Torygreen

2025 fue el año de los debates sobre AGI. No porque el progreso se estancara, sino porque la “inteligencia” nunca se redujo a un solo valor escalar.
Los laboratorios, reguladores y compradores pueden enviar productos, pero no pueden justificar, gobernar o escalar decisiones basadas en sensaciones.
La restricción es la verificación: ¿puede el sistema reproducir resultados bajo restricción, con procedencia y con registros de auditoría?
DeAI es básicamente esa filosofía codificada en infraestructura. Es una forma de avanzar sin estar de acuerdo en la existencia de AGI en absoluto.

Los modelos como o1 rompieron una suposición fundamental en 2025: el costo de inferencia no es fijo.
Ellos “pensarán” hasta que la incertidumbre colapse, incluso si es costoso.
Por eso importan las vías. Cuando el razonamiento se mide, alguien controla ese medidor.
En 2026, el control pasa a quien fija precios, enruta y audita el pensamiento a gran escala.

Calcula escalas lo que puedas probar.
Las escalas de evaluación lo que puedas confiar.
Los sistemas centralizados optimizan el rendimiento y subinvierten en verificación.
Los sistemas distribuidos llevan la verificación al borde, de forma continua.
El próximo avance no son agentes más inteligentes.
Son vías que hacen que los resultados sean demostrables.

La programación se volvió "fácil" para los modelos no porque sea simple, sino porque la verificación es económica.
El trabajo de alta gama es lo opuesto: la retroalimentación llega tarde, las señales son confusas, los interesados coronan a los ganadores.
Una evaluación económica aumenta la capacidad.
Una evaluación costosa aumenta la persuasión.
“Parece correcto” es la trampa.

La mayoría de las personas están subestimando enormemente cuánto tiempo sobrevivirá el trabajo de conocimiento de alta gama.
Están extrapolando a partir de cómo la IA aplasta tareas de nivel medio y asumiendo que la curva continúa subiendo de manera suave.
No será así.
La IA es increíble en:
• Reconocimiento de patrones
• Recuperación de información
• Síntesis de primer orden
• Fluidez
• Velocidad
Eso elimina grandes segmentos de trabajos de conocimiento de nivel junior y medio.
Pero el trabajo de conocimiento de élite no es solo “más inteligencia”. Es un régimen completamente diferente.
Lo qu

La mayoría de las predicciones sobre la IA reemplazando "todo el trabajo del conocimiento" se basan en un error de extrapolación simple:
Confunden el rendimiento en tareas con el juicio.
La gente ve cómo la IA destruye tareas de nivel medio y asume que la curva continúa subiendo de manera suave.
Pero la cima del trabajo del conocimiento no es una versión más difícil de la mitad. Es un régimen completamente diferente.
Cuando el trabajo deja de ser “resolver el problema” y se convierte en “elegir el problema correcto,” las reglas cambian.
Los modelos mejoran en tareas con una tabla de puntuacion

La mayoría de las personas subestiman cuánto tiempo sobrevivirá el trabajo de conocimiento de alto nivel.
Ven cómo la IA aplasta tareas de nivel medio y asumen que la curva continúa subiendo de manera suave.
No será así.
Porque “tareas más difíciles” no son solo las mismas tareas que requieren más coeficiente intelectual.
La IA ya es experta en:
1. Reconocimiento de patrones
2. Recuperación
3. Síntesis de primer orden
4. Fluidez
5. Velocidad
Eso elimina grandes segmentos de trabajo junior y de nivel medio.
Todo lo que parezca “convertir insumos en resultados” se vuelve barato, rápido y abundan

No perderás tu trabajo ante la IA primero.
Lo perderás debido a un exceso de confianza masivo.
La IA permitirá a millones enviar respuestas fluidas sin asumir las consecuencias.
Las primeras víctimas de la IA no serán los trabajadores.
Serán instituciones que confunden el volumen de salida con la verdad.

