Berisi wawasan dari AIOZ Network & YOM
Tahun 2026 akhirnya mengungkap masalah utama industri kecerdasan buatan: masalah ini bukan pada perangkat keras. Kebutuhan komputasi untuk pelatihan dan inferensi model tumbuh lebih cepat daripada kemampuan industri untuk membangun pusat data.
Antrian GPU di penyedia cloud besar membentang selama berbulan-bulan, dan harga sewa komputasi tetap tidak terjangkau bagi tim kecil dan pengembang independen.
Kebuntuan Infrastruktur AI
Praktis seluruh pasar infrastruktur AI saat ini terkonsentrasi di tangan beberapa pemain: AWS, Google Cloud, Microsoft Azure, serta produsen chip seperti Nvidia.
Ini menciptakan skenario bottleneck klasik: akses ke komputer menjadi hak istimewa, dan startup dipaksa menganggarkan biaya untuk pertarungan mendapatkan tempat dalam antrian sewa GPU di atas semua hal lainnya.
Sentralisasi membawa risiko sistemik: satu titik kegagalan, ketergantungan pada kebijakan penyedia tertentu, serta pembatasan regional atau akses.
Bagi industri yang memposisikan dirinya sebagai fondasi ekonomi masa depan, ketergantungan seperti ini terlihat sebagai kontradiksi dari prinsip keterbukaan dan desentralisasinya sendiri.
Langkah Berikutnya dalam Evolusi Jaringan
Industri ini sudah pernah melalui jalan ini sebelumnya. Server pusat untuk berbagi file tersentralisasi dulu tergantikan oleh jaringan peer-to-peer, lalu kemudian oleh distributed CDNs, yang belajar mengantarkan konten lebih cepat dan lebih murah dengan memanfaatkan banyak node yang tersebar, bukan satu pusat data.
Prinsip yang sama kini diterapkan juga untuk komputasi: DePIN mengusulkan pengumpulan daya komputasi dari ribuan perangkat independen di seluruh dunia.
Logika DePIN sederhana dan elegan dengan caranya sendiri. Jutaan orang memiliki sumber daya komputasi yang menganggur dan tidak digunakan: ruang disk kosong, bandwidth yang tidak dipakai, siklus GPU dan CPU yang idle. Jaringan DePIN menggabungkan sumber daya yang tersebar itu menjadi satu infrastruktur dan memberi imbalan partisipan dengan token sesuai jumlah penyimpanan, trafik yang dikirimkan, atau komputasi yang mereka sediakan.
Alih-alih membangun pusat data dan memulihkan biaya modal dari peralatan serta listrik, protokol DePIN bertumpu pada perangkat keras yang sudah ada, tersebar di seluruh dunia.

Ini menurunkan hambatan masuk bagi operator node, dan bagi konsumen komputasi pada akhirnya berpotensi menurunkan biaya akses berkat persaingan di antara banyak penyedia daya independen dalam satu jaringan.
Pertanyaan kunci untuk setiap jaringan DePIN adalah apakah ia bisa dijadikan ekonomi yang benar-benar berjalan: apakah jumlah node cukup, apakah permintaan atas kapasitasnya stabil, dan apakah infrastruktur mampu menangani beban skenario penggunaan yang nyata, bukan skenario uji.
Ketika Milidetik Menjadi Penting
Tren lain di tahun 2026 memperkuat logika DePIN—pergeseran dari chatbot menjadi agen AI otonom yang bertindak secara real time, melihat, mendengar, dan merespons lewat suara, serta bereaksi pada aliran video. Dalam skenario seperti itu, latensi berhenti menjadi parameter sekunder dan menjadi karakteristik kritis dari produk.
Perbedaan antara agen yang menyenangkan untuk diajak bicara dan agen yang jedanya mengganggu diukur dalam ratusan milidetik.
Arsitektur klasik justru bekerja melawan pengguna di sini. Sebuah permintaan berjalan dari perangkat ke pusat data, sering kali di benua lain, diproses, lalu kembali lagi. Setiap perjalanan pulang-pergi seperti itu menambah latensi, yang menumpuk selama streaming audio dan video. Pusat data tersentralisasi secara fisik tidak mungkin berada tepat di samping setiap pengguna di seluruh planet pada saat yang sama.
