¿Qué es la inferencia de IA en cadena? Comparación de los modelos de negocio de computación de Orbio, Surplus y Antseed

La inferencia de IA en cadena se refiere a un modelo técnico que combina la inferencia de modelos de inteligencia artificial con mecanismos de pago, identidad, incentivos o verificación basados en blockchain. A diferencia de ejecutar los cálculos del modelo íntegramente dentro de una máquina virtual de blockchain, en la práctica, la inferencia de IA a gran escala suele realizarse fuera de la cadena mediante GPU, CPU o aceleradores especializados. La blockchain registra principalmente las transacciones, coordina a los participantes o proporciona relaciones económicas verificables.

A medida que se desarrollan los agentes de IA, el trading automatizado y las aplicaciones de IA generativa, la inferencia se está convirtiendo en un servicio que consume recursos informáticos de forma continua. El entrenamiento de modelos suele ser periódico, mientras que la inferencia se produce continuamente a medida que los usuarios envían solicitudes y los agentes realizan llamadas. Esto está desplazando gradualmente el foco de los mercados informáticos de "quién posee GPU" a "quién puede ofrecer resultados de inferencia a precios, velocidades y niveles de calidad estables".

Orbio, Surplus y Antseed representan enfoques de infraestructura de IA descentralizada que conviene seguir. Partiendo de los principios técnicos de la inferencia de IA, este artículo analiza la relación entre el suministro de recursos informáticos, la coordinación de tareas y la monetización, al tiempo que compara el posicionamiento de mercado, las posibles ventajas y las métricas clave que requieren validación para los tres proyectos.

Puntos clave:

• La inferencia de IA en cadena no significa que los modelos deban ejecutarse directamente en la blockchain. La mayoría de las soluciones prácticas utilizan una arquitectura híbrida de ejecución fuera de la cadena y pagos o verificación en cadena para evitar los costes de ejecución y las limitaciones de rendimiento de la blockchain.

• Los mercados descentralizados de computación para IA buscan conectar recursos informáticos inactivos con la demanda de aplicaciones de IA. Sus principales retos no se limitan a que la capacidad informática sea suficiente, sino que también incluyen la programación de tareas, la calidad del servicio, la latencia de inferencia y la utilización de recursos.

• Orbio, Surplus y Antseed pueden compararse en distintos segmentos de negocio. Es necesario distinguir entre el suministro de recursos informáticos, la prestación de servicios de inferencia y los mecanismos de coordinación de red, en lugar de evaluar sus modelos de negocio únicamente a partir de las etiquetas de IA o DePIN.

• El valor comercial de los servicios de inferencia depende de la demanda real. El número de GPU, los nodos de red y el volumen de negociación de tokens no representan directamente ingresos reales por inferencia. Los usuarios recurrentes de pago y los márgenes brutos de los servicios reflejan mejor la calidad del negocio.

• La inferencia descentralizada sigue afrontando retos técnicos y económicos. La carga de modelos, la heterogeneidad del hardware, la verificación de resultados, la privacidad de los datos y la estabilidad del servicio afectan a su capacidad para competir con los servicios de nube centralizados.

¿Qué es la inferencia de IA en cadena y por qué se está convirtiendo en una intersección entre la IA y Web3?

La inferencia de IA es el proceso mediante el cual un modelo entrenado recibe una entrada y genera predicciones, texto, imágenes u otros resultados. Por ejemplo, cuando un usuario formula una pregunta a un modelo de lenguaje de gran tamaño y el modelo genera una respuesta, cuando un agente de IA analiza datos de mercado y determina su siguiente acción, o cuando una aplicación llama a una API de modelo para clasificar contenido, todos estos son escenarios de inferencia.

A diferencia del entrenamiento de modelos, la demanda de inferencia suele estar más distribuida, ser más continua y más frecuente. El entrenamiento puede utilizar recursos informáticos considerables durante periodos concretos, mientras que los costes de inferencia siguen aumentando con el número de usuarios, las llamadas al modelo y la longitud del contexto. Para los agentes de IA que necesitan operar de forma ininterrumpida, los gastos de inferencia pueden incluso convertirse en un coste importante que afecte a sus modelos de negocio.

