Tekoälyala on keskittymässä nopeasti. Viisi alan edelläkävijäyritystä (OpenAI, Anthropic, Google DeepMind, Meta ja xAI) hallitsee suurinta osaa maailman tehokkaimmista malleista, niiden koulutukseen käytettyjä omia tietokantoja sekä uusien mallien kouluttamiseen tarvittavia laskentaklustereita. Hajautettu tekoäly on kryptovaluutta-alan vastaus tähän kehitykseen.
Hajautettu tekoäly, eli DeAI, perustuu ajatukseen, että nykyaikaisen tekoälyn toiminnasta vastaavia komponentteja voidaan koordinoida lohkoketjujen ja token-palkkioiden avulla yhden yrityksen sijaan. Sen tavoitteena ei ole yrittää päihittää OpenAI:ta 10 miljardin dollarin arvoisella GPU-klusterilla, vaan rakentaa avoimia vaihtoehtoja niillä tasoilla, joilla hajauttaminen todella toimii.
Mitä on hajautettu tekoäly?
Hajautettu tekoäly, jota usein lyhennetään nimellä DeAI, tarkoittaa tekoälyjärjestelmiä, jotka perustuvat lohkoketjuihin ja joiden toimintaa ohjataan token-palkkioilla – laskentateho, data, mallit ja päätöksenteko jaetaan useiden osallistujien kesken yhden yrityksen sijaan.
Lyhenne ”DeAI” (iso D, iso AI) on nykyään vakiintunut alalla; käytämme sitä tässä tekstissä synonyyminä ilmaisulle ”hajautettu tekoäly”. Termi on laajempi kuin mikään yksittäinen projekti. Se kattaa kokonaisuuden (alimmalla tasolla laskentamarkkinapaikat, keskellä data- ja malliverkostot, ylimmällä tasolla agenttikehykset), joka on yhdistetty lohkoketjun koordinointikerroksilla.
DeAI:n tarkoituksena on vastustaa kolmea suuntausta. Ensinnäkin edistyksellisen tekoälyn keskittymistä viiteen laboratorioon, joiden sisäiset yhteensovittamis-, turvallisuus- ja hinnoittelupäätökset vaikuttavat kaikkiin. Toiseksi suljettujen mallien läpinäkymättömyys: ne on koulutettu datalla, jota yleisö ei näe eikä ole hyväksynyt. Kolmanneksi tekoälylaboratorioiden ja niiden käyttäjien välinen epäsuhta, joiden datalla mallit on koulutettu: arvo kulkee vain yhteen suuntaan, eikä mitään vastinetta, osuutta tai tuloja palauteta datan toimittajille.
Mikään näistä ongelmista ei ratkea täysin pelkästään lohkoketjun käyttöönotolla. Niitä on kuitenkin helpompi ratkaista, kun omistusoikeudet, maksut ja todisteet voidaan koordinoida järjestelmässä, johon kuka tahansa pääsee osallistumaan.
Hajautettu tekoäly vs. hajautettu oppiminen
"Hajautettu tekoäly" ja "hajautettu oppiminen" kuulostavat samankaltaisilta, mutta ne ratkaisevat hyvin erilaisia ongelmia. Hajautettu oppiminen on yksityisyyttä suojaava koneoppimistekniikka, jota suuret teknologiayritykset käyttävät; DeAI on kryptovaluuttoihin perustuva liike, joka rakentuu lohkoketjujen ja tokenien ympärille.
Hajautetussa oppimisessa malli koulutetaan useilla laitteilla (puhelimellasi, sairaalan palvelimilla, pankin tietokannassa) ilman, että raakadata koskaan poistuu kunkin laitteen ulkopuolelle. Vain mallin päivitykset siirtyvät laitteiden välillä. Google Gboard käyttää sitä seuraavan sanan ennustamiseen; Apple käyttää sitä laitteella tapahtuvaan oppimiseen; lääketieteelliset konsortiot käyttävät sitä diagnostisten mallien kouluttamiseen paljastamatta potilastietoja. Keskitetty taho, yleensä mallin omistava yritys, koordinoi kaiken.
