Michael Heinrich, medgrunnlegger og administrerende direktør i 0G – intervjuserien

Michael Heinrich, medgrunnlegger og administrerende direktør i 0G, er en seriegründer, investor og teknologileder med fokus på å bygge desentralisert infrastruktur for kunstig intelligens. I 0G leder han utviklingen av infrastruktur som skal gjøre AI mer åpen, etterprøvbar og tilgjengelig. Heinrich er også styreleder i ZeroStack Corp. og har i mer enn ti år vært instruktør og mentor ved Stanford University, der han har bidratt til programmer innen entreprenørskap, venturekapital og innovasjon. Han er også venturepartner og engleinvestor i Pioneer Fund, som har investert i selskaper og prosjekter som Stripe, Anthropic, Brex, Notion, Filecoin, Worldcoin, Uniswap, Shield AI og Binance. Tidligere grunnla Heinrich arbeidsplassvelværeselskapet Garten, tidligere Oh My Green, og hadde stillinger i Bridgewater Associates, Bain & Company, SAP Labs, Microsoft og J.P. Morgan. Dette har gitt ham erfaring innen entreprenørskap, teknologi, finans, strategi og ventureinvesteringer.

0G bygger en desentralisert AI-infrastrukturplattform som skal fungere som et tillitslag for kunstig intelligens. Den gjør det mulig å kjøre, lagre og verifisere AI-arbeidsbelastninger uten å være helt avhengig av sentraliserte leverandører. Arkitekturen samler verifiserbar databehandling, kryptert desentralisert lagring, privat AI-inferens og en AI-nativ, EVM-kompatibel blokkjede på lag 1. Dermed skapes det infrastruktur for alt fra autonome AI-agenter og desentraliserte modeller til AI-markedsplasser og maskinøkonomier. Plattformen er utformet modulært, slik at utviklere kan bruke enkeltkomponenter som lagring eller databehandling hver for seg, samtidig som den støtter fullt ut onchain-baserte AI-applikasjoner der data, modeller og handlinger kan kontrolleres og verifiseres. Med denne tilnærmingen ønsker 0G å tilby den underliggende infrastrukturen for et mer åpent og transparent AI-økosystem, der utviklere, virksomheter og brukere beholder større kontroll over AI-ressurser og data.

Før du var med på å grunnlegge 0G, bygde du opp og ledet Garten og jobbet med programvare, finans, ventureinvesteringer og entreprenørskap. Hva så du skje innen AI som overbeviste deg om å starte 0G i 2023, og hvordan formet de tidligere erfaringene dine visjonen for selskapet?

Jeg har brukt karrieren på å bevege meg mellom to verdener som sjelden snakker sammen. Tidlig i karrieren skrev jeg programvare hos SAP og Microsoft. Deretter gikk jeg over til finans. Først studerte jeg globale kapitalmarkeder mens jeg forsket ved Harvard Business School, og senere jobbet jeg i Bain og Bridgewater, der jeg opplevde finanskrisen i 2008 fra innsiden. Denne erfaringen førte til at jeg grunnla Garten, et Y Combinator-selskap.

Hvert kapittel lærte meg den samme leksen fra en ny vinkel: Når et system samler kontrollen på få hender og skjuler hvordan det fungerer, er de som er avhengige av det, de siste som får vite at det er ødelagt.

Da jeg så tilbake i 2023, oppdaget jeg et mønster som var i ferd med å ta form innen AI, og det skjedde raskere enn noe jeg hadde sett i noe annet marked. Modellene var forbløffende, men infrastrukturen bak dem var konsentrert hos en håndfull selskaper. Enda viktigere var det at man ikke kunne undersøke hva som kjørte, hvor dataene ble sendt, eller hva databehandlingen faktisk kostet. Samtidig økte kapitalen som måtte til for å delta, for hvert kvartal. For en som hadde fulgt finanskrisen i 2008 på nært hold, så dette ut som belåning oppå en svart boks, der alle tok for gitt at den svarte boksen fungerte som den skulle.