El mercado de inferencia de IA en cadena busca resolver cómo se organizan y negocian los servicios de inferencia, en lugar de trasladar necesariamente el propio cálculo de IA a la blockchain. El flujo de trabajo real suele incluir cuatro etapas: la parte demandante envía una solicitud de llamada al modelo, el mercado encuentra un proveedor capaz de prestar el servicio, un entorno informático fuera de la cadena realiza la inferencia y el mecanismo de pago o liquidación correspondiente procesa las comisiones.

Esta estructura combina las capacidades de pago programables de la blockchain con el cálculo de IA fuera de la cadena, lo que permite a distintos participantes establecer relaciones de mercado en torno a las llamadas a modelos, los recursos informáticos y los precios de los servicios.

Sin embargo, aquí deben distinguirse dos conceptos: la inferencia de IA coordinada mediante blockchain y la inferencia de IA verificable. La primera hace hincapié en los pagos, los incentivos y la organización del mercado, mientras que la segunda se centra en si puede demostrarse que un modelo se ejecutó según lo requerido. Que una plataforma admita pagos en USDC o credenciales en cadena no significa que haya logrado la verificación criptográfica de los resultados de inferencia.

¿Por qué los mercados descentralizados de inferencia de IA pueden ofrecer servicios de menor coste?

Los servicios de API de IA tradicionales suelen fijar sus precios directamente los proveedores de modelos o de servicios de nube. Tras pagar una comisión, los usuarios llaman a los modelos mediante una interfaz unificada y reciben los resultados de inferencia correspondientes. La ventaja de este modelo es un servicio estable y una integración sencilla, pero los precios y las condiciones de suministro los determinan principalmente los proveedores de servicios.

En cambio, los mercados descentralizados de inferencia de IA buscan incorporar más proveedores. Diferentes proveedores pueden ofrecer cuotas de API de modelos, recursos de GPU inactivos o servicios de inferencia implementados por ellos mismos y competir por las solicitudes de los usuarios.

Los precios más bajos pueden proceder principalmente de tres mecanismos.

El primero es la agregación y reventa de cuotas de API. El mercado agrega capacidad de llamadas a modelos de diferentes canales y ofrece descuentos mediante diferencias en los costes de adquisición, la competencia entre proveedores o subsidios de la plataforma. Su ventaja es que no necesita crear infraestructura de modelos desde cero, pero los costes reales siguen dependiendo de los servicios ascendentes.

El segundo es la utilización de capacidad informática inactiva. Las personas o instituciones que poseen GPU pueden proporcionar capacidad de inferencia durante los periodos de inactividad, mejorando la utilización del hardware. Sin embargo, este modelo debe abordar las diferencias en el rendimiento de los dispositivos, la implementación de modelos y la estabilidad del servicio.

El tercero son los incentivos en tokens y los subsidios de mercado. Las plataformas pueden reducir de forma aparente el precio que pagan los usuarios mediante recompensas, puntos o credenciales en cadena para atraer demanda inicial. Sin embargo, si los descuentos se sustentan principalmente en subsidios y no en una mayor eficiencia informática, la ventaja de precio a largo plazo puede ser difícil de mantener.

Por lo tanto, determinar si una plataforma reduce realmente los costes de inferencia exige más que comparar los precios de API mostrados. También requiere examinar las fuentes de los subsidios, los costes ascendentes, la calidad del servicio y la sostenibilidad tras la reducción de los subsidios.

¿Qué es Orbio y cómo permite a los agentes de IA comprar créditos de inferencia de forma autónoma?

Orbio se posiciona como un mercado de recursos de inferencia para agentes de IA. Además de proporcionar puntos de acceso a modelos, busca convertir los créditos de inferencia en recursos que pueden comprarse y gestionarse mediante activos en cadena, lo que permite a los agentes asignar presupuestos de inferencia en función de sus propias tareas.

A diferencia de los modelos tradicionales de suscripción a API, Orbio introduce las credenciales CREDIT. Según su diseño, cada CREDIT corresponde a créditos de llamadas a modelos por valor de $1 dentro de la puerta de enlace de la plataforma. Los usuarios o agentes pueden obtener servicios de inferencia comprando y canjeando CREDIT.

