Saltar al contenido principal

El gambito de 7.2 millones de dólares de Ambient: Cómo Proof of Logits podría reemplazar el minado basado en hash con inferencia de IA

· 21 min de lectura
Dora Noda
Dora Noda
Software Engineer

¿Qué pasaría si el mismo trabajo computacional que asegura una cadena de bloques también entrenara a la próxima generación de modelos de IA? Esa no es una visión lejana: es la tesis central detrás de Ambient, un fork de Solana que acaba de recaudar 7,2 millones de dólares de a16z CSX para construir la primera blockchain de prueba de trabajo impulsada por IA del mundo.

La prueba de trabajo tradicional quema electricidad resolviendo acertijos criptográficos arbitrarios. Los mineros de Bitcoin compiten para encontrar hashes con suficientes ceros a la izquierda: un trabajo computacional sin más valor que la seguridad de la red. Ambient cambia este guion por completo. Su mecanismo de consenso Proof of Logits (PoL) reemplaza el procesamiento masivo de hashes con inferencia de IA, ajuste fino (fine-tuning) y entrenamiento de modelos. Los mineros no resuelven acertijos; generan salidas de IA verificables. Los validadores no vuelven a calcular cargas de trabajo completas; verifican huellas criptográficas llamadas logits.

¿El resultado? Una blockchain donde la seguridad y el avance de la IA están alineados económicamente, donde un gasto operativo de verificación del 0,1 % hace que la comprobación del consenso sea casi gratuita, y donde los costes de entrenamiento caen 10 veces en comparación con las alternativas centralizadas. Si tiene éxito, Ambient podría responder a una de las críticas más antiguas de las criptomonedas —que la prueba de trabajo desperdicia recursos— convirtiendo la minería en un trabajo de IA productivo.

El avance de Proof of Logits: IA verificable sin recálculo​

Comprender PoL requiere entender qué son realmente los logits. Cuando los modelos de lenguaje de gran tamaño generan texto, no emiten palabras directamente. En su lugar, en cada paso, producen una distribución de probabilidad sobre todo el vocabulario: puntuaciones numéricas que representan niveles de confianza para cada posible token siguiente.

Estas puntuaciones se llaman logits. Para un modelo con un vocabulario de 50.000 tokens, generar una sola palabra significa calcular 50.000 logits. Estos números sirven como una huella dactilar computacional única. Solo un modelo específico, con pesos específicos, ejecutando una entrada específica, produce una distribución de logits específica.

La innovación de Ambient consiste en utilizar los logits como prueba de trabajo: los mineros realizan inferencias de IA (generando respuestas a prompts) y los validadores verifican este trabajo comprobando las huellas dactilares de los logits en lugar de rehacer todo el cálculo.

Así es como funciona el proceso de verificación:

El minero genera la salida: Un minero recibe un prompt (p. ej., "Resume los principios del consenso blockchain") y utiliza un modelo de 600.000 millones de parámetros para generar una respuesta de 4.000 tokens. Esto produce 4.000 × 50.000 = 200 millones de logits.

El validador realiza verificaciones aleatorias: En lugar de regenerar los 4.000 tokens, el validador muestrea aleatoriamente una posición, por ejemplo, el token 2.847. El validador ejecuta un único paso de inferencia en esa posición y compara los logits informados por el minero con la distribución esperada.

Compromiso criptográfico: Si los logits coinciden (dentro de un umbral aceptable que tiene en cuenta la precisión de punto flotante), el trabajo del minero se verifica. Si no coinciden, el bloque es rechazado y el minero pierde sus recompensas.

Esto reduce el gasto operativo de verificación a aproximadamente el 0,1 % del cálculo original. Un validador que comprueba 200 millones de logits solo necesita verificar 50.000 logits (una posición de token), reduciendo el coste en un 99,9 %. Compare esto con la PoW tradicional, donde la validación significa volver a ejecutar toda la función hash, o el enfoque de Bitcoin, donde verificar un solo hash SHA-256 es trivial porque el acertijo en sí es arbitrario.

