AI-branschen konsolideras i snabb takt. Fem banbrytande forskningslaboratorier (OpenAI, Anthropic, Google DeepMind, Meta och xAI) kontrollerar de flesta av världens mest avancerade modeller, de egna datamängder som de har tränats på samt de datorkluster som krävs för att träna fler modeller. Decentraliserad AI är kryptovärldens svar på detta.
Decentraliserad AI, eller DeAI, bygger på tanken att samma komponenter som ligger till grund för modern AI kan samordnas genom blockkedjor och tokenbaserade incitament istället för av ett enda företag. Målet är inte att överträffa OpenAI med ett GPU-kluster värt 10 miljarder dollar, utan att skapa öppna alternativ på de nivåer där decentralisering faktiskt fungerar.
Vad är decentraliserad AI?
Decentraliserad AI, ofta förkortat DeAI, avser system för artificiell intelligens som bygger på blockkedjeinfrastruktur och samordnas genom incitament i form av tokens – där beräkningar, data, modeller och beslutsfattande fördelas mellan många deltagare istället för ett enda företag.
Förkortningen ”DeAI” (stort D, stort AI) har nu blivit standard inom branschen; vi använder den synonymt med ”decentraliserad AI” genomgående. Termen är bredare än något enskilt projekt. Den omfattar en stack (datormarknadsplatser längst ner, data- och modellnätverk i mitten, agentramverk högst upp) som är sammankopplad av samordningslager baserade på blockkedjor.
DeAI har bildats för att motverka tre trender. För det första koncentrationen av banbrytande AI till fem laboratorier, vars interna samordning, säkerhets- och prissättningsbeslut påverkar alla. För det andra, den bristande insynen i slutna modeller som tränats på data som allmänheten inte kan se och inte har gett sitt samtycke till. För det tredje, bristen på samstämmighet mellan AI-laboratorierna och de användare vars data de tränats på: värdet flödar i en riktning, utan att några tokens, andelar eller intäkter går tillbaka till bidragsgivarna.
Inget av dessa problem löses helt genom att införa en blockkedja. Men varje problem blir lättare att hantera när äganderätt, betalningar och verifikationer kan samordnas i ett system utan behörighetskrav.
Decentraliserad AI kontra federerat lärande
"Decentraliserad AI" och "federerat lärande" låter som besläktade begrepp, men löser helt olika problem. Federerat lärande är en maskininlärningsteknik som värnar om integriteten och används av stora teknikföretag; DeAI är en kryptovalutarelaterad rörelse som bygger på blockkedjor och tokens.
Vid federerat lärande tränas en modell över flera enheter (din telefon, ett sjukhus servrar, en banks databas) utan att rådata någonsin lämnar de enskilda enheterna. Endast modelluppdateringar överförs. Google Gboard använder det för att förutsäga nästa ord; Apple använder det för inlärning på enheten; medicinska konsortier använder det för att träna diagnostiska modeller utan att exponera patientjournaler. En central part, vanligtvis det företag som äger modellen, samordnar allt.
DeAI är motsatsen till central samordning. Beräkningar, data och ibland även själva modellen ägs och drivs av många oberoende aktörer. En blockkedja samordnar dem, och tokens belönar värdefulla bidrag.
De två kan kombineras, eftersom tekniker för federerat lärande kan köras inuti DeAI-system för att skydda integriteten. Men federerat lärande i sig är inte DeAI. Federerat lärande handlar om hur beräkningarna utförs. DeAI handlar om vem som äger systemet.
Hur decentraliserad AI fungerar
DeAI är inte en enskild teknik, utan en helhetslösning. Det finns fyra viktiga lager, vart och ett med sina egna projekt.
