Michael Heinrich, medstifter og administrerende direktør for 0G – interviewserie

Michael Heinrich, medstifter og administrerende direktør for 0G, er serieiværksætter, investor og teknologileder med fokus på at opbygge decentraliseret infrastruktur til kunstig intelligens. Hos 0G står han i spidsen for udviklingen af infrastruktur, der skal gøre AI mere åben, verificerbar og tilgængelig. Heinrich er også bestyrelsesformand for ZeroStack Corp. og har i mere end et årti undervist og været mentor ved Stanford University, hvor han har bidraget til programmer inden for iværksætteri, venturekapital og innovation. Han er desuden venturepartner og business angel hos Pioneer Fund og har investeret i virksomheder og projekter som Stripe, Anthropic, Brex, Notion, Filecoin, Worldcoin, Uniswap, Shield AI og Binance. Tidligere grundlagde Heinrich virksomheden Garten, der arbejder med trivsel på arbejdspladsen, og som tidligere hed Oh My Green. Han har også haft stillinger hos Bridgewater Associates, Bain & Company, SAP Labs, Microsoft og J.P. Morgan, hvilket har givet ham erfaring inden for iværksætteri, teknologi, finans, strategi og ventureinvesteringer.

0G er ved at opbygge en decentraliseret AI-infrastruktur, der skal fungere som et tillidslag for kunstig intelligens og gøre det muligt at afvikle, lagre og verificere AI-arbejdsbelastninger uden udelukkende at være afhængig af centraliserede udbydere. Arkitekturen samler verificerbar databehandling, krypteret decentraliseret lagring, privat AI-inferens og en AI-orienteret, EVM-kompatibel Layer 1-blockchain. Det skaber infrastruktur til alt fra autonome AI-agenter og decentraliserede modeller til AI-markedspladser og maskinøkonomier. Platformen er bygget op omkring modularitet, så udviklere kan bruge enkelte komponenter, såsom lagring eller databehandling, uafhængigt af hinanden, samtidig med at den understøtter fuldt on-chain AI-applikationer, hvor data, modeller og handlinger kan auditeres og verificeres. Med denne tilgang sigter 0G mod at levere den underliggende infrastruktur til et mere åbent og gennemsigtigt AI-økosystem, hvor udviklere, virksomheder og brugere bevarer større kontrol over AI-ressourcer og data.

Før du var med til at grundlægge 0G, opbyggede og ledede du Garten og arbejdede inden for software, finans, ventureinvesteringer og iværksætteri. Hvad så du ske inden for AI, som overbeviste dig om at starte 0G i 2023, og hvordan formede dine tidligere erfaringer din vision for virksomheden?

Jeg har gennem min karriere bevæget mig mellem to verdener, der sjældent taler sammen. Tidligt i min karriere skrev jeg software hos SAP og Microsoft. Derefter gik jeg ind i finanssektoren. Først studerede jeg de globale kapitalmarkeder, mens jeg forskede ved Harvard Business School, og siden arbejdede jeg hos Bain og Bridgewater, hvor jeg oplevede finanskrisen i 2008 på nært hold. Den erfaring førte til, at jeg grundlagde Garten, en Y Combinator-virksomhed.

Hvert kapitel lærte mig den samme lektie fra en ny vinkel: Når et system koncentrerer kontrollen og skjuler, hvordan det fungerer, er de mennesker, der er afhængige af det, de sidste til at opdage, at det er gået i stykker.

Da jeg vendte tilbage til AI i 2023, så jeg et mønster tage form med en hastighed, jeg aldrig havde set på noget andet marked. Modellerne var forbløffende, men infrastrukturen bag dem var koncentreret hos en håndfuld virksomheder. Og endnu vigtigere: Man kunne ikke undersøge, hvad der blev kørt, hvor ens data endte, eller hvad databehandlingen faktisk kostede. Samtidig voksede den nødvendige kapital fra kvartal til kvartal. For en, der havde fulgt finanskrisen i 2008 på nært hold, lignede det en sort boks med en stor gældsrisiko ovenpå, mens alle gik ud fra, at der ikke var noget galt med boksen.

