Yoshi Invest

Gasta 2 puntos Alpha para crear una billetera booster #GRVT día 10/7, la última tarea es que Creatorpad reciba una asignación adicional de $GRVT en el día del TGE 21/7. Yo hice una ronda de 4 horas en la capa de seguridad (security) de @grvt_io para desmenuzar y descubrir:
Cuando lo "invisible" se convierte en la cima de la seguridad.
En Web3, los hacks de millones de dólares que derrumban sistemas enteros siempre nos ponen en alerta. Sin importar lo fuerte que sea el sistema, siempre existen riesgos latentes. Entonces, ¿cómo hacer para que, cuando ocurra un riesgo, mis activos encuentren por sí mismos una ruta de regreso a la billetera personal, de forma activa?

Y cuando el poder supremo pertenece a la Blockchain, no al exchange.
Cuando deposito fondos en #grvt , los activos no quedan en el "bolsillo" del exchange: se bloquean en un smart contract transparente en la cadena (on-chain). El exchange solo tiene el derecho de ejecutar/ajustar órdenes en nombre del usuario basándose en la firma de mi usuario; en ningún caso puede mover arbitrariamente o congelar esa cantidad.
Cuando ocurra un riesgo, el usuario solo necesita interactuar directamente con el smart contract de abajo para activar el "Portal de salida de emergencia" (Escape Hatch). Después del tiempo estipulado de espera a la respuesta del exchange sin señales, el smart contract desbloquea automáticamente y devuelve todo el dinero a la billetera personal del usuario; el exchange no puede intervenir.
Funciona de manera totalmente independiente y automática, convirtiéndose en un arma de seguridad "invisible".
@grvt_io no se esfuerza por construir un muro realmente grueso para proteger al exchange; más bien diseñaron un mecanismo para que: el sistema pueda colapsar, pero los activos del usuario no.
Necesita seguridad en múltiples capas, una defensa profunda.
Un sistema seguro no puede depender de una sola capa de protección.

Hybrid Exchange del futuro: rendimiento + confianza + seguridad de los activos.
La carrera por la infraestructura de trading, clara y abierta, ya ha empezado a pasar a una página completamente nueva.
#GRVT

¿Por qué la caída de los precios y la avalancha de controversias del mercado en octubre de 2025 han vuelto a poner en duda la confianza en los CEX?

Mientras que la transparencia absoluta de los DEX obliga a grandes fondos de inversión y ballenas a afrontar otra realidad: exponer las carteras, exponer las estrategias y perder la ventaja de inversión frente a los bots depredadores de MEV.

Aparece una paradoja irónica: para estar a salvo hay que ser transparente, pero si se es demasiado transparente, entonces es un "suicidio" para la estrategia.

Esto me recuerda una frase clásica de Ronald Reagan: "Confía, pero verifica".

Entonces, ¿en dónde debería depositarse la confianza para que el sistema pueda comprobarse a la vez que protege los derechos de privacidad de la estrategia?

Ahí es donde entra @grvt_io .

En lugar de obligar a los usuarios a elegir entre la privacidad de la estrategia y la capacidad de verificación, #grvt mantiene el order flow en off-chain para reducir al máximo el riesgo de que las estrategias de los grandes fondos y las ballenas queden expuestas.

A cambio, todos los resultados de la ejecución de órdenes deben venir acompañados de una prueba criptográfica que se publique en on-chain para que la red verifique que el estado final es válido. Esto ayuda a reducir al máximo el "cuadro negro" en el que antes los usuarios se veían obligados a confiar en el operador.

Lo que cambia un ZK-Proof no es la confianza, sino en parte en qué medida todavía queda que depender de la confianza.

GRVT no elimina la confianza. GRVT reduce el alcance de la confianza.

Quizá en el futuro, la carrera entre exchanges ya no será una pregunta de "¿quién es más digno de confianza?", sino de "¿quién diseña mejor un modelo de confianza?".

Si la confianza no puede desaparecer, entonces, ¿lo más importante es determinar exactamente dónde debe existir? @grvt_io #grvt

¿El matching (coincidencia de órdenes) realmente necesita Blockchain?
La mayoría de nosotros pasó por una etapa predeterminada en Web3 en la que: mientras más cosas se lleven a on-chain, mejor; y mientras más trabajo procese la blockchain, mejor.

