Ga naar inhoud
  • BTC $58.476 −6,1%
  • ETH $1.605 −9,0%
  • SOL $68,12 −7,1%
  • BNB $534,83 −8,2%
  • XRP $0,8941 −7,3%
  • DOGE $0,0531 −9,3%
  • ADA $0,1393 −8,6%

Waarom de vraag naar inference explodeert en wat dit betekent voor gedecentraliseerde computernetwerken

Gedecentraliseerde rekennetwerken (DCN) bundelen miljoenen GPU's die wereldwijd verspreid zijn voor AI-inferentie.

reti di calcolo decentralizzate

In de afgelopen twee jaar heeft kunstmatige intelligentie zijn zwaartepunt verlegd. Waar in 2022–2023 alles draaide om de grote modellen en hun training, wordt de echte strijd vandaag de dag niet meer gevoerd in de opbouw van de modellen, maar in hun voortdurende uitvoering, in het vermogen om dagelijks op miljarden queries te reageren. Het is de oorlog van de inference, en die is veel belangrijker dan het lijkt.

Messari zegt het duidelijk in zijn rapport “State of AI 2025”: tegen 2030 zal inference tussen de 50% en 75% van de wereldwijde vraag naar rekenkracht vertegenwoordigen. Een dermate hoge drempel dat het de geografie van de AI-infrastructuur volledig zal hertekenen.

Vandaag, elke keer dat een gebruiker ChatGPT opent, een afbeelding genereert, om advies vraagt, een tekst analyseert, een agent vraagt om op het web te surfen of een beslissing te nemen: verbruikt hij inference. En hetzelfde gebeurt voor duizenden AI-agenten die continu operaties op de achtergrond uitvoeren, zonder dat iemand hen ziet.

Het resultaat is een rekenverbruik dat verticaal groeit, ver boven wat nodig is om de modellen zelf te trainen.

De nieuwe druk: echte gebruikers, echte interacties

De redenen voor deze groei zijn talrijk, maar ze komen allemaal samen in één richting: AI is nu een massadienst. Gebruikers beperken zich niet langer tot experimenteren; ze gebruiken AI dagelijks, langdurig en op steeds complexere manieren.

De sessies van ChatGPT zijn langer en complexer geworden: volgens de gegevens van Messari is de tijd die aan de modellen wordt besteed in een jaar verdubbeld, en de gemiddelde duur van een enkele sessie is met 75% gestegen. Het is een zeer duidelijk signaal: AI is niet langer een “occasionele” assistent, maar een echte operationele omgeving waar de gebruiker langer blijft, met uitgebreidere en meer token-intensieve verzoeken.

Hieraan toegevoegd is de explosie van de AI-consument. In 2024 hebben apps van kunstmatige intelligentie de grens van een miljard downloads overschreden, met een groei van meer dan 100% op jaarbasis. ChatGPT heeft nu meer dan 700 miljoen wekelijkse gebruikers, terwijl Gemini, Copilot en Claude vergelijkbare groeipercentages vertonen. Het is een voortdurende stroom van verzoeken die zich vertaalt in rekenkracht, en dus in kosten.

De factor “reasoning”: slimme modellen kosten veel meer

Om alles nog zwaarder te maken, is er de opkomst van modellen gericht op “reasoning”, die zich niet beperken tot het aanvullen van zinnen, maar proberen te redeneren, uitleggen, plannen. Deze modellen verbruiken tot tien keer meer tokens om dezelfde vraag te beantwoorden in vergelijking met een traditioneel model.

Als je daarbij optelt dat de sector inmiddels post-training technieken heeft aangenomen die gebaseerd zijn op reinforcement learning — zoals aangetoond door DeepSeek — neemt de druk op de compute verder toe. Reinforcement learning genereert duizenden iteraties voor elk afzonderlijk probleem, waardoor het rekenverbruik op industriële schaal wordt vermenigvuldigd.

Met andere woorden: hoe intelligenter AI wordt, hoe duurder het wordt om te laten functioneren.

Het kostenprobleem: inference is de nieuwe “harde kern” van AI geworden

Er is een punt dat vaak wordt onderschat: de training is een enorme kostenpost, maar het is een eenmalige kostenpost. Zodra het model is getraind, bestaat het. De inference daarentegen is een doorlopende, oneindige kostenpost, evenredig aan het aantal gebruikers, agenten en applicaties die het gebruiken.

Voor de grote laboratoria — OpenAI, Anthropic, Google — is inference de dominante kostenpost geworden. En deze dynamiek creëert ruimte voor een stille revolutie die het crypto-ecosysteem van zeer dichtbij aangaat.

Open-source verandert het evenwicht: kleinere, snellere en veel goedkopere modellen

Terwijl de propriëtaire modellen blijven groeien in omvang en complexiteit, verkleint open-source snel de kloof. Volgens de benchmark Artificial Analysis, aangehaald door Messari, is het verschil tussen de beste closed en open grootschalige modellen tegenwoordig verrassend klein, vooral wanneer men kijkt naar de kosten.

