• La intersección entre la inteligencia artificial (IA) y la criptomoneda es amplia pero a menudo mal entendida. Creemos que diferentes subsecciones de esta intersección tienen oportunidades distintas y líneas de desarrollo.
• Generalmente creemos que, para los productos de IA, la descentralización por sí sola no es suficiente para brindar una ventaja competitiva; también debe lograr paridad funcional con los productos centralizados en ciertas otras áreas clave.
• Nuestra opinión contraria es que debido a la atención generalizada en la industria de la IA, el potencial de valor de muchas criptomonedas de IA puede estar exagerado, y muchas criptomonedas de IA pueden carecer de impulsores sostenibles de la demanda a corto y medio plazo.

En los últimos años, los avances continuos en inteligencia artificial, especialmente en el campo de la inteligencia artificial generativa, han atraído gran atención a la industria de la inteligencia artificial y han brindado oportunidades para proyectos cripto ubicados en la intersección de ambas. Anteriormente cubrimos algunas de las posibilidades para el sector en un informe temprano en junio de 2023, señalando que la asignación de capital en general en criptomonedas parecía estar subinversión en inteligencia artificial. El campo de la IA cripto ha crecido enormemente desde entonces, y creemos que es importante señalar algunos de los desafíos prácticos que pueden obstaculizar su adopción generalizada.

El rápido cambio en la IA nos hace ser cautelosos acerca de afirmaciones audaces de que las plataformas centradas en la cripto están únicamente posicionadas para interrumpir la industria; esto nos lleva a creer que la mayoría de los tokens de IA tienen un camino de valoración de largo plazo y sostenible. El camino está lleno de incertidumbre, especialmente para proyectos con modelos económicos de token fijo. En cambio, creemos que algunas tendencias emergentes en la IA pueden hacer que las innovaciones basadas en criptomonedas sean más difíciles de adoptar, dada la competencia y regulación del mercado en general.

Dicho esto, creemos que el punto entre la IA y las criptomonedas es amplio y tiene diversas oportunidades, con una adopción probablemente más rápida en ciertos subsegmentos, a pesar de la falta de tokens ya comercializados en muchas de estas áreas. Sin embargo, eso no parece estar frenando el interés de los inversores. Observamos que el rendimiento de los tokens criptográficos relacionados con la IA está respaldado por los titulares del mercado de la IA y puede tener una acción de precios positiva incluso en días en que Bitcoin está operando a la baja. Por lo tanto, creemos que muchos tokens relacionados con la IA pueden seguir operando como representaciones del progreso de la IA.

Tendencias clave en Inteligencia Artificial

Una de las tendencias más importantes en el campo de la inteligencia artificial (relacionada con productos de IA en cripto) es la cultura en curso en torno a los modelos de código abierto. Más de 530,000 modelos están expuestos en Hugging Face para que los investigadores y usuarios los manipulen y ajusten. El rol de Hugging Face en la colaboración en IA no difiere de depender de GitHub para alojamiento de código o Discord para gestión de comunidad (ambos ampliamente utilizados en el espacio cripto). A menos que haya una gestión grave, esta situación no es probable que cambie en un futuro cercano.

Los modelos disponibles en Hugging Face van desde grandes modelos de lenguaje (LLMs) hasta modelos generativos de imagen y video, e incluyen creaciones de importantes actores de la industria como Open AI, Meta y Google, así como desarrolladores independientes. Incluso algunos modelos de lenguaje de código abierto tienen ventajas de rendimiento sobre los modelos cerrados más avanzados en términos de rendimiento (manteniendo una calidad de salida comparable), asegurando un grado de competencia entre los modelos de código abierto y comerciales (ver Figura 1). Es importante destacar que creemos que este vibrante ecosistema de código abierto combinado con un sector comercial altamente competitivo ha permitido una industria donde los malos modelos son eliminados de la competencia.

