¿El negocio de la IA no es rentable? La luz del DeAI ya se ha visto.

Autor: 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, tras el bullicio de este auge, una dura realidad es que la gran mayoría de los negocios de IA, especialmente las startups, no han encontrado un camino de rentabilidad estable y sostenible. Se encuentran atrapadas en la difícil situación de “tener buenas críticas pero no ventas”, donde la prosperidad tecnológica coexiste con las pérdidas comerciales.

Uno, ¿por qué “perder dinero para ganar fama”?

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

Descentralización extrema: costos exorbitantes y monopolio oligárquico. La IA actual, especialmente los grandes modelos, es un ejemplo típico de una industria de “activos pesados”. Su proceso de entrenamiento e inferencia requiere un consumo masivo de potencia de cálculo (GPU), almacenamiento y electricidad. Esto ha llevado a una polarización: por un lado, están las grandes tecnológicas con capital abundante (como Google, Microsoft, OpenAI), que pueden permitirse inversiones de cientos de millones o incluso miles de millones; por otro lado, hay una gran cantidad de startups que se ven obligadas a “ofrendar” la mayor parte de su financiamiento a proveedores de servicios en la nube para obtener potencia de cálculo, lo que comprime drásticamente su margen de beneficio. Este modelo ha creado un “oligopolio de cálculo”, asfixiando la vitalidad innovadora. Por ejemplo, incluso OpenAI, en sus primeros días de desarrollo, dependía enormemente de la enorme inversión de Microsoft y los recursos de computación en la nube de Azure para sostener la investigación y operación de ChatGPT. Para la gran mayoría de los jugadores, los altos costos fijos hacen que sea difícil lograr rentabilidad a 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 problemas para obtener datos de entrenamiento de alta calidad y a gran escala. Primero, el costo de adquisición de datos es elevado. Ya sea a través de la recolección paga, la anotación de datos, o utilizando datos de usuarios, implica una enorme inversión de dinero y tiempo. En segundo lugar, los riesgos de privacidad y cumplimiento de datos son enormes. Con el endurecimiento de las regulaciones globales de datos (como GDPR, CCPA), la recopilación y uso de datos sin el consentimiento explícito del usuario puede provocar demandas legales y multas exorbitantes en cualquier momento. Por ejemplo, varias empresas tecnológicas de renombre han enfrentado multas astronómicas debido a problemas de uso de datos. Esto crea una paradoja: sin datos, no se puede desarrollar IA, pero la obtención y uso de datos es extremadamente difícil.

Desbalance en la distribución del valor: los contribuyentes y creadores quedan 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 del código abierto aportado por desarrolladores de todo el mundo. Sin embargo, estos contribuyentes clave casi no pueden obtener ninguna recompensa de los enormes valores comerciales generados por los modelos de IA. Esto no solo es un problema ético, sino también un modelo de negocio insostenible. Desanima la motivación de los contribuyentes de datos y creadores de contenido, y a largo plazo, socavará la base para 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 haberles proporcionado ninguna compensación, lo que ha provocado una amplia controversia y disputas legales.

Dos, Nueva Paradigma de Ganancias

DeAI (Inteligencia Artificial Descentralizada) no es una única tecnología, sino una nueva paradigma que fusiona blockchain, criptografía y computación distribuida. Su objetivo es reestructurar las relaciones de producción de la IA de manera descentralizada, abordando específicamente los tres grandes puntos críticos mencionados, y abriendo la posibilidad de obtener ganancias.

DeAI a través del modelo de “crowdsourcing” dispersa la demanda de potencia de cálculo 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 potencia de cálculo que puede reducir significativamente los costos de potencia de cálculo. Los participantes obtienen incentivos en forma de tokens al contribuir con su potencia de cálculo, logrando así una optimización de la asignación de recursos.

