Zhou Hang, fundador de Yidao Yongche: Las criptomonedas, por fin ha llegado el momento de su aparición

marsbitPublicado a 2026-04-05Actualizado a 2026-04-05

Resumen

Resumen: El fundador de Yidao Yongche, Zhou Hang, argumenta que las criptomonedas han encontrado finalmente su propósito real: no ser el dinero de los humanos, sino el de las máquinas. Durante años, las criptomonedas fueron vistas como instrumentos especulativos debido a su volatilidad, mala experiencia de usuario y complejidades regulatorias. Sin embargo, con el auge de los Agentes de IA (A2A), que realizan transacciones autónomas entre sí, las criptomonedas se convierten en el medio de pago ideal. Los Agentes pueden usar contratos inteligentes para micropagos instantáneos, sin fronteras ni necesidad de cuentas bancarias. Protocolos como x402 permiten a las máquinas pagar automáticamente por datos o servicios en milisegundos usando stablecoins. Así, las criptomonedas operan en segundo plano como la "sangre" de la economía de las máquinas, mientras los humanos interactúan con dinero tradicional, disfrutando de los resultados sin la fricción técnica.

Autor: Zhou Hang

En la última década, si le mencionabas a una persona común "criptomonedas", lo más probable es que las palabras que le vinieran a la mente fueran: enriquecimiento rápido, estafa, hackers, o algún tipo de juguete geek incomprensible.

Desde la aparición del Bitcoin (BTC), hasta la revolución de los contratos inteligentes de Ethereum (ETH), y el bullicio de varias cadenas públicas y stablecoins, este mundo ha estado ruidoso durante más de una década. Innumerables mentes extremadamente inteligentes y una gran cantidad de fondos han entrado en él, tratando de construir una utopía descentralizada.

Pero en la vida real seguimos sintiéndonos perplejos: aparte de ser un activo especulativo altamente volátil, aparte de comprar barato y vender caro en los exchanges, ¿para qué sirven realmente las criptomonedas? Cuando bajamos a comprar un café, seguimos escaneando WeChat o Alipay; para las transferencias internacionales, seguimos teniendo que pasar por las tediosas transferencias bancarias.

Decía que iba a disruptir las finanzas, pero parece que ni siquiera puede hacer bien el "pago" más básico.

Hasta hoy, con la llegada de los A2A (Agent to Agent) economías inteligentes, esta perplejidad finalmente tiene una respuesta: las criptomonedas no han fracasado, simplemente en la última década han estado buscando al usuario equivocado.

Esta es la división final del trabajo en materia de riqueza entre humanos y máquinas: las máquinas manejan la fricción, los humanos disfrutan del resultado.

El dinero de las máquinas (criptomonedas) es para fluir, es un medio de producción de alta frecuencia, frío y que busca la máxima eficiencia; mientras que el dinero de las personas (moneda fiduciaria) es para sentir, es el destino final para comprar café, pagar el alquiler y sustentar la seguridad vital.

Las criptomonedas no han eliminado las cuentas bancarias, simplemente han empujado las complejas transacciones financieras un nivel hacia abajo. Mientras los humanos en el front-end disfrutan de la comodidad extrema que trae la IA, en esos niveles subyacentes invisibles, un sistema financiero专属 para máquinas está remodelando silenciosamente las reglas comerciales de este mundo.

Preguntas relacionadas

Q¿Por qué el autor sostiene que las criptomonedas no han logrado convertirse en 'dinero para humanos' en la última década?

AEl autor argumenta que las criptomonedas no se convirtieron en 'dinero para humanos' debido a tres obstáculos principales: alta volatilidad que las hace poco prácticas para transacciones diarias, una experiencia de usuario compleja y antinatural (como manejar claves privadas y tarifas de gas), y complicaciones regulatorias y fiscales (como declarar ganancias de capital por compras menores).

QSegún el artículo, ¿cómo resuelven las criptomonedas los problemas de pagos entre agentes de IA (A2A)?

ALas criptomonedas resuelven los problemas de pagos entre agentes de IA al ofrecer un sistema nativo para máquinas: no necesitan cuentas bancarias tradicionales, permiten micro pagos de bajo costo en milisegundos, ejecutan contratos inteligentes automáticamente sin intervención humana, y operan sin fronteras ni requisitos de identificación (KYC), usando billeteras cifradas y stablecoins como USDC.