La segunda tendencia es la creciente calidad y rentabilidad de los modelos más pequeños (destacados en la investigación de LLM en 2020 y en un documento reciente de Microsoft), lo que también coincide con la cultura de código abierto para permitir aún más un rendimiento de alta gama, ejecutando localmente modelos de IA. Algunos modelos de código abierto ajustados pueden incluso superar a los principales modelos de código cerrado en ciertas pruebas. En un mundo así, algunos modelos de IA podrían ejecutarse localmente, maximizando la descentralización. Por supuesto, las empresas tecnológicas incumbentes seguirán entrenando y ejecutando modelos más grandes en la nube, pero el espacio de diseño entre los dos requerirá compromisos.

Además, dada la creciente complejidad de la tarea de comparar modelos de IA (incluida la contaminación de datos y la variación de los ámbitos de prueba), la generación de resultados de modelos puede ser evaluada mejor por los usuarios finales en un mercado libre. De hecho, los usuarios finales pueden utilizar herramientas existentes para comparar la salida del modelo lado a lado con empresas de referencia que realizan las mismas operaciones. Una idea aproximada de la dificultad de los benchmarks de IA generativa se puede obtener a partir de la creciente variedad de benchmarks de LLM abiertos, que incluyen MMLU, HellaSwag, TriviaQA, BoolQ, etc., cada uno probando diferentes casos de uso como el razonamiento del sentido común, temas académicos y diversos formatos de pregunta.

La tercera tendencia que observamos en el espacio de la inteligencia artificial es que las plataformas existentes con una gran fidelización de usuarios o que resuelven problemas comerciales específicos pueden beneficiarse desproporcionadamente de la integración de la inteligencia artificial. Por ejemplo, la integración de GitHub Copilot con editores de código mejora un entorno de desarrollo ya potente. La inserción de interfaces de inteligencia artificial en otras herramientas, desde clientes de correo electrónico hasta hojas de cálculo y software de gestión de relaciones con los clientes, también son casos de uso naturales para la inteligencia artificial (por ejemplo, el asistente de inteligencia artificial de Klarna realiza el trabajo de 700 empleados de servicio al cliente a tiempo completo).

Pero vale la pena señalar que en muchos de estos escenarios, los modelos de IA no conducirán a nuevas plataformas, sino que solo mejorarán las existentes. Otros modelos de IA que mejoran los procesos comerciales tradicionales internamente (por ejemplo, el sistema Lattice de Meta, que ayudó a restablecer el rendimiento publicitario de Apple a niveles antiguos después de lanzar la Transparencia de Seguimiento de Aplicaciones) también suelen depender de datos propietarios y sistemas cerrados. Este tipo de modelos de IA probablemente seguirán siendo de código cerrado porque están integrados verticalmente en el producto principal y utilizan datos propietarios.

En el mundo del hardware y la informática de AI, vemos otras dos tendencias relacionadas. La primera es el cambio en el uso de la informática de entrenamiento a inferencia. Es decir, cuando los modelos de inteligencia artificial se desarrollan por primera vez, se utilizan vastos recursos informáticos para "entrenar" el modelo alimentándolo con grandes conjuntos de datos. Ahora hemos pasado a implementar y consultar el modelo.

La llamada de ganancias de NVIDIA en febrero de 2024 mostró que aproximadamente el 40% de su negocio se utilizaba para inferencia. Satya Nadella hizo comentarios similares en la llamada de ganancias de Microsoft el mes anterior a enero, señalando que "la mayoría" de su uso de AI de Azure es para el razonamiento. A medida que esta tendencia continúa, creemos que las entidades que buscan monetizar modelos priorizarán plataformas que puedan ejecutar modelos de manera confiable y lista para producción de manera segura.

La segunda tendencia importante es el panorama competitivo que rodea la arquitectura de hardware. Los procesadores H200 de Nvidia estarán disponibles a partir del segundo trimestre de 2024, con la expectativa de que la próxima generación B100 duplique aún más el rendimiento. Además, el continuo apoyo de Google a su propio Tensor Processing Unit (TPU) y la nueva Unidad de Procesamiento de Lenguaje (LPU) de Groq también podrían aumentar su cuota de mercado como alternativas en este espacio en los próximos años (ver Figura 2). Tales desarrollos podrían alterar la dinámica de costos en la industria de la inteligencia artificial y podrían beneficiar a los proveedores de servicios en la nube, permitiéndoles cambiar rápidamente, comprar hardware a granel y configurar cualquier requisito de red física relacionado y herramientas de desarrollo.