DeAI on keskitetyn koordinoinnin vastakohta. Laskentateho, data ja toisinaan jopa malli itsessään ovat monien itsenäisten toimijoiden omistuksessa ja hallinnassa. Niitä koordinoi lohkoketju, ja hyödyllisistä panoksista palkitaan tokeneilla.
| Parametri | Yhdistetty oppiminen | Hajautettu tekoäly (DeAI) |
|---|---|---|
| Koordinaattori | Pääkonttori | Lohkoketjun älykkäät sopimukset |
| Lohkoketjun rooli | Ei mitään | Ydin |
| Tunnisteiden merkitys | Ei mitään | Yhdenmukaistaa kannustimet kaikkien osapuolten kesken |
| Esimerkki | Google Gboard, Apple Intelligence | Bittensor, ASI Alliance, Render |
Nämä kaksi voidaan yhdistää, sillä hajautetun oppimisen menetelmiä voidaan käyttää DeAI-järjestelmissä yksityisyyden suojaamiseksi. Pelkkä hajautettu oppiminen ei kuitenkaan ole DeAI:ta. Federated learningissa on kyse siitä, miten laskelmat tehdään. DeAI:ssa on kyse siitä, kuka omistaa järjestelmän.
Miten hajautettu tekoäly toimii
DeAI ei ole yksittäinen teknologia, vaan kokonaisuus. Siinä on neljä merkittävää tasoa, joista jokaisella on omat hankkeensa.
Laskentataso
Tekoälymallien kouluttamiseen ja ajamiseen tarvittavat GPU:t ja muu laitteisto. Tässä DeAI ja DePIN ovat suoraan päällekkäisiä. Renderin, Akashin ja io.netin kaltaiset verkostot vuokraavat hajautettua GPU-laskentatehoa tekoälykäyttöön, aina yksittäisistä harrastajista, jotka suorittavat päättelytehtäviä, aina laajamittaista hienosäätöä tekeviin startup-yrityksiin. Vuosien 2024–2026 GPU-pula on tehnyt tästä kerroksesta DeAI-ekosysteemin aktiivisimman osan.
Tietokerros
Mallien kouluttamiseen tarvittavat aineistot. Hajautettujen datamarkkinapaikkojen avulla datan omistajat voivat ansaita rahaa aineistoillaan menettämättä hallintaoikeuttaan. Filecoinin ja Arweaven kaltaiset tallennusverkostot isännöivät mallien painotuksia, koulutusaineistoja ja tuloksia. Volyymi on tässä vaiheessa vielä vaatimaton verrattuna keskitettyihin datavälittäjiin, mutta infrastruktuuri toimii.
Mallikerros
Avoimet mallit, joita kuka tahansa voi käyttää, hienosäätää tai muokata. Tokeneilla kannustetut koulutusverkostot, joista tunnetuin on Bittensor, palkitsevat osallistujia hyödyllisten malliparannusten tekemisestä tiettyihin tehtäviin. Huomaa, että pelkkä "avoin painotus" (Metan Llama, Mistralin mallit) ei ole DeAI. Se on avointa lähdekoodia. DeAI lisää avoimuuden lisäksi lohkoketjun koordinoinnin ja token-talouden.
Päätelmä- ja agenttikerros
Kun malli on valmis, jonkun on suoritettava se. Hajautetut päättelyverkostot jakavat tämän työn useiden solmuoperaattoreiden kesken. Tämän päälle rakentuu tekoälyagenttikerros – itsenäiset ohjelmat, jotka toimivat käyttäjän puolesta ja hoitavat maksuja yhä useammin kryptovaluutalla. Olas ja Virtuals Protocol ovat tässä yhteydessä eniten mainittuja hankkeita, jotka molemmat ovat vielä kehittymisvaiheessa.
Vuoden 2026 tärkeimmät DeAI-projektit
DeAI on kategoria, ei yksittäinen OpenAI:n kilpailija. Ryhmittele projektit sen mukaan, mitä ne tosiasiassa tekevät.
