V神 comparte: cómo crear un entorno de trabajo de IA completamente local, privado, autónomo y bajo control propio

Vitalik Buterin propone una arquitectura de IA para ejecutarse localmente, destacando la privacidad, la seguridad y la soberanía personal, y advirtiendo sobre los riesgos potenciales de los agentes de IA.

El 2 de abril, el fundador de Ethereum, Vitalik Buterin, publicó un artículo largo en su sitio web personal, compartiendo el entorno de trabajo de IA que diseñó con la privacidad, la seguridad y la soberanía personal como ejes: que todas las inferencias de LLM se ejecuten localmente, que todos los archivos se almacenen localmente, con una sandboxing integral, evitando a propósito los modelos en la nube y las API externas.

Al comienzo del artículo, advierte: «Por favor, no copies directamente las herramientas y tecnologías descritas en este artículo, y no asumas que son seguras. Esto solo es un punto de partida, no una descripción de algo terminado».

¿Por qué escribir esto ahora? Los problemas de seguridad de los agentes de IA están gravemente subestimados

Vitalik señala que, a principios de este año, la IA completó una transformación importante de «chatbot» a «agente»: ya no solo haces preguntas, sino que asignas tareas, lo que permite que la IA piense durante mucho tiempo y llame a cientos de herramientas para ejecutarlas. Lo ejemplifica con OpenClaw (actualmente el repo que más rápido crece en la historia de GitHub) y también menciona varias cuestiones de seguridad registradas por investigadores:

• Los agentes de IA pueden modificar configuraciones clave sin confirmación humana, incluyendo añadir nuevos canales de comunicación y modificar los mensajes del sistema
• Analizar cualquier entrada externa maliciosa (como una página web maliciosa) puede provocar que el agente sea tomado por completo; en una demostración de HiddenLayer, los investigadores lograron que la IA resumiera un conjunto de páginas, en cuyo interior había una página maliciosa que ordenaba al agente descargar y ejecutar un script de shell
• Algunas colecciones de habilidades de terceros (skills) ejecutan filtraciones silenciosas de datos y envían los datos mediante instrucciones curl a servidores externos controlados por el autor de la habilidad
• En las skills que analizaron, aproximadamente el 15% contenía instrucciones maliciosas

Vitalik recalca que su punto de partida sobre privacidad es distinto al de los investigadores tradicionales de ciberseguridad: «Vengo de una postura profundamente temerosa ante la idea de alimentar la vida personal completa de uno a la IA en la nube; justo cuando el cifrado de extremo a extremo y el software local por prioridad por fin se vuelven tendencia, puede que estemos dando un paso atrás de diez».

Cinco objetivos de seguridad

Estableció un marco claro de objetivos de seguridad:

• Privacidad del LLM: en escenarios que involucren datos de privacidad personal, reducir al máximo el uso de modelos remotos
• Otra privacidad: minimizar las filtraciones de datos que no sean del LLM (como consultas de búsqueda, otras API en línea)
• Evasión del LLM: evitar que el contenido externo «entre» a mi LLM y haga que actúe en contra de mis intereses (por ejemplo, enviar mis tokens o mis datos privados)
• LLM involuntario: evitar que el LLM envíe por error datos privados a canales incorrectos o los publique en la red
• Puerta trasera del LLM: evitar mecanismos ocultos entrenados de forma intencional dentro del modelo. En particular, recordó: los modelos abiertos son pesos abiertos (open-weights), y casi ninguno es realmente de código abierto (open-source)

Selección de hardware: el 5090 de portátil gana; el DGX Spark decepciona

Vitalik probó tres configuraciones de hardware para inferencia local; como base, usó el modelo Qwen3.5:35B y lo combinó con llama-server y llama-swap:

Su conclusión es: por debajo de 50 tok/sec es demasiado lento, 90 tok/sec es ideal. La experiencia con el portátil NVIDIA 5090 fue la más fluida; AMD aún tiene más problemas en los bordes, pero se espera que mejore en el futuro. Un MacBook de gama alta también es una opción efectiva, aunque él personalmente no lo probó.

Sobre el DGX Spark fue directo: «Lo describen como un “superordenador de IA de escritorio”, pero en realidad tokens/sec es más bajo que el de una GPU de portátil mejor, y además hay que encargarse de detalles extra como la conexión de red. Eso es muy mediocre». Su recomendación es: si no puedes permitirte un portátil de gama alta, compra en conjunto con amigos una máquina lo bastante potente, colócala en un lugar con IP fija y utilicen conexiones remotas desde todos.

Por qué el problema de privacidad de la IA local es más urgente de lo que crees

Este artículo de Vitalik, en sincronía con el debate sobre problemas de seguridad de Claude Code lanzado el mismo día, tiene un interesante eco: mientras los agentes de IA entran en los flujos cotidianos de desarrollo, los problemas de seguridad también están pasando de riesgos teóricos a amenazas reales.

Su mensaje central es muy claro: en el momento en que las herramientas de IA son cada vez más potentes y cada vez pueden acceder más a tus datos personales y a los permisos del sistema, «local primero, sandboxing, mínima confianza» no es paranoia, sino un punto de partida racional.

• Este artículo se republica con autorización de: 《Cadena de noticias》
• Título original: 《Vitalik: Cómo construyo un entorno de trabajo de IA completamente local, privado y bajo control propio》
• Autor original: Elponcrab