En general, el campo de la inteligencia artificial es un campo emergente y en rápido desarrollo. Menos de 1.5 años después de que ChatGPT fuera lanzado por primera vez al mercado en noviembre de 2022 (aunque su modelo GPT 3 subyacente ha estado presente desde junio de 2020), el crecimiento rápido en el espacio desde entonces ha sido asombroso. A pesar de algunos comportamientos cuestionables con respecto a los sesgos detrás de algunos modelos generativos de IA, podríamos ver que los modelos con un rendimiento inferior están siendo eliminados del mercado a favor de mejores alternativas. El rápido crecimiento de la industria y el potencial de futuras regulaciones significan que los problemas de la industria están cambiando regularmente a medida que surgen nuevas soluciones.

Para un campo tan innovador y rápido, la frecuentemente mencionada 'solución descentralizada [XXX]' como una conclusión precipitada es prematura. También resuelve de manera preventiva un problema de centralización que no necesariamente existe. La realidad es que la industria de la IA ha logrado un gran grado de descentralización a través de la competencia entre muchas empresas y proyectos de código abierto, tanto a nivel tecnológico como empresarial. Además, debido a la naturaleza de sus procesos de toma de decisiones y consenso, los protocolos descentralizados avanzan a un ritmo más lento que los protocolos centralizados tanto a nivel técnico como social. Esto podría crear obstáculos en la búsqueda de equilibrio entre la descentralización y los productos competitivos en esta etapa del desarrollo de la IA. En otras palabras, hay sinergias entre la criptomoneda y la inteligencia artificial que pueden realizarse de manera significativa a lo largo de un período de tiempo prolongado.

Evaluar la oportunidad

En términos generales, dividimos la intersección de la inteligencia artificial y la criptomoneda en dos categorías amplias. La primera categoría es casos de uso donde los productos de IA mejoran la industria de la cripto. Esto incluye escenarios que van desde la creación de transacciones legibles por humanos y la mejora del análisis de datos de blockchain, hasta el aprovechamiento de la salida del modelo on-chain como parte de un protocolo sin permisos. La segunda categoría es casos de uso donde las criptomonedas tienen como objetivo interrumpir los flujos de trabajo de IA tradicionales a través de la computación descentralizada, la verificación, la identidad, etc.

Los casos de uso para la primera categoría de escenarios relacionados con negocios son claros, y creemos que, si bien aún existen importantes desafíos técnicos, también existen perspectivas a largo plazo en escenarios más complejos de modelos de inferencia en cadena. Los modelos de IA centralizados pueden mejorar las criptomonedas como cualquier otra industria centrada en tecnología, desde mejorar las herramientas de desarrollo y la auditoría de código hasta traducir el lenguaje humano en acciones en cadena. Pero la inversión en esta área suele fluir hacia empresas privadas a través de capital de riesgo, por lo que a menudo es ignorada por los mercados públicos.

Sin embargo, las implicaciones y beneficios de cómo la cripto podría perturbar los pipelines de IA existentes son menos claros para nosotros. Las dificultades en esta última categoría no son solo desafíos técnicos (que creemos que son generalmente solucionables a largo plazo), sino también batallas cuesta arriba con fuerzas de mercado y regulatorias más amplias. Gran parte de la atención reciente en inteligencia artificial y criptomonedas se ha centrado en esta categoría, ya que estos casos de uso son más adecuados para poseer tokens líquidos. Este es el enfoque de nuestra próxima sección, ya que actualmente hay relativamente pocos tokens de liquidez relevantes para herramientas de IA centralizadas en criptomonedas.