El sistema de Ambient es exponencialmente más barato que los esquemas ingenuos de "prueba de trabajo útil" que requieren un recálculo completo. Está más cerca de la eficiencia de Bitcoin (validación económica) pero ofrece una utilidad real (inferencia de IA en lugar de hashes sin sentido).

La reducción de costes de entrenamiento de 10x: IA descentralizada sin monopolios de centros de datos​

El entrenamiento de IA centralizado es costoso: prohibitivo para la mayoría de las organizaciones. Entrenar modelos a escala de GPT-4 cuesta decenas de millones de dólares, requiere miles de GPU empresariales y concentra el poder en manos de unos pocos gigantes tecnológicos. La arquitectura de Ambient tiene como objetivo democratizar esto distribuyendo el entrenamiento en una red de mineros independientes.

La reducción de costes de 10 veces proviene de dos innovaciones técnicas:

Fragmentación al estilo PETALS: Ambient adapta técnicas de PETALS, un sistema de inferencia descentralizado donde cada nodo almacena solo un fragmento (shard) de un modelo grande. En lugar de requerir que los mineros mantengan un modelo completo de 600.000 millones de parámetros (lo que requeriría terabytes de VRAM), cada minero posee un subconjunto de capas. Un prompt fluye secuencialmente a través de la red, con cada minero procesando su fragmento y pasando las activaciones al siguiente.

Esto significa que un minero con una sola GPU de consumo (24 GB de VRAM) puede participar en el entrenamiento de modelos que, de otro modo, requerirían cientos de GPU en un centro de datos. Al distribuir el grafo computacional a través de cientos o miles de nodos, Ambient elimina la necesidad de costosas interconexiones de gran ancho de banda (como InfiniBand) utilizadas en los clústeres de ML tradicionales.

Sparsity (dispersión) inspirada en SLIDE: La mayoría de los cálculos de redes neuronales implican multiplicar matrices donde la mayoría de las entradas están cerca de cero. SLIDE (Sub-LInear Deep learning Engine) aprovecha esto mediante el hashing de activaciones para identificar qué neuronas importan realmente para una entrada determinada, omitiendo por completo los cálculos irrelevantes.

Ambient aplica esta dispersión al entrenamiento distribuido. En lugar de que todos los mineros procesen todos los datos, la red enruta dinámicamente el trabajo a los nodos cuyos fragmentos son relevantes para el lote actual. Esto reduce el gasto operativo de comunicación (un cuello de botella importante en el ML distribuido) y permite que los mineros con hardware más débil participen manejando subgrafos dispersos.

La combinación produce lo que Ambient afirma es un rendimiento (throughput) 10 veces mejor que los esfuerzos de entrenamiento distribuido existentes como DiLoCo o Hivemind. Lo más importante es que reduce la barrera de entrada: los mineros no necesitan infraestructura de nivel de centro de datos; una PC para juegos con una GPU decente es suficiente para contribuir.

Arquitectura de Fork de Solana: El Alto TPS se Encuentra con el PoW No Bloqueante​

Ambient no está construyendo desde cero. Es un fork completo de Solana, heredando la Máquina Virtual de Solana (SVM), el sellado de tiempo de Prueba de Historia (PoH) y el reenvío de mempool Gulf Stream. Esto le otorga a Ambient el rendimiento teórico de 65,000 TPS de Solana y una finalidad de menos de un segundo.

Pero Ambient realiza una modificación crítica: añade una capa de prueba de trabajo (PoW) no bloqueante sobre el consenso de Solana.

Así es como funciona el consenso híbrido:

La Prueba de Historia ordena las transacciones: La PoH de Solana proporciona un reloj criptográfico, ordenando las transacciones sin esperar un consenso global. Esto permite la ejecución paralela en múltiples núcleos.

La Prueba de Logits asegura la cadena: Los mineros compiten para producir resultados de inferencia de IA válidos. La blockchain acepta bloques de mineros que generan el trabajo de IA más valioso (medido por la complejidad de la inferencia, el tamaño del modelo o la reputación en staking).

