Utviklingen innen AI går raskt fremover. Fem banebrytende laboratorier (OpenAI, Anthropic, Google DeepMind, Meta og xAI) kontrollerer de fleste av verdens mest avanserte modeller, de proprietære dataene de er trent på, samt dataklyngene som trengs for å trene opp flere. Desentralisert AI er kryptomiljøets svar på dette.
Desentralisert AI, eller DeAI, er ideen om at de samme komponentene som får moderne AI til å fungere, kan koordineres ved hjelp av blokkjeder og token-insentiver i stedet for av et enkelt selskap. Målet er ikke å konkurrere med OpenAI på et GPU-klyngesystem til 10 milliarder dollar, men å bygge åpne alternativer på de nivåene der desentralisering faktisk fungerer.
Hva er desentralisert AI?
Desentralisert AI, ofte forkortet til DeAI, refererer til systemer for kunstig intelligens som er bygget på blokkjedeinfrastruktur og koordineres gjennom token-baserte insentiver – der databehandling, data, modeller og beslutningstaking fordeles på mange deltakere i stedet for ett enkelt selskap.
Forkortelsen «DeAI» (stor D, stor AI) er nå standard i bransjen; vi bruker den synonymt med «desentralisert AI» gjennom hele teksten. Begrepet er bredere enn noe enkelt prosjekt. Det dekker en stabel (databehandlingsmarkeder nederst, data- og modellnettverk i midten, agentrammeverk øverst) koblet sammen av koordineringslag i blockchain.
DeAI er opprettet for å motvirke tre tendenser. For det første konsentrasjonen av banebrytende AI i fem laboratorier, der deres interne samordning, sikkerhet og prisbeslutninger påvirker alle. For det andre, den manglende åpenheten rundt lukkede modeller som er trent på data som offentligheten ikke kan se og ikke har gitt samtykke til. For det tredje, misforholdet mellom AI-laboratoriene og brukerne hvis data de har trent på: verdien flyter én vei, uten at bidragsyterne får noe tilbake i form av tokens, andeler eller inntekter.
Ingen av disse problemene løses fullstendig ved å innføre en blokkjede. Men hvert av dem blir lettere å håndtere når eierskap, betalinger og bekreftelser kan koordineres i et system uten tilgangsbegrensninger.
Desentralisert AI vs. føderert læring
«Desentralisert AI» og «federert læring» høres ut som beslektede begreper, men løser svært forskjellige problemer. Federert læring er en maskinlæringsmetode som ivaretar personvernet og brukes av store teknologiselskaper; DeAI er en kryptovaluta-basert bevegelse som bygger på blokkjeder og tokens.
Ved federert læring trenes en modell på tvers av mange enheter (mobiltelefonen din, sykehusets servere, en banks database) uten at rådataene noensinne forlater den enkelte enheten. Det er kun modelloppdateringene som overføres. Google Gboard bruker det til å forutsi neste ord; Apple bruker det til læring på enheten; medisinske konsortier bruker det til å trene diagnostiske modeller uten å avsløre pasientjournaler. En sentral part, vanligvis selskapet som eier modellen, koordinerer alt.
DeAI er det motsatte av sentral koordinering. Databehandling, data og noen ganger selve modellen eies og drives av mange uavhengige aktører. En blokkjede koordinerer dem, mens tokens belønner nyttige bidrag.
De to kan kombineres, ettersom teknikker for federert læring kan kjøres inne i DeAI-systemer for å ivareta personvernet. Men federert læring alene er ikke DeAI. Federert læring handler om hvordan beregningene utføres. DeAI handler om hvem som eier systemet.
Slik fungerer desentralisert AI
DeAI er ikke én enkelt teknologi, men en helhet. Det er fire lag som spiller en viktig rolle, og hvert av dem har sine egne prosjekter.
