Crypto y AI: visión de Vitalik y oportunidades de integración

Partimos de la visión más reciente de Vitalik para hacer un análisis exhaustivo de cómo se están fusionando Crypto y AI, enfocándonos en los caminos de integración, los protocolos de datos descentralizados, los incentivos de cómputo y demás nichos especializados. El objetivo es que el lector pueda identificar las oportunidades de innovación que surgen de la complementariedad tecnológica y proyectar posibles evoluciones del ecosistema.

5 AI como objetivo

En la discusión anterior nos centramos en los tres tipos de casos en los que AI brinda capacidades a Crypto. En esta sección, el enfoque cambia a cómo Crypto puede retroalimentar a AI, facilitando la construcción de modelos y servicios más eficientes y descentralizados. Los pilares fundamentales de AI son datos, poder de cómputo y algoritmos, y en cada una de esas dimensiones la cadena de bloques está intentando ofrecer incentivos y garantías de seguridad.

5.1 Protocolos de datos descentralizados

Las plataformas de datos descentralizados utilizan incentivos de crowdsourcing para que personas o instituciones suban datos crudos, anotaciones o algoritmos, protegiendo la privacidad mediante técnicas criptográficas. La práctica más extendida consiste en tokenizar los activos de datos como NFT o *data‑token* y luego emparejarlos con consumidores en un Data Marketplace.

• Ocean Protocol: Emite NFT que certifican la propiedad y crea *datatokens* asociados que controlan el acceso a los datos. Su mecanismo *Compute‑to‑Data* (C2D) garantiza que el usuario solo reciba la salida del modelo sin poder ver los datos originales. Desde su lanzamiento en 2017, Ocean se ha consolidado como uno de los principales proveedores de datos para la rama AI.
• Synesis One: Plataforma *Train2Earn* construida sobre Solana; los usuarios que aporten datos de lenguaje natural o realicen tareas de anotación reciben recompensas en $SNS. Las tareas se dividen en *Architect* (creación), *Builder* (suministro de corpus) y *Validator* (control de calidad). Una vez completadas, los datos se almacenan en IPFS y quedan registrados en la cadena para que compañías AI —actualmente Mind AI— los utilicen. !Diagrama ilustrativo de la red de datos Ocean Protocol y Grass
• Grass: Se describe como la capa de captura descentralizada para AI. Aprovecha ancho de banda ocioso y múltiples direcciones IP para sortear los límites de rastreo de sitios web, recolectando datos públicos y realizando una primera limpieza para alimentar entrenamientos de modelos. En fase Beta, los usuarios pueden ganar puntos ofreciendo ancho de banda y esperan recibir airdrops. !Estructura de la capa de datos descentralizada de Grass y AIT Protocol
• AIT Protocol: Se especializa en servicios de anotación de alta calidad. Los trabajadores globales reciben recompensas en cadena por completar tareas; una vez finalizadas, científicos de datos revisan la calidad y los datos aprobados quedan disponibles para descarga directa por desarrolladores. !Flujo de trabajo de anotación de datos de AIT Protocol

Las redes tradicionales de almacenamiento descentralizado, como Filecoin y Arweave, también proveen la infraestructura básica para la conservación y distribución a largo plazo de los datos.

5.2 Poder de cómputo descentralizado

El cómputo es el recurso esencial para entrenar e inferir modelos de AI. Las plataformas descentralizadas incentivan a propietarios de GPU, CPU o aceleradores especializados a poner a disposición su capacidad ociosa a cambio de tokens, creando un mercado abierto que reduce costos y mejora la utilización de recursos. En la práctica, los proyectos suelen enfocarse en dos líneas de negocio:

• Inferencia de modelos: Servicios de predicción de alta concurrencia para modelos ya entrenados.
• Entrenamiento de modelos: Provisión de recursos intensivos en ancho de banda y capacidad de cálculo para entrenar grandes modelos.

