SoK: A Systematic Bidirectional Literature Review of AI & DLT Convergence
Esta revisión sistemática bidireccional de la literatura (2020–2025) analiza la convergencia de la IA y la DLT a través de cinco capas arquitectónicas en ambas direcciones, revelando que la investigación actual se centra de manera estrecha en capas específicas, carece de validación a escala de producción y requiere un diseño conjunto entre capas para abordar los desafíos fundamentales en escalabilidad e interoperabilidad.
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
Imagina dos tecnologías poderosas intentando construir una casa juntas: Inteligencia Artificial (IA) y Tecnología de Registro Distribuido (DLT), que es la familia de tecnologías detrás de las cadenas de bloques.
- IA es como un arquitecto brillante y de pensamiento rápido que puede aprender de planos y tomar decisiones sobre la marcha. Sin embargo, este arquitecto suele ser una "caja negra": no siempre sabes cómo tomó una decisión, y puede ser propenso a errores o sesgos ocultos.
- DLT es como un cuaderno indestructible y público donde cada ladrillo colocado se registra para siempre. Es transparente y confiable, pero es lento, rígido y malo para tomar decisiones complejas por sí mismo.
Este artículo es una revisión sistemática (una búsqueda masiva y organizada) de 53 estudios de investigación publicados entre 2020 y 2025. Los autores querían ver cómo estas dos tecnologías se están ayudando mutuamente. Examinaron la relación en dos direcciones: IA ayudando a DLT y DLT ayudando a IA.
Aquí está el desglose de lo que encontraron, usando analogías simples:
1. La calle de doble sentido
Los investigadores organizaron sus hallazgos en dos carriles de tráfico:
Carril A: IA ayudando a DLT (El arquitecto inteligente repara el cuaderno)
En esta dirección, los investigadores están utilizando la IA para hacer que las cadenas de bloques sean más rápidas, seguras e inteligentes.
- Qué están haciendo: Están utilizando la IA para actuar como un guardia de seguridad, un policía de tráfico y un mecánico para la cadena de bloques.
- Dónde está ocurriendo: La mayor parte del trabajo se centra en la capa de "Ejecución" (verificar las reglas de los contratos inteligentes) y la capa de "Consenso" (decidir quién tiene permiso para escribir en el cuaderno).
- Analogía: Imagina que la IA escanea el cuaderno público para detectar instantáneamente si alguien está intentando falsificar una página (seguridad) o utiliza un algoritmo inteligente para decidir el mejor orden para escribir las entradas para que la fila avance más rápido (consenso).
- Las herramientas: Están utilizando "Aprendizaje por Refuerzo" (IA que aprende por ensayo y error) para ajustar el sistema y "Modelos de Lenguaje Grandes" (como la IA con la que chateas) para leer y entender código complejo.
- El resultado: Funciona bien en simulaciones, pero nadie ha construido realmente una fábrica masiva del mundo real utilizando esto todavía. Sigue estando mayormente en la fase de "prueba de laboratorio".
Carril B: DLT ayudando a IA (El cuaderno ayuda al arquitecto)
En esta dirección, los investigadores están utilizando el cuaderno indestructible para solucionar los problemas de la IA.
- Qué están haciendo: Están utilizando el cuaderno para probar de dónde provienen los datos, quién entrenó la IA y para asegurarse de que todos los que juegan juntos estén siendo honestos.
- Dónde está ocurriendo: La mayor parte del trabajo se centra en la capa de "Datos" (asegurarse de que los ingredientes para la IA sean buenos) y la capa de "Modelo" (gestionar cómo la IA aprende).
- Analogía: Imagina un grupo de chefs (desarrolladores de IA) intentando cocinar una comida juntos sin un jefe central. El cuaderno registra exactamente quién añadió qué ingrediente y cuándo. Esto evita que alguien sneakee ingredientes malos (envenenamiento de datos) y asegura que todos reciban un pago justo por su contribución.
- Las herramientas: Están utilizando "Contratos Inteligentes" (reglas automáticas) para gestionar recompensas y "Aprendizaje Federado" (entrenar IA en muchas computadoras diferentes sin compartir los datos crudos).
- El resultado: De nuevo, esto funciona en teoría y en pruebas pequeñas, pero nadie ha implementado esto a una escala industrial masiva todavía.
2. El gran desequilibrio (El mapa "sesgado")
Los autores notaron que la investigación está muy desequilibrada, como un mapa donde algunas ciudades están abarrotadas y otras son desiertos vacíos.
- Las ciudades abarrotadas:
- Para IA ayudando a DLT: Todos están obsesionados con las capas de "Consenso" (votación) y "Ejecución" (ejecución del código).
- Para DLT ayudando a IA: Todos están obsesionados con "Datos" (ingredientes) y "Modelo" (la receta).
- Los desiertos vacíos:
- Muy pocas personas están mirando la capa de "Red" (cómo se comunican las computadoras entre sí) o la capa de "Infraestructura" (el hardware/energía real).
- Analogía: Es como si todos estuvieran discutiendo sobre los mejores colores de pintura para la casa (Aplicación) y las mejores cerraduras para la puerta (Seguridad), pero casi nadie está verificando si los cimientos (Infraestructura) o la fontanería (Red) pueden realmente soportar el peso de la casa.
3. Las verdades duras (Las brechas)
A pesar de todas las ideas emocionantes, el artículo señala algunos problemas graves:
- Sin prueba del mundo real: Casi todos los estudios son un "prototipo" o una "simulación". Es como construir un modelo de coche perfecto en un garaje pero nunca conducir realmente por una autopista. Nadie ha demostrado que esto funcione a una escala de producción masiva.
- El problema de la "caja negra": Se supone que la IA es inteligente, pero si la IA comete un error, es difícil probar por qué en una cadena de bloques. El artículo señala que aún no tenemos una forma perfecta de hacer que las decisiones de la IA sean "verificables" (probatables) en una cadena de bloques.
- El bache de velocidad: Las cadenas de bloques son lentas, y la IA necesita ser rápida. Ponerlas juntas a menudo hace que las cosas sean más lentas o más caras.
- La barrera del idioma: Diferentes proyectos están utilizando diferentes reglas y estándares, lo que dificulta que hablen entre sí (interoperabilidad).
Resumen
El artículo concluye que, aunque la IA y la DLT son un ajuste perfecto en el papel (una es inteligente, la otra es confiable), actualmente están atrapadas en el "laboratorio".
- La IA está haciendo que las cadenas de bloques sean más inteligentes y seguras.
- Las cadenas de bloques están haciendo que la IA sea más confiable y transparente.
Sin embargo, todavía estamos en los primeros días. Tenemos grandes planos y modelos pequeños, pero aún no hemos construido el rascacielos. Los autores dicen que necesitamos dejar de hablar solo de la teoría y comenzar a probar estos sistemas en el mundo real para ver si pueden soportar la presión.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.