Jensen Huang dice que la IA abierta y cerrada coexistirán: qué significa para el cripto y la IA descentralizada
2026/08/02 08:06:00
La visión del CEO de NVIDIA, Jensen Huang, de que la inteligencia artificial abierta y propietaria se desarrollarán juntas tiene implicaciones mucho más allá de la competencia entre los principales laboratorios de IA. Si los pesos de modelos avanzados se vuelven más ampliamente disponibles, el siguiente cuello de botella será cada vez más la infraestructura necesaria para entrenar, personalizar y operarlos. Esto crea una posible oportunidad para redes descentralizadas de GPU, mercados de IA basados en cadena de bloques y protocolos como Bittensor, pero no garantiza que cada proyecto de IA descentralizada o token relacionado tenga éxito.
La pregunta central para las criptomonedas no es simplemente si habrá más modelos de IA descargables. Es si las redes descentralizadas pueden proporcionar cómputo útil, inferencia, almacenamiento, pagos y verificación a un nivel que las empresas y desarrolladores estén dispuestos a comprar. Los comentarios de Huang fortalecen el caso por un ecosistema de IA diverso, pero el rendimiento técnico, la confiabilidad de la red, la economía de tokens y la demanda real de clientes determinarán si las criptomonedas se convierten en una capa de infraestructura importante o permanecen como una narrativa especulativa alrededor del crecimiento de la IA.
La visión abierta y cerrada de Jensen Huang sobre la IA y por qué ambos modelos coexistirán
Jensen Huang no ve el futuro de la inteligencia artificial como una competencia de ganador-se-lo-lleva-todo entre sistemas abiertos y cerrados. Hablando en NVIDIA GTC en marzo de 2026, el fundador y CEO de NVIDIA rechazó esta elección binaria, afirmando que “lo propietario frente a lo abierto no es una cuestión. Es lo propietario y lo abierto.” Su argumento es que el ecosistema global de IA requerirá diferentes modelos para distintas cargas de trabajo, industrias y requisitos de seguridad, en lugar de un sistema universal controlado por una sola empresa o filosofía de desarrollo. Los modelos propietarios de vanguardia podrán seguir liderando tareas que exigen un rendimiento de razonamiento máximo, seguridad gestionada y soporte empresarial, mientras que los modelos de peso abierto pueden brindar a desarrolladores, empresas y gobiernos un mayor control sobre la personalización, el procesamiento de datos y la implementación.
Huang rechaza el debate entre IA abierta y cerrada
Aunque se presentan frecuentemente como enfoques competidores, la inteligencia artificial abierta y cerrada atienden a diferentes necesidades de los usuarios. Los modelos propietarios normalmente son controlados por sus desarrolladores y accedidos a través de aplicaciones, plataformas en la nube o APIs. Esta estructura puede ofrecer un rendimiento avanzado, actualizaciones coordinadas, protecciones de seguridad centralizadas y soporte profesional sin requerir que los clientes operen infraestructuras complejas de aprendizaje automático. La compensación es que los usuarios pueden tener una visibilidad limitada sobre los parámetros del modelo, su proceso de entrenamiento y sus salvaguardias internas. Las organizaciones también pueden volverse dependientes de los precios, disponibilidad, políticas de datos y restricciones de uso de un solo proveedor a medida que la IA se integra más profundamente en sus operaciones.
Los modelos de peso abierto siguen un modelo de distribución diferente porque sus parámetros entrenados generalmente se pueden descargar, modificar e implementar en infraestructura seleccionada por el usuario. Esto permite afinar un modelo para conjuntos de datos privados, lenguas regionales, investigación científica o flujos de trabajo empresariales especializados. Una organización puede operar el modelo en sus propios servidores, dentro de una nube privada o cerca de dispositivos de borde donde la latencia y el control de datos son importantes. Sin embargo, peso abierto no significa automáticamente código abierto completo. Los conjuntos de datos de entrenamiento, el código fuente, las evaluaciones de seguridad o los métodos de desarrollo pueden seguir sin disponibilidad, y las licencias pueden restringir usos específicos. Por lo tanto, la apertura del modelo existe en un espectro en lugar de ser una categoría simple de sí o no.
