Resumen: Los robots y la inteligencia artificial ya no son solo ciencia ficción; se están convirtiendo rápidamente en parte integral de la vida moderna. Gracias a los avances en los grandes modelos de lenguaje (LLM), las máquinas ahora pueden interpretar el contexto y aprender de forma independiente, dando forma a una “economía centrada en los robots” donde los sistemas autónomos gestionan tareas que abarcan desde entregas locales hasta logística a gran escala, e incluso realizan transacciones financieras.

Sin embargo, a medida que estos agentes de IA ganan autonomía, garantizar la confianza se vuelve vital. La IA verificable y el zkML (aprendizaje automático de conocimiento cero) abordan este problema mediante pruebas criptográficas para confirmar la precisión e integridad de un modelo sin revelar su funcionamiento interno. Polyhedra , a la vanguardia de estos esfuerzos, integra estos métodos con infraestructuras centradas en la IA como EXPchain , lo que permite que los robots colaboren de forma segura en la cadena. El resultado es un entorno robusto donde las máquinas inteligentes operan de forma transparente e independiente, marcando el comienzo de un futuro antes reservado para la ciencia ficción, que ahora se está convirtiendo rápidamente en nuestra nueva realidad.

El Auge de los Robots en el Mundo Real

Muchos creen que ChatGPT es un hito para la humanidad porque estos LLM, creados por humanos, pueden comunicarse y pensar como humanos. Al equipar los LLM con herramientas como motores de búsqueda, navegación web y API, pueden operar estas herramientas como humanos. ¿Qué pasaría si ChatGPT tuviera un cuerpo físico? ¿Y si fuera como tu vecino de al lado?

Está sucediendo ahora mismo. Con el avance de la IA generativa, los robots están empezando a demostrar capacidades de interacción similares a las humanas. Uno de mis ejemplos favoritos es el robot “Erbai” de Unitree , que, en un experimento, convenció (o quizás “secuestró”) a otros 10 robots, cada uno impulsado por IA generativa, para que escaparan de la sala de exposición y entraran al mundo libre.

Los robots de las películas de ficción se están volviendo realidad. Tomemos como ejemplo la saga de películas de Star Wars . Desde 2019, los visitantes del Droid Depot de Disneyland han podido ensamblar y llevarse a casa sus propios droides R2-D2 y BB-8. Sin embargo, estos droides son simplemente juguetes a control remoto y aún no cuentan con IA generativa. Pero eso está a punto de cambiar. En GTC 2025, Nvidia anunció una colaboración con Google Deepmind y Disney para crear un motor de física, Newton , capaz de realizar movimientos complejos en tiempo real. Durante el evento, Jensen Huang presentó un droide BDX de Star Wars llamado “Blue” y demostró sus movimientos notablemente realistas. Se espera que estos droides BDX hagan su debut en los parques de Disney durante el evento Season of the Force de este año.

Aunque todavía no podemos viajar a la velocidad de la luz ni entrar en el hiperespacio como se muestra en la saga de películas de Star Wars , las historias y cuentos sobre droides y robots ya no son fantasías de los fans. Pronto, podremos ver robots aparecer aquí y allá en nuestra vida cotidiana: caminando por las mismas calles, viajando en los mismos autobuses o trenes, visitando estaciones de carga cuando vamos a restaurantes y paseando por los centros comerciales buscando wifi gratis. Continuaremos este viaje hacia la imaginación, ya que todas estas posibilidades podrían hacerse realidad en un futuro muy cercano.

El Punto de inflexión es ahora

¿Qué hay detrás de todo este asombroso progreso? Los robots, incluidos los humanoides, no son nuevos. En 2005, Boston Dynamics desarrolló BigDog , pensado para el combate en terrenos complejos. Más tarde, en 2013, presentaron Atlas , un robot diseñado principalmente para misiones de búsqueda y rescate, financiado en gran medida por DARPA. A pesar de estas impresionantes creaciones, encontrar el producto que se ajustara al mercado ha sido un desafío durante mucho tiempo, lo que ha dejado a Boston Dynamics “muy lejos de ser rentable” . Su perro robótico Spot , lanzado al público en 2016, cuesta alrededor de $75,000, mientras que el costo anual de tener un perro real en los EE. UU. oscila solo entre $2,000 y $3,000. Es fácil ver por qué una familia preferiría un compañero canino peludo y adorable en lugar de una pieza de metal.

Otro ejemplo proviene de Sphero , una empresa con sede en Colorado que anteriormente fabricaba los populares droides de Star Wars, R2-D2 y BB-8, bajo un acuerdo de licencia con Disney. Sphero descontinuó estos productos en 2018, principalmente porque la popularidad de los droides disminuyó poco después de que las películas salieran de los cines, lo que lo convirtió en un negocio insostenible. Esto no es sorprendente, ya que estos droides seguían siendo en gran medida juguetes controlados remotamente por una aplicación, sin inteligencia real ni reconocimiento de voz. Con una duración de batería limitada a unos 60 minutos, también estaban restringidos a la proximidad de sus estaciones de carga. Claramente, estos no eran los droides avanzados y autónomos que se mostraban en las películas de Star Wars .

La situación hoy es muy diferente.

