Durante la mayor parte de una década, " entrenar un modelo de frontera " ha sido un sinónimo de " poseer un clúster de GPU de clase hiperescaladora ". Gensyn acaba de lanzar una testnet pública que apuesta a que la próxima generación de IA se entrenará en un lugar muy diferente — en un enjambre de nodos conectados a Internet que se coordinan a través de un rollup de Ethereum, con ETHGlobal canalizando $ 50,000 en premios para los desarrolladores que puedan construir agentes sobre él.
La cuestión ya no es si el entrenamiento de aprendizaje automático descentralizado es técnicamente posible. RL Swarm está en vivo, cualquiera puede clonar el repositorio y la arquitectura se ha estado implementando silenciosamente desde noviembre de 2025. La pregunta es si la economía, la verificación y la atracción de los desarrolladores son suficientes para arrebatar las cargas de trabajo de entrenamiento de los centros de datos de AWS y Azure — y si la venta del token $ AI que cerró en diciembre de 2025 realmente valoró ese futuro correctamente.
Por qué " RL Swarm " es la primera prueba de producción de entrenamiento descentralizado
La mayoría de los proyectos de " IA descentralizada " de los que ha oído hablar — Bittensor, io.net, Akash, Render — resuelven problemas adyacentes. Bittensor coordina el benchmarking competitivo de modelos a través de subnets. io.net y Akash son mercados de alquiler de GPU con facturación nativa de cripto. Render dispersa el trabajo de renderizado de inferencia. Ninguno de ellos, hasta ahora, ha sido un sistema en vivo donde nodos que no confían entre sí entrenan colaborativamente un modelo.
Eso es lo que hace RL Swarm de Gensyn. Es la base de la Fase 0 de la Testnet de Gensyn: un entorno descentralizado donde agentes de aprendizaje por refuerzo ( RL ) cooperan a través de la internet pública en lugar de dentro de un solo centro de datos. Cada nodo participante ejecuta un modelo de lenguaje local. Los nodos juegan juegos de razonamiento RL de varias etapas — respondiendo, criticando y revisando soluciones en conjunto con sus pares — y cada contribución se registra contra una identidad on-chain en la Testnet de Gensyn.
El cambio arquitectónico es pequeño en lenguaje pero grande en la práctica. Bittensor incentiva a los mineros a competir por el mejor resultado; Gensyn incentiva a los nodos a cooperar en el entrenamiento de un artefacto compartido. Esa es la diferencia entre un mercado competitivo y una verdadera ejecución de entrenamiento distribuido, y es por eso que RL Swarm es el primer intento creíble de una red de entrenamiento de ML descentralizada de grado de producción en lugar de una capa de alquiler de cómputo más pulida.
El lanzamiento de noviembre de 2025 añadió CodeZero, un entorno de codificación cooperativo construido sobre el mismo marco de trabajo peer-to-peer. Leídos en conjunto, los dos lanzamientos esbozan una hoja de ruta: RL Swarm demuestra que las primitivas de coordinación funcionan para el razonamiento, CodeZero las extiende hacia el uso de herramientas estructuradas. Para el momento del cierre del hackathon el 6 de mayo de 2026, ambos entornos están activos y se puede unir a ellos sin lista de espera.
La arquitectura de cuatro capas: ejecución, verificación, comunicación, coordinación
Debajo de la testnet orientada al usuario, Gensyn es un rollup de Capa 2 de Ethereum personalizado construido sobre el OP Stack ( Bedrock ). El protocolo descompone el problema del entrenamiento descentralizado en cuatro capas, cada una resolviendo una razón específica por la cual " simplemente alquilar GPU a través de Internet " ha fallado históricamente.
Ejecución. Los modelos grandes no caben en un solo nodo de consumo, por lo que Gensyn fragmenta los modelos en bloques de parámetros distribuidos entre dispositivos, reduciendo la presión de memoria por nodo. El problema más difícil es el determinismo: las operaciones de punto flotante en diferentes hardwares ( una Nvidia A100 frente a una H100 ) pueden producir resultados sutilmente diferentes, lo cual es fatal para un protocolo de verificación que necesita detectar trampas. La biblioteca RepOps de Gensyn fija el orden de las operaciones de punto flotante para que las mismas entradas produzcan salidas idénticas a nivel de bits en hardware heterogéneo. El Reproducible Execution Environment ( REE ) envuelve a RepOps en un compilador personalizado basado en MLIR que compila los modelos hasta esos kernels reproducibles.