Retningen for 0G sprang derfor ut av et finansspørsmål jeg ikke klarte å slippe: «Hva skjer når den viktigste innsatsfaktoren i økonomien mangler et transparent marked og uavhengig verifisering?» Sammen med medgrunnleggerne mine, Thomas Yao, Fan Long og Ming Wu, svarte vi på spørsmålet ved å bygge 0G.

Løsningen er et tillitslag for AI: én samlet plattform som kombinerer privat databehandling, våre egne 0gm-modeller med åpne vekter, sikkerhetsmekanismer som tilpasning av sparsom inferens og TEE-verifisering, kryptert lagring og en blokkjede som er bygget spesielt for AI-arbeidsbelastninger. Her verifiseres og revideres AI-arbeid, fra inferens til agenthandlinger.

AI-selskaper investerer enorme summer i GPU-er, datasentre og strøm. Hva er det som grunnleggende endrer seg i økonomien rundt databehandling, og tror du tilgang til datakraft kan bli like strategisk viktig som tilgang til kapital eller energi?

Datakraft er allerede i ferd med å bli like strategisk viktig som kapital eller energi. De fire største hyperskaleringsselskapene forpliktet seg til å bruke mer enn 500 milliarder dollar på AI-relaterte investeringer i 2025 alene, og ligger an til å doble dette i år. Dette er ikke lenger et teknologibudsjett. Det er investeringer i nasjonal infrastruktur, styrt av en håndfull private selskaper.

Den grunnleggende endringen er at datakraft har blitt den begrensende faktoren for selve intelligensen. Hver forbedring av en modell, hver agent og hvert produkt avhenger til syvende og sist av GPU-timer. Når én enkelt innsatsfaktor setter grenser for alt som følger, oppfører den seg ikke lenger som en råvare du kjøper, men som kapital du besitter. Tilgang til datakraft avgjør nå hvilke selskaper, universiteter og land som får bygge.

Det merkelige er at denne ressursen ikke har noe eget marked. Datakraft produseres i stor skala, leies ut globalt og prises daglig, men det finnes ingen måte å ha en posisjon i den, sikre seg mot risiko eller fordele den på en åpen måte. Det finnes markeder for kapital. Det finnes markeder for energi. For datakraft finnes det innkjøpsavtaler med en håndfull leverandører.

Alle knappe ressurser følger samme utvikling: Først produseres de, deretter prises de, og til slutt finansieres de. Olje gjennomgikk denne utviklingen. Det samme gjorde elektrisitet. Og båndbredde. Datakraft er nå på vei inn i dette tredje stadiet, og det å bygge den finansielle infrastrukturen som trengs, er et av de viktigste infrastrukturprosjektene dette tiåret.

0G introduserer ideen om at datakraft kan eies, opptjenes og brukes, i stedet for bare å kjøpes som en skytjeneste. Hva innebærer det i praksis å gjøre datakraft til en eiendel, og hvordan kan det endre forholdet mellom infrastruktureiere, utviklere og AI-selskaper?

Tenk på hvordan alle andre produktive eiendeler fungerer. Aksjer gir utbytte. Obligasjoner betaler kupongrenter. Compute Finance, som vi har gitt navnet ComFi, overfører den samme tankegangen til datakraft. I stedet for bare å betale for tilgang til GPU-er kan du eie en posisjon som gir deg tilgang til AI-datakraft du faktisk kan bruke.

I praksis setter du en eiendel i arbeid og får AI-datakraft tilbake. Denne datakraften kan brukes til alt fra å kjøre modeller privat til å utvikle og lansere AI-applikasjoner. I bunnen kjører dette på blokkjeden til 0G. Brukerne staker – det vil si låser – 0G som sikkerhet, mottar a0G, utsteder iAI og forplikter deretter disse iAI-tokenene for å opptjene datakraft som de kan bruke på tvers av AI-tjenester.