Según las observaciones de Huang sobre GTC, industrias como la salud, las finanzas y la manufactura dependerán cada vez más de combinaciones de modelos generales, especializados, abiertos y propietarios. Un hospital podría utilizar un sistema comercial de vanguardia para investigación médica amplia, mientras procesa información confidencial de pacientes mediante un modelo implementado localmente. Una institución financiera podría usar un modelo propietario para análisis general, pero mantener los registros de clientes dentro de su propio entorno controlado. Los fabricantes podrían ejecutar modelos más pequeños cerca de fábricas y equipos industriales, mientras confían en sistemas basados en la nube para tareas de ingeniería complejas. Los agentes de IA y las plataformas de enrutamiento de modelos podrían hacer que esta estructura híbrida sea más común. En lugar de enviar cada solicitud a un solo modelo, un sistema de orquestación puede evaluar la complejidad, sensibilidad, costo y requisitos de tiempo de respuesta de cada tarea antes de seleccionar la opción más adecuada. La clasificación rutinaria de documentos podría asignarse a un modelo local eficiente, mientras que la codificación avanzada o el razonamiento científico podrían enviarse a una plataforma propietaria más capaz. Los usuarios podrían interactuar con una sola aplicación, aunque varios modelos estén operando detrás de ella. Este enfoque puede reducir costos innecesarios, proteger información sensible y limitar la dependencia de un solo proveedor, al tiempo que mantiene el acceso a capacidades de vanguardia.
La estrategia de modelo abierto de NVIDIA respalda la visión de Huang
Las acciones de NVIDIA muestran que el apoyo de Jensen Huang a la IA abierta y propietaria va más allá de los comentarios públicos. En marzo de 2026, la empresa formó la Coalición Nemotron con Mistral AI, Black Forest Labs, Cursor, LangChain, Perplexity, Reflection AI, Sarvam y Thinking Machines Lab. La coalición reúne investigación, conjuntos de datos, marcos de evaluación, conocimientos especializados y recursos de cómputo para desarrollar modelos abiertos de vanguardia. Su primer modelo base está siendo co-desarrollado por NVIDIA y Mistral AI, con otros miembros contribuyendo a la prueba, el post-entrenamiento y el desarrollo continuo. NVIDIA planea compartir el modelo resultante con el ecosistema de IA más amplio y utilizarlo como base para la familia Nemotron 4. Para marzo de 2026, los modelos Nemotron existentes habían registrado más de 45 millones de descargas en Hugging Face, lo que indica una demanda significativa por sistemas de IA adaptables. NVIDIA amplió la estrategia en julio mediante implementaciones que involucran organizaciones japonesas como el Institute of Science Tokyo, SoftBank, SB Intuitions, Stockmark, Hitachi y NTT DATA, que están utilizando la tecnología Nemotron para IA en japonés, agentes empresariales, telecomunicaciones, manufactura y aplicaciones científicas. Estos proyectos demuestran cómo las organizaciones pueden personalizar fundamentos abiertos con datos propietarios sin exponer públicamente conocimientos internos valiosos.