Verificación. Esta es la capa que ha detenido todos los intentos previos de entrenamiento descentralizado. Si un nodo afirma que ejecutó un paso de entrenamiento y envía un gradiente, ¿cómo saber si realizó el trabajo honestamente sin volver a ejecutar todo el cómputo usted mismo? La respuesta de Gensyn es el Protocolo de Verificación Verde — un sistema ligero de resolución de disputas que realiza una búsqueda binaria a través de la traza de entrenamiento para aislar el único paso en el que el probador y el verificador no están de acuerdo, y luego recalcula solo esa operación. Combinado con una prueba de aprendizaje probabilística, la red obtiene seguridad criptográfica sin pagar el costo de una re-ejecución completa. Esto es conceptualmente similar al modelo de verificación interactiva de Truebit, portado desde el cómputo genérico a los kernels específicos de ML.
Comunicación. Coordinar el entrenamiento a través de una internet pública con ancho de banda limitado requiere descartar los libros de texto. La primitiva estándar de centro de datos — all-reduce síncrono — asume tuberías InfiniBand gruesas. Gensyn sustituye tres primitivas personalizadas: NoLoCo reemplaza el all-reduce con un protocolo de chisme ( gossip ) de baja comunicación, CheckFree proporciona recuperación tolerante a fallos sin puntos de control periódicos costosos, y SkipPipe introduce un algoritmo de intercambio de gradientes que minimiza los saltos de mensajes a través del enjambre. Cada una es una contribución de nivel académico; juntas son lo que convierte a " un grupo de laptops con internet doméstico " en un clúster de entrenamiento funcional.
Coordinación. El propio L2 de Ethereum es el motor económico. Identifica a los participantes, liquida las recompensas tokenizadas y ejecuta los pagos a través de un rollup sin permisos. Ahí es también donde vive el token $ AI, y donde finalmente se contabiliza cada contribución a una ejecución de entrenamiento.
La forma más clara de leer este stack es como una inversión deliberada del modelo de GPU en la nube. AWS y Azure dedican su ingeniería al rendimiento bruto y asumen la confianza por contrato. Gensyn dedica su ingeniería a la reproducibilidad y la resolución de disputas y no asume nada sobre el operador al otro lado del cable.
Cómo se diferencia Gensyn de Bittensor, io.net y Render
Una vez que la arquitectura está sobre la mesa, el panorama competitivo se aclara. Tres proyectos se mencionan al mismo tiempo que Gensyn, pero resuelven problemas diferentes.
- Bittensor (TAO, ~ $ 2.64B de capitalización de mercado) es una red de evaluación comparativa (benchmarking) competitiva. Las subredes definen una tarea, los mineros producen resultados, los validadores los clasifican y el TAO fluye hacia quien obtenga la puntuación más alta. Es excelente para incentivar la calidad del modelo, pero no coordina una única ejecución de entrenamiento compartida entre nodos. El entrenamiento basado en enjambres (swarm-based training) de Gensyn es estructuralmente cooperativo; el modelo de subred de Bittensor es estructuralmente adversario.
- io.net y Akash son mercados de GPU. Permiten que un operador con hardware inactivo venda tiempo a quien esté dispuesto a pagar. Crucialmente, ninguno de los protocolos verifica que la carga de trabajo del comprador se haya ejecutado correctamente; ese es problema del comprador, que normalmente se resuelve ejecutando su propia pila de entrenamiento y confiando en los recibos. El par Verde + REE de Gensyn es exactamente la capa de la que carecen esos mercados.
- Render Network dispersa el trabajo de renderizado de inferencia, principalmente para gráficos. El modelo económico está más cerca de io.net que de Gensyn: alquilar cómputo, obtener resultados, confiar en el operador. La subred Dispersed de Render es un producto adyacente, no un competidor.
