¿Puede existir una IA que no pertenezca a nadie?
Pero hay una diferencia importante.
Detrás de ChatGPT, Claude, Gemini y otros modelos existe una organización que controla la infraestructura, decide qué modelos están disponibles, establece las condiciones de uso y, finalmente, puede cambiar las reglas.
Por eso me hice una pregunta:
¿Podría existir una inteligencia artificial que no pertenezca a una sola organización?
Hasta hace poco habría parecido una discusión teórica. Ya no lo es.
Un modelo entrenado sin un único data center
A finales de 2024 ocurrió algo que pasó casi desapercibido fuera del mundo de investigación en IA.
Prime Intellect coordinó el entrenamiento de INTELLECT-1, un modelo de 10 mil millones de parámetros entrenado sobre un billón de tokens.
Lo interesante no fue solamente el modelo.
Fue dónde se entrenó.
Participaron 30 proveedores independientes de cómputo, con hasta 14 nodos trabajando simultáneamente y 112 GPUs H100 distribuidas entre cinco países y tres continentes. El entrenamiento alcanzó una utilización de cómputo del 83 % entre continentes y del 96 % cuando los nodos estaban distribuidos dentro de Estados Unidos.
No existía un único gran centro de datos conteniendo todas las GPUs.
El entrenamiento estaba repartido por Internet.
Y eso plantea una posibilidad interesante: quizás entrenar modelos grandes no tenga que ser siempre una capacidad exclusiva de unas pocas organizaciones con enormes centros de datos.
El problema no eran las GPUs
Hay una razón técnica por la que entrenar un modelo de esta manera es difícil.
Las GPUs necesitan intercambiar constantemente información durante el entrenamiento. Cuando están dentro del mismo data center pueden hacerlo mediante redes extremadamente rápidas.
Cuando están separadas por miles de kilómetros, Internet se convierte en el cuello de botella.
El equipo de Prime Intellect atacó precisamente ese problema.
Su framework PRIME permite trabajar con nodos que pueden incorporarse o desaparecer durante el entrenamiento. Además, utilizando DiLoCo y mecanismos de comunicación optimizados consiguieron reducir aproximadamente 400 veces el ancho de banda necesario frente al entrenamiento distribuido tradicional.
Y aquí aparece una lección de arquitectura que me parece mucho más interesante que el propio modelo:
el problema no era solamente cuánto cómputo existía, sino cuánto necesitaban comunicarse las máquinas entre sí.
Reducir esa comunicación permitió distribuirlas geográficamente.
INTELLECT-1 no compite con los modelos comerciales más avanzados. Tampoco demuestra que mañana podamos reemplazar los grandes data centers por computadoras conectadas desde nuestras casas.
Demuestra algo más básico y quizá más importante:
es técnicamente posible entrenar colaborativamente un modelo grande utilizando infraestructura distribuida por el mundo.
Pero distribuir el cómputo no distribuye la confianza
Aquí aparece el siguiente problema.
Supongamos que una máquina que no conozco participa en el entrenamiento o procesa una inferencia.
¿Cómo sé que realmente ejecutó el modelo que debía ejecutar?
¿Cómo sé que no modificó el cálculo?
¿Cómo puedo comprobar el resultado?
En una arquitectura centralizada resolvemos buena parte de ese problema confiando en una organización: tenemos contratos, SLA, auditorías y alguien responsable del servicio.
En una arquitectura descentralizada esa confianza debe construirse técnicamente.
Y ahí aparece otro proyecto interesante: Gensyn.
En septiembre de 2026 presentó open-1b, un modelo cuyo proceso de entrenamiento puede ser auditado. Cada paso genera una huella que puede publicarse y posteriormente reproducirse para comprobar que el entrenamiento ocurrió como se declaró.
Hay un detalle importante: open-1b no fue entrenado de forma descentralizada.
Gensyn centralizó el entrenamiento y descentralizó la capacidad de verificarlo.