Beregningslaget
GPU-er og annen maskinvare som trengs for å trene og kjøre AI-modeller. Det er her DeAI overlapper direkte med DePIN. Nettverk som Render, Akash og io.net leier ut desentralisert GPU-kapasitet til AI-oppgaver, alt fra enkeltpersoner som driver med inferensoppgaver til oppstartsbedrifter som utfører finjustering i stor skala. GPU-mangelen i perioden 2024–2026 har gjort dette laget til den mest aktive delen av DeAI-økosystemet.
Datalaget
Datasett som trengs for å trene modeller. Desentraliserte datamarkedsplasser gjør det mulig for dataeiere å tjene penger på datasett uten å gi fra seg kontrollen. Lagringsnettverk som Filecoin og Arweave lagrer modellvekter, treningsdatasett og resultater. Volumet er her fortsatt beskjedent sammenlignet med sentraliserte datameglere, men infrastrukturen fungerer.
Modellaget
Åpne modeller som hvem som helst kan kjøre, finjustere eller endre. Treningsnettverk med token-baserte insentiver, der Bittensor er det mest kjente, belønner deltakere for å bidra med nyttige modellforbedringer på bestemte oppgaver. Merk at «åpen vekt» alene (Metas Llama, Mistrals modeller) ikke er DeAI. Det er åpen kildekode. DeAI legger til blokkjede-koordinering og token-økonomi på toppen av åpenheten.
Inferens- og agentlaget
Når en modell først er på plass, må noen kjøre den. Desentraliserte inferensnettverk fordeler dette arbeidet på mange nodeoperatører. Ovenpå dette ligger AI-agentlaget – autonome programmer som handler på vegne av brukeren, og som i stadig større grad gjennomfører betalinger i kryptovaluta. Olas og Virtuals Protocol er de mest omtalte prosjektene på dette området, og begge er fortsatt under utvikling.
De viktigste DeAI-prosjektene du bør kjenne til i 2026
DeAI er en kategori, ikke en enkelt konkurrent til OpenAI. Gruppér prosjektene etter hva de faktisk gjør.
AI-integrerte blokkjeder og treningsnettverk
Bittensor (TAO) er det mest omtalte eksemplet. Det driver 128 aktive «undernett», som hver utgjør et spesialisert marked for én AI-oppgave: forhåndstrening av språkmodeller, bildeinnlemming, økonomiske prognoser, tale og søk.
Gruvearbeiderne konkurrerer på hvert undernett om tokenbelønninger basert på produksjonskvaliteten. I første kvartal 2026 forpliktet NVIDIA seg til å satse 420 millioner dollar, og Polychain Capital bidro med 200 millioner dollar, noe som brakte de samlede institusjonelle tilstrømningene opp over 620 millioner dollar. Nettverksinntektene nådde 43 millioner dollar i forrige kvartal.
ASI-alliansen
Fetch.ai, SingularityNET, Ocean Protocol og (senere) CUDOS slo seg sammen i 2024 og dannet Artificial Superintelligence Alliance, hvor de samlet tokenene under navnet FET, med planer om å omdøpe det til ASI. Den fullstendige omprofileringen ble aldri fullført på alle børser, så de fleste noterer fortsatt FET.
I oktober 2025 trakk Ocean Protocol seg formelt ut av alliansen på grunn av uenigheter om styring. De gjenværende medlemmene (Fetch.ai, SingularityNET og CUDOS) fortsetter å levere produkter, inkludert ASI-1 mini, en Web3-native LLM med 7 milliarder parametere, og et planlagt Layer 1 kalt ASI Chain.
Agenter
Olas retter seg mot økonomien rundt autonome agenter: uavhengige programmer som betaler hverandre, koordinerer seg og utfører oppgaver. Virtuals Protocol retter seg mot AI-agenter for forbrukere, særlig innen spill og sosiale medier. Dette laget er det nyeste og er fortsatt under utvikling.
Hva er egentlig desentralisert, og hva er ikke det?