Integración no bloqueante: A diferencia de Bitcoin, donde la producción de bloques se detiene hasta que se encuentra un PoW válido, el PoW de Ambient opera de forma asincrónica. Los validadores continúan procesando transacciones mientras los mineros compiten para enviar el trabajo de IA. Esto evita que el PoW se convierta en un cuello de botella.

El resultado es una blockchain que mantiene la velocidad de Solana (crítica para aplicaciones de IA que requieren inferencia de baja latencia) al tiempo que garantiza la competencia económica en las actividades principales de la red: inferencia, ajuste fino (fine-tuning) y entrenamiento.

Este diseño también evita los errores anteriores de Ethereum con el consenso de "trabajo útil". Primecoin y Gridcoin intentaron utilizar la computación científica como PoW, pero se enfrentaron a un fallo fatal: el trabajo útil no es uniformemente difícil. Algunos problemas son fáciles de resolver pero difíciles de verificar; otros son fáciles de paralelizar de forma desleal. Ambient esquiva esto haciendo que la verificación de logits sea computacionalmente barata y estandarizada. Cada tarea de inferencia, independientemente de su complejidad, puede verificarse con el mismo algoritmo de comprobación puntual (spot-checking).

La Carrera para Entrenar AGI On-Chain: ¿Quién más está Compitiendo?​

Ambient no está solo en el objetivo de la IA nativa de la blockchain. El sector está saturado de proyectos que afirman descentralizar el aprendizaje automático, pero pocos ofrecen un entrenamiento on-chain verificable. Así es como se compara Ambient con sus principales competidores:

Artificial Superintelligence Alliance (ASI): Formada por la fusión de Fetch.AI, SingularityNET y Ocean Protocol, ASI se centra en la infraestructura de AGI descentralizada. La ASI Chain admite la ejecución de agentes concurrentes y transacciones de modelos seguras. A diferencia del enfoque PoW de Ambient, ASI se basa en un modelo de mercado donde los desarrolladores pagan por créditos de cómputo. Esto funciona para la inferencia, pero no alinea los incentivos para el entrenamiento: los mineros no tienen motivos para contribuir con costosas horas de GPU a menos que se les compense explícitamente por adelantado.

AIVM (ChainGPT): La hoja de ruta de AIVM de ChainGPT apunta al lanzamiento de la red principal en 2026, integrando recursos de GPU off-chain con verificación on-chain. Sin embargo, la verificación de AIVM se basa en optimistic rollups (asumen la corrección a menos que se impugne), lo que introduce latencia por las pruebas de fraude. La verificación de logits de Ambient es determinista: los validadores saben instantáneamente si el trabajo es válido.

Internet Computer (ICP): El Internet Computer de Dfinity puede albergar modelos grandes de forma nativa on-chain sin infraestructura de nube externa. Pero la arquitectura de canisters de ICP no está optimizada para el entrenamiento; está diseñada para la inferencia y la ejecución de contratos inteligentes. El PoW de Ambient incentiva económicamente la mejora continua del modelo, mientras que ICP requiere que los desarrolladores gestionen el entrenamiento de forma externa.

Bittensor: Bittensor utiliza un modelo de subredes donde cadenas especializadas entrenan diferentes tareas de IA (generación de texto, clasificación de imágenes, etc.). Los mineros compiten enviando pesos de modelos y los validadores los clasifican por rendimiento. Bittensor destaca en la inferencia descentralizada, pero tiene dificultades con la coordinación del entrenamiento: no hay un modelo global unificado, sino una colección de subredes independientes. El enfoque de Ambient unifica el entrenamiento bajo un único mecanismo de PoW.

Lightchain Protocol AI: El whitepaper de Lightchain propone la Prueba de Inteligencia (PoI), donde los nodos realizan tareas de IA para validar transacciones. Sin embargo, el consenso de Lightchain sigue siendo en gran medida teórico, sin anuncio de lanzamiento de testnet. Ambient, por el contrario, planea una testnet para el Q2 / Q3 de 2025.