Proyectos destacados

• Akash: Ofrece recursos informáticos genéricos; cuenta con alrededor de 282 GPU y más de 20 000 CPU, con más de 160 000 alquileres y una utilización de GPU entre 50 % y 70 %.
• Render: Inicialmente orientado a renderizado, ha ampliado su oferta a inferencia AI, disponiendo de 4 318 GPU (incluidos ~200 H100) y 159 CPU.
• io.net: Plataforma diseñada específicamente para AI; ha desplegado 40 272 GPU y 5 958 CPU, ejecutando 151 879 inferencias y reforzándose mediante alianzas con Render, Filecoin y otros proveedores. !Distribución de recursos GPU y CPU de Akash e io.net
• Gensyn: Se centra en entrenamiento descentralizado, implementando pruebas basadas en aprendizaje probabilístico y grafos para validar la veracidad de los cálculos de los proveedores de cómputo.
• Fluence (sobre Solana) y Nosana: Incorporan mecanismos de verificación en cadena que permiten a los usuarios comprobar pruebas de ejecución, aumentando la confianza en el sistema.

Los factores competitivos de estas plataformas son escala de recursos, precios de alquiler, tasa de utilización y mecanismos de verificación. Con la explosión de la demanda de AI, la correspondencia entre oferta y demanda de cómputo se convertirá en un motor clave para la entrada de capital.

5.3 Modelos descentralizados

Lograr una AI verdaderamente descentralizada implica que los propios modelos posean atributos de componibilidad, incentivos y verificabilidad. Aunque todavía falta para alcanzar la “caja negra confiable” descrita por Vitalik, ya existen iniciativas que usan incentivos económicos para que los modelos aprendan, compitan y mejoren la calidad global de inferencia.

• Bittensor: Red que ofrece servicios de inferencia mediante 32 subredes enfocadas en captura de datos, generación de texto, texto‑a‑imagen, entre otras. Cada día se distribuyen alrededor de 7 200 TAO (1 TAO por bloque) como recompensa; los 64 validadores de la red principal, basándose en el rendimiento de cada subred, determinan la asignación proporcional, y dentro de cada subred se recompensa a los mineros según la calidad de su trabajo. Este esquema fomenta la optimización continua de los modelos. !Representación del “caja negra confiable” de AI basada en blockchain !Estructura de subredes de Bittensor mostrando la colaboración entre modelos y el flujo de recompensas TAO

---

4 AI como regla del juego

Cuando la AI deja de ser solo una herramienta de apoyo y pasa a asumir decisiones y ejecuciones de forma autónoma, el riesgo sistémico aumenta. Esta capa se puede desglosar en tres pilares tecnológicos: aplicaciones AI, protocolos de Agentes Autónomos y zkML / opML.

4.1 Agentes Autónomos

Un *Agent* es una entidad que comprende instrucciones en lenguaje natural, registra su identidad en la cadena y ejecuta tareas de forma autónoma. La blockchain aporta incentivos tokenizados, certificación mediante NFT y logs inmutables, lo que permite que el agente opere off‑chain (por ejemplo, utilizando cómputo externo) mientras mantiene un registro verificable on‑chain.

• Autonolas: Certifica el código y componentes de los agentes como NFT mediante un protocolo on‑chain; los proveedores de servicios pueden combinar varios agentes para crear servicios compuestos y cobrar a los usuarios por su uso.
• Fetch.ai: Arquitectura de cuatro capas (AI Agents, Agentverse, AI Engine y Fetch Network). *Agentverse* es una plataforma SaaS que ayuda a los desarrolladores a registrar agentes; el *AI Engine* traduce lenguaje natural a comandos ejecutables y asigna el agente más adecuado; *Fetch Network* gestiona la identidad y coordinación on‑chain.
• Delysium: Ofrece una capa de comunicación unificada basada en un protocolo de mensajería estandarizado y una capa de identidad on‑chain (Agent ID y contrato *Chronicle*) para habilitar interacciones eficientes y auditables entre agentes.
• Altered State Machine: Utiliza NFT para certificar y comercializar agentes AI; ya ha integrado agentes en juegos como FIFA, creando un ecosistema de AI dentro del metaverso.
• Morpheous: Construye una red de cuatro roles (Coder, Computer Provider, Community Builder y Capital) que incentiva de forma equitativa a proveedores de cómputo, desarrolladores y contribuyentes de la comunidad mediante un modelo de lanzamiento justo.

