A medida que la inteligencia artificial y la blockchain convergen, OpenLedger surge como un proyecto pionero en esta intersección, con el objetivo de descentralizar el entrenamiento de modelos, recompensar la atribución de datos y fomentar economías de agentes. La plataforma visualiza un futuro de IA transparente y de propiedad comunitaria. En una entrevista con el colaborador principal Kamesh, exploramos los principios, innovaciones y hoja de ruta de OpenLedger. Kamesh explica su experiencia en investigación y desarrollo en IA/Machine Learning, trabajando con empresas como Walmart y Cadbury. Destaca los principales desafíos de la industria: la naturaleza caja negra de la IA, la falta de transparencia en el uso de datos y la compensación injusta para los contribuyentes de datos. OpenLedger aborda estos problemas asegurando trazabilidad y recompensas justas. Posicionada como la “blockchain construida para IA, ” OpenLedger llena vacíos cruciales; las empresas centralizadas han lucrado entrenando IA con datos de usuarios sin su consentimiento ni compensación. OpenLedger registra cada paso de entrenamiento, fuente de datos y actualización de modelos de manera abierta, permitiendo un escrutinio vital para usos sensibles como asesoramiento financiero y salud.

Su mecanismo de Prueba de Atribución (Proof of Attribution) revela los orígenes de los datos detrás de inferencias específicas, reduciendo riesgos de información errónea. El ambicioso sistema de recompensas de OpenLedger sigue las contribuciones mediante un historial en la cadena de bloques de conjuntos de datos y modificaciones a modelos vinculados con las carteras de los colaboradores. Cada vez que una acción en la red utiliza una contribución, ese colaborador recibe una parte de las tarifas de manera transparente y pública. Desde el punto de vista técnico, OpenLedger ofrece herramientas como Model Factory, una plataforma sin código para ajustar de manera económica modelos de lenguaje usando adaptadores ligeros LoRA. OpenLoRA permite la integración dinámica de estos adaptadores en modelos base compartidos durante la inferencia, Superando los cuellos de botella de GPU y soportando iteraciones de modelos escalables y rentables—fomentando una participación amplia en el desarrollo de IA. La Prueba de Atribución (POA) mide y registra en la cadena el vínculo entre los datos y las inferencias resultantes, asegurando que los contribuyentes sean recompensados justamente con participaciones de ingresos que todos pueden rastrear. Para mantener la confianza frente a desafíos como bifurcaciones de modelos o uso de proxies, OpenLedger aloja los modelos de forma centralizada con acceso externo solo vía API. Actualmente, la red de prueba (testnet) cuenta con más de 4 millones de nodos activos, con más de 10 proyectos desarrollándose sobre la red, incluido un ex investigador de Google DeepMind. Tras la reciente finalización de la Etapa 2, los próximos hitos incluyen un Evento de Generación de Token (TGE) y el lanzamiento de la red principal (mainnet), con detalles completos próximamente. Kamesh aconseja a los desarrolladores que ingresan en la IA descentralizada que se centren en la sencillez—los productos deben ser fáciles de entender rápidamente y priorizar soluciones efectivas y sin complicaciones sobre las palabras de moda. ¡Recuerda dar me gusta y compartir esta historia!