El espacio Web3-AI es uno de los más populares en criptografía y combina una gran promesa con una gran expectación. Casi parece herético señalar la cantidad de proyectos Web3-AI con límites de mercado multimillonarios pero sin casos de uso práctico, impulsados exclusivamente por narrativas proxy del mercado tradicional de IA. Mientras tanto, la brecha en las capacidades de IA entre Web2 y Web3 continúa ampliándose de manera alarmante. Sin embargo, Web3-AI no es todo exageración. Los desarrollos recientes en el mercado de la IA generativa resaltan la propuesta de valor de enfoques más descentralizados.
Teniendo en cuenta todos estos factores, nos encontramos en un mercado sobrevalorado y sobrefinanciado que está desconectado del estado de la industria de la IA generativa, pero que es capaz de desbloquear un valor tremendo para la próxima ola de IA generativa. Sentirse confundido es comprensible. Si nos alejamos de las exageraciones y analizamos el espacio Web3-AI a través de la lente de los requisitos actuales, emergen áreas claras donde Web3 puede ofrecer un valor sustancial. Pero esto requiere atravesar un denso campo de distorsión de la realidad.
Distorsión de la realidad Web3-AI
Como criptonativos, tendemos a ver el valor de la descentralización en todo. Sin embargo, la IA ha evolucionado como una fuerza cada vez más centralizada en términos de datos y computación, por lo que la propuesta de valor de la IA descentralizada debe comenzar por contrarrestar esa fuerza natural de centralización.
Cuando se trata de IA, existe un desajuste cada vez mayor entre el valor que percibimos que se está creando en Web3 y las necesidades del mercado de IA. La realidad preocupante es que la brecha entre la IA Web2 y Web3 se está ampliando en lugar de reducirse, impulsada fundamentalmente por tres factores clave:
Talento limitado en investigación de IA
El número de investigadores de IA que trabajan en Web3 es de un solo dígito. Esto no es nada alentador para quienes afirman que la Web3 es el futuro de la IA.
Infraestructura restringida
Todavía no hemos logrado que las aplicaciones web funcionen correctamente con backends Web3, por lo que pensar en la IA es, como mínimo, exagerado. La infraestructura Web3 impone restricciones computacionales que no son prácticas para el ciclo de vida de las soluciones de IA generativa.
Modelos, datos y recursos computacionales limitados
La IA generativa se basa en tres cosas: modelos, datos y computación. Ninguno de los modelos de gran frontera está equipado para ejecutarse en infraestructuras Web3; no existe una base para grandes conjuntos de datos de entrenamiento; y existe una enorme brecha de calidad entre los clústeres de GPU Web3 y los necesarios para el entrenamiento previo y el ajuste de los modelos básicos.
La difícil realidad es que Web3 ha estado construyendo una versión de IA para “hombres pobres”, esencialmente tratando de igualar las capacidades de Web2 AI pero creando versiones inferiores. Esta realidad contrasta marcadamente con la tremenda propuesta de valor de la descentralización en varias áreas de la IA.
Para evitar hacer de este análisis una tesis abstracta, profundicemos en las diferentes tendencias de la IA descentralizada y las evaluemos frente a su potencial en el mercado de la IA.
Leer más: Jesús Rodríguez - Financiamiento de IA generativa de código abierto con criptomonedas
La distorsión de la realidad en Web3-AI ha llevado a que la ola inicial de innovación y financiación se centre en proyectos cuyas propuestas de valor parecen desconectadas de las realidades del mercado de la IA. Al mismo tiempo, hay otras áreas emergentes en Web3-AI que tienen un enorme potencial.
Algunas tendencias Web3-AI sobrevaloradas
Infraestructura GPU descentralizada para capacitación y ajuste
En los últimos años, hemos visto una explosión de infraestructuras de GPU descentralizadas con la promesa de democratizar el entrenamiento previo y el ajuste de los modelos básicos. La idea es habilitar una alternativa a la monopolización de GPU establecida por los laboratorios de IA tradicionales. La realidad es que el entrenamiento previo y el ajuste de grandes modelos básicos requieren grandes clústeres de GPU con buses de comunicación súper rápidos que los conecten. Un ciclo de preentrenamiento de un modelo básico de 50.000 a 100.000 millones en una infraestructura de IA descentralizada podría llevar más de un año, si es que funciona.
Marcos ZK-AI
La idea de combinar cálculos de conocimiento cero (zk) e IA ha generado conceptos interesantes para habilitar mecanismos de privacidad en modelos básicos. Dada la prominencia de la infraestructura zk en Web3, varios marcos prometen incorporar el cálculo zk en los modelos básicos. Aunque teóricamente atractivos, los modelos zk-AI rápidamente enfrentan el desafío de ser prohibitivamente costosos desde un punto de vista computacional cuando se aplican a modelos grandes. Además, zk limitará aspectos como la interpretabilidad, que es una de las áreas más prometedoras de la IA generativa.