Jaringan terdistribusi dari node adalah cara terbaik untuk menangani tugas ini. Alih-alih satu pusat yang kuat tapi jauh, ada banyak titik kehadiran yang tersebar secara geografis tepat di dekat pengguna. Permintaan diproses oleh node terdekat yang tersedia, bukan server gratis yang paling jauh.
Tepat di titik pertemuan antara kekurangan komputasi AI tersentralisasi dan kebutuhan yang kian meningkat akan infrastruktur AI berlatensi rendah di tepi jaringan, protokol DePIN mendapat kesempatan untuk menempati ceruk yang secara struktural tidak bisa ditutup oleh hyperscaler sendiri.
AIOZ: Dari Penyimpanan ke Jaringan Komputasi AI
AIOZ Network adalah salah satu dari sedikit proyek DePIN yang telah menempuh jalur dari use case yang sempit menuju infrastruktur multi-lapis yang lengkap.
Jaringan dimulai dari tugas pengantaran dan penyimpanan konten media secara terdesentralisasi (StreamP2P dan penyimpanan yang kompatibel dengan S3), lalu berkembang menjadi Ekonomi Komputasi AI penuh—sebuah pasar untuk daya komputasi dan model AI yang dibangun di atas jaringan node yang terdistribusi.

Fondasi jaringan adalah node DePIN-nya, dijalankan oleh ribuan partisipan di seluruh dunia, menggunakan sumber daya menganggur dari komputer biasa: hard drive untuk penyimpanan, bandwidth untuk pengantaran data, serta GPU/CPU untuk transkode media dan komputasi AI.
Berdasarkan data jaringan, lebih dari 327.000 node DePIN saat ini terdaftar, dan total volume data yang disampaikan melebihi 26.000 TB. Partisipan diberi imbalan dalam token $AIOZ sebanding dengan kontribusi nyata mereka.
Pada 2026, jaringan AIOZ telah membangun beberapa lini produk yang saling terhubung di atas basis node DePIN yang sama:
Ekonomi Kompute AI: sebuah pasar untuk daya komputasi dan model AI yang tersedia untuk dijalankan melalui jaringan node terdistribusi;
StreamP2P: jaringan pengantaran konten terdesentralisasi (CDN), alternatif bagi penyedia streaming tersentralisasi;
Penyimpanan: penyimpanan data terdistribusi yang kompatibel dengan S3;
Pin: layanan IPFS pinning yang memastikan data tetap tersedia secara permanen dalam penyimpanan terdesentralisasi.
Bukti praktis bahwa arah AI AIOZ adalah infrastruktur yang benar-benar bekerja terlihat dari penerapan model Qwen2.5-Omni di platform AI AIOZ.
Ini adalah model multimodal dengan arsitektur Thinker-Talker, yang mampu memproses teks, gambar, audio, dan video secara real time, serta merespons dengan teks dan juga suara hasil sintesis.
Model seperti ini menuntut sumber daya komputasi, dan fakta bahwa ia bisa dijalankan melalui jaringan AIOZ yang terdistribusi adalah contoh konkret bagaimana infrastruktur DePIN menutup kesenjangan antara pengembang independen dan model AI yang berat.
Untuk jaringan, ini menempatkan AIOZ dalam narasi besar desentralisasi infrastruktur AI: pengguna dan pengembang mendapatkan akses ke komputasi dan model melalui jaringan node yang terdistribusi.
Wawasan dari AIOZ Network
Kami berbicara dengan tim AIOZ tentang salah satu uji dunia nyata mereka yang paling menuntut untuk infrastruktur DePIN mereka. Berikut yang mereka sampaikan kepada kami tentang cara mengadaptasi model seperti itu ke jaringan yang terdesentralisasi.
T: Apa tantangan rekayasa terbesar dalam mengadaptasi Qwen2.5 Omni agar berjalan efisien pada infrastruktur DePIN desentralisasi AIOZ, dan pelajaran apa yang dipelajari tim Anda?
Tantangan terbesar adalah mengubah skala dan keragaman AIOZ DePIN menjadi lingkungan yang andal untuk inferensi multimodal real time.
Qwen2.5 Omni membutuhkan lebih dari sekadar daya GPU mentah. Latensinya bergantung pada pemrosesan media, pemuatan model, antrean, inferensi, dan output yang disiarkan (streamed). AIOZ DePIN menyediakan kumpulan sumber daya komputasi, penyimpanan, dan bandwidth terdistribusi yang luas, tetapi sumber daya tersebut bervariasi dalam profil perangkat keras, lokasi, kualitas jaringan, dan ketersediaan saat ini. Jadi, tugas rekayasa utamanya adalah mencocokkan setiap permintaan dengan sumber daya yang tepat sekaligus menjaga latensi tetap dapat diprediksi.