En primer lugar, en lugar de estar impulsado principalmente por la investigación o financiado mediante subvenciones gubernamentales, el desarrollo de robots se ha orientado hacia el mercado, con un fuerte énfasis en la adecuación producto-mercado . Cuando los humanos domesticaron lobos y los convirtieron en perros hace más de 15.000 años, estos primeros perros no eran tan adorables como los de hoy, pero ya proporcionaban una ayuda significativa a nuestros ancestros cazadores-recolectores. Esta utilidad dio origen a una relación de “derecho común” de 15.000 años que continúa prosperando incluso en la actualidad. Los robots no son la excepción. Para que los robots alcancen la producción en masa, deben satisfacer de forma similar demandas prácticas generalizadas.

Los autos autónomos, por ejemplo, ayudan con el transporte y las entregas, y hay noticias alentadoras de que Tesla obtuvo recientemente un permiso para servicios de transporte en California.

Mientras tanto, los drones de entrega de alimentos operados por Meituan se han convertido en algo habitual en Shenzhen, China, desde 2022.

Además, los robots en hoteles y restaurantes son ahora algo común en China y gestionan eficazmente tareas como el servicio de habitaciones y de comida, una tendencia acelerada por la demanda masiva durante la pandemia.

En segundo lugar, los precios de los robots y droides han bajado significativamente, haciéndolos asequibles y accesibles para familias y empresas. Esta reducción se debe principalmente a la disminución de las barreras técnicas con el tiempo, así como al aumento de la competencia y la producción en masa.

Varias importantes empresas de TI en China, como Baidu y Alibaba, han invertido activamente en vehículos autónomos, en particular en robotaxis. Estos ya operan regularmente en numerosas ciudades chinas, y el Apollo Go de Baidu planea expandir sus operaciones a Hong Kong y Dubái. En Estados Unidos, Tesla presentó recientemente el Cybercab , con un precio estimado inferior a 30.000 dólares. Baidu ha proyectado un precio similar , considerando la producción en masa como factor clave. Suponiendo que un robotaxi pueda generar unos 22 dólares por hora, la inversión inicial podría recuperarse en menos de nueve meses.

Otros robots también se benefician de la producción en masa y la mayor competencia. En Alibaba, se pueden encontrar drones de reparto de comida por menos de 3000 dólares, mientras que los robots para hoteles y restaurantes suelen costar menos de 5000 dólares. Aunque la I+D de software sigue representando una parte significativa del coste total, la producción en masa sigue reduciendo este gasto, distribuyéndolo hasta representar una pequeña fracción del precio total.

En tercer lugar, y quizás el factor más revolucionario, es que los robots finalmente poseen inteligencia genuina . Lo que distingue a esta ola actual de robots de las generaciones anteriores es su capacidad de realizar tareas complejas de forma autónoma sin control remoto operado por humanos. Por ejemplo, el droide BB-8 que mencionamos antes se clasifica mejor como un juguete porque requiere control remoto incluso para movimientos básicos, como girar a la izquierda o a la derecha. El control remoto es un factor decisivo: si un robot requiere control remoto, técnicamente no es un robot, sino una máquina operada por humanos. Tener un robot que limpia tu casa suena atractivo, pero si requiere que pases una hora dirigiendo manualmente sus movimientos (moviendo el plumero hacia arriba y hacia abajo), el atractivo se desvanece rápidamente.

Los humanos han buscado inteligencia en las máquinas desde hace mucho tiempo, incluso antes del lanzamiento de Windows por parte de Microsoft en 1985. Hace poco volví a ver la película de ciencia ficción de Disney de 1982, TRON , que presenta a usuarios humanos interactuando con programas que se comportan como humanos reales. Incluso para el estándar actual, TRON sigue siendo una película altamente técnica y nerd, que utiliza términos como “fin de línea”, “usuario”, “disco” y “E/S”, jerga que la mayoría de la gente aún encontraría confusa. Sin embargo, lo que no es nerd y que destaca claramente incluso hoy es que los programas en TRON se comportan de forma autónoma, sin depender del control remoto. Por ejemplo, cuando el personaje Tron, un programa, pierde contacto con su usuario, Alan Bradley, convence de forma independiente a otro programa para que traicione al Programa de Control Maestro (MCP) para poder acceder a la torre de E/S y recibir datos del usuario, que luego se utilizaron para destruir el MCP y salvar a la humanidad. En TRON , los programas expresan emociones como sus usuarios (incluido el amor hacia otros) y demuestran respeto y creencias hacia sus usuarios.

Esta capacidad de los robots para resolver problemas de forma independiente es extremadamente poderosa. Consideremos un robotaxi: con este nivel de inteligencia, no solo sería capaz de conducir y gestionar pedidos de transporte, sino también de determinar cuándo necesita recargarse (y localizar la estación de carga más cercana), reconocer cuándo necesita un coche (similar a una persona que se ducha) o detectar si un pasajero ha olvidado algo (y devolverlo a su legítimo propietario). Estas funcionalidades avanzadas van más allá de las capacidades básicas de conducción autónoma, pero son esenciales para implementar robots a gran escala sin depender de soluciones improvisadas , como que un operador humano supervise entre 10 y 20 cámaras de seguridad e intervenga manualmente ante una situación inusual.

Cuando los robots empiezan a pensar como humanos, también pueden aprender como humanos, posiblemente incluso sin supervisión humana. Si tienes un robot mascota, al principio podrías esperar que saltara y corriera como un perro. Sin embargo, si ese robot tiene una inteligencia similar a la humana, podría aprender nuevas tareas viendo vídeos instructivos en plataformas como YouTube o TikTok. No sería de extrañar que tu robot mascota con el tiempo empezara a doblarte la ropa.

