Resumen Técnico: Inteligencia de Riesgo Agente y Consciente del Contexto en la Internet del Valor

1. Declaración del Problema

La Internet del Valor (IoV) se caracteriza como una red heterogénea y de confianza parcial donde el riesgo marginal dominante ya no está aislado en una sola cadena de bloques, sino que es compuesto. Este riesgo comprende cuatro vectores interdependientes: salud de la ruta, sentimiento del mercado, fragmentación de la liquidez y las restricciones de política del sistema de ejecución.

Las herramientas actuales de evaluación de riesgos operan bajo un paradigma de "cadena única", fallando en capturar cuatro modos de fallo críticos que se han vuelto consecuentes en los últimos años:

1. Fragmentación de Puentes: Los puentes entre cadenas sirven tanto como la ruta principal de capital como la superficie de explotación dominante.
2. Fragmentación de la Liquidez: Los activos lógicos se negocian a precios divergentes entre cadenas; una ruta puede parecer líquida en conjunto pero ilíquida en la porción específica de ejecución.
3. Contagio Narrativo: Los choques de sentimiento se propagan más rápido que los cambios de estado en la cadena, dejando ciegas a los motores de riesgo ante eventos impulsados por la deriva de texto fuera de la cadena.
4. Riesgo de Ejecución Agente: Los agentes mediados por Modelos de Lenguaje Grande (LLM) introducen nuevas superficies de ataque que las mitigaciones puramente en la cadena no pueden abordar.

El artículo argumenta que la literatura existente sobre la seguridad de los puentes no aborda la pregunta fundamental: ¿Qué debe hacer realmente un primitivo de riesgo consciente del contexto y cómo se mantiene honesto?

2. Metodología: La Arquitectura de Cinco Motores

La solución propuesta es una arquitectura compuesta de cinco motores que operan sobre una tela de inteligencia compartida. El diseño enfatiza la verificación descentralizada y las restricciones constitucionales sobre las acciones de los agentes.

A. Los Cinco Motores

1. Motor de Predicción: Emite pronósticos puntuales y distribucionales para precios, profundidad de liquidez, volatilidad, distribución de volumen y salud de la ruta. Sirve como entrada para todos los demás motores.
2. Subred de Verificación de Bittensor: Descentraliza la capa de predicción. Una población heterogénea de mineros genera pronósticos, mientras que los validadores los califican frente a resultados realizados utilizando una regla de asignación de recompensas (Consenso Yuma). Esto crea una superficie de investigación verificable e incentivada económicamente.
3. Motor de Fusión de Sentimiento: Combina flujos de texto fuera de la cadena (noticias, redes sociales, literatura gris) con señales de flujo en la cadena. El sistema utiliza una estrategia de fusión tardía con apilamiento, validada contra un conjunto de características multimodales que incluye 12 adaptadores de noticias y 3 adaptadores de flujo social.
4. Motor Agente: Una capa de decisión mediada por LLM que selecciona acciones de un menú restringido. Crucialmente, opera bajo un marco de IA Constitucional (según la especificación de Anthropic), donde las acciones se verifican contra una lista escrita de principios (por ejemplo, "solo comprar", "nunca usar la billetera del desplegador") en lugar de objetivos de forma libre. El motor está "pausado por defecto", requiriendo la aprobación explícita de la junta para activaciones en vivo.
5. Motor de API-Riesgo y Escenarios: Convierte las distribuciones de pronóstico en programas de acción precomprometidos. Estos programas siguen una lógica de "regla de parada": Si el escenario $\Sigma$ se realiza con probabilidad $>p$, ejecutar el programa $P$ dentro del límite de recursos $B$.

B. Mecanismo de Verificación Formal

El artículo define una Descomposición de Pérdida del Validador para calificar a los mineros. La pérdida $L_i$ para un minero $i$ es una combinación convexa de tres componentes:
$$L_i = \alpha \cdot \text{Brier}(p_i, y) + \beta \cdot \text{Inconsistencia}(m_i) + \gamma \cdot \text{Calibración}(c_i)$$

• Componente Brier: Penaliza predicciones incorrectas y sobreconfianza.
• Componente de Inconsistencia: Penaliza la deriva en las predicciones para consultas que comparten el mismo contexto de estado de cadena.
• Componente de Calibración: Mide la brecha entre la confianza declarada y la precisión realizada en una ventana deslizante.

C. Orquestación

El sistema separa la Gestión de Tareas del Agente (definición de roles, permisos y registros de auditoría) de la Orquestación en Tiempo de Ejecución (ejecución de la máquina de estados). El tiempo de ejecución utiliza LangGraph y hace cumplir una regla estricta: no puede eludir el límite de política. Todas las invocaciones de modelos se enrutan a través de un AiRouter en el proceso para garantizar la auditabilidad y prevenir rutas HTTP directas del LLM.

