Los Demócratas del Senado Presentan un Proyecto de Ley para Prohibir Apuestas en Mercados de Predicción sobre Guerra y Muerte

TheNewsCryptoPublicado a 2026-03-11Actualizado a 2026-03-11

Resumen

El senador estadounidense Adam Schiff ha presentado el proyecto de ley DEATH BETS, que busca prohibir las apuestas en mercados de predicción sobre eventos como guerras, terrorismo y muertes individuales. La iniciativa surge mientras la CFTC flexibiliza sus normativas, generando un conflicto entre legisladores y reguladores. Los mercados de predicción permiten apostar sobre resultados futuros, pero Schiff argumenta que las apuestas sobre eventos violentos representan riesgos de seguridad nacional, ya que podrían permitir lucrar con información privilegiada. El proyecto prohibiría tanto las apuestas directas como las indirectas relacionadas con muertes. Este esfuerzo legislativo contrasta con la tendencia regulatoria actual y podría iniciar un debate más amplio sobre los límites éticos de las apuestas basadas en eventos.

El senador estadounidense Adam Schiff ha presentado un nuevo proyecto de ley llamado Ley DEATH BETS, que tiene como objetivo prohibir los contratos de mercados de predicción relacionados con eventos como guerras, terrorismo y muertes individuales. Este proyecto de ley surge en un momento en que la CFTC está avanzando hacia normas más flexibles para los mercados de predicción, lo que crea un conflicto de políticas entre legisladores y reguladores.

¿Qué son los mercados de predicción?

Básicamente, los mercados de predicción permiten a las personas apostar sobre los resultados de eventos futuros. Los participantes compran contratos que pagan si ocurre un evento específico. Sin embargo, algunas plataformas han comenzado a listar contratos relacionados con eventos serios o sensibles.

La nueva Ley Death Bet haría ilegal que los intercambios regulados ofrezcan contratos vinculados a guerras, terrorismo y la muerte de una persona. El proyecto de ley también prohibiría los contratos que están indirectamente conectados con la muerte de una persona. Actualmente, la CFTC tiene la autoridad para bloquear estos contratos si considera que van en contra del interés público.

Los partidarios de este proyecto de ley argumentan que apostar sobre eventos violentos podría crear riesgos graves. El senador Schiff afirma que estos mercados podrían permitir que personas con conocimiento interno o información clasificada se beneficien de eventos trágicos. También advierte que estas apuestas sobre guerra o muerte podrían amenazar la seguridad nacional.

El proyecto de ley llega en un momento en que la CFTC está reconsiderando cómo deberían regularse los mercados de predicción. En febrero, la agencia retiró una propuesta anterior de 2024 que habría prohibido ampliamente los mercados de predicción política. Al presentar la Ley Death Bets, Schiff está efectivamente contrarrestando el enfoque más permisivo de los reguladores.

Este debate muestra que los legisladores quieren restricciones más fuertes y los reguladores favorecen una mayor flexibilidad para la protección de los mercados. Si este proyecto de ley se aprueba, marcaría el comienzo de una discusión política más amplia sobre el papel de las apuestas basadas en eventos.

Noticias Destacadas de Cripto:

Mercado Cripto Observa los Próximos Datos de Inflación de Febrero en EE.UU.

EtiquetasProyecto de Ley Cripto, Criptomoneda

Preguntas relacionadas

Q¿Qué propone el proyecto de ley DEATH BETS Act presentado por el senador Adam Schiff?

AEl proyecto de ley DEATH BETS Act propone prohibir los contratos de mercados de predicción relacionados con eventos como la guerra, el terrorismo y la muerte de una persona, incluso aquellos indirectamente conectados con un fallecimiento.

Q¿Qué son los mercados de predicción y cómo funcionan?

ALos mercados de predicción permiten a las personas apostar sobre los resultados de eventos futuros. Los participantes compran contratos que pagan si ocurre un evento específico.

Q¿Por qué los partidarios del proyecto argumentan que estas apuestas son peligrosas?

ALos partidarios argumentan que apostar sobre eventos violentos crea riesgos graves, permitiendo que personas con información privilegiada o clasificada se beneficien de tragedias, además de amenazar la seguridad nacional.

Q¿Qué organismo regulador está en desacuerdo con esta iniciativa y por qué?

