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 tajante: “Primero, creo que XYO va a tener ocho mil millones de nodos”, dijo, refiriéndose a ello como un objetivo ambicioso—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 rápido para el sector. Citó una proyección del World Economic Forum que indica 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 enfocada menos en el “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 los datos, no solo el cómputo

Al preguntarle sobre deepfakes y la caída 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, 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 una verdad de referencia.

En su opinión, la procedencia crea un bucle de retroalimentación: si un modelo es acusado de alucinar, puede comprobar si la entrada subyacente tiene una fuente verificablemente acreditada—o solicitar nuevos datos específicos a 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 forzó el tema.

Explicó el objetivo de diseño de forma sencilla: “Blockchain no puede hincharse… y está hecha solo para datos de verdad”.

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 cuando crecen los conjuntos de datos.

Onboarding de COIN: convertir a 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 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 a las vías cripto con el tiempo.

Modelo dual de tokens: alineando incentivos con XL1

Levin dijo que el sistema dual de tokens está diseñado para separar las recompensas de ecosistema/seguridad de los costos de la actividad en 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 cobro y datos POI listos para mapeo

Levin señaló nuevas asociaciones como el primer impulso “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 local), afirmando que un socio importante de geolocalización halló problemas en su propio conjunto de datos “en el 60% de los casos”, mientras que los datos obtenidos de XYO eran “99.9% correctos”, lo que habilita el mapeo posterior para grandes empresas.

En conjunto, el mensaje de Levin fue coherente: si la IA y las RWAs necesitan entradas confiables, el siguiente frente competitivo quizá no tenga que ver tanto con modelos más rápidos—y más con pipelines de datos verificables anclados en el mundo real.