AI consolideert zich in hoog tempo. Vijf toonaangevende laboratoria (OpenAI, Anthropic, Google DeepMind, Meta en xAI) hebben de controle over de meeste van ’s werelds krachtigste modellen, de eigen gegevens waarmee deze zijn getraind en de rekenclusters die nodig zijn om nog meer modellen te trainen. Gedecentraliseerde AI is het antwoord vanuit de cryptowereld.
Gedecentraliseerde AI, of DeAI, is het idee dat dezelfde componenten die moderne AI laten functioneren, kunnen worden gecoördineerd door blockchains en token-prikkels in plaats van door één enkel bedrijf. Het is niet de bedoeling om OpenAI te overtreffen met een GPU-cluster van 10 miljard dollar, maar om open alternatieven te ontwikkelen op de niveaus waar decentralisatie daadwerkelijk werkt.
Wat is gedecentraliseerde AI?
Gedecentraliseerde AI, vaak afgekort als DeAI, verwijst naar kunstmatige-intelligentiesystemen die zijn gebouwd op blockchain-infrastructuur en worden gecoördineerd door middel van token-prikkels – waarbij de rekenkracht, gegevens, modellen en besluitvorming worden verdeeld over vele deelnemers in plaats van één enkel bedrijf.
De afkorting "DeAI" (met een hoofdletter D en een hoofdletter AI) is inmiddels de gangbare term in deze sector; we gebruiken deze term in de hele tekst door als synoniem voor "gedecentraliseerde AI". De term is breder dan welk afzonderlijk project dan ook. Hij omvat een stack (computermarktplaatsen aan de onderkant, data- en modelnetwerken in het midden, agentframeworks aan de bovenkant) die met elkaar verbonden is via coördinatielagen op basis van blockchain.
DeAI is opgericht om drie trends tegen te gaan. Ten eerste de concentratie van baanbrekende AI in vijf laboratoria waarvan de interne afstemming, veiligheidsmaatregelen en prijsbeslissingen gevolgen hebben voor iedereen. Ten tweede de ondoorzichtigheid van gesloten modellen die zijn getraind op data die het publiek niet kan zien en waarvoor het geen toestemming heeft gegeven. Ten derde de misalignment tussen AI-laboratoria en de gebruikers op wiens data ze zijn getraind: waarde stroomt maar één kant op, zonder dat er tokens, aandelen of inkomsten terugvloeien naar de bijdragers.
Geen van deze problemen wordt volledig opgelost door een blockchain toe te voegen. Maar elk probleem wordt beter aan te pakken wanneer eigendom, betalingen en bewijzen kunnen worden gecoördineerd in een systeem zonder toegangsbeperkingen.
Gedecentraliseerde AI versus federatief leren
"Gedecentraliseerde AI" en "federated learning" klinken misschien als verwante begrippen, maar ze pakken heel verschillende problemen aan. Federated learning is een machine learning-techniek die de privacy waarborgt en door grote techbedrijven wordt gebruikt; DeAI is een crypto-native beweging die is opgebouwd rond blockchains en tokens.
Bij federated learning wordt een model getraind op meerdere apparaten (je telefoon, de servers van een ziekenhuis, de database van een bank) zonder dat de ruwe gegevens ooit het betreffende apparaat verlaten. Alleen modelupdates worden uitgewisseld. Google Gboard gebruikt het voor het voorspellen van het volgende woord; Apple gebruikt het voor on-device learning; medische consortia gebruiken het om diagnostische modellen te trainen zonder patiëntendossiers bloot te geven. Een centrale partij, meestal het bedrijf dat eigenaar is van het model, coördineert alles.
DeAI is het tegenovergestelde van centrale coördinatie. De rekenkracht, de data en soms ook het model zelf zijn in handen van en worden beheerd door tal van onafhankelijke partijen. Een blockchain zorgt voor de coördinatie; nuttige bijdragen worden beloond met tokens.
Deze twee kunnen worden gecombineerd, aangezien technieken voor federatief leren binnen DeAI-systemen kunnen worden toegepast om de privacy te waarborgen. Maar federatief leren op zich is nog geen DeAI. Bij federatief leren draait het om de wiskundige berekeningen. Bij DeAI draait het om de vraag wie de eigenaar van het systeem is.
Hoe gedecentraliseerde AI werkt
DeAI is geen afzonderlijke technologie, maar een technologiepakket. Er zijn vier lagen van belang, elk met hun eigen projecten.
