AI × DePIN: cómo Acurast permite que los teléfonos ejecuten tareas reales de IA
En la demostración de Laya que @Acurast publicó el 2 de octubre, un teléfono Android ejecuta un modelo de IA que determina si un correo debe ir a la bandeja de entrada o a la de spam, o marcarse como correo de phishing. Los resultados de clasificación que los usuarios ven en la página web se obtienen gracias al procesamiento de este teléfono.
Laya procesa tareas de decisión con opciones predefinidas. La aplicación envía al modelo la información actual y las opciones disponibles mediante una solicitud HTTP. El modelo devuelve una opción y su probabilidad, y la aplicación ejecuta el siguiente paso en función de ello. El mismo método también se utiliza en demostraciones de moderación de chats y toma de decisiones en juegos.
Este caso ofrece un punto de partida concreto para observar la relación entre IA y DePIN: **primero hay que ver qué tarea debe realizar la aplicación y luego determinar qué tipo de hardware es adecuado para llevarla a cabo.**
Imaginemos un asistente de IA que procesa correos electrónicos de clientes. Al recibir un mensaje, primero debe identificar su tipo y determinar su urgencia; después, decidir si lo deriva a un flujo de trabajo posterior. Las solicitudes de reembolso, los problemas técnicos y el spam pueden enviarse a distintas colas de procesamiento. Hay muchas decisiones recurrentes, con datos de entrada relativamente claros, cuya forma de ejecución y necesidades de recursos merecen diseñarse por separado.
A mi juicio, la oportunidad de la computación móvil está precisamente en este tipo de tareas específicas. Para las solicitudes que se pueden procesar de manera independiente, los desarrolladores pueden explorar el despliegue distribuido y asignar distintas solicitudes a distintos dispositivos. Para que este enfoque sea viable, también hay que tener en cuenta la conectividad de la red, los tiempos de respuesta, el rendimiento de los dispositivos y la estabilidad del servicio.
Acurast intenta resolver cómo organizar teléfonos distribuidos en una red de computación que los desarrolladores puedan utilizar. Los dispositivos proporcionan recursos al ejecutar Processor, mientras que Matcher, dentro de la red, asigna los recursos de los dispositivos de acuerdo con los requisitos de despliegue de los desarrolladores. El momento en que se ejecuta la tarea, las instrucciones que lleva a cabo y el destino de los resultados son aspectos que deben definirse en el despliegue.
Las herramientas de desarrollo determinan cuántos tipos de aplicaciones puede admitir esta red. El entorno de ejecución Cargo de Acurast permite que los dispositivos Core Android de 64 bits que cumplen los requisitos ejecuten programas nativos en una imagen de Linux. Los desarrolladores pueden utilizar scripts, herramientas nativas y las dependencias correspondientes. Esto ofrece una vía para desplegar software existente en una red de computación móvil.
La importancia de este paso radica en que el teléfono debe convertirse en un entorno de ejecución en el que se pueda desplegar, invocar y mantener software. Solo cuando los desarrolladores instalen realmente sus aplicaciones podrán comprobar si las herramientas son fáciles de usar, si la ejecución es estable y si los costes se ajustan a las necesidades de su negocio.
La ejecución distribuida también plantea problemas de confianza. Los dispositivos pertenecen a distintas personas, por lo que la aplicación necesita confirmar la identidad del hardware que aloja la tarea. La presentación oficial del ejemplo de Laya menciona que se ejecuta en teléfonos cuya identidad ha sido verificada mediante atestación de dispositivo. Para los desarrolladores, este tipo de mecanismo permite verificar la identidad del hardware y constituye parte de la construcción de confianza en la computación distribuida.
Una vez que se puede verificar la identidad de los dispositivos, el rendimiento del modelo aún debe evaluarse por separado. La demostración oficial también registra las clasificaciones erróneas de Laya y muestra los límites de capacidad de un solo teléfono para procesar solicitudes. En las aplicaciones reales, la precisión de clasificación, la gestión de las colas de solicitudes y el tratamiento de excepciones deben probarse en contextos específicos.
Acurast ya muestra algunos avances observables. La red principal se lanzó el 20 de enero de 2026; según el sitio web oficial consultado el 6 de octubre, la página enumera más de 322.000 teléfonos conectados y más de 675.000 despliegues de computación. Estas métricas muestran la escala de la red para organizar dispositivos y alojar despliegues.
A partir de aquí, lo más interesante será seguir observando cómo las aplicaciones utilizan la red de forma continua. Una demostración puede probar que una tarea es ejecutable; un servicio que funciona a largo plazo también debe superar las pruebas del aumento de solicitudes, las fluctuaciones en la disponibilidad de dispositivos y los costes de mantenimiento. El valor de una red de computación móvil se irá aclarando a través de estos usos reales.
En esta red, $ACU se utiliza, entre otras cosas, para pagar los despliegues de computación. Si más aplicaciones de IA eligen Acurast de forma sostenida, las tarifas de computación generadas por la ejecución de tareas serán un indicador concreto de la demanda de uso del token. Para entender las perspectivas de crecimiento de Acurast en este sector, hay que relacionar el uso real de las aplicaciones con la utilidad del token.
Volvamos a ese correo que hay que clasificar: si el modelo puede ofrecer una valoración útil en un plazo adecuado, la aplicación puede invocarlo de forma estable y los desarrolladores pueden gestionar y mantener el servicio, el teléfono pasa a desempeñar una función concreta dentro del flujo de trabajo de IA.
Esta es la perspectiva desde la que veo Acurast. Las posibilidades de crecimiento de la relación entre IA y DePIN pueden buscarse en tareas pequeñas, recurrentes y que el software pueda invocar de manera continua. La utilidad de la computación móvil en las aplicaciones de IA debe demostrarse mediante la ejecución de tareas concretas.