La descentralización ofrece una forma de atacar el sesgo en los modelos de inteligencia artificial mediante comunidades globales, reglas claras e incentivos alineados. Este enfoque interesa a quienes construyen modelos, a los protocolos con token y a los gestores que miden riesgos de gobernanza y liquidez. Fetch.ai funciona como caso visible: el 12 de marzo de 2025 su capitalización alcanza 1 260 millones de dólares y su valor total diluido 1 310 millones.
Las comunidades descentralizadas aportan “múltiples puntos de vista” y datos procedentes de muchas fuentes, lo que atenúa los sesgos que aparecen cuando un único actor domina el entrenamiento. Este enfoque incrementa la diversidad de muestras y reduce la dependencia de conjuntos controlados por una sola entidad.
Blockchain y la gobernanza mediante contratos inteligentes permiten auditar el proceso y votar cambios en el diseño algorítmico, abriendo la puerta a mayor transparencia y correcciones públicas. Las reglas claras facilitan la rendición de cuentas y la participación informada.
¿Quiénes son los principales actores de esta alianza?
También hay actores concretos como la Alianza para la Superinteligencia Artificial (ASI), TOP AI Network y Fetch.ai. ASI agrupa a Fetch.ai, SingularityNET, Ocean Protocol y CUDOS; TOP AI Network funciona como un mercado sin intermediarios de modelos; y Fetch.ai ofrece una plataforma para agentes de aprendizaje automático distribuidos.
El aprendizaje federado entrena modelos sobre datos que permanecen en sus sitios de origen, sin reunirlos en un solo servidor, lo que mejora la privacidad y amplía la variedad de muestras utilizadas durante el entrenamiento.
La participación abierta aumenta la representatividad y permite correcciones públicas, siempre que existan normas claras y mecanismos de resolución dentro de las DAO que canalicen el debate y mitiguen conflictos.
Recompensar la entrega de datos o la detección de sesgos impulsa la colaboración, aunque también introduce riesgos de especulación y rotación de capital que traders y gestores deben vigilar para preservar la liquidez.
La descentralización introduce latencia, tráfico adicional y retos de convergencia; la nota propone sharding, redes layer-2, edge computing y aprendizaje federado como vías de mejora.
Alinear resultados entre modelos repartidos es complejo, y un fallo en esta tarea eleva la probabilidad de decisiones automatizadas contradictorias.
La eficacia real dependerá de la evolución de la técnica y la gobernanza en los proyectos señalados por Jina. Un indicador a seguir es el lanzamiento de testnets y la adopción de marcos DAO, pasos que mostrarán si las comunidades descentralizadas consiguen reducir el sesgo sin perder rendimiento ni liquidez.