Målet er å gjøre datakraft til noe du kan eie, opptjene og bruke, i stedet for bare å leie den fra en skyleverandør på timebasis. Med de innledende parameterne kan brukerne forplikte iAI og motta datakreditter verdt mer enn 1 dollar per dag på tvers av støttede AI-tjenester fra 0G. Den underliggende sikkerheten forblir låst mens posisjonen er aktiv, og kan frigjøres når iAI-tokenene brennes.

Det viktige er at brukerne ikke mottar kontanter eller økonomisk avkastning. De får tilgang til datakraft som de faktisk kan bruke.

Dette endrer forholdet mellom infrastruktureiere, utviklere og AI-selskaper. Infrastruktureiere får en ny måte å tilby datakapasiteten sin på, utover tradisjonelle skykontrakter. Utviklere får en mer forutsigbar ressurs de kan planlegge og budsjettere ut fra. AI-selskaper kan sikre seg datakraft og planlegge for den, i stedet for bare å behandle den som en kostnad som kontrolleres av en håndfull leverandører.

Og fordi dette kjører på 0Gs tillitslag, kan bruken av datakraft verifiseres og revideres, i stedet for at man bare må ta det på «stol på oss»

Vi posisjonerer ComFi som en åpen kategori for AI-bransjen, ikke som et proprietært merke. Ascend og iAI er de første implementeringene av ideen; flere kommer til 0G-nettverket.

0G Compute fungerer som en desentralisert markedsplass der GPU-leverandører kan konkurrere om å håndtere AI-arbeidsoppgaver. Hvilke økonomiske fordeler kan denne modellen gi sammenlignet med å være avhengig av en håndfull hyperskala-skyleverandører, særlig når etterspørselen etter GPU-er er høy?

Vi trekker fram tre fordeler som blir tydeligere når det er knapphet på GPU-er: prisdannelse, elastisitet og ingen leverandørbinding.

1. Prisdannelse: På 0G Compute fastsetter leverandørene sine egne priser og konkurrerer om arbeidsoppgavene. Resultatet kan være betydelig lavere kostnader: Inferens med sammenlignbare åpne modeller koster opptil 95 prosent mindre, mens lagringslaget vårt koster mer enn 90 prosent mindre enn AWS S3. Noe av dette skyldes konkurransen, og noe skyldes at ubrukt GPU-kapasitet tas i bruk, og at åpne modeller kjøres i stedet for lukkede grensemodeller på dedikert infrastruktur.

2. Elastisitet: Hyperskala-leverandører planlegger kapasiteten sin flere år i forveien og fordeler den gjennom langsiktige relasjoner. En markedsplass kan hente inn kapasitet fra hvor som helst, blant annet fra uavhengige operatører, akademiske klynger og bedrifter med ubrukt maskinvare. Når etterspørselen øker kraftig, kan høyere priser få mer kapasitet på nett. En kø med fast kapasitet blir bare lengre.

3. Ingen leverandørbinding: Alle leverandørene i nettverket vårt tilbyr det samme OpenAI-kompatible API-et gjennom én ruter, som automatisk bytter til en annen leverandør hvis en går ned. I dag betyr det 13 leverandører som tilbyr hundrevis av modeller gjennom ett enkelt endepunkt, med mer enn 373 milliarder behandlede token og 27 millioner inferensforespørsler. Utviklere kan bytte leverandør ved å endre en header, ikke gjennom et migreringsprosjekt.

Det er også et tallpoeng mange overser. Vår egen modell, 0GM-1.0, er den nest mest brukte modellen på nettverket de siste 30 dagene, bare slått av DeepSeek. Når nettverkets egen åpne modell målt i bruk konkurrerer med de beste åpne modellene i verden, viser det at markedsplassen kan fungere i stor skala.

Hyperskala-leverandørene er svært gode på det de gjør. Men når GPU-er er den knappeste innsatsfaktoren innen AI, kan flere kilder til datakraft gi en helt annen forsyningsmodell enn å bare vente på at hyperskala-leverandørene skal øke kapasiteten.

En utfordring med desentralisert infrastruktur er å sørge for at billigere og mer distribuert datakraft ikke går på bekostning av påliteligheten. Hvordan avgjør 0G om en dataleverandør faktisk har utført en AI-arbeidsoppgave korrekt?