Prueba de inferencia
Las criptomonedas se tratan de pruebas criptográficas y, a veces, estas se adjuntan a cosas que no las necesitan. En el espacio Web3-AI, vemos ejemplos de marcos que emiten pruebas criptográficas de resultados de modelos específicos. Los desafíos con estos escenarios no son tecnológicos sino relacionados con el mercado. Básicamente, la prueba de inferencia es una especie de solución que busca un problema y carece de casos de uso reales en la actualidad.
Algunas tendencias Web3-AI de alto potencial
Agentes con billeteras
Los flujos de trabajo agentes son una de las tendencias más interesantes en la IA generativa y tienen un potencial significativo para las criptomonedas. Por agentes nos referimos a programas de IA que no sólo pueden responder pasivamente preguntas basadas en entradas, sino también ejecutar acciones en un entorno determinado. Si bien la mayoría de los agentes autónomos se crean para casos de uso aislados, estamos viendo el rápido surgimiento de entornos y colaboración de múltiples agentes.
Esta es un área donde las criptomonedas pueden generar un valor tremendo. Por ejemplo, imagine un escenario en el que un agente necesita contratar a otros agentes para completar una tarea o apostar algún valor para garantizar la calidad de sus resultados. El aprovisionamiento de agentes con primitivas financieras en forma de criptorieles desbloquea muchos casos de uso para la colaboración entre agentes.
Financiamiento criptográfico para IA
Uno de los secretos más conocidos de la IA generativa es que el espacio de la IA de código abierto está atravesando una tremenda crisis de financiación. La mayoría de los laboratorios de IA de código abierto ya no pueden darse el lujo de trabajar en modelos grandes y, en cambio, se centran en otras áreas que no requieren cantidades masivas de acceso a computación y datos. Las criptomonedas son extremadamente eficientes en la formación de capital con mecanismos como lanzamientos aéreos, incentivos o incluso puntos. El concepto de vías de financiación criptográfica para la IA generativa de código abierto es una de las áreas más prometedoras en la intersección de estas dos tendencias.
Modelos de cimientos pequeños
El año pasado, Microsoft acuñó el término modelo de lenguaje pequeño (SLM) después del lanzamiento de su modelo Phi, que, con menos de 2B de parámetros, pudo superar a LLM mucho más grandes en tareas de informática y matemáticas. Los modelos básicos pequeños (piense en los parámetros 1B-5B) son un requisito clave para la viabilidad de la IA descentralizada y desbloquean escenarios prometedores para la IA en el dispositivo. Descentralizar modelos de cientos de miles de millones de parámetros es casi imposible hoy en día y lo seguirá siendo por un tiempo. Sin embargo, los modelos básicos pequeños deberían poder ejecutarse en muchas de las infraestructuras Web3 actuales. Impulsar la agenda GST es esencial para generar valor real con Web3 y la IA.
Generación de datos sintéticos
La escasez de datos es uno de los mayores desafíos de esta última generación de modelos básicos. Como resultado, existe un nivel cada vez mayor de investigación centrada en mecanismos de generación de datos sintéticos utilizando modelos básicos que pueden complementar conjuntos de datos del mundo real. Idealmente, la mecánica de las redes criptográficas y los incentivos simbólicos puede coordinar a una gran cantidad de partes para que colaboren en la creación de nuevos conjuntos de datos sintéticos.
Otras tendencias relevantes de Web3-AI
Hay varias otras tendencias interesantes de Web3-AI con un potencial significativo. Los resultados de prueba humana son cada vez más relevantes dados los desafíos que plantea el contenido generado por IA. La evaluación y la evaluación comparativa son un segmento de la IA en el que pueden brillar las capacidades de confianza y transparencia de Web3. El ajuste centrado en el ser humano, como el aprendizaje reforzado con retroalimentación humana (RLHF), también es un escenario interesante para las redes Web3. Es probable que surjan otros escenarios a medida que la IA generativa continúe evolucionando y las capacidades de Web3-AI maduren.
La necesidad de capacidades de IA más descentralizadas es muy real. Si bien es posible que la industria Web3 aún no esté en condiciones de rivalizar con el valor creado por los megamodelos de IA, puede desbloquear valor real para el espacio generativo de la IA. El mayor desafío para la evolución de Web3-AI podría ser superar su propio campo de distorsión de la realidad. Web3-AI tiene mucho valor; sólo tenemos que centrarnos en construir cosas reales.
Nota: Las opiniones expresadas en esta columna son las del autor y no reflejan necesariamente las de CoinDesk, Inc. o sus propietarios y afiliados.