Derfor udsprang idéen bag 0G af et spørgsmål fra finansverdenen, som blev ved med at nage mig: »Hvad sker der, når den vigtigste ressource i økonomien hverken har et gennemsigtigt marked eller kan verificeres uafhængigt?« Sammen med mine medstiftere Thomas Yao, Fan Long og Ming Wu besvarede vi spørgsmålet ved at bygge 0G.

Svaret er et tillidslag til AI: en samlet infrastruktur, der samler privat databehandling, vores egne 0gm-modeller med åbne vægte, sikkerhedsmekanismer som justering af sparsom inferens og Tee-verifikation, krypteret lagring samt en blockchain, der er udviklet specifikt til AI-arbejdsbelastninger. Her verificeres og auditeres AI-arbejde, fra inferens til agenthandlinger.

AI-virksomheder investerer enorme beløb i GPU’er, datacentre og strøm. Hvad er grundlæggende ved at ændre sig i økonomien omkring databehandling, og mener du, at adgang til databehandlingskapacitet kan blive lige så strategisk vigtig som adgang til kapital eller energi?

Databehandlingskapacitet er allerede ved at blive lige så strategisk vigtig som kapital eller energi. De fire største hyperscalere har alene i 2025 forpligtet sig til at bruge mere end 500 milliarder dollar på AI-investeringer, og deres nuværende tempo betyder, at beløbet ventes at blive fordoblet i år. Det er ikke længere et teknologibudget. Det er investeringer i national infrastruktur, som styres af en håndfuld private virksomheder.

Den grundlæggende ændring er, at databehandlingskapacitet er blevet den begrænsende faktor for selve intelligensen. Enhver forbedring af modellerne, enhver agent og ethvert produkt afhænger i sidste ende af GPU-timer. Når én enkelt ressource er afgørende for alt, der følger efter, opfører den sig ikke længere som en råvare, man køber, men snarere som kapital, man besidder. Adgang til databehandlingskapacitet afgør nu, hvilke virksomheder, universiteter og lande der får mulighed for at bygge.

Det mærkelige er, at denne ressource ikke har sit eget marked. Regnekraft produceres i stor skala, udlejes globalt og prissættes dagligt, men der er ingen måde at erhverve en rettighed til den, afdække sin risiko eller fordele den på gennemsigtig vis. Kapital har markeder. Energi har markeder. For regnekraft findes der indkøbskontrakter med en håndfuld leverandører.

Alle knappe ressourcer følger samme vej: Først produceres de, så prissættes de, og derefter finansieres de. Sådan gik det med olie. Sådan gik det med elektricitet. Sådan gik det med båndbredde. Regnekraft er ved at gå ind i det tredje stadie netop nu, og opbygningen af den finansielle infrastruktur til det er et af dette årtis definerende infrastrukturprojekter.

0G introducerer idéen om, at regnekraft kan ejes, optjenes og bruges i stedet for blot at blive købt som en cloudtjeneste. Hvad betyder det i praksis at gøre regnekraft til et aktiv, og hvordan kan det ændre forholdet mellem infrastrukturoperatører, udviklere og AI-virksomheder?

Tænk på, hvordan alle andre produktive aktiver fungerer. Aktier giver udbytte. Obligationer betaler kuponrente. Compute Finance, som vi har skabt betegnelsen ComFi for, anvender samme tankegang på regnekraft. I stedet for blot at betale for adgang til GPU’er kan du eje en position, der giver dig adgang til AI-regnekraft, som du rent faktisk kan bruge.

I praksis sætter du et aktiv i arbejde og modtager AI-regnekraft til gengæld. Denne regnekraft kan bruges til alt fra at køre modeller privat til at udvikle og lancere AI-applikationer. Underliggende kører det på 0G-blockchainen. Brugerne staker, det vil sige låser, 0G som sikkerhed, modtager a0G, udsteder iAI og forpligter derefter disse iAI for at optjene regnekraft, som de kan bruge på tværs af AI-tjenester.