Los avances en seguridad respaldan aún más el argumento de Huang de que los modelos de IA abiertos y cerrados coexistirán. Los modelos abiertos pueden ser inspeccionados y probados de forma independiente, mientras que la implementación local permite a las organizaciones mantener información sensible dentro de infraestructuras controladas. Sin embargo, los pesos descargables también pueden modificarse para eliminar salvaguardias, y su liberación es difícil de revertir. Los sistemas cerrados ofrecen controles de acceso centralizados y actualizaciones de seguridad coordinadas, pero pueden generar dependencias opacas y puntos de falla concentrados. El 27 de julio de 2026, NVIDIA y otras organizaciones tecnológicas y de ciberseguridad establecieron la Open Secure AI Alliance para desarrollar herramientas defensivas abiertas, reconociendo que ambos tipos de modelos siguen siendo necesarios. Apoyar este ecosistema mixto también se alinea con la posición de NVIDIA como proveedora de infraestructura de IA. Los laboratorios propietarios, las plataformas en la nube, los gobiernos y los desarrolladores que ejecutan modelos abiertos todos requieren GPUs, redes, almacenamiento, electricidad y software especializado. Autoalojar pesos abiertos puede reducir las tarifas de acceso al modelo, pero no elimina los costos operativos. Por lo tanto, es razonable inferir que NVIDIA puede beneficiarse ya sea que las aplicaciones futuras utilicen plataformas propietarias, sistemas de pesos abiertos o combinaciones híbridas, lo que hace del mercado de IA diversificado el resultado más probable.
Qué significa la IA de peso abierto para el cripto y la infraestructura de IA descentralizada
Los modelos de IA de peso abierto podrían aumentar la demanda de cómputo descentralizado, ya que descargar un modelo no elimina el costo de operarlo. Los desarrolladores aún necesitan GPU, almacenamiento, ancho de banda, electricidad e infraestructura técnica para ajustar modelos, procesar solicitudes de usuarios y ejecutar agentes de IA a gran escala. Esto crea un papel potencial para redes de infraestructura física descentralizada que conectan proveedores de hardware independientes con desarrolladores que buscan capacidad de cómputo. Mercados distribuidos podrían poner disponibles GPU subutilizadas para el entrenamiento de modelos, inferencia y alojamiento de aplicaciones, mientras que sistemas de almacenamiento descentralizados podrían respaldar conjuntos de datos, puntos de control y contenido generado por IA. Los activos cripto pueden coordinar pagos, recompensas a proveedores, staking y acceso en estas redes sin requerir que cada participante use la misma empresa o plataforma en la nube. La categoría más amplia de redes de infraestructura descentralizada se extiende más allá del desarrollo de modelos hacia los recursos físicos necesarios para operar servicios digitales. La oportunidad principal es que los pesos abiertos reducen las barreras para acceder a modelos, pero no eliminan el cuello de botella de infraestructura, lo que podría expandir el mercado para nubes alternativas de GPU, inferencia sin permiso y alojamiento de IA distribuido geográficamente.
Las redes de blockchain también podrían respaldar la inteligencia artificial descentralizada mediante pagos transparentes, registros de propiedad de modelos, procedencia de datos e incentivos para evaluar los resultados del aprendizaje automático. Bittensor aplica este concepto a través de subredes especializadas en las que los participantes pueden ofrecer servicios como inferencia, cómputo, almacenamiento y predicción, mientras que los validadores evalúan las contribuciones y los incentivos del protocolo recompensan el rendimiento útil. La infraestructura cripto también podría permitir AI agents in crypto comprar servicios digitales mediante monederos programables y pagos en stablecoin. Sin embargo, la inteligencia artificial de peso abierto no es automáticamente descentralizada. Un modelo descargable aún puede ser alojado por un proveedor de nube centralizado, entrenado con conjuntos de datos concentrados y operado a través de hardware suministrado por un pequeño número de fabricantes. Las redes descentralizadas deben resolver problemas complejos relacionados con la verificación de salidas, privacidad, latencia, calidad del hardware, ciberseguridad y disponibilidad del servicio antes de poder competir consistentemente con alternativas centralizadas. Por lo tanto, la conexión más fuerte entre la inteligencia artificial de peso abierto y la cripto es la infraestructura que rodea al modelo: cómo se suministran los recursos de cómputo, cómo se pagan a los contribuyentes, cómo se verifican las salidas y si los usuarios pueden acceder a los servicios sin depender completamente de un solo intermediario.