De rekenlaag
GPU’s en andere hardware die nodig is om AI-modellen te trainen en uit te voeren. Op dit punt sluit DeAI direct aan bij DePIN. Netwerken zoals Render, Akash en io.net verhuren gedecentraliseerde GPU-rekenkracht aan AI-toepassingen, variërend van individuele hobbyisten die inferentietaken uitvoeren tot startups die op grote schaal aan fine-tuning doen. Door het tekort aan GPU's in de periode 2024–2026 is deze laag het meest actieve onderdeel van het DeAI-ecosysteem geworden.
De gegevenslaag
Datasets die nodig zijn om modellen te trainen. Via gedecentraliseerde datamarkten kunnen eigenaren van data inkomsten genereren met hun datasets zonder de controle daarover uit handen te geven. Opslagnetwerken zoals Filecoin en Arweave hosten modelgewichten, trainingsdatasets en output. Het volume is hier nog bescheiden in vergelijking met gecentraliseerde datamakelaars, maar de infrastructuur functioneert.
De modellaag
Open-weight-modellen die iedereen kan uitvoeren, verfijnen of aanpassen. Trainingsnetwerken met token-stimulansen, waarvan Bittensor de bekendste is, belonen deelnemers voor het aanleveren van nuttige modelverbeteringen voor specifieke taken. Merk op dat "open-weight" op zich (Meta's Llama, Mistral's modellen) geen DeAI is. Het is open source. DeAI voegt blockchain-coördinatie en token-economie toe bovenop openheid.
De inferentie- en agentlaag
Zodra er een model is, moet iemand het uitvoeren. Gedecentraliseerde inferentienetwerken verdelen dat werk over talrijke knooppuntbeheerders. Daarbovenop komt de laag van AI-agenten: autonome programma’s die namens een gebruiker handelen en betalingen steeds vaker in cryptovaluta afhandelen. Olas en Virtuals Protocol zijn de meest genoemde projecten op dit gebied, die beide nog in ontwikkeling zijn.
De belangrijkste DeAI-projecten om in de gaten te houden in 2026
DeAI is een categorie, geen enkele specifieke concurrent van OpenAI. Groepeer projecten op basis van wat ze daadwerkelijk doen.
AI-geoptimaliseerde blockchains en trainingsnetwerken
Bittensor (TAO) is het meest genoemde voorbeeld. Het beheert 128 actieve "subnetten", die elk een gespecialiseerde markt vormen voor één AI-taak: het voortrainen van taalmodellen, beeldembeddings, financiële prognoses, spraak en zoekopdrachten.
Mijnwerkers strijden op elk subnet om tokenbeloningen op basis van de kwaliteit van hun output. In het eerste kwartaal van 2026 heeft NVIDIA 420 miljoen dollar ingezet en heeft Polychain Capital 200 miljoen dollar toegevoegd, waardoor de totale institutionele instroom boven de 620 miljoen dollar is gekomen. De inkomsten van het netwerk bedroegen in het afgelopen kwartaal 43 miljoen dollar.
De ASI-alliantie
Fetch.ai, SingularityNET, Ocean Protocol en (later) CUDOS fuseerden in 2024 tot de Artificial Superintelligence Alliance, waarbij de tokens werden samengevoegd tot FET, met het voornemen om deze om te dopen tot ASI. De volledige naamswijziging is nooit volledig doorgevoerd op alle beurzen, waardoor de meeste FET nog steeds verhandelen.
In oktober 2025 heeft Ocean Protocol zich officieel teruggetrokken uit de alliantie vanwege meningsverschillen over het bestuur. De overgebleven leden (Fetch.ai, SingularityNET en CUDOS) blijven producten op de markt brengen, waaronder ASI-1 mini, een Web3-native LLM met 7 miljard parameters, en een geplande Layer 1 genaamd ASI Chain.
Makelaars
Olas richt zich op de economie van autonome agents: onafhankelijke programma’s die elkaar betalen, onderling afstemmen en taken uitvoeren. Virtuals Protocol richt zich op AI-agents voor consumenten, met name op het gebied van gaming en sociale media. Deze laag is de nieuwste en bevindt zich nog in de ontwikkelingsfase.
Wat is nu eigenlijk gedecentraliseerd en wat niet?
