Ga naar inhoud
  • BTC $62.532 −2,2%
  • ETH $1.753 −1,6%
  • SOL $72,80 +0,4%
  • BNB $578,29 −1,4%
  • XRP $0,9708 +1,0%
  • DOGE $0,0583 −0,3%
  • ADA $0,1509 −1,0%

Frontier Data en Physical AI: de nieuwe goudkoorts van kunstmatige intelligentie (en waarom blockchain onmisbaar wordt)

In de afgelopen tien jaar is kunstmatige intelligentie voornamelijk gegroeid door zich te voeden met dezelfde bron.

In de afgelopen tien jaar is kunstmatige intelligentie voornamelijk gegroeid door zich te voeden met dezelfde bron: openbare gegevens van het web. Teksten, afbeeldingen, documenten, forums, nieuws, blogs, repositories… een enorme hoeveelheid materiaal die de modellen hebben geabsorbeerd om hun taal en cognitieve vaardigheden op te bouwen. Maar deze fase loopt ten einde.

Volgens de projecties geciteerd door Messari, zou de totale hoeveelheid openbare tekst die kan worden gebruikt voor het trainen van modellen—ongeveer 300 biljoen tokens—volledig uitgeput kunnen zijn tussen 2026 en 2032. Dit betekent dat de grote modellen het internet hebben “opgegeten” en nu iets anders nodig hebben. De volgende grens van AI zal niet langer het web zijn: het zal de echte wereld zijn.

En hier komt het concept van frontier data in het spel, de bron die de concurrentiekracht van de modellen van de toekomst zal bepalen. Video-, audio-, sensorische, motorische, robotische gegevens, actiegegevens, gegevens gegenereerd door interactie met de fysieke wereld of met complexe digitale interfaces. Gegevens die niet eenvoudigweg kunnen worden gedownload: ze moeten worden verzameld, gecoördineerd, geverifieerd en vooral gestimuleerd.

Daarom is de blockchain geen detail of een marginale toevoeging: het is de infrastructuur die het mogelijk maakt deze nieuwe data-economie te orkestreren.


Het einde van “web scraping” en het begin van gegevens met zeer hoge waarde

De meest geavanceerde modellen van 2025—niet alleen taalkundig, maar ook multimodaal, agentisch en gericht op redenering—verbeteren niet langer met de eenvoudige toevoeging van generieke tekstuele datasets. Ze hebben iets veel specifieker en veel duurder nodig om te verzamelen: gegevens die acties, intenties, beweging, interactie, manipulatie, context weerspiegelen.

Dit is bijvoorbeeld het geval bij computer-use agents, de AI’s die direct met de computer kunnen interageren zoals een mens dat zou doen. Om deze systemen te trainen zijn tekstuele beschrijvingen niet voldoende: er zijn “trajecten” nodig, oftewel echte opnames van mensen die taken op het scherm uitvoeren.

Een protocol zoals Chakra, genoemd in het rapport, heeft een extensie ontwikkeld die gebruikers in staat stelt hun scherm op te nemen terwijl ze dagelijkse taken uitvoeren: navigeren in een beheersysteem, een Excel-document voorbereiden, afbeeldingen bewerken, professionele software gebruiken. Deze opnames worden uiterst waardevol materiaal voor het trainen van modellen zoals GLADOS-1, het eerste computergebruikmodel dat bijna volledig is gebouwd op crowdsourced data.

En dat is precies het punt: deze gegevens bestaan niet totdat iemand ze produceert. En ze moeten worden betaald. Net zoals je betaalt voor energie of inference.


De groeiende waarde van Gameplay-Action Pairs

Een ander duidelijk voorbeeld komt uit de gamingwereld. Een platform zoals Shaga, ontstaan als een gedecentraliseerd cloud gaming-netwerk, produceert een uiterst waardevol bijproduct: de zogenaamde Gameplay-Action Pairs (GAP), oftewel gesynchroniseerde paren van wat er op het scherm gebeurt en de commando’s die de speler geeft.

Het gaat om gegevens die niet eenvoudigweg kunnen worden verkregen door video’s op YouTube te bekijken: ze moeten bij de bron worden vastgelegd, op het apparaat van de speler. En dit soort dataset kan, volgens schattingen gerapporteerd door Messari, tot 50–100 dollar per uur aan gameplay waard zijn.

Om het in context te plaatsen: Shaga heeft al meer dan 259.000 uur aan gameplay verzameld, met een geschatte waarde van meer dan 26 miljoen dollar. En het is geen toeval dat OpenAI, een jaar eerder, een half miljard heeft geboden om Medal over te nemen, een vergelijkbaar platform dat zich specifiek richt op gameplay-opnames.

Deze gegevens worden gebruikt om world models te trainen, modellen die niet alleen taal interpreteren, maar ook fysica, causaliteit en de interactie tussen agent en omgeving simuleren. Dit zijn de modellen die intelligentere robots, autonome agenten, geavanceerde voorspellingssystemen en AI die zich in complexe omgevingen kan “bewegen” mogelijk zullen maken.