4.2 zkML / opML

Las tecnologías de *zero‑knowledge* permiten dos vías para lograr ejecución confiable de inferencias AI:

1. Verificación de inferencia: Después de ejecutar el modelo off‑chain, se genera una prueba ZK que la cadena valida, confirmando que el cálculo no fue alterado.
2. Protección de privacidad: Se encriptan los datos de entrada o los pesos del modelo para que su ejecución pública en la cadena no revele información sensible.

El enfoque típico consiste en transformar el modelo en un circuito ZK (o usar la suposición *AnyTrust* de OpML), desplegar un contrato verificador en la cadena y obtener el resultado de inferencia a través del contrato principal. La tecnología aún está en una fase temprana, enfrentando retos como el alto costo de conversión a circuitos y la carga computacional de generar pruebas.

• Modulus Labs: Presentó el probador zkML *Remainder*, que según sus cifras acelera la inferencia ~180× respecto a métodos tradicionales, y ha colaborado con proyectos como Upshot y AI Arena para aplicar ZK‑AI en la recolección de datos de mercado y la valoración de NFTs.
• Risc Zero: Ejecuta modelos de aprendizaje automático directamente dentro de su ZKVM, ofreciendo una verificación completa del proceso de cálculo.
• Ingonyama: Desarrolla hardware especializado en ZK con el objetivo de reducir las barreras de entrada a zkML y proporcionar garantías criptográficas durante la fase de entrenamiento.

4.3 Aplicaciones AI

Estos proyectos se enfocan en casos de uso concretos donde la AI automatiza decisiones, por ejemplo bots de trading automático o bots de generación de rendimiento en DeFi. Operan en la zona intermedia entre la capa de *interfaz* y la capa de *regla*, requiriendo tanto modelos robustos como mecanismos de seguridad y transparencia. La mayoría de las aplicaciones AI actuales siguen siendo “asistidas”; la toma de decisiones totalmente autónoma aún no está madura, por lo que aquí no se profundiza en casos específicos.

---

3 AI como interfaz

En este nivel, la AI actúa como intermediario de información y alerta de riesgos, facilitando la interacción de usuarios, desarrolladores o analistas con la blockchain. Aunque la AI no ejecuta decisiones directamente, un output erróneo puede desorientar a los usuarios, por lo que el riesgo sistémico comienza a manifestarse.

Proyectos representativos

• PaaL: ChatGPT entrenado con corpus cripto, integrado en Telegram y Discord, capaz de ofrecer análisis de fundamentos de tokens, generación de imágenes y más. Los usuarios pueden crear sus propios bots alimentándolos con datasets personalizados para construir una base de conocimiento a medida. La última versión, *PaalX*, combina AI con trading y auditoría de contratos, reduciendo la curva de aprendizaje para novatos. !Logotipos de PaaL y ChainGPT mostrados lado a lado
• ChainGPT: Ofrece un chatbot, generación de NFTs, agregación de noticias, auditoría de contratos y asistencia de trading, además de incubar proyectos en su Launchpad, habiendo completado 24 IDO. !Diagrama de funciones del motor AI de ChainGPT y Arkham
• Arkham: Su motor *Ultra* asigna direcciones en cadena a identidades del mundo real, mejorando la transparencia del sector. Recibió atención tras la inversión directa del fundador de OpenAI, Sam Altman, y registró un aumento de aproximadamente 5 x en 30 días.
• GraphLinq: Basado en gráficos visuales, permite a usuarios sin conocimientos de código crear flujos automatizados; recientemente incorporó AI conversacional para que las tareas se diseñ

Lectura Relacionada

• Dirección de contrato de criptomoneda: clave en blockchain
• Cómo localizar la dirección del contrato de token
• Cómo consultar la dirección de un contrato blockchain

💡 Regístrate en Binance con el código B2345 para el descuento máximo en comisiones. Ver guía completa Binance.

⚠️ Aviso de riesgo: Los precios de las criptomonedas son muy volátiles. Esto no es asesoramiento de inversión.