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 anfitriones 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 creada específicamente para manejar el tipo de datos que la IA y las aplicaciones del mundo real cada vez más exigen.

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, aunque uno que cree que encaja 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 World Economic Forum según la cual 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 anfitriones señaló que la red ha crecido “con más de 10 millones de nodos”, preparando el escenario para una conversación centrada menos en el “qué pasaría si” y más en lo que se rompe cuando el volumen de datos del mundo real se convierte en el producto.

Proof of origin para IA: el problema de los datos, no solo el cómputo

Al preguntarle sobre deepfakes y el colapso de la confianza en los medios, Levin sostuvo que el cuello de botella de la IA no es solo la computación: es el origen. “Mientras que DePIN, lo que puedes hacer es que puedes, uh, probar 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 verdades de base.

En su opinión, el origen crea un bucle de retroalimentación: si un modelo es acusado de alucinar, puede comprobar si la entrada subyacente tiene un origen verificable o solicitar nuevos datos específicos desde una red descentralizada en lugar de extraer 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 obligó a hacerlo.

Explicó el objetivo de diseño de manera simple: “Blockchain no puede inflarse… y se construyó realmente para datos”.

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

Onboarding COIN: convertir usuarios no cripto en nodos

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

En lugar de empujar a los usuarios hacia la volatilidad inmediata de los tokens, la app usa puntos vinculados al dólar y opciones de redención más amplias; después, con el tiempo, conecta a los usuarios con las redes cripto.

Modelo dual de tokens: alineando incentivos con XL1

Levin dijo que el sistema de tokens dual está diseñado para separar las recompensas y la seguridad del ecosistema de los costos de actividad en la cadena. “Estamos extremadamente emocionados por 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 utilizado en XYO Layer One.

Socios del mundo real: infraestructura de cobro y datos POI de nivel de mapeo

Levin señaló nuevas asociaciones como impulso temprano de “killer app” dentro del ecosistema DePIN más amplio, citando un acuerdo con Piggycell, una gran red de carga surcoreana que necesita pruebas de ubicación y planes para 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 lugar), afirmando que un socio importante en geolocalización encontró problemas en su propio conjunto de datos “en el 60% de los casos”, mientras que los datos obtenidos mediante XYO eran “99.9% correctos”, lo que habilita el mapeo posterior para grandes empresas.

En conjunto, el mensaje de Levin fue consistente: si la IA y las RWAs necesitan entradas confiables, la siguiente frontera competitiva puede estar menos relacionada con modelos más rápidos y más con pipelines de datos verificables anclados en el mundo real.