El papel de las criptomonedas en las tuberías de inteligencia artificial

Corriendo el riesgo de simplificar en exceso el tema, consideramos el impacto potencial de las criptomonedas en la IA en cuatro etapas principales del proceso de la IA:

1. Recopilación, almacenamiento y procesamiento de datos

2. Entrenamiento y inferencia de modelos

3. Verificación de la salida del modelo

4. Seguir la salida del modelo de inteligencia artificial

Han surgido muchos nuevos proyectos de cripto-AI en estas áreas. Sin embargo, muchos enfrentarán desafíos serios a corto y medio plazo por la generación de demanda y la feroz competencia de empresas centralizadas y soluciones de código abierto.

Datos Propietarios

Los datos son la base de todos los modelos de IA y pueden ser el diferenciador clave en el rendimiento profesional del modelo de IA. Los datos históricos de blockchain en sí mismos son una nueva fuente rica de datos para los modelos, y algunos proyectos como Grass también tienen como objetivo aprovechar los incentivos cripto para curar nuevos conjuntos de datos de internet abierto. En este sentido, la cripto tiene la oportunidad de proporcionar conjuntos de datos específicos de la industria e incentivar la creación de nuevos conjuntos de datos valiosos. (Creemos que el reciente acuerdo de licencia de datos de Reddit de $60 millones al año con Google augura bien para el futuro de la monetización de conjuntos de datos.)

Muchos modelos tempranos (como GPT 3) utilizaban una mezcla de conjuntos de datos abiertos como CommonCrawl, WebText2, libros y Wikipedia, así como conjuntos de datos similares disponibles gratuitamente en Hugging Face (que actualmente alberga más de 110,000 opciones). Sin embargo, posiblemente para proteger los intereses comerciales, muchos modelos recientes de código cerrado aún no han publicado la composición final de su conjunto de datos de entrenamiento. La tendencia hacia conjuntos de datos propietarios, especialmente en modelos comerciales, continuará e incrementará la importancia de las licencias de datos.

Los mercados de datos centralizados existentes ya están ayudando a cerrar la brecha entre los proveedores de datos y los consumidores, dejando el espacio de oportunidad para nuevas soluciones de mercado de datos descentralizados intercaladas entre catálogos de datos de código abierto y competidores empresariales. Sin el apoyo de una estructura legal, un mercado de datos puramente descentralizado también necesitaría construir interfaces y canalizaciones de datos estandarizados, verificar la integridad y configuración de los datos, y resolver el problema de arranque en frío de sus productos, al mismo tiempo que equilibra los incentivos de tokens entre los participantes del mercado.

Además, las soluciones de almacenamiento descentralizado pueden encontrar eventualmente un lugar en la industria de la inteligencia artificial, aunque con muchos desafíos al respecto. Por un lado, ya existen y se utilizan ampliamente tuberías para distribuir conjuntos de datos de código abierto. Por otro lado, muchos propietarios de conjuntos de datos patentados tienen requisitos estrictos de seguridad y cumplimiento.

Actualmente, no existen vías regulatorias para alojar datos sensibles en plataformas de almacenamiento descentralizado como Filecoin y Arweave. Muchas empresas todavía están haciendo la transición de servidores locales a proveedores de almacenamiento en la nube centralizados. Además, la naturaleza descentralizada de estas redes actualmente no cumple con ciertos requisitos de ubicación geográfica y aislamiento físico de datos para almacenar datos sensibles, a nivel técnico.

Si bien las comparaciones de precios entre soluciones de almacenamiento descentralizado y proveedores de nube establecidos sugieren que las unidades de almacenamiento descentralizado son más baratas por unidad, esto ignora una premisa significativa. En primer lugar, los costos iniciales asociados con la migración de sistemas entre proveedores deben considerarse además de los gastos operativos diarios. En segundo lugar, las plataformas de almacenamiento descentralizado basadas en criptomonedas necesitan igualar una mejor herramienta e integración con los sistemas de nube maduros desarrollados en las últimas dos décadas. Las soluciones en la nube también tienen costos más predecibles desde una perspectiva de operaciones comerciales, ofrecen obligaciones contractuales y equipos de soporte dedicados, y cuentan con una gran cantidad de talento desarrollador existente.

