dengan perhatian yang sangat minim.
0G mengklaim telah melewati ambang penting beberapa bulan lalu. Sekarang, mereka melatih ulang model yang sama secara terbuka, dengan tujuan menunjukkan apa yang sebenarnya bisa diberikan oleh AI terdesentralisasi serta mengapa hasil mereka sebelumnya layak mendapat perhatian lebih.
Pada Juli 2025, 0G melatih model dengan 107 miliar parameter bernama DiLoCoX-107B bersama China Mobile. Penelitian tersebut kemudian muncul di arXiv setelah peer review. Menurut paper tersebut, sistem ini mencapai efisiensi komunikasi 357 kali lebih baik dibandingkan metode AllReduce tradisional. Walau begitu, hasil tersebut hampir tidak mendapat perhatian di pasar.
Tim tersebut menyampaikan bahwa waktu peluncuran menjadi tantangan utama. Pada pertengahan 2025, perhatian komunitas kripto tertuju pada peluncuran mainnet dan kisah token, sementara hasil teknis hanya diminati segelintir orang. Riset ini serius, namun hanya mendapat reaksi dari lingkaran kecil yang mengikuti bidang tersebut.
Sekarang, dengan AI terdesentralisasi kembali menjadi sorotan, 0G ingin membawa kembali hasil tersebut ke permukaan.
Upaya Pelatihan Ulang untuk Publik
Kali ini, perusahaan membuka seluruh proses pelatihan ulang kepada publik.
0G berencana untuk mendokumentasikan setiap tahapannya, termasuk checkpoint, metrik konvergensi, dan sumber data. Mereka juga menyebut sesi pelatihan ini akan diverifikasi melalui Trusted Execution Environments dengan zerogAuth. Setelah pekerjaan selesai, bobot model tersebut akan dirilis secara open source.
Pada akhirnya, 0G ingin membuktikan bahwa AI terdesentralisasi itu dapat diaudit, direproduksi, dan diverifikasi — sesuatu yang sulit dilakukan oleh sistem tertutup.
Lebih dari Sekadar Perlombaan Parameter
Banyak pembahasan AI masih berputar di seputar jumlah parameter. Angka yang besar memang menarik perhatian, tapi 0G berpendapat bahwa nilai sebuah model terletak pada seluruh sistem di sekitarnya.
Bagi tim 0G, ujian sebenarnya dimulai dari proses pelatihan dan berlanjut sampai ke verifikasi, penyimpanan, pelayanan, hingga integrasi ke produk yang benar-benar digunakan.
Salah satu poin teknis utama adalah efisiensi komunikasi. DiLoCoX menggunakan pipeline parallelism, kebijakan dual optimizer untuk update lokal dan global, mekanisme one-step delay overlap, serta kompresi gradien adaptif. Secara sederhana, desain ini memangkas jumlah komunikasi yang dibutuhkan selama pelatihan terdistribusi, yang biasanya menjadi titik lambat di sistem seperti ini.
0G juga membangun model dalam tumpukan penuh yang mencakup verifikasi onchain, penyimpanan terdesentralisasi, ketersediaan data, inference, dan settlement. Hasilnya bukan sekadar demo penelitian satu kali, melainkan lingkungan kerja yang benar-benar operasional.
Verifikasi menjadi bagian penting lainnya. Dengan Trusted Execution Environments, pengguna bisa memastikan bukan sekadar eksistensi sebuah model, tapi juga bisa memeriksa bagaimana model itu dilatih dan data apa yang digunakan. Dalam AI terdesentralisasi, ini mengubah model kepercayaan secara signifikan.
Cerita Sebenarnya adalah Bandwidth
Menurut 0G, bagian terpenting dari hasil DiLoCoX-107B terletak pada metode pelatihannya.
Timnya menjelaskan bahwa model 107B ini berjalan di koneksi internet standar satu gigabit per detik, bukan di infrastruktur pusat data khusus. Hal ini langsung menantang salah satu asumsi terbesar dalam AI, yaitu bahwa pelatihan frontier membutuhkan jaringan khusus yang mahal dan langka.
Jika hal ini terbukti konsisten seiring waktu, dampaknya bisa sangat besar. Kebutuhan teknis yang lebih sederhana membuka peluang bagi lebih banyak pihak, mulai dari kelompok riset hingga perusahaan dan institusi publik. Dalam skema seperti itu, koordinasi justru menjadi tantangan utama, dan sistem terdesentralisasi memang didesain untuk menjawab masalah ini.
