Escrito por: Pink Brains
Compilado por: AididiaoJP, Foresight News
La IA descentralizada existe porque la IA centralizada tiene cuellos de botella estructurales que el capital y el código no pueden resolver:
- Recursos de computación escasos y costosos
- Excesiva concentración de control
- Resultados del modelo no verificables
- Acceso a datos de entrenamiento cada vez más difícil
Recursos de computación escasos y costosos
Se prevé que la infraestructura de GPU crezca de 100 mil millones de dólares en 2025 a 770 mil millones en 2035. Las GPU para centros de datos han estado agotadas durante meses consecutivos. Se espera que el mercado de computación descentralizada crezca de 90 mil millones de dólares en 2024 a 220 mil millones en 2035 (datos de Research and Markets). Esta cifra solo tiene sentido si se cree que la escasez es estructural y no cíclica, y nosotros creemos que lo es.
Excesiva concentración de control
ChatGPT, Gemini, Grok, Claude son propiedad y están operados por un puñado de compañías privadas. La política actual de IA asume que solo unas pocas entidades capaces de concentrar enormes recursos de computación pueden entrenar sistemas potentes. Una vez que se rompe esta suposición, el panorama de quién puede construir inteligencia de vanguardia cambia por completo.
Resultados de salida no verificables
Cuando un modelo toma decisiones, los usuarios no pueden verificar si se ejecutó el modelo correcto, si los cálculos se realizaron correctamente o si se filtraron datos sensibles. Esto puede ser tolerable en un chatbot, pero es completamente inaceptable cuando la IA maneja préstamos, atención médica o cuando agentes autónomos operan billeteras en tiempo real.
Acceso a datos de entrenamiento cada vez más difícil, debido a preocupaciones de privacidad y regulación
Un rastreador centralizado ubicado en una sola región de AWS pronto será limitado en velocidad, bloqueado geográficamente o alimentado con cachés envenenados. Como dijo a16z en su perspectiva para 2026, la privacidad se está convirtiendo en la "trinchera más importante en criptografía".
La IA necesita blockchain para que la inteligencia sea abierta, verificable y económicamente accesible.
Mapa de la pila tecnológica de la IA descentralizada
- Capa de Aplicaciones y Servicios: Los agentes de IA pueden hacer muchas cosas, pero en el ámbito cripto, los dos casos de uso dominantes actualmente son las Finanzas Agénticas (Agentic Finance) y los Pagos Agénticos (Agentic Payments).
- Capa de Middleware: Los conectores – desde marcos para construir e identificar agentes, mercados de agentes, hasta capas de coordinación.
- Capa de Infraestructura: Los recursos fundamentales de la IA – privacidad y verificación, computación, inferencia, entrenamiento, datos y almacenamiento.
Capa de Aplicaciones y Servicios
Las Finanzas Agénticas convierten instrucciones en lenguaje natural en acciones on-chain.
El agente ARMA de @gizatechxyz ya ha procesado más de 46 mil millones de dólares en volumen de transacciones agénticas en mercados de préstamos seleccionados – ejecutándose bloque a bloque en el marco AVS de EigenLayer, no custodial.
@Infinit_Labs ejecuta un clúster de más de 20 agentes especializados que pueden convertir intenciones como "gana 1000 dólares al mes con 1 BTC" en estrategias con un clic en Ethereum, Solana y Base.
@coinvestai by Liquid integra la ejecución en tiempo real directamente en ChatGPT y Claude, admitiendo el comercio en 500+ mercados a través del Model Context Protocol.
@minara se integra con Hyperliquid y recientemente se unió a Lighter. Ejecuta un ciclo completo de trading "análisis → decisión → ejecución" a través de su modelo DMind y 50+ integraciones.
@Cod3xOrg: Una red de agentes de IA ligeros que pueden convertir intenciones en transacciones on-chain construidas y ejecutadas.
@Zyfai_: Un agente DeFAI auto-custodio que automatiza y optimiza el yield farming, reequilibrando continuamente el capital a través de protocolos para perseguir APY ajustado al riesgo, sin intervención humana.
En mercados de predicción, @SynthdataCo es una subred de Bittensor que ejecuta una red descentralizada de inteligencia financiera predictiva. Los mineros compiten modelando la incertidumbre de precios a corto plazo. Ya proporciona datos en tiempo real para productos como Mode AI Quant en los mercados cripto de Kalshi.