También vale la pena señalar que una comparación superficial con los tres principales proveedores de servicios en la nube (Amazon Web Services, Google Cloud Platform y Microsoft Azure) es incompleta. Hay docenas de empresas de servicios en la nube de menor costo que también compiten por la cuota de mercado al ofrecer racks de servidores básicos más baratos. Creemos que estos son los verdaderos competidores importantes a corto plazo para los consumidores conscientes del costo.

En otras palabras, innovaciones recientes como la computación de datos de Filecoin y el entorno de computación AO de Arweave pueden desempeñar un papel en próximos proyectos verdes que utilicen conjuntos de datos menos sensibles o para empresas que aún no son proveedores sensibles al costo (potencialmente más pequeñas en escala).

Por lo tanto, si bien ciertamente hay espacio para nuevos productos criptográficos en el espacio de datos, ocurrirán interrupciones tecnológicas recientes donde pueden generar propuestas de valor únicas. Las áreas donde los productos descentralizados compiten directamente con competidores tradicionales y de código abierto llevarán más tiempo para progresar.

Entrenamiento e Inferencia de Modelos

El campo de la computación descentralizada (DeComp) en la industria de la cripto también tiene como objetivo servir como una alternativa a la computación en la nube centralizada, en parte debido a la escasez existente de suministro de GPU. Una solución propuesta para abordar este problema de escasez es la reutilización de recursos informáticos inactivos dentro de redes colectivas, lo que reduce los costos para los proveedores de nube centralizada. Protocolos como Akash y Render han implementado soluciones similares. Los indicadores preliminares sugieren que dichos proyectos están viendo un aumento en el uso tanto de usuarios como de proveedores. Por ejemplo, los contratos de arrendamiento activos de Akash (es decir, el número de usuarios) se han triplicado en lo que va del año (ver Figura 3), principalmente debido al aumento en la utilización de sus recursos de almacenamiento y computación.

Sin embargo, las tarifas pagadas a la red han disminuido desde el pico de diciembre de 2023, ya que la oferta de GPU disponibles superó el crecimiento de la demanda de estos recursos. Dicho esto, a medida que más proveedores se unen a la red, el número de GPU alquiladas (que parece ser el mayor impulsor de ingresos proporcionalmente) ha disminuido (consulte la Figura 4). En el caso de las redes en las que los precios computacionales pueden cambiar en función de los cambios en la oferta y la demanda, no está claro dónde surgirá finalmente la demanda sostenida e impulsada por el uso de tokens nativos si el crecimiento del lado de la oferta supera el crecimiento del lado de la demanda. Si bien el impacto a largo plazo de dichos cambios no está claro, es posible que estos modelos económicos simbólicos deban revisarse en el futuro para optimizar los cambios del mercado.

En un nivel técnico, las soluciones de computación descentralizada también enfrentan el desafío de las limitaciones de ancho de banda de la red. Para modelos grandes que requieren entrenamiento multinodal, la capa de infraestructura de red física juega un papel crucial. Las velocidades de transferencia de datos, la sobrecarga de sincronización y el soporte para ciertos algoritmos de entrenamiento distribuido significan que se requieren configuraciones de red específicas y comunicaciones de red personalizadas (como InfiniBand) para facilitar una ejecución de alto rendimiento. Cuando se supera un cierto tamaño de clúster, es difícil implementarlo de manera descentralizada.

En resumen, el éxito a largo plazo de la computación (y almacenamiento) descentralizados enfrenta una feroz competencia de los proveedores de nube centralizados. Cualquier adopción será un proceso a largo plazo similar al cronograma de adopción de la nube. Dada la creciente complejidad tecnológica del desarrollo de redes descentralizadas, junto con la falta de equipos de desarrollo y ventas escalables similares, será un desafiante viaje para realizar completamente la visión de la computación descentralizada.