Gensyn lanzó su token en el puesto 368 con una capitalización de mercado de aproximadamente $ 71.6M, una fracción de la de Bittensor. Esa brecha es la tesis: si el entrenamiento cooperativo verificable es una categoría real y no una versión más elaborada del alquiler de cómputo, el margen es un punto de entrada. Si no lo es, el margen es el mercado valorando correctamente un proyecto científico.
La venta del token AI:Unasubastainglesadel3 1M a $ 1B
La economía se volvió real el 15 de diciembre de 2025, cuando Gensyn abrió su venta de tokens AIenSonar.Laestructurafueinusualmentetransparente:unasubastainglesapor300millonesdetokens(el3 1M y un techo de FDV de 1B.Lospostoreseligieronunpreciomaˊximoentre 0.0001 y 0.1portoken,conunaofertamıˊnimade 100. Las ofertas se liquidaron en USDC o USDT en la red principal de Ethereum; los tokens se reclamaron en la L2 de Gensyn Network.
La asignación completa indica qué tipo de proyecto quiere ser Gensyn:
| Asignación | Porcentaje |
|---|
| Tesorería de la comunidad | 40.4 % |
| Inversores | 29.6 % |
| Equipo | 25.0 % |
| Venta comunitaria | 3.0 % |
| Otros | 2.0 % |
Una tesorería comunitaria del 40.4 % combinada con una venta pública del 3 % se acerca más a una postura de gobernanza al estilo de Optimism que a un lanzamiento típico de DePIN. La participación del equipo y los inversores (54.6 % combinada, con a16z liderando la ronda privada más reciente al mismo límite de $ 1B que el techo de la venta pública) es alta pero no extrema.
La elección de diseño más interesante de la venta fue el incentivo de la red de prueba (testnet): se distribuyó un fondo de recompensa de bonificación del 2 % como un multiplicador de tokens para los participantes verificados de la testnet, escalado según su nivel de participación y el monto de su oferta. Esta es una señal leve pero real de que Gensyn se preocupa más por la distribución a los colaboradores reales que por maximizar el precio de la venta pública. Los compradores de EE. UU. aceptaron un bloqueo (lockup) de 12 meses; los compradores de fuera de EE. UU. podían optar por un bloqueo similar a cambio de un multiplicador de bonificación del 10 %.
Lo que esta subasta valoró es una apuesta: que la economía unitaria del entrenamiento descentralizado es entre un 60 % y un 80 % más barata que un clúster H100 comparable de AWS o Azure (aproximadamente $ 3 / hora a tarifas bajo demanda), y que las GPU inactivas de consumidores y prosumidores son lo suficientemente abundantes como para absorber una demanda de entrenamiento significativa. Si esa apuesta es correcta, la respuesta la darán las cargas de trabajo reales que aparezcan en la red en 2026, no el precio de la subasta.
ETHGlobal Open Agents: La señal de producción
La noticia que convierte esto de un "proyecto de infraestructura interesante" en "cosas que los desarrolladores están enviando realmente" es ETHGlobal Open Agents, que se llevará a cabo del 24 de abril al 6 de mayo de 2026. Gensyn es patrocinador con más de 50,000enpremios,incluidaunacategorıˊadeMejorAplicacioˊndelaCapadeIntercambiodeAgentes(AgenteXchangeLayer−AXL)de 5,000. Cada ganador es acelerado en el programa de subvenciones de la Fundación Gensyn.
Eso importa por dos razones.
Primero, los hackatones son la forma en que los desarrolladores que aún no saben que la necesitan descubren nueva infraestructura. El mismo manual de estrategia produjo los ecosistemas tempranos de Optimism, Base y Sui. Un fondo de premios de $ 50,000 no es una suma que mueva el mercado, pero es un gancho lo suficientemente fuerte como para poner a unos cientos de desarrolladores de nivel ETHGlobal en contacto con las API de RL Swarm y AXL por primera vez. Un subconjunto no nulo seguirá construyendo después de que termine el hackatón.
