Por qué la IA necesita confianza, energía nuclear y agentes nativos de criptomoedas En este episodio de DROPS, me siento con Ben Frigon para hablar sobre por qué la IA podría pronto automatizar grandes partes de tu vida, pero solo si resolvemos tres problemas difíciles a la vez: confianza, energía e infraestructura. Desde la energía nuclear y la propiedad de datos hasta agentes de IA que mueven dinero mientras duermes, @ben_frigon dibuja un futuro que resulta ambicioso pero curiosamente práctico. De verano DeFi a @TalusNetwork La historia de Ben comienza en la Universidad de Brown durante el verano de DeFi, cuando Ethereum y las primeras aplicaciones DeFi estaban explotando. Se convirtió en presidente del club blockchain y co-diseñó lo que él llama "el primer curso con créditos sobre NFTs en cualquier universidad", impartido justo en la cima de la manía de los NFT. Tras graduarse, se incorporó a VC Distributed Global, dedicando sus días a "investigar todas las áreas de las criptomonedas que se te ocurran." Ese hábito de la curiosidad obsesiva es una de las pocas cualidades que cree que los buenos fundadores y buenos inversores realmente comparten. El punto de inflexión llegó cuando conoció a su cofundador Mike, que estaba siendo incubado por Polychain. @polychain y @SuiNetwork luego respaldaron a Talus Network, y Ben pasó de inversor a operador. Como fundador, dice: "hay que ser realmente, realmente optimista, casi ingenuamente, tontamente", mientras que el trabajo de un capitalista riesgo es imaginar todas las formas en que algo podría fracasar. Vivir ambos roles le ayuda a construir con ambición, pero con un sentido realista del riesgo. ¿Existe una burbuja de IA? Cuando le preguntaron si estamos en una burbuja de IA, Ben dijo: "No creo que exista una burbuja de IA. Creo que podrían bajar los múltiples valores, pero una burbuja implicaría que la inversión es un desperdicio. No creo que sea un desperdicio en comparación con la oportunidad que tenemos." El verdadero problema, dice, es que la IA no encaja con la economía de riesgo clásica. Entrenar modelos competitivos implica un gasto enorme en hardware desde el primer día, lo cual es lo opuesto a la historia de "dos personas en un garaje" que el capital riesgo diseñó para financiar. Por eso gran parte del progreso se está produciendo dentro de grandes empresas tecnológicas con balances profundos. Para Ben, el enfoque adecuado prevalece sobre las finanzas. "La cantidad de bien que esto puede hacer por el mundo es como nada que hayamos visto antes." Si lo hacemos bien, la IA cambia la forma en que trabajamos, aprendemos, tomamos decisiones e incluso nos relacionamos entre nosotros. Pero ese potencial solo importa si afrontamos dos grandes riesgos de frente. Grandes riesgos: modelos incorrectos y poca potencia El primer riesgo es el diseño del modelo. Los grandes modelos de lenguaje actuales son impresionantes pero limitados: excelentes trabajando sobre texto, débiles en razonamientos de series temporales y tareas incorporadas como el trading o la robótica. Ben cree que eventualmente necesitaremos "modelos del mundo" que aprendan más como los humanos si queremos agentes capaces de manejar la complejidad del mundo real. Si nos mantenemos atados al paradigma actual de los LLM, las demostraciones llamativas pueden estancarse mucho antes de llegar a los casos de uso con los que la gente sueña. El segundo riesgo es la energía. Entrenar y ejecutar modelos de frontera consume muchísimo consumo, y las redes ya están siendo sometidas a la presión donde los centros de datos se agrupan. Ben es directo aquí: Estados Unidos necesita un "New Deal nuclear". Los pequeños reactores modulares modernos son más seguros y baratos, pero el combustible, la cadena de suministro y la experiencia que los rodea se han marchitado. Reconstruir eso, argumenta, debería ser una prioridad doméstica máxima: "No hay otra opción que la energía nuclear" si Estados Unidos se toma en serio aprovechar todo el potencial de la IA. Por qué la IA y la blockchain encajan realmente Es fácil descartar "IA + cripto" como marketing, pero Ben divide la intersección en tres capas claras: computación, datos y agentes. ...