Especialistas afirmam que as provas ZK conferem vantagem aos DePINs à medida que crescem as exigências de confiança em IA

A linha de base de US$ 7,6 trilhões

Um relatório recente do Goldman Sachs muda o debate de se existe demanda por inteligência artificial (IA) para quais fatores do lado da oferta determinarão o custo real da implantação. O relatório projeta US$ 7,6 trilhões em despesas de capital com IA como base, mas enfatiza que esse valor é altamente sensível a “variáveis de oscilação”, incluindo a vida útil dos chips de IA.

Essa longevidade é vista como o fator mais crítico, pois a rápida inovação poderia tornar os chips padrão — que normalmente duram de quatro a seis anos — obsoletos em três anos, fazendo com que os custos disparem. Por outro lado, um “modelo em camadas”, no qual chips mais antigos são reutilizados para tarefas mais simples, como inferência, poderia estabilizar os custos.

A complexidade dos data centers e a elasticidade da demanda computacional são outras variáveis que provavelmente afetarão o montante de capital gasto em infraestrutura de IA nos próximos cinco anos. A escassez de capacidade da rede elétrica, mão de obra especializada e equipamentos elétricos também é vista como fatores que prolongam a construção.

Um relatório separado, por sua vez, enquadra esses gastos impressionantes com infraestrutura como a pedra angular de uma “economia de máquinas” emergente. Nesse paradigma, os agentes de IA tornam-se os principais atores econômicos, executando transações de alta frequência e gerenciando a alocação de recursos de forma independente. Os autores do relatório argumentam que os sistemas financeiros legados, caracterizados por ciclos de liquidação lentos e estruturas rígidas de “conheça seu cliente” (KYC), estão fundamentalmente mal equipados para a velocidade do comércio mediado por agentes.

Infraestrutura descentralizada e o trade-off da latência

Consequentemente, ele posiciona as criptomoedas e os protocolos descentralizados como os “trilhos econômicos” essenciais e sem permissão necessários para facilitar essa mudança. No entanto, os céticos permanecem cautelosos, questionando se as redes de infraestrutura física descentralizada (DePINs) podem realmente mitigar as crescentes necessidades de capital da IA.

Vadim Taszycki, diretor de crescimento da StealthEX, observa que, embora as redes descentralizadas possam oferecer economias significativas, elas enfrentam limitações físicas. Enquanto um provedor descentralizado como a Akash pode alugar uma GPU H100 por US$ 1,48 por hora, em comparação com US$ 12,30 na Amazon Web Services, o compromisso é a velocidade.
"Os grandes provedores de nuvem conseguem fazer isso [fast work] porque suas GPUs ficam lado a lado em um único prédio, conectadas por cabos especiais que transferem dados em microssegundos”, disse Taszycki. Ele explicou que as redes descentralizadas, que conectam GPUs em diferentes países por meio da internet pública, adicionam milissegundos de atraso. Essa latência torna a orquestração descentralizada competitiva para tarefas em lote e ajustes finos, mas inadequada para atender chatbots em tempo real de grande escala, onde a experiência do usuário depende de respostas quase instantâneas.

Leo Fan, fundador da Cysic, concordou com essas observações, insistindo que a inferência descentralizada é inadequada para cargas de trabalho de baixa latência. Fan argumentou, no entanto, que a latência é o parâmetro errado para comparar plataformas descentralizadas e hiperescaladores como a AWS.

“O problema difícil não é a computação distribuída, mas a descoberta, o agendamento e a certificação. O ponto de discórdia não é o preço por token; é a verificabilidade”, disse Fan. Ele observou que os ambientes de execução confiáveis (TEEs) e as certificações de conhecimento zero (ZK) permitem que redes descentralizadas concorram em setores onde a confiança e a verificação importam mais do que a “latência residual”.

Crédito on-chain e o déficit de financiamento

Além da computação, o foco está mudando para como esses projetos de capital intensivo são financiados. Embora o crédito privado tradicional disponha de capital abundante, ele frequentemente ignora negócios menores ou não padronizados. O crédito on-chain oferece vantagens distintas, como permitir que investidores de varejo participem da receita de data centers que antes era restrita a sócios limitados institucionais. Além disso, plataformas como Maple e Centrifuge podem sindicalizar empréstimos na faixa de US$ 5 milhões a US$ 50 milhões — um patamar frequentemente ignorado por empresas como a Apollo devido aos altos custos de subscrição em relação às taxas.

Por fim, o crédito on-chain possibilita novos modelos de “pagamento por inferência”, nos quais a receita flutua de acordo com o uso da GPU. Tais modelos se encaixam mais naturalmente em estruturas tokenizadas de participação nos lucros do que nos rígidos contratos de locação tradicionais de 20 anos.

Apesar desse potencial, especialistas identificam quatro “barreiras” que permanecem fechadas para a adoção institucional: a aplicabilidade legal em tribunais de falências, a falta de infraestrutura de oráculos invioláveis para o cumprimento de cláusulas contratuais, a incerteza regulatória para tranches de bilhões de dólares e produtos tributários e contábeis não padronizados.

O consenso sugere um prazo realista de 12 a 24 meses para que negócios sindicalizados de médio porte ganhem força na cadeia de blocos, com a dívida mezanina majoritariamente na cadeia de blocos provavelmente levando de três a cinco anos para se concretizar. Os primeiros avanços provavelmente virão de operadoras de nível 2, em vez de líderes do setor como a Coreweave.