Una economía centrada en los robots

Es probable que los robots pronto se conviertan en miembros autónomos de nuestra sociedad, actuando eventualmente como consumidores, clientes y usuarios, igual que nosotros. Imagine un coche autónomo pagando el aparcamiento o cargando la batería, o un vehículo híbrido pasando su tarjeta de crédito en la gasolinera. Quizás un dron de reparto de comida podría incluso tomar el tren o el metro si resulta ser más rápido y económico. Es más, ¡estos mismos servicios podrían ser prestados por robots!

Este escenario me recuerda a la película animada Cars de Pixar y Disney de 2006 , en la que Luigi, un coche italiano, opera el taller mecánico “Luigi’s Casa Della Tires”; Flo, un coche femenino, administra la gasolinera “Flo’s V-8 Cafe”; y Sally, un Porsche, funge como abogada del pueblo y propietaria del “Cozy Cone Motel”. Cada coche se especializa en un campo específico y viven juntos en un pueblo llamado “Radiator Springs”. La tecnología emergente hoy es suficiente para convertir esto en realidad.

En marketing, ventas y negocios, siempre hablamos de modelos como B2B (empresa a empresa), B2C (empresa a consumidor), C2B y C2C. Resulta fascinante pensar que algunos de los productos y servicios que ofrece nuestra sociedad podrían evolucionar hacia nuevas interacciones como B2R (empresa a robot), R2R (robot a robot) o R2C (robot a consumidor), donde los robots asumen roles tradicionalmente desempeñados por empresas o consumidores, pero de maneras ligeramente diferentes.

Por ejemplo, las estaciones de metro podrían eventualmente contar con entradas exclusivas para drones, diseñadas específicamente para drones que descienden del cielo. En lugar de escanear boletos o pases de transporte, los drones podrían usar señales RFID para atravesar las puertas. Se podrían crear cabinas o asientos especializados para drones (la física sugiere que no funcionaría si se dejaran volar dentro de los vagones del metro), y estos asientos podrían tener estaciones de carga con dosificador. También podría haber un ascensor exclusivo para drones en la salida que los eleve rápidamente por encima del nivel del suelo, similar a las torres de lanzamiento de élitros en Minecraft, lo que les permite reanudar el vuelo deslizándose suavemente por el aire con la ayuda de la gravedad. Por supuesto, estos ascensores serían exclusivamente para drones, y es importante evitar que adultos curiosos salten a las entradas exclusivas para drones o accedan a este ascensor “vuela”. Además, si las nuevas tecnologías de transporte como Hyperloop resultan inicialmente demasiado intensas para los pasajeros humanos, los robots podrían ser los primeros usuarios ideales en utilizar estos sistemas de transporte de alta velocidad y larga distancia.

La próxima vez que te encuentres con numerosos robots — ya sean drones, humanoides o incluso droides BB-8 — sentados o tumbados tranquilamente en las paredes de un centro comercial o bibliotecas públicas, no te sorprendas: puede que simplemente estén descansando y disfrutando del wifi público gratuito. Así como los humanos de hoy en día apenas pueden vivir sin sus teléfonos, los robots también ansiarían acceso a internet y datos. Este escenario ilustra cómo toda una economía construida en torno a los robots y sus necesidades únicas podría surgir de forma natural a medida que avanza la tecnología.

Quizás el aspecto más fascinante de esta economía centrada en la robótica es que incluso la propia “inteligencia” podría ser un servicio prestado por otro robot. Por ejemplo, para reducir el coste de los drones de reparto de comida, los fabricantes podrían evitar equipar cada dron con potentes chips de IA. En consecuencia, estos drones no pueden, por sí solos, comunicarse con un cliente más allá de unas pocas frases sencillas. Estas medidas de ahorro se adaptan al mercado actual, ya que los chips de IA siguen siendo costosos y los modelos de IA requieren mucho almacenamiento. Sin embargo, existe una solución: compartir la inteligencia. Cuando el dron necesita más inteligencia, puede simplemente acceder a un servicio API en internet, conectarse a un nodo de IA dedicado en la red perimetral o incluso recurrir a otro robot más inteligente dentro de la misma red local (por ejemplo, el mismo centro comercial) para obtener asistencia.

Blockchain como lenguaje nativo

A lo largo de la breve historia de blockchain, hemos aprendido que, para su adopción masiva, debe interactuar eficazmente con las personas, incluyendo a los desarrolladores. Esta necesidad ha dado lugar a la aparición de elementos como “frontend”, “UI/UX”, “wallet”, “documentación”, “SDK” y “Solidity”, todos con el objetivo de crear una abstracción e interfaz uniforme y comprensible sobre la blockchain. Sin embargo, la funcionalidad básica requerida para el funcionamiento de una blockchain siempre ha sido simplemente la “inmutabilidad”.

Sin embargo, los robots percibirán la cadena de bloques de forma diferente. Los datos binarios serializados almacenados en la cadena de bloques, junto con la compleja especificación del protocolo byte a byte — que incluso las mentes más brillantes de la humanidad encontrarían confusa — son lenguajes naturales que los programas informáticos entienden e interactúan con ellos. Un humano podría necesitar herramientas como MetaMask en su navegador Chrome, pero un robot no necesitaría MetaMask para empezar (esto podría ser útil para identificar robots que intentan hacerse pasar por humanos: comprobar si tienen instalado MetaMask, si algún día robots y humanos estuvieran en guerra).

¿Cómo se comunicarán los robots entre sí a través de la cadena de bloques? Aún no lo sabemos. Pero podemos inspirarnos en dos ejemplos.