A primera vista, eso parece completamente lógico. Pero el sistema se ve obligado a sacrificar la velocidad de la coincidencia de órdenes e incluso a ejercer una gran presión sobre la red de blockchain solo porque hay millones de órdenes que se colocan y cancelan cada segundo por parte de los traders.

Quizá el problema nunca ha sido cuántas cosas se suben a la blockchain, sino qué es lo que realmente NECESITA blockchain. Si el matching y el settlement tienen dos responsabilidades totalmente distintas, ¿por qué tendrían que ejecutarse con la misma arquitectura?

Lo que me llamó la atención en @grvt_io es que no intentan construir un sistema “que lo abarque todo”. Separan el matching para procesarlo off-chain, porque su tarea es simplemente hacer coincidir las órdenes lo más rápido posible; lo que hay que optimizar es el rendimiento y la latencia baja. Mientras tanto, el settlement se conserva on-chain para cumplir su función: transferir activos y registrar el estado final de forma inmutable.

Cada componente se enfoca únicamente en la responsabilidad central que le corresponde. El matching no necesita blockchain; el settlement sí.
La #grvt no se separa como producto; esa es una responsabilidad del sistema.

Por eso, el Hybrid Exchange no es simplemente una palabra clave de marketing que combina CEX y DEX. Define un nuevo tipo de infraestructura de trading: la propiedad de los activos pertenece a Blockchain, mientras que el rendimiento operativo pertenece al sistema, optimizado off-chain.
$LAB $DEXE

Cambiar 15 minutos por 1 operación para “libertad financiera”: ¿vale la pena?

La experiencia “todo en uno” de un CEX me hizo olvidar que estaba entregando mis activos a un tercero. Solo cuando pasé a una billetera personal, la diferencia quedó clara: operar en unos clics en un CEX ahora se convertía en 15 minutos de incomodidad, pensando cuál sería el siguiente paso.

Pero al final, igual volví al CEX.
Cualquiera que esté en cripto ha escuchado la frase: “Not your keys, not your coins”. Sabemos que la autocustodia es más segura.
Pero si es así, ¿por qué el CEX sigue siendo la opción de la mayoría de usuarios?

Los usuarios no rechazan la autocustodia. Solo rechazan una experiencia que les obliga a pensar constantemente en ella.
Los usuarios no quieren autocustodia.
Quieren olvidar que existe la custodia.

Eso también es lo que me llamó la atención al leer la documentación de GRVT. En lugar de ver la autocustodia como un problema que los usuarios tienen que aprender a tolerar y adaptarse, ellos ven la experiencia de la autocustodia como el verdadero problema que hay que rediseñar.
Al aplicar Account Abstraction (AA) y el modelo Hybrid Exchange, GRVT te permite crear una billetera usando tu propia cuenta de Google o Apple, para que puedas ejecutar trades con fluidez como en un CEX, sin necesidad de estar firmando aprobaciones (approve) para cada orden. Los activos siguen siendo tuyos, pero la experiencia es idéntica a la de Web2.
GRVT no empieza con el problema de la custodia.
GRVT empieza con el problema de UX de la autocustodia.

Quizá la próxima gran competencia de Web3 no se trate de quién ofrece la mejor autocustodia, sino de quién hace que la autocustodia se vuelva una parte natural de la experiencia.

Cuando la autocustodia se vuelva “invisible”, ¿qué motivos tendrían los usuarios para seguir eligiendo un CEX?
@grvt_io #grvt $TAC $LAB

A veces solo quería gestionar una transacción bastante sencilla.

Retirar fondos de un CEX a una wallet, hacer bridge, aprobar, hacer swap y luego seguir hacia otro protocolo.

Todo funciona exactamente como fue diseñado. Pero cuando terminé, recién me di cuenta de que lo que más me cansó no fueron las comisiones de transacción, sino el tener que convertir continuamente entre demasiados sistemas solo para completar un objetivo.

Eso me hizo preguntarme: ¿el problema de las criptomonedas está en cada producto por separado, o está en la forma en que esos productos se ensamblan entre sí?

Por eso me fijé en GRVT y me dediqué casi dos horas a leer detenidamente la documentación del proyecto.

Al principio pensé que era un exchange híbrido. Pero cuanto más leía, más entendía que la documentación de GRVT no se centra en una sola función: también toca muchos aspectos, como la experiencia del usuario, la seguridad, el control de los activos y la arquitectura de las transacciones.