Q¿Qué es el código de estado HTTP 402 y cómo se relaciona con el protocolo x402 mencionado en el texto?

AEl código de estado HTTP 402 'Payment Required' fue diseñado originalmente para requerir pago en internet, pero quedó en desuso durante 30 años por falta de un sistema de pago nativo. El protocolo x402, creado específicamente para agentes de IA, revive este concepto permitiendo que las máquinas respondan automáticamente a solicitudes de pago con criptomonedas, facilitando transacciones instantáneas y sin fricción.

Q¿Cómo describe el autor la 'división final de riqueza' entre humanos y máquinas en el contexto de las criptomonedas?

AEl autor describe una división donde el 'dinero de las máquinas' (criptomonedas) es para flujos de alta frecuencia, eficiencia y transacciones automáticas en segundo plano, mientras que el 'dinero humano' (moneda fiduciaria) es para uso final, comodidad y seguridad en la vida diaria. Las máquinas manejan la fricción transaccional, y los humanos disfrutan los resultados simplificados.

Q¿Qué papel juegan las stablecoins como USDC en la economía A2A según el artículo?

ALas stablecoins como USDC son cruciales en la economía A2A porque proporcionan estabilidad de valor (están ancladas al dólar), evitando la volatilidad de otras criptomonedas. Esto permite a los agentes de IA realizar micro pagos predecibles y eficientes, intercambiar valor de forma confiable y integrarse perfectamente en protocolos automatizados como x402 para transacciones instantáneas.

Lecturas Relacionadas

Informe de Ethereum del primer trimestre de 2026: caen las tarifas, usuarios y volumen de transacciones alcanzan máximos históricos

Resumen del informe del primer trimestre de 2026 sobre Ethereum, por Token Terminal. El reporte destaca una tendencia clave: la cantidad de usuarios activos mensuales (13.2 millones, +53.5%), las transacciones (200.4 millones, +38%) y el rendimiento de la red (25.78 TPS) alcanzaron máximos históricos, mientras que las tarifas de transacción en la capa principal cayeron un 47.9% intertrimestral. Este fenómeno, denominado la "Paradoja de Jevons", sugiere que Ethereum está priorizando deliberadamente la expansión a corto plazo sobre la captura de ingresos inmediatos. La actualización Fusaka, que aumenta la capacidad de datos y reduce el costo del espacio de bloque, es un factor clave. La narrativa central de Ethereum se está desplazando de una cadena de bloques DeFi a una capa de liquidación financiera global. Ethereum mantiene una posición dominante en activos tokenizados, con una capitalización total de $2 billones (-0.7% intertrimestral). Destacan el crecimiento de los fondos tokenizados ($194 mil millones, +4.9%) y las materias primas tokenizadas ($47 mil millones, +60%), reflejando una mayor adopción institucional por parte de entidades como BlackRock y JPMorgan. A pesar de una caída del 30.3% en su capitalización de mercado totalmente diluida, la base de titulares de ETH creció a 292.8 millones. En resumen, Ethereum está sacrificando ingresos a corto plazo para impulsar la adopción, consolidándose como la infraestructura de liquidación preferida para las finanzas tokenizadas, con el objetivo de que una mayor demanda de red compense las tarifas más bajas a largo plazo.

marsbitHace 1 hora(s)

Informe de Ethereum del primer trimestre de 2026: caen las tarifas, usuarios y volumen de transacciones alcanzan máximos históricos

marsbitHace 1 hora(s)

Entrevista inaugural en podcast del CEO de Intel, Tan Lip Bu: Nuestro objetivo es '10 veces en 5-10 años', apostamos por empaquetado avanzado, sustratos de vidrio y diamantes artificiales