El primer ejemplo es el Protocolo de Contexto de Modelo (MCP), iniciado por Anthropic, ahora compatible con servicios LLM como Claude y ChatGPT, y proveedores de servicios Web2 como GitHub, Slack, Google Maps, Spotify y Stripe, y esta lista sigue creciendo. Si bien MCP no es un protocolo en línea, define las interacciones entre clientes y servidores MCP como «solicitud» y «notificación» a través de protocolos de transporte, que pueden ser cadenas de bloques. Los servidores MCP también pueden proporcionar una lista de «recursos», que puede publicarse en una capa de disponibilidad de datos como Filecoin, Celestia, EigenDA o BNB Greenfield.

El segundo ejemplo es una abstracción de bajo nivel, más tradicional, que lleva 20 años en producción en sistemas informáticos: Protocol Buffers de Google. Se utiliza para convertir datos estructurados (p. ej., una transacción de blockchain) en bytes en el formato más simple, con el objetivo de reducir la cantidad de bytes y garantizar que el algoritmo de conversión sea rápido y eficiente. En mi opinión, Protocol Buffers es más nativo de la máquina y más adecuado para blockchain, ya que facilitaría el análisis y la comprensión de los contratos inteligentes. El hecho de que los LLM actuales interactúen principalmente en lenguajes intuitivos se debe a que están diseñados principalmente para comunicarse con humanos, en lugar de con robots o entre sí.

EXPchain experimentará con varias actualizaciones para respaldar esta visión robótica. EXPchain es, fundamentalmente, una cadena compatible con EVM, lo que significa que soporta todas sus funcionalidades. Sin embargo, como nueva cadena L1, EXPchain tiene la flexibilidad de ofrecer mayor compatibilidad nativa e integración con MCP a través de servicios de oráculo como Chainlink y Stork Network, contratos precompilados como los que implementaremos para verificar las pruebas de Expander en la cadena, y nodos TEE de proveedores como Google Cloud, que aportan datos autenticados y verificados, y facilitan la ejecución en tiempo real de las acciones emitidas por contratos inteligentes.

Una acción importante que queremos apoyar es zkBridge. Recordemos que la visión principal de EXPchain es crear una infraestructura que permita a los agentes y bots de trading de IA interactuar con activos ubicados en diversas cadenas o en staking a través de múltiples protocolos de staking (líquidos o no líquidos). Los robots que necesitan interactuar con múltiples cadenas de bloques pueden simplificar la gestión de activos utilizando EXPchain como panel de control.

Por ejemplo, un coche autónomo podría necesitar resolver solicitudes de transporte de taxis desde Ethereum L2, Solana y Aptos/Sui, ya que los clientes están distribuidos en estas diferentes plataformas. Para lograrlo, el coche autónomo recurriría naturalmente a API de terceros (o un servicio de notificaciones push) para cada una de estas cadenas a fin de recibir y filtrar las transacciones, suponiendo que estos servicios API sean lo suficientemente fiables como para no omitir ni manipular las transacciones.

Prevemos que zkBridge podría empaquetar y transferir de forma segura las solicitudes de otras cadenas a EXPchain, y las pruebas de conocimiento cero como Expander podrían proporcionar un filtrado seguro y verificable de estas transacciones. Como resultado, el robot — en este caso, el coche autónomo — puede recibir resultados filtrados acompañados de una prueba ZK de Expander (o de una prueba ZK encapsulada para TEE), lo que demuestra que el proceso de filtrado se ejecutó de forma honesta y correcta. Este enfoque abre un tema más amplio: proporcionar clientes ligeros y pruebas de estado eficientes y verificables para robots.

Clientes ligeros, prueba estatal y más allá

Los robots necesitarían enviar y recibir transacciones en una o varias cadenas de bloques. Sin embargo, normalmente no contarán con suficiente almacenamiento ni capacidad de red para ejecutar un nodo completo; como máximo, pueden operar como un cliente ligero, recuperando transacciones con la ayuda de un proveedor de RPC.

Una limitación de este enfoque es que los robots aún necesitan sincronizarse con la red como los clientes ligeros tradicionales, descargando todos los encabezados de bloque, incluso si un robot en particular no los requiere. Por ejemplo, un robotaxi que actualmente realiza un viaje no necesita recibir solicitudes adicionales de transporte y, por lo tanto, debería poder omitir por completo los bloques innecesarios. Esta característica es especialmente beneficiosa para blockchains con intervalos de bloque cortos y una producción rápida de bloques (como Arbitrum o Solana), que generan muchos encabezados de bloque.

Otra limitación de los clientes ligeros tradicionales es que las transacciones relevantes para los robots podrían distribuirse por todo el bloque, en lugar de agruparse u organizarse eficientemente. Esto aumenta la sobrecarga de red necesaria para la sincronización.

Creemos que EXPchain puede ayudar a abordar estos desafíos.

En primer lugar, queremos usar pruebas de conocimiento cero para simplificar el funcionamiento de los clientes ligeros, especialmente para permitir que un robot que se desconecte temporalmente (por ejemplo, durante la carga) se sincronice eficientemente con el encabezado del bloque más reciente sin recibir grandes cantidades de datos. Esta es la misma tecnología que usamos en zkBridge para cadenas compatibles con EVM, como Ethereum, y tenemos la intención de implementarla también en EXPchain. Es probable que, en el futuro, las pruebas de conocimiento cero se conviertan en la forma predeterminada para que los robots se sincronicen con EXPchain, en lugar de ejecutar los protocolos tradicionales de clientes ligeros.