DeAI har både god fremdrift og reelle mangler. En ærlig vurdering, lag for lag:
Opplæring i Frontier-modellen: fortsatt sentralisert
Å trene opp en modell i GPT-5-klassen krever hundrevis av millioner dollar i samordnet datakraft, proprietære data og et sentralisert utviklingsteam. Ingen DeAI-prosjekter gjør dette i så stor skala, og det vil ikke skje med det første.
Selv Bittensors største tekniske milepæl (Covenant AIs samarbeidsbaserte forhåndstrening med 72 milliarder parametere i mars 2026) var flere størrelsesordener mindre enn det som ble gjort i de ledende laboratoriene. Covenant trakk seg senere ut av nettverket og kalte desentraliseringen for «teater» på grunn av uenigheter om styring, en påminnelse om at «desentralisert» kan beskrive matematikken uten å beskrive makten.
Compute: ekte desentralisering
GPU-er er utskiftbare, oppdragene er korte og det er enkelt å kontrollere resultatet – og det er nettopp derfor tilbudet faktisk har kommet i gang her. Render behandler rundt 1,5 millioner bilder per måned; Akash passerte 5 millioner dollar i databehandlingsutgifter i første kvartal 2026; io.net samler inn GPU-er fra over 130 land. Det samme kortet som kjører et videospill om natten, kan kjøre en inferensjobb neste morgen, og kunden trenger ikke å vite hvem som eier det.
Konklusjon: gjennomførbart og i vekst
Inferens er tilstandsfri, oppgavene er små og resultatene kan verifiseres – det naturlige neste trinnet i desentraliseringen etter ren databehandling. Nettverkene utnytter GPU-er fra forbruker- og spillmaskiner som ellers ville stått ubrukt, slik at en liten modell med lav vekt som Llama-3-8B ofte kan betjenes til halvparten av prisen sammenlignet med AWS eller Azure. Forskjellen blir mindre etter hvert som modellstørrelsen øker; å betjene en modell med 400 milliarder parametere desentralisert er fortsatt vanskeligere enn på en hyperscaler.
Datamarkedsplasser: i en tidlig fase, men likevel en realitet
Nettverk som Vana for personopplysninger og Grass for data hentet fra nettet viser at desentralisert datautveksling er teknisk gjennomførbart. Det vanskeligste spørsmålet er etterspørselen. AI-laboratorier har allerede det de trenger: data hentet fra det åpne nettet samt eksklusive direkteavtaler (Reddit–Google, NYT–OpenAI, Shutterstock). Desentraliserte markedsplasser løser et problem på tilbudssiden som etterspørselssiden ennå ikke har, selv om dette vil endre seg hvis treningsdata blir mer omstridt.
Forskning og utvikling med token-baserte insentiver: arbeid innen smale nisjer
Tokenbelønninger fungerer godt for trinnvis forbedring av målbare oppgaver (nøyaktighet ved tale-til-tekst, innleiringskvalitet, referansetester for bildeklassifisering), og Bittensors undernettverk produserer konkurransedyktige modeller nettopp innenfor disse nisjene. Det tokens ikke lett kan finansiere, er banebrytende forskning, som krever mange år med tålmodig kapital, kostbare eksperimenter og toleranse for feil. Bittensors styringskonflikter reiser også et strukturelt spørsmål: token-tilpasset FoU fungerer bare så godt som protokollen rundt den.
Konklusjon
Det interessante spørsmålet om DeAI i 2026 er hvilke lag i systemarkitekturen som vil tåle en grundig granskning. Databehandling og inferens utfører reelt, målbart arbeid for betalende kunder.
Markedsplasser for data og modeller er i vekst, men har ennå ikke bevist sin verd. Styringslaget (den delen som avgjør om begrepet «desentralisert» beskriver matematikken eller makten) fortsetter å skape kontroverser, som for eksempel Oceans uttreden fra ASI Alliance og Coventants uttreden fra Bittensor.
DeAI kommer ikke til å erstatte OpenAI i 2026, og kanskje aldri. Men selskapet utvikler reelle alternativer i midten og på sidene av teknologibunten, og det er jo der de fleste til slutt vil komme i kontakt med AI uansett.