¿Los enfoques de GRVT realmente resisten cuando se llevan a la práctica, o solo tienen sentido sobre el papel?
@grvt_io #grvt $TAC $LAB

¿VELOCIDAD Y VERDAD DE LA IA ON-CHAIN?
Yo mismo construí una vez un sistema de gestión de carteras DeFi automatizado: la IA analiza fuera de la cadena (off-chain) y luego envía órdenes al Smart Contract mediante una API Web2. Al principio funcionaba muy rápido, pero cuando el flujo real de fondos empezó a operar, me invadió la incertidumbre: ¿cómo asegurar que el servidor intermedio ejecuta correctamente el modelo? ¿Y si el resultado se altera antes de subirse a la cadena?
Para resolverlo, intenté forzar que el sistema ejecutara ZKML para que la IA pudiera demostrar la corrección con matemáticas. El resultado fue un desastre de rendimiento: la velocidad de procesamiento se volvió 1000 veces más lenta. Una orden de transacción de milisegundos se convirtió en una cola. El sistema on-chain es seguro, pero es una “tortuga”.

Continué con la Arquitectura de IA Híbrida (HACA) de @OpenGradient para separar el proceso de inferencia (inference) y la verificación (verification) en dos líneas de tiempo.
Todas las solicitudes se envían directamente a los Node GPU, que devuelven los resultados de inmediato con una latencia baja como Web2, sin necesidad de esperar el tiempo de creación del bloque on-chain. Luego, el nodo genera la prueba criptográfica y la envía a la cadena para que los Full Node de auditoría la validen.
Se gestionan y eliminan los riesgos de la latencia, desde el momento en que se recibe el resultado hasta que se completa la verificación.
Este mecanismo elimina la latencia de creación de bloques, reduce la carga y optimiza la experiencia.
Sin embargo, en ese punto el sistema todavía depende de la integridad del hardware del GPU.

La IA on-chain conquista a los usuarios con inmediatez y transparencia. Mis comentarios para #OPG son: $OPG no debería limitarse a demostrar solo la velocidad de un dApp como Web2 y la seguridad como Web3, sino que además debe demostrar la integridad del hardware del GPU.

Si la IA del futuro se desplaza de confiar en la promesa a verificar mediante matemáticas, entonces la carrera de la IA ya no será “velocidad o seguridad”, sino “velocidad para alcanzar la confianza”.

A la 1 a. m. de anoche, intercambié 0.7 ETH a través de 3 Wallets, pagué 18.4 USD de Gas Fee, comí 2.7% de Slippage y hasta hice clic en Approval equivocado una vez más...

Sentarme ahí y ver cómo la Ruta giraba a través de Bridge y Aggregator se sentía como algo medio gracioso.

A veces, el cripto no pierde por el mercado.

Pierde porque el stack que usamos es demasiado complicado.

Honestamente, antes pensaba que cada cadena nueva, cada VM nueva, cada arquitectura nueva era algo bueno.

Sonaba premium.

Sonaba al futuro.

Pero cuando de verdad construyes, te das cuenta de que lo más caro no es el Gas Fee, no es el Funding Fee y ni siquiera es una orden de PnL en -46.8 USD.

Lo más caro es forzar a los usuarios a cambiar sus hábitos.

Un dApp que hace que la gente mueva liquidez, vuelva a aprender el flujo de Wallet, entienda Bridge otra vez, espere de nuevo la Finalidad... ¿en qué se diferencia de hacer que los clientes cambien de cafetería solo porque la taza se ve más bonita?

Al mercado no le importan las cosas que son “técnicamente correctas” pero están mal en comportamiento.

Por eso empecé a prestar atención a @OpenGradient no porque la palabra AI suene brillante.

Sino porque la forma en que enmarca el problema es ligeramente distinta: mantener compatibilidad EVM, Solidity, liquidez viva y luego insertar inferencia de IA como una capa nativa de EVM a través de Precompile.

Suena pequeño.

Datos de Posición — Diferencial de Precio entre cadenas — Sentimiento del Mercado → Salida de IA verificable con prueba TEE, para que el Smart Contract pueda procesar por sí mismo la Lógica Condicional.

No hace falta derribar la casa y reconstruirla.

No hace falta llevar a los usuarios en peregrinación a una cadena nueva.

