Ilusión de la tokenización: Vitalik confía más en que la «IA ayudará a Crypto»

Escrito por: Lao Bai

Después de dos años, V nuevamente publica un Twi, y yo también aprovecho para comentar sobre ese informe de hace dos años, ya que el momento es exactamente el mismo, 10 de febrero.

Hace dos años, V ya había expresado de manera velada que no confiaba mucho en las diversas Crypto Helps AI que estaban de moda en ese entonces. En ese momento, las tres principales tendencias en la comunidad eran la tokenización de la capacidad de cálculo, la tokenización de datos y la tokenización de modelos. Mi informe de hace dos años también abordaba estas tres tendencias, observando algunos fenómenos y planteando dudas en el mercado primario. Desde la perspectiva de V, él seguía confiando más en AI Helps Crypto.

Los ejemplos que mencionó en ese entonces fueron:

AI como participante en juegos;

AI como interfaz de juego;

AI como reglas del juego;

AI como objetivo del juego;

En estos dos años, en realidad, hemos intentado muchas cosas en Crypto Helps AI, pero los resultados han sido escasos. Muchas rutas y proyectos simplemente lanzan un token y ya, sin lograr un verdadero ajuste product-market fit (PMF). Lo llamo la “ilusión de la tokenización”.

1. Tokenización de capacidad de cálculo - La mayoría no puede ofrecer SLA comerciales, son inestables, con desconexiones frecuentes. Solo pueden manejar tareas simples de inferencia en modelos pequeños y medianos, principalmente en mercados periféricos, y sus ingresos no están vinculados a los tokens…

2. Tokenización de datos - La oferta (usuarios minoristas) tiene muchas fricciones, poca voluntad y alta incertidumbre. La demanda (empresas) requiere datos estructurados, con contexto, confiables y con responsabilidad legal, algo difícil de ofrecer por proyectos DAO en Web3.

3. Tokenización de modelos - Los modelos en sí mismos no son activos escasos, son replicables, ajustables y se deprecian rápidamente, no son activos finales. Hugging Face es más una plataforma de colaboración y difusión, similar a GitHub para ML, no una tienda de aplicaciones para modelos. Por eso, los intentos de “descentralizar Hugging Face” para tokenizar modelos suelen fracasar.

Además, en estos dos años, también hemos probado diversas “pruebas de razonamiento verificables”, pero es como buscar clavos con un martillo. Desde ZKML, OPML, Gaming Theory, hasta EigenLayer, que ha convertido su narrativa de Restaking en algo basado en Verifiable AI.

Pero en esencia, esto se parece a lo que pasa en la ruta de Restaking: pocos AVS están dispuestos a pagar por seguridad verificable adicional de forma continua.

Asimismo, las pruebas verificables suelen centrarse en verificar “cosas que nadie realmente necesita verificar”. El modelo de amenaza del lado de la demanda es muy vago: ¿a quién estamos protegiendo exactamente?

Los errores en la salida de AI (problemas de capacidad del modelo) son mucho más frecuentes que las alteraciones maliciosas (problemas de adversarialidad). Hace poco, vimos incidentes de seguridad en OpenClaw y Moltbook. Los verdaderos problemas vienen de:

Diseño de estrategia equivocado;

Permisos excesivos;

Falta de claridad en los límites;

Interacciones imprevistas entre herramientas;

…

Prácticamente no existe la preocupación de que “el modelo sea manipulado” o que “el proceso de inferencia sea alterado maliciosamente”.

El año pasado, compartí esta imagen, no sé si los veteranos la recuerdan.

Las ideas que V ha presentado esta vez son claramente más maduras que hace dos años, gracias a los avances en privacidad, X402, ERC8004, mercados predictivos y otros ámbitos.

Se puede ver que esta vez divide en cuatro cuadrantes, la mitad relacionada con AI Helps Crypto y la otra mitad con Crypto Helps AI, dejando atrás la tendencia claramente orientada hacia la primera en la época anterior.

Arriba a la izquierda y abajo a la izquierda - Utilizar la descentralización y transparencia de Ethereum para resolver los problemas de confianza y colaboración económica en AI:

1. Facilitar interacciones AI sin confianza y privadas (infraestructura + supervivencia): usando tecnologías como ZK, FHE para garantizar la privacidad y verificabilidad de las interacciones AI (no sé si lo que mencioné antes de razonamiento verificable cuenta aquí).

2. Ethereum como capa económica para AI (infraestructura + prosperidad): permitir que los agentes de AI puedan realizar pagos económicos, contratar otros robots, pagar garantías o construir sistemas de reputación a través de Ethereum, creando una arquitectura de AI descentralizada en lugar de depender de plataformas dominantes.

Arriba a la derecha y abajo a la derecha - Utilizar la inteligencia de AI para optimizar la experiencia del usuario, eficiencia y gobernanza en el ecosistema cripto:

3. La visión de los montañeses cypherpunk con LLMs locales (impacto + supervivencia): AI como escudo y interfaz para los usuarios. Por ejemplo, LLMs locales pueden auditar automáticamente contratos inteligentes, verificar transacciones, reducir la dependencia de frontends centralizados y proteger la soberanía digital individual.

4. Hacer realidad mercados y gobernanza mucho mejores (impacto + prosperidad): AI participando profundamente en mercados de predicción y gobernanza DAO. AI puede actuar como un participante eficiente, procesando información a gran escala para ampliar la capacidad de juicio humano, resolviendo problemas como la falta de atención, altos costos de decisión, sobrecarga de información y apatía en las votaciones.

Antes, queríamos que Crypto ayudara a AI, pero V pensaba en otra dirección. Ahora, finalmente nos encontramos en el medio. Solo que, a simple vista, esto no tiene mucho que ver con la tokenización de diversos XX o con alguna capa AI Layer1. Espero que, en dos años, al revisar esta publicación, surjan nuevas ideas y sorpresas.