Een open model met 120 miljard parameters kost tot 90% minder in inference vergeleken met ChatGPT-5, met een al met al marginale capaciteitsverlies.

Maar de echte revolutie betreft de small en mid-size modellen, tussen de 4 en 40 miljard parameters. Vandaag de dag zijn veel van deze modellen in staat om complexe taken op te lossen, zelfs wanneer ze draaien op een enkele consumentengraad GPU zoals een RTX 4090 of 5090. Dit betekent dat de inference niet langer gecentraliseerd hoeft te zijn in gigantische datacenters: het kan worden gedistribueerd.

En hier vindt de wereld van de gedecentraliseerde AI zijn natuurlijke terrein.

De opkomst van gedecentraliseerde computernetwerken (DCN): een nieuwe economie van berekeningen

De gedecentraliseerde rekennetwerken (DCN) — zoals Render, Akash, io.net, Aethir, Hyperbolic, EigenCloud en Exabits — aggregeren miljoenen GPU’s verspreid over de hele wereld. Jarenlang hebben deze netwerken moeite gehad om een echte markt te vinden: het trainen van grote modellen was simpelweg te complex vanwege de latentie en de voortdurende uitwisseling van informatie tussen GPU’s.

Maar de inference is een ander verhaal.

Inference vereist veel minder horizontale communicatie, kan op een sterk parallelle manier worden uitgevoerd en kan gebruikmaken van heterogene hardware. Het heeft geen perfecte en super-gesynchroniseerde clusters nodig. Het is een ideale taak voor duizenden verspreide nodes, vooral nu kleinere modellen verrassend krachtig worden.

Deze keer is de markt er echt. En Messari noemt het de eerste, echte “product-market fit” van de hele deAI-sector.

De Fortytwo-case: zwermintelligentie als praktische demonstratie

Onder de meest interessante innovaties noemt het rapport Fortytwo Network, een netwerk dat kleine modellen coördineert die op de laptops van gebruikers zijn geïnstalleerd. Deze modellen werken samen als een zwerm: elk model beantwoordt dezelfde vraag, beoordeelt vervolgens de antwoorden van de anderen, en uiteindelijk produceert het netwerk een geoptimaliseerd antwoord gebaseerd op consensus.

Het mechanisme genereert krediet, reputatie en beloningen onchain. En het is zo efficiënt dat Fortytwo erin is geslaagd om datasets volledig gegenereerd door de swarm te produceren en een gespecialiseerd model in Rust na te trainen, met resultaten die superieur zijn aan veel grotere modellen.

Het is een concreet voorbeeld van hoe decentralisatie niet alleen wenselijk is, maar al concurrerend.

De kwestie van verificatie: het onmisbare onderdeel voor gedecentraliseerde inference

Elke keer dat een verzoek wordt uitgevoerd op een gedistribueerde node, rijst er een cruciale vraag: hoe kan men zeker zijn dat het resultaat correct is? Hier speelt crypto een beslissende rol.

Messari analyseert drie momenteel dominante benaderingen:

  • zero-kennisbewijzen (zkML), traag maar uiterst veilig;
  • de optimistische systemen, waar het resultaat als geldig wordt beschouwd tenzij er een challenge is;
  • de hardware-enclaves (TEE), sneller maar gebaseerd op hardwarevertrouwen.

Onder de pioniers in de sector wordt EigenCloud genoemd, die een deterministische en verifieerbare inference op de markt brengt, compatibel met de API’s van OpenAI en al gebruikt voor agent frameworks van Coinbase en Google.

Verificatie is geen technisch detail: het is wat AI geschikt maakt voor financiën, gezondheid, governance en autonome transacties. Het is de brug tussen AI en Web3.

De toekomst: een economie van agenten die continu rekenkracht verbruiken

De conclusie van het rapport is duidelijk: de toekomst van AI zal niet worden gedomineerd door de grootste modellen, maar door degenen die de inference op de meest schaalbare, economische en verifieerbare manier kunnen aanbieden. Als menselijke gebruikers vandaag de dag miljoenen verzoeken genereren, zullen autonome agenten er morgen miljarden genereren. En elk van deze verzoeken zal een berekeningskost met zich meebrengen.

Op dat punt zullen de decentralized compute networks niet langer een experimenteel alternatief zijn: ze zullen een economische noodzaak worden.

Conclusie

We betreden het tijdperk van inference, niet van training.
Een tijdperk waarin de vraag onbeperkt groeit, waarin berekeningen niet langer een geïsoleerde investering zijn maar een continue stroom, en waarin miljoenen modellen — groot of klein — elke seconde moeten worden bediend.

En het is precies hier, in deze enorme economische ruimte, dat de crypto-wereld zijn meest natuurlijke rol vindt: die van het coördineren, verifiëren, distribueren en economiseren van de rekenkracht die nodig is om een steeds intelligenter wordende samenleving te ondersteunen.

Francesco Antonio Russo

Alle artikelen van Francesco Antonio Russo