¿El negocio de la IA no es rentable? La luz del DeAI ya está apareciendo.

Escrito por: Zhang Feng

La inteligencia artificial (IA) es sin duda el sector tecnológico más candente del mundo, y la tecnología de IA está remodelando diversas industrias a una velocidad sin precedentes. Sin embargo, detrás de esta prosperidad y bullicio, hay una dura realidad: la gran mayoría de los negocios de IA, especialmente las startups, no han encontrado un camino de ganancias estable y sostenible. Están atrapadas en la difícil situación de “recibir aplausos pero no ingresos”, coexistiendo la prosperidad tecnológica con las pérdidas comerciales.

¿Por qué “perder dinero y ganar fama”?

La dificultad de rentabilidad en los negocios de IA no proviene del fracaso de la tecnología en sí, sino de un modelo de desarrollo centralizado que ha llevado a contradicciones estructurales. En concreto, se puede resumir en las siguientes tres razones:

Centralización extrema: costos exorbitantes y monopolio oligárquico. La IA actual, especialmente los grandes modelos, es una industria típicamente “de activos pesados”. Su proceso de entrenamiento e inferencia requiere consumir una gran cantidad de potencia de cálculo (GPU), almacenamiento y electricidad. Esto ha llevado a una polarización: por un lado, están las grandes empresas tecnológicas con un capital fuerte (como Google, Microsoft, OpenAI), que pueden afrontar inversiones de cientos de millones o incluso miles de millones de dólares; por el otro, hay muchas startups que se ven obligadas a “tributar” la mayor parte de su financiación a los proveedores de servicios en la nube para obtener potencia de cálculo, lo que aplasta enormemente su margen de ganancias. Este modelo ha formado un “oligopolio de poder de cálculo”, sofocando la vitalidad innovadora. Por ejemplo, incluso OpenAI, en sus primeros días, dependía en gran medida de la enorme inversión de Microsoft y los recursos de computación en la nube de Azure para sostener el desarrollo y operación de ChatGPT. Para la gran mayoría de los jugadores, los altos costos fijos hacen que sea difícil lograr ganancias a gran escala.

Dilema de datos: barreras de calidad y riesgos de privacidad. El combustible de la IA son los datos. Las empresas de IA centralizadas enfrentan generalmente dos grandes desafíos para obtener datos de entrenamiento de alta calidad y a gran escala. Primero, el costo de adquisición de datos es alto. Ya sea mediante la recolección paga, la anotación de datos o el uso de datos de usuarios, implica una gran inversión de tiempo y dinero. Segundo, los riesgos de privacidad y cumplimiento de datos son enormes. Con el endurecimiento de las regulaciones globales de datos (como el GDPR, CCPA), la recolección y el uso de datos sin el consentimiento explícito del usuario pueden provocar demandas legales y multas millonarias en cualquier momento. Por ejemplo, muchas empresas tecnológicas conocidas han enfrentado multas exorbitantes debido a problemas de uso de datos. Esto crea una paradoja: sin datos, no se puede desarrollar IA, pero la obtención y el uso de datos son extremadamente difíciles.

Desbalance en la distribución del valor: los contribuyentes y creadores son excluidos de los beneficios. En el actual ecosistema de IA, la distribución del valor es extremadamente injusta. El entrenamiento de modelos de IA depende de los datos de comportamiento generados por innumerables usuarios, el contenido producido por creadores (texto, imágenes, código, etc.), así como el código abierto aportado por desarrolladores de todo el mundo. Sin embargo, estos contribuyentes clave apenas pueden obtener alguna recompensa del enorme valor comercial creado por los modelos de IA. Esto no es solo un problema ético, sino un modelo comercial insostenible. Desmotiva a los contribuyentes de datos y creadores de contenido, y a largo plazo, socavará la base de la optimización continua e innovación de los modelos de IA. Un caso típico es que muchos artistas y escritores acusan a las empresas de IA de utilizar sus obras para entrenar y obtener beneficios, sin ofrecer ninguna compensación, lo que ha provocado una amplia controversia y disputas legales.

