Markus Levin di XYO: Perché una L1 nativa dei dati potrebbe diventare la spina dorsale della “prova di origine” per l’IA

Nell’ultimo episodio di SlateCast, il co-fondatore di XYO Markus Levin si è unito ai conduttori di CryptoSlate per spiegare perché le reti decentralizzate di infrastrutture fisiche (DePIN) stanno andando oltre gli esperimenti di nicchia—e perché XYO ha costruito un Layer-1 dedicato per gestire il tipo di dati che AI e applicazioni reali richiedono sempre di più.

L’ambizione di Levin per la rete è chiara: “Prima di tutto, penso che XYO arriverà ad avere otto miliardi di nodi,” ha dichiarato, definendolo un obiettivo ambizioso—ma uno che crede rifletta la direzione del settore.

La tesi DePIN: “ogni angolo del mondo”

Levin ha presentato DePIN come un cambiamento strutturale nel modo in cui i mercati coordinano le infrastrutture fisiche, indicando aspettative di crescita rapida per il settore. Ha citato una proiezione del World Economic Forum secondo cui DePIN potrebbe espandersi dagli attuali decine di miliardi a trilioni entro il 2028.

Per XYO, la scalabilità non è ipotetica. Uno dei conduttori ha osservato che la rete è cresciuta “con oltre 10 milioni di nodi”, creando le basi per una conversazione meno incentrata sul “cosa succede se” e più su ciò che si rompe quando il volume dei dati del mondo reale diventa il prodotto.

Proof of origin per l’AI: il problema dei dati, non solo del calcolo

Interrogato su deepfake e il crollo della fiducia nei media, Levin ha sostenuto che il vero collo di bottiglia dell’AI non è solo il calcolo—ma la provenienza. “Con DePIN, quello che puoi fare è dimostrare da dove provengono i dati,” ha spiegato, illustrando un modello in cui i dati possono essere verificati end-to-end, tracciati nei pipeline di addestramento e consultati quando i sistemi necessitano di dati affidabili.

Secondo lui, la provenienza crea un ciclo di feedback: se un modello viene accusato di “allucinare”, può verificare se l’input di base è tracciabile—oppure richiedere nuovi dati specifici da una rete decentralizzata invece di attingere a fonti inaffidabili.

Perché conta un Layer-1 nativo per i dati

XYO ha trascorso anni cercando di non costruire una blockchain, ha detto Levin—operando come middleware tra segnali del mondo reale e smart contract. Ma “nessuno l’ha costruito”, e il volume di dati della rete ha reso la questione inevitabile.

Ha spiegato l’obiettivo di progettazione con semplicità: “La blockchain non può gonfiarsi… ed è davvero costruita per i dati.”

L’approccio di XYO si concentra su meccanismi come Proof of Perfect e vincoli in stile “lookback”, pensati per mantenere leggeri i requisiti dei nodi anche con la crescita dei dataset.

Onboarding COIN: trasformare utenti non cripto in nodi

Un elemento chiave della crescita è stata l’app COIN, che Levin ha descritto come un modo per trasformare gli smartphone in nodi della rete XYO.

Invece di spingere subito gli utenti nella volatilità dei token, l’app utilizza punti ancorati al dollaro e opzioni di riscatto più ampie—poi accompagna gradualmente gli utenti verso le dinamiche cripto.

Modello dual token: allineare incentivi con XL1

Levin ha affermato che il sistema dual token è stato progettato per separare i premi/la sicurezza dell’ecosistema dai costi delle attività on-chain. “Siamo estremamente entusiasti di questo sistema dual token,” ha detto, descrivendo $XYO come asset di staking/governance/sicurezza esterno e $XL1 come token interno per gas/transazioni utilizzato su XYO Layer One.

Partner nel mondo reale: infrastruttura di ricarica e dati POI di livello mapping

Levin ha indicato nuove partnership come primo slancio di “killer app” all’interno del più ampio ecosistema DePIN, citando un accordo con Piggycell—una grande rete di ricarica sudcoreana che necessita di proof-of-location e pianifica di tokenizzare i dati su XYO Layer One.

Ha inoltre descritto un caso d’uso separato di proof-of-location relativo a dataset di point-of-interest (orari, foto, info sui locali), affermando che un importante partner di geolocalizzazione ha riscontrato problemi nel proprio dataset “nel 60% dei casi”, mentre i dati forniti da XYO erano “corretti al 99,9%”, abilitando la mappatura downstream per grandi imprese.

In sintesi, il messaggio di Levin è stato coerente: se AI e RWA hanno bisogno di input affidabili, il prossimo terreno di competizione potrebbe riguardare meno modelli più veloci—e più pipeline dati verificabili ancorate al mondo reale.

L’articolo XYO’s Markus Levin: Perché un L1 nativo per i dati potrebbe diventare la spina dorsale della “proof of origin” per l’AI è apparso per la prima volta su CryptoSlate.