ISN⁹¹

La mayoría de los sistemas de verificación de IA tienen un problema fundamental. Para verificar si una respuesta de IA es correcta, tienen que leer tu pregunta real. Tus datos privados se transfieren a diferentes computadoras a través de la red. Todos ven todo... lo que no es privacidad, es exposición.
Mira lo hace de manera diferente. La red ya procesa más de 3 mil millones de tokens diariamente para más de 4.5 millones de usuarios. Así es como funciona su sistema en lenguaje sencillo.
Primero, descomponen todo.
Imagina que le preguntas a una IA: "¿Es París la capital de Francia y es famosa la Torre Eiffel?" Mira no trata esto como una gran pregunta. Lo divide en piezas pequeñas. Una pieza dice "París es la capital de Francia." Otra dice "La Torre Eiffel es famosa." Cada pieza se verifica por separado. Si una parte es correcta y otra es incorrecta, Mira sabe la diferencia. No solo dice "respuesta incorrecta" como un examen típico.

𝘐𝘧 𝘺𝘰𝘶 𝘸𝘢𝘵𝘤𝘩𝘦𝘥 𝘺𝘰𝘶𝘳 𝘥𝘢𝘴𝘩𝘣𝘰𝘢𝘳𝘥 𝘥𝘶𝘳𝘪𝘯𝘨 𝘭𝘢 𝘔𝘢𝘵𝘦𝘳𝘪𝘢𝘭 𝘍𝘰𝘶𝘯𝘥𝘢𝘵𝘪𝘰𝘯 𝘢𝘪𝘳𝘥𝘳𝘰𝘱 𝘦𝘯 𝘍𝘦𝘣𝘳𝘶𝘢𝘳𝘺 2026, 𝘐 𝘩𝘢𝘷𝘦 𝘴𝘰𝘮𝘦 𝘯𝘦𝘸𝘴 𝘧𝘰𝘳 𝘺𝘰𝘶: 𝘺𝘰𝘶 𝘸𝘦𝘳𝘦 𝘭𝘰𝘰𝘬𝘪𝘯𝘨 𝘢𝘵 𝘭𝘰 𝘴𝘦𝘳𝘳𝘰𝘳 𝘦𝘴𝘱𝘦𝘳𝘢𝘥𝘰. 𝘈𝘤𝘤𝘰𝘳𝘥𝘪𝘯𝘨 𝘵𝘰 𝘰𝘧𝘧𝘪𝘤𝘪𝘢𝘭 𝘢𝘯𝘯𝘰𝘶𝘯𝘤𝘦𝘮𝘦𝘯𝘵𝘴 𝘧𝘳𝘰𝘮 𝘭𝘢 𝘔𝘢𝘵𝘦𝘳𝘪𝘢𝘭 𝘍𝘰𝘶𝘯𝘥𝘢𝘵𝘪𝘰𝘯 𝘦𝘯 𝘟 𝘢𝘯𝘥 𝘭𝘰𝘴 𝘍𝘈𝘘, 𝘵𝘩𝘦 𝘳𝘦𝘢𝘭 𝘯𝘶𝘮𝘣𝘦𝘳 𝘵𝘩𝘢𝘵 𝘥𝘦𝘵𝘦𝘳𝘮𝘪𝘯𝘦𝘥 𝘦𝘭𝘪𝘨𝘪𝘣𝘪𝘭𝘪𝘵𝘺 𝘸𝘢𝘴𝘯'𝘵 𝘰𝘯 𝘺𝘰𝘶𝘳 𝘥𝘢𝘴𝘩𝘣𝘰𝘢𝘳𝘥 𝘢𝘵 𝘢𝘭𝘭—𝘪𝘵 𝘸𝘢𝘴 450.