Beräkningslagret
GPU:er och annan hårdvara som krävs för att träna och köra AI-modeller. Det är här DeAI direkt överlappar med DePIN. Nätverk som Render, Akash och io.net hyr ut decentraliserad GPU-kapacitet till AI-arbetsbelastningar, allt från enskilda hobbyanvändare som kör inferensuppgifter till nystartade företag som utför finjustering i stor skala. GPU-bristen 2024–2026 har gjort detta lager till den mest aktiva delen av DeAI-ekosystemet.
Dataskiktet
Datamängder som behövs för att träna modeller. Decentraliserade datamarknadsplatser gör det möjligt för dataägare att tjäna pengar på sina datamängder utan att behöva avstå från kontrollen. Lagringsnätverk som Filecoin och Arweave lagrar modellvikter, träningsdatamängder och resultat. Volymen är fortfarande blygsam jämfört med centraliserade datamäklare, men infrastrukturen fungerar.
Modellskiktet
Öppna modeller som vem som helst kan köra, finjustera eller modifiera. Träningsnätverk med tokenbaserade incitament, där Bittensor är det mest framstående, belönar deltagare som bidrar med användbara modellförbättringar för specifika uppgifter. Observera att enbart ”öppen vikt” (Metas Llama, Mistrals modeller) inte är DeAI. Det är öppen källkod. DeAI lägger till blockkedjekoordinering och tokenekonomi utöver öppenheten.
Slutsats- och agentlagret
När en modell väl finns måste någon köra den. Decentraliserade inferensnätverk fördelar det arbetet mellan många nodoperatörer. Ovanpå detta ligger AI-agentlagret – autonoma program som agerar på användarens vägnar och i allt högre grad hanterar betalningar i kryptovaluta. Olas och Virtuals Protocol är de mest omtalade projekten inom detta område, och båda befinner sig fortfarande i en mognadsfas.
De viktigaste DeAI-projekten att hålla koll på 2026
DeAI är en kategori, inte en enskild konkurrent till OpenAI. Gruppera projekten efter vad de faktiskt gör.
Blockkedjor och träningsnätverk som är byggda för AI
Bittensor (TAO) är det mest omtalade exemplet. Det driver 128 aktiva ”undernätverk”, där varje nätverk utgör en specialiserad marknadsplats för en specifik AI-uppgift: förträning av språkmodeller, bildinbäddningar, finansiella prognoser, taligenkänning och sökning.
Gruvarbetarna tävlar inom varje delnät om tokenbelöningar baserat på produktionskvaliteten. Under första kvartalet 2026 satsade NVIDIA 420 miljoner dollar i insatser och Polychain Capital tillförde 200 miljoner dollar, vilket innebar att de sammanlagda institutionella inflödena översteg 620 miljoner dollar. Nätverkets intäkter uppgick till 43 miljoner dollar under det senaste kvartalet.
ASI-alliansen
Fetch.ai, SingularityNET, Ocean Protocol och (senare) CUDOS gick samman år 2024 och bildade Artificial Superintelligence Alliance, där man samlade ihop token till FET med planer på att byta namn till ASI. Det fullständiga namnbytet genomfördes aldrig på alla börser, så de flesta handlar fortfarande med FET.
I oktober 2025 drog sig Ocean Protocol formellt ur alliansen på grund av meningsskiljaktigheter kring styrningen. De återstående medlemmarna (Fetch.ai, SingularityNET och CUDOS) fortsätter att leverera produkter, däribland ASI-1 mini, en Web3-inbyggd LLM med 7 miljarder parametrar, samt ett planerat Layer 1 kallat ASI Chain.
Agenter
Olas fokuserar på ekonomin kring autonoma agenter: självständiga program som betalar varandra, samordnar sig och utför uppgifter. Virtuals Protocol fokuserar på AI-agenter för konsumenter, särskilt inom spel och sociala medier. Detta lager är det nyaste och befinner sig fortfarande i en mognadsfas.