Hal ini memerlukan penjadwalan yang peka terhadap perangkat keras di antara kumpulan komputasi yang memenuhi syarat, routing cerdas berdasarkan lokasi dan kondisi jaringan, caching model yang hangat untuk mengurangi waktu startup, serta afinitas sesi untuk menjaga konteks multimodal selama streaming. Arsitektur terdistribusi AIOZ DePIN juga memberi fleksibilitas untuk merutekan sesi berbeda ke mesin-mesin yang tersedia, memperluas kapasitas saat permintaan meningkat, dan mengurangi ketergantungan pada satu pusat data saja.
Pelajaran kuncinya adalah kekuatan AIOZ DePIN bukan hanya pada jumlah komputasi yang tersedia. Kekuatan utamanya adalah kemampuan untuk mengoordinasikan komputasi, penyimpanan, dan bandwidth sebagai satu lapisan infrastruktur. Untuk AI real time, koordinasi tersebut harus memprioritaskan kesiapan model, lokalitas, koneksi yang stabil, dan tail latency—bukan throughput semata.
Pada akhirnya, tujuannya adalah membuat kompleksitas DePIN yang mendasarinya menjadi tidak terlihat. Pengguna seharusnya merasakan satu layanan multimodal yang responsif, didukung oleh kapasitas terdistribusi AIOZ DePIN, alokasi sumber daya yang cerdas, serta kemampuan untuk menskalakan workload di seluruh jaringan.
Seperti yang ditunjukkan tim AIOZ, menjalankan model seperti Qwen2.5-Omni memerlukan koordinasi komputasi, penyimpanan, dan bandwidth sebagai satu lapisan—di mana latensi lebih penting daripada throughput.
Wawasan dari YOM
Kami juga mengajukan pertanyaan kepada tim YOM, jaringan GPU edge terdesentralisasi yang paling dikenal untuk melakukan streaming game AAA langsung ke browser. Dengan roadmap YOM mengarah ke AI real-time selanjutnya, kami ingin tahu bagaimana workload gaming dan AI benar-benar akan berbagi infrastruktur yang sama.
T: Dengan gaming dan AI bersaing memperebutkan node GPU yang sama di masa depan, bagaimana YOM memprioritaskan workload di seluruh jaringan?
Pemaparan ini mengasumsikan workload bersaing memperebutkan node. Arsitektur kami dibangun agar mereka tidak melakukannya. Kernel Vulkan yang diajukan patennya mempartisi satu GPU konsumen menjadi hingga 7 slot terisolasi, masing-masing dengan anggaran VRAM sendiri, sehingga sesi tidak saling menginjak.
Scheduler AI HyperOrch kami kemudian menempatkan setiap sesi berdasarkan kebutuhan yang benar-benar diperlukan: sesi game cloud membutuhkan node dalam jarak sekitar 50km untuk mencapai latensi di bawah 10ms, sementara banyak pekerjaan inferensi AI lebih peduli pada throughput daripada jarak. Penempatan berdasarkan kebutuhan, bukan antrian.
Pasokan di YOM juga mengikuti permintaan, bukan membatasinya. Lisensi node dibuka bertahap dalam batch ketika utilisasi melewati ambang batas, sehingga permintaan yang berkelanjutan meningkatkan hasil operator dan menarik node baru ke wilayah tempat pekerjaan berlangsung.
Di mana cakupan komunitas belum sempat mengejar, GPU yang dihosting operator telekomunikasi dan kapasitas burst dari hyperscaler menjadi cadangan jaringan. Tidak ada yang kelaparan, dan protokol memperoleh biaya untuk setiap sesi, apa pun skenarionya. Semakin banyak kelas workload membuat jaringan semakin kuat, bukan semakin macet.
T: Apakah AI real-time berjalan di infrastruktur yang sama dengan gaming, atau perlu lapisan teknis terpisah?
Infrastruktur yang sama, sesuai desain. Kami memulai dari gaming karena itu adalah workload real-time paling sulit: latensi median di bawah 10ms, kualitas AAA, ribuan sesi stateful yang berjalan bersamaan. Jaringan yang melakukan streaming Unreal Engine 5 ke browser dapat melayani workload apa pun dengan batasan latensi dan state sesi yang sama, dan AI real-time memang termasuk kelas itu.