Validación y Confianza en Modelos

A medida que los modelos de inteligencia artificial se vuelven cada vez más importantes en la vida diaria, están creciendo las preocupaciones sobre su calidad de salida y sesgos. Algunos proyectos de criptomonedas tienen como objetivo abordar este problema aprovechando un enfoque algorítmico para evaluar las salidas en diferentes categorías, buscando una solución descentralizada y basada en el mercado. Sin embargo, los desafíos que rodean la evaluación de modelos, junto con las aparentes compensaciones entre costo, rendimiento y calidad, hacen que las comparaciones cara a cara sean desafiantes. BitTensor es una de las criptomonedas más grandes centradas en la IA y tiene como objetivo abordar este problema, aunque numerosos desafíos técnicos prominentes pueden obstaculizar su adopción generalizada (ver Apéndice 1).

Además, la inferencia del modelo sin confianza (es decir, demostrar que las salidas del modelo son realmente generadas por el modelo reclamado) es otra área de investigación activa en la intersección de la Cripto y la IA. Sin embargo, a medida que la escala de los modelos de código abierto disminuye, dichas soluciones pueden enfrentar desafíos en la demanda. En un mundo donde los modelos pueden descargarse y ejecutarse localmente y la integridad del contenido puede verificarse a través de métodos robustos de hash o suma de comprobación de archivos, el papel de la inferencia sin confianza es menos claro. De hecho, muchos grandes modelos de lenguaje (LLMs) aún no pueden ser entrenados ni operados en dispositivos ligeros como teléfonos inteligentes, pero potentes computadoras de escritorio (como las utilizadas para juegos de alta gama) ya pueden ejecutar muchos modelos de alto rendimiento.

Procedencia de datos e identidad

A medida que la producción de IA generativa se vuelve cada vez más indistinguible de la producción humana, cobra importancia identificar y rastrear lo que genera la IA. GPT 4 pasa la prueba de Turing 3 veces más rápido que GPT 3.5, y es casi inevitable que algún día no podamos diferenciar entre robots y humanos. En un mundo así, determinar la identidad de los usuarios en línea y marcar el contenido generado por IA serán capacidades clave.

Los identificadores descentralizados y mecanismos de verificación de identidad como Worldcoin tienen como objetivo abordar los desafíos anteriores en la identificación de humanos en la cadena. De manera similar, publicar hash de datos en la cadena de bloques puede ayudar a establecer la marca de tiempo y la verificación de origen del contenido. Sin embargo, al igual que con las soluciones parciales mencionadas anteriormente, creemos que debe haber un equilibrio entre la viabilidad de las soluciones basadas en criptomonedas y las alternativas centralizadas.

Algunos países, como China, vinculan identidades en línea a bases de datos controladas por el gobierno. Si bien el grado de centralización en otras partes del mundo puede no ser tan alto, las alianzas de proveedores de Conozca a su Cliente (KYC) también pueden ofrecer soluciones de verificación de identidad independientes de la tecnología blockchain (similar a las autoridades de certificación de confianza que respaldan la seguridad en internet actual). Actualmente se está investigando en marcas de agua de inteligencia artificial para incrustar señales ocultas en texto e imágenes para que los algoritmos puedan detectar si el contenido es generado por IA. Muchas empresas líderes en IA, incluidas Microsoft, Anthropic y Amazon, se han comprometido públicamente a agregar dichas marcas de agua a su contenido generado.

Además, muchos proveedores de contenido existentes han sido encargados de registrar rigurosamente metadatos de contenido para cumplir con los requisitos de cumplimiento. Por lo tanto, los usuarios suelen confiar en metadatos asociados con publicaciones en redes sociales (pero no confían en capturas de pantalla), incluso si están almacenados de forma centralizada. Cabe destacar que cualquier solución de identidad y obtención de datos basada en cripto necesita integrarse con plataformas de usuarios para lograr una amplia efectividad. Por lo tanto, si bien las soluciones basadas en cripto para demostrar identidad y obtención de datos son técnicamente factibles, también creemos que su adopción no está predeterminada y finalmente dependerá de los requisitos comerciales, de cumplimiento y regulatorios.