ALa CFTC (Comisión de Comercio de Futuros de Materias Primas) está reconsiderando sus normas hacia un enfoque más permisivo para los mercados de predicción, creando un choque de políticas con los legisladores.

Q¿Qué acción tomó la CFTC en febrero respecto a los mercados de predicción políticos?

AEn febrero, la CFTC retiró una propuesta anterior de 2024 que habría prohibido ampliamente los mercados de predicción políticos.

Lecturas Relacionadas

¿Los modelos generativos también pueden entrenarse de extremo a extremo? El núcleo es un bucle for

El entrenamiento de modelos generativos siempre ha sido un reto debido a la "desviación por exposición" (exposure bias): durante el entrenamiento solo se aprenden pequeños pasos, mientras que la generación requiere cientos de iteraciones, lo que causa acumulación de errores. Esto ha impedido que los modelos generativos sean entrenados de extremo a extremo (end-to-end), a diferencia de otras tareas de aprendizaje profundo. Un reciente artículo de la Universidad de Illinois y Harvard introduce "Explorative Modeling (XM)", un nuevo paradigma que resuelve este problema mediante un bucle simple (for). La idea clave es que, en cada paso de entrenamiento, el modelo genera K candidatos y solo retropropaga el gradiente a partir del candidato más cercano a los datos reales. Este enfoque evita que el modelo converja a un promedio borroso entre múltiples modos (mode blurring), un problema inherente a las funciones de pérdida de reconstrucción típicas. XM identifica una tercera dimensión escalable, además de los parámetros y los datos: la "expresividad generativa". Los experimentos en imágenes, video y lenguaje muestran que aumentar la exploración (K) mejora monótonamente el rendimiento, con ganancias de eficiencia en FLOPs, muestras y parámetros. En tareas de control robótico, una política exploratoria XM iguala o supera a políticas de difusión que requieren 100 veces más cómputo en inferencia. El trabajo sugiere que, a gran escala, la expresividad generativa se convierte en el cuello de botella principal, y XM ofrece un camino para modelos generativos verdaderamente end-to-end, generando muestras de alta calidad en una sola pasada hacia adelante.

marsbitHace 7 min(s)

¿Los modelos generativos también pueden entrenarse de extremo a extremo? El núcleo es un bucle for

marsbitHace 7 min(s)

Upbit Reorganiza 864,000 Millones de SHIB en Movimiento Interno de Cartera

El exchange surcoreano Upbit ha reorganizado 864.000 millones de SHIB entre direcciones de cartera internas, generando un movimiento on-chain significativo en valor, pero que corresponde a una rebalanceo interno y no a una venta por parte del exchange. Las transferencias, valoradas en aproximadamente 4 millones de dólares, se produjeron tras una subida del 36% en el precio de SHIB, lo que incrementó su visibilidad. Los movimientos incluyeron 384.000 millones de SHIB salientes y 480.000 millones entrantes entre carteras calientes y operativas identificadas de Upbit. Este tipo de actividad es parte de la gestión normal de liquidez y seguridad de los exchanges, y al ocurrir entre direcciones internas conocidas, no implica una presión de venta directa en el mercado. El artículo subraya que, si bien la transparencia on-chain es útil, la interpretación correcta requiere contexto, como el etiquetado de las carteras. En este caso, los datos respaldan la narrativa de una reestructuración operativa tras un periodo de alta actividad comercial, y no señales de venta por parte de ballenas o del exchange.

bitcoinistHace 8 min(s)

Upbit Reorganiza 864,000 Millones de SHIB en Movimiento Interno de Cartera

bitcoinistHace 8 min(s)

¿Máximo de 20 artículos por persona? La nueva norma de ICLR recibe una «petición» sarcástica de un investigador de DeepMind