Tekoälyyn perustuvat lohkoketjut ja oppimisverkostot
Bittensor (TAO) on tunnetuin esimerkki. Se ylläpitää 128 aktiivista ”aliverkkoa”, joista kukin on erikoistunut yhteen tekoälytehtävään: kielimallien esikoulutukseen, kuvien upotuksiin, talousennusteisiin, puheentunnistukseen ja hakuun.
Louhijat kilpailevat kussakin aliverkossa tuotoksen laadun perusteella jaettavista token-palkkioista. Vuoden 2026 ensimmäisellä neljänneksellä NVIDIA sitoutui sijoittamaan 420 miljoonaa dollaria ja Polychain Capital lisäsi 200 miljoonaa dollaria, minkä seurauksena institutionaalisten sijoittajien yhteenlaskettu pääomasijoitus nousi yli 620 miljoonaan dollariin. Verkon tulot olivat viimeisellä neljänneksellä 43 miljoonaa dollaria.
ASI-allianssi
Fetch.ai, SingularityNET, Ocean Protocol ja (myöhemmin) CUDOS yhdistyivät vuonna 2024 muodostaakseen Artificial Superintelligence Alliancen, jolloin tokenit yhdistettiin FET-tokeniksi ja suunnitelmana oli nimetä se uudelleen ASI:ksi. Täydellistä brändin uudistusta ei koskaan saatettu loppuun pörsseissä, joten useimmat pörssit listaavat edelleen FET-tokenia.
Lokakuussa 2025 Ocean Protocol vetäytyi virallisesti liittoumasta hallintoon liittyvien erimielisyyksien vuoksi. Jäljelle jääneet jäsenet (Fetch.ai, SingularityNET ja CUDOS) jatkavat tuotteiden toimittamista, mukaan lukien ASI-1 mini, 7 miljardin parametrin Web3-natiivi LLM, sekä suunniteltu Layer 1 -kerros nimeltä ASI Chain.
Agentit
Olas keskittyy autonomisten agenttien talouteen: itsenäisiin ohjelmiin, jotka maksavat toisilleen, koordinoivat toimintaansa ja suorittavat tehtäviä. Virtuals Protocol keskittyy kuluttajille suunnattuihin tekoälyagentteihin, erityisesti pelialalla ja sosiaalisissa sovelluksissa. Tämä taso on uusin ja vielä kehittymässä.
Mikä on todella hajautettua ja mikä ei
Tekoälyn poistamisessa on sekä selvää edistystä että todellisia puutteita. Rehellinen arviointi kerros kerrokselta:
Frontier-mallin koulutus: edelleen keskitetty
GPT-5-luokan mallin kouluttaminen vaatii satoja miljoonia dollareita koordinoituun laskentatehoon, omaan dataan ja keskitettyyn kehitystiimiin. Mikään DeAI-projekti ei tee tätä tällä hetkellä edistyksellisimmällä tasolla, eikä niin tule tapahtumaan lähiaikoina.
Jopa Bittensorin suurin tekninen virstanpylväs (Covenant AI:n 72 miljardin parametrin yhteistyöperusteinen esikoulutus, joka toteutettiin maaliskuussa 2026) oli suuruusluokaltaan huomattavasti pienempi kuin edistyksellisimpien tutkimuslaboratorioiden hankkeet. Covenant poistui myöhemmin verkostosta kutsuen hajauttamista hallintokiistojen vuoksi ”teatteriksi”, mikä muistuttaa siitä, että ”hajautettu” voi kuvata matematiikkaa kuvaamatta valtaa.