3. Artefactos Empíricos y Resultados

La arquitectura se ancla en dos evaluaciones empíricas específicas, con el artículo distinguiendo explícitamente entre resultados medidos y propuestas arquitectónicas.

Artefacto 1: Respuesta al Estrés de Liquidez Constrained por Política (Sección 5)

• Configuración: Un experimento de 27 horas en un pool de micro-capitalización de Solana (token RYA) utilizando una constitución de "rol de comerciante".
• Ejecución: El sistema ejecutó 52 compras segmentadas ponderadas por tiempo, totalizando 5.2 SOL a través de dos eventos de estrés y un evento de stop-loss.
• Observaciones Clave:
  • El circuito de seguridad (stop-loss) se activó automáticamente ante una caída del precio del 46%, pausando el motor según lo diseñado.
  • Las escalaciones humanas en el bucle se registraron en la misma pista de auditoría que la autorización inicial, permitiendo la reconstrucción completa de la cadena de decisión.
  • El contrato de rol se mantuvo a lo largo de todos los eventos sin violar reglas estrictas (por ejemplo, sin órdenes de venta, sin uso de la billetera del desplegador).
• Resultado: Demostró la implementabilidad de un motor de escenarios restringido por política, aunque el agente fue una política determinista, no aún el motor completo mediado por LLM.

Artefacto 2: Arco de Calibración en Producción (Sección 6)

• Configuración: Una evaluación de 168 horas del motor de predicción en la implementación Blue us-east-1.
• Resultados:
  • Precisión Principal: 99.34% en una cohorte específica de 168 horas restringida a los 1,000 activos principales por capitalización de mercado.
  • Precisión de Línea Base: ~53% en la cohorte de producción más amplia (descrita como "ligeramente por encima del azar").
  • Calibración: La puntuación Brier fue de 0.1335.
• Advertencias: El artículo declara explícitamente que la cifra del 99% es engañosa sin contexto. Está impulsada por el desequilibrio de clases (baja tasa base de colapsos en activos de gran capitalización) y la restricción de la cohorte. La contribución arquitectónica no es la precisión del 99%, sino la existencia de una superficie de telemetría de producción contra la cual una subred de verificación puede calificar a los mineros.

4. Contribuciones Clave

1. Arquitectura de Cinco Motores: Un flujo de datos coherente para la predicción de riesgos agente y consciente del contexto, integrando predicción, verificación descentralizada, fusión de sentimiento, acción agente constitucional y ejecución basada en escenarios.
2. Especificación de Pérdida del Validador Falsificable: Una definición formal del mecanismo de calificación (Brier + Inconsistencia + Calibración) que permite la verificación económica de los resultados de predicción.
3. Validación Empírica de Restricciones: Una prueba de estrés de 27 horas que demuestra que un agente constitucional puede operar bajo estrés de liquidez, disparadores de stop-loss y escalaciones de gobernanza sin violar sus límites de política.
4. Informe Honesto de Calibración: Un arco de calibración en producción que combina una alta precisión principal (99%) con sus advertencias necesarias (línea base del 53%, desequilibrio de clases), enmarcando el primitivo de verificación como la propuesta de valor principal en lugar del rendimiento predictivo crudo.

5. Significado y Afirmaciones

El artículo afirma modestamente proporcionar una arquitectura falsificable para la IoV en lugar de un sistema completamente resuelto y validado a escala.

• Implementabilidad: Se muestra que el sistema es implementable y capaz de manejar estrés de liquidez del mundo real y escalaciones de gobernanza.
• Falsificabilidad: Los autores definen condiciones específicas bajo las cuales sus afirmaciones fallarían (por ejemplo, si un segundo pool no vuelve a converger bajo la misma política, o si el error Brier de la cohorte amplia supera 0.20).
• Primitivo de Verificación: La contribución central es el mecanismo para verificar predicciones de riesgo (la subred de Bittensor y la función de pérdida), no el rendimiento predictivo actual de los modelos.
• Limitaciones: El artículo admite que los componentes de pérdida del validador aún no se han medido a escala contra un metagrafo en vivo de múltiples mineros (solo existe una ejecución de sombra en red de prueba). Además, el estudio de caso utilizó una política determinista, no el motor agente completo mediado por LLM, lo cual sigue siendo una construcción posterior.

En resumen, el artículo propone un cambio de la evaluación de riesgos de cadena única a un marco compuesto y consciente del contexto donde el riesgo se gestiona mediante una combinación de verificación descentralizada, fusión de sentimiento fuera de la cadena y ejecución de agentes restringidos constitucionalmente.