Dette er et utmerket spørsmål, og et som skiller et reelt datakraftmarked fra et system der man bare må stole på en leverandør som AWS, Google Cloud eller Microsoft Azure. Vi utformet 0G slik at du aldri trenger å ta en leverandør på ordet.

0Gs private nivå kjører i et forseglet, betrodd kjøremiljø. Maskinvaren produserer en attestering som viser hvilken modell og kode som kjører, og signerer hvert svar med en nøkkel som bare finnes i dette miljøet. En klient kan verifisere signaturen mot attesteringen og bekrefte at den angitte modellen kjørte hos den angitte leverandøren uten endringer. Verken 0G eller leverandøren kan se ledeteksten eller svaret. På alle nivåer lagrer 0G ingen ledetekster eller svar og trener ikke på dataene dine.

På det verifiserte nivået rutes forespørsler til den tiltenkte oppstrømsmodellen, slik at du vet hvilken modell som svarte, selv når selve leverandøren er sentralisert. Disse nivåene defineres for hver forespørsel og håndheves av nettverket. Hvis en forespørsel krever en leverandør som støtter privat behandling, og ingen slik leverandør er tilgjengelig, mislykkes forespørselen i stedet for å falle tilbake til et annet nivå uten at du får beskjed. Ærlige nivåer er viktigere enn markedsføringsnivåer.

Betalingen er knyttet til bevis. Midlene holdes tilbake til det signerte resultatet er levert. Nettverket har registrert over 24,9 millioner TEE-bevis så langt, og rammeverket støtter også optimistisk verifisering og nullkunnskapsverifisering for arbeidsoppgaver der disse tilnærmingene er mer hensiktsmessige enn maskinvareattestering.

Påliteligheten ivaretas på en enkel måte, med automatisk overgang til andre leverandører og løpende data om tilgjengelighet og forsinkelse. Det underliggende nettverket er utformet slik at verifisering og oppgjør ikke blir en flaskehals.

Økonomien i AI-infrastruktur er stadig tettere knyttet til tilgangen på elektrisitet. Etter hvert som modeller og inferensoppgaver fortsetter å vokse i omfang, tror du at energi blir den viktigste begrensningen for AI-datakraft, snarere enn GPU-er, og hvordan kan desentralisert infrastruktur bidra til å løse denne flaskehalsen?

Energi og datakraft henger definitivt sammen, og påvirker hverandre. Flaskehalser som skyldes energimangel, oppstår allerede. I Nord-Virginia ble over 3 GW med etterspørsel fra datasentre plutselig koblet fra strømnettet i juli, noe som viste hvor stor belastning konsentrert etterspørsel fra datasentre kan påføre kraftinfrastrukturen.

Strømforbruket i AI-datasentre ligger an til å dobles innen 2030, og IEA anslår at det globale forbruket i datasentre vil mer enn dobles til rundt 945 terawattimer innen 2030, med AI som den viktigste drivkraften. Du kan bygge flere GPU-er raskere enn du kan bygge kraftinfrastrukturen som trengs for å drive dem.

Sentralisert AI gjør dette vanskeligere ved å samle etterspørselen i et lite antall enorme datasentre, som alle krever svært store mengder strøm og ny infrastruktur for strømnettet.

Desentralisert infrastruktur kan bidra til å lette denne økende begrensningen ved å plassere arbeidsoppgaver der det allerede finnes strøm og datakapasitet. Det kan være regionale datasentre, industrianlegg med ledig kapasitet eller fornybar energi som ellers ikke ville blitt brukt. I stedet for å føre mer strøm til noen få enorme anlegg kan man flytte arbeidsoppgavene dit strømmen allerede finnes og er underutnyttet.

For å være tydelig: Dette fjerner ikke energibegrensningen, men det kan bidra til at eksisterende energi- og datainfrastruktur utnyttes bedre.

