con poca attenzione.
0G afferma di aver raggiunto un traguardo importante mesi fa. Ora sta riaddestrando lo stesso modello in modo pubblico, con l’obiettivo di mostrare cosa può realmente offrire l’AI decentralizzata e perché il suo risultato precedente meritava maggiore attenzione.
Nel luglio 2025, 0G ha addestrato un modello da 107 miliardi di parametri chiamato DiLoCoX-107B insieme a China Mobile. La ricerca è stata poi pubblicata su arXiv dopo peer review. Secondo quanto riportato nell’articolo, il sistema ha raggiunto una efficienza di comunicazione 357 volte superiore rispetto ai metodi AllReduce tradizionali. Nonostante ciò, il risultato è passato quasi inosservato nel mercato.
Il team afferma che il tempismo ha giocato contro di loro. A metà 2025, l’attenzione del settore crypto era rivolta ai lanci di mainnet e alle storie legate ai token, mentre i risultati tecnici suscitavano molto meno interesse. Il lavoro era serio, ma non ha avuto molta rilevanza al di fuori di una ristretta cerchia di esperti del settore.
Ora che l’AI decentralizzata è tornata in primo piano, 0G vuole riportare questo risultato all’attenzione di tutti.
Un’iniziativa pubblica di riqualificazione
Questa volta, l’azienda rende pubblico l’intero processo di riaddestramento.
0G intende documentare ogni fase, inclusi checkpoint, metriche di convergenza e provenienza dei dati. Precisa inoltre che la procedura sarà verificata tramite Trusted Execution Environments utilizzando zerogAuth. Una volta completato il lavoro, i pesi del modello saranno resi open source.
In definitiva, 0G vuole dimostrare che l’AI decentralizzata può essere sottoposta ad audit, riproducibile e verificata in modo tale che la maggior parte dei sistemi chiusi non può eguagliare.
Più di una corsa ai parametri
Gran parte della copertura sull’AI ruota ancora attorno al numero di parametri. Numeri più grandi attirano attenzione, ma 0G sostiene che il valore di un modello deriva dall’intero sistema che lo circonda.
Per il team, la vera prova inizia con l’addestramento e continua con la verifica, l’archiviazione, l’erogazione e l’integrazione in prodotti funzionanti.
Uno degli aspetti tecnici più importanti è l’efficienza della comunicazione. DiLoCoX utilizza parallelismo a pipeline, una politica dual optimizer per aggiornamenti locali e globali, un meccanismo di sovrapposizione ritardata a un solo passaggio e compressione adattiva dei gradienti. In termini semplici, il design riduce la quantità di comunicazione necessaria durante l’addestramento distribuito, che spesso rappresenta il principale collo di bottiglia di questi sistemi.
0G inoltre integra il modello in uno stack completo che include verifica onchain, storage decentralizzato, disponibilità dei dati, inferenza e settlement. Il risultato è un ambiente di lavoro e non solo una demo di ricerca isolata.
La verifica è un altro elemento centrale. Con i Trusted Execution Environments, gli utenti possono controllare non solo l’esistenza di un modello, ma anche come è stato addestrato e quali dati sono stati utilizzati nel processo. Per l’AI decentralizzata, questo cambia potenzialmente in modo significativo il modello di fiducia.
La vera storia è la banda
Secondo 0G, l’aspetto più importante del risultato DiLoCoX-107B riguarda il modo in cui il modello è stato addestrato.
Il team afferma che il modello 107B ha funzionato su connessioni internet standard da uno gigabit al secondo, invece che su configurazioni dedicate di data center. Questo va direttamente a contrastare una delle maggiori convinzioni dell’AI, ovvero che l’addestramento di frontiera richieda condizioni di rete rare e costose.