La ventaja de Ambient es combinar el trabajo de IA verificable con la arquitectura de alto rendimiento probada de Solana. La mayoría de los competidores sacrifican la descentralización (entrenamiento centralizado con verificación on-chain) o sacrifican el rendimiento (consenso lento esperando pruebas de fraude). El PoW basado en logits de Ambient ofrece ambos: entrenamiento descentralizado con verificación casi instantánea.

Incentivos Económicos: Minar Modelos de IA como Bloques de Bitcoin​

El modelo económico de Ambient refleja el de Bitcoin: recompensas de bloque predecibles + comisiones de transacción. Pero en lugar de minar bloques vacíos, los mineros producen resultados de IA que las aplicaciones pueden consumir.

Así es como funciona la estructura de incentivos:

Recompensas basadas en la inflación: Los primeros mineros reciben subsidios de bloque (tokens recién acuñados) por contribuir a la inferencia, el ajuste fino o el entrenamiento de IA. Al igual que el programa de halving de Bitcoin, los subsidios disminuyen con el tiempo, lo que garantiza la escasez a largo plazo.

Comisiones basadas en transacciones: Las aplicaciones pagan por servicios de IA: solicitudes de inferencia, ajuste fino de modelos o acceso a pesos entrenados. Estas comisiones van a los mineros que realizaron el trabajo, creando un modelo de ingresos sostenible a medida que disminuyen los subsidios.

Staking de reputación: Para evitar ataques Sybil (mineros que envían trabajos de baja calidad para reclamar recompensas), Ambient introduce la reputación en staking. Los mineros bloquean tokens para participar; producir logits inválidos resulta en un slashing (recorte de fondos). Esto alinea los incentivos: los mineros maximizan las ganancias generando resultados de IA precisos y útiles en lugar de intentar engañar al sistema.

Accesibilidad de hardware modesta: A diferencia de Bitcoin, donde dominan las granjas de ASICs, el sharding de PETALS de Ambient permite la participación con GPUs de consumo. Un minero con una sola RTX 4090 (24 GB de VRAM, ~ $ 1,600) puede contribuir al entrenamiento de modelos de 600 mil millones de parámetros al poseer un shard (fragmento). Esto democratiza el acceso, sin necesidad de centros de datos de millones de dólares.

Este modelo resuelve un problema crítico en la IA descentralizada: el problema del polizón (free-rider). En las cadenas PoS tradicionales, los validadores hacen staking de capital pero no contribuyen con cómputo. En Ambient, los mineros contribuyen con trabajo de IA real, asegurando que la utilidad de la red crezca proporcionalmente a su presupuesto de seguridad.

El sector de los agentes de IA de $ 27.000 millones: Por qué 2026 es el punto de inflexión​

El cronograma de Ambient se alinea con las tendencias más amplias del mercado. El sector cripto de agentes de IA está valorado en $ 27.000 millones, impulsado por programas autónomos que gestionan activos on-chain, ejecutan operaciones y se coordinan a través de protocolos.

Pero los agentes actuales se enfrentan a un problema de confianza: la mayoría depende de API de IA centralizadas (OpenAI, Anthropic, Google). Si un agente que gestiona $ 10 millones en posiciones DeFi utiliza GPT-4 para tomar decisiones, los usuarios no tienen ninguna garantía de que el modelo no haya sido manipulado, censurado o sesgado. No hay un rastro de auditoría que demuestre que el agente activo de forma autónoma.

Ambient resuelve esto con la verificación on-chain. Cada inferencia de IA se registra en la blockchain, con logits que prueban el modelo exacto y la entrada utilizada. Las aplicaciones pueden:

Auditar las decisiones de los agentes: Una DAO podría verificar que su agente de gestión de tesorería utilizó un modelo específico aprobado por la comunidad, y no una versión modificada en secreto.

Aplicar el cumplimiento: Los protocolos DeFi regulados podrían exigir que los agentes utilicen modelos con barandillas de seguridad verificadas, demostrables on-chain.

Habilitar mercados de IA: Los desarrolladores podrían vender modelos ajustados como NFTs, con Ambient proporcionando pruebas criptográficas de los datos de entrenamiento y los pesos.