Base tiene Liquidez, Arbitrum tiene Activos, Optimism tiene Comportamiento del Usuario; si las llamadas de IA entre múltiples cadenas pueden reunir esas piezas en el mismo flujo de decisión, entonces el routing de IA para DeFi por fin tiene un terreno real donde correr.

Ya no creo en la frase: “la buena tecnología ganará por sí sola”.

La buena tecnología que hace que el mercado pague demasiado en fricción sigue siendo solo una diapositiva bonita.

Así que, ¿qué camino eligen ustedes: reconstruir todo limpio desde cero, o hacer que lo que ya existe se vuelva más inteligente?
#OPG $OPG @OpenGradient $VELVET $LAB

Veo algo bastante interesante:
Cada vez que un token se lista en una gran bolsa.
Cada lote de airdrop o incentivo empieza a captar la atención de muchísimos usuarios.
Pero después de que los eventos terminan, casi desaparecen del mercado.
Entonces, ¿qué hace que un token de infraestructura de IA exista para que puedan seguir ahí sin desvanecerse?

La mayoría de los tokens de infraestructura de IA actuales se enfocan en atraer usuarios.

@OpenGradient construye Model Hub, donde todas las solicitudes de IA se pagan con OPG. En mi opinión, ahí es cuando el token deja de ser un activo meramente especulativo y pasa a formar parte de cada uso de IA.

Para lograrlo, #OPG integra la capa de pago x402 directamente en cada solicitud de IA.

Separar incentivo y adopción. Un lado proviene de un beneficio económico; el otro, de una necesidad real de uso.

Si el incentivo es como una lluvia, entonces la adopción es el lugar donde se almacena el agua.
El incentivo trae a los usuarios.
La adopción los mantiene.

El valor económico del token $OPG es sostenible porque se basa en una necesidad real de uso.
No en la atención.

Si el protocolo de IA quiere crear un valor económico sostenible, necesita demostrar la capacidad de transformar el atraer en el quedarse.

Quizá esta sea a la vez la fortaleza y la debilidad de OPG.
Si hay sugerencias, creo que #OPG no debería limitarse a demostrar que x402 funciona. OPG necesita demostrar que cada vez más solicitudes de IA no pueden prescindir de esa capa de pago. Solo cuando el uso crece de manera natural, el token puede pasar de un valor esperado a uno generado por la demanda real.

Si todos los protocolos de IA pueden atraer la atención, ¿qué se convertiría en la ventaja competitiva real para mantener a los usuarios?

Nuestro panel muestra que la latencia ha disminuido. Pero el número de reintentos ha aumentado.

Lo extraño es que el sistema parece más rápido, pero la experiencia real es menos estable.

Una de las investigaciones me llevó a un nodo @OpenGradient que el sistema eligió por ser el más cercano a nivel geográfico, así que enviar allí un lote de inferencias era una opción bastante natural.

Las tres primeras solicitudes superaron el umbral de reintento casi de inmediato.

Al principio culpé al tiempo de espera. Luego pensé en la cola. Incluso llegué a sospechar un lanzamiento de un modelo nuevo. Pero un nodo más lejano seguía procesando la misma carga de trabajo sin problemas.

En ese momento entendí que estaba optimizando la métrica equivocada.

La distancia solo indica desde dónde comienza la solicitud. No refleja todo el recorrido que la solicitud debe completar.

El flujo de nuestra red pasa por una ruta de enrutamiento concurrida antes de llegar al nodo. La inferencia comienza rápidamente, pero las confirmaciones de verificación regresan de forma irregular. La aplicación ve que la inferencia ha terminado, mientras la señal de confianza aún llega tarde, y luego vuelve a intentar una tarea que en realidad nunca había fallado.

El problema no está en si el nodo está cerca o lejos.
Está en que la métrica que uso para optimizar solo mide una parte de la solicitud.

Todos los sistemas, al final, se convierten en aquello que su métrica está optimizando.

Mirándolo ahora, no elegí el nodo incorrecto.
Elegí el lugar equivocado para terminar la medición.
Consideré que la solicitud estaba completada cuando terminaba la inferencia, mientras que para #OPG la experiencia realmente se completa solo después de la verificación.

Si la solicitud solo se completa después de la verificación, entonces la métrica también debe finalizar ahí.

Si la inferencia se completa antes de que termine la confianza, ¿qué deberíamos optimizar realmente?
$OPG $CAP

Cuando transfiero algunos millones de đồnges, solo necesito confirmarlo con mi rostro.