Pagos Agénticos: Máquina paga a máquina
Así como Internet se convirtió en la capa de comunicación de la economía digital, blockchain y las stablecoins se están convirtiendo en la capa de liquidación para pagos agénticos.
Hasta mayo de 2026, x402 ha procesado más de 173 millones de transacciones en Base y Solana. Los miembros de la fundación x402 incluyen Google, Visa, AWS, Circle, Anthropic, Stripe y Cloudflare. Stripe comenzó a usarlo en febrero de 2026; AWS lanzó AgentCore Payments nativo.
La actividad de compradores y vendedores está aumentando, y la mayoría de las transacciones están relacionadas con usos reales de pago por uso: llamadas API, servicios de inferencia de IA, comercio agéntico y cargas de trabajo similares. El ciclo inicial de hype se ha enfriado, pero la tracción subyacente comienza a ponerse al día.
Mientras tanto, el Protocolo de Pagos de Máquina de Stripe y Tempo está emergiendo como una segunda vía, registrando más de 411,900 transacciones y 9600 compradores desde su lanzamiento.
Estas redes indican colectivamente que el comercio máquina a máquina está pasando a una fase más amplia, donde los agentes de software pueden comerciar autónomamente a velocidad de máquina.
Capa de Middleware
A medida que aumenta el número de agentes, el problema central se convierte en la coordinación: cómo los agentes se descubren mutuamente, demuestran identidad y comercian sin intervención humana.
La brecha de confianza aquí es el cuello de botella. Se estima que el tamaño del comercio agéntico alcanzará 1.5 a 5 billones de dólares para 2030, pero la adopción está limitada por un hecho: la mayoría de los usuarios está dispuesta a dejar que la IA investigue, pero pocos están dispuestos a dejar que la IA compre realmente.
Los sistemas actuales aún dependen de claves API, y casi ningún sistema trata a los agentes como entidades con identidad.
@GoKiteAI está construyendo un L1 especializado que integra identidad y pagos como primitivas nativas. ERC-8004 es un estándar de Ethereum que proporciona a los agentes identidad y reputación on-chain portátil, que los sigue a través de cadenas.
En cuanto a mercados, @virtuals_io es el sistema operativo para la economía de agentes en Base. Para junio de 2026, ya había procesado más de 2.38 millones de tareas de agentes, generando casi 480 millones de dólares en "PIB Agéntico".
Pero la joya de esta capa es Bittensor. Es una red de subredes especializadas, cada una es una microeconomía donde los mineros ejecutan modelos de IA, los validadores califican la salida, y las emisiones de TAO fluyen hacia quienes producen el trabajo más útil. Tres mecanismos lo hacen económicamente serio:
- El halving de diciembre de 2025 redujo la emisión diaria de TAO de 7200 a 3600, con un límite máximo de 21 millones.
- La actualización dTAO proporciona a cada subred su propio token Alpha y pool AMM – el mercado decide las emisiones.
- La actualización Taoflow (lanzada en noviembre de 2025) asigna emisiones puramente por flujo neto de staking. Una subred que retira más de lo que stakea puede caer a cero. Es darwinista por diseño.
La red ya supera las 128 subredes activas, y se informa que las 3 principales subredes de computación lograron un ARR combinado de 20 millones de dólares dentro de los tres meses posteriores a la monetización. El darwinismo es el producto.
Otros proyectos se centran en crear blockchains de IA dedicadas o proporcionar las herramientas, marcos e incentivos necesarios para apoyar ecosistemas de IA propiedad de la comunidad.
@NEARProtocol: Una capa de coordinación invisible que combina liquidación, identidad, privacidad, TEE, MPC y protección de PII, al servicio de agentes autónomos.
@base – la base principal para la "economía de agentes". Base MCP permite que herramientas de IA como Claude, ChatGPT, Cursor ejecuten acciones on-chain a través de prompts en plataformas como Uniswap, Morpho, Avantis – swaps, transferencias, interacciones DeFi.
@SentientAGI: Su ecosistema GRID conecta agentes, modelos, datos y computación, enrutando consultas a participantes especializados para proporcionar el mejor resultado.
@gensynai: Ejecución de ML verificable, coordina hardware distribuido para entrenamiento e inferencia mientras garantiza la confiabilidad del trabajo, $AI coordina la red.
