El argumento para poner IA en una blockchain no es descentralizar por descentralizar. Son cuatro carencias concretas de la IA centralizada que coinciden con cuatro cosas que una blockchain ya hace bien, y la evaluación honesta es que solo dos de esas cuatro están cerca de funcionar a escala.
Qué aporta de verdad una cadena
Verificabilidad. Puedes probar que una salida provino de una versión concreta del modelo. Importa sobre todo donde la decisión tiene consecuencias legales o financieras, y es la más difícil de entregar a bajo costo.
Incentivos. Proveedores de cómputo, contribuyentes de datos y entrenadores pueden cobrar en una unidad común sin nómina central ni cuenta bancaria. Esto ya funciona, y es la parte menos controvertida de la tesis.
Composabilidad. La salida de un modelo se vuelve un activo on-chain que otros contratos consumen directamente, así que la decisión de un agente puede liquidar una operación sin humano en el bucle.
Resistencia a la censura. Ningún proveedor único puede revocar el acceso a un modelo o a una ejecución de entrenamiento.
Los mercados de cómputo son la parte madura
Vender tiempo de GPU por subasta funciona, y el mecanismo es directo: los proveedores listan capacidad, los compradores pujan o pagan por hora de GPU y la liquidación ocurre on-chain. Akash vende cómputo general con subasta inversa. Render apunta a renderizado y cada vez más a trabajo general de GPU. El mercado de almacenamiento de Filecoin es el mismo patrón aplicado al disco.
Los límites no son conceptuales. Los mercados descentralizados son peores en lo que más importa a un cliente: latencia predecible y un contrato de soporte cuando algo se rompe. Ganan donde la carga es por lotes, tolerante a interrupciones y sensible al costo, que es una franja real pero estrecha del mercado.
La inferencia verificable es donde aparece el costo
Dos enfoques, ambos caros.
Las pruebas de conocimiento cero envuelven el cómputo para que un verificador pueda comprobarlo sin reejecutarlo. El overhead es el problema: probar el forward pass de un modelo cuesta entre diez y cien veces la inferencia bruta, lo que está bien para una traza de auditoría y es prohibitivo para un endpoint de producción.
Los juegos de desafío optimistas asumen que la salida es correcta y permiten que cualquiera la dispute dentro de una ventana, resolviéndose por reejecución. Barato en el caso común, e introduce una ventana de fraude durante la cual la respuesta equivocada es la aceptada. Si eso es aceptable depende por completo de qué controla la salida.
Los agentes son la frontera interesante y la menos probada
Programas autónomos con wallet y capacidad de operar — Eliza de ai16z, GAME de Virtuals y una larga cola de frameworks — son el área más activa del espacio. El patrón técnico no tiene nada de notable: un agente lee estado, decide y llama a un contrato.
Lo que no está probado es si la economía de tokens de un agente persiste. Un agente que genera ingresos tiene un derecho real sobre valor; un agente cuyo token existe para financiar el desarrollo del agente tiene un derecho sobre una recaudación de fondos. Los dos se ven idénticos en un dashboard.
El entrenamiento descentralizado es lo más difícil y especulativo
Bittensor coordina subredes especializadas — texto, imagen, audio — donde los mineros producen salidas y los validadores las puntúan, con el consenso determinando el ranking y las emisiones de TAO, unas 7.200 al día, distribuidas entre participantes. Gensyn y esfuerzos similares intentan coordinar muchas máquinas en un solo trabajo de entrenamiento.
Dos problemas son estructurales. La verificación de un paso de entrenamiento es mucho más difícil que la de una inferencia, porque el cómputo es enorme y la salida es un conjunto de pesos y no una predicción. Y la resistencia a sybil en el entrenamiento es débil: nodos falsos que no aportan nada útil mientras cobran recompensas son un ataque vivo, y escala con la apertura de la red.
Qué falla
El model drift hace que un modelo on-chain se degrade a medida que cambia el mundo y nadie tiene incentivo para reentrenarlo. El overhead de las pruebas limita lo que hoy se puede probar de forma económica. La latencia hace de la inferencia descentralizada un mal encaje para productos interactivos. La economía de tokens ata un activo volátil a un servicio de precio fijo, así que un agente cuyos costos son en dólares y cuyos ingresos son en un token está corto de volatilidad quiera o no. La cartelización del cómputo es un resultado plausible de cualquier mercado abierto donde el capital compra ventaja.
Y la carga regulatoria está llegando: la EU AI Act y sucesivas órdenes ejecutivas en EE. UU. crean obligaciones que una red permissionless satisface con incomodidad estructural, mientras que los modelos tokenizados atraen escrutinio de valores.
La lectura honesta
El cómputo descentralizado y los mecanismos de incentivos funcionan. La inferencia verificable funciona a un costo que la limita a casos de alto riesgo y bajo volumen. El entrenamiento descentralizado es un problema de investigación abierto. Si construyes en este espacio, la pregunta que vale la pena hacerse sobre cualquier proyecto es cuál de las cuatro propiedades necesita realmente, porque varias se compran más baratas a un proveedor centralizado cuyos modos de fallo al menos entiendes.
Referencias
Siguiente, lee Oráculos Descentralizados 101 para entender cómo los modelos de IA obtienen datos fiables. Más en Aplicaciones Web3.