Pero cuando firmo un contrato para comprar una casa, estoy dispuesto a dedicar más tiempo para revisar cada cláusula.

Lo interesante es que nunca he elegido la forma más sólida de verificación para todo.

Porque cada nivel de confianza tiene un precio.

El tiempo.

La conveniencia.

El costo.

Eso me hizo pensar en la IA.

Si la IA va a servir para millones de tareas diferentes, ¿realmente cada tarea necesita el mismo nivel de confianza?

@OpenGradient ve el problema desde otra perspectiva.

En lugar de tener un único método de verificación, #OPG construye múltiples niveles de verificación diferentes.

Verificación básica (Vanilla) para casos que requieren rapidez.

Entorno de ejecución confiable (TEE) para aplicaciones que necesitan equilibrar rendimiento y confiabilidad.

ZKML para casos que requieren el nivel más alto de garantía criptográfica.

En lugar de aplicar el mismo estándar a todas las situaciones, cada aplicación puede elegir el nivel de verificación que se ajuste a sus necesidades.

Quizás el futuro de la IA no sea crear más confianza.

Sino crear el nivel de confianza adecuado.
$OPG $DEXE $LAB

Un informe con datos incorrectos.
Un correo electrónico se envió con un contenido erróneo.
El jefe no pregunta:
"¿Dónde está el error?"
Sino:
"¿Quién lo hizo?"
Eso me hace pensar en un problema más amplio.
La IA se está desarrollando cada vez más y la IA se está convirtiendo en una necesidad indispensable en la vida de las personas.
Entonces, ¿alguna vez has preguntado:
Si la IA comete un error, ¿quién asume la responsabilidad?

Y en @OpenGradient , esta pregunta se observa desde una perspectiva bastante interesante.

En lugar de enfocarse solo en generar resultados.

#OPG está construyendo una Capa de Confianza (Trust Layer), donde cada decisión puede rastrearse, en vez de dejar solo un resultado que nadie sabe cómo fue creado.

Cuando una decisión puede rastrearse, la responsabilidad también puede rastrearse.

Una IA no se vuelve confiable porque comete menos errores.

Se vuelve confiable cuando la responsabilidad está diseñada desde el principio, en lugar de tener que buscarla después de cada fallo.

Quizá el futuro de la IA ya no sea una IA más inteligente.

Sino una IA más confiable.
$OPG $DEXE $SLX

10% destinado a individuos.
15% destinado a la comunicación.
La lista detallada y los planes, experiencias y lecciones acumuladas a lo largo de los años. Todo lo comparto con la IA.

Al principio, solo eran conversaciones.

Pero con el tiempo, la IA comenzó a recordarlas.

Lo que la IA recuerda no son datos aleatorios.
Es la forma en que trabajo.
La forma en que tomo decisiones.
Las cosas que he aprendido a lo largo de los años.

Lo interesante es que si mañana cambio a otro modelo, lo que no quiero perder no es el modelo.
Sino todo lo que ha sido recordado.

Y en @OpenGradient , esto se manifiesta claramente.

MemSync no solo se construyó para ayudar a la IA a recordar.

Se basa en una suposición más grande:

La memoria es algo que puede existir como una capa independiente.

Y cuando la memoria se convierte en infraestructura, la pregunta importante puede que ya no sea:

"¿Cuánto puede recordar la IA?"
Sino:
"¿Quién posee la memoria de la IA?"

Quizás lo más valioso en la IA del futuro no será la capacidad de recordar.

Sino la propiedad de lo que se ha recordado.
#OPG $OPG $DEXE $LAB

¿POR QUÉ CUANDO ALGUIEN ABRE UN FORMULARIO DE REGISTRO PARA PARTICIPAR, NO LO LLENA DE INMEDIATO?
Bajan directamente hasta el final.
Buscan una línea muy pequeña:
"Aprobado en 24–48 horas"
o
"Revisaremos tu solicitud"
Y solo con verlo.
Se detienen.
No preguntan más.
No intentan comenzar.
No es porque no quieran participar.
Sino porque en ese momento, la acción de "participar" ya no se entiende como un primer paso.
Se convierte en algo que debe ser aceptado antes de considerarse existente.

Una persona no está realmente libre para participar si tiene que esperar a que alguien le dé permiso para comenzar.