Laskenta: todellinen hajauttaminen
Grafiikkaprosessorit ovat keskenään vaihdettavissa, työtehtävät ovat lyhyitä ja tulosten tarkistaminen on helppoa, minkä vuoksi tarjonta on tässä tapauksessa todella toteutunut. Render käsittelee noin 1,5 miljoonaa kuvaa kuukaudessa; Akashin laskentakustannukset ylittivät 5 miljoonaa dollaria vuoden 2026 ensimmäisellä neljänneksellä; io.net yhdistää grafiikkaprosessoreita yli 130 maasta. Sama kortti, jolla pelataan videopeliä illalla, voi suorittaa päättelytehtävän seuraavana aamuna, eikä asiakkaan tarvitse tietää, kuka sen omistaa.
Johtopäätös: toteutettavissa ja kasvussa
Päätelmien tekeminen on tilatonta, tehtävät ovat pieniä ja tulokset todennettavissa – tämä on luonnollinen seuraava taso hajauttamiselle raakalaskennan jälkeen. Verkot hyödyntävät kuluttaja- ja pelikäyttöön tarkoitettuja GPU-prosessoreita, jotka muuten jäisivät käyttämättömiksi, joten Llama-3-8B:n kaltainen pieni malli, jonka painoarvo on avoin, voidaan usein tarjota puoleen hintaan verrattuna AWS:ään tai Azureen. Ero kaventuu mallin koon kasvaessa; 400 miljardin parametrin mallin hajautettu tarjoaminen on edelleen vaikeampaa kuin hyperskaalaajalla.
Tietomarkkinapaikat: vasta alkuvaiheessa, mutta todellisia
Henkilötietoihin erikoistunut Vana ja verkosta kerättyihin tietoihin keskittyvä Grass osoittavat, että hajautettu tiedonvaihto on teknisesti toteutettavissa. Vaikeampi kysymys koskee kysyntää. Tekoälylaboratorioilla on jo käytössään tarvitsemansa: avoimesta verkosta kerättyjä tietoja sekä korkealaatuisia suoria sopimuksia (Reddit–Google, NYT–OpenAI, Shutterstock). Hajautetut markkinapaikat ratkaisevat tarjontapuolen ongelman, jota kysyntäpuolella ei vielä ole, vaikka tilanne muuttuu, jos koulutustietojen saatavuus muuttuu kiistanalaisemmaksi.
Token-pohjainen tutkimus- ja kehitystyö: toiminta kapeilla erikoisaloilla
Token-palkkiot toimivat hyvin mitattavissa olevien tehtävien asteittaisessa parantamisessa (puheesta tekstiksi -tarkkuus, upotusten laatu, kuvien luokittelun vertailuarvot), ja Bittensorin aliverkot tuottavat kilpailukykyisiä malleja juuri näillä erikoisaloilla. Mitä tokenit eivät pysty helposti rahoittamaan, on läpimurtotutkimus, joka vaatii vuosien kärsivällistä pääomaa, kalliita kokeita ja suvaitsevaisuutta epäonnistumisia kohtaan. Bittensorin hallintoon liittyvät kiistat herättävät myös rakenteellisen kysymyksen: token-pohjainen tutkimus- ja kehitystyö toimii vain niin hyvin kuin sitä ympäröivä protokolla.
Johtopäätös
Mielenkiintoinen kysymys DeAI:sta vuonna 2026 on, mitkä järjestelmärakenteen kerrokset kestävät tarkemman tarkastelun. Laskentateho ja päättely suorittavat todellista, mitattavissa olevaa työtä maksaville asiakkaille.
Tieto- ja mallimarkkinapaikat ovat kasvussa, mutta niiden toimivuus on vielä epävarmaa. Hallintotaso (se osa, joka ratkaisee, viittaako termi ”hajautettu” matematiikkaan vai valtaan) synnyttää jatkuvasti kiistoja, kuten Oceanin ero ASI Alliance -yhteisöstä ja Covenantin ero Bittensorista.
DeAI ei korvaa OpenAI:ta vuonna 2026, eikä se ehkä koskaan tule korvaamaan sitä. Se on kuitenkin luomassa todellisia vaihtoehtoja järjestelmäarkkitehtuurin keskiosaan ja reuna-alueille, ja juuri siellä suurin osa ihmisistä tulee lopulta olemaan tekoälyn kanssa tekemisissä.