Oportunidades y riesgos para Bittensor, tokens de cómputo descentralizado e IA
Bittensor y otros proyectos descentralizados de inteligencia artificial están atrayendo atención a medida que crece la demanda de alternativas a la infraestructura en la nube convencional, pero su valor a largo plazo dependerá de más que la popularidad de la inteligencia artificial. Estas redes deben demostrar que los participantes distribuidos pueden ofrecer entrenamiento, inferencia, almacenamiento y servicios de datos confiables a precios competitivos. Los tokens criptográficos pueden ayudar a coordinar proveedores, validadores y pagos, pero la adopción sostenible requiere clientes reales, salidas medibles y actividad económica que no dependa principalmente de recompensas en tokens. El campo más amplio de AI crypto sectors contiene varios modelos de negocio diferentes, lo que hace que la evaluación a nivel de proyecto sea más útil que tratar cada token de IA como una exposición a la misma tendencia.
Bittensor y Covenant-72B destacan el potencial de la inteligencia artificial descentralizada
Bittensor opera a través de subredes especializadas que compiten para proporcionar servicios digitales como inferencia de IA, entrenamiento, predicción, almacenamiento y cómputo. Según la documentación de la subred de Bittensor, los mineros producen el servicio relevante, los validadores evalúan su calidad, los creadores de subredes establecen mecanismos de incentivo y los stakers respaldan a los validadores con TAO. La red recibió mayor atención mainstream en marzo de 2026 después de que la Subred Templar 3 respaldara el entrenamiento distribuido de Covenant-72B, un modelo de lenguaje de 72 mil millones de parámetros. El informe técnico de Covenant-72B indica que el modelo se preentrenó con aproximadamente 1,1 billones de tokens mediante un proceso permisivo y distribuido globalmente. Huang comparó el experimento con una versión moderna de Folding@home, reconociendo su enfoque de cómputo distribuido. El comentario no constituyó una asociación de NVIDIA con Bittensor, un respaldo de TAO ni una prueba de que el entrenamiento descentralizado ya sea superior a los centros de datos convencionales. Demostró que el entrenamiento colaborativo sustancial es técnicamente posible, mientras que la oportunidad más amplia de Bittensor radica en convertir sus subredes en mercados competitivos para inteligencia machine útil.
Los tokens de cómputo descentralizado e IA podrían ampliar el acceso a la infraestructura
La oportunidad más fuerte para el cómputo descentralizado proviene de la brecha entre acceder a un modelo de IA y obtener el hardware necesario para operarlo. Los proveedores de nube centralizados ofrecen GPUs a gran escala, pero los precios, la disponibilidad regional, las restricciones de capacidad y los contratos a largo plazo pueden crear barreras para desarrolladores más pequeños. Las redes distribuidas intentan aglutinar recursos de proveedores independientes y ponerlos a disposición a través de mercados abiertos. Si pueden ofrecer precios competitivos y servicios confiables, podrían apoyar a startups, investigadores y desarrolladores de agentes de IA que requieren capacidad temporal o flexible. La oportunidad no se limita al entrenamiento de modelos grandes: la inferencia, el ajuste fino, la evaluación de modelos, la producción de datos sintéticos y la ejecución continua de agentes pueden generar cargas de trabajo recurrentes. Los tokens pueden coordinar pagos y recompensas en estos sistemas, pero su caso de uso más fuerte existe cuando el activo realiza una función necesaria en la red en lugar de servir principalmente como una etiqueta especulativa adjunta a una aplicación de IA.
