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 as redes de infraestruturas físicas descentralizadas (DePIN) estão a ultrapassar experiências de nicho—e por que a XYO construiu uma Layer-1 dedicada para lidar com o tipo de dados que a IA e as aplicações no mundo real exigem cada vez mais.

A ambição de Levin para a rede é direta: “Primeiro, eu acho que a XYO vai ter oito mil milhões de nós”, disse ele, chamando-lhe uma meta ambiciosa—mas uma meta que acredita corresponder ao rumo para onde a categoria está a avançar.

A tese das “todas as esquinas do mundo” da DePIN

Levin enquadrou a DePIN como uma mudança estrutural na forma como os mercados coordenam infraestruturas físicas, apontando para expectativas de crescimento rápido para o setor. Ele citou uma projeção do World Economic Forum segundo a qual a DePIN poderia expandir-se de cerca de dezenas de milhares de milhões hoje 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 focada menos no “e se” e mais no que quebra quando o volume de dados do mundo real se torna o produto.

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

Questionado 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 pode fazer é, ah, 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 veracidade como base.

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

Por que uma Layer-1 nativa de dados importa

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 obrigou à questão.

Ele explicou o objetivo de design de forma simples: “A blockchain não pode inchar… e foi construída apenas para dados, verdadeiramente.”

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

Onboarding de COIN: transformar utilizadores não cripto em nós

Um motor de crescimento-chave 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 de tokens, a aplicação utiliza pontos indexados ao dólar e opções de resgate mais amplas—e depois faz a ponte dos utilizadores para as infraestruturas 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 as recompensas/segurança do ecossistema dos custos de atividade da cadeia. “Estamos extremamente entusiasmados com este sistema de token duplo”, 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 pela infraestrutura e dados POI ao nível da cartografia

Levin apontou novas parcerias como um impulso inicial de “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 que planeia tokenizar dados na XYO Layer One.

Ele também descreveu um caso de uso separado de prova de localização envolvendo conjuntos de dados de ponto 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 eram “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 entradas fiáveis, a próxima fronteira competitiva poderá estar menos em modelos mais rápidos—e mais em pipelines de dados verificáveis ancorados no mundo real.