Eso cambia ligeramente la pregunta.
En lugar de:
"¿Confío en quien entrenó este modelo?"
podríamos empezar a preguntar:
"¿Puedo comprobar lo que hizo?"
Gensyn también experimenta con inferencia distribuida. Su prototipo IR3DE-AXL permite que distintos participantes aporten modelos especializados y que cada usuario construya localmente su propio mecanismo para decidir qué experto utilizar.
Un nodo podría ofrecer un modelo especializado en programación, otro uno matemático y otro uno generalista. No existe necesariamente un gateway central decidiendo por todos.
Pero todavía es un experimento. El propio proyecto reconoce que el prototipo no incorpora mecanismos completos de verificación, reputación o incentivos.
Y justamente ahí está el problema que aún falta resolver.
Descentralizado no significa sin dueño
Existe otra aproximación: Bittensor.
Bittensor organiza una red de subnets donde diferentes participantes pueden producir servicios digitales —incluidos servicios relacionados con IA— y otros participantes evalúan ese trabajo. Los incentivos se distribuyen mediante la economía de la red.
Pero aquí aparece una distinción importante.
Cada subnet tiene un propietario que define su mecanismo de incentivos y cómo deben evaluarse los participantes. Además, la capacidad de validación está relacionada con el stake y los permisos de la red.
Por eso decir simplemente “IA sin dueño” puede ser engañoso.
Descentralizar no significa eliminar el poder.
Significa distribuirlo de otra manera.
¿Y qué significa esto para una empresa?
No creo que mañana un banco deba enviar información de clientes a una red de GPUs desconocidas repartidas por Internet.
La descentralización no es un interruptor que se enciende. Es una arquitectura que puede construirse por capas.
Una organización podría mantener información sensible y determinados modelos dentro de su propia infraestructura; utilizar proveedores cloud para cargas generales; colocar una capa de abstracción que permita cambiar de modelo o proveedor; y experimentar con redes distribuidas únicamente utilizando información no sensible.
Ese enfoque conecta además con otra tendencia que ya he comentado anteriormente: Edge AI.
Edge AI pregunta principalmente dónde ejecutamos la inteligencia.
La IA descentralizada agrega otra pregunta:
¿quién tiene que controlar la infraestructura que la hace posible?
Y ambas terminan llevando al mismo objetivo: reducir dependencias innecesarias.
Entonces, ¿puede existir una IA que no pertenezca a nadie?
Después de revisar estos proyectos, creo que esa pregunta está ligeramente equivocada.
Probablemente siempre existirán propietarios de infraestructura, desarrolladores, operadores, protocolos y mecanismos de gobierno.
Lo interesante no es construir una inteligencia que literalmente no pertenezca a nadie.
Es construir una en la que nadie tenga que ser dueño de todo.
INTELLECT-1 demostró que diferentes participantes pueden aportar cómputo para entrenar conjuntamente un modelo.
Gensyn está explorando cómo reemplazar parte de la confianza por verificabilidad.
Bittensor experimenta con mecanismos económicos para coordinar participantes independientes.
Todavía faltan SLA, responsabilidades legales, privacidad, regulación y modelos de gobernanza capaces de funcionar a escala empresarial.
Pero la dirección ya puede verse.
Internet no creció porque una empresa construyera la computadora más grande del mundo. Creció porque millones de sistemas independientes aprendieron a comunicarse mediante protocolos comunes.
Quizá con la inteligencia artificial termine ocurriendo algo parecido.
Y entonces la pregunta más interesante dejará de ser quién posee la IA más poderosa.
Será quién puede participar en construirla.
Fuentes:
Prime Intellect · Informe INTELLECT-1 (arXiv) · Arcee AI · Hugging Face, INTELLECT-1 · Gensyn, open-1b · Informe OPEN-1B (arXiv) · Gensyn, IR3DE-AXL · Gensyn Docs · Bittensor Docs
No hay comentarios:
Publicar un comentario