DeAI zit in een echte opmars, maar er zijn ook nog flinke hiaten. Een eerlijke beoordeling, laag voor laag:
Training van Frontier-modellen: nog steeds gecentraliseerd
Het trainen van een model op GPT-5-schaal vergt honderden miljoenen dollars aan gecoördineerde rekenkracht, eigen gegevens en een gecentraliseerd team van technici. Geen enkel DeAI-project doet dit op zo’n grootschalige manier, en dat zal voorlopig ook niet gebeuren.
Zelfs de grootste technische mijlpaal van Bittensor (de gezamenlijke pre-training van Covenant AI met 72 miljard parameters in maart 2026) was vele malen kleiner dan de inspanningen van toonaangevende laboratoria. Covenant verliet later het netwerk en noemde de decentralisatie "theater" vanwege geschillen over het bestuur, een herinnering dat "gedecentraliseerd" de wiskunde kan beschrijven zonder de macht te beschrijven.
Compute: echte decentralisatie
GPU’s zijn onderling uitwisselbaar, taken zijn kort en het controleren van de output is eenvoudig; daarom is het aanbod hier daadwerkelijk tot stand gekomen. Render verwerkt ongeveer 1,5 miljoen frames per maand; Akash overschreed in het eerste kwartaal van 2026 de grens van 5 miljoen dollar aan rekenkosten; io.net bundelt GPU’s uit meer dan 130 landen. Dezelfde kaart die 's avonds een videogame draait, kan de volgende ochtend een inferentietaak uitvoeren, en de klant hoeft niet te weten van wie de kaart is.
Conclusie: haalbaar en in opmars
Inferentie is stateless, taken zijn klein en de resultaten zijn verifieerbaar – de logische volgende stap in decentralisatie na ruwe rekenkracht. Netwerken maken gebruik van GPU’s van consumenten en gamers die anders ongebruikt zouden blijven, waardoor een klein model met een laag gewicht, zoals Llama-3-8B, vaak tegen de helft van de kosten van AWS of Azure kan worden aangeboden. De kloof wordt kleiner naarmate de modelgrootte toeneemt; het decentraal aanbieden van een model met 400 miljard parameters is nog steeds moeilijker dan op een hyperscaler.
Datamarktplaatsen: nog in de kinderschoenen, maar wel degelijk aanwezig
Netwerken als Vana voor persoonsgegevens en Grass voor van het internet geharvesteerde gegevens bewijzen dat gedecentraliseerde gegevensuitwisseling technisch haalbaar is. De moeilijkere vraag betreft de vraagzijde. AI-laboratoria beschikken al over wat ze nodig hebben: gegevens van het open web plus exclusieve rechtstreekse overeenkomsten (Reddit–Google, NYT–OpenAI, Shutterstock). Gedecentraliseerde marktplaatsen lossen een probleem aan de aanbodzijde op dat de vraagzijde nog niet heeft, hoewel dat verandert als trainingsgegevens omstredender worden.
Door tokens gestimuleerd onderzoek en ontwikkeling: werken in smalle niches
Tokenbeloningen werken goed voor stapsgewijze verbeteringen bij meetbare taken (nauwkeurigheid van spraak-naar-tekst, kwaliteit van embeddings, benchmarks voor beeldclassificatie) en de subnetten van Bittensor leveren concurrerende modellen op in precies die niches. Wat tokens niet gemakkelijk kunnen financieren, is baanbrekend onderzoek, dat jaren van geduldig kapitaal, dure experimenten en tolerantie voor mislukkingen vereist. De bestuursconflicten bij Bittensor roepen ook een structurele vraag op: token-gebaseerde R&D werkt slechts zo goed als het protocol eromheen.
Conclusie
De interessante vraag met betrekking tot DeAI in 2026 is welke lagen van de stack de toets der kritiek zullen doorstaan. Compute en inference verrichten concreet, meetbaar werk voor betalende klanten.
Marktplaatsen voor data en modellen groeien, maar hebben zich nog niet bewezen. De bestuurslaag (het onderdeel dat bepaalt of ‘gedecentraliseerd’ verwijst naar de wiskunde of naar de macht) blijft voor controverses zorgen, zoals het vertrek van Ocean uit de ASI Alliance en dat van Covenant uit Bittensor.
DeAI zal OpenAI in 2026 niet vervangen, en misschien wel nooit. Maar het bouwt wel echte alternatieven in het midden en aan de randen van de stack, en dat is waar de meeste mensen uiteindelijk toch met AI in aanraking zullen komen.