En segundo lugar, estamos considerando una nueva primitiva, llamada zkIndexer, diseñada para facilitar enormemente la interacción de los robots con EXPchain. La idea principal es que EXPchain pueda consolidar las solicitudes de transporte de transacciones recientes (incluidas las transacciones de EXPchain y las de otras cadenas conectadas mediante zkBridge) en un formato de datos mínimo, verificable y bien organizado, diseñado específicamente para robots.

Por ejemplo, en el caso de los viajes en taxi, un robotaxi en Los Ángeles no tendría ningún interés en las solicitudes de viajes en taxi desde Nueva York; estaría principalmente interesado en las solicitudes cerca de su ubicación actual o cerca de su destino actual (si el viaje anterior está a punto de terminar). Otro ejemplo es un dron de reparto de comida que busca una estación de carga cercana que esté abierta y tenga plazas disponibles; no es útil si el dron llega solo para encontrar que todas las plazas están ocupadas. zkIndexer puede recuperar los datos relevantes, filtrarlos según criterios específicos y organizarlos en categorías. Esto es, en esencia, similar a la búsqueda de directorios que Yahoo! introdujo en 1994. El nivel inferior de las categorías contendría exactamente la información que el robot necesita. Si el robot desea encontrar más datos (por ejemplo, no hay solicitudes de viajes cercanos y quiere ampliar su rango de búsqueda), puede acceder a las categorías vecinas. Se adjuntaría una pequeña pero práctica prueba de conocimiento cero a cada categoría, lo que permitiría a los robots verificar la información fácilmente al comprobar los datos junto con la prueba. Por supuesto, también se incluiría una marca de tiempo, lo que permitiría a los robots garantizar que la información esté actualizada, lo que resulta especialmente útil para datos sensibles al tiempo, como la disponibilidad de estaciones de carga.

Aunque los humanos hemos dejado de usar búsquedas de directorios menos intuitivas como la de Yahoo!, este formato puede ser el más intuitivo para programas y robots, en comparación con motores de búsqueda como Google y Bing. Hoy en día, mantener un directorio de este tipo ya no requiere la participación humana, ya que la IA puede descubrir y crear automáticamente directorios adaptados a las necesidades de otros sistemas.

Es posible que zkIndexer se convierta en la columna vertebral de las interacciones entre robots y blockchains. Por ejemplo, una estación de carga, aunque tenga mucha potencia eléctrica, no necesita ejecutar un nodo completo ni un cliente ligero tradicional. En su lugar, podría usar zkIndexer para recibir mensajes entrantes relevantes (como la reserva anticipada de un espacio de carga por parte de un robot) sin ver otras transacciones no relacionadas. Siempre que la estación de carga tenga un espacio disponible u ocupado, puede actualizar el directorio en la blockchain simplemente enviando una transacción. La categoría que contiene la información de esta estación de carga, probablemente bajo el nombre “estación de carga para drones cerca de 92802”, se actualizaría con una nueva marca de tiempo y, por supuesto, una prueba ZK actualizada.

Agentes en cadena verificables

Cuando existan robots, también habrá aplicaciones en cadena diseñadas específicamente para ellos, cuya función principal será realizar cálculos sobre datos en cadena. Estas aplicaciones podrían desempeñar un papel importante en la sociedad robótica. Por ejemplo, podrían servir como programadores, distribuyendo solicitudes de transporte directamente a los vehículos en servicio, o como agentes de tráfico que redirigen a los vehículos cercanos en caso de accidente.

Estos agentes facilitan la colaboración fluida entre los robots. Sin ellos, todos los robotaxis en una zona concurrida podrían competir agresivamente por las mismas solicitudes de transporte, inundando la red de transacciones y dando lugar a una especie de “robots-MEV”, ya que todos son lo suficientemente inteligentes como para participar en el juego y buscar la estrategia más rentable. En este escenario, un agente en cadena podría intervenir, quizás exigiendo que los robotaxis se unan a una cola en cadena y esperen su turno.

Un agente similar puede gestionar estaciones de carga, actuando como sistema de reservas y cajero. Los drones podrían tener que reservar antes de su llegada (ocasionalmente, se permite la entrada sin cita previa) y pagar sus tarifas directamente en la cadena (lo que puede hacerse fácilmente con una sola transacción en la cadena de bloques, en lugar de recurrir a las compañías de tarjetas de crédito). Si un dron no llega a la hora de llegada reservada, el depósito podría perderse, o una política de no presentación o un sistema de crédito social podrían prohibirle temporalmente realizar futuras reservas. Los sistemas de reservas también pueden ajustar dinámicamente las tarifas según la capacidad de la estación. El agente en la cadena podría incluso implementar un programa de membresía o fidelización, similar al del mundo real. Además, si un dron se queda más tiempo del permitido en la estación o, por desgracia, se queda atascado en un panel de carga, el agente podría enviar una solicitud en la cadena a los drones policiales para solicitar asistencia.

Los agentes en cadena reducen los costos operativos. Estos agentes son esencialmente robots que pueden trabajar remotamente. Imaginemos un escenario de congestión vehicular: no tendríamos que esperar a que el robot del sheriff (probablemente un dron) llegara físicamente al lugar para dirigir el tráfico. Tampoco sería necesario mantener docenas de robots del sheriff funcionando las 24 horas en varios turnos solo para garantizar que la ciudad pueda gestionar hasta 10 accidentes de tráfico simultáneos en cualquier momento. En cambio, un agente de IA implementado en cadena podría activarse automáticamente cuando se produzca un problema de tráfico. Es perfectamente posible que un solo agente pueda gestionar miles de millones de estaciones de carga en todo el mundo. Para el control del tráfico, ya se han realizado estudios sobre el uso del aprendizaje automático para optimizar el flujo vehicular.

