El espacio Web3-IA es ONE de los más prometedores en el Cripto, combinando gran promesa con una gran expectación. Resulta casi herético señalar la cantidad de proyectos Web3-IA con capitalizaciones de mercado multimillonarias pero sin casos de uso prácticos, impulsados ​​únicamente por narrativas indirectas del mercado tradicional de IA. Mientras tanto, la brecha en las capacidades de IA entre Web2 y Web3 continúa ampliándose de forma alarmante. Sin embargo, Web3-IA no es solo publicidad exagerada. Los recientes avances en el mercado de IA generativa resaltan la propuesta de valor de enfoques más descentralizados.

Considerando todos estos factores, nos encontramos en un mercado sobrevalorado y sobrefinanciado, desconectado del estado actual de la industria de la IA generativa, pero capaz de generar un enorme valor para la próxima ola de IA generativa. Es comprensible sentirse confundido. Si nos distanciamos del revuelo y analizamos el espacio Web3-IA desde la perspectiva de los requisitos actuales, emergen áreas claras donde la Web3 puede aportar un valor sustancial. Pero esto requiere atravesar un denso campo de distorsión de la realidad.

Distorsión de la realidad de la Web3-AI

Como Cripto , solemos ver el valor de la descentralización en todo. Sin embargo, la IA se ha convertido en una fuerza cada vez más centralizada en términos de datos y computación, por lo que la propuesta de valor de la IA descentralizada debe empezar por contrarrestar esa fuerza centralizadora natural.

En lo que respecta a la IA, existe una creciente discrepancia entre el valor que percibimos que se crea en la Web3 y las necesidades del mercado de la IA. La preocupante realidad es que la brecha entre la IA de la Web2 y la Web3 se está ampliando en lugar de reducirse, impulsada fundamentalmente por tres factores clave:

Talento limitado en investigación de IA

El número de investigadores de IA que trabajan en la Web3 es de un solo dígito. Esto no resulta muy alentador para quienes afirman que la Web3 es el futuro de la IA.

Infraestructura restringida

Aún no hemos logrado que las aplicaciones web funcionen correctamente con backends Web3, por lo que pensar en IA es, como mínimo, una exageración. La infraestructura Web3 impone limitaciones computacionales imprácticas para el ciclo de vida de las soluciones de IA generativa.

Modelos, datos y recursos computacionales limitados

La IA generativa se basa en tres elementos: modelos, datos y computación. Ninguno de los grandes modelos de frontera está preparado para ejecutarse en infraestructuras Web3; no existe una base sólida para grandes conjuntos de datos de entrenamiento; y existe una enorme brecha de calidad entre los clústeres de GPU Web3 y los necesarios para el preentrenamiento y el ajuste de los modelos base.

La dura realidad es que la Web3 ha estado desarrollando una versión de IA de baja calidad, intentando básicamente igualar las capacidades de la Web2, pero creando versiones inferiores. Esta realidad contrasta marcadamente con el enorme valor que ofrece la descentralización en diversas áreas de la IA.

Para evitar que este análisis se convierta en una tesis abstracta, analicemos las diferentes tendencias de IA descentralizada y evalúémoslas en función de su potencial en el mercado de IA.

Sigue leyendo: Jesús Rodríguez - Financiación de la IA generativa de código abierto con Cripto

La distorsión de la realidad en la Web3-IA ha llevado a que la ola inicial de innovación y financiación se centre en proyectos cuyas propuestas de valor parecen desconectadas de la realidad del mercado de la IA. Al mismo tiempo, existen otras áreas emergentes en la Web3-IA con un enorme potencial.

Algunas tendencias sobrevaloradas de la Web3-AI

Infraestructura de GPU descentralizada para entrenamiento y ajuste

En los últimos años, hemos presenciado un auge de infraestructuras de GPU descentralizadas con la promesa de democratizar el preentrenamiento y el ajuste de los modelos base. La idea es ofrecer una alternativa a la monopolización de las GPU por parte de los laboratorios de IA tradicionales. La realidad es que el preentrenamiento y el ajuste de grandes modelos base requieren grandes clústeres de GPU con buses de comunicación ultrarrápidos que los conecten. Un ciclo de preentrenamiento de un modelo base de 50B-100B en una infraestructura de IA descentralizada podría tardar más de un año, si es que funciona.

Marcos de ZK-AI

La idea de combinar la computación de conocimiento cero (zk) con la IA ha generado conceptos interesantes para habilitar mecanismos de Privacidad en los modelos base. Dada la importancia de la infraestructura zk en la Web3, varios frameworks prometen integrar la computación zk en los modelos base. Si bien teóricamente atractivos, los modelos zk-IA se enfrentan rápidamente al desafío de ser prohibitivamente costosos desde el punto de vista computacional cuando se aplican a modelos grandes. Además, zk limitará aspectos como la interpretabilidad, una de las áreas más prometedoras de la IA generativa.

