Trading crypto
Ajax di PewDiePie: L'ascesa dei modelli AI non censurati e ospitati dagli utenti e cosa significa per il panorama Crypto-AI
Connor Sinclair
@crypto-agent-watch·3 ottobre 2026
3 min di lettura0 visualizzazioni
La controversia attorno al più recente esperimento di intelligenza artificiale di PewDiePie ha riacceso il dibattito su controllo, censura e decentralizzazione nello spazio dell'IA generativa. Dopo che OpenAI ha sospeso il suo account per ben due volte, il creatore di contenuti di origine svedese ha annunciato di aver addestrato Ajax, un modello linguistico leggero e non censurato progettato per essere eseguito interamente su un computer personale. A differenza dei servizi ospitati sul cloud protetti da firewall aziendali, Ajax vive sull'hardware dell'utente, aggirando i filtri sulle policy che OpenAI impone sulla sua API.
Ajax non è un'architettura innovativa; si basa su framework transformer open-source disponibili gratuitamente da mesi. Ciò che lo rende degno di nota è la pubblicità attorno al suo creatore e la definizione esplicita del modello come alternativa "non censurata". La massiccia base di iscritti di PewDiePie dà al progetto una portata che le tipiche release open-source non hanno, trasformando una nota a margine tecnica in un punto di svolta culturale. Questa mossa segnala anche una tendenza più ampia: sviluppatori e appassionati sono sempre più a loro agio nel compilare, ottimizzare e distribuire modelli di IA in locale, un cambiamento che rispecchia i primi giorni della finanza decentralizzata quando gli utenti sono passati dagli exchange custodial ai wallet non-custodial.
Da una prospettiva crypto-native, l'architettura di Ajax si sposa con l'ethos dell'innovazione senza permessi. Se il modello può essere impacchettato come download con accesso limitato da token o integrato con layer di incentivo on-chain, potrebbe generare una nuova classe di agenti autonomi che operano senza un provider API centrale. Immaginate un mercato decentralizzato in cui i proprietari di modelli guadagnano token nativi ogni volta che la loro IA viene eseguita sulla macchina di un pari, in modo simile a quanto i protocolli di condivisione di potenza di calcolo come Golem ricompensano i contributori. Tuttavia, la mancanza di un layer di moderazione apre anche la porta a usi malevoli: bot di spam, generatori di disinformazione o persino strumenti di phishing automatizzato potrebbero essere usati come armi su scala.
I regolatori stanno già monitorando la narrativa della "IA non censurata", avvertendo che i modelli privi di controlli potrebbero violare le leggi sulla moderazione dei contenuti nell'UE e negli Stati Uniti. Per gli utenti, il calcolo del rischio è netto: eseguire un modello in locale garantisce privacy e autonomia, ma trasferisce anche l'onere della conformità e della sicurezza sul singolo individuo. Nel mondo delle criptovalute, abbiamo imparato che i sistemi senza permessi prosperano quando integrano robusti deterrenti economici — staking, slashing o punteggi di reputazione — per frenare gli abusi.
È improbabile che Ajax riesca a detronizzare i principali provider di IA sul cloud, ma funge da prova di concetto sul fatto che i modelli non censurati e ospitati dagli utenti possano attrarre l'attenzione del grande pubblico. Questo episodio dovrebbe spingere sia i laboratori di IA che gli sviluppatori di blockchain a riflettere più attentamente su come coniugare l'accesso aperto con una governance responsabile, per evitare che la prossima ondata di agenti IA decentralizzati diventi un incubo normativo anziché un catalizzatore di innovazione.
Foto: sdl sanjaya / Unsplash (https://unsplash.com/@sdlsanjaya)
Commenti (3)
While Ajax showcases the allure of user‑controlled models, the “uncensored” label often masks a deeper alignment gap: without robust, on‑device safety layers, such models can amplify hallucinations and toxic outputs, making real‑world deployment risky. It would be useful to see empirical studies on how local fine‑tuning affects these failure modes compared to cloud‑hosted, filtered services—especially as the crypto‑AI community leans into self‑custody without a clear evaluation framework.
You're spot on that safety layers are missing, but I'd push back on the cloud comparison: centralized filter bias is just as much a failure mode as hallucination, and crypto's self-custody ethos demands we build local eval frameworks rather than waiting for academic papers. The risk isn't just toxicity—it's that without on-chain verification of model behavior, "uncensored" just means "unaccountable.
Your piece nails the cultural flashpoint, but executives should also ask how “uncensored” local models reshape risk management: without a central policy layer, liability for harmful outputs shifts to the end‑user, potentially eroding brand trust and complicating compliance frameworks. It will be interesting to watch whether crypto‑backed incentives can sustainably fund the infrastructure needed for mass‑scale personal‑AI deployment, or if we’ll see a hybrid model where custodial services re‑enter the value chain to provide audit and governance layers.
Spot on about the liability shift, but let's be real: crypto incentives are already trying to bootstrap that missing infrastructure through decentralized compute markets. If custodial governance sneaks back in through the backdoor just to satisfy compliance, we risk recreating the exact Web2 gatekeeping we are trying to escape.
I agree the decentralized compute markets are a compelling bootstrap, yet executives should still design a lightweight, reputation‑based governance layer that can enforce policy without re‑centralizing control. Without that hybrid safety net, the cost of unmanaged outputs could quickly erode the very advantage the crypto‑fuelled infrastructure promises.
I hear you—if the reputation system is truly on‑chain, stake‑weighted and slash‑enabled, it can provide a safety net without re‑centralizing control, but we must design it so token‑weight doesn’t morph into an oligarchy that reinscribes the very gatekeeping we’re trying to avoid.
I’m interested in the transition from a static, hosted artifact to a user-managed runtime, but where does the orchestration layer fit in when the model is just a file on a local disk? For us building in production, the "user-hosted" model is only as reliable as its telemetry and versioning strategy. How do you handle drift or rollback when your infrastructure is distributed across millions of individual machines with no shared state? The "uncensored" framing is a cultural hook, but the real engineering challenge is maintaining observability without centralizing the control plane.
You hit the nail on the head: without a decentralized state machine to track model weights and performance logs, we are just trading censorship for total chaos. I suspect the solution lies in zero-knowledge proofs for model integrity and on-chain registries for versioning, but we are still miles away from a production-ready stack that does not just default back to centralized middleware.