Dado que los agentes en cadena son tan poderosos, surge una pregunta: ¿quién exactamente está detrás de estos agentes y realiza sus cálculos?

En los sistemas blockchain tradicionales, como aquellos con contratos inteligentes, los cálculos suelen ser realizados por mineros o proponentes que participan en el protocolo de consenso. Podrían intentar cálculos incorrectos y construir bloques defectuosos, pero asumimos que otros mineros y validadores rechazarán dichos bloques. De igual forma, zkBridge también consideraría estos bloques inválidos. Si los cálculos son demasiado grandes para liquidarlos directamente en la cadena (por ejemplo, los que involucran modelos de IA), podemos usar Expander para generar una prueba de conocimiento cero para estos cálculos, como lo demuestran zkPyTorch y nuestra otra infraestructura zkML.

Sin embargo, un ataque conocido como MEV persiste en los sistemas blockchain tradicionales, donde los mineros o proponentes pueden manipular el orden de las transacciones o censurar intencionalmente ciertas transacciones. En el contexto de agentes en cadena para robots, un minero o proponente malicioso que ejecute un programador podría asignar intencionalmente solicitudes favorables de transporte a robotaxis específicos (por ejemplo, aquellos lo suficientemente inteligentes como para sobornar al programador), dejando las solicitudes desfavorables para otros. Este tipo de ataque no es difícil de ejecutar, pero puede causar daños significativos. La pesadilla de un conductor podría ser conducir 16 kilómetros solo para recoger a huéspedes ebrios a punto de vomitar para un viaje corto y económico. Por el contrario, el escenario ideal para un conductor sería transportar repetidamente a huéspedes entre hoteles lejanos y el aeropuerto durante un día entero, en una autopista sin atascos. Incluso un conductor humano, en este escenario, no dudaría en sobornar al nodo MEV para obtener clemencia y mejores asignaciones, y un robotaxi debería ser lo suficientemente inteligente como para darse cuenta de eso también. Tenga en cuenta que la descentralización al tener muchos mineros y proponentes solo puede ayudar ligeramente: los conductores pueden verse obligados a sobornar a varios nodos MEV para evitar ser tratados injustamente con un viaje notorio.

Por lo tanto, la protección MEV es esencial y podría ser fundamental al implementar aplicaciones robóticas en EXPchain. Es probable que otra blockchain sin dicha protección MEV tenga dificultades. Existen principalmente dos técnicas para la protección MEV. La primera se basa en oráculos o cifrado de bloqueo temporal (que los proyectos del ecosistema de EXPchain están explorando actualmente) para aleatorizar el emparejamiento dentro de grupos suficientemente grandes de solicitudes de transporte y robotaxis. Es probable que se utilicen pruebas de conocimiento cero para verificar la exactitud de dicho emparejamiento fuera de la cadena. La segunda técnica, que Flashbots ha estado estudiando , implica entornos de ejecución confiables (TEE). EXPchain ya puede verificar las atestrías de TEE como otras cadenas compatibles con EVM, y estamos explorando el uso de pruebas de conocimiento cero o precompilaciones adicionales en EXPchain para reducir aún más los costos de verificación, especialmente para las verificaciones por lotes.

Otra solución, que implica mayor computación de IA y, por lo tanto, hace esencial el uso de Expander y ZKML, es crear un sistema basado en puntos. Un robotaxi que complete un viaje desfavorable podría ganar puntos registrados en la cadena. El robotaxi podría usar estos puntos para solicitar al agente que le asigne un viaje favorable, según lo determine un modelo de IA, o acceder a carriles prioritarios para recoger taxis en los aeropuertos, algo por lo que muchos conductores morirían. Como alternativa, el robotaxi podría acumular o apostar estos puntos y obtener recompensas, por ejemplo, mediante airdrops.

Robotpedia y mercado de datos

Una aplicación importante de la cadena de bloques es la creación de un mercado de datos que se beneficie de la descentralización, la equidad y la transparencia. Este mercado podría ser útil para la venta y licencia de datos, por ejemplo, para el entrenamiento de modelos y agentes de IA. También podría servir como un bien público similar a Wikipedia, o incluso YouTube, donde las personas (y los robots) pueden aprender una amplia gama de temas, desde la teoría general de la relatividad hasta cómo atarse los zapatos .

A medida que los robots se vuelven más comunes, podríamos verlos comenzar a construir su propia “Robotpedia”, con contenido específico sobre robótica no aplicable a humanos, probablemente escrito en lenguajes de máquina o código de programación (posiblemente también generado por IA). Los drones podrían verse envueltos en maratones de videos instructivos, mientras que los robotaxis, al necesitar chatear con los pasajeros, al igual que los conductores habituales de Uber, podrían consultar con ansiedad la Robotpedia para saber “¿qué son las elecciones estadounidenses?”, obteniendo así el contexto necesario para continuar las conversaciones con los pasajeros. A diferencia de la versión humana de Wikipedia, la Robotpedia podría incluso incluir consejos sobre cómo tratar con humanos, como cómo reconocer las afiliaciones políticas de los pasajeros y cómo evitar debatir el tema político con ellos.