Dos, Nueva Paradigma de Ganancias

DeAI (Inteligencia Artificial Descentralizada) no es una sola tecnología, sino un nuevo paradigma que fusiona blockchain, criptografía y computación distribuida. Su objetivo es reconstruir las relaciones de producción de la IA de manera descentralizada, abordando así de manera específica los tres puntos críticos mencionados, y abriendo posibilidades de rentabilidad.

DeAI, a través del modelo de «crowdsourcing», distribuye la demanda de poder de cómputo a nodos ociosos en todo el mundo (computadoras personales, centros de datos, etc.). Esto es similar a «Airbnb para GPU», formando un mercado global y competitivo de poder de cómputo que puede reducir significativamente los costos de este. Los participantes obtienen incentivos en forma de tokens al contribuir con su poder de cómputo, logrando así una optimización en la asignación de recursos.

DeAI utiliza tecnologías como “aprendizaje federado” y “criptografía homomórfica” para lograr que “los datos no se muevan, sino que el modelo sí”. No es necesario recopilar los datos originales en un solo lugar, sino que se distribuye el modelo a cada fuente de datos para realizar el entrenamiento local, agregando solo las actualizaciones de parámetros cifrados. Esto protege fundamentalmente la privacidad de los datos, al tiempo que utiliza de manera legal y conforme al reglamento el valor de los datos descentralizados. Los propietarios de los datos pueden decidir de manera independiente si proporcionan sus datos y obtienen beneficios de ellos.

DeAI ha construido un sistema de distribución de valor transparente y justo a través de la “economía de tokens” y “contratos inteligentes”. Los contribuyentes de datos, los proveedores de potencia de cálculo, los desarrolladores de modelos e incluso los usuarios de modelos pueden obtener automáticamente recompensas en tokens correspondientes a su grado de contribución a través de contratos inteligentes. Esto transforma la IA de una “caja negra” controlada por gigantes en una economía abierta construida, gobernada y compartida por la comunidad.

Tres, transformar la arquitectura de tres capas

La migración de los negocios tradicionales de IA centralizada al paradigma DeAI requiere una reestructuración sistemática en tres niveles: técnico, empresarial y de gobernanza.

(I) Reconstrucción tecnológica de centralizada a distribuida

La capa de potencia de cálculo se basa en proyectos de infraestructura física descentralizada (DePIN), como Akash Network y Render Network, para construir grupos de potencia de cálculo distribuidos, flexibles y de bajo costo, que sustituyen a los servicios de nube centralizados tradicionales.

La capa de datos utiliza el aprendizaje federado como marco de entrenamiento central, combinando técnicas criptográficas como la criptografía homomórfica y el cálculo seguro multipartito para garantizar la privacidad y seguridad de los datos. Se establece un mercado de datos basado en blockchain, como Ocean Protocol, para permitir el intercambio de datos bajo la premisa de la propiedad y la seguridad.

La capa de modelo implementa el modelo de IA entrenado en la blockchain en forma de “contrato inteligente de IA”, haciéndolo transparente, verificable y accesible sin permiso. Cada uso del modelo y los ingresos generados pueden ser registrados y distribuidos con precisión.

(II) Reconstrucción del negocio de la venta de servicios a la co-construcción del ecosistema

Desde SaaS hasta DaaS (Datos como Servicio) y MaaS (Modelo como Servicio), las empresas ya no solo venden el número de llamadas a la API, sino que actúan como constructores del ecosistema, incentivando la participación de la comunidad en la construcción de la red a través de la emisión de tokens funcionales o de gobernanza. Las fuentes de ingresos se han expandido de una única tarifa de servicio a la apreciación de tokens generada por el crecimiento del valor del ecosistema, así como a los dividendos de las tarifas de transacción.

Por lo tanto, construir una plataforma de tareas descentralizada, donde se publiquen tareas como la anotación de datos, el ajuste de modelos y el desarrollo de aplicaciones para escenarios específicos en forma de “recompensas”, que los miembros de la comunidad global puedan asumir y recibir recompensas, reducirá enormemente los costos operativos y estimulará la vitalidad de la innovación.

