met weinig aandacht.
0G zegt dat het maanden geleden een belangrijke mijlpaal bereikte. Nu hertraint het hetzelfde model openbaar, om te laten zien wat gedecentraliseerde AI echt kan bieden en waarom het eerdere resultaat meer aandacht verdient.
In juli 2025 trainde 0G samen met China Mobile een model met 107 miljard parameters, genaamd DiLoCoX-107B. Het onderzoek verscheen later op arXiv na peer review. Volgens het artikel bereikte het systeem een 357 keer hogere communicatie-efficiëntie dan traditionele AllReduce-methodes. Toch kreeg dit resultaat amper aandacht in de markt.
Volgens het team was de timing ongunstig. Halverwege 2025 lag alle crypto-aandacht op mainnet-launches en tokenverhalen, terwijl technische resultaten veel minder interesse kregen. Het onderzoek was serieus, maar trok buiten een kleine groep kenners weinig aandacht.
Nu gedecentraliseerde AI weer in de belangstelling staat, wil 0G dit resultaat opnieuw onder de aandacht brengen.
Een publiek omscholingsinitiatief
Dit keer zet het bedrijf het hertrainingsproces helemaal openbaar.
0G wil elke stap vastleggen, zoals checkpoints, convergentie-metrieken en datasourcing. Ook meldt het bedrijf dat alles wordt gecontroleerd via Trusted Execution Environments met zerogAuth. Zodra het proces klaar is, worden de modelgewichten open source gemaakt.
Uiteindelijk wil 0G laten zien dat gedecentraliseerde AI controleerbaar, reproduceerbaar en verifieerbaar is, op een manier die bij gesloten systemen meestal onmogelijk is.
Meer dan een parameter-wedstrijd
Veel AI-nieuws gaat nog steeds over het aantal parameters. Grotere aantallen trekken aandacht, maar 0G zegt dat de echte waarde van een model ligt in het volledige systeem eromheen.
Voor het team begint de echte test bij training en loopt door tot verificatie, opslag, gebruik en integratie in echte producten.
Een van de belangrijkste technische punten is communicatie-efficiëntie. DiLoCoX maakt gebruik van pipeline-parallelisatie, een beleid met twee optimizers voor lokale en globale updates, een overlapmechanisme met één stap vertraging en adaptieve gradiëntcompressie. Simpel gezegd vermindert dit de hoeveelheid communicatie die nodig is tijdens distributed training, wat vaak de vertraging veroorzaakt.
0G zet het model ook in een volledige stack met onder andere on-chain verificatie, gedecentraliseerde opslag, data availability, inference en settlement. Het resultaat is een werkende omgeving, niet alleen een onderzoeksdemo.
Verificatie is een ander belangrijk punt. Met Trusted Execution Environments kunnen gebruikers meer controleren dan alleen het model zelf. Ze kunnen zien hoe het model is getraind en welke data gebruikt is. Voor gedecentraliseerde AI zorgt dit voor een fundamenteel ander vertrouwensmodel.
De echte story is bandbreedte
Volgens 0G was het belangrijkste aan het DiLoCoX-107B-resultaat de manier waarop het model getraind werd.
Het team vertelt dat het 107B-model draaide op standaard internetaansluitingen van één gigabit per seconde, in plaats van speciale datacenteropstellingen. Dit gaat recht tegen een van de grote aannames in AI in: namelijk dat geavanceerd trainen zeldzame en dure netwerken vraagt.
Als dit zo blijft, kan de impact groot zijn. Lagere technische eisen zorgen ervoor dat veel meer mensen kunnen meedoen, van onderzoeksteams tot bedrijven en publieke instellingen. In zo’n omgeving wordt coördinatie de grootste uitdaging, en daar zijn gedecentraliseerde systemen juist geschikt voor.
Een ander kostenmodel
0G zegt ook dat het systeem tot wel 95% goedkoper is dan gecentraliseerde alternatieven.
Volgens het bedrijf komt deze besparing vooral door het schrappen van dure gecentraliseerde overhead en niet door goedkopere hardware. Als deze cijfers kloppen bij echt gebruik, wordt geavanceerde modeltraining toegankelijk voor veel meer organisaties, zoals universiteiten, bedrijven en overheden die geen budget hebben voor dure AI-projecten.
Dit kan veranderen wie er straks serieuze modellen kan bouwen.
Kan gedecentraliseerde AI concurreren?
Sceptici zeggen al lang dat gedecentraliseerde AI niet kan meekomen qua prestaties. 0G denkt dat deze oude nadelen zwakker worden.
Nu de resultaten beter worden en de kosten dalen, draait het debat minder om de ideologie en meer om het resultaat. Kan het systeem sterke modellen trainen, verifiëren en dat voor een prijs die meer teams kunnen betalen?
Open meedoen brengt wel echte risico’s met zich mee. Distributed training kan systemen kwetsbaar maken voor dataverval, gradiëntmanipulatie en kwaliteit van bijdragen. 0G zegt deze risico’s te verkleinen met technische beveiligingen, het opsporen van afwijkingen en cryptografische controle.
Het doel is niet perfecte veiligheid. Het doel is om fouten zichtbaar en terug te vinden te maken.
Wat verifieerbare AI echt betekent
Voor 0G betekent controleerbare AI dat vertrouwen op reputatie vervangen wordt door vertrouwen op controleerbaarheid.
Gebruikers hoeven een aanbieder niet meer zomaar te geloven, maar kunnen zelf checken hoe een model getraind is en hoe het werkt. Dit is vooral waardevol in sectoren waar verantwoording belangrijk is, zoals de financiële sector, de gezondheidszorg en de overheid.
Hier maakt gedecentraliseerde AI het verschil: systemen die je kunt inspecteren in plaats van alleen vertrouwen.
Van onderzoeksdemo naar werkend systeem
Het gedecentraliseerde AI-veld is in korte tijd flink gegroeid. De periode van slechts proof-of-concepts is voorbij; nu gaat het om systemen waarin training, verificatie, opslag, gebruik en afwikkeling samenkomen.
0G hoopt dat DiLoCoX-107B een bewijs is van die vooruitgang. Het publieke hertrainingstraject gaat net zo goed om het proces als om de prestaties. Het bedrijf wil aantonen dat gedecentraliseerde AI serieuze modellen kan opleveren en toch volledig controleerbaar blijft.
De weg vooruit
Grotere modellen komen eraan. 0G denkt dat modellen met honderden miljarden tot zelfs biljoenen parameters haalbaar worden.
De volgende stap draait minder om één wetenschappelijke doorbraak en meer om betere samenwerking en sterkere netwerken. In gedecentraliseerde AI kan goede organisatie net zo belangrijk zijn als pure rekenkracht.
Het opnieuw trainen van DiLoCoX-107B is een poging om het gesprek opnieuw te starten waarvan 0G denkt dat de markt het de eerste keer heeft gemist. Het is ook een test om te kijken of open, controleerbare AI aandacht kan krijgen op basis van resultaten in plaats van alleen hype.
Voor nu gokt het bedrijf dat publieke hertraining, transparante documentatie en open toegang gedecentraliseerde AI een sterkere positie zal geven in de volgende ronde van concurrentie.