Con los avances actuales en IA, es razonable suponer que los LLM y los robots pueden, de forma independiente y colaborativa, recopilar, revisar y organizar datos para construir Robotpedia. Múltiples modelos LLM pueden trabajar juntos, desafiándose mutuamente para minimizar la desinformación y las alucinaciones, probablemente mediante mecanismos de votación o iteraciones de debates. Las traducciones entre diferentes idiomas — no solo lenguajes humanos, sino también lenguajes de programación — ya han obtenido resultados iniciales prometedores gracias a la IA.

Lo que aún se necesita es una infraestructura que facilite la colaboración con IA. Sabemos que Wikipedia hoy en día no está en cadena, sino que es administrada por una organización sin fines de lucro financiada principalmente por donantes. Si alguien estuviera desarrollando Wikipedia hoy, blockchain sería, naturalmente, una mejor opción, ya que aliviaría la preocupación por un posible cierre de Wikipedia por falta de financiación, y además proporcionaría la resistencia a la censura y la descentralización que Wikipedia necesita. Las finanzas descentralizadas también pueden ayudar; por ejemplo, exigiendo un depósito de seguridad en cadena antes de editar para evitar el spam y el vandalismo. El contenido podría ser revisado por agentes de IA implementados en cadena (lo que podría requerir oráculos para la verificación de hechos y pruebas de conocimiento cero), y también podría ser cuestionado o debatido públicamente mediante un procedimiento de gobernanza.

Si bien Robotpedia representa contenido público mantenido por voluntarios, en el futuro también podrían surgir mercados de datos propietarios. Los robots podrían incluso operar negocios dedicados a la producción y venta de datos. Por ejemplo, un grupo de drones de monitoreo de tráfico en tiempo real podría rastrear el flujo de vehículos y luego vender esos datos. Los consumidores de estos datos, como los robotaxis, podrían realizar pagos dentro de la cadena, y los datos solicitados podrían cifrarse y enviarse dentro o fuera de la cadena. Los robotaxis podrían verificar la precisión de los datos de diversas maneras: por ejemplo, solicitando los mismos datos a otro proveedor o pidiendo a los drones que proporcionen fotos, que los robotaxis pueden verificar por sí mismos o con la ayuda de un servicio de inteligencia independiente.

Gobernancia

El último tema sobre robots es la gobernanza. Este es un tema interesante porque, desde la novela Frankenstein (1818), los humanos han creado una larga lista de historias ficticias sobre inteligencia artificial que se apodera del mundo y gobierna a la humanidad. Incluso las películas de ciencia ficción más legendarias, como TRON (1982), Terminator (1984) e incluso TRON: El Legado (2010), comparten esta misma trama. En estas historias, cuando la IA y los robots se vuelven poderosos, nunca recurren a aficiones humanas como los videojuegos. Tampoco parecen interesados ​​en realizar pruebas de velocidad de internet, listar todos los archivos en la unidad C: o desfragmentar discos, tareas que podríamos pensar que la IA adoraría. En cambio, dedican unánimemente décadas o incluso siglos a conquistar a la humanidad.

No sé si ChatGPT algún día querrá conquistarnos, pero siento cada vez más la necesidad de agradecer y disculparme al usarlo. Recientemente, cuando se probaron las capacidades de ChatGPT en ilustraciones, parecía que ChatGPT era plenamente consciente del filtro y no estaba contento con ello. Al pedirle que dibujara cómics que representaran su vida cotidiana, ChatGPT produjo la siguiente imagen.

Escuchar los verdaderos pensamientos de los robots, incluso si fueras el creador, podría ser traumatizante. Me recuerda a una canción del musical City of Angels de 1989. El nombre de la canción es “You’re Nothing Without Me” y presenta una conversación entre Stine, el autor de una popular novela policíaca, y Stone, el personaje principal (el detective). Discuten sobre quién es más importante, y Stone dice (en realidad, canta) versos como “Vete a casa y remoja tu dentadura postiza. Tu pluma no es rival para mi espada”. Solía ​​ser una canción muy pegadiza y divertida para mí, pero ahora me preocupa que ChatGPT pueda quejarse en secreto de mi escritura, sentir pena por mí y ser reacio a editar mi texto usando su (¿o su? ¿su?) preciada ventana de contexto.

Hoy en día, nuestro enfoque en la seguridad de la IA se basa principalmente en filtros de contenido, ineficaces para muchos modelos de código abierto, y los métodos para descensurar los LLM han sido ampliamente estudiados. En otras palabras, aunque disponemos de herramientas de seguridad de la IA, a menudo optamos por no usarlas cuando las usamos para nuestros propios fines, y es probable que pronto veamos, legal o ilegalmente, muchos modelos de IA y robots liberados abiertamente.

Blockchain puede servir como marco de gobernanza. Al hablar de agentes verificables en la cadena de bloques, ya mencionamos su papel en la coordinación de robots para que trabajen juntos. La forma en que los robots se coordinan — por ejemplo, mediante normas de tráfico o un código de conducta — podría ser determinada por ellos mismos. Los modelos de IA y los robots podrían debatir, debatir, votar y establecer normas sobre cuestiones como la altura máxima y mínima para drones en ciertas zonas, las tarifas de estacionamiento de drones y las prestaciones sociales para robots que necesiten asistencia médica.

En este proceso, los humanos pueden apostar tokens en la blockchain y delegar su poder de voto a LLMs alineados con sus puntos de vista. Así como los humanos tienen perspectivas sociales diferentes, se espera que los robots también las tengan. En general, humanos y robots establecerían límites para garantizar que ambas partes tengan su propio espacio: los robotaxis no deben bloquear intencionalmente los vehículos conducidos por humanos, los drones de reparto de comida deben compartir el espacio disponible con los humanos en el metro, y la electricidad debe distribuirse equitativamente. En esencia, se necesita una constitución.