Esto posiciona a Ambient como infraestructura para la próxima ola de agentes autónomos. A medida que 2026 surge como el punto de giro donde "la IA, las blockchains y los pagos convergen en un único internet auto-coordinado", la capa de IA verificable de Ambient se convierte en una pieza crítica de infraestructura.

Riesgos técnicos y preguntas abiertas​

La visión de Ambient es ambiciosa, pero varios desafíos técnicos siguen sin resolverse:

Determinismo y deriva de punto flotante: Los modelos de IA utilizan aritmética de punto flotante, que no es perfectamente determinista entre diferentes hardwares. Un modelo que se ejecuta en una NVIDIA A100 podría producir logits ligeramente diferentes a los del mismo modelo en una AMD MI250. Si los validadores rechazan bloques debido a una deriva numérica menor, la red se vuelve inestable. Ambient necesitará límites de tolerancia estrictos, pero si son demasiado estrictos, los mineros con hardware diferente serán penalizados injustamente.

Actualizaciones de modelos y control de versiones: Si Ambient entrena un modelo global de forma colaborativa, ¿cómo gestiona las actualizaciones? En Bitcoin, todos los nodos ejecutan reglas de consenso idénticas. En Ambient, los mineros ajustan los modelos continuamente. Si la mitad de la red se actualiza a la versión 2.0 y la otra mitad se queda en la 1.9, la verificación se rompe. El libro blanco no detalla cómo funcionan el control de versiones de los modelos y la compatibilidad con versiones anteriores.

Diversidad de prompts y estandarización del trabajo: El PoW de Bitcoin es uniforme: cada minero resuelve el mismo tipo de acertijo. El PoW de Ambient varía: algunos mineros responden preguntas de matemáticas, otros escriben código y otros resumen documentos. ¿Cómo comparan los validadores el "valor" de diferentes tareas? Si un minero genera 10.000 tokens de galimatías (fácil) y otro ajusta un modelo en un conjunto de datos difícil (costoso), ¿quién recibe más recompensa? Ambient necesita un algoritmo de ajuste de dificultad para el trabajo de IA, análogo a la dificultad de hash de Bitcoin, pero medir la "dificultad de inferencia" no es trivial.

Latencia en el entrenamiento distribuido: El fragmentado al estilo PETALS funciona bien para la inferencia (procesamiento secuencial de capas), pero el entrenamiento requiere retropropagación: gradientes fluyendo hacia atrás a través de la red. Si las capas se distribuyen entre nodos con latencia de red variable, las actualizaciones de gradientes se convierten en cuellos de botella. Ambient afirma mejoras de rendimiento de 10 ×, pero el rendimiento en el mundo real depende de la topología de la red y la distribución de los mineros.

Riesgos de centralización en el alojamiento de modelos: Si solo unos pocos nodos pueden permitirse alojar los fragmentos de modelos más valiosos (por ejemplo, las capas finales de un modelo de 600 mil millones de parámetros), obtienen una influencia desproporcionada. Los validadores podrían enrutar preferentemente el trabajo a nodos bien conectados, recreando la centralización de los centros de datos en una red supuestamente descentralizada.

Estos no son fallos fatales; son desafíos de ingeniería que enfrenta todo proyecto de blockchain e IA. Pero el lanzamiento de la testnet de Ambient en el Q2 / Q3 de 2025 revelará si la teoría se sostiene en condiciones reales.

Lo que viene a continuación: Testnet, Mainnet y el final del juego de la AGI​

La hoja de ruta de Ambient apunta a un lanzamiento de la testnet en el Q2 / Q3 de 2025, con la mainnet a continuación en 2026. La ronda semilla de $ 7,2 millones de a16z CSX, Delphi Digital y Amber Group proporciona capital para el desarrollo principal, pero el éxito a largo plazo del proyecto depende de la adopción del ecosistema.

Hitos clave a seguir:

Participación en la minería de la testnet: ¿Cuántos mineros se unen a la red? Si Ambient atrae a miles de propietarios de GPUs (como la minería temprana de Ethereum), demuestra que el modelo económico funciona. Si solo un puñado de entidades mina, indica riesgos de centralización.