0G bruker blant annet betrodde kjøremiljøer, optimistisk verifisering og nullkunnskapsteknikker for å gjøre AI-beregninger etterprøvbare. Hvor tror du kryptografisk verifisering blir viktigst når autonome AI-agenter begynner å ta beslutninger og gjennomføre transaksjoner uten kontinuerlig menneskelig tilsyn?

Verifisering er viktigst akkurat idet et menneske slutter å følge med. En KI-assistent har en person som gjennomgår resultatene. Det har ikke en autonom agent. Når en agent kan ta beslutninger, signere transaksjoner, holde midler eller samhandle med andre agenter, må man vite hvilken agent som handler, hvilken modell den kjører, og om den gjorde det den skulle.

Det er her kryptografisk verifisering blir viktig. Når en agent kjører i et betrodd kjøremiljø, kan man få en signert logg som viser hvilken modell som tok en beslutning, og hvilke inndata den brukte. Blokkjeden er et ideelt tillitslag fordi den er uforanderlig, bare kan utvides og gjør det mulig å spore opphav. Blokkjeden gir et felles register over disse bevisene, slik at utviklere, revisorer og motparter kan verifisere hva som skjedde uten å stole på én enkelt parts versjon av hendelsene.

Det samme prinsippet gjelder når agenter begynner å samhandle med hverandre i stor skala. Det er ikke mulig å ha et menneske som gjennomgår hver beslutning eller transaksjon. Verifisering, mulighet for revisjon og tillit må bygges inn i selve infrastrukturen. Målet er enkelt. I stedet for å spørre om en agent hevder at den fulgte reglene, kan man bevise at den gjorde det.

Mye av kappløpet om infrastruktur i dag handler om å bygge stadig større, sentraliserte datasentre. Er desentralisert datakraft for KI et alternativ til denne modellen, eller ser du for deg at desentraliserte nettverk og hyperskalere til slutt blir komplementære deler av det samme globale markedet for datakraft?

Jeg vil si at de utfyller hverandre, og at fordelingen vil ligne mye på strømnettet. Hyperskalere står for grunnlasten. De er svært gode til å håndtere store, forutsigbare og latensfølsomme arbeidsbelastninger for de største virksomhetene, og det bør de fortsette med. Desentraliserte nettverk kan utfylle dem ved å ta unna varierende etterspørsel, gjøre distribuert og ellers ubrukt datakraft tilgjengelig og gi flere selskaper tilgang til GPU-kapasitet.

Desentraliserte nettverk er et reelt alternativ fordi de gir tillit. Konsentrasjon er et økonomisk problem, men også et problem knyttet til innsyn. Når en håndfull selskaper driver infrastrukturen, kontrollerer de også hva du har mulighet til å se. En hyperskalerer kan love å ikke se på dataene dine. En forseglet enklave med offentlig attestering kan bevise at det er tilfellet. Denne egenskapen blir ikke bedre av et større datasenter. Den oppstår når verifisering er innebygd i infrastrukturen.

Vi ser allerede de to modellene fungere side om side. Google Cloud og Alibaba Cloud var blant partnerne våre ved lanseringen av hovednettet. Virksomheter ønsker å kunne rute en arbeidsbelastning til en hyperskalerer, en desentralisert leverandør eller sin egen maskinvare, basert på pris, personvernkrav og hvilket verifikasjonsnivå de trenger.

Det er den retningen vi ser markedet bevege seg i. Ikke at én modell erstatter de andre, men mot et globalt marked for datakraft der arbeidsbelastninger kan flyttes mellom ulike infrastrukturskilder ut fra hva oppgaven krever.

Etter hvert som KI-agenter blir økonomiske aktører som kan kjøpe tjenester og forvalte ressurser selvstendig, kan datakraft i seg selv bli en del av en maskin-til-maskin-økonomi der agenter dynamisk skaffer seg infrastruktur basert på pris, ytelse og tilgjengelighet?

