Udviklingen inden for kunstig intelligens går hurtigt. Fem banebrydende laboratorier (OpenAI, Anthropic, Google DeepMind, Meta og xAI) kontrollerer størstedelen af verdens mest avancerede modeller, de proprietære data, som de er trænet på, samt de dataklynger, der er nødvendige for at træne flere modeller. Decentraliseret kunstig intelligens er kryptovaluta-verdenens svar på denne udvikling.
Decentraliseret AI, eller DeAI, bygger på tanken om, at de samme komponenter, der får moderne AI til at fungere, kan koordineres via blockchains og token-incitamenter i stedet for af et enkelt firma. Formålet er ikke at overgå OpenAI på et GPU-klyngesystem til 10 milliarder dollars, men at skabe åbne alternativer på de lag, hvor decentralisering rent faktisk fungerer.
Hvad er decentraliseret kunstig intelligens?
Decentraliseret AI, ofte forkortet til DeAI, henviser til kunstig intelligens-systemer, der er bygget på blockchain-infrastruktur og koordineres gennem token-incitamenter – hvor beregninger, data, modeller og beslutningstagning fordeles på mange deltagere i stedet for et enkelt firma.
Forkortelsen »DeAI« (med stort D og stort AI) er nu standard inden for området; vi bruger den gennemgående i flæng med »decentraliseret AI«. Udtrykket er bredere end noget enkelt projekt. Det dækker en stak (computermarkeder i bunden, data- og modelnetværk i midten, agentrammer øverst), der er forbundet via blockchain-koordinationslag.
DeAI er oprettet for at modvirke tre tendenser. For det første koncentrationen af banebrydende AI i fem laboratorier, hvis interne beslutninger om retningslinjer, sikkerhed og prissætning påvirker alle. For det andet uigennemsigtigheden af lukkede modeller, der er trænet på data, som offentligheden ikke kan se og ikke har givet samtykke til. For det tredje misforholdet mellem AI-laboratorier og de brugere, hvis data de er trænet på: værdien flyder én vej, uden at der går tokens, andele eller indtægter tilbage til bidragyderne.
Ingen af disse problemer løses fuldstændigt ved at indføre en blockchain. Men det bliver lettere at håndtere dem, når ejerskab, betalinger og beviser kan koordineres i et system uden adgangsbegrænsninger.
Decentraliseret AI kontra fødereret læring
"Decentraliseret AI" og "federeret læring" lyder som to beslægtede begreber, men løser helt forskellige problemer. Federeret læring er en maskinlæringsmetode, der beskytter privatlivets fred, og som anvendes af store tech-virksomheder; DeAI er en kryptovaluta-baseret bevægelse, der bygger på blockchains og tokens.
Ved federeret læring trænes en model på tværs af mange enheder (din telefon, et hospitals servere, en banks database), uden at rådataene nogensinde forlader de enkelte enheder. Det er kun modelopdateringerne, der overføres. Google Gboard bruger det til forudsigelse af det næste ord; Apple bruger det til læring på enheden; medicinske konsortier bruger det til at træne diagnostiske modeller uden at afsløre patientjournaler. En central part, som regel det firma, der ejer modellen, koordinerer det hele.
DeAI er det modsatte af central koordination. Regnekraft, data og undertiden selve modellen ejes og drives af mange uafhængige parter. En blockchain koordinerer dem, og tokens belønner nyttige bidrag.
De to kan kombineres, da teknikker til federeret læring kan køre inden for DeAI-systemer for at beskytte privatlivets fred. Men federeret læring i sig selv er ikke DeAI. Federated learning handler om, hvordan beregningerne udføres. DeAI handler om, hvem der ejer systemet.
Sådan fungerer decentraliseret kunstig intelligens
DeAI er ikke en enkelt teknologi, men en helhed. Der er fire vigtige lag, som hver især omfatter egne projekter.