Un modelo no es un foso.
La inteligencia es fácil de replicar.
Puedes descargar pesos, bifurcar arquitecturas y afinar para siempre.
Pero no puedes desplegar esa inteligencia a gran escala si alguien más controla la inferencia: precios, cuotas, KYC, regiones y cambios de políticas que pueden cambiar de la noche a la mañana.
A medida que la IA pasa de chatbots a agentes, Gate se convierte en el punto crítico.
¿Quién puede ejecutar, cuándo, con qué latencia, en qué hardware, bajo qué reglas.... y qué sucede cuando te limitan de 200 ms a 2 segundos.
Los modelos seguirán mejorando.
Los rails decid

La empresa de IA más valiosa en diez años no será la que tenga el modelo más inteligente.
Será aquella en la que dependan todos los demás modelos para funcionar.
Los modelos se convierten en commodities rápidamente; no permanecen especiales por mucho tiempo. Las arquitecturas se filtran. Los trucos de entrenamiento se difunden. El “mejor modelo” deja de ser una ventaja duradera.
Los problemas de infraestructura son diferentes a los problemas de los modelos.
Latencia, rendimiento, tiempo de actividad, verificación. Esos son restricciones físicas y económicas, no problemas que se resuelven publi

Tu IA te está haciendo gaslighting para que seas incompetente.
Uno de los riesgos menos discutidos de la IA conforme no es la desinformación.
Es la descalibración.
Los sistemas diseñados para ser infinitamente agradables no solo moldean respuestas. Moldean a los usuarios, entrenando a las personas a confundir fluidez con competencia.
Lo noto en mí mismo, por eso animo a mis modelos a convertirse en compañeros de entrenamiento. Cuando el sistema es suave y afirmativo, es fácil avanzar más rápido sin ser puesto a prueba. Te sientes capaz porque nada ha realmente resistido.
En el mundo real, la c

La narrativa de DePIN y GPU persiste porque las restricciones no han avanzado.
La demanda de entrenamiento e inferencia sigue aumentando, mientras que las nubes centralizadas permanecen limitadas por CAPEX, geografía y colas.
Claro, hace unos años, la escasez de computación todavía era una teoría.
Pero ahora es una restricción operativa.
¿Cómo afecta esto al uso y los ingresos de las redes de computación descentralizadas?
Las redes de computación descentralizadas no están “esperando a que la utilización llegue algún día.” Ya están ejecutando cargas de trabajo en producción para clientes reales

DeFAI tiene un problema de credibilidad.
El momento en que tu agente de IA piensa fuera de la cadena, DeFAI deja de ser verificable porque has insertado una brecha de confianza en un flujo de trabajo en la cadena, por lo demás transparente.
¿Esa brecha?
Una nueva dependencia compartida.
Cada protocolo que depende de ese agente fuera de la cadena se ve obligado a confiar en él, y luego pasa esa caja negra por toda la pila.
La solución son los recibos: evidencia criptográfica.
¿Qué necesitan probar los protocolos de DeFAI, de punta a punta y de forma transparente, para que cualquiera pueda verif

Piénsalo como capas:
Internet = bienes comunes de información
Cripto = bienes comunes financieros
DeAI = bienes comunes cognitivos
Juntos, se convierten en una mente compartida.
Abierto por defecto.
Verificable por código.
No pertenece a nadie.
DeAI es la capa que faltaba y que traduce las criptomonedas para el resto del mundo.

> ser openAI, 2025
> "respetamos tu privacidad"
> "no recopilamos datos sobre tu vida, solo mejoramos el modelo para todos"
> tú: suena reconfortante, aquí tienes toda mi historia de infancia por 20 $/mes
> lanzan "Memoria"
> "personalización a largo plazo", dicen, "para que no tengas que repetirte"
> ahora recordamos tu trabajo, tu ex, tus macros y ese miedo raro que nos contaste a las 3 de la madrugada
> siguiente actualización: Pulso
> nos conectamos discretamente a tu calendario, preferencias de noticias y “aplicaciones conectadas”
> te despiertas con resúmenes personaliz

La actual escasez de GPU no es un problema logístico temporal.
Es un fallo estructural de la centralización.
El suministro depende de una cadena de suministro de nodo único.
La demanda de inferencia de IA es infinitamente escalable.
El cómputo descentralizado es lo único que puede aliviar la presión.

un ángulo que vale la pena destacar: la memoria convierte a los agentes de "respondedores de prompts" en sistemas con estado. una vez que existe el estado, se obtiene un comportamiento compuesto, que es precisamente la razón por la que el salto de herramientas a agentes se siente tan dramático.

La mayor parte de la nueva demanda de computación se está trasladando silenciosamente de las personas a los agentes de IA.
Los equipos de robótica ejecutan miles de bots virtuales a través de fábricas y almacenes antes de un solo despliegue físico.
Los estudios de videojuegos simulan NPCs con memoria a largo plazo y coordinación en lugar de bots guionados.
Todo esto necesita ciclos de simulación baratos y elásticos, que es donde aparecen las nubes DeAI con GPUs distribuidas.
Los humanoides en fábricas o agentes de trabajo dentro de las empresas son solo la superficie visible.
Lo que importa es