Vad som faktiskt är decentraliserat och vad som inte är det
DeAI har både starkt momentum och tydliga brister. En ärlig analys, steg för steg:
Utbildning i Frontier-modellen: fortfarande centraliserad
Att träna en modell i GPT-5-skala kräver hundratals miljoner dollar i samordnad datorkraft, egenutvecklad data och ett centraliserat teknikteam. Inget DeAI-projekt genomför detta i så stor skala, och det kommer inte att ske inom den närmaste framtiden.
Till och med Bittensors största tekniska milstolpe (Covenant AI:s gemensamma förträning med 72 miljarder parametrar i mars 2026) var flera storleksordningar mindre än insatserna vid de ledande forskningslaboratorierna. Covenant lämnade senare nätverket och kallade decentraliseringen för ”teater” på grund av tvister om styrning, vilket påminner om att ”decentraliserad” kan beskriva matematiken utan att beskriva makten.
Datorbehandling: verklig decentralisering
GPU:er är utbytbara, uppdragen är korta och det är enkelt att verifiera resultatet, vilket är anledningen till att utbudet faktiskt har blivit verklighet här. Render hanterar cirka 1,5 miljoner bildrutor per månad; Akash passerade 5 miljoner dollar i datorkostnader under första kvartalet 2026; io.net samlar in GPU:er från över 130 länder. Samma kort som kör ett videospel på kvällen kan köra ett inferensjobb nästa morgon, och kunden behöver inte veta vem som äger det.
Slutsats: genomförbart och på uppgång
Inferensen är tillståndsfri, jobben är små och resultaten är verifierbara – det naturliga nästa steget att decentralisera efter ren beräkningskraft. Nätverken utnyttjar GPU:er från konsument- och spelmarknaden som annars skulle stå oanvända, vilket innebär att en liten modell med öppen vikt som Llama-3-8B ofta kan köras till halva kostnaden jämfört med AWS eller Azure. Skillnaden minskar ju större modellen blir; att driva en modell med 400 miljarder parametrar decentraliserat är fortfarande svårare än på en hyperscaler.
Datamarknadsplatser: fortfarande i sin linda, men redan en realitet
Nätverk som Vana för personuppgifter och Grass för data hämtad från webben visar att decentraliserat datautbyte är tekniskt genomförbart. Den svårare frågan gäller efterfrågan. AI-laboratorier har redan vad de behöver: data hämtad från den öppna webben samt exklusiva direktavtal (Reddit–Google, NYT–OpenAI, Shutterstock). Decentraliserade marknadsplatser löser ett problem på utbudssidan som efterfrågesidan ännu inte har, även om det förändras om träningsdata blir mer omtvistade.
Forskning och utveckling med incitament i form av tokens: verksamhet inom smala nischer
Tokenbelöningar fungerar bra för stegvisa förbättringar av mätbara uppgifter (tal-till-text-noggrannhet, inbäddningskvalitet, jämförelsetester för bildklassificering), och Bittensors subnätverk tar fram konkurrenskraftiga modeller just inom dessa nischer. Det som tokens inte enkelt kan finansiera är banbrytande forskning, som kräver år av tålmodigt kapital, dyra experiment och tolerans för misslyckanden. Bittensors styrningskonflikter väcker också en strukturell fråga: token-anpassad FoU fungerar bara så bra som protokollet runt omkring den.
Slutsats
Den intressanta frågan när det gäller DeAI år 2026 är vilka lager i arkitekturen som håller måttet när granskningen sätter in. Beräkning och inferens utför konkret, mätbart arbete åt betalande kunder.
Marknadsplatser för data och modeller växer, men har ännu inte bevisat sitt värde. Styrningslagret (den del som avgör om begreppet ”decentraliserad” avser matematiken eller makten) fortsätter att ge upphov till kontroverser, såsom Oceans utträde ur ASI Alliance och Coventants utträde ur Bittensor.
DeAI kommer inte att ersätta OpenAI år 2026, och kanske aldrig. Men företaget utvecklar verkliga alternativ i mitten och i ytterkanterna av teknikstacken, och det är ju där de flesta människor så småningom kommer att interagera med AI ändå.