El CEO de Intel, Chen Lifu, expresó en una entrevista en un podcast su objetivo de multiplicar por diez el valor de la empresa en un plazo de 5 a 10 años. Para lograrlo, está centrando la estrategia en la superación de los límites físicos de la miniaturización de los semiconductores, invirtiendo en tres áreas clave: tecnologías avanzadas de empaquetado como EMIB, nuevos materiales como el nitruro de galio (GaN), carburo de silicio (SiC), fosfuro de indio (InP) y diamante sintético, y sustratos innovadores como el de vidrio. Destacó que la explosión de la IA, especialmente los agentes autónomos y la inferencia, está impulsando una fuerte demanda de CPUs, cambiando la proporción CPU/GPU en servidores. Chen Lifu también defendió la apuesta de Intel por el negocio de fundición (foundry), subrayando que es crucial para la seguridad de la cadena de suministro en EE.UU. y que se basa en generar confianza a través de altos rendimientos y fiabilidad. Reveló detalles de la colaboración Terafab con Elon Musk para construir fábricas de chips y abordar la escasez de capacidad. Reconoció que Intel aún está en una fase de transformación ("gatear"), reconstruyendo equipos y capacidades fundamentales, pero proyecta que su verdadero potencial en mercados como la informática de borde, la IA física y la de agentes comenzará a materializarse hacia 2030-2032. Con una mentalidad de capitalista de riesgo, su meta clara es entregar un retorno de 10x a los accionistas en la próxima década.

marsbitHace 1 hora(s)

Entrevista inaugural en podcast del CEO de Intel, Tan Lip Bu: Nuestro objetivo es '10 veces en 5-10 años', apostamos por empaquetado avanzado, sustratos de vidrio y diamantes artificiales

marsbitHace 1 hora(s)

Acaba de recaudar 2.700 millones, y Li Feifei también invirtió

En la actualidad, el mercado de inversión está obsesionado con los "Modelos del Mundo". Sin embargo, Pete Florence, ex científico de DeepMind y co-creador de la arquitectura Vision-Language-Action (VLA), fundó Generalist AI y rechaza esta etiqueta. Para él, el objetivo concreto es más importante: crear robots que realicen cualquier tarea con alta tasa de éxito sin datos específicos. Recientemente, Generalist AI recaudó 400 millones de dólares (unos 2.700 millones de RMB) en una ronda de financiación, alcanzando una valoración de 2.000 millones de dólares. Inversores incluyen NVentures de Nvidia, Bezos Expeditions, NFDG, y figuras como el cofundador de Xiaomi Lin Bin, el fundador de Zoom Eric Yuan, y la renombrada científica Fei-Fei Li. Florence, influenciado por su mentor en el MIT Russ Tedrake, prioriza comprender el mundo físico. Su enfoque comienza estableciendo una meta clara, luego diseña la ruta técnica. Tras dejar Google, lanzó Generalist AI en 2025. La compañía presentó su primer modelo de IA incorporada, GEN-0, en noviembre de 2025, demostrando que las leyes de escalado de los LLMs también se aplican al movimiento físico. En abril de 2026, presentaron GEN-1, entrenado con más de 50.000 horas de datos de interacción física recogidos por un dispositivo portátil. GEN-1 logra un 99% de éxito en tareas como plegar cajas y empaquetar teléfonos, siendo tres veces más rápido que GEN-0. Este avance acerca el modelo a un punto de inflexión similar al GPT-3, mostrando un rendimiento apto para despliegues comerciales en ciertas tareas. La inversión récord respalda la visión de Florence: robots universales que sean lo suficientemente expertos en tareas reales como para ser útiles, avanzando hacia la reducción del coste marginal del trabajo físico a cero. La etiqueta "Modelo del Mundo" queda así en segundo plano frente a los resultados tangibles.

marsbitHace 1 hora(s)

Acaba de recaudar 2.700 millones, y Li Feifei también invirtió

marsbitHace 1 hora(s)

Perdiendo a dos leyendas en tres días: ¿Se está resquebrajando el dique de talento de IA de Google?