Y ahí es donde @OpenGradient marca la diferencia.
La mayoría de las IA hoy en día, el derecho a participar lo decide un grupo de personas con poder de aprobación.

#OPG está construyendo un futuro donde la innovación no esté limitada por permisos previos.

Un futuro donde la Contribución Abierta se convierta en la norma.
Y la Participación no necesite ser autorizada de antemano.

Donde el derecho a participar no depende de la aprobación previa.
Empieza con una persona eligiendo participar.

Quizás la pregunta más importante no sea:
"¿Cuántas personas quieren construirlo?"
Sino:
"¿Cuántas personas tienen permiso para construirlo?"

El futuro de la IA puede que no esté decidido por los ecosistemas con más interés.
Sino por los ecosistemas con más personas que pueden participar. $OPG $DEXE

Dos personas pueden tener la misma cocina.

Con los mismos ingredientes.

Con las mismas herramientas.

Pero una persona continuamente crea nuevos platillos.

Mientras que la otra solo repite los familiares.

¿Por qué un mismo conjunto de recursos pero combinaciones diferentes generan resultados distintos?

Cuando se busca una ruptura, la mayoría de la gente comienza buscando algo nuevo.

Una nueva herramienta.

Una nueva idea.

Un nuevo recurso.

Eso es una forma de ceguera por recombinación.

Estamos tan enfocados en buscar nuevos componentes que perdemos de vista los nuevos valores que ya están en los componentes disponibles.

Las rupturas a menudo no surgen de un nuevo componente.

Sino de cómo se combinan los componentes antiguos.

La IA enfrenta un desafío similar.
Puede que esa sea la razón por la que aparece @OpenGradient .

Mientras que la mayoría de los sistemas de IA se enfocan en añadir más capacidades,
#OPG está construyendo la infraestructura para que las capacidades existentes puedan generar valor más allá de sí mismas.

Un futuro como ese necesita:

✓ Interoperabilidad

✓ Componentes Especializados

✓ Infraestructura Modular

✓ Coordinación Abierta

Un sistema no se vuelve más valioso solo porque tenga más capacidades.

Sino porque puede generar algo nuevo a partir de las capacidades que ya posee.

El futuro de la IA puede que no pertenezca a los modelos más grandes.

Sino a los ecosistemas que puedan recombinarse más rápido.

Quizás la pregunta más importante no será:

"¿Qué capacidades nos faltan?"

Sino:

"¿Hemos aprovechado al máximo las capacidades que ya tenemos?" #OPG $OPG @OpenGradient

El otro día pedí comida por la app.

Lo que recibí era bastante diferente a la foto.

Lo que más me molestó no fue la comida.

Sino que pensé que no tenía forma de presentar una queja.

Unos minutos después me di cuenta de que aún había un botón de retroalimentación.

De repente, sentí que la molestia se desvanecía.

Aunque en ese momento todo seguía sin resolverse.

Al pensarlo bien, es bastante extraño.

¿Qué hace que una decisión sea más fácil de aceptar?

La gente acepta menos las decisiones que no pueden ser cuestionadas.

Cuanto más impacto tiene una decisión en las personas, más necesita ser cuestionada.

Pero las decisiones que más impactan suelen ser las más difíciles de cuestionar.

Yo llamo a eso el "Escudo del Desafío".

Una barrera invisible que convierte las decisiones que más necesitan ser cuestionadas en las más difíciles de cuestionar.

Un sistema es más confiable cuando sus decisiones pueden ser desafiadas.

Pero si no sabemos si una decisión realmente puede ser desafiada o no.

Entonces tampoco sabemos si ese sistema es más confiable o no.

Ahí es donde veo que @OpenGradient está tomando un camino bastante interesante.

Permitiendo que las decisiones sean revisadas, debatidas y re-evaluadas.

Y si esto es cierto.

El futuro de la IA podría no estar definido por los sistemas más confiables.

Sino por aquellos que permiten que nuestras decisiones sean desafiadas más.

#OPG $OPG

Recientemente he notado algo bastante extraño.

Las cosas más exitosas suelen ser las que menos cambian.
Cuanto mejor funciona un sistema.
Menos personas quieren cambiarlo.

Al principio, eso parece razonable.

Pero, ¿qué pasa cuando el mundo sigue cambiando y el sistema no?