Comerciando la Narrativa de IA

A pesar de las dificultades anteriores, muchos tokens de IA han superado a Bitcoin y Ethereum a partir del cuarto trimestre de 2023, así como a importantes acciones de IA como Nvidia y Microsoft. Esto se debe a que los tokens de IA suelen beneficiarse de un fuerte rendimiento relativo en el mercado de criptomonedas más amplio y en titulares de noticias de IA relacionadas (ver Apéndice 2). Por lo tanto, incluso si el precio de Bitcoin cae, los precios de los tokens centrados en la IA pueden fluctuar al alza, lo que puede provocar una volatilidad al alza durante las caídas de Bitcoin. La Figura 5 muestra visualmente la dispersión de los tokens de IA durante las caídas en la negociación de Bitcoin.

En general, todavía faltan muchos factores impulsados por la demanda a corto plazo en la narrativa de la IA en el espacio de las criptomonedas. La ausencia de predicciones claras de adopción y métricas ha dado lugar a una especulación generalizada similar a un meme, que puede no ser sostenible a largo plazo. En última instancia, el precio y la utilidad convergerán—la pregunta sin resolver es cuánto tiempo tomará esto y si la utilidad aumentará para cumplir con el precio, o viceversa. Dicho esto, la construcción continua del mercado de criptomonedas y la próspera industria de la IA pueden mantener una narrativa sólida de la IA de criptomonedas durante algún tiempo.

Conclusión

El papel de la criptomoneda en la IA no es una mera abstracción: cualquier plataforma descentralizada compite con las alternativas centralizadas existentes y debe analizarse en función de los requisitos comerciales y normativos más amplios. Por lo tanto, la mera sustitución de proveedores centralizados por otros "descentralizados" no es suficiente para impulsar un progreso significativo. Los modelos de IA generativa existen desde hace varios años y han conservado cierto grado de descentralización debido a la competencia del mercado y al software de código abierto.

Un tema recurrente en este informe es el reconocimiento de que si bien las soluciones basadas en cripto a menudo son técnicamente factibles, aún requieren un trabajo significativo para lograr funcionalidades equiparables a las plataformas más centralizadas, las cuales probablemente no se quedarán inmóviles en futuros desarrollos. De hecho, debido al mecanismo de consenso, el desarrollo centralizado a menudo avanza más rápido que el desarrollo descentralizado, lo que puede plantear desafíos a un campo como la IA que está evolucionando rápidamente.

Dado esto, la intersección de la inteligencia artificial y la criptomoneda todavía está en sus primeras etapas, y pueden producirse cambios rápidos en los próximos años con el desarrollo más amplio del campo de la inteligencia artificial. El futuro descentralizado de la inteligencia artificial no está garantizado, como lo han imaginado muchos en la industria de la criptomoneda; de hecho, el futuro de la propia industria de la inteligencia artificial sigue siendo en gran medida incierto. Por lo tanto, creemos que el enfoque prudente es navegar con cautela en estos mercados, adentrarse más en las soluciones basadas en criptomonedas y comprender verdaderamente cómo proporcionar mejores alternativas o comprender posibles narrativas comerciales.

Enlace del Artículo Original

Declaración:

1. Este artículo originalmente titulado “加密世界的AI海市蜃楼” es reproducido de [theblockbeats]. Todos los derechos de autor pertenecen al autor original [David Han]. Si tiene alguna objeción a la reimpresión, por favor contacteGate Aprenderequipo, el equipo lo manejará tan pronto como sea posible.

2. Descargo de responsabilidad: Las opiniones y puntos de vista expresados en este artículo representan únicamente las opiniones personales del autor y no constituyen ningún consejo de inversión.

3. Las traducciones del artículo a otros idiomas son realizadas por el equipo Gate Learn. A menos que se mencione, está prohibido copiar, distribuir o plagiar los artículos traducidos.