Målet er at gøre regnekraft til noget, man kan eje, optjene og bruge, frem for blot at leje den på timebasis hos en cloududbyder. Med de indledende parametre kan brugerne forpligte iAI og modtage regnekraftkreditter til en værdi af mere end $1 om dagen på tværs af understøttede 0G AI-tjenester. Den underliggende sikkerhed forbliver låst, så længe positionen er aktiv, og kan frigives, når iAI brændes.

Det vigtige er, at brugerne ikke modtager kontanter eller et finansielt afkast. De får adgang til regnekraft, som de rent faktisk kan bruge.

Det ændrer forholdet mellem infrastrukturoperatører, udviklere og AI-virksomheder. Infrastrukturoperatører får en ny måde at stille deres regnekapacitet til rådighed på ud over traditionelle cloudkontrakter. Udviklere får en mere forudsigelig ressource, som de kan planlægge efter og budgettere med. AI-virksomheder kan sikre sig regnekraft og planlægge efter den i stedet for blot at betragte den som en udgift, der kontrolleres af en håndfuld udbydere.

Og fordi det kører på 0G’s tillidslag, kan brugen af regnekraft verificeres og revideres i stedet for blot at bero på, at man får at vide: „Stol på os“

Vi positionerer ComFi som en åben kategori for AI-branchen, ikke som et proprietært brand. Ascend og iAI er de første implementeringer af idéen, og flere er på vej til 0G’s netværk.

0G Compute fungerer som en decentraliseret markedsplads, hvor GPU-udbydere kan konkurrere om at håndtere AI-arbejdsbelastninger. Hvilke økonomiske fordele kan denne model give sammenlignet med at være afhængig af en håndfuld hyperscale-cloududbydere, især når efterspørgslen efter GPU’er er høj?

Vi fremhæver tre fordele, som bliver tydeligere, når der er mangel på GPU’er: prisdannelse, elasticitet og ingen leverandørbinding.

1. Prisdannelse: På 0G Compute fastsætter udbyderne deres egne priser og konkurrerer om arbejdsbelastningerne. Resultatet kan være markant lavere omkostninger: Inferens med sammenlignelige åbne modeller koster op til 95 procent mindre, mens vores lagringslag koster mere end 90 procent mindre end AWS S3. En del af besparelsen skyldes konkurrencen, og en del kommer af, at uudnyttet GPU-kapacitet sættes i arbejde, og at åbne modeller køres i stedet for lukkede, banebrydende modeller på dedikeret infrastruktur.

2. Elasticitet: Hyperscale-udbydere planlægger kapaciteten flere år i forvejen og fordeler den gennem langsigtede relationer. En markedsplads kan hente udbud hvor som helst fra, herunder fra uafhængige operatører, akademiske klynger og virksomheder med ubrugt hardware. Når efterspørgslen stiger kraftigt, kan højere priser få mere udbud online. En fast kø bliver bare længere.

3. Ingen leverandørbinding: Alle udbydere på vores netværk stiller den samme OpenAI-kompatible API til rådighed via én router, der automatisk skifter til en anden udbyder, hvis en udbyder går ned. I dag betyder det 13 udbydere, der leverer hundredvis af modeller via ét enkelt slutpunkt, med mere end 373 milliarder behandlede tokens og 27 millioner inferensanmodninger. Udviklere kan skifte udbyder med en header, ikke et migrationsprojekt.

Der er også et talmæssigt aspekt, som folk overser. Vores egen model, 0GM-1.0, er den næstmest anvendte model på netværket i løbet af de seneste 30 dage, kun overgået af DeepSeek. Når et decentraliseret netværks egen åbne model målt på brug konkurrerer med verdens bedste åbne modeller, viser det, at markedspladsen kan fungere i stor skala.

Hyperscale-udbyderne er fremragende til det, de gør. Men når GPU’er er den mest knappe ressource inden for AI, kan flere kilder til regnekraft skabe en helt anden forsyningsmodel end blot at vente på større kapacitet hos hyperscale-udbyderne.

En udfordring ved decentral infrastruktur er at sikre, at billigere og mere udbredt beregningskapacitet ikke sker på bekostning af pålideligheden. Hvordan afgør 0G, om en udbyder af beregningskapacitet rent faktisk har udført en AI-opgave korrekt?