Los riesgos técnicos, de seguridad y de centralización podrían limitar la adopción
Las redes descentralizadas de IA enfrentan desafíos que las transacciones ordinarias de cadena de bloques no tienen. Los resultados de la IA pueden ser subjetivos y costosos de evaluar, lo que dificulta que los validadores determinen si un proveedor generó un trabajo genuinamente útil o simplemente optimizó para el mecanismo de puntuación. Una evaluación débil puede fomentar la manipulación, la colusión y actividades que generan recompensas sin servir a clientes externos. El entrenamiento distribuido también introduce retrasos de comunicación, hardware inconsistente y el riesgo de que los participantes se desconecten o envíen actualizaciones defectuosas. Una cadena de bloques puede seguir dependiendo de un número limitado de fabricantes de GPU, validadores grandes, centros de datos o equipos de desarrollo, dejando capas críticas concentradas incluso cuando los pagos están descentralizados. Proveedores maliciosos, claves comprometidas, vulnerabilidades de software y uso no autorizado de datos con derechos de autor o confidenciales generan exposiciones adicionales. Por lo tanto, competir con servicios en la nube establecidos requerirá rendimiento confiable, gobernanza transparente, fuertes protecciones de privacidad y formas creíbles de verificar el trabajo completado.
El crecimiento de la red no aumenta automáticamente el valor del token de IA
Los precios de los tokens de IA pueden reaccionar rápidamente a lanzamientos de modelos, comentarios influyentes y el sentimiento general del mercado, pero la atención no genera necesariamente ingresos recurrentes. Una red puede reportar más implementaciones, transacciones o participantes, mientras que gran parte de esa actividad sigue siendo financiada por emisiones e incentivos de tokens. Si las recompensas a los participantes superan consistentemente los ingresos de clientes externos, el crecimiento aparente puede depender de la emisión continua en lugar de un modelo de negocio duradero. Evaluar TAO y otros tokens de cómputo descentralizado requiere examinar los pagos de los clientes, las cargas de trabajo recurrentes, la utilización del hardware, la independencia de los validadores, la concentración de proveedores y el costo de los incentivos necesarios para sostener la actividad. Los inversores también deben determinar si los usuarios necesitan el token para acceder a los servicios, si las tarifas de red generan demanda continua y si las emisiones diluyen a los titulares existentes. Bittensor y el cómputo descentralizado tienen una oportunidad creíble para respaldar una economía de IA más abierta, pero el éxito a largo plazo dependerá de servicios verificables, clientes recurrentes y una economía de tokens sostenible.
Conclusión
La visión de Jensen Huang de que la IA abierta y la propietaria coexistirán apunta hacia una economía de múltiples modelos en la que las organizaciones seleccionan sistemas según el rendimiento, la privacidad, el costo y el control, en lugar de seguir un único enfoque de desarrollo universal. Esta expansión podría generar una demanda significativa de cómputo descentralizado, pagos basados en cadena de bloques e incentivos como Bittensor, ya que los pesos de modelos accesibles aún requieren infraestructura sustancial para entrenar y operar. Covenant-72B demostró que los experimentos de entrenamiento sin permiso son posibles, pero la viabilidad técnica no garantiza superioridad comercial ni valor del token. Los proyectos de IA descentralizada deben demostrar que pueden verificar salidas, proteger datos, ofrecer servicios confiables y atraer clientes pagadores sin depender excesivamente de emisiones. La criptomoneda podría convertirse en una capa importante de coordinación y liquidación para la economía de IA abierta, pero los proyectos más fuertes serán aquellos que conviertan la narrativa de la IA en uso medible, ingresos sostenibles y economía de token transparente.
|
KuCoin celebra su 9º aniversario con una campaña especial de plataforma llena de recompensas exclusivas, actividades de trading y ofertas de tiempo limitado. No pierdas la oportunidad de participar y disfrutar de los beneficios mientras el exchange marca nueve años de crecimiento e innovación. Visita la página oficial de la campaña ahora:
|
Preguntas frecuentes
¿Es Bittensor lo mismo que una plataforma de cómputo en la nube descentralizada?