Model Biaya yang Berbeda
0G juga menyebut sistem mereka memangkas biaya hingga sekitar 95% dibandingkan alternatif yang terpusat.
Perusahaan mengaitkan pengurangan tersebut pada hilangnya biaya overhead terpusat yang mahal — bukan pada perangkat keras yang lebih murah. Jika angka ini bertahan di penggunaan nyata, pelatihan model tingkat lanjut jadi bisa diakses lebih banyak organisasi, termasuk universitas, korporasi, dan pemerintah yang tidak memiliki anggaran untuk pengeluaran superbesar di bidang AI.
Hal ini berpotensi mengubah siapa saja yang berkesempatan membangun model-model canggih sejak awal.
Bisakah Decentralized AI Bersaing?
Banyak pihak skeptis selama ini menganggap AI terdesentralisasi tidak mampu menyaingi performa sistem terpusat. 0G percaya tradeoff lama tersebut mulai melemah.
Seiring hasil membaik dan biaya makin menurun, pembahasan mulai bergeser dari ideologi ke hasil nyata. Bisakah sistem ini melatih model yang kuat, memverifikasinya, dan menjalankan proses tersebut dengan harga yang lebih terjangkau oleh lebih banyak tim?
Partisipasi terbuka tentu masih membawa risiko nyata. Training terdistribusi bisa membuka peluang bagi data poisoning, manipulasi gradien, hingga kualitas kontributor yang tidak merata. 0G menyebut mereka mengatasi masalah ini dengan perlindungan arsitektural, deteksi anomali, dan verifikasi kriptografi.
Tujuannya bukanlah keamanan yang sempurna. Tujuannya adalah agar kegagalan bisa terlihat dan dapat dilacak.
Apa Arti Sebenarnya dari Verifiable AI
Bagi 0G, konsep AI yang dapat diverifikasi adalah mengganti kepercayaan berdasarkan reputasi dengan kepercayaan berdasarkan inspeksi.
Alih-alih hanya percaya pada penyedia, pengguna kini punya cara untuk memeriksa sendiri bagaimana model dilatih dan dijalankan. Konsep ini sangat bernilai di bidang yang membutuhkan akuntabilitas tinggi, seperti finansial, kesehatan, hingga pemerintahan.
Di sinilah AI terdesentralisasi mulai menonjol; sistemnya bisa diperiksa dan tidak sekadar dipercaya begitu saja.
Dari Demo Riset ke Sistem yang Berfungsi
Bidang AI terdesentralisasi sudah berkembang pesat dalam waktu singkat. Proof-of-concept awal kini mulai digantikan sistem yang memang dirancang untuk pelatihan, verifikasi, penyimpanan, inference, dan settlement ekonomi dalam satu lingkungan.
0G ingin menjadikan DiLoCoX-107B sebagai bukti nyata dari kemajuan tersebut. Upaya pelatihan ulang secara publik ini menekankan bahwa proses, bukan hanya performa, sangat penting. Perusahaan ingin membuktikan AI terdesentralisasi bisa menghasilkan model serius sambil tetap transparan untuk diperiksa.
Jalan di Depan
Model-model yang lebih besar masih menanti di depan. 0G percaya model dengan ratusan miliar — bahkan triliunan — parameter bisa dicapai.
Tahapan berikutnya tidak lagi sepenuhnya bergantung pada lompatan sains tunggal, melainkan pada koordinasi lebih baik dan partisipasi jaringan yang semakin kuat. Dalam AI terdesentralisasi, organisasi justru bisa menjadi sama pentingnya dengan kekuatan komputasi.
Proses retraining DiLoCoX-107B adalah upaya untuk membuka kembali diskusi yang menurut 0G sebelumnya terlewatkan oleh pasar. Ini juga merupakan uji coba apakah AI yang terbuka dan dapat diverifikasi bisa menarik perhatian lewat hasil nyata, bukan hanya sekadar hype.
Saat ini, perusahaan bertaruh bahwa retraining secara terbuka, dokumentasi yang transparan, dan akses terbuka akan membuat AI terdesentralisasi semakin kuat dalam putaran persaingan berikutnya.