Physical AI: de intelligentie die de fysieke wereld binnentreedt

En het is precies hier dat we aankomen bij de tweede grote golf van frontier data: de robotgegevens.

De AI van de toekomst zal niet alleen in datacenters leven. Het zal leven in robots, drones, autonome auto’s, gedistribueerde sensoren, slimme huishoudelijke apparaten. Elke robot zal gegevens nodig hebben om te leren bewegen, objecten te identificeren, beslissingen te nemen, omgevingen te manipuleren. En deze gegevensverzameling is ongelooflijk kostbaar: het vereist fysieke hardware, menselijke operators voor teleoperatie, onderhoud en voortdurende coördinatie.

Projecten zoals PrismaX, BitRobot, GEODNET en NATIX beginnen gebruik te maken van de incentive-mechanismen die kenmerkend zijn voor Web3 om deze kosten te verdelen over een wereldwijd netwerk van bijdragers. In plaats van dat één enkel bedrijf robotgegevens verzamelt, kunnen duizenden gebruikers dit gecoördineerd doen en directe beloningen ontvangen.

Het is dezelfde logica als bij mining: maar in plaats van rekenkracht, is hier de bijdrage de echte data.


Machine-to-machine coördinatie: wanneer AI in de echte wereld handelt

Als robots en AI-agenten daadwerkelijk beginnen te interageren met de fysieke wereld, is er een geheel nieuw niveau van coördinatie nodig. De robots zullen moeten:

  • zich onderling identificeren,
  • betalingen verhandelen,
  • diensten kopen,
  • data verbruiken,
  • taken op een verifieerbare manier uitvoeren,
  • aantonen dat een actie is uitgevoerd,
  • vertrouwen op gedeelde registers van identiteit en reputatie.

Hier komen initiatieven zoals OpenMind en Peaq naar voren, die proberen een onchain infrastructuur te bouwen gewijd aan de communicatie en identiteit van robots. Een equivalent van het DNS, maar dan voor machines. Een systeem waar drones, autonome auto’s, robotarmen of industriële systemen hun aanwezigheid kunnen melden, hun acties kunnen certificeren, andere systemen kunnen betalen en diensten kunnen uitwisselen.

Het is het begin van de machine economy, een economie bevolkt door niet-menselijke entiteiten die autonoom interageren op gedecentraliseerde netwerken.


Gecertificeerde echte data: de rol van IoTeX en DePIN-netwerken

Het rapport besteedt ook veel aandacht aan IoTeX, een protocol dat in de afgelopen jaren zijn infrastructuur heeft omgevormd tot een compleet platform voor het verzamelen, certificeren en orkestreren van echte gegevens.

IoTeX maakt het mogelijk om sensoren, IoT-apparaten, huishoudelijke systemen en industriële apparaten te verbinden, en biedt:

  • een geverifieerde onchain-identiteit voor elk apparaat,
  • een systeem voor gegevensaggregatie,
  • een niveau van cryptografische attestatie via ZK,
  • API die AI-agenten in staat stellen om die gegevens in real-time te gebruiken.

Vandaag coördineert IoTeX meer dan 16.000 apparaten en tientallen verticale projecten, waardoor AI-agenten toegang krijgen tot geverifieerde gegevens uit de echte wereld. Een enorm verschil vergeleken met simpelweg scraping.


Het eindpunt: data als financieel actief

Volgens Messari is de koers duidelijk: data wordt in alle opzichten een financiële hulpbron. Net zoals men vandaag kan investeren in compute, GPU en colocatie, zal het in de toekomst mogelijk zijn om te investeren in “dataflows”, gebruiksrechten te kopen, netwerken te ondersteunen die frontier data verzamelen en in ruil daarvoor economische rendementen te behalen.

Het is een bijna onvermijdelijke evolutie: als data schaars, waardevol en moeilijk te produceren wordt, zal het een markt, een prijs, een vraag en een aanbod hebben.

De blockchain is wederom de ideale laag voor:

  • deze economie coördineren,
  • de integriteit ervan verifiëren,
  • de herkomst traceren,
  • de vergoedingen verdelen,
  • gebruikers beschermen,
  • ondersteunen van wereldwijde schaalbaarheid.

Conclusie

AI zal niet vooruitgaan door steeds grotere modellen, maar door steeds rijkere data, afkomstig uit de echte wereld en verzameld via wereldwijde netwerken van bijdragers. Het is de grootste goudkoorts van het komende decennium: niet die van de chips, maar die van de data.

Web3-protocollen zijn geen detail: ze vormen het natuurlijke platform voor het verzamelen, verifiëren, distribueren en compenseren van degenen die deze gegevens leveren. Als het web de grondstof was van de eerste AI-golf, zal de echte wereld de grondstof zijn van de tweede.

En dit keer, voor de eerste keer, zal de verzameling niet worden beheerst door enkele giganten, maar door de netwerken.

Open, stimulerende, gedecentraliseerde netwerken: de nieuwe infrastructuur van frontier data.

Francesco Antonio Russo

Alle artikelen van Francesco Antonio Russo