No. Un mercado en la nube descentralizado conecta principalmente a clientes con proveedores independientes que ofrecen recursos de cómputo. Bittensor es una red de incentivos más amplia en la que subredes especializadas pueden producir inferencia, predicciones, entrenamiento, almacenamiento y otros servicios digitales. Algunas subredes pueden ofrecer servicios relacionados con cómputo, pero la red no opera como un mercado estandarizado de alquiler de GPU.
¿Pueden los modelos de IA de peso abierto operar completamente sin conexión?
Sí, siempre que el usuario tenga hardware suficiente, software compatible y una copia local de los pesos del modelo. La implementación sin conexión puede mejorar la privacidad y reducir la dependencia de una API externa, pero los modelos más grandes pueden requerir GPUs costosas y memoria sustancial. El acceso a Internet puede seguir siendo necesario para descargar modelos, actualizaciones de seguridad, herramientas externas o datos en tiempo real.
¿Pueden participar los propietarios de GPU de consumo en redes descentralizadas de inteligencia artificial?
La participación depende de la red, la subred y los requisitos de carga de trabajo. Algunos servicios pueden aceptar GPU de consumo, mientras que tareas grandes de entrenamiento o inferencia pueden requerir hardware profesional, internet de alta velocidad, memoria significativa y un tiempo de actividad confiable. Poseer una GPU no garantiza rentabilidad, ya que las recompensas deben superar los costos de electricidad, mantenimiento, ancho de banda y equipo.
¿Cómo pueden las redes descentralizadas de cómputo proteger los datos de IA confidenciales?
La privacidad no está garantizada simplemente porque una red sea descentralizada. Las plataformas seguras pueden utilizar cifrado, entornos de cómputo confidencial, aislamiento de cargas de trabajo y acceso restringido a datos para proteger la información sensible. Las organizaciones deben examinar si los proveedores pueden ver los datos cargados, cómo se almacenan los resultados y qué sucede con los archivos temporales después de completar una tarea.
¿Qué sucede si un proveedor de hardware se desconecta durante una carga de trabajo de IA?
Una red bien diseñada puede guardar puntos de control, reasignar trabajo pendiente y sancionar a los proveedores que no cumplan con los requisitos de confiabilidad. Las interrupciones aún pueden aumentar los tiempos y costos de finalización, especialmente durante el entrenamiento distribuido que requiere que los participantes permanezcan sincronizados. Por lo tanto, la redundancia de proveedores y la recuperación automatizada son importantes al evaluar servicios de cómputo descentralizados.
¿La computación descentralizada de GPU siempre es más barata que los servicios en la nube centralizados?
No necesariamente. Los mercados distribuidos pueden ofrecer precios más bajos al utilizar hardware subutilizado y puja competitiva, pero el costo total también depende de la transferencia de datos, la latencia, la complejidad de la configuración, la duración de la carga de trabajo y la confiabilidad. Las empresas deben comparar el costo completo de completar una tarea en lugar de observar únicamente el precio por hora de GPU anunciado.
¿Qué métricas muestran si una red descentralizada de IA tiene demanda real?
Los indicadores útiles incluyen pagos de clientes externos, volumen de carga de trabajo recurrente, utilización de GPU, retención de clientes, tiempo de actividad y el número de proveedores independientes. Los usuarios también deben comparar los ingresos por comisiones con las recompensas en tokens para determinar si la actividad está financiada comercialmente o fuertemente subvencionada por emisiones. Un alto número de transacciones por sí solo puede no representar un uso significativo de IA.
Descargo de responsabilidad: Este artículo tiene fines informativos únicamente y no constituye asesoramiento financiero ni de inversión. Los activos de criptomonedas son volátiles, y los lectores deben verificar los últimos anuncios oficiales de WEMIX antes de tomar decisiones.
Aviso: Esta página fue traducida utilizando tecnología de IA para tu conveniencia. Para obtener la información más precisa, consulta la versión original en inglés.