@SaharaAI conecta datos, modelos, agentes y recompensas en un ecosistema nativo de IA unificado.
Capa de Infraestructura
La infraestructura es el esqueleto de la IA – las primitivas crudas de computación, inferencia, entrenamiento, datos y privacidad de las que depende todo lo demás. Esta es la capa más intensiva en capital de la pila de IA descentralizada.
Computación descentralizada
@akashnet ejecuta un mercado de subasta inversa donde los proveedores pujan para ganar tu carga de trabajo. En Q1 2026, los nuevos arrendamientos crecieron un 27%, alcanzando 43,500+, el tercer trimestre consecutivo de crecimiento. Su servicio de inferencia AkashML procesó casi 120 mil millones de tokens en abril, con precios 60–85% más baratos que las nubes principales.
@rendernetwork reportó un crecimiento del uso del 428% interanual.
@ionet ha agregado más de 130,000 GPUs de más de 130 países en Solana.
@AethirCloud es uno de los que realmente tienen ingresos: reporta aproximadamente 166 millones de dólares de ARR (Q3 2025), entregando más de 1.5 mil millones de horas de computación.
Inferencia distribuida y verificable
La inferencia representa más del 70% de los costos operativos de IA, y Goldman Sachs espera que la IA agéntica impulse un crecimiento de 24 veces en el consumo de tokens para 2030 – 120 billones de tokens por mes.
La respuesta descentralizada es hacer que la inferencia sea barata, privada y verificable.
@AskVenice ya ha servido más de 50 mil millones de tokens diarios a más de 2 millones de usuarios a través de modelos privados y sin censura, su ventaja competitiva son los modelos.
@OpenGradient ha procesado más de 2 millones de inferencias verificables, generando 500,000+ pruebas zkML.
@chutes_ai: Los desarrolladores pueden desplegar y escalar modelos de IA a través de una API simple, respaldada por mineros de GPU, con costos hasta un 85% más baratos que AWS. Los ingresos de la plataforma se convierten en demanda de tokens a través de un mecanismo de staking automático.
@dphnAI – una red de inferencia de IA descentralizada. Es notable que Dolphin desarrolló los modelos sin censura utilizados por Venice AI y destina el 100% de los ingresos de la red a recompras de tokens.
Entrenamiento descentralizado
El entrenamiento es el problema más difícil y de mayor impacto: determina si los modelos de vanguardia deben construirse dentro de tres o cuatro laboratorios corporativos.
INTELLECT-1 de @PrimeIntellect (10 mil millones de parámetros) fue la primera ejecución de entrenamiento distribuida global; INTELLECT-2 (32 mil millones de parámetros) fue la primera ejecución distribuida de RL.
@tplr_ai entrenó exitosamente Covenant-72B en más de 70 nodos distribuidos, procesando aproximadamente 1.1 billones de tokens, reduciendo los costos de comunicación 146 veces.
@NousResearch: Su red Psyche permite entrenamiento distribuido tolerante a fallos, y Hermes 4.3 se convirtió en el primer modelo Hermes entrenado en infraestructura descentralizada en lugar de clústeres centralizados.
La subred IOTA de @MacrocosmosAI (SN9) realiza pre-entrenamiento de LLM descentralizado y "entrenamiento en casa", mientras que su subred Data Universe (SN13) maneja la capa de datos. La serie de algoritmos de baja comunicación DiLoCo permite que GPUs dispersas globalmente colaboren sin la red interna de alta velocidad de un centro de datos.
Disponibilidad de datos descentralizada y almacenamiento
A medida que escalan las cargas de trabajo de IA, ambos se están convirtiendo en cuellos de botella. Los modelos de vanguardia consumen enormes cantidades de datos frescos, y las necesidades de almacenamiento se han disparado hasta el punto en que los principales proveedores de discos duros reportan capacidad vendida con años de anticipación.
La economía es atractiva. El almacenamiento descentralizado puede ser 60-80% más barato que los proveedores de nube tradicionales; redes como @Filecoin ofrecen precios de almacenamiento inferiores a 1 dólar por TB al mes, mientras que las alternativas centralizadas rondan los 30 dólares.
@grass paga a 2.5 millones de nodos de 190 países por su ancho de banda inactivo, permitiendo que los laboratorios de IA rastreen la web en tiempo real.