Det er et fremragende spørgsmål, og svaret er med til at skelne et reelt marked for beregningskapacitet fra et system, hvor man blot må stole på en udbyder som AWS, Google Cloud eller Microsoft Azure. Vi har designet 0G, så du aldrig behøver at tage en udbyders ord for gode varer.

0G’s private niveau kører i et forseglet, betroet eksekveringsmiljø. Hardwaren genererer en attestering, der viser, hvilken model og kode der kører, og underskriver hvert svar med en nøgle, der kun findes i dette miljø. En klient kan verificere signaturen i forhold til attesteringen og bekræfte, at den angivne model kørte hos den angivne udbyder uden ændringer. Hverken 0G eller udbyderen kan se prompten eller svaret. På tværs af alle niveauer gemmer 0G ingen prompts eller svar og træner ikke på dine data.

På det verificerede niveau sendes forespørgsler videre til den tilsigtede upstream-model, så du ved, hvilken model der svarede, selv når udbyderen selv er centraliseret. Niveauerne defineres for hver forespørgsel og håndhæves af netværket. Hvis en forespørgsel kræver en udbyder, der understøtter private forespørgsler, og ingen sådan udbyder er tilgængelig, mislykkes forespørgslen i stedet for i stilhed at falde tilbage til et andet niveau. Ærlige niveauer er vigtigere end niveauer, der kun findes i markedsføringen.

Betaling er knyttet til dokumentation. Midlerne tilbageholdes, indtil det signerede resultat er leveret. Netværket har indtil videre registreret mere end 24,9 millioner TEE-beviser, og rammeværket understøtter også optimistisk verificering og nulvidensverificering af arbejdsopgaver, hvor disse metoder giver mere mening end hardwareattestering.

Pålideligheden håndteres på en enkel måde med automatisk failover mellem udbydere samt løbende data om tilstand og latenstid. Det underliggende netværk er designet, så verificering og afvikling ikke bliver flaskehalse.

Økonomien i AI-infrastruktur hænger i stigende grad sammen med adgangen til elektricitet. I takt med at modeller og inferensarbejdsbelastninger fortsat vokser, forventer du så, at energi bliver den primære begrænsning for AI-beregningskapacitet frem for selve GPU’erne, og hvordan kan decentral infrastruktur hjælpe med at afhjælpe denne flaskehals?

Energi og beregningskapacitet hænger bestemt sammen, og de påvirker hinanden. Flaskehalse drevet af energimangel er allerede en realitet. I det nordlige Virginia blev mere end 3 GW datacenterforbrug pludselig koblet fra elnettet i juli, hvilket understregede den belastning, som koncentrerede datacenterbelastninger kan påføre elinfrastrukturen.

Datacentres elforbrug til AI ventes at blive fordoblet inden 2030, og IEA forventer, at det globale elforbrug i datacentre vil blive mere end fordoblet til omkring 945 terawatt-timer inden 2030, primært drevet af AI. Man kan bygge flere GPU’er hurtigere, end man kan opføre den elinfrastruktur, der skal til for at drive dem.

Centraliseret AI gør dette vanskeligere ved at koncentrere efterspørgslen i et lille antal enorme datacentre, som hver især kræver enorme mængder strøm og ny elnetinfrastruktur.

Decentral infrastruktur kan bidrage til at lette denne voksende begrænsning ved at placere arbejdsbelastninger dér, hvor der allerede er strøm og beregningskapacitet. Det kan være regionale datacentre, industrianlæg med ledig kapacitet eller vedvarende energi, som ellers ikke ville blive udnyttet. I stedet for at føre mere strøm til nogle få enorme anlæg kan man flytte arbejdsbelastningen derhen, hvor strømmen allerede findes og ikke udnyttes fuldt ud.

For at gøre det klart: Det fjerner ikke energibegrænsningen, men det kan få mere ud af den eksisterende energi- og beregningsinfrastruktur.

