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 do CryptoSlate para explicar por que razão as redes de infraestruturas físicas descentralizadas (DePIN) estão a ultrapassar experiências de nicho — e por que a XYO construiu uma Layer-1 especificamente desenhada 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 direta: “Em primeiro lugar, acho que a XYO vai ter oito mil milhões de nós”, disse ele, referindo-se a isso como uma meta ambiciosa — mas que ele acredita corresponder ao rumo para onde a categoria está a avançar.

A tese das “cada esquina do mundo” para a DePIN

Levin apresentou a DePIN como uma mudança estrutural na forma como os mercados coordenam infraestruturas físicas, apontando para expectativas de crescimento rápido para o setor. Ele referiu uma projeção do World Economic Forum segundo a qual a DePIN poderia expandir-se de cerca das dezenas de mil milhões atuais para biliões até 2028.

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

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

Quando lhe perguntaram sobre deepfakes e o colapso da confiança na comunicação social, Levin argumentou que o gargalo da IA não é apenas a computação — é a proveniência. “Enquanto na DePIN, o que vocês conseguem fazer é, hum, provar de onde vêm os dados”, disse ele, descrevendo um modelo em que os dados podem ser verificados de ponta a ponta, acompanhados até às cadeias 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 a entrada subjacente tem origem verificável — ou pedir novos dados específicos a uma rede descentralizada, em vez de fazer scraping de fontes pouco fiáveis.

Por que razão uma Layer-1 nativa de dados é importante

A XYO passou anos a tentar não construir uma cadeia, disse Levin — operando como middleware entre sinais do mundo real e contratos inteligentes. Mas “ninguém construiu isso”, 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 construída, na verdade, para dados.”

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

Onboarding COIN: transformar utilizadores não-cripto em nós

Uma alavanca-chave 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 imediata do token, a app usa pontos indexados ao dólar e opções mais amplas de resgate — e depois integra os utilizadores nas infraestruturas cripto ao longo do tempo.

Modelo de tokens duplos: alinhar incentivos com a XL1

Levin disse que o sistema de tokens duplos foi desenhado para separar as recompensas/segurança do ecossistema dos custos de atividade na cadeia. “Estamos extremamente entusiasmados com este sistema de tokens duplos”, disse ele, descrevendo $XYO como o ativo externo de staking/governação/segurança e $XL1 como o token interno de gas/transações usado na XYO Layer One.

Parceiros do mundo real: cobrar infraestrutura e dados de POI em nível de mapeamento

Levin apontou novas parcerias como impulso inicial de “killer app” dentro do ecossistema DePIN mais amplo, citando um acordo com a 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 parceiro importante de geolocalização encontrou problemas no seu próprio conjunto de dados “em 60% dos casos”, enquanto os dados obtidos via XYO eram “99,9% corretos”, permitindo o mapeamento a jusante para grandes empresas.

No conjunto, a mensagem de Levin foi consistente: se a IA e as RWAs precisam de entradas fiáveis, a próxima fronteira competitiva pode ser menos sobre modelos mais rápidos — e mais sobre pipelines de dados verificáveis ancorados no mundo real.