Muchos sistemas no desaparecen por fallos.
Desaparecen porque tienen éxito durante demasiado tiempo.
Yo lo llamo "Trampa de Evolución".
Una trampa que surge cuando el éxito actual erosiona la capacidad de evolucionar en el futuro.

Quizás porque los sistemas que han existido más tiempo no son los más perfectos.

Sino los sistemas que pueden evolucionar.

Pero, ¿qué hace que un sistema pueda evolucionar?

Un sistema es difícil de adaptar si cada nuevo cambio lo obliga a reconstruirse desde cero.
Cada cambio se convierte en una reconstrucción.

Y con el tiempo.
Mantenerse igual se vuelve más fácil que cambiar.

Ese también es el problema @OpenGradient que se está resolviendo.
En lugar de obligar al ecosistema de IA a ser reconstruido cada vez que surge una nueva capacidad.

#OPG permite que el ecosistema de IA mejore continuamente sin necesidad de reconstruir todo.

Nuevos componentes pueden surgir sin hacer que los componentes existentes dejen de coordinarse entre sí.

Cuando el cambio ya no significa reconstrucción.
La evolución ya no es un sacrificio.
Se convierte en un proceso continuo.

Y si eso es cierto.
El futuro de la IA podría no estar definido por los modelos más potentes.

Sino por los ecosistemas capaces de evolucionar más rápido. #OPG $OPG

Últimamente tengo una costumbre bastante perezosa.

Cada vez que necesito buscar algo, rara vez me tomo la molestia de bajar y ver toda la lista. Generalmente solo miro unas pocas recomendaciones iniciales y decido al instante. La sensación es que estoy eligiendo. Pero si lo pienso bien, gran parte del trabajo ya se hizo con anterioridad. Alguien decidió qué aparece frente a mí.

En ese momento, me acordé de @OpenGradient , que está haciendo algo muy interesante: transformar la IA de algo que debe ser confiable a algo que puede ser verificado.

A primera vista, parece que este es un dilema sobre IA. Pero veo que hay un ángulo más interesante para considerar.

Si algún día existen miles o millones de IAs coexistiendo, el mayor problema podría no ser cuál IA es la mejor.

Sino cuál IA se usa.

En ese caso, los usuarios no evaluarán cada IA por sí mismos. Se basarán en una capa de sistema para decidir qué IA aparece frente a ellos, qué IA se invoca y qué IA se omite.

Aquí es donde veo que el dilema del Acceso comienza a ser interesante.

La verificación nos ayuda a saber si una IA está actuando correctamente. Pero ¿quién verifica el sistema que está eligiendo las IAs por nosotros?

Si esa capa de acceso no puede ser verificada, solo estamos transfiriendo la confianza de la IA a un nuevo gatekeeper.

Quizás cuando la IA se vuelva redundante, la IA más poderosa no será necesariamente la que tenga más poder.

Lo que tendrá más poder podría ser el sistema que decide qué IA tiene permiso para aparecer.

Así que si tengo un consejo para @OpenGradient , creo que no solo deberían verificar la IA.

Deberían encontrar una manera de verificar lo que elige la IA.

Porque si la IA necesita ser verificada, entonces lo que elige la IA probablemente necesite aún más verificación. #OPG $OPG

Esta mañana tomé un café con un hermano que tiene un restaurante.

Él se quejaba de que cuando recién abrió el local, hacía todo solo y le iba bien. Iba al mercado, cocinaba, atendía y cobraba.

Pero ahora que el lugar se ha llenado, ya no puede hacerlo solo.

Al principio pensaba que debía hacerlo más rápido.

Ahora su perspectiva ha cambiado.

Si quiere que su restaurante crezca aún más, tiene que dividir el trabajo.

Y de repente, pensé en OpenGradient.

Hay algo bastante curioso.

Un restaurante crece dividiendo las tareas.

Pero la IA hoy en día está creciendo al agregar más tareas a un mismo sistema.

Entonces, si la IA realmente se convierte en infraestructura, ¿se parecerá más a un restaurante o a lo que estamos construyendo hoy?

A medida que el sistema crece, las funciones comienzan a separarse en roles distintos.

@OpenGradient está mirando en esa dirección.

Compute genera resultados.

Verification verifica si esos resultados son confiables o no.

Cuando estos dos roles se agrupan en un solo lugar, el sistema solo tiene una forma de generar confianza: confiar en sí mismo.