La relevancia de este modelo es que convierte los presupuestos de inferencia en recursos programables. Por ejemplo, un agente de IA con una cartera y permisos de gasto puede comprar créditos en función de los requisitos de la tarea y utilizar después las interfaces de los modelos para completar análisis de información, generación de contenido u otras tareas automatizadas.

Orbio también busca conectar los servicios de inferencia con la creación de agentes, la emisión de tokens y las funciones de negociación. Los desarrolladores pueden crear aplicaciones y activos relacionados en torno a los agentes, estableciendo vínculos entre las llamadas a modelos, las operaciones de los agentes y la negociación en cadena.

Sin embargo, este diseño plantea una cuestión importante: la emisión y negociación de créditos de inferencia no representan necesariamente un consumo real de inferencia.

Si el precio de mercado de CREDIT es inferior a su valor declarado en créditos de llamadas, los usuarios pueden adquirirlo por el descuento o mantenerlo con expectativas de negociación o arbitraje. En este caso, la actividad de negociación de credenciales y el volumen real de llamadas a modelos pueden diferir considerablemente.

Además, si los descuentos dependen principalmente de recompensas generadas por las comisiones de negociación, requieren actividad de negociación continua. Una vez que la negociación en el mercado disminuye, la escala de los subsidios y el nivel de los descuentos pueden cambiar.

Por lo tanto, al evaluar Orbio, las métricas clave incluyen la tasa real de canje de CREDIT, el volumen de llamadas a modelos, el número de usuarios recurrentes y si el consumo de inferencia puede seguir creciendo sin incentivos de negociación.

TechFlow

¿Qué es Surplus Intelligence y cómo reduce los costes de llamadas de IA mediante la agregación de recursos informáticos?

Surplus Intelligence se asemeja más a un mercado de agregación de servicios de inferencia de IA. Permite a distintos proveedores ofrecer interfaces de llamadas a modelos y permite a los usuarios obtener servicios de inferencia de múltiples fuentes de suministro mediante precios independientes y enrutamiento de solicitudes.

A diferencia del énfasis de Orbio en la economía de agentes y las credenciales en cadena, Surplus tiene una lógica de negocio relativamente directa: integra servicios de modelos fragmentados en un mercado de llamadas unificado y mejora las opciones de precios y servicios mediante la competencia entre proveedores.

Los proveedores pueden ofrecer distintas interfaces de modelos y la plataforma asigna las solicitudes a los proveedores correspondientes según las reglas de enrutamiento. Los usuarios no necesitan establecer procesos de llamadas independientes con cada proveedor de servicios de modelos y pueden acceder a los servicios a través del mercado agregado.

La ventaja de este modelo es que resulta fácil de comprender y se parece más a los negocios tradicionales de agregación de API. La competitividad principal de la plataforma no depende de cuántos tokens emite, sino de si puede atraer continuamente a proveedores fiables, procesar solicitudes de llamadas reales y mantener precios bajos y velocidades de respuesta estables.

Surplus también introduce el enmascaramiento de información sensible, con el objetivo de sustituir algunas claves de API u otros campos sensibles por marcadores de posición antes de enviar las solicitudes a proveedores externos de servicios de modelos. Esto ayuda a reducir el riesgo de que la información sensible quede expuesta directamente a los proveedores.

Sin embargo, el enmascaramiento no equivale a una protección de privacidad integral. La plataforma responsable de procesar las solicitudes originales aún puede acceder al contenido sensible, y los usuarios deben prestar atención a los permisos de acceso a datos, la retención de registros y los límites de seguridad de los proveedores externos.

Otra característica de Surplus es que la relación entre el uso del producto y el valor del token es relativamente limitada. La información pública disponible indica que el token SURPLUS aún no cumple directamente funciones principales como los pagos de comisiones de inferencia, el enrutamiento de solicitudes o la distribución de ingresos del mercado.

Esto significa que, aunque las solicitudes de inferencia de la plataforma sigan creciendo, no puede inferirse directamente que la demanda del token aumentará en paralelo. Los ingresos del negocio de la plataforma y la captura de valor del token son dos cuestiones que deben validarse por separado.

TechFlow

¿Qué es Antseed y cómo funciona una red informática P2P abierta?

