🤖 AI

SoK: Blockchain-Based Decentralized AI (DeAI)

Este trabajo presenta la primera sistematización del conocimiento (SoK) sobre la Inteligencia Artificial Descentralizada (DeAI) basada en blockchain, ofreciendo una definición formal, una taxonomía de soluciones según el ciclo de vida de la IA, un análisis de sus roles de seguridad y una revisión de los desafíos y direcciones futuras de este paradigma.

Autores originales: Elizabeth Lui, Rui Sun, Vatsal Shah, Xihan Xiong, Jiahao Sun, Davide Crapis, William Knottenbelt, Zhipeng Wang

Publicado 2026-02-10

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Elizabeth Lui, Rui Sun, Vatsal Shah, Xihan Xiong, Jiahao Sun, Davide Crapis, William Knottenbelt, Zhipeng Wang

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El Gran Problema: El "Club de los Gigantes" (La IA Centralizada)

Imagina que hoy en día, para aprender a cocinar, no puedes ir a una escuela o leer un libro. En su lugar, solo existen tres chefs gigantes en todo el mundo (como Google, Microsoft o OpenAI). Ellos tienen los mejores ingredientes, las cocinas más modernas y los libros de recetas más secretos.

¿Cuál es el problema?

Si un chef se enferma o cierra su cocina, nadie más puede cocinar. (Punto único de falla).
Si el chef decide que a partir de mañana solo se come brócoli, todos tienen que comer brócoli. (Sesgo y control).
Tus recetas privadas terminan en su libreta de notas sin que tú lo sepas. (Privacidad).

Esto es lo que los científicos llaman IA Centralizada.

La Solución: "La Gran Cocina Comunitaria" (DeAI)

Este artículo habla de una nueva idea llamada DeAI (Inteligencia Artificial Descentralizada), que utiliza la tecnología Blockchain (la misma que usa el Bitcoin).

Imagina que, en lugar de tres chefs gigantes, creamos una Cocina Comunitaria Global. En esta cocina, miles de personas de todo el mundo traen un poco de harina, un poco de sal, una pequeña estufa y sus propios secretos de cocina. Nadie es el dueño de la cocina; la cocina es de todos y se gestiona mediante un "Libro de Reglas Mágico" (el Blockchain) que nadie puede borrar ni alterar.

¿Cómo funciona esta cocina? (El ciclo de vida de la IA)

El estudio divide este proceso en cuatro pasos, como si estuviéramos preparando un banquete:

La Propuesta del Menú (Task Proposing): Alguien dice: "¡Necesitamos una receta para un pastel de chocolate!". En la cocina comunitaria, esta petición se publica en el "Libro de Reglas" para que todos la vean.
La Recolección de Ingredientes (Pre-training): Miles de personas aportan sus ingredientes (datos). El reto es que nadie robe la sal de otro y que nadie traiga ingredientes podridos (datos falsos).
La Cocción Colectiva (On-training): Aquí es donde ocurre la magia. Miles de estufas pequeñas trabajan al mismo tiempo. Cada persona cocina un poquito de la receta y luego comparten sus avances con los vecinos para que el pastel salga perfecto.
El Banquete y el Mercado (Post-training): Una vez hecho el pastel, se puede vender o usar. El "Libro de Reglas" se encarga de que, si tú pusiste la harina, recibas una moneda justa por tu ayuda.

Los "Villanos" de la Cocina (Riesgos de Seguridad)

No todo es perfecto. El artículo advierte que en una cocina donde todos son desconocidos, hay tramposos:

El Saboteador de Ingredientes (Data Poisoning): Alguien intenta meter sal en lugar de azúcar para que el pastel sepa mal y el sistema falle.
El Ladrón de Recetas (Model Stealing): Alguien intenta espiar por la ventana para copiar exactamente cómo cocinas y luego vender tu receta como si fuera suya.
El Tramposo del Esfuerzo (Free-riding): Alguien que dice que está cocinando, pero en realidad solo está sentado mirando, esperando recibir el pago sin haber hecho nada.

¿Qué descubrieron los investigadores? (Conclusiones)

Los autores de este estudio hicieron un "mapa" de todas las soluciones que existen hoy. Descubrieron que:

El Blockchain es el "Árbitro": Ayuda a que todos se paguen de forma justa y a que nadie mienta sobre lo que hizo.
La tecnología es un equilibrio: Si pones demasiadas reglas de seguridad (como un guardia en cada esquina), la cocina se vuelve muy lenta. Si pones muy pocas, los tramposos ganan. El gran reto es encontrar el punto medio: una cocina que sea rápida, segura y justa.