Un investigador de DeepMind satiriza la nueva norma de ICLR que limita a 20 artículos por autor. La conferencia de IA ICLR 2027 ha establecido una nueva regla: cada autor solo puede figurar en un máximo de 20 trabajos enviados. Los que excedan este límite serán advertidos y, de no corregirse, algunos serán rechazados aleatoriamente. La justificación es la enorme presión sobre el sistema de revisión, tras un aumento del 68% en los envíos para ICLR 2026 (19,525 trabajos). Dan Roy, investigador de Google DeepMind, respondió con una "petición" irónica en X, pidiendo que se elimine el límite. Su mensaje, cargado de sarcasmo, sugiere que los agentes de IA ahora pueden producir investigaciones incrementales y que, "dado que todo el trabajo de revisión ya lo hacen los grandes modelos de lenguaje", debería animarse a enviar más trabajos, no menos. Su sátira apunta a un problema real: el uso de IA tanto en la autoría como en la revisión. Un análisis de 2025 detectó que aproximadamente el 21% de las revisiones de ICLR 2026 eran probablemente generadas completamente por IA. La broma de Roy plantea una pregunta seria: en un entorno donde agentes generan artículos, autores los envían en masa y revisores potencialmente usan IA, ¿limitar el número de envíos es la solución adecuada? El debate sobre la calidad versus la cantidad, y el papel de la IA en la academia, continúa.

marsbitHace 13 min(s)

¿Máximo de 20 artículos por persona? La nueva norma de ICLR recibe una «petición» sarcástica de un investigador de DeepMind

marsbitHace 13 min(s)

Vulnerabilidad en Coldcard provoca un robo de 89 millones de dólares, desatando la mayor migración en cadena desde FTX

La vulnerabilidad en las carteras hardware Coldcard de Coinkite ha resultado en el robo de aproximadamente 1.367,05 bitcoins (unos 89 millones de dólares) de 4.585 direcciones, según Galaxy Research. El fallo, causado por un software que generaba semillas con baja aleatoriedad, desencadenó una migración masiva de fondos por parte de usuarios afectados que buscaban proteger sus activos. Esta migración ha distorsionado indicadores clave de la cadena de bloques de Bitcoin. CryptoQuant reportó un pico en transacciones de menos de 1 BTC y en direcciones activas, niveles no vistos desde el colapso de FTX en 2022, mientras que Santiment registró un drástico deterioro del sentimiento del mercado. La investigación para rastrear los fondos robados se ha visto dificultada por las restricciones de los principales modelos de IA estadounidenses, que bloquean consultas con datos maliciosos incluso para análisis forenses. Los investigadores recurrieron a un modelo de IA de código abierto chino, destacando una asimetría donde los atacantes pueden usar herramientas de IA sin límites, pero los defensores enfrentan barreras. Este caso subraya la vulnerabilidad percibida de las carteras frías y los desafíos en la respuesta rápida a ciberataques en criptomonedas.

marsbitHace 58 min(s)

Vulnerabilidad en Coldcard provoca un robo de 89 millones de dólares, desatando la mayor migración en cadena desde FTX

marsbitHace 58 min(s)

OpenAI ya no depende del modelo más caro para ganar dinero

La empresa OpenAI anunció una importante reducción de precios el 30 de julio, destacando que GPT-5.6 Luna bajó un 80% y Terra un 20. Este movimiento, junto con una acción similar de Anthropic la semana anterior, señala un cambio estratégico crucial: las empresas ya no promueven principalmente sus modelos más potentes y caros. En su lugar, OpenAI recomienda explícitamente a los usuarios que para muchas tareas no es necesario usar el modelo más fuerte, sugiriendo un flujo de trabajo donde el modelo Sol (el más caro) diseña y planifica, y el modelo Luna (más económico) ejecuta. Esto refleja que el enfoque ha pasado de vender la inteligencia máxima a vender eficiencia y escala, priorizando modelos económicos y estables para tareas de alto volumen. La verdadera batalla ya no es por quién tiene el modelo más inteligente, sino por quién puede ofrecer la mejor relación costo-rendimiento y crear un ecosistema de uso con alta fidelidad. La industria de la IA estaría entrando en una era de "economía de escala", donde el costo por token cae drásticamente gracias, en parte, a que los propios modelos optimizan su código y operaciones, impulsando un ciclo de reducción de costos autosostenido. El objetivo final parece ser que la IA se convierta en una utilidad omnipresente y de bajo costo, como la electricidad, integrada en todos los flujos de trabajo.

marsbitHace 1 hora(s)

OpenAI ya no depende del modelo más caro para ganar dinero

marsbitHace 1 hora(s)

Trading

Spot
活动图片

Categorías popularesright-arrow

Etiquetas Popularesright-arrow