Para ahli mengatakan bahwa Zk Proofs memberikan keunggulan bagi DePINs seiring meningkatnya tuntutan akan kepercayaan terhadap AI

Patokan $7,6 Triliun

Laporan terbaru Goldman Sachs mengalihkan perdebatan dari apakah permintaan kecerdasan buatan (AI) ada menjadi faktor-faktor sisi pasokan mana yang akan menentukan biaya aktual pembangunan. Laporan tersebut memproyeksikan pengeluaran modal AI sebesar $7,6 triliun sebagai patokan, namun menekankan bahwa angka ini sangat sensitif terhadap "variabel fluktuatif," termasuk masa pakai chip AI.

Umur pakai ini dianggap sebagai faktor paling kritis karena inovasi cepat dapat membuat chip standar—yang biasanya bertahan empat hingga enam tahun—menjadi usang dalam tiga tahun, menyebabkan biaya melonjak. Sebaliknya, model berjenjang di mana chip lama digunakan kembali untuk tugas-tugas sederhana, seperti inferensi, dapat menstabilkan biaya.

Kompleksitas pusat data dan elastisitas permintaan komputasi merupakan variabel lain yang kemungkinan besar memengaruhi besaran modal yang dikeluarkan untuk infrastruktur AI dalam lima tahun ke depan. Kekurangan kapasitas jaringan listrik, tenaga kerja khusus, dan peralatan listrik juga dianggap sebagai faktor yang memperlambat pembangunan infrastruktur.

Sebuah laporan terpisah, sementara itu, menggambarkan pengeluaran infrastruktur yang luar biasa ini sebagai landasan dari "ekonomi mesin" yang sedang berkembang. Dalam paradigma ini, agen AI menjadi aktor ekonomi utama, melaksanakan transaksi berfrekuensi tinggi dan mengelola alokasi sumber daya secara mandiri. Penulis laporan tersebut berpendapat bahwa sistem keuangan warisan, yang ditandai dengan siklus penyelesaian yang lambat dan kerangka kerja "kenali pelanggan Anda" (KYC) yang kaku, pada dasarnya tidak siap menghadapi kecepatan perdagangan agen.

Infrastruktur Terdesentralisasi dan Kompromi Latensi

Akibatnya, laporan ini menempatkan kripto dan protokol terdesentralisasi sebagai "jalur ekonomi" yang esensial dan tanpa izin yang diperlukan untuk memfasilitasi pergeseran ini. Namun, para skeptis tetap waspada, mempertanyakan apakah jaringan infrastruktur fisik terdesentralisasi (DePINs) benar-benar dapat mengatasi kebutuhan modal AI yang terus membengkak.

Vadim Taszycki, kepala pertumbuhan di StealthEX, mencatat bahwa meskipun jaringan terdesentralisasi dapat menawarkan penghematan biaya yang signifikan, mereka menghadapi batasan fisik. Meskipun penyedia terdesentralisasi seperti Akash mungkin menyewa GPU H100 seharga $1,48 per jam dibandingkan dengan $12,30 di Amazon Web Services, pertukarannya adalah kecepatan.
"Penyedia cloud besar dapat melakukannya [fast work] karena GPU mereka berada berdampingan dalam satu gedung, terhubung oleh kabel khusus yang mentransfer data dalam hitungan mikrodetik," kata Taszycki. Ia menjelaskan bahwa jaringan terdesentralisasi, yang menghubungkan GPU di berbagai negara melalui internet publik, menambah penundaan dalam hitungan milidetik. Latensi ini membuat orkestrasi terdesentralisasi kompetitif untuk tugas batch dan penyempurnaan model, tetapi tidak cocok untuk melayani chatbot skala besar yang beroperasi secara real-time, di mana pengalaman pengguna bergantung pada respons yang hampir instan.

Leo Fan, pendiri Cysic, sependapat dengan hal ini, menegaskan bahwa inferensi terdesentralisasi tidak cocok untuk beban kerja dengan latensi rendah. Namun, Fan berargumen bahwa latensi bukanlah tolok ukur yang tepat untuk membandingkan platform terdesentralisasi dan penyedia layanan hyperscale seperti AWS.

"Masalah yang sulit bukanlah komputasi terdistribusi, melainkan penemuan, penjadwalan, dan pengesahan. Perbedaannya bukanlah harga per token; melainkan verifikasi," kata Fan. Dia mencatat bahwa lingkungan eksekusi tepercaya (TEE) dan pengesahan zero-knowledge (ZK) memungkinkan jaringan terdesentralisasi bersaing di sektor-sektor di mana kepercayaan dan verifikasi lebih penting daripada "latensi ekor."

Kredit On-chain dan Kesenjangan Pendanaan

Di luar komputasi, fokus kini beralih ke cara pendanaan proyek-proyek yang membutuhkan modal besar ini. Meskipun kredit swasta tradisional memiliki modal yang melimpah, seringkali mereka mengabaikan transaksi yang lebih kecil atau tidak standar. Kredit on-chain menawarkan keunggulan tersendiri, seperti memungkinkan investor ritel berpartisipasi dalam pendapatan pusat data yang sebelumnya terbatas pada mitra terbatas institusional. Selain itu, platform seperti Maple dan Centrifuge dapat mensindikasikan pinjaman dalam kisaran $5 juta hingga $50 juta—rentang yang sering diabaikan oleh firma seperti Apollo karena biaya underwriting yang tinggi dibandingkan dengan biaya.
Akhirnya, kredit on-chain memfasilitasi model "pay-per-inference" yang inovatif, di mana pendapatan berfluktuasi sesuai dengan penggunaan GPU. Model-model ini lebih cocok dengan struktur pembagian pendapatan yang ditokenisasi daripada sewa tradisional yang kaku selama 20 tahun.

Meskipun memiliki potensi ini, para ahli mengidentifikasi empat "hambatan" yang masih menghalangi adopsi institusional: penegakan hukum di pengadilan kepailitan, kurangnya infrastruktur oracle yang tahan manipulasi untuk memenuhi perjanjian, ketidakpastian regulasi untuk tranche bernilai miliaran dolar, serta produk perpajakan dan akuntansi yang belum terstandarisasi.

Konsensus menunjukkan jadwal realistis 12 hingga 24 bulan bagi transaksi sindikasi menengah untuk mendapatkan daya tarik di blockchain, dengan utang mezzanine mayoritas di blockchain kemungkinan baru terwujud dalam tiga hingga lima tahun ke depan. Terobosan pertama kemungkinan akan datang dari operator Tier 2, bukan dari pemimpin industri seperti Coreweave.