Cuando se separan, la generación de resultados y la verificación de esos resultados se convierten en dos capas independientes.

Eso suele ser una señal de que una infraestructura está en formación.

Quizás la Infraestructura de IA también sea así.

Aparece cuando Compute y Verification están separados.

Pero lo que más me intriga está detrás de todo esto.

Si esta regla es cierta, Compute y Verification pueden ser solo el primer paso.

Quizás en unos años ya no veremos la IA como un modelo.

Sino como un ecosistema de roles diferentes.

Cada rol existe porque hace bien una sola cosa.

O quizás no.

Pero si tuviera que apostar, apostaría por sistemas donde la confianza no tenga que auto-justificarse.#OPG $OPG

Acabo de enviar el informe al jefe.
Viendo que lo hice más rápido que en cualquier otra ocasión, hasta me dio un poco de gusto.
Un rato después, el jefe me llamó y pensé que me iban a elogiar.
Pero no: me gritó porque los datos estaban mal, totalmente".
Colgué y entonces recordé: ese informe lo hice con ChatGPT y no revisé ni una sola línea.

Lo que me dejó helado no fue que el informe estuviera mal.
Sino que yo había confiado en una respuesta al punto de saltarme el paso de verificar.

Cuando ChatGPT acababa de salir, esto era muy difícil que ocurriera.
Revisé casi todo, porque estaba bastante equivocado.
Pero ahora, la IA es mucho mejor.

Y quizá por eso sea el cambio más inesperado.

No es que la IA sea más inteligente.
Sino que la IA se volvió más familiar.
Nadie verifica lo que ya está acostumbrado a creer.

Ahí fue cuando empecé a ver otro problema.
¿Qué pasa después de que la IA ya es lo suficientemente buena como para que todos empiecen a confiar en ella?

Tal vez esa sea una pregunta mucho más interesante que cuánto más inteligente será la IA.
Y ahí es donde el @OpenGradient empieza a volverse especialmente relevante.

Una IA que acierta el 99% del tiempo hace que el 1% restante sea más importante que nunca.
La capacidad genera la respuesta.
La verificación decide cuándo confiar en esa respuesta.

La paradoja es:
Cuanto más potente es la IA.
Menos verifican las personas.
Cuando se verifica menos, la verificación se vuelve más necesaria.

Si el futuro de la IA es usarse en todas partes, la siguiente carrera podría no centrarse tanto en crear más inteligencia.

Sino en ayudar a los usuarios a saber cuándo deberían confiar en esa inteligencia.

Quizá por eso las capas de verificación están volviéndose más importantes.

Y ese es el lugar en el que OpenGradient ha estado enfocándose desde hace bastante tiempo.
Cuanto más potente es la IA.
La pregunta “¿es correcto?” será más importante que nunca. #OPG $OPG

En tecnología, el error más costoso a menudo no es resolver mal el problema.

Sino resolver muy bien un problema que ya no es el bottleneck.

La IA puede estar cayendo en ese caso.

La mayor parte de la carrera actual gira en torno a una suposición: cuanto más inteligente sea el modelo, mayor será el valor que genera. Por lo tanto, la industria sigue invirtiendo más cómputo, datos y capital en inteligencia.

Pero, ¿qué pasa si la inteligencia ya no es el mayor cuello de botella?

Muchos problemas importantes de la IA surgen después de que se ha generado la respuesta:

¿Cómo saber qué modelo ha sido ejecutado?

¿Cómo saber que los resultados no han sido alterados?

¿Cómo verificar en lugar de solo confiar?

Ya no se trata de un problema de inteligencia.

Se trata de un problema de confianza.

OpenGradient se construye sobre esta misma separación. HACA considera la ejecución y la verificación como dos capas diferentes.

Si esas dos capas son realmente independientes, un modelo más robusto no generará automáticamente una mayor confianza.

Esa es una compensación notable.

Optimizar la inteligencia ayuda a la IA a generar respuestas mejores.

Pero no resuelve si esas respuestas pueden ser verificadas o no.

Una industria puede seguir invirtiendo en donde antes era el mayor cuello de botella.

Pero cuando el cuello de botella cambia, los costos aumentarán más rápido que el valor generado.

La IA puede no carecer de modelos más inteligentes.

Puede que le falten sistemas que nos ayuden a saber cuándo debemos confiar en ellos.
@OpenGradient #OPG $OPG