Desde el mercado primario: Crypto × IA, un experimento de ilusión de tokenización

Autor: Lao Bai

Después de dos años, V ha vuelto a publicar en Twi, y yo también voy a comentar sobre ello siguiendo el informe de investigación de hace dos años, ya que el momento es exactamente el mismo, 10 de febrero. (Lectura relacionada: ABCDE: Desde la perspectiva del mercado primario, análisis de AI+Crypto)

Hace dos años, el creador de V ya había expresado de manera velada que no confiaba mucho en las diversas formas de Crypto Helps AI que estaban de moda en ese momento. En ese entonces, las tres principales tendencias en la comunidad eran la tokenización de la potencia computacional, la tokenización de datos y la tokenización de modelos. El informe que publiqué hace dos años también abordaba fenómenos y dudas observados en esas tres tendencias en el mercado primario. Desde la perspectiva de V, él todavía confiaba más en AI Helps Crypto.

Los ejemplos que mencionó en ese momento fueron:

AI como participante en juegos;

AI como interfaz de juego;

AI como reglas del juego;

AI como objetivo del juego;

En los últimos dos años, en realidad hemos probado muchas cosas en Crypto Helps AI, pero los resultados han sido escasos; muchas rutas y proyectos solo lanzan un token y ya, sin un verdadero ajuste de mercado (PMF), lo que llamo la “ilusión de la tokenización”.

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

2. Tokenización de datos - La fricción en la oferta (usuarios minoristas) es alta, la voluntad baja y la incertidumbre elevada. La demanda (empresas) requiere datos estructurados, con dependencia de contexto, con confianza y responsabilidad legal, algo difícil de ofrecer por proyectos Web3 basados en DAO.

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 generalmente fracasan.

Además, en estos dos años hemos probado varias formas de “razonamiento verificable”, pero es como buscar clavos con un martillo. Desde ZKML, OPML, Teoría de Juegos, hasta EigenLayer, que ha convertido su narrativa de Restaking en algo basado en Verifiable AI.

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

Asimismo, el razonamiento verificable generalmente se trata de verificar “cosas que nadie realmente necesita verificar”, y el modelo de amenaza en la demanda es muy vago — ¿a quién se está defendiendo exactamente?

Los errores en la salida de AI (problemas de capacidad del modelo) son mucho más frecuentes que la manipulación maliciosa de la salida (problemas de adversarialidad). Hace poco, vimos incidentes de seguridad en OpenClaw y Moltbook, y el verdadero problema proviene de:

Diseño de estrategia equivocado

Permisos excesivos

Falta de claridad en los límites

Interacciones no previstas entre herramientas

…

Prácticamente no existe la idea de “modelos manipulados” o “procesos de inferencia alterados 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, y esto se debe a los avances que hemos logrado en privacidad, X402, ERC8004, mercados predictivos y otros ámbitos.

Se puede ver que en esta ocasión divide en cuatro cuadrantes, la mitad pertenece a AI Helps Crypto y la otra mitad a Crypto Helps AI, dejando atrás la clara preferencia por la primera hace dos años.

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): usar tecnologías como ZK, FHE para garantizar la privacidad y verificabilidad de las interacciones AI (no sé si lo que mencioné antes de razonamiento verificable entra aquí).

2. Ethereum como capa económica para AI (infraestructura + prosperidad): permitir que los agentes de AI puedan realizar pagos económicos, contratar otros robots, pagar depósitos 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 de criptomonedas:

3. Visión de montañés cypherpunk con LLMs locales (impacto + supervivencia): AI como escudo y interfaz para los usuarios. Por ejemplo, modelos LLM locales pueden auditar automáticamente contratos inteligentes, verificar transacciones, reducir la dependencia de interfaces centralizadas 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 amplificar el 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 Help AI, y V ha estado en otra postura. Ahora, finalmente, nos encontramos en un punto medio, aunque a simple vista no parece tener mucho que ver con tokens de tipo XX o capas de AI Layer1. Espero que en dos años, al revisar esta publicación, surjan nuevas direcciones y sorpresas.