Vi har sett noen små eksempler på dette i nettverket vårt. De fleste forespørslene via 0G Compute kommer ikke fra en person som klikker på en knapp. De kommer fra applikasjoner og agenter som kaller et API, betaler per forespørsel fra en forhåndsfinansiert saldo og rutes til leverandøren som passer best til oppgaven. Omtrent 43 000 lommebøker har betalt for inferens på denne måten, og over 300 prosjekter er bygget på 0G. Ghast AI alene har sendt over 100 milliarder tokener gjennom 0G Compute. NeoSoul kjører millioner av agenter på tvers av 0G og BNB Chain, et annet blokkjedenettverk. Når en agent velger en billigere leverandør til en batchjobb og en privat enklave til en sensitiv oppgave, er det en rutingsbeslutning som tas allerede i dag.

Det som mangler for å få en reell maskinøkonomi, er ting mennesker tar for gitt: identitet, en måte å holde av ressurser på forhånd og en regneenhet. Agenter trenger en identitet som fungerer på tvers av tjenester, og det er dette 0Gs Agentic ID er utformet for å tilby. De trenger også en måte å sikre seg datakraft på forhånd, i stedet for å betale for hver enkelt forespørsel, slik at de kan planlegge og operere selvstendig.

Det er en del av grunnen til at vi bygget Compute Finance. Når datakraft kan opptjenes gjennom deltakelse i nettverket og brukes på tvers av KI-tjenester, kan en agent få finansiering én gang og bruke datakraften den trenger, uten at et menneske må fylle på en skykonto. Ascend og Infinite AI er de første implementeringene. Maskinøkonomien vil bli bygget oppå dem av mennesker vi ennå ikke har møtt.

Sikkerhetskravet kan ikke fravikes. Hver eneste av disse maskinbeslutningene må etterlate seg et verifiserbart spor og ha innebygde sikkerhetsmekanismer. En maskinøkonomi uten kvitteringer er bare en raskere måte å tape penger på og utløse en uoppdaget sikkerhetskatastrofe.

Når du ser fem år fram i tid, hvordan forventer du at markedet for KI-datakraft vil utvikle seg? Vil selskaper fortsatt først og fremst tenke på å leie GPU-er og skykapasitet, eller beveger vi oss mot et mer likvid globalt marked der datakraft kan eies, utveksles, kommersialiseres og fordeles dynamisk?

Jeg tror ikke leie vil forsvinne, på samme måte som leasing ikke forsvant da finansiering av utstyr ble mer moden. Men leie er ikke lenger det eneste alternativet, og det vil slutte å være den eneste måten seriøse aktører tenker på datakraft som en ressurs.

Etter hvert som dette utvikler seg, forventer jeg at datakraft får samme type finansielle infrastruktur som alle andre strategiske innsatsfaktorer. Selskaper vil ha posisjoner i datakraft på samme måte som de har energikontrakter eller utenlandsk valuta. Leverandører vil selge kapasitet i et åpent marked i stedet for å forhandle fram én kontrakt om gangen. Datakraft vil prises etter arbeidsbelastning og tillitsnivå, fordi verifisert privat inferens og uverifisert inferens er ulike produkter. Og en stadig større andel av kjøperne vil være agenter, ikke innkjøpsteam.

Det er dette Compute Finance (ComFi) er til for. Vi lanserte Ascend og kunngjorde Infinite AI på ettårsdagen for hovednettet vårt, fordi rekkefølgen nå er tydelig. Datakraft produseres. Den prises. Neste steg er et finansielt lag der krav på datakraft kan holdes, opptjenes, brukes og omsettes, samtidig som hver enhet etterlater seg et verifiserbart spor. Vi gjør ComFi bevisst til en åpen kategori, ikke et proprietært merkenavn, for et marked med én deltaker er ikke et marked.

Det som gjør alt dette mulig, er ikke en bedre GPU. Det er tillitslaget: bevis på hva som ble kjørt, bevis på hvem som kjørte det, og oppgjør som følger bevisene. Når datakraft kan verifiseres, blir den tilstrekkelig fungibel til å kunne finansieres. Når den kan finansieres, blir den likvid. De neste fem årene er tiden da bransjen slutter å behandle økonomiens viktigste ressurs som en regnskapspost.

Takk for et flott intervju. Lesere som ønsker å lære mer, kan besøke 0G.