El cofundador de Ethereum, Vitalik Buterin, ha destacado que los recientes avances en inteligencia artificial podrían mejorar directamente la infraestructura de privacidad de Ethereum. El último enfoque de Buterin está en la versión cuantificada de 2 bits del modelo DeepSeek V4, que ahora puede ejecutarse en hardware personal con 90 GB de VRAM, lo que potencialmente hace que la IA poderosa sea accesible localmente para más usuarios.
Ejecutar IA localmente y diferencias de hardware
Buterin señaló que el nuevo lanzamiento de bajo consumo de memoria de DeepSeek V4 es notable porque ya no depende de servidores centralizados, lo que representa un importante avance. Esto permite a los usuarios individuales interactuar con inteligencia artificial de última generación directamente desde sus propias computadoras. Sin embargo, el rendimiento varía significativamente dependiendo del hardware. Por ejemplo, los sistemas de Apple pueden generar hasta 35 tokens por segundo con el modelo, mientras que los sistemas basados en AMD alcanzan solo alrededor de 7 tokens por segundo.
“Proporcionar un soporte adecuado para múltiples fabricantes de hardware es lo que marca la verdadera diferencia entre ecosistemas de IA genuinamente abiertos y meramente descentralizados”, enfatizó Buterin.
Además, Buterin mencionó LuceBox Hub, una herramienta diseñada para ejecutar modelos de IA pesados de manera más rápida y eficiente. En sus pruebas usando una GPU RTX 5090, LuceBox Hub superó a una de las soluciones locales más populares, llama.cpp, por casi dos veces. Agregó que LuceBox Hub sigue en desarrollo activo.
Glosario: Modelo cuantizado de 2 bits: Esta es una versión comprimida de un gran modelo de lenguaje donde los pesos del modelo se representan utilizando solo dos bits, lo que reduce los requisitos de memoria y permite un mejor rendimiento en hardware de gama baja.
| Hardware | Tokens por segundo (DeepSeek V4 2-bit) | Memoria necesaria |
|---|---|---|
| Apple (MAC) | 35 | 90 GB VRAM |
| AMD | 7 | 90 GB VRAM |
| RTX 5090 (LuceBox Hub) | cerca de 2x llama.cpp | Varía |
IA diseñada para Ethereum y privacidad
Buterin señaló que la infraestructura local de IA puede apoyar directamente los objetivos de privacidad de Ethereum. Por ejemplo, las pruebas de conocimiento cero (ZK) pueden estimular tanto las llamadas de grandes modelos de lenguaje pagados a distancia como las lecturas privadas de RPC en la red Ethereum, gracias a las bases técnicas compartidas de estos dos campos. Los avances en un área pueden beneficiar a la otra.
Glosario: Pruebas de conocimiento cero (ZK): Un método criptográfico que permite a una parte demostrar la validez de cierta información a otra parte sin revelar la información real. Ampliamente utilizado en los protocolos de privacidad de Ethereum.
Buterin también declaró que los modelos de IA afinados específicamente para el ecosistema Ethereum podrían mejorar la seguridad de contratos inteligentes y protocolos. Como ejemplo, mencionó el modelo Leanstral, que puede generar código Lean a una velocidad de 38 tokens por segundo y es competitivo con modelos mucho más grandes. Modelos similares específicos para Ethereum podrían acelerar la verificación de código y las auditorías de seguridad en aplicaciones descentralizadas.
Llamado de Buterin para el desarrollo seguro de protocolos
Subrayando el papel clave de tales modelos afinados en la evolución de Ethereum, Buterin hizo un llamado para enfoques más sistemáticos y automatizados en las auditorías de contratos inteligentes. Destacó que la inteligencia artificial y blockchain deben desarrollarse para trabajar juntos para mejorar la seguridad y la fiabilidad.