Benchmarks de rendimiento del modelo: ¿Pueden los modelos entrenados por Ambient competir con OpenAI o Anthropic? Si un modelo descentralizado de 600 mil millones de parámetros alcanza una calidad de nivel GPT-4, valida todo el enfoque. Si el rendimiento se queda significativamente atrás, los desarrolladores seguirán usando API centralizadas.

Integraciones de aplicaciones: ¿Qué protocolos DeFi, DAOs o agentes de IA construyen sobre Ambient? La propuesta de valor solo se materializa si las aplicaciones reales consumen inferencia de IA on-chain. Los primeros casos de uso podrían incluir:

  • Agentes de trading autónomos con lógica de decisión demostrable
  • Moderación de contenido descentralizada (modelos de IA que filtran publicaciones, auditables on-chain)
  • Oráculos de IA verificables (predicciones de precios on-chain o análisis de sentimiento)

Interoperabilidad con Ethereum y Cosmos: Ambient es un fork de Solana, pero la economía de los agentes de IA abarca múltiples cadenas. Los puentes hacia Ethereum (para DeFi) y Cosmos (para cadenas de IA conectadas por IBC como ASI) determinarán si Ambient se convierte en un silo o en un centro neurálgico.

El objetivo final es ambicioso: entrenar una AGI descentralizada donde ninguna entidad individual controle el modelo. Si miles de mineros independientes entrenan colaborativamente un sistema superinteligente, con pruebas criptográficas de cada paso del entrenamiento, representaría el primer camino verdaderamente abierto y auditable hacia la AGI.

Si Ambient logra esto o se convierte en otro proyecto cripto con promesas excesivas depende de la ejecución. Pero la innovación principal —reemplazar los acertijos criptográficos arbitrarios con trabajo de IA verificable— es un avance genuino. Si el proof-of-work puede ser productivo en lugar de derrochador, Ambient será el primero en demostrarlo.

El cambio de paradigma de Proof - of - Logits​

La recaudación de $ 7,2 millones de Ambient no es solo otra ronda de financiación cripto . Es una apuesta a que el consenso de blockchain y el entrenamiento de IA pueden fusionarse en un único sistema alineado económicamente . Las implicaciones repercuten mucho más allá de Ambient :

Si la verificación basada en logits funciona , otras cadenas la adoptarán . Ethereum podría introducir PoL como una alternativa a PoS , recompensando a los validadores que contribuyan con trabajo de IA en lugar de simplemente hacer staking de ETH . Bitcoin podría realizar un fork para utilizar computación útil en lugar de hashes SHA - 256 ( aunque los maximalistas de Bitcoin nunca aceptarían esto ) .

Si el entrenamiento descentralizado logra un rendimiento competitivo , OpenAI y Google perderán sus ventajas competitivas ( moats ) . Un mundo en el que cualquier persona con una GPU pueda contribuir al desarrollo de la AGI , ganando tokens por su trabajo , interrumpe fundamentalmente el oligopolio centralizado de la IA .

Si la verificación de IA on - chain se convierte en un estándar , los agentes autónomos ganarán credibilidad . En lugar de confiar en APIs de caja negra , los usuarios verifican modelos y prompts exactos on - chain . Esto desbloquea DeFi regulado , gobernanza algorítmica y contratos legales impulsados por IA .

Ambient no tiene garantizada la victoria . Pero es el intento técnicamente más creíble hasta la fecha para hacer que el proof - of - work sea productivo , descentralizar el entrenamiento de IA y alinear la seguridad de la blockchain con el progreso de la civilización . El lanzamiento de la testnet mostrará si la teoría se encuentra con la realidad — o si proof - of - logits se une al cementerio de ambiciosos experimentos de consenso .

De cualquier manera , la carrera para entrenar AGI on - chain es ahora innegablemente real . Y Ambient acaba de poner $ 7,2 millones en la línea de salida .

Fuentes :

Share on Twitter