En resumen:

El artículo nos dice que el futuro de la inteligencia no debería pertenecer a unos pocos "chefs gigantes", sino que estamos construyendo una red donde tú, yo y cualquier persona con una computadora podamos colaborar para crear la inteligencia del mañana, de forma segura y sin dueños.

Resumen Técnico: SoK: Blockchain-Based Decentralized AI (DeAI)

1. El Problema: La Centralización de la IA

El artículo identifica que el paradigma actual de la Inteligencia Artificial (CeAI) está dominado por sistemas centralizados. Aunque son eficientes, presentan riesgos críticos:

Puntos únicos de falla: La dependencia de una sola entidad para el cómputo, los datos y el entrenamiento.
Privacidad y Sesgo: Riesgos inherentes de filtración de datos sensibles y la falta de diversidad en los modelos, lo que perpetúa sesgos.
Escalabilidad y Gobernanza: Cuellos de botella en la innovación y la falta de transparencia en cómo se toman las decisiones sobre los modelos.

A pesar del crecimiento de la IA Descentralizada (DeAI) en la industria, la comunidad académica carece de un análisis sistemático que defina sus fundamentos, taxonomía y riesgos de seguridad.

2. Metodología: Systematization of Knowledge (SoK)

Los autores emplean una metodología de Sistematización del Conocimiento (SoK) para organizar el campo. Su enfoque incluye:

Formalización Matemática: Definen un sistema DeAI como una tupla $S = (M, G, \{D_i\}, \Theta, P, \Pi, \Gamma, V_{val}, D_{del}, \delta)$ , que abarca desde los mineros ( $M$ ) y el grafo de comunicación ( $G$ ) hasta los mecanismos de incentivos ( $\Pi$ ) y gobernanza ( $\Gamma$ ).
Taxonomía Basada en el Ciclo de Vida: Clasifican las soluciones existentes según las fases de la IA: Propuesta de tareas, Pre-entrenamiento, Entrenamiento (On-training) y Post-entrenamiento (Inferencia, Agentes y Marketplaces).
Evaluación Empírica: Realizan experimentos controlados para evaluar la efectividad de diversas técnicas de mitigación de ataques (envenenamiento de datos, robo de modelos y extracción de modelos).
Análisis de Casos de Estudio: Investigan plataformas reales como Bittensor para entender riesgos de centralización y fallos en herramientas de terceros.

3. Contribuciones Clave

Definición Formal y Taxonomía: Proporcionan el primer marco unificado para entender cómo la tecnología blockchain (smart contracts, consenso, tokens) interactúa con cada etapa del ciclo de vida de la IA.
Identificación de Funcionalidades de Blockchain: Detallan cómo el blockchain aporta:
- Mecanismos de incentivos para recompensar contribuciones honestas.
- Gobernanza descentralizada para la gestión de protocolos.
- Auditabilidad y Transparencia mediante registros inmutables.
Matriz de Amenazas y Mitigaciones: Crean una taxonomía de riesgos de seguridad que distingue entre amenazas compartidas con la IA centralizada y amenazas únicas de DeAI (como el gaming de recompensas económicas o ataques de co-ubicación en GPUs).
Identificación de Brechas de Investigación (Gaps): Señalan áreas críticas como la necesidad de soluciones de privacidad ligeras (zkML vs. opML) y la optimización de la computación on-chain.

4. Resultados Principales

A través de sus experimentos, los autores obtuvieron hallazgos significativos:

Pre-entrenamiento (Envenenamiento de datos): El uso de DP-SGD (Privacidad Diferencial) es el más robusto contra ataques de backdoor, pero tiene un alto costo en utilidad y tiempo. El MixUp ofrece un equilibrio aceptable entre eficiencia y robustez.
Entrenamiento (Robo de modelos): Las pruebas de conocimiento cero (ZKPs) demostraron ser la solución más eficiente en términos de velocidad y almacenamiento para detectar el robo de adaptadores (LoRA), superando por órdenes de magnitud a otros métodos criptográficos.
Post-entrenamiento (Extracción de modelos): Las defensas basadas en la respuesta (como la Perturbación de Salida) son más efectivas para degradar la calidad de los modelos clonados que las defensas basadas en el acceso (como el Rate Limiting).

5. Significado y Conclusión

Este trabajo es fundamental porque establece la base teórica y práctica para la próxima generación de sistemas de IA. El artículo concluye que, si bien el blockchain ofrece herramientas poderosas para resolver la desconfianza y la alineación de incentivos, la descentralización no garantiza automáticamente la seguridad.

La importancia de este estudio radica en que advierte a los investigadores que deben equilibrar la seguridad criptográfica, la eficiencia computacional y la viabilidad económica para que la DeAI pueda competir realmente con los gigantes centralizados de la IA.