Beregningslaget
GPU’er og anden hardware, der er nødvendig for at træne og køre AI-modeller. Det er her, DeAI overlapper direkte med DePIN. Netværk som Render, Akash og io.net udlejer decentraliseret GPU-kapacitet til AI-opgaver – lige fra hobbybrugere, der kører inferensopgaver, til startups, der foretager finjustering i stor skala. GPU-manglen i 2024–2026 har gjort dette lag til den mest aktive del af DeAI-økosystemet.
Datalaget
Datasæt, der er nødvendige for at træne modeller. Decentraliserede datamarkedspladser giver dataejere mulighed for at tjene penge på deres datasæt uden at miste kontrollen. Lagringsnetværk som Filecoin og Arweave hoster modelvægte, træningsdatasæt og resultater. Omfanget er her stadig beskedent sammenlignet med centraliserede datamæglere, men infrastrukturen fungerer.
Modellaget
Open-weight-modeller, som alle kan køre, finjustere eller ændre. Træningsnetværk baseret på token-incitamenter, hvor Bittensor er det mest fremtrædende, belønner deltagere for at bidrage med nyttige modelforbedringer til specifikke opgaver. Bemærk, at "open-weight" alene (Metas Llama, Mistrals modeller) ikke er DeAI. Det er open source. DeAI tilføjer blockchain-koordination og token-økonomi oven på åbenheden.
Inferens- og agentlaget
Når en model først er udviklet, skal der være nogen til at køre den. Decentraliserede inferensnetværk fordeler dette arbejde på mange nodeoperatører. Oven på dette ligger AI-agentlaget – autonome programmer, der handler på brugerens vegne og i stigende grad afvikler betalinger i kryptovaluta. Olas og Virtuals Protocol er de mest omtalte projekter på dette område, og begge er stadig under udvikling.
De vigtigste DeAI-projekter, man bør kende til i 2026
DeAI er en kategori, ikke en enkelt konkurrent til OpenAI. Inddel projekterne efter, hvad de rent faktisk laver.
AI-integrerede blockchains og træningsnetværk
Bittensor (TAO) er det mest omtalte eksempel. Det driver 128 aktive »undernet«, der hver især udgør et specialiseret marked for en bestemt AI-opgave: fortræning af sprogmodeller, billedindlejringer, økonomiske prognoser, talegenkendelse og søgning.
Minerne konkurrerer på hvert undernet om token-belønninger baseret på produktionskvaliteten. I 1. kvartal 2026 forpligtede NVIDIA sig til at investere 420 millioner dollar, og Polychain Capital tilføjede 200 millioner dollar, hvilket bragte de samlede institutionelle investeringer op over 620 millioner dollar. Netværkets indtægter nåede op på 43 millioner dollar i sidste kvartal.
ASI-alliancen
Fetch.ai, SingularityNET, Ocean Protocol og (senere) CUDOS fusionerede i 2024 og dannede Artificial Superintelligence Alliance, hvorved tokens blev samlet under navnet FET med planer om at omdøbe det til ASI. Det fulde navneskift blev aldrig gennemført på alle børser, så de fleste noterer stadig FET.
I oktober 2025 trak Ocean Protocol sig officielt ud af alliancen på grund af uenigheder om ledelsen. De resterende medlemmer (Fetch.ai, SingularityNET og CUDOS) fortsætter med at levere produkter, herunder ASI-1 mini, en Web3-native LLM med 7 milliarder parametre, og et planlagt Layer 1 kaldet ASI Chain.
Agenter
Olas fokuserer på økonomien omkring autonome agenter: uafhængige programmer, der betaler hinanden, koordinerer og udfører opgaver. Virtuals Protocol fokuserer på AI-agenter rettet mod forbrugere, især inden for gaming og sociale medier. Dette lag er det nyeste og er stadig under udvikling.