(III) De la reestructuración de la gobernanza de la empresa a DAO

Basado en la gobernanza comunitaria, los participantes de la comunidad (contribuyentes, usuarios) tienen derecho a votar sobre decisiones clave al poseer tokens de gobernanza, como la dirección del ajuste de los parámetros del modelo, el uso de los fondos del tesoro, la prioridad del desarrollo de nuevas funciones, etc. Esto logra un verdadero “el usuario es el propietario”.

Basado en la apertura y la transparencia, se registran en la cadena todos los códigos, modelos (algunos de código abierto), registros de transacciones y decisiones de gobernanza, garantizando la transparencia del proceso y estableciendo relaciones de colaboración sin necesidad de confianza, lo que en sí mismo es un poderoso activo de marca y respaldo de confianza.

Tomando como ejemplo la transformación de una plataforma de datos logísticos tradicional a DeAI, la dificultad de la plataforma de datos logísticos tradicional radica en que, aunque reúne datos de transporte marítimo, terrestre y almacenamiento, los participantes “no quieren compartir” debido a la preocupación por la filtración de secretos comerciales, lo que lleva a islas de datos y limita el valor de la plataforma. El núcleo de la transformación hacia DeAI es liberar el valor de los datos y proporcionar incentivos justos sin exponer los datos originales:

Construir una red de computación confiable desde el punto de vista técnico. La plataforma ya no almacena datos de manera centralizada, sino que se transforma en una capa de coordinación basada en blockchain. Utilizando modelos tecnológicos como el aprendizaje federado, los modelos de IA “descienden” a los servidores locales de las empresas (como compañías navieras y almacenes) para ser entrenados, solo agregando las actualizaciones de parámetros cifrados, optimizando conjuntamente el modelo de predicción global (como el tiempo de llegada de los barcos de carga, el riesgo de sobrecarga en el almacén), logrando que “los datos no se muevan, el valor se mueva”.

Implementar la tokenización de activos de datos y los incentivos de tokens en los negocios. Emitir puntos de utilidad en la plataforma, donde las empresas de logística “minan” recompensas de puntos al contribuir con datos (parámetros del modelo). Los clientes de abajo (como los propietarios de carga) pagan tokens para consultar resultados de “predicción” de alta precisión (por ejemplo: la tasa de puntualidad de una ruta en la próxima semana), en lugar de comprar datos originales. Los ingresos se distribuyen automáticamente a los contribuyentes de datos a través de contratos inteligentes.

Construir un DAO industrial en la gobernanza, donde las decisiones clave (como el desarrollo de nuevas funciones y ajustes de tarifas) son votadas conjuntamente por los poseedores de tokens (es decir, los participantes clave), transformando la plataforma de ser liderada por una empresa privada a una comunidad industrial.

La plataforma ha evolucionado de una entidad centralizada que intenta extraer comisiones por intermediación de datos a un sistema nervioso de co-construcción, co-gobernanza y co-compartición de toda la cadena de logística, mejorando enormemente la eficiencia de la colaboración en la industria y la capacidad de resistencia a riesgos al resolver el problema de la confianza.

Cuatro, Cumplimiento y Seguridad

A pesar de que DeAI tiene un gran potencial, su desarrollo aún se encuentra en una etapa temprana y enfrenta una serie de desafíos que no se pueden ignorar.

Cumplimiento y incertidumbre legal. En términos de regulación de datos, incluso si los datos no se mueven, los modelos como el aprendizaje federado aún deben cumplir estrictamente con los requisitos de regulaciones como el GDPR en cuanto a “limitación de propósito”, “minimización de datos” y derechos de los usuarios (como el derecho al olvido) al procesar datos personales. Los promotores del proyecto deben diseñar mecanismos de autorización y salida de datos que sean conformes.

En cuanto a la regulación de valores, los tokens emitidos por el proyecto pueden ser fácilmente considerados como valores por organismos reguladores de diferentes países (como la SEC de EE. UU.), lo que conlleva un estricto escrutinio regulatorio. La clave para la supervivencia del proyecto es cómo evitar riesgos legales al diseñar el modelo económico del token.