Recientemente estaba tratando de entender un ciberataque vinculado al Grupo Lazarus, y honestamente me hizo pensar de manera diferente sobre la seguridad de DeFi.
El caso analizado por investigadores de Kaspersky involucró algo que al principio parecía completamente normal: un instalador de billetera DeFi. Cualquiera interesado en cripto podría descargarlo fácilmente sin sospechar nada inusual. La parte que realmente me impresionó fue... no solo el ataque en sí, sino lo que reveló sobre cómo las personas interactúan con DeFi. En muchas situaciones, los usuarios confían en lo que ven en la interfaz: una billetera, un aviso de transacción, una aprobación de contrato. Si parece normal, suponen que es seguro. Pero este incidente muestra que la apariencia por sí sola no puede garantizar la seguridad. Una billetera puede parecer real. Una transacción puede parecer inofensiva. Sin embargo, un código oculto puede cambiar completamente lo que realmente está sucediendo. Mientras leía sobre esto, comencé a pensar en cómo el ecosistema DeFi podría lidiar con este tipo de incertidumbre. Una idea que me llamó la atención es el concepto detrás de Mira. En lugar de asumir simplemente que una transacción es segura, Mira se centra en la verificación antes de la ejecución. El objetivo es ayudar a garantizar que lo que los usuarios aprueban sea realmente lo que sucederá en la cadena. Detrás de escena, infraestructuras como Plasma ayudan a procesar esta verificación de manera eficiente, mientras que Mira actúa como la capa que proporciona claridad y confianza para los usuarios que interactúan con DeFi. Por supuesto, ningún sistema puede eliminar todos los riesgos en cripto. Pero la lección de incidentes como el ataque de Lazarus es clara: a medida que DeFi crece, la seguridad no puede depender solo de la confianza o las apariencias. En algún momento, la verificación debe convertirse en parte de la experiencia. Y por eso es que ideas como la capa de verificación de Mira se sienten cada vez más relevantes en el panorama DeFi en evolución.

Mientras estudiaba robótica submarina recientemente, una cosa quedó clara de inmediato: el océano es uno de los lugares más difíciles para que las máquinas operen, y ese desafío moldea cada elección de diseño.
Los buzos humanos solo pueden permanecer bajo el agua por un corto tiempo, las condiciones en alta mar son arriesgadas y las áreas que necesitan exploración son masivas. Por eso, los científicos están utilizando cada vez más Vehículos Autónomos Submarinos (AUV) y Vehículos Operados Remotamente (ROV). Estos robots van donde los humanos no pueden: realizando investigaciones, inspeccionando infraestructuras submarinas y monitoreando el medio ambiente.

Ayer, mientras pasaba tiempo investigando proyectos de IA descentralizada, noté que la mayoría de las discusiones seguían girando en torno a las mismas dos ideas: inteligencia y agentes. A medida que exploraba el ecosistema más a fondo, comenzó a parecer que la IA descentralizada se estaba organizando en capas.
Algunos sistemas se centran en generar inteligencia, otros se enfocan en habilitar agentes autónomos, pero parecía haber otra capa que permanecía menos claramente abordada: verificación.
Muchos proyectos ya están impulsando las capacidades de IA de maneras significativas. Por ejemplo, Bittensor se centra en la generación de inteligencia, construyendo una red donde los modelos de aprendizaje automático compiten para producir resultados valiosos y son recompensados cuando sus contribuciones mejoran el sistema.

Hace unos días, un amigo mío compró un pequeño robot doméstico. Podía realizar tareas simples. Cuando intentó conectarlo con otro dispositivo inteligente en la casa, sucedió algo ligeramente extraño; ambos sistemas estaban funcionando, pero realmente no cooperaban.
Nada se rompió. Nada se estrelló.
Simplemente se comportaron como dos extraños colocados en la misma habitación, cada uno siguiendo su propia lógica.
Cuando lo vi por primera vez, un montón de pensamientos empezaron a correr por mi cabeza.
Si se supone que las máquinas se vuelven más inteligentes cada año, ¿por qué algo tan básico se siente tan torpe?

Cuando hablamos de investigación científica, la mayoría de las personas imaginan un proceso lento y cuidadoso. Los investigadores leen artículos, comparan resultados, prueban ideas y construyen gradualmente un conocimiento en el que otros pueden confiar.
Y honestamente, ese proceso lento existe por una razón. En la investigación, incluso un pequeño error puede influir en muchos estudios futuros.
Ahora piensa en lo que ha estado sucediendo recientemente. Las herramientas de IA están comenzando a aparecer en el trabajo de investigación. Muchos investigadores ya utilizan IA para resumir trabajos largos, escanear grandes cantidades de literatura, sugerir preguntas de investigación o ayudar a interpretar datos complejos. Si la IA puede ayudar con estas tareas, naturalmente hace que las cosas sean más rápidas.