DeAI logra “datos en movimiento, modelos en movimiento” a través de tecnologías como “aprendizaje federado” y “criptografía homomórfica”. No es necesario concentrar los datos originales en un solo lugar, sino que el modelo se distribuye a cada fuente de datos para realizar un entrenamiento local, solo agregando actualizaciones de parámetros encriptados. Esto protege fundamentalmente la privacidad de los datos, mientras se utiliza de manera legal y conforme el valor de los datos descentralizados. Los propietarios de los datos pueden decidir de manera autónoma si desean proporcionar datos y beneficiarse de ellos.

DeAI ha construido un sistema de distribución de valor transparente y justo a través de la “economía de tokens” y los “contratos inteligentes”. Los contribuyentes de datos, proveedores de potencia de cálculo, desarrolladores de modelos e incluso usuarios de modelos pueden recibir automáticamente recompensas en tokens correspondientes a su nivel de contribución a través de contratos inteligentes. Esto transforma la IA de una “caja negra” controlada por gigantes a un ecosistema económico abierto construido, gobernado y compartido por la comunidad.

Tres, Transformación de la arquitectura de tres capas

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

(1) Reconstrucción técnica de centralizado a distribuido

Capa de computación se basa en proyectos de infraestructura física descentralizada (DePIN), como Akash Network, Render Network, etc., para construir un grupo de computación distribuida flexible y de bajo costo, sustituyendo los servicios de nube centralizados tradicionales.

Capa de datos utiliza el aprendizaje federado como marco de entrenamiento central, combinando tecnologías criptográficas como la criptografía homomórfica y el cálculo seguro multipartito, para garantizar la privacidad y seguridad de los datos. Establecer un mercado de datos basado en blockchain, como Ocean Protocol, permite que los datos se negocien bajo la premisa de derechos de propiedad y seguridad.

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 permisos. Cada uso del modelo y los ingresos generados pueden ser registrados y distribuidos con precisión.

(II) Reestructuración del negocio desde la venta de servicios hasta la co-construcción de ecosistemas

De SaaS a DaaS (Datos como Servicio) y MaaS (Modelos como Servicio), las empresas ya no solo venden el número de llamadas a la API, sino que actúan como constructores de ecosistemas, incentivando la participación de la comunidad en la construcción de la red a través de la emisión de tokens funcionales o tokens de gobernanza. Las fuentes de ingresos se han ampliado de una única tarifa de servicio a la valorización de tokens generada por el crecimiento del valor del ecosistema, así como a los dividendos de las comisiones 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”, permitiendo que miembros de la comunidad global las asuman y obtengan recompensas, reduce enormemente los costos operativos y estimula la vitalidad innovadora.

**(III) Reconstrucción de la gobernanza de la empresa a DAO

Basado en la gobernanza comunitaria, a través de la posesión de tokens de gobernanza, los participantes de la comunidad (contribuyentes, usuarios) tienen el derecho de votar sobre decisiones clave, como la dirección del ajuste de parámetros del modelo, el uso de fondos de la tesorería, las prioridades de desarrollo de nuevas funciones, entre otros. Esto logra el verdadero “el usuario es el propietario”.

Basado en la apertura y la transparencia, todo el código, los modelos (algunos de código abierto), los registros de transacciones y las decisiones de gobernanza se registran en la cadena, 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 un 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, almacenamiento y otros, los participantes no quieren compartir debido a la preocupación por la filtración de secretos comerciales, lo que resulta en islas de datos y un valor limitado de la plataforma. El núcleo de la transformación a 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 de tecnología como el aprendizaje federado, los modelos de IA son “desplegados” en los servidores locales de las empresas (como las compañías navieras y los 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 buques al puerto, el riesgo de sobrecarga en los almacenes), logrando que “los datos no se muevan, pero el valor sí”.