Primitifnya dibawa dengan satu banding satu. Scheduler yang sama yang menempatkan sesi game juga menempatkan sesi inferensi. Partisi VRAM Vulkan yang sama memberi workload AI slot terisolasi di GPU konsumen. Lapisan penyelesaian yang sama membayar operator, dan protokol mengambil biayanya apa pun yang sedang berjalan. Yang berubah adalah runtime di dalam kontainer: server model, bukan build game. Itu hanya lapisan tipis di atasnya, bukan jaringan kedua.
Karya DeepSeek yang dipublikasikan tentang DualPipe dan DeepEP membuktikan bahwa celah interkoneksi hyperscaler bisa dipecah dengan algoritme, bukan perangkat keras. Kernel Vulkan kami adalah padanan “retail-GPU”: memungkinkan GPU konsumen menangani workload yang dulu memerlukan isolasi setingkat enterprise. Gaming membuktikan “fisikanya”. AI mewarisi jaringannya.
Yang muncul dari sini adalah bahwa YOM tidak hanya menempelkan AI ke jaringan gaming-nya. Infrastruktur yang sama yang dibangun untuk latensi kasus terburuk pada gaming itulah yang membuatnya siap untuk AI real-time juga.
Catatan dari CEO Cicada Maxim Moris
Kami menutup loop dengan bertanya kepada CEO dan co-founder Cicada, Maxim Moris, mengapa seorang market maker memperhatikan DePIN, dan apa sebenarnya yang diberi harga ketika mendukung proyek tahap awal.
T: Apa yang ada di gambaran besar (macro) yang membuat DePIN masuk radar Cicada?
Dua fakta, bukan sekadar narasi. Pasar GPU terpecah: jam spot H100 turun dari $8–10 pada 2024 menjadi di bawah $3,50, sementara kapasitas reserved satu tahun naik kembali sekitar 40% dari titik terendah akhir 2025. Murah saat dipakai sesuai kebutuhan, mahal ketika Anda perlu dijamin—celah itulah yang memberi kapasitas terdistribusi kesempatan.
DePIN akhirnya punya pendapatan: sekitar $150M on-chain pada Januari 2026. Kecil, tapi itu berarti token dengan arus kas yang bisa diproyeksikan, bukan cerita yang bisa dipompa. Kami mengikuti permintaan untuk likuiditas, dan likuiditas mengikuti pendapatan.
T: Apakah DePIN akan bertahan lebih lama dari hype AI, atau ikut meredup bersamanya?
Saat ini perhatian semuanya tertuju pada AI, otomasi, dan agen. Namun hype itu bisa cepat meredup, karena sebagian besar arah tersebut sebenarnya tidak membutuhkan blockchain. Mayoritas proyek saat ini bertransaksi dengan agen AI.
T: Apa yang berbeda dari market-making untuk token DePIN?
Yang berbeda dalam DePIN ada pada sisi pasokannya. Operator node dibayar dalam token dan, sesuai desain sistem, menjual setiap hari. Ini adalah arus permanen yang harus kalian bangun orderbook-nya.
Jawaban Maxim mengarah ke hal yang sama dari sudut pandang berbeda: DePIN menarik karena sekarang ada pendapatan dan sisi penjualan (sell-side) yang bisa diprediksi untuk model.
Kesimpulan
Infrastruktur DePIN kemungkinan tidak akan menggantikan pusat data hyperscale dalam semalam. Pelatihan model terbesar masih membutuhkan klaster komputasi yang terkonsentrasi.
Namun untuk beragam tugas yang luas, model di mana komputasi dan penyimpanan disediakan oleh ribuan peserta jaringan independen tampak seperti alternatif yang benar-benar bekerja dibanding titik kegagalan tunggal yang diwakili oleh cloud tersentralisasi.
Proyek seperti AIOZ Network menunjukkan bahwa transisi DePIN dari konsep ke produksi sudah berjalan: infrastruktur untuk penyimpanan dan pengantaran data yang dibangun selama bertahun-tahun kini menjadi fondasi untuk tahap komputasi AI terdistribusi.
Ini adalah kasus ketika narasi desentralisasi didukung oleh metrik jaringan dan integrasi yang benar-benar bekerja.
Baca lebih lanjut: DePIN: Mengisi Kesenjangan Cloud