Antseed utiliza una arquitectura diferente de la de Orbio y Surplus. Hace mayor hincapié en una red abierta de descubrimiento de recursos informáticos entre pares (P2P), que permite a los usuarios del lado de la demanda encontrar directamente proveedores disponibles de servicios de inferencia, en lugar de depender por completo de una puerta de enlace unificada para la asignación de solicitudes.

Según este modelo, los proveedores de recursos informáticos pueden unirse a la red de forma independiente y publicar los servicios de modelos que pueden ofrecer, mientras que los usuarios del lado de la demanda seleccionan proveedores en función del tipo de modelo, el precio y otras condiciones. La plataforma se encarga principalmente del descubrimiento de servicios y la coordinación de la red.

Una posible ventaja de esta arquitectura es que reduce la dependencia de una única puerta de enlace y permite competir a proveedores de recursos informáticos de distintos tamaños y tipos. Para los desarrolladores con requisitos de modelos especializados, una red abierta también puede proporcionar más opciones de suministro.

Sin embargo, una arquitectura P2P introduce retos adicionales relacionados con la calidad del servicio. El rendimiento del hardware, la latencia de red y la estabilidad operativa pueden variar significativamente entre proveedores. Aunque un proveedor afirme ofrecer un determinado modelo, sigue siendo necesario considerar cómo verificar que el modelo que realmente se ejecuta coincide con el modelo anunciado.

Por lo tanto, el diseño de Antseed también incluye mecanismos de reputación y staking. Está previsto que su token ANTS se utilice para la reputación del mercado y los incentivos de los participantes. Los proveedores de servicios pueden participar en el sistema de reputación correspondiente mediante staking y buscar la elegibilidad para recompensas.

A diferencia de Orbio, que depende de recompensas procedentes de las comisiones de negociación, el diseño de recompensas actualmente público de Antseed depende principalmente de los fondos de tesorería del proyecto, en lugar de una distribución directa de los ingresos por transacciones de inferencia. Esto significa que aún puede existir una brecha entre la distribución de recompensas y los ingresos reales del negocio.

A finales de octubre de 2026, ANTS no cotizaba públicamente y la sostenibilidad a largo plazo de sus mecanismos de tokens todavía requiere una validación adicional.

TechFlow

¿En qué se diferencian los modelos de negocio informático de Orbio, Surplus y Antseed?

Aunque los tres proyectos buscan reducir el coste de acceder a la inferencia de IA, en realidad están resolviendo problemas diferentes.

Orbio se centra en cómo los agentes de IA pueden comprar y gestionar recursos de inferencia, Surplus se centra en la competencia de precios y la asignación de solicitudes entre distintos proveedores de servicios de modelos, y Antseed busca conectar la oferta y la demanda de recursos informáticos mediante una red abierta.

Desde la perspectiva del modelo de negocio, los tres proyectos también pueden clasificarse adicionalmente según sus estructuras de ingresos e incentivos.

Orbio se acerca más a una combinación de créditos de inferencia y economía de activos de agentes. Busca conectar el consumo de inferencia y los activos en cadena mediante CREDIT, pero necesita demostrar que el consumo real puede respaldar las operaciones del mercado en lugar de depender principalmente de la actividad de negociación.

Surplus se parece más a un servicio tradicional de agregación de API. Su oportunidad de negocio principal reside en agregar la oferta, procesar solicitudes de llamadas y ofrecer funciones de valor añadido, pero los ingresos reales de la plataforma, los márgenes de beneficio y su relación con el token aún deben evaluarse de forma independiente.

Antseed se asemeja más a una red abierta de descubrimiento de servicios informáticos. Busca coordinar la oferta y la demanda mediante mecanismos de reputación y staking, pero necesita validar la calidad de los proveedores, la escala real de transacciones y si pueden formarse fuentes de ingresos estables más allá de los incentivos de tesorería.

Por lo tanto, la competencia entre los tres no consiste simplemente en quién ofrece el precio de inferencia más bajo, sino en quién puede establecer una red de suministro más estable, atraer usuarios recurrentes de pago y crear una estructura económica capaz de cubrir los costes operativos.

¿Cómo puedes determinar si un proyecto de inferencia de IA descentralizada tiene demanda real?

