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 episodio más reciente de SlateCast, el cofundador de XYO, Markus Levin, se unió a los presentadores de CryptoSlate para desentrañar 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 hecha a medida 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, llamándolo una meta ambiciosa—pero que cree que coincide con hacia dónde se dirige la categoría.

La tesis de DePIN de “cada rincón del mundo”

Levin enmarcó DePIN como un cambio estructural en la forma en que los mercados coordinan la infraestructura física, señalando las expectativas de crecimiento acelerado para el sector. Citó una proyección del Foro Económico Mundial que indica que DePIN podría pasar de los decenas de miles de millones actuales a 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 enfocada menos en el “¿y si?” y más en qué se rompe cuando el volumen de datos del mundo real se convierte en el producto.

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

Al preguntarle sobre 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 en DePIN, lo que puedes hacer es, eh, probar de dónde viene el dato”, 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 del mundo real.

En su opinión, la procedencia crea un bucle de retroalimentación: si un modelo es acusado de alucinar, puede comprobar si la entrada subyacente proviene de una fuente verificablemente rastreable—o solicitar datos nuevos y específicos desde una red descentralizada en lugar de hacer scraping de fuentes poco fiables.

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 de diseño de forma sencilla: “Blockchain no puede hincharse… 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 de COIN: convertir a usuarios no cripto en nodos

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

En lugar de empujar a los usuarios a la volatilidad inmediata de tokens, la app utiliza puntos vinculados al dólar y opciones de redención más amplias—y luego integra a los usuarios en las vías de cripto con el tiempo.

Modelo dual de tokens: alineando incentivos con XL1

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

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

Levin señaló nuevas asociaciones como impulso temprano de “killer app” dentro del ecosistema más amplio de DePIN, citando un acuerdo con Piggycell—a large South Korean charging network 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 recinto), 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 de XYO eran “99.9% correctos”, lo que habilita el mapeo descendente para grandes empresas.

En conjunto, el mensaje de Levin fue consistente: si la IA y las RWA necesitan entradas confiables, el próximo frente competitivo puede estar menos en modelos más rápidos—y más en pipelines de datos verificables anclados en el mundo real.