiten nemen bij onvoorziene marktomstandigheden.
Volwassenheid van kerntechnologieën: Privacybeschermende rekentechnologieën zoals ZKML (zero-knowledge machine learning) en FHE (volledig homomorfe versleuteling), de fundamenten van betrouwbare berekeningen, bevinden zich nog in een zeer vroege onderzoeksfase en zijn ver verwijderd van grootschalige commerciële toepassing.
Economische en marktrisico's Naast technische uitdagingen kent dit deelgebied aanzienlijke risico's rond economische modellen en marktdynamiek.
Overmatige hype en zeepbellen: AI is momenteel het populairste verhaal in de technologiesector. Daardoor zijn veel AI + Crypto-projecten zwaar overgewaardeerd en ontstaan grote zeepbelrisico's. Op korte termijn bepaalt vooral het marktsentiment de prijs, meer dan de fundamentele waarde.
Kwetsbaarheid van tokeneconomieën: Een duurzaam tokenmodel ontwerpen dat vraag en aanbod in evenwicht houdt en alle deelnemers, zoals rekenaanbieders, modelontwikkelaars en gebruikers, motiveert, is uiterst complex. Een kleine misstap kan het systeem in een ‘doodsspiraal’ doen belanden.
Concurrentie met traditionele clouddiensten: Qua betrouwbaarheid, stabiliteit, gebruiksgemak en totale dienstverleningskosten kunnen gedecentraliseerde rekennetwerken op korte termijn moeilijk rechtstreeks concurreren met centrale reuzen als AWS en Azure. Om te overleven moeten zij een onderscheidende marktpositie vinden.
Veiligheids- en ethische risico's De combinatie van AI en crypto brengt ook nieuwe veiligheids- en ethische dilemma's mee.
Kwetsbaarheden in smart contracts en AI-agenten: De codecomplexiteit groeit exponentieel. Zelfs een kleine kwetsbaarheid kan worden uitgebuit en grote verliezen van gebruikersactiva veroorzaken. De zelfstandige uitvoering door AI-agenten kan zulke risico's vergroten.
Aansprakelijkheid bij AI: Wie draagt de juridische verantwoordelijkheid wanneer een autonome AI-agent verkeerd beslist en enorme verliezen veroorzaakt: de eigenaar, de ontwikkelaar of het protocol zelf? Dit juridische en ethische vraagstuk is nog onopgelost.
Dataprivacy en misbruik: Decentralisatie wil data beschermen, maar bij een verkeerd ontwerp kunnen openbare on-chain gegevens worden gebruikt om bevooroordeelde AI-modellen te trainen of voor kwaadaardige doelen, zoals zeer gerichte gedragsanalyse om gebruikers uit te buiten.
Onzekere regelgeving Regelgeving is de grootste externe onzekerheid die AI en crypto gemeen hebben.
Complexiteit van grensoverschrijdende regelgeving: De ethische en datagebruiksnormen voor AI en de financiële kenmerken van crypto vallen wereldwijd onder uiteenlopende, snel veranderende regels. Een grensoverschrijdend gedecentraliseerd netwerk aan zo'n complexe regelgevingsomgeving aanpassen is een grote uitdaging.
Spanning tussen naleving en decentralisatie: Toezichthouders verlangen doorgaans maatregelen zoals antiwitwascontroles (AML) en klantidentificatie (KYC). Die botsen fundamenteel met de idealen van vrije toegang en censuurbestendigheid binnen crypto. Projectteams moeten een moeilijk evenwicht vinden tussen naleving en decentralisatie.
Langetermijnwaarde en historische kans
De integratie van AI en crypto is veel meer dan een tijdelijke technologische trend. Het is een fundamentele paradigmaverschuiving die het creëren, verdelen en bezitten van waarde in de digitale wereld opnieuw vormgeeft. Zij verenigt de ongeëvenaarde intelligentie en analysekracht van AI met het gedecentraliseerde vertrouwen, de coördinatiemechanismen en programmeerbare waardenetwerken van crypto. De langetermijnwaarde ligt in de gezamenlijke evolutie van productiviteit (AI) en productieverhoudingen (crypto), niet alleen in het stapelen van technologie. Dit legt de basis voor een eerlijkere, openere en autonomere digitale economie. We staan op een historisch keerpunt van een ‘internet van informatie’ naar een ‘internet van waarde en intelligentie’.
De komende 3–5 jaar: technologische doorbraken en kantelpunten Voor de middellange termijn van de komende 3–5 jaar verwachten we dat de volgende gebieden belangrijke technologische doorbraken en marktgroei zullen voortbrengen:
Verifieerbare berekeningen in de praktijk: ZKML zal van theorie naar praktijk gaan, met eerste commerciële toepassingen waar privacy en verifieerbaarheid cruciaal zijn, zoals financieel risicobeheer, gedecentraliseerde identiteit (DID) en on-chain stemmingen. Dit wordt de basis voor ‘betrouwbare AI’ en een belangrijke factor om toepassingen op institutioneel niveau aan te trekken.
Samenwerking en opkomst van AI-agenten: Naarmate agentstandaarden, zoals de protocollen van Olas, volwassen worden, zullen AI-agenten op grote schaal over protocollen en blockchains heen samenwerken in een complexe ‘agentsamenleving’. Het marktkantelpunt wordt de eerste doorslaggevende ‘intentiegestuurde’ toepassing, die complexe on-chain handelingen terugbrengt tot opdrachten in gewone taal en daarmee de Web3-gebruikerservaring fundamenteel verandert.
Opkomst van gespecialiseerde DePIN-netwerken: Gedecentraliseerde fysieke infrastructuurnetwerken (DePIN) voor AI-training en -inferentie worden gespecialiseerder en efficiënter. Geoptimaliseerde netwerkprotocollen en hardwareclustering zullen in niches, zoals modelfinetuning en domeinspecifieke inferentie, een kostenefficiëntie opleveren die vergelijkbaar is met centrale cloudaanbieders. Daarmee kunnen zij een aanzienlijk marktaandeel verwerven.
Conclusie
Het begin van een structurele transformatie De koppeling van AI en crypto is een structurele transformatie over een lange cyclus. Ze pakt steeds zichtbaardere AI-problemen aan, zoals centralisatie, dataprivacy en waardeverdeling, en brengt tegelijk ongekende intelligentie en autonomie naar crypto. Technische knelpunten, marktzeepbellen en onzekere regelgeving blijven uitdagingen, maar de complementariteit van de onderliggende logica en de historische onvermijdelijkheid zijn al duidelijk.
Wij zijn ervan overtuigd dat dit meer is dan een nieuwe investeringscategorie: het is ook de blauwdruk voor de volgende generatie internet, een autonoom, intelligent en eerlijk waardenetwerk. AI-agenten zullen geleidelijk de belangrijkste economische deelnemers worden; data en modellen komen terug in handen van hun makers, en aan de horizon verrijst een werkelijk ‘gedecentraliseerde intelligente samenleving’. Voor de bouwers en investeerders van vandaag is dit het moment om zich aan dit grote experiment te wijden en samen het toekomstige digitale landschap vorm te geven.
