Markus Levin dari XYO: Mengapa L1 yang berbasis data dapat menjadi tulang punggung "bukti asal-usul" AI

Dalam episode terbaru SlateCast, salah satu pendiri XYO, Markus Levin, bergabung dengan para pembawa acara CryptoSlate untuk membahas mengapa jaringan infrastruktur fisik terdesentralisasi (DePIN) bergerak melampaui eksperimen niche—dan mengapa XYO membangun Layer-1 yang dirancang khusus untuk menangani jenis data yang semakin diminta oleh AI dan aplikasi dunia nyata.

Ambisi Levin untuk jaringan tersebut cukup jelas: “Pertama, saya pikir XYO akan memiliki delapan miliar node,” katanya, menyebutnya sebagai tujuan yang ambisius—tetapi sesuatu yang dia yakini sejalan dengan arah kategori ini.

Teori DePIN “setiap sudut dunia”

Levin memandang DePIN sebagai perubahan struktural dalam cara pasar mengoordinasikan infrastruktur fisik, menunjukkan ekspektasi pertumbuhan yang cepat untuk sektor ini. Dia mengutip proyeksi Forum Ekonomi Dunia bahwa DePIN dapat berkembang dari sekitar puluhan miliar hari ini menjadi triliunan pada tahun 2028.

Bagi XYO, skala bukanlah hal yang hipotetis. Salah satu pembawa acara mencatat bahwa jaringan telah tumbuh “dengan lebih dari 10 juta node,” menetapkan panggung untuk percakapan yang lebih fokus pada “apa yang terjadi jika” dan lebih pada apa yang rusak ketika volume data dunia nyata menjadi produk.

Bukti asal untuk AI: masalah data, bukan hanya komputasi

Ditanya tentang deepfake dan runtuhnya kepercayaan dalam media, Levin berargumen bahwa hambatan AI bukan hanya komputasi—tetapi juga asal. “Sedangkan DePIN, apa yang bisa Anda lakukan adalah Anda bisa, uh, membuktikan dari mana data berasal,” katanya, menjelaskan model di mana data dapat diverifikasi dari awal hingga akhir, dilacak ke dalam jalur pelatihan, dan ditanyakan ketika sistem memerlukan kebenaran dasar.

Dalam pandangannya, asal menciptakan umpan balik: jika sebuah model dituduh berhalusinasi, ia dapat memeriksa apakah input yang mendasarinya bersumber secara terverifikasi—atau meminta data baru yang spesifik dari jaringan terdesentralisasi daripada mengumpulkan sumber yang tidak dapat diandalkan.

Mengapa Layer-1 yang bernatif data penting

XYO menghabiskan bertahun-tahun berusaha untuk tidak membangun sebuah rantai, kata Levin—beroperasi sebagai middleware antara sinyal dunia nyata dan kontrak pintar. Tetapi “tidak ada yang membangunnya,” dan volume data jaringan memaksa masalah tersebut.

Dia menjelaskan tujuan desainnya dengan sederhana: “Blockchain tidak bisa membesar… dan itu benar-benar dibangun untuk data.”

Pendekatan XYO berfokus pada mekanisme seperti Proof of Perfect dan batasan gaya “lookback” yang dimaksudkan untuk menjaga persyaratan node tetap ringan, bahkan saat dataset tumbuh.

Onboarding COIN: mengubah pengguna non-kripto menjadi node

Salah satu pengungkit pertumbuhan utama adalah aplikasi COIN, yang dijelaskan Levin sebagai cara untuk mengubah ponsel menjadi node jaringan XYO.

Alih-alih mendorong pengguna ke dalam volatilitas token yang segera, aplikasi ini menggunakan poin yang terikat dolar dan opsi penukaran yang lebih luas—kemudian menjembatani pengguna ke dalam jalur kripto seiring waktu.

Model token ganda: menyelaraskan insentif dengan XL1

Levin mengatakan bahwa sistem token ganda dirancang untuk memisahkan imbalan/keamanan ekosistem dari biaya aktivitas rantai. “Kami sangat bersemangat tentang sistem token ganda ini,” katanya, menggambarkan $XYO sebagai aset staking/pemerintahan/keamanan eksternal dan $XL1 sebagai token gas/transaksi internal yang digunakan di Layer-1 XYO.

Mitra dunia nyata: infrastruktur pengisian daya dan data POI berkualitas peta

Levin menunjuk pada kemitraan baru sebagai momentum “aplikasi pembunuh” awal di dalam ekosistem DePIN yang lebih luas, mengutip kesepakatan dengan Piggycell—sebuah jaringan pengisian daya besar asal Korea Selatan yang membutuhkan bukti lokasi dan berencana untuk men-tokenisasi data di Layer-1 XYO.

Dia juga menggambarkan kasus penggunaan bukti lokasi terpisah yang melibatkan dataset titik minat (jam, foto, informasi tempat), mengklaim bahwa mitra geolokasi besar menemukan masalah dalam dataset mereka sendiri “dalam 60% kasus,” sementara data yang bersumber dari XYO “99,9% benar,” memungkinkan pemetaan lebih lanjut untuk perusahaan besar.

Secara keseluruhan, pesan Levin konsisten: jika AI dan RWA membutuhkan input yang dapat dipercaya, perbatasan kompetitif selanjutnya mungkin kurang tentang model yang lebih cepat—dan lebih tentang saluran data yang dapat diverifikasi yang terhubung dengan dunia nyata.