Os esforços globais para expandir a infraestrutura de IA estão esbarrando no crescente escrutínio sobre a energia, a água e o capital necessários para construir grandes centros de dados. Ativistas argumentam que o impacto ambiental é alto demais, enquanto participantes do mercado apontam o enorme custo de ampliar a capacidade computacional centralizada — como o valor de cerca de US$ 38 bilhões citado pela análise de dados da Epoch AI para construir um centro de dados de IA de um gigawatt.
Nesse contexto, uma abordagem diferente está ganhando atenção: redes que reaproveitam smartphones do dia a dia como infraestrutura distribuída de computação e conectividade. Segundo a DataReportal, havia cerca de 7,68 bilhões de conexões móveis em todo o mundo em outubro de 2026 — um enorme conjunto de dispositivos ociosos que, em teoria, poderia ser coordenado para atender a cargas de trabalho de IA.
Principais conclusões
Os projetos de redes descentralizadas de IA buscam reduzir a dependência de centros de dados que consomem muita energia e exigem grandes investimentos de capital, usando hardware de smartphones amplamente distribuído.
A Acurast informa que integrou 335.000 smartphones, dos quais cerca de 40.000 ficam ativos em um dia médio, realizando tarefas como inferência de IA e hospedagem de agentes.
Projetos como o Phase Proxy visam resolver uma lacuna prática de implantação: plataformas web que bloqueiam ou limitam o tráfego de centros de dados, encaminhando-o por proxies residenciais/móveis.
A coordenação técnica é o principal gargalo — as redes de telefones do mundo real variam em disponibilidade, conectividade, limites térmicos e especificações dos dispositivos.
A viabilidade econômica continua incerta, pois os modelos de recompensa dependem muito da disponibilidade, do staking ou da participação e da demanda contínua dos clientes.
Smartphones como camada alternativa de computação
As redes descentralizadas de IA estão posicionando dispositivos móveis como uma nova camada de infraestrutura — que substitui a capacidade centralizada dos centros de dados por um conjunto globalmente distribuído de telefones com processadores, memória e acesso à internet integrados.
A Acurast é um dos exemplos mais conhecidos. O cofundador Alessandro De Carli afirma que a empresa integrou mais de 335.000 smartphones e que, em média, cerca de 40.000 ficam totalmente ativos por dia. Ele diz que esses dispositivos ativos fornecem capacidade computacional para cargas de trabalho como raspagem da web, tarefas de cibersegurança, inferência de IA e hospedagem de agentes.
De Carli argumenta que os telefones podem ser especialmente eficazes em certas categorias de trabalho. Ele destaca recursos de segurança de hardware que, na sua opinião, “se destacam” na computação confidencial e na criação de ambientes isolados para instalar e executar arquivos executáveis. Os smartphones também podem ser adequados para cargas de trabalho “intensivas em CPU” e situações que exigem acesso amplo e sem filtros a pontos de acesso da internet — contextos em que servidores centralizados podem sofrer restrições de limites de taxa ou detecção.
As limitações de memória são reconhecidas, mas De Carli afirma que muitas tarefas ainda podem ser executadas com a RAM disponível nos dispositivos. Ele também alega que a capacidade computacional agregada dos telefones ativos pode equivaler à de cerca de 2.340 servidores de centros de dados de alto desempenho, tomando como referência um servidor ASUS RS720A-E11 projetado para IA e computação de alto desempenho.
Embora essas comparações sejam convincentes como argumento de engenharia, investidores e operadores devem considerá-las dependentes da aplicação. A verdadeira medida será saber se os telefones distribuídos conseguem oferecer desempenho e confiabilidade consistentes em cargas de trabalho de produção — especialmente quando a rede precisa funcionar como um serviço previsível, e não como um protótipo de pesquisa.
Phase Proxy e o problema do tráfego de centros de dados encaminhado por proxies
Nem todas as redes impulsionadas por smartphones estão tentando executar imediatamente modelos completos de IA nos próprios dispositivos. Algumas começam resolvendo outro gargalo: o comportamento do acesso e da conectividade na internet pública.
Em outubro, a Phase lançou o Phase Proxy, um modelo que usa as conexões móveis e residenciais dos usuários como proxies para agentes de IA. O fundador Kirill Eves explica que os sites frequentemente bloqueiam ou limitam o tráfego automatizado proveniente de centros de dados. Ao encaminhar solicitações por redes móveis/residenciais, a Phase busca reduzir esses obstáculos para tarefas executadas por agentes.
Eves descreve o plano de preços do serviço de proxy: 0,5 USDT por 1.000 solicitações e 1 GB de tráfego. O próximo componente, o Phase Router, foi concebido para direcionar solicitações mais simples a modelos executados nos telefones da rede, enquanto encaminha tarefas mais complexas a grandes provedores externos, como OpenAI e Anthropic. Segundo a descrição, as decisões de roteamento dependem da complexidade da tarefa, da capacidade do modelo, do desempenho e do custo.