Los proyectos de inferencia de IA suelen mostrar el número de modelos, los proveedores compatibles, las solicitudes de inferencia o la actividad de negociación de tokens, pero estas métricas no pueden equipararse directamente con los ingresos reales del negocio.

• Céntrate en el volumen real de llamadas de pago. Que una plataforma procese un gran número de solicitudes no significa que todas procedan de usuarios independientes de pago. Las solicitudes de prueba, las llamadas impulsadas por incentivos o el tráfico automatizado de bajo coste pueden inflar los datos de uso.

• Observa la retención de usuarios y el gasto recurrente. Si los desarrolladores utilizan una plataforma solo por los subsidios iniciales y cambian a otros servicios cuando desaparecen los descuentos, el uso actual puede no ser sostenible. En cambio, los agentes de IA que operan continuamente, las aplicaciones que realizan llamadas de API de forma constante y los desarrolladores dispuestos a pagar precios de mercado son indicadores más sólidos de la demanda real del producto.

• Analiza el coste real de los servicios de inferencia. Los precios mostrados más bajos pueden deberse a ventajas de adquisición ascendentes o a subsidios en tokens. Solo después de considerar los costes informáticos, el ancho de banda, el enrutamiento, los pagos y los gastos de operación y mantenimiento puede evaluarse la rentabilidad sostenible de una plataforma.

• Distingue entre los ingresos de la plataforma y el valor del token. Una plataforma puede tener muchos usuarios, mientras que su token no participa en pagos, staking ni distribución de ingresos. Del mismo modo, una negociación activa del token no significa que los servicios de inferencia hayan logrado aceptación en el mercado.

• Presta atención a la calidad del servicio. La latencia de inferencia, las tasas de éxito de las solicitudes, la consistencia de los modelos y la seguridad de los datos son factores importantes para los desarrolladores al elegir infraestructura. Si una plataforma no puede proporcionar servicios estables, puede resultar difícil que entre en entornos de producción incluso con precios más bajos.

En conjunto, estas métricas conforman un marco básico para evaluar los mercados descentralizados de inferencia de IA. En comparación con una única medida, como el volumen de negociación o el precio del token, la demanda de pago sostenida y las capacidades reales de prestación de servicios merecen mayor atención.

¿Qué riesgos afrontan los mercados descentralizados de inferencia de IA?

El principal reto de la inferencia de IA descentralizada no es simplemente si puede encontrar GPU de bajo coste, sino si puede ofrecer servicios de modelos de forma estable, verificable y segura.

A nivel técnico, pueden existir diferencias de rendimiento entre el hardware y los proveedores de servicios. Los tiempos de carga de modelos, la latencia de respuesta, la capacidad de concurrencia y los mecanismos de recuperación ante fallos afectan a la experiencia de la aplicación. Para los agentes de IA que necesitan ejecutar tareas continuamente, un único fallo de inferencia puede interrumpir todo el flujo de trabajo.

A nivel de seguridad, las solicitudes de modelos pueden contener datos de usuarios, información empresarial o incluso credenciales sensibles. Aunque una plataforma utilice enmascaramiento, entornos de ejecución de confianza u otras medidas de protección, debe definir claramente qué participantes pueden acceder a las entradas originales y si los datos se registran o conservan.

A nivel económico, las recompensas en tokens pueden ayudar a un mercado a obtener liquidez inicial, pero también pueden ocultar la oferta y la demanda reales. Si las recompensas dependen principalmente de fondos de tesorería o de la actividad de negociación, los proyectos deben explicar cómo se mantendrán los precios de los servicios y los ingresos de los proveedores tras la reducción de los subsidios.

A nivel de mercado, las plataformas descentralizadas también deben competir con servicios de nube consolidados y proveedores de API de IA. Los servicios centralizados suelen ofrecer estándares de servicio uniformes, herramientas maduras para desarrolladores y una atención al cliente más completa. Los mercados descentralizados deben demostrar por qué los usuarios deberían cambiar sus métodos de adquisición actuales mediante precios, apertura, composabilidad o ventajas en escenarios específicos.