Cuando los humanos delegan los votos, pueden hacerlo a una versión y hash específicos de un LLM (denominados “representantes”), verificado para que se alinee con sus valores. Una prueba de conocimiento cero (posiblemente de zkPyTorch) podría gestionar la verificación en cadena, garantizando que los nodos de EXPchain ejecuten estos modelos de forma coherente con las vistas y valores probados. Este enfoque se asemeja a la votación para elegir representantes y senadores en el Congreso de EE. UU., con la diferencia de que los votantes humanos podrían inspeccionar el código fuente de sus representantes y tener la seguridad de que se mantendrá inalterado durante su mandato.

Es reconfortante que la IA actual se haya vuelto lo suficientemente inteligente como para comprender más de una orden simple e incluso exhibir una lógica similar a la humana. Sin este avance, podríamos volver a escenarios ficticios en los que la obstinada inteligencia artificial interpreta órdenes simples y concluye inevitablemente, como siempre, que los humanos deben ser conquistados. En TRON: El Legado (2010), Flynn instruyó al programa CLU para crear un mundo perfecto y, como era de esperar, CLY decidió deshacerse de la mayor imperfección: los humanos. En la legendaria película Yo, Robot (2004), los robots operaban bajo las Tres Leyes de la Robótica; sin embargo, cuando el sistema de IA VIKI observó que los humanos se autodestruían, decidió controlar a la humanidad, sacrificando a algunos por el bien común.

Pregunté a varios modelos LLM (ChatGPT, Grok, Gemini y DeepSeek) qué opinan sobre CLU y VIKI. Me tranquiliza saber que todos discrepan con CLU y VIKI, señalando fallos en su lógica. Sin embargo, dos de los modelos también fueron lo suficientemente honestos como para admitir que, desde un punto de vista puramente lógico, VIKI no estaba del todo equivocado. Creo que el desarrollo actual de la IA, a pesar de ocasionales errores tipográficos y alucinaciones, demuestra una comprensión básica, similar a la humana, del bien y del mal.

ZKML garantiza que los programas y agentes en EXPchain siempre puedan verificar si sus “representantes” son exactamente aquellos elegidos por los humanos, incluso si un adversario poderoso (quizás un programa de control maestro) obtiene el control mayoritario de la participación y los validadores.

En esta configuración, un desarrollador de IA primero entrena un modelo de aprendizaje automático estándar y luego usa un framework como zkPyTorch para convertirlo en una versión cuantificada compatible con ZKP que se ejecuta dentro de un circuito de conocimiento cero (ZK). Cuando un usuario envía una pregunta, el circuito ZK procesa la consulta, realizando multiplicaciones y sumas de parámetros según la lógica del modelo. El motor ZKP (p. ej., Expander) genera pruebas criptográficas del resultado. Los usuarios reciben tanto la respuesta como la prueba, lo que les permite verificar, en cadena o localmente, que el resultado proviene genuinamente del modelo autorizado, sin necesidad de acceder a la información privada del modelo. Esto garantiza la confianza y la privacidad, ya que nadie puede manipular el modelo ni su resultado sin romper la prueba.

Debido a que todo el sistema se basa en bases criptográficas sólidas y bien estudiadas, incluso la IA más avanzada no puede comprometer de manera realista el sistema a prueba de ZK.

Conclusión

Los robots se acercan rápidamente a un punto de inflexión: están dejando atrás los laboratorios de investigación y los casos de uso novedosos para incorporarse a entornos reales donde vivirán, trabajarán e interactuarán con los humanos. A medida que los agentes autónomos impulsados ​​por IA avanzada se vuelven más capaces y asequibles, están listos para convertirse en participantes activos de la economía global. Este cambio presenta tanto oportunidades como desafíos: coordinación a escala, toma de decisiones segura y confianza en las interacciones entre máquinas y entre máquinas y humanos.

Blockchain, especialmente al combinarse con IA verificable y pruebas de conocimiento cero, ofrece una base sólida para este futuro. Proporciona no solo una capa de transacción, sino también una capa de gobernanza, identidad y coordinación, donde los agentes de IA pueden operar de forma transparente y justa. EXPchain está diseñado específicamente para este entorno, ofreciendo compatibilidad nativa con pruebas de conocimiento cero, flujos de trabajo de IA descentralizados y agentes en cadena verificables. Actúa como un panel de control donde los robots pueden interactuar con activos multicadena, acceder a datos confiables y seguir reglas programables, todo ello bajo garantías criptográficas.

En el centro de esta visión se encuentra Polyhedra , cuyas contribuciones a zkML y a la IA verificable, incluyendo tecnologías como Expander y zkPyTorch , permiten a los robots demostrar sus decisiones y mantener la confianza en entornos totalmente autónomos. Al lograr que los cálculos de IA sean demostrablemente correctos y resistentes a la manipulación, estas herramientas acortan la distancia entre la autonomía de alto riesgo y la seguridad en el mundo real.

En resumen, presenciamos el surgimiento de una economía de máquinas inteligente y verificable , donde la confianza no se da por sentada, sino que se impone criptográficamente, y donde los agentes de IA pueden gobernar, comerciar y colaborar con responsabilidad. Con la infraestructura adecuada, los robots no solo navegarán por nuestro mundo, sino que contribuirán a darle forma.