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 experimentos de nicho, y por qué XYO construyó una Capa 1 (Layer-1) diseñada específicamente para manejar el tipo de datos que la IA y las aplicaciones del mundo real demandan cada vez más.

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

La tesis de DePIN de “cada rincón del mundo”

Levin planteó DePIN como un cambio estructural en la forma en que los mercados coordinan la infraestructura física, señalando expectativas de crecimiento acelerado para el sector. Citó una proyección del World Economic Forum que sugiere que DePIN podría expandirse desde los aproximadamente decenas de miles de millones de hoy hasta llegar a 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”, preparando el escenario para una conversación enfocada 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 IA: el problema de datos, no solo el cómputo

Al preguntarle sobre deepfakes y el colapso de la confianza en los medios, Levin argumentó 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, uh, 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 una verdad de base.

En su visión, la procedencia crea un bucle de retroalimentación: si se acusa a un modelo de alucinar, puede comprobar si la entrada subyacente tiene una fuente verificablemente rastreable—o solicitar nuevos datos específicos desde una red descentralizada en lugar de hacer scraping de 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 de diseño de forma sencilla: “Blockchain no puede hincharse… y está hecha para datos realmente”.

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

Onboarding COIN: convertir a usuarios no cripto en nodos

Un catalizador 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 una volatilidad inmediata de tokens, la app usa puntos vinculados al dólar y opciones de redención más amplias—y luego integra a los usuarios en rieles cripto (crypto rails) con el tiempo.

Modelo dual de tokens: alineando incentivos con XL1

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

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

Levin señaló nuevas asociaciones como el impulso temprano de “killer app” dentro del ecosistema DePIN más amplio, 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 lugar), afirmando que un socio importante de geolocalización encontró problemas en su propio dataset “en el 60% de los casos”, mientras que los datos provenientes de XYO eran “99.9% correctos”, lo que permite el mapeo aguas abajo para grandes empresas.

Juntas, el mensaje de Levin fue consistente: si la IA y las RWA necesitan insumos confiables, el siguiente frente competitivo quizá tenga menos que ver con modelos más rápidos—y más con pipelines de datos verificables anclados en el mundo real.