A Phase também sinaliza uma futura expansão para além dos telefones, incluindo computadores de mesa, servidores e GPUs. Para os usuários, isso é importante porque sugere uma arquitetura híbrida: os dispositivos móveis podem cobrir lacunas específicas (como acesso por proxy ou distribuição localizada), enquanto outros conjuntos de hardware atendem às maiores demandas de inferência e escalabilidade.
Confiabilidade e coordenação: o obstáculo prático
Transformar dispositivos ociosos em um recurso computacional confiável é muito mais difícil do que demonstrar que um dispositivo consegue executar uma carga de trabalho isoladamente. Coordenar um grande número de smartphones heterogêneos — cada um sujeito ao consumo da bateria, ao superaquecimento, a condições de rede variáveis e a especificações de hardware distintas — cria um problema de confiabilidade que a infraestrutura centralizada geralmente evita.
Um estudo de 2025 (publicado na Sensors) testou pequenos grupos de smartphones executando tarefas de reconhecimento de imagens e constatou que os telefones agrupados podiam ter desempenho competitivo em condições controladas. No entanto, os resultados foram obtidos em ambientes nos quais os dispositivos eram gerenciados e não estavam espalhados pelo mundo — uma diferença importante ao extrapolar os resultados para uma rede em funcionamento.
Há evidências complementares em uma pesquisa realizada no âmbito de uma iniciativa apoiada pelo Google na Universidade da Califórnia em San Diego. O estudo relatou que um conjunto de 20 smartphones desativados conseguia lidar com a carga máxima de trabalho de uma turma com mais de 75 alunos, com tempos de correção mais rápidos do que os da configuração de nuvem padrão da universidade. Mais uma vez, o experimento envolveu dispositivos organizados em um ambiente controlado, e não conectados em condições imprevisíveis do mundo real.
Em ambientes de produção, as redes precisam lidar com telefones que se desconectam, mudam de conectividade, ficam sem bateria ou têm capacidades de processamento e memória incompatíveis. Em sistemas de blockchain como o Ethereum — citado no artigo original —, o desempenho também pode ser limitado pela latência da comunicação e pela capacidade de processamento dos nós com as especificações mais baixas. Nas redes de smartphones, o desafio de agendamento é ainda maior: a distribuição de subtarefas entre dispositivos independentes pode falhar se até mesmo uma pequena parcela deles apresentar atrasos, se desconectar ou ficar indisponível.
Quem paga e como as recompensas aumentam
Mesmo que seja possível resolver os problemas de coordenação e confiabilidade com soluções de engenharia, as redes baseadas em smartphones ainda precisam fazer sentido do ponto de vista econômico, tanto para os clientes quanto para os operadores dos dispositivos.
De Carli afirma que a Acurast não depende de um único valor fixo de recompensa. Em vez disso, as recompensas variam conforme fatores como a disponibilidade do dispositivo, as especificações do hardware (desempenho em benchmarks), o total de ACU em staking e a demanda ativa por capacidade computacional por parte dos desenvolvedores. Ele descreve o sistema como uma disputa por um fundo de recompensas financiado pela inflação, em vez de cobrar dos desenvolvedores de uma forma que corresponda diretamente aos pagamentos individuais dos operadores.
A estrutura de recompensas da Phase é apresentada de outra forma. Eves afirma que a Phase usará parte da receita de seus serviços para comprar PHASE no mercado aberto e, em seguida, distribuirá tokens aos operadores dos nós de acordo com suas contribuições.
As duas abordagens apontam para a mesma realidade prática: executar computação de IA em um telefone já não é a única parte difícil. O desafio maior é criar incentivos e mecanismos operacionais que mantenham dezenas de milhares de dispositivos participando de forma confiável, garantindo ao mesmo tempo que a demanda dos clientes permaneça suficientemente forte para sustentar os pagamentos e o uso da rede.
À medida que esses projetos evoluem, o sinal mais útil para o mercado talvez não sejam as métricas de tokens nem a quantidade de nós, mas sim se as redes conseguem oferecer consistentemente serviços pelos quais os usuários estejam dispostos a pagar para manter — com níveis de desempenho suficientemente estáveis para substituir ou complementar a infraestrutura centralizada.
Por enquanto, investidores e construtores devem observar como essas redes lidam com três questões no mundo real: disponibilidade contínua em condições imprevisíveis, custo-benefício em relação aos provedores convencionais e modelos de recompensa capazes de se manter além da adoção inicial sem comprometer a confiabilidade.
Este artigo foi publicado originalmente como Can Decentralized Phone Networks Unlock the Next AI Wave? no Crypto Breaking News — sua fonte confiável de notícias sobre criptomoedas, Bitcoin e atualizações sobre blockchain.