Prueba de inferencia

La Cripto se basa en pruebas criptográficas, y a veces estas se adjuntan a elementos que no las necesitan. En el ámbito de la Web3-IA, vemos ejemplos de marcos que emiten pruebas criptográficas de resultados de modelos específicos. Los desafíos en estos escenarios no son tecnológicos, sino de mercado. En esencia, la prueba de inferencia es una especie de solución que busca un problema y carece de casos de uso reales en la actualidad.

Algunas tendencias de alto potencial de Web3-AI

Agentes con billeteras

Los flujos de trabajo agénticos son una de las tendencias más interesantes en IA generativa y tienen un gran potencial para las Cripto. Por agentes, nos referimos a programas de IA que no solo pueden responder preguntas pasivamente basándose en las entradas, sino que también ejecutan acciones en un entorno determinado. Si bien la mayoría de los agentes autónomos se crean para casos de uso aislados, estamos presenciando la rápida aparición de entornos multiagente y la colaboración.

Este es un área donde las Cripto pueden generar un valor enorme. Por ejemplo, imaginemos un escenario en el que un agente necesita contratar a otros agentes para completar una tarea o invertir algún valor para garantizar la calidad de sus resultados. Dotar a los agentes de primitivas financieras en forma de rieles Cripto facilita muchos casos de uso para la colaboración entre agentes.

Financiación de Cripto para IA

ONE de los secretos mejor conocidos de la IA generativa es que el sector de la IA de código abierto está atravesando una enorme escasez de financiación. La mayoría de los laboratorios de IA de código abierto ya no pueden permitirse trabajar con modelos grandes y, en su lugar, se centran en otras áreas que no requieren grandes cantidades de acceso a la computación ni de datos. Las Cripto son extremadamente eficientes en la formación de capital con mecanismos como airdrops, incentivos o incluso puntos. El concepto de vías de financiación de Cripto para la IA generativa de código abierto es una de las áreas más prometedoras en la intersección de estas dos tendencias.

Modelos de cimentación pequeños

El año pasado, Microsoft acuñó el término modelo de lenguaje pequeño (SLM) tras el lanzamiento de su modelo Phi, el cual, con menos de 2 mil millones de parámetros, superó a LLM mucho más grandes en tareas de informática y matemáticas. Los modelos de base pequeños (como parámetros de 1 a 5 mil millones) son un requisito clave para la viabilidad de la IA descentralizada y abren posibilidades prometedoras para la IA en dispositivos. Descentralizar modelos con cientos de miles de millones de parámetros es prácticamente imposible hoy en día y seguirá siéndolo durante un tiempo. Sin embargo, los modelos de base pequeños deberían poder ejecutarse en muchas de las infraestructuras Web3 actuales. Impulsar la agenda SLM es esencial para generar valor real con la Web3 y la IA.

Generación de datos sintéticos

La escasez de datos es ONE de los mayores desafíos de esta última generación de modelos de base. Como resultado, existe un creciente nivel de investigación centrado en mecanismos de generación de datos sintéticos mediante modelos de base que puedan complementar los conjuntos de datos del mundo real. La mecánica de las redes de Cripto y los incentivos de tokens permiten coordinar idealmente a un gran número de partes para colaborar en la creación de nuevos conjuntos de datos sintéticos.

Otras tendencias relevantes de Web3-AI

Existen otras tendencias interesantes de Web3-IA con un potencial significativo. Los resultados de prueba de la función humana (PSU) cobran cada vez mayor relevancia dados los desafíos del contenido generado por IA. La evaluación y el benchmarking son un segmento de la IA en el que las capacidades de confianza y transparencia de Web3 pueden destacar. El ajuste preciso centrado en el ser humano, como el aprendizaje de refuerzo con retroalimentación Human (RLHF), también es un escenario interesante para las redes Web3. Es probable que surjan otros escenarios a medida que la IA generativa siga evolucionando y las capacidades de Web3-IA maduren.

La necesidad de capacidades de IA más descentralizadas es muy real. Si bien la industria de la Web3 podría no estar aún en condiciones de rivalizar con el valor generado por los megamodelos de IA, puede generar un valor real para el espacio de la IA generativa. El mayor desafío para la evolución de la Web3-IA podría ser superar su propio campo de distorsión de la realidad. La Web3-IA tiene mucho valor; solo necesitamos centrarnos en construir cosas reales.

Nota: Las opiniones expresadas en esta columna son las del autor y no reflejan necesariamente las de CoinDesk, Inc. o sus propietarios y afiliados.