0G bruger blandt andet betroede eksekveringsmiljøer, optimistisk verificering og nulvidensteknikker til at gøre AI-beregninger verificerbare. Hvor mener du, at kryptografisk verificering bliver vigtigst, når autonome AI-agenter begynder at træffe beslutninger og udføre transaktioner uden løbende menneskeligt tilsyn?

Verificering er vigtigst netop i det øjeblik, et menneske holder op med at følge med. En AI-assistent har en person, der gennemgår dens output. Det har en autonom agent ikke. Når en agent kan træffe beslutninger, underskrive transaktioner, opbevare midler eller interagere med andre agenter, er man nødt til at vide, hvilken agent der handler, hvilken model den kører på, og om den gjorde det, den skulle.

Det er her, kryptografisk verificering bliver vigtig. Når en agent kører i et betroet eksekveringsmiljø, kan man få en signeret registrering, der viser, hvilken model der traf en beslutning, og hvilke input den brugte. Blockchain er et ideelt tillidslag, fordi den er uforanderlig, kun kan tilføjes til og kan spore oprindelsen. Blockchain giver en fælles registrering af disse beviser, så udviklere, revisorer og modparter kan verificere, hvad der skete, uden at stole på én enkelt parts version af begivenhederne.

Det samme princip gælder, når agenter begynder at interagere med hinanden i stor skala. Man kan ikke have et menneske til at gennemgå hver eneste beslutning eller transaktion. Verificering, mulighed for revision og tillid skal være en del af selve infrastrukturen. Målet er enkelt. I stedet for at spørge, om en agent siger, at den fulgte reglerne, kan man bevise, at den gjorde det.

En stor del af kapløbet om infrastrukturen handler i dag om at bygge stadig større, centraliserede datacentre. Er decentraliseret AI-regnekraft et alternativ til den model, eller ser du i sidste ende decentrale netværk og hyperskalere som komplementære dele af det samme globale marked for regnekraft?

Jeg vil sige, at de supplerer hinanden, og at arbejdsdelingen kommer til at ligne elnettet meget. Hyperskalere leverer grundbelastningen. De er særdeles gode til store, forudsigelige arbejdsbelastninger, hvor forsinkelse er afgørende, for de største virksomheder, og det bør de fortsat stå for. Decentrale netværk kan supplere dem ved at håndtere svingende efterspørgsel, bringe distribueret og ellers uudnyttet regnekapacitet i brug og give flere virksomheder adgang til GPU-kapacitet.

Decentrale netværk er et reelt alternativ, fordi de bygger på tillid. Koncentration er et økonomisk problem, men også et problem med manglende indsigt. Når en håndfuld virksomheder driver infrastrukturen, kontrollerer de også, hvad du kan få indsigt i. En hyperskaler kan love ikke at kigge på dine data. Et lukket enklave med offentlig attestering kan bevise det. Den egenskab bliver ikke bedre af et større datacenter. Den skyldes, at verificering er indbygget i infrastrukturen.

Vi ser allerede de to modeller fungere side om side. Google Cloud og Alibaba Cloud var blandt vores vigtigste partnere ved lanceringen af mainnet. Virksomheder vil gerne kunne sende en arbejdsbelastning til en hyperskaler, en decentral udbyder eller deres egen hardware alt efter pris, krav til privatliv og det niveau af verificering, de har brug for.

Det er den retning, vi ser markedet bevæge sig i. Ikke at én model erstatter de andre, men at der opstår et globalt marked for regnekraft, hvor arbejdsbelastninger kan flyttes mellem forskellige infrastruktursystemer alt efter opgavens behov.

Efterhånden som AI-agenter bliver økonomiske aktører, der kan købe tjenester og forvalte ressourcer selvstændigt, kan regnekraft så blive en del af en maskin-til-maskin-økonomi, hvor agenter dynamisk anskaffer infrastruktur ud fra pris, ydeevne og tilgængelighed?