Se questa tesi sarà confermata nel tempo, l’impatto potrebbe essere significativo. Requisiti tecnici più bassi permettono l’ingresso di molti più partecipanti, dai gruppi di ricerca alle aziende, fino alle istituzioni pubbliche. In questo scenario, la coordinazione rappresenta la sfida principale, e i sistemi decentralizzati sono progettati precisamente per affrontare questo tipo di problemi.
Un modello di costo diverso
0G inoltre dichiara che il suo sistema riduce i costi di circa il 95% rispetto alle alternative centralizzate.
L’azienda attribuisce tale risparmio soprattutto all’eliminazione della costosa gestione centralizzata, piuttosto che a un hardware più economico. Se questi numeri saranno confermati nell’utilizzo reale, l’addestramento avanzato dei modelli sarà accessibile a molte più organizzazioni, incluse università, imprese e governi che non dispongono di budget per spese AI su larga scala.
Questa rivoluzione potrebbe cambiare chi è in grado di sviluppare modelli avanzati fin dall’inizio.
L’intelligenza artificiale decentralizzata può competere?
Gli scettici per molto tempo hanno sostenuto che l’AI decentralizzata non potesse competere in termini di performance. 0G ritiene che questo vecchio compromesso si stia indebolendo.
Man mano che i risultati migliorano e i costi calano, la discussione si sposta dal piano ideologico a quello dei risultati reali. Il sistema è in grado di addestrare modelli solidi, verificarli e farlo a un prezzo sostenibile da più team?
La partecipazione aperta comporta comunque rischi reali. L’addestramento distribuito può esporre i sistemi a data poisoning, manipolazione dei gradienti e qualità variabile dei contributori. 0G afferma di affrontare questi problemi con protezioni architetturali, sistemi di rilevamento delle anomalie e verifica crittografica.
La questione non è la sicurezza assoluta. La vera finalità è rendere visibili e rintracciabili gli errori.
Cosa significa davvero l’AI verificabile
Per 0G, l’AI verificabile punta a sostituire la fiducia basata sulla reputazione con una fiducia basata sull’ispezione.
Invece di fidarsi ciecamente di un provider, gli utenti possono verificare in modo indipendente come il modello sia stato addestrato e come funzioni. Questa idea risulta particolarmente importante in ambiti in cui la responsabilità ha un peso reale, come la finanza, la sanità e il settore pubblico.
Qui l’AI decentralizzata inizia davvero a distinguersi, offrendo sistemi che possono essere ispezionati piuttosto che semplicemente accettati sulla fiducia.
Da demo di ricerca a sistema funzionante
Il settore dell’AI decentralizzata ha fatto passi da gigante in poco tempo. I primi prototipi stanno lasciando spazio a sistemi progettati per addestramento, verifica, archiviazione, inferenza e settlement economico all’interno di un unico ambiente.
0G vuole che DiLoCoX-107B sia una dimostrazione concreta di questo progresso. Lo sforzo di riaddestramento pubblico punta tanto al metodo quanto alla performance. L’azienda mira a dimostrare che l’AI decentralizzata può produrre modelli avanzati rimanendo accessibile all’ispezione pubblica.
La strada da percorrere
Modelli ancora più grandi sono all’orizzonte. 0G è convinta che modelli nell’ordine delle centinaia di miliardi, e in futuro dei trilioni, siano a portata di mano.
La prossima fase dipende meno da una singola rivoluzione scientifica e più da una migliore coordinazione e partecipazione della rete. Nell’AI decentralizzata, l’organizzazione potrebbe rivelarsi importante quanto la potenza di calcolo.
Il retraining di DiLoCoX-107B è un tentativo di riaprire una discussione che secondo 0G il mercato aveva trascurato la prima volta. Si tratta anche di un test per capire se un’AI aperta e verificabile possa attirare attenzione grazie ai risultati invece che all’hype.
Per il momento, l’azienda scommette che il retraining pubblico, una documentazione trasparente e un accesso aperto possano offrire all’AI decentralizzata una posizione più solida nella prossima fase della competizione.