Hvad er egentlig decentraliseret, og hvad er ikke
DeAI har både en klar fremdrift og reelle mangler. En ærlig vurdering, lag for lag:
Træning af Frontier-modeller: stadig centraliseret
At træne en model i GPT-5-klassen kræver investeringer på flere hundrede millioner dollars i koordineret computerkraft, proprietære data og et centraliseret udviklerteam. Intet DeAI-projekt gør dette i den størrelsesorden, og det vil heller ikke ske i den nærmeste fremtid.
Selv Bittensors største tekniske milepæl (Covenant AIs fælles fortræning med 72 milliarder parametre i marts 2026) var flere størrelsesordener mindre end de banebrydende laboratorieprojekter. Covenant forlod senere netværket og kaldte decentraliseringen for "teater" på grund af uenigheder om styring, hvilket er en påmindelse om, at "decentraliseret" kan beskrive matematikken uden at beskrive magten.
Compute: ægte decentralisering
GPU'er er udskiftelige, opgaverne er korte, og det er nemt at kontrollere resultatet, og det er netop derfor, at udbuddet rent faktisk er blevet en realitet her. Render behandler omkring 1,5 millioner billeder om måneden; Akash nåede op på over 5 millioner dollars i udgifter til databehandling i 1. kvartal 2026; io.net samler GPU'er fra over 130 lande. Det samme kort, der kører et videospil om aftenen, kan køre en inferensopgave næste morgen, og kunden behøver ikke at vide, hvem der ejer det.
Konklusion: gennemførligt og i vækst
Inferensen er stateless, opgaverne er små, og resultaterne kan verificeres – det naturlige næste trin i decentraliseringen efter selve regnekraften. Netværkene udnytter GPU’er fra forbruger- og spilcomputere, der ellers ville stå ubenyttede hen, så en lille model med lav vægt som Llama-3-8B ofte kan leveres til halv pris i forhold til AWS eller Azure. Forskellen mindskes, jo større modellen bliver; det er stadig sværere at levere en model med 400 milliarder parametre decentralt end på en hyperscaler.
Datamarkedspladser: stadig i deres vorden, men en realitet
Netværk som Vana til personoplysninger og Grass til data hentet fra internettet viser, at decentraliseret dataudveksling er teknisk muligt. Det sværere spørgsmål er efterspørgslen. AI-laboratorier har allerede det, de har brug for: data hentet fra det åbne internet samt eksklusive direkte aftaler (Reddit–Google, NYT–OpenAI, Shutterstock). Decentraliserede markedspladser løser et problem på udbudssiden, som efterspørgselssiden endnu ikke har, men det ændrer sig, hvis træningsdata bliver mere omstridte.
Forskning og udvikling baseret på token-incitamenter: arbejde inden for smalle nicher
Token-belønninger fungerer godt til gradvise forbedringer af målbare opgaver (nøjagtighed ved tale-til-tekst, indlejringskvalitet, benchmarks for billedklassificering), og Bittensors subnet leverer konkurrencedygtige modeller netop inden for disse nicheområder. Det, som tokens ikke let kan finansiere, er banebrydende forskning, som kræver mange års tålmodig kapital, dyre eksperimenter og tolerance over for fiasko. Bittensors ledelseskonflikter rejser også et strukturelt spørgsmål: token-baseret forskning og udvikling fungerer kun så godt som det protokol, der omgiver den.
Konklusion
Det interessante spørgsmål om DeAI i 2026 er, hvilke lag i systemarkitekturen der holder stand, når de bliver sat under lup. Beregnings- og inferensfunktionerne udfører reelt, målbart arbejde for betalende kunder.
Markedspladser for data og modeller er i vækst, men har endnu ikke bevist deres værd. Styringslaget (den del, der afgør, om »decentraliseret« henviser til matematikken eller magten) giver fortsat anledning til kontroverser, såsom Oceans udtræden af ASI Alliance og Coventants udtræden af Bittensor.
DeAI erstatter ikke OpenAI i 2026, og det kommer måske aldrig til at ske. Men organisationen udvikler reelle alternativer i midten og yderkanterne af teknologikæden, og det er jo alligevel der, de fleste mennesker i sidste ende vil komme i berøring med AI.