Vi har set nogle få eksempler på det i vores netværk. De fleste forespørgsler via 0G Compute kommer ikke fra en person, der klikker på en knap. De kommer fra applikationer og agenter, der kalder et API, betaler for hver forespørgsel fra en finansieret saldo og bliver sendt videre til den udbyder, der passer bedst til opgaven. Omkring 43.000 wallets har betalt for inferens på denne måde, og mere end 300 projekter er bygget på 0G. Ghast AI alene har sendt mere end 100 milliarder tokens gennem 0G Compute. NeoSoul driver millioner af agenter på tværs af 0G og BNB Chain, et andet blockchain-netværk. En agent, der vælger en billigere udbyder til en batchopgave og en privat enklave til en følsom opgave, træffer en beslutning om dirigering, som allerede finder sted i dag.

De manglende brikker i en egentlig maskinøkonomi er ting, som mennesker tager for givet: identitet, en måde at reservere ressourcer på forhånd og en regneenhed. Agenter har brug for en identitet, der fungerer på tværs af tjenester, og det er det, 0G’s Agentic ID er udviklet til at levere. De har også brug for at kunne sikre sig regnekapacitet på forhånd i stedet for at betale for hver forespørgsel, så de kan planlægge og fungere selvstændigt.

Det er en del af grunden til, at vi byggede Compute Finance. Når regnekraft kan optjenes gennem deltagelse i netværket og bruges på tværs af AI-tjenester, kan en agent få tilført midler én gang og trække på den regnekraft, den har brug for, uden at et menneske skal fylde saldoen på en cloudkonto op. Ascend og Infinite AI er de første implementeringer. Mennesker, vi endnu ikke har mødt, kommer til at bygge maskinøkonomien oven på dem.

Sikkerhedskravet kan ikke forhandles. Hver eneste af disse maskinbeslutninger skal efterlade et spor, der kan verificeres, og have indbyggede sikkerhedsforanstaltninger. En maskinøkonomi uden kvitteringer er blot en hurtigere måde at tabe penge på og udløse en sikkerhedskatastrofe, der ikke er blevet offentliggjort.

Hvis vi ser fem år frem, hvordan forventer du så, at markedet for AI-regnekraft vil udvikle sig? Vil virksomheder stadig primært tænke i at leje GPU’er og cloudkapacitet, eller bevæger vi os mod et mere likvidt globalt marked, hvor regnekraft kan ejes, udveksles, omsættes og fordeles dynamisk?

Jeg tror ikke, at leje forsvinder, ligesom leasing ikke forsvandt, da finansiering af udstyr blev mere moden. Men det er ikke længere den eneste mulighed, og det vil ophøre med at være den eneste måde, seriøse aktører betragter regnekraft som en ressource på.

Efterhånden som det udvikler sig, forventer jeg, at der opstår den samme type finansielle infrastruktur omkring regnekraft som omkring alle andre strategiske input. Virksomheder vil have positioner i regnekraft på samme måde, som de har energiaftaler eller udenlandsk valuta. Udbydere vil sælge kapacitet på et åbent marked i stedet for at forhandle én kontrakt ad gangen. Prisen på regnekraft vil afhænge af arbejdsbelastningen og tillidsniveauet, fordi verificeret privat inferens og ikke-verificeret inferens er forskellige produkter. Og en voksende andel af køberne vil være agenter, ikke indkøbsteams.

Det er formålet med Compute Finance (ComFi). Vi lancerede Ascend og annoncerede Infinite AI på etårsdagen for vores mainnet, fordi forløbet nu står klart. Regnekraft produceres. Den prissættes. Næste skridt er et finansielt lag, hvor krav på regnekraft kan besiddes, optjenes, bruges og handles, samtidig med at hver enhed efterlader et verificerbart spor. Vi gør bevidst ComFi til en åben kategori frem for et proprietært brand, for et marked med én deltager er ikke et marked.

Det, der gør alt dette muligt, er ikke en bedre GPU. Det er tillidslaget: bevis for, hvad der blev kørt, bevis for, hvem der kørte det, og afregning, der følger beviset. Når beregning kan verificeres, bliver den tilstrækkeligt fungibel til at kunne finansieres. Når den kan finansieres, bliver den likvid. De næste fem år bliver den periode, hvor branchen holder op med at behandle økonomiens vigtigste ressource som en regnskabspost.

Tak for det gode interview. Læsere, der gerne vil vide mere, kan besøge 0G.