Autor: Pink Brains
Compilado por: AididiaoJP, Foresight News
La IA descentralizada existe porque la IA centralizada tiene cuellos de botella estructurales que ni el capital ni el código pueden resolver:
- Los recursos de computación son escasos y caros.
- Control excesivamente concentrado.
- Resultados del modelo no verificables.
- La adquisición de datos de entrenamiento es cada vez más difícil.
Recursos de computación escasos y caros
Se prevé que la infraestructura de GPU crezca desde 100.000 millones de dólares en 2025 hasta 770.000 millones en 2035. Las GPU para centros de datos han estado agotadas durante meses. Se espera que el mercado de computación descentralizado crezca de 9.000 millones de dólares en 2024 a 22.000 millones en 2035 (datos de Research and Markets). Esta cifra solo es válida si crees que la escasez es un problema estructural y no cíclico; nosotros creemos que lo es.
Control excesivamente concentrado
ChatGPT, Gemini, Grok y Claude son propiedad de unas pocas empresas privadas y son operados por ellas. La política actual de IA asume que solo unas pocas entidades capaces de concentrar enormes recursos de computación pueden entrenar sistemas potentes. Si se rompe este supuesto, el panorama de quién puede construir inteligencia de vanguardia cambiaría por completo.
Resultados no verificables
Cuando un modelo toma una decisión, el usuario no puede 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 un agente autónomo opera una cartera en tiempo real.
La adquisición de datos de entrenamiento es cada vez más difícil debido a preocupaciones de privacidad y regulación
Un rastreador centralizado en una sola región de AWS será rápidamente limitado, bloqueado geográficamente o alimentado con cachés envenenados. Como dijo a16z en su perspectiva para 2026, la privacidad se está convirtiendo en la "fosa más importante de la criptografía".
La IA necesita blockchain para que la inteligencia sea abierta, verificable y económicamente accesible.
Mapa del Stack Tecnológico de IA Descentralizada
- Capa de Aplicaciones y Servicios: Los agentes de IA pueden hacer muchas cosas, pero en el espacio cripto, los dos casos de uso dominantes actualmente son las Finanzas Agénticas (Agentic Finance) y los Pagos Agénticos (Agentic Payments).
- Capa de Middleware: Tejido conectivo – desde marcos para construir e identificar agentes, mercados de agentes, hasta capas de coordinación.
- Capa de Infraestructura: Los recursos subyacentes de la IA – capas de privacidad y verificación, computación, inferencia, entrenamiento, datos y almacenamiento.
Capa de Aplicaciones y Servicios
Las Finanzas Agénticas convierten un prompt de lenguaje natural en una acción en cadena.
El agente ARMA de @gizatechxyz ya ha procesado más de 4.600 millones de dólares en volumen de transacciones agénticas en mercados de préstamos seleccionados — ejecutándose bloque por bloque, no custodial, en el marco AVS de EigenLayer.
@Infinit_Labs ejecuta un clúster de más de 20 agentes especializados que pueden convertir intenciones como "ganar 1000 dólares al mes con 1 BTC" en estrategias de un clic en Ethereum, Solana y Base.
@coinvestai by Liquid integra la ejecución en tiempo real directamente en ChatGPT y Claude, permitiendo operar en 500+ mercados a través del Model Context Protocol.
@minara está integrado con Hyperliquid y recientemente se unió a Lighter. Ejecuta un ciclo completo de operación "análisis → decisión → ejecución" a través de su modelo DMind y más de 50 integraciones.
@Cod3xOrg: Una red de agentes de IA ligeros que pueden convertir intenciones en transacciones en cadena construidas y ejecutadas.
@Zyfai_: Un agente DeFAI auto-custodiado que automatiza y optimiza el yield farming, reequilibrando continuamente el capital entre protocolos para perseguir APY ajustado al riesgo, sin intervención humana.
En cuanto a 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 está proporcionando datos en tiempo real para productos como Mode AI Quant para mercados cripto de Kalshi.
Pagos Agénticos: Máquina paga a Máquina
Así como Internet se convirtió en la capa de comunicación para la economía digital, blockchain y las stablecoins se están convirtiendo en la capa de liquidación para los pagos agénticos.
A 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 su propio AgentCore Payments nativo.
