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

Di episode SlateCast terbaru, pendiri XYO, Markus Levin, bergabung dengan pembawa acara CryptoSlate untuk mengurai mengapa jaringan infrastruktur fisik terdesentralisasi (DePIN) bergerak melewati eksperimen-eksperimen yang masih terbatas—serta mengapa XYO membangun Layer-1 yang dirancang khusus untuk menangani jenis data yang semakin dituntut oleh AI dan aplikasi dunia nyata.

Ambisi Levin untuk jaringan ini cukup blak-blakan: “Pertama, saya pikir XYO bakal punya delapan miliar node,” katanya, menyebutnya sebagai target yang masih menantang—namun ia yakin itu sesuai dengan arah yang dituju oleh kategorinya.

Tesis DePIN: “setiap sudut dunia”

Levin memposisikan DePIN sebagai pergeseran struktural dalam cara pasar mengoordinasikan infrastruktur fisik, mengacu pada proyeksi pertumbuhan pesat untuk sektor tersebut. Ia menyebut proyeksi World Economic Forum bahwa DePIN bisa berkembang dari sekitar puluhan miliar saat ini menjadi triliunan pada 2028.

Bagi XYO, skala bukan sesuatu yang hipotetis. Salah satu pembawa acara menuturkan bahwa jaringan tersebut telah tumbuh “dengan lebih dari 10 juta node,” sehingga percakapan ini bukan lagi tentang “bagaimana jika” melainkan tentang apa yang akan rusak ketika volume data dunia nyata menjadi produknya.

Proof of origin untuk AI: masalah data, bukan hanya komputasi

Ditanya tentang deepfake dan runtuhnya kepercayaan pada media, Levin berpendapat bahwa hambatan AI tidak hanya komputasi—melainkan asal-usul. “Sedangkan untuk DePIN, yang bisa Anda lakukan adalah Anda bisa, uh, membuktikan dari mana data itu berasal,” katanya, menguraikan model di mana data dapat diverifikasi ujung-ke-ujung, dilacak masuk ke pipeline pelatihan, dan ditanyakan ketika sistem memerlukan kebenaran yang benar-benar menjadi dasar.

Menurutnya, provenance menciptakan loop umpan balik: jika sebuah model dituduh menghalusinasi, model itu dapat memeriksa apakah input yang mendasarinya bersumber secara terverifikasi—atau meminta data baru yang spesifik dari jaringan terdesentralisasi, bukan melakukan scraping dari sumber yang tidak dapat diandalkan.

Mengapa Layer-1 yang berorientasi data itu penting

XYO menghabiskan bertahun-tahun untuk mencoba tidak membangun sebuah rantai, kata Levin—beroperasi sebagai middleware antara sinyal dunia nyata dan smart contract. Namun “tidak ada yang membangunnya,” dan volume data jaringan memaksa persoalan itu.

Ia menjelaskan tujuan desainnya dengan sederhana: “Blockchain tidak bisa membengkak… dan ia memang dibangun untuk data.”

Pendekatan XYO berpusat pada mekanisme seperti Proof of Perfect dan kendala bergaya “lookback” yang dimaksudkan untuk menjaga kebutuhan node tetap ringan, bahkan ketika kumpulan data bertambah besar.

Onboarding COIN: mengubah pengguna non-kripto menjadi node

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

Alih-alih mendorong pengguna ke volatilitas token secara instan, aplikasi ini memakai poin yang terikat dolar dan opsi penukaran yang lebih luas—lalu secara bertahap menghubungkan pengguna ke jalur kripto.

Model token ganda: menyelaraskan insentif dengan XL1

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

Mitra dunia nyata: menagih infrastruktur dan data POI kelas pemetaan

Levin menyoroti kemitraan baru sebagai momentum “killer app” awal di dalam ekosistem DePIN yang lebih luas, dengan mengutip kesepakatan dengan Piggycell—jaringan pengisian daya besar dari Korea Selatan yang membutuhkan bukti lokasi dan berencana mentokenkan data di XYO Layer One.

Ia juga menjelaskan kasus penggunaan proof-of-location yang terpisah yang melibatkan dataset point-of-interest (jam, foto, info tempat), dengan mengklaim bahwa sebuah mitra geolokasi besar menemukan masalah dalam datasetnya sendiri “pada 60% kasus,” sementara data yang bersumber dari XYO “benar 99,9%,” sehingga memungkinkan pemetaan lanjutan untuk perusahaan-perusahaan besar.

Secara keseluruhan, pesan Levin konsisten: jika AI dan RWAs membutuhkan input yang tepercaya, perbatasan kompetitif berikutnya mungkin tidak banyak tentang model yang lebih cepat—melainkan tentang pipeline data yang dapat diverifikasi, berlabuh pada dunia nyata.