En solo tres días, Google ha perdido a dos leyendas de la IA. El 18 de junio, Noam Shazeer, coautor del seminal trabajo "Attention is All You Need" y copresponsable de Gemini, anunció su salida para unirse a OpenAI. Dos días después, John Jumper, ganador del Nobel de Química 2024 y líder de AlphaFold, dejó Google DeepMind para incorporarse a Anthropic. Estas partidas no son incidentes aislados, sino parte de una tendencia clara de fuga de talento de Google hacia OpenAI y Anthropic, como lo confirma también la reciente incorporación a Anthropic del exmiembro fundador de OpenAI, Andrej Karpathy. El trasfondo de este éxodo es fundamentalmente una cuestión de misión y enfoque. El modelo de negocio central de Google, basado en la publicidad, impone una lógica orientada a productos y métricas comerciales que, en última instancia, restringe la investigación pura. En contraste, tanto OpenAI (con su misión de AGI) como Anthropic (centrada en la seguridad y la ciencia) ofrecen un entorno de trabajo enfocado únicamente en empujar los límites de las capacidades de los modelos. A esto se suma la fuerte atracción financiera: OpenAI y Anthropic están en camino a una OPI, lo que promete una recompensa económica masiva a través de capital para sus empleados, algo que la ya gigantesca Google difícilmente puede igualar. La fusión de Google Brain y DeepMind en 2023, destinada a consolidar esfuerzos, ha generado en cambio tensiones culturales y ha hecho más evidente la presión por alinear la investigación con los objetivos de los equipos de productos. El resultado es una reorganización estructural del mapa del talento en IA. Google, a pesar de sus vastos recursos en computación y datos, está perdiendo a las personas que definen el futuro del campo. La verdadera ventaja competitiva en IA reside en retener a las mentes más brillantes, y Google está descubriendo que esa es quizás su batalla más difícil.

marsbitHace 3 hora(s)

Perdiendo a dos leyendas en tres días: ¿Se está resquebrajando el dique de talento de IA de Google?

marsbitHace 3 hora(s)

Tras las notas de la IA, se esconde un "creador de exámenes" chino

Cada vez que se lanza un modelo de IA de vanguardia, la comunidad fija su atención en ciertas "hojas de resultados" familiares: MMLU-Pro, MMMU, MMMU-Pro. Estos puntos de referencia se han convertido en exámenes estándar para evaluar y comparar modelos como GPT, Claude, Gemini, Llama, Qwen y DeepSeek. Detrás de estas influyentes evaluaciones está el investigador chino Wenhu Chen, profesor asistente en la Universidad de Waterloo y fundador del TIGERLab (apodado "虎头帮"). Su trabajo surge de una necesidad crítica: a medida que los modelos avanzaban, las pruebas antiguas como MMLU se saturaban con puntuaciones casi perfectas, dejando de ser útiles para discernir diferencias reales. En 2024, Chen y su equipo presentaron MMLU-Pro, una renovación exhaustiva del original. Con 12,032 preguntas de 14 disciplinas, aumenta las opciones de respuesta de 4 a 10 para reducir las conjeturas e incorpora problemas más complejos que requieren razonamiento. El resultado fue una caída del 16% al 33% en la precisión de los modelos y una evaluación más estable y discriminatoria, rápidamente adoptada por la industria. Su contribución se extiende al ámbito multimodal con MMMU, un conjunto de 11,500 preguntas que combinan imágenes (gráficos, mapas, fórmulas) con conocimientos académicos para probar una comprensión integrada. Incluso los mejores modelos como GPT-4V inicialmente solo alcanzaron un 56% de precisión, revelando un largo camino por recorrer. Su sucesor, MMMU-Pro, cierra aún más las brechas, obligando a los modelos a utilizar la información visual y no solo el texto. La experiencia de Chen, que incluye investigación doctoral en preguntas complejas y una etapa en Google DeepMind trabajando en Gemini, le permite anticipar cómo los modelos pueden "aparentar" competencia. Su laboratorio no solo diseña evaluaciones, sino que también desarrolla modelos (como UniVideo para video o MoCha para avatares), asegurando que sus "exámenes" reflejen desafíos reales y los límites actuales de la tecnología. Actualmente, Chen continúa este trabajo en el laboratorio de superinteligencia de Meta, enfocado en datos y evaluación multimodal. Su historia destaca el papel fundamental, aunque a menudo menos visible, de los investigadores que construyen las herramientas para medir el verdadero progreso de la IA.

marsbitHace 3 hora(s)

Tras las notas de la IA, se esconde un "creador de exámenes" chino

marsbitHace 3 hora(s)

Trading

Spot
Futuros
活动图片

Categorías popularesright-arrow

Etiquetas Popularesright-arrow