La actividad de compradores y vendedores está aumentando, y la mayoría de las transacciones están relacionadas con un uso real bajo demanda: llamadas a API, servicios de inferencia de IA, comercio agéntico y cargas de trabajo similares. El ciclo inicial de hype se ha enfriado, pero el trazo subyacente comienza a seguir el ritmo.
Mientras tanto, el Machine Payments Protocol de Stripe y Tempo está emergiendo como una segunda vía, registrando más de 411,900 transacciones y 9,600 compradores desde su lanzamiento.
Estas redes en conjunto indican que el comercio máquina a máquina está virando hacia un horizonte más amplio 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 entre sí, prueban su 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 de 1.5 a 5 billones de dólares para 2030, pero la adopción está limitada por un hecho: la mayoría de los usuarios están dispuestos a dejar que la IA investigue, pero pocos están dispuestos a dejar que la IA compre realmente.
Los sistemas de hoy aún dependen de claves API, y casi ningún sistema trata a los agentes como entidades con identidad.
@GoKiteAI está construyendo una L1 especializada que ofrece identidad y pagos como primitivas nativas. ERC-8004 es un estándar de Ethereum que proporciona identidad y reputación en cadena portátiles para agentes, que pueden seguirles 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, había procesado más de 2.38 millones de tareas de agentes, generando casi 480 millones de dólares de "PIB agéntico".
Pero la joya de esta capa es Bittensor. Es una red de subredes especializadas, cada una una microeconomía donde los mineros ejecutan modelos de IA, los validadores puntúan las salidas, y las emisiones de TAO fluyen hacia aquellos que producen el trabajo más útil. Tres mecanismos lo hacen seriamente económico:
- El halving de diciembre de 2025 redujo la emisión diaria de TAO de 7200 a 3600, correspondiente a un límite máximo de 21 millones.
- La actualización dTAO proporciona a cada subred su propio token Alpha y su 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 experimente más unstaking que staking puede reducirse a cero. Es darwinista por diseño.
La red ha superado las 128 subredes activas, y se informa que las 3 mayores subredes de computación lograron un ARR combinado de 200 millones de dólares dentro de los tres meses posteriores a su 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 para servir a agentes autónomos.
@base – la base principal para la "economía de agentes". Base MCP permite que herramientas de IA como Claude, ChatGPT, Cursor ejecuten acciones en cadena a través de prompts en plataformas como Uniswap, Morpho, Avantis – intercambios, transferencias, interacciones DeFi.
@SentientAGI: Su ecosistema GRID conecta agentes, modelos, datos y computación, enrutando consultas a participantes especializados para proporcionar los mejores resultados.
@gensynai: Ejecución de ML verificable, coordinando hardware distribuido para entrenamiento e inferencia mientras asegura que el trabajo sea confiable, la red de coordinación $AI.
@SaharaAI conecta datos, modelos, agentes y recompensas en un ecosistema nativo de IA único.
Capa de Infraestructura
La infraestructura es el esqueleto de la IA – las primitivas de computación, inferencia, entrenamiento, datos y privacidad en bruto de las que todo lo superior depende. Esta es la capa más intensiva en capital en el stack de IA descentralizada.
Computación Descentralizada
@akashnet ejecuta un mercado de subastas inversas, donde los proveedores ofertan para ganar tu carga de trabajo. En el Q1 de 2026, los nuevos contratos de arrendamiento crecieron un 27%, superando los 43,500, por tercer trimestre consecutivo de crecimiento. Su servicio de inferencia AkashML procesó casi 120 mil millones de tokens en abril, con precios un 60–85% más baratos que las nubes principales.
@rendernetwork reportó un crecimiento en el uso interanual del 428%.
@ionet ha agregado más de 130,000 GPU de más de 130 países en Solana.
@AethirCloud es uno de los que realmente tiene ingresos: reportó aproximadamente 166 millones de dólares de ARR (Q3 2025), entregando más de 1,500 millones de horas de computación.
Inferencia Distribuida y Verificable
La inferencia representa más del 70% de los costos operativos de la IA, y Goldman Sachs estima que la IA agéntica impulsará 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 al día para más de 2 millones de usuarios a través de modelos privados y sin censura, su fosa es el modelo.
@OpenGradient ha procesado más de 2 millones de inferencias verificables, generando 500,000+ pruebas de 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 token a través de un mecanismo de staking automático.