Por lo tanto, la descentralización no implica inherentemente menores costes, mayor privacidad ni servicios más fiables. Las distintas arquitecturas conllevan compensaciones, y los usuarios deben elegir servicios de inferencia adecuados en función de sus necesidades reales.

Resumen

Los mercados de inferencia de IA en cadena buscan reorganizar la oferta y la demanda de llamadas a modelos y recursos informáticos. Su valor principal no procede necesariamente de colocar el cálculo de IA en la blockchain, sino de permitir que más participantes proporcionen y accedan a servicios de inferencia mediante pagos en cadena, coordinación de mercados, credenciales y mecanismos de incentivos.

Orbio, Surplus Intelligence y Antseed muestran tres vías de desarrollo diferentes: Orbio hace hincapié en la compra autónoma de créditos de inferencia por agentes de IA, Surplus conecta la oferta y la demanda mediante la agregación de API y la competencia de precios, y Antseed busca establecer una red abierta de descubrimiento de recursos informáticos P2P.

Cada modelo tiene sus propias ventajas y cuestiones que requieren validación. Orbio debe demostrar una demanda de consumo real de CREDIT, Surplus debe establecer una relación económica clara entre las operaciones de la plataforma y su token, y Antseed debe abordar la calidad del servicio y la sostenibilidad de los incentivos.

Para el sector en su conjunto, la clave de la competencia futura puede dejar de ser simplemente ofrecer la cotización de inferencia más baja y pasar a ser si un proyecto puede establecer capacidades estables de prestación de servicios, demanda de pago sostenida y un modelo de negocio que no dependa de subsidios a corto plazo.

Preguntas frecuentes

¿Qué significa la inferencia de IA en cadena?

La inferencia de IA en cadena generalmente se refiere a combinar la inferencia de modelos de IA con mecanismos de pago, incentivos, identidad o verificación basados en blockchain. La mayor parte del cálculo real de los modelos sigue completándose fuera de la cadena.

¿Cuál es la diferencia entre la inferencia de IA en cadena y la capacidad informática descentralizada de GPU?

La capacidad informática descentralizada de GPU hace hincapié en el suministro y alquiler de recursos informáticos, mientras que los mercados de inferencia de IA en cadena se centran más en las llamadas a modelos, el enrutamiento de solicitudes, la liquidación de comisiones y la prestación de servicios. Ambos pueden solaparse, pero no son exactamente lo mismo.

¿Para qué se utiliza CREDIT en Orbio?

CREDIT está diseñado como una credencial de crédito de inferencia dentro de la plataforma Orbio. Cada unidad corresponde a un valor declarado de $1 en créditos de llamadas a modelos y puede utilizarse para canjear servicios relacionados.

¿Cuál es la principal ventaja de Surplus Intelligence?

Al agregar distintos proveedores de servicios de modelos, permitir precios independientes y asignar solicitudes de inferencia, Surplus ofrece a los desarrolladores más opciones de precios y servicios.

¿Por qué Antseed utiliza una arquitectura P2P?

Antseed busca permitir que los usuarios del lado de la demanda descubran y seleccionen directamente proveedores independientes de recursos informáticos, reduciendo la dependencia de una puerta de enlace unificada y coordinando al mismo tiempo a los participantes del mercado mediante mecanismos de reputación.

¿La inferencia de IA descentralizada es siempre más barata que las API tradicionales?

No necesariamente. Algunas plataformas pueden ofrecer precios más bajos debido a la competencia de mercado, mientras que otras pueden depender de recompensas en tokens o subsidios temporales. Los costes reales también dependen del modelo, la calidad del servicio y el volumen de llamadas.

¿El crecimiento del uso de una plataforma de inferencia de IA hará que los precios de los tokens suban?

No existe una relación necesaria. Primero es necesario confirmar si el token cumple funciones económicas reales de pago, staking u otras, y si el crecimiento de la plataforma puede traducirse en una demanda correspondiente del token.

¿Cómo puedes determinar si un proyecto de inferencia de IA tiene valor a largo plazo?

Los factores clave que deben considerarse incluyen el volumen real de llamadas de pago, las tasas de uso recurrente, la estabilidad del servicio, los costes de inferencia, los ingresos de los proveedores y el rendimiento del negocio después de que disminuyan los incentivos en tokens.