En cuanto a la responsabilidad del contenido, si un modelo DeAI desplegado en la cadena produce contenido dañino, sesgado o ilegal, ¿quién es el responsable? ¿Es el desarrollador del modelo, el proveedor de poder de cálculo o los tenedores de tokens de gobernanza? Esto plantea nuevos desafíos para el sistema legal existente.

En cuanto a los desafíos de seguridad y rendimiento, la seguridad del modelo se refiere a que los modelos desplegados en cadenas públicas pueden enfrentar nuevos vectores de ataque, como la explotación de vulnerabilidades en contratos inteligentes o la destrucción maliciosa de sistemas de aprendizaje federado mediante datos envenenados.

El cuello de botella en el rendimiento se refiere a la velocidad de transacción (TPS) y las limitaciones de almacenamiento de la blockchain, que pueden no ser capaces de soportar solicitudes de inferencia de modelos grandes de alta frecuencia y baja latencia. Esto requiere una combinación efectiva de soluciones de escalado de Layer 2 y computación fuera de la cadena.

La eficiencia de la colaboración, aunque la colaboración distribuida es justa, puede tener una menor eficiencia en la toma de decisiones y la ejecución en comparación con las empresas centralizadas. Encontrar un equilibrio entre la eficiencia y la equidad es un arte que la gobernanza de las DAO debe seguir explorando.

DeAI, como una revolución en las relaciones de producción, a través de tecnología distribuida, economía de tokens y gobernanza comunitaria, tiene el potencial de romper el monopolio de los gigantes, liberar el poder de cómputo y el valor de los datos ociosos a nivel global, y construir un nuevo ecosistema de IA que sea más justo, sostenible y potencialmente más rentable.

Cinco, dirección de exploración actual

El desarrollo actual de las herramientas de IA aún está bastante lejos de lograr una inteligencia artificial verdaderamente descentralizada. Actualmente, todavía nos encontramos en una etapa temprana dominada por servicios centralizados, pero algunas exploraciones ya han señalado la dirección del futuro.

Exploraciones actuales y desafíos futuros. Aunque el DeAI ideal aún no se ha logrado, la industria ya está realizando intentos valiosos que nos ayudan a ver el camino futuro y los obstáculos que necesitamos superar.

Como un prototipo de colaboración de múltiples agentes. Algunos proyectos están explorando la construcción de un entorno en el que los agentes de IA colaboren y evolucionen juntos. Por ejemplo, el proyecto AMMO tiene como objetivo crear una “red de simbiosis entre humanos e IA”, cuyo marco de múltiples agentes y el entorno simulado RL Gyms permiten a los agentes de IA aprender a colaborar y competir en escenarios complejos. Esto puede considerarse un intento de construir las reglas de interacción subyacentes del mundo DeAI.

También como un intento de modelo de incentivos preliminar. En la concepción de DeAI, los usuarios que contribuyen con datos y los nodos que proporcionan potencia de cálculo deberían recibir una compensación justa. Algunos proyectos están tratando de redistribuir el valor directamente a los contribuyentes del ecosistema a través de un sistema de incentivos basado en criptografía. Por supuesto, cómo este modelo económico puede funcionar a gran escala, de manera estable y justa, sigue siendo un gran desafío.

Por ejemplo, avanzar hacia una IA más autónoma: los productos de la categoría Deep Research muestran la gran autonomía de la IA en tareas específicas (como la recuperación de información y el análisis). Pueden planificar de manera autónoma, ejecutar operaciones en múltiples pasos y optimizar iterativamente los resultados; esta capacidad de automatización de tareas es la base para el trabajo independiente de los agentes de IA en la futura red DeAI.

Para los profesionales de la IA que luchan en el Mar Rojo, en lugar de involucrarse en el viejo paradigma, es mejor abrazar valientemente este nuevo Mar Azul de DeAI. Esto no solo es una transformación de la ruta tecnológica, sino también una reestructuración de la filosofía empresarial: de “exprimir” a “incentivar”, de “cerrado” a “abierto”, de “monopolio de beneficios” a “crecimiento inclusivo”.