Markus Levin de XYO: Por qué una L1 nativa de datos podría convertirse en la columna vertebral del "prueba de origen" de la IA

En el último episodio de SlateCast, el cofundador de XYO, Markus Levin, se unió a los presentadores de CryptoSlate para desglosar por qué las redes de infraestructura física descentralizada (DePIN) están yendo más allá de los experimentos de nicho, y por qué XYO construyó una Layer-1 diseñada específicamente para manejar el tipo de datos que la IA y las aplicaciones del mundo real exigen cada vez más.

La ambición de Levin para la red es contundente: “Primero, creo que XYO va a tener ocho mil millones de nodos”, dijo, calificándolo como un objetivo ambicioso, pero uno que cree que coincide con hacia dónde se dirige la categoría.

Tesis de DePIN de “cada rincón del mundo”

Levin enmarcó a DePIN como un cambio estructural en la forma en que los mercados coordinan la infraestructura física, señalando las expectativas de rápido crecimiento para el sector. Citó una proyección del Foro Económico Mundial de que DePIN podría expandirse desde los aproximadamente decenas de miles de millones de hoy hasta los billones para 2028.

Para XYO, la escala no es hipotética. Uno de los presentadores señaló que la red ha crecido “con más de 10 millones de nodos”, sentando las bases para una conversación centrada menos en “qué pasaría si” y más en qué se rompe cuando el volumen de datos del mundo real se convierte en el producto.

Prueba de origen para la IA: el problema de los datos, no solo el cómputo

Al preguntarle por los deepfakes y la caída de la confianza en los medios, Levin sostuvo que el cuello de botella de la IA no es solo la computación: es la procedencia. “Mientras que DePIN, lo que puedes hacer es que puedes, eh, demostrar de dónde provienen los datos”, dijo, describiendo un modelo en el que los datos pueden verificarse de extremo a extremo, rastrearse hasta los pipelines de entrenamiento y consultarse cuando los sistemas necesitan veracidad de origen.

En su opinión, la procedencia crea un ciclo de retroalimentación: si a un modelo se le acusa de alucinar, puede comprobar si la entrada subyacente proviene de fuentes verificables, o solicitar nuevos datos específicos de una red descentralizada en lugar de extraer fuentes poco confiables.

Por qué importa una Layer-1 nativa de datos

XYO pasó años intentando no construir una cadena, dijo Levin—operando como middleware entre señales del mundo real y contratos inteligentes. Pero “nadie la construyó” y el volumen de datos de la red forzó el tema.

Explicó el objetivo del diseño de forma sencilla: “La blockchain no puede inflarse… y está construida realmente para datos”.

El enfoque de XYO se centra en mecanismos como Proof of Perfect y restricciones de estilo “lookback” destinadas a mantener los requisitos de los nodos ligeros, incluso a medida que crecen los conjuntos de datos.

Onboarding con COIN: convertir usuarios no cripto en nodos

Un motor clave de crecimiento ha sido la app COIN, que Levin describió como una forma de transformar los teléfonos móviles en nodos de red de XYO.

En lugar de empujar a los usuarios a una volatilidad inmediata de tokens, la app usa puntos vinculados al dólar y opciones de canje más amplias—y luego conecta a los usuarios con el tiempo hacia los rieles cripto.

Modelo dual de tokens: alineando incentivos con XL1

Levin dijo que el sistema dual de tokens está diseñado para separar las recompensas/la seguridad del ecosistema de los costos de actividad de la cadena. “Estamos extremadamente emocionados por este sistema dual de tokens”, dijo, describiendo $XYO como el activo externo de staking/gobernanza/seguridad y $XL1 como el token interno de gas/transacciones utilizado en XYO Layer One.

Socios del mundo real: infraestructura de carga y datos POI de calidad de mapeo

Levin señaló nuevas asociaciones como un impulso temprano de “killer app” dentro del ecosistema más amplio de DePIN, citando un acuerdo con Piggycell—una gran red de carga en Corea del Sur que necesita pruebas de ubicación y planea tokenizar datos en XYO Layer One.

También describió un caso de uso separado de prueba de ubicación que involucra conjuntos de datos de puntos de interés (horas, fotos, información del venue), afirmando que un importante socio de geolocalización encontró problemas en su propio conjunto de datos “en el 60% de los casos”, mientras que los datos provenientes de XYO eran “99.9% correctos”, lo que habilita el mapeo aguas abajo para grandes empresas.

En conjunto, el mensaje de Levin fue consistente: si la IA y las RWAs necesitan entradas confiables, el siguiente frente competitivo podría ser menos sobre modelos más rápidos—y más sobre pipelines de datos verificables anclados en el mundo real.