XYO’s Markus Levin: Por que uma L1 nativa de dados poderia tornar-se a espinha dorsal do “prova de origem” da IA

No episódio mais recente do SlateCast, o cofundador da XYO, Markus Levin, juntou-se aos anfitriões da CryptoSlate para explicar por que razão as redes de infraestruturas físicas descentralizadas (DePIN) estão a avançar para além de experiências nicho — e por que a XYO construiu uma Layer-1 concebida especificamente para lidar com o tipo de dados que a IA e as aplicações do mundo real exigem cada vez mais.

A ambição de Levin para a rede é clara e direta: “Primeiro, acho que a XYO vai ter oito mil milhões de nós”, disse, referindo-se a uma meta ambiciosa — mas que, segundo ele, corresponde ao rumo para onde a categoria está a caminhar.

A tese das DePIN: “todos os cantos do mundo”

Levin apresentou as DePIN como uma mudança estrutural na forma como os mercados coordenam a infraestruturas físicas, apontando para expectativas de crescimento rápido para o sector. Ele citou uma projeção do Fórum Económico Mundial de que as DePIN poderiam expandir-se dos cerca de dezenas de mil milhões de hoje para biliões até 2028.

Para a XYO, a escala não é hipotética. Um dos anfitriões referiu que a rede cresceu “com mais de 10 milhões de nós”, preparando o terreno para uma conversa menos centrada em “e se” e mais no que se quebra quando o volume de dados do mundo real passa a ser o produto.

Prova de origem para IA: o problema dos dados, não apenas o cálculo

Quando questionado sobre deepfakes e a queda de confiança na comunicação social, Levin argumentou que o gargalo da IA não é apenas a computação — é a proveniência. “Ao passo que, nas DePIN, o que vocês podem fazer é, ah, provar de onde vêm os dados”, disse, delineando um modelo em que os dados podem ser verificados ponta a ponta, rastreados até pipelines de treino e consultados quando os sistemas precisam de verdade factual.

Na sua perspetiva, a proveniência cria um ciclo de feedback: se um modelo for acusado de alucinar, pode verificar se o input subjacente é proveniente de forma verificável — ou solicitar novos dados específicos a uma rede descentralizada em vez de fazer scraping de fontes pouco fiáveis.

Porque é que uma Layer-1 nativa de dados importa

A XYO passou anos a tentar não construir uma cadeia, disse Levin — funcionando como middleware entre sinais do mundo real e contratos inteligentes. Mas “ninguém a construiu”, e o volume de dados da rede forçou a questão.

Ele explicou o objetivo do desenho de forma simples: “A blockchain não pode inchar… e foi feita mesmo para dados.”

A abordagem da XYO centra-se em mecanismos como Proof of Perfect e restrições do tipo “lookback”, destinadas a manter os requisitos dos nós leves, mesmo à medida que os conjuntos de dados crescem.

Onboarding COIN: transformar utilizadores não cripto em nós

Um dos principais impulsionadores de crescimento tem sido a app COIN, que Levin descreveu como uma forma de transformar telemóveis em nós da rede XYO.

Em vez de empurrar os utilizadores para uma volatilidade de tokens imediata, a app usa pontos indexados a dólares e opções de resgate mais amplas — e depois faz a ponte dos utilizadores para os rails de cripto ao longo do tempo.

Modelo de token duplo: alinhar incentivos com XL1

Levin disse que o sistema de token duplo foi concebido para separar recompensas de ecossistema/segurança dos custos da atividade na cadeia. “Estamos extremamente entusiasmados com este sistema de token duplo”, disse, descrevendo $XYO como o ativo externo de staking/governação/segurança e $XL1 como o token interno de gas/transações utilizado na XYO Layer One.

Parceiros do mundo real: cobrar infraestruturas e dados POI ao nível de mapeamento

Levin apontou novas parcerias como um primeiro “killer app” dentro do ecossistema DePIN mais amplo, citando um acordo com Piggycell — uma grande rede de carregamento sul-coreana que precisa de prova de localização e planeia tokenizar dados na XYO Layer One.

Ele também descreveu um caso de uso separado de prova de localização envolvendo conjuntos de dados de pontos de interesse (horas, fotografias, informação do local), afirmando que um grande parceiro de geolocalização encontrou problemas no próprio conjunto de dados “em 60% dos casos”, enquanto os dados provenientes da XYO estavam “99,9% corretos”, permitindo mapeamento a jusante para grandes empresas.

No conjunto, a mensagem de Levin foi consistente: se a IA e as RWAs precisam de inputs fiáveis, o próximo patamar competitivo poderá ser menos sobre modelos mais rápidos — e mais sobre pipelines de dados verificáveis ancoradas no mundo real.