@dphnAI – Red de inferencia de IA descentralizada. Notablemente, Dolphin desarrolló el modelo sin censura usado 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 (10 mil millones de parámetros) de @PrimeIntellect fue la primera ejecución de entrenamiento distribuido global; INTELLECT-2 (32 mil millones de parámetros) fue la primera ejecución distribuida de RL.
@tplr_ai entrenó con éxito Covenant-72B en más de 70 nodos distribuidos, procesando aproximadamente 1.1 billones de tokens, reduciendo los costos de comunicación en 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 un clúster centralizado.
La subred IOTA (SN9) de @MacrocosmosAI realiza pre-entrenamiento de LLM descentralizado y "entrenamiento en casa", y su subred Data Universe (SN13) maneja la capa de datos. La serie de algoritmos DiLoCo de baja comunicación permite que GPU dispersas por el mundo colaboren sin las redes internas de alta velocidad de un centro de datos.
Disponibilidad de Datos y Almacenamiento Descentralizados
A medida que las cargas de trabajo de IA escalan, ambos se están convirtiendo en cuellos de botella. Los modelos de vanguardia consumen cantidades masivas de datos frescos, y las necesidades de almacenamiento se han disparado hasta el punto de que los principales proveedores de discos duros reportan capacidad vendida con años de anticipación.
La economía es atractiva. El almacenamiento descentralizado puede ser un 60-80% más barato que los proveedores de nube tradicionales, redes como @Filecoin ofrecen almacenamiento por menos de 1 dólar por TB al mes, mientras que las alternativas centralizadas cuestan alrededor de 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 rival en rápido ascenso construido por @Mysten_Labs para almacenamiento y disponibilidad de datos descentralizados – usa códigos de borrado 2D para almacenar eficientemente grandes "blobs", y cada vez más se posiciona como una capa de memoria persistente para agentes de IA.
@eigencloud: Una plataforma de nube verificable construida alrededor de la disponibilidad de datos, computación verificable y resolución de disputas. Asegurada por ETH re-stakeado, su tesis es permitir que los agentes de IA funcionen con garantías criptográficas, haciendo las acciones demostrables, auditables y ejecutables.
@vana – una L1 EVM, donde Data DAOs y Data Liquidity Pools 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 competiciones incentivadas.
Capa de Privacidad y Verificación
El usuario promedio de IA no puede verificar si el modelo manejó sus datos de manera 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 prerrequisito para la IA, no en una característica adicional.
@nillion – la "computadora ciega", usa 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 filtrarlas).
@Arcium: Red de computación confidencial descentralizada en Solana. Casos de uso incluyen Umbra (transferencias blindadas / yield privado) y entrenamiento de IA confidencial sobre conjuntos de datos sensibles.
@OasisProtocol: L1 prioritaria en privacidad, que usa ROFL (Runtime Offchain Logic), un marco basado en TEE para ejecutar cálculos verificables y protegidos por privacidad fuera de la cadena – agentes de IA, entrenamiento de modelos u oráculos.
@octra: L1 prioritaria en privacidad con soporte nativo para FHE, usando su esquema propietario 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 los prompts y respuestas son demostrablemente inalterados) y EigenCompute (ejecución fuera de cadena verificable para lógica de agentes).
@PhalaNetwork. Las GPU en la nube son potentes pero no privadas; Phala hace que las cargas de trabajo sean demostrables, incluso para el propio Phala. Su producto principal, GPU TEE en Phala Cloud, despliega modelos de código abierto en hardware, ofreciendo una API compatible con OpenAI donde cada inferencia tiene una prueba criptográfica.
Dirección de la IA Descentralizada en 2026-2027
La demanda de IA crece más rápido que la capacidad de la infraestructura para seguir el ritmo, los agentes de IA se están convirtiendo en el motor de crecimiento dominante – la pista en cadena está lista.
La computación se está transformando en una clase de activo, y los mercados en cadena 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 desde la IA hacia robots, máquinas autónomas e IA física.
Conclusión
La IA descentralizada está creciendo en las principales capas del stack – infraestructura, middleware, aplicaciones – evidenciada por los ingresos de computación, la creciente economía de agentes y el entrenamiento distribuido a gran escala.
Pero el campo aún está en sus primeras etapas. Los ingresos a menudo van por detrás de los incentivos de tokens, la adopción sigue siendo desigual, y aunque la inversión total en IA se ha disparado, la IA descentralizada sigue siendo 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.
Aún 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.