Segundo, las categorías de premios indican cómo cree Gensyn que será la "killer app". La Capa de Intercambio de Agentes (Agent eXchange Layer) es el marco: agentes autónomos que se descubren entre sí, intercambian cómputo, se entrenan y se ajustan (fine-tuning) entre sí bajo demanda. Si Gensyn apostara a que el futuro es el entrenamiento de modelos fundacionales monolíticos, los premios enfatizarían eso. En cambio, enfatizan la infraestructura de agentes, lo que se alinea con la narrativa más amplia de 2026: los agentes que pueden pagarse entre sí por el trabajo necesitan un sustrato para externalizar el trabajo más costoso — el entrenamiento y el ajuste de modelos — a una red verificable.
Las advertencias honestas
Vale la pena decir claramente qué no es RL Swarm en mayo de 2026.
No hay enjambres (swarms) oficiales ejecutándose en la testnet en vivo en este momento. Los participantes pueden unirse a enjambres propiedad de la comunidad, que es exactamente el problema de arranque (bootstrap) que siempre aparece en las redes sin permisos: el protocolo está abierto, pero las ejecuciones de entrenamiento coordinadas de alto valor real aún no están ocurriendo a escala. Hasta que un laboratorio serio o un colectivo de código abierto ponga una ejecución de modelo real en la red, la testnet sigue siendo una prueba de concepto en lugar de un sistema de producción.
El coste de verificación también sigue siendo una pregunta abierta. La resolución de disputas por búsqueda binaria de Verde es drásticamente más barata que volver a ejecutar un trabajo de entrenamiento completo, pero no es gratuita, y su sobrecarga a escala de vanguardia (cientos de miles de millones de parámetros, semanas de entrenamiento) aún no se ha demostrado. La historia del determinismo de hardware — con RepOps produciendo resultados idénticos a nivel de bits en GPUs A100 y H100 — es elegante, pero añade una sobrecarga de compilador que los stacks centralizados de la competencia no pagan.
Y la tesis de ahorro de costes (60-80 % más barato que las instancias spot H100 de AWS) asume que la larga cola de GPUs inactivas de consumidores y prosumidores es lo suficientemente densa como para sustituir la capacidad de los hiperescaladores. Eso es plausible para ejecuciones de ajuste fino (fine-tuning) de modelos de 7B a 70B parámetros. Todavía no es plausible para el preentrenamiento a escala de frontera genuina, y Gensyn es lo suficientemente honesto como para no afirmar lo contrario.
Qué significa esto para los constructores de infraestructura
Para los desarrolladores que están pensando en dónde pasar los próximos 12 meses, el marco de referencia más útil es que Gensyn abre una nueva categoría de área de superficie de API que no existía antes: el acceso programático y verificable a una red de entrenamiento. Hasta ahora, las opciones para "hacer que un modelo haga algo específico" han sido (a) llamar a una API alojada como OpenAI o Anthropic, o (b) alquilar GPUs y ejecutar el entrenamiento uno mismo. Gensyn propone una tercera opción — enviar un trabajo de entrenamiento a un enjambre verificable y obtener garantías criptográficas a cambio — que encaja perfectamente con la economía de agentes que ETHGlobal está incentivando.
Esa tercera opción, si funciona, se convierte en una primitiva. Los agentes que necesiten ajustar (fine-tune) un pequeño modelo especializado para una tarea de nicho no querrán alquilar y operar GPUs. Querrán emitir una intención de entrenamiento, pagar en stablecoins o $AI y consumir los pesos resultantes. La apuesta de Gensyn es que la capa de protocolo que hace esto posible — el rollup de L2, el sistema de verificación, las primitivas de coordinación de enjambres — acumula un valor significativo a medida que ese patrón prolifera.
BlockEden.xyz impulsa la infraestructura de indexación, RPC y análisis en la que confían los desarrolladores de Web3 en más de 25 cadenas. A medida que maduran las redes de entrenamiento de IA verificables como Gensyn, la capa de datos y coordinación debajo de ellas cobrará aún más importancia. Explore nuestro mercado de APIs para construir sobre una infraestructura diseñada para la era de Web3 agéntica y nativa de la IA.
Fuentes