Implementación de la activación de activos de datos y recompensas en tokens en los negocios. Emisión de puntos prácticos de la plataforma, las empresas de logística obtienen recompensas en puntos al “minar” contribuyendo con datos (parámetros del modelo). Los clientes finales (como los propietarios de carga) pagan tokens para consultar resultados de “predicción” de alta precisión (por ejemplo: la tasa de puntualidad de una ruta específica 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 una industria de DAO en la gobernanza, las decisiones clave (como el desarrollo de nuevas funciones y ajustes de tarifas) son gobernadas mediante el voto conjunto de 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 institución centralizada que intenta extraer tarifas de intermediación de datos a un sistema nervioso que co-construye, co-gobierna y comparte toda la cadena de la industria logística, al resolver problemas de confianza, lo que ha mejorado enormemente la eficiencia de la colaboración en la industria y la capacidad de resistencia a riesgos.

Cuatro, Cumplimiento y Seguridad

A pesar de que el futuro de DeAI es prometedor, 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 del usuario (como el derecho al olvido) al procesar datos personales. El equipo del proyecto debe diseñar mecanismos de autorización de datos y de salida que cumplan con la normativa.

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

En términos de responsabilidad del contenido, si un modelo DeAI desplegado en la cadena genera contenido dañino, sesgado o ilegal, ¿quién es el responsable? ¿Es el desarrollador del modelo, el proveedor de la capacidad de cálculo o los poseedores de tokens de gobernanza? Esto presenta nuevos desafíos para el sistema legal existente.

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 de rendimiento es la velocidad de transacción (TPS) y las limitaciones de almacenamiento de la blockchain, que pueden no ser capaces de soportar solicitudes de inferencia de grandes modelos de alta frecuencia y baja latencia. Esto requiere una combinación efectiva de soluciones de escalado Layer2 y computación fuera de la cadena.

La eficiencia de la colaboración es aunque la colaboración distribuida es justa, la eficiencia en la toma de decisiones y ejecución puede ser inferior a la de las empresas centralizadas. Encontrar un equilibrio entre eficiencia y equidad es el arte que la gobernanza de DAO necesita explorar continuamente.

DeAI, como una revolución en las relaciones de producción, a través de tecnologías distribuidas, economía de tokens y gobernanza comunitaria, tiene el potencial de romper el monopolio de los gigantes, liberar la capacidad de cálculo y el valor de los datos ociosos a nivel global, y construir un nuevo ecosistema de IA más justo, sostenible y posiblemente más rentable.

Cinco, direcciones de exploración actuales

El desarrollo actual de las herramientas de IA aún tiene un camino bastante largo por recorrer para lograr una inteligencia artificial descentralizada ideal. Actualmente, seguimos en una etapa temprana dominada por servicios centralizados, pero algunas exploraciones ya han señalado la dirección futura.

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

Como un prototipo de colaboración de sistemas multiagente. Algunos proyectos están explorando la construcción de un entorno donde los agentes de IA puedan colaborar y evolucionar juntos. Por ejemplo, el proyecto AMMO tiene como objetivo crear una “red de simbiosis entre humanos e IA”, cuyo marco multiagente diseñado y el entorno de simulación RL Gyms permiten a los agentes de IA aprender a colaborar y competir en escenarios complejos. Esto puede verse como un intento de construir reglas de interacción subyacentes en el mundo DeAI.

También como un intento preliminar de modelo de incentivos. En la concepción de DeAI, los usuarios que contribuyen con datos y los nodos que proporcionan potencia de cálculo deben recibir una compensación justa. Algunos proyectos están intentando redistribuir el valor directamente a los contribuyentes del ecosistema a través de sistemas de incentivos basados 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 AI más autónoma: Los productos de tipo Deep Research muestran la potente 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, es mejor abrazar valientemente este nuevo Mar Azul de DeAI que seguir atrapados en el antiguo paradigma. Esto no solo es una transformación en la ruta tecnológica, sino también una reconfiguración de la filosofía empresarial: de “explotar” a “incentivar”, de “cerrado” a “abierto”, de “monopolio de beneficios” a “crecimiento inclusivo”.