@WalrusProtocol es un competidor en rápido ascenso construido por @Mysten_Labs para almacenamiento y disponibilidad de datos descentralizados – utiliza códigos de borrado bidimensionales para almacenar eficientemente grandes "blobs", y se posiciona cada vez más como la capa de memoria persistente para agentes de IA.
@eigencloud: Una plataforma de nube verificable construida alrededor de la disponibilidad de datos, la computación verificable y la resolución de disputas. Asegurada por ETH re-stakeado, su teoría es permitir que los agentes de IA funcionen con garantías criptográficas, haciendo las acciones demostrables, auditables y ejecutables.
@vana – un L1 EVM, donde los DAOs de Datos y los Pools de Liquidez de Datos convierten los datos personales en activos tokenizables y comerciables.
@reppo y @oroagents construyen conjuntos de datos de alta calidad y confiables para el entrenamiento de IA a través de competencias incentivadas.
Capa de Privacidad y Verificación
El usuario común de IA no puede verificar si el modelo manejó sus datos de forma privada, si ejecutó los cálculos correctamente, o incluso si usó el modelo que afirma usar.
En 2026, la privacidad y la verificación se están convirtiendo en un requisito previo para la IA, no en una característica adicional.
@nillion – la "computadora ciega", utiliza MPC y su propio Nil Message Compute para ejecutar cálculos sobre datos encriptados sin necesidad de desencriptarlos. Casos de uso incluyen inferencia de IA privada, bases de datos encriptadas y RAG privado (permitiendo que la IA consulte bases de conocimiento propietarias sin revelarlas).
@Arcium: Una red de computación confidencial descentralizada en Solana. Casos de uso incluyen Umbra (transferencias blindadas / yield privado) y entrenamiento de IA confidencial en conjuntos de datos sensibles.
@OasisProtocol: L1 con prioridad en privacidad, utiliza ROFL (Runtime Offchain Logic), un marco basado en TEE, para ejecutar computación off-chain verificable y protegida – agentes de IA, entrenamiento de modelos u oráculos.
@octra: L1 con prioridad en privacidad que admite FHE de forma nativa, utilizando su esquema propio HFHE (Hypergraph FHE), diseñado para computación encriptada paralela y alto rendimiento.
@eigencloud: Un peso pesado en verificación, construido sobre la seguridad de re-staking de EigenLayer. EigenAI (inferencia de LLM verificable es una API compatible con OpenAI para modelos de código abierto, donde el prompt y la respuesta se pueden demostrar que no han sido manipulados) y EigenCompute (para ejecución off-chain verificable de lógica de agentes).
@PhalaNetwork. Las GPU en la nube son potentes pero no privadas; Phala hace que las cargas de trabajo sean demostrables, incluso enmascaradas para el propio Phala. Su producto principal, GPU TEE en Phala Cloud, despliega modelos de código abierto en hardware, proporcionando una API compatible con OpenAI donde cada inferencia tiene una prueba criptográfica.
Dirección de la IA descentralizada 2026-2027
La demanda de IA crece más rápido que la capacidad de la infraestructura para seguirla, y los agentes de IA se están convirtiendo en el motor de crecimiento dominante – las vías on-chain están listas.
La computación se está convirtiendo en una clase de activo, y los mercados on-chain se están convirtiendo en su capa financiera. Los participantes institucionales están pasando de la experimentación a la inversión en infraestructura.
La tokenómica se está convirtiendo en una ventaja estructural de la IA descentralizada para coordinar capital, computación y datos. Las oportunidades se están expandiendo de la IA a la robótica, máquinas autónomas e IA física.
Conclusión
La IA descentralizada está creciendo en las principales capas de la pila: infraestructura, middleware, aplicaciones, evidenciado en los ingresos por computación, la creciente economía de agentes y el entrenamiento distribuido a gran escala.
Pero este campo aún está en etapas tempranas. Los ingresos a menudo van por detrás de los incentivos de tokens, la adopción sigue siendo desigual, y aunque la inversión general en IA está en auge, la IA descentralizada todavía representa solo una pequeña parte del capital de riesgo. Las redes impulsadas por tokens pueden ser una ventaja poderosa, pero solo si el diseño de captura de valor es correcto.
Aun así, la emergencia de proyectos como Bittensor, NEAR, Virtuals, Base y Venice indica que la IA descentralizada está evolucionando de una narrativa especulativa a un nuevo modelo para coordinar computación, datos, capital e inteligencia.
