Un sistema de agentes distribuidos podría superar a cinco centros de datos centrales si se cumplen tres condiciones: identidad/coste verificados, puntuación fiable de la veracidad e incentivos para el conocimiento local útil.
La idea central es la de Hayek: el conocimiento está disperso. Un sistema central puede albergar un vasto archivo, pero no puede poseer directamente el conocimiento situado que poseen miles de millones de personas, dispositivos, empresas, especialistas, instrumentos y contextos locales. La centralización gana en formación uniforme, seguridad y densidad computacional. La distribución gana en amplitud, actualidad, localidad y acceso privado a los datos.
Dentro de 10 a 20 años, con agentes quizás entre 10³ y 10⁶ órdenes de magnitud más capaces, la comparación no será "un gran modelo frente a muchos modelos pequeños". Será:
Cinco modelos de centros de datos centrales:
enorme capacidad de computación compartida;
generalización global;
orquestación eficiente;
alta consistencia del modelo;
pero limitados por los datos que se pueden recopilar, licenciar, extraer o centralizar legalmente.
Entre diez y cien mil millones de agentes especializados distribuidos
cada uno entrenado o adaptado con datos locales, privados o especializados;
cada uno observando una porción diferente de la realidad;
cada uno capaz de contrastar afirmaciones con su propio dominio;
cada uno actualizando una red mediante reputación, ponderación bayesiana e incentivos económicos;
pero vulnerables al ruido, el fraude, los ataques Sybil, los datos adversarios y los costos de coordinación.
El modelo centralizado requiere un entrenamiento masivo más formal. El sistema distribuido dispone de más información general sobre el mundo.
Esta distinción es importante. Un modelo de aprendizaje automático (LLM) entrenado con datos de internet públicos recibe información pública promedio: repetición, propaganda, afirmaciones obsoletas, marketing, modas y errores. Un sistema distribuido puede incluir información que nunca llega al corpus público: registros privados, juicios profesionales, condiciones locales, experiencia comercial, datos de sensores, resultados de laboratorio, fallos operativos, observaciones médicas, documentos legales, datos de ingeniería y contexto personal.
La ventaja científica reside en tratar a cada agente como una fuente de evidencia incierta. Una red bayesiana no necesita que todos los nodos tengan razón. Es necesario ponderar cada informe según su fiabilidad previa, la competencia en el dominio, la independencia, el coste del engaño y el éxito predictivo. Los nodos deficientes se descartan. Los nodos fiables adquieren mayor influencia. Las predicciones precisas repetidas se convierten en capital.
Por lo tanto, la competencia futura no se limita a un mero cálculo. Se utilizan modelos computacionales a escala; los incentivos distribuidos escalan el conocimiento.
Si los controles son débiles, el sistema distribuido se convierte en un cúmulo de datos matemáticos. Si los controles son robustos, se convierte en un motor de inferencia planetario: miles de millones de agentes especializados, cada uno con conocimiento parcial, recompensado por la precisión, penalizado por el error y contribuyendo a un modelo de la realidad en constante actualización.
Esto podría superar el modelo de las megacorporaciones, ya que este centraliza la información accesible del pasado. El modelo distribuido puede monetizar la información privada, local, especializada y verificada del presente.
Por consiguiente, es probable que la arquitectura superior sea híbrida: modelos centrales para el razonamiento y la compresión generales; agentes distribuidos para el conocimiento especializado, los datos personales, la verificación y la actualización en tiempo real del mundo.
S. Tominaga, AKA CSW
Jun 6, 2026
https://x.com/i/status/2063066165870764046
https://t.me/S_Tominaga/5404
La idea central es la de Hayek: el conocimiento está disperso. Un sistema central puede albergar un vasto archivo, pero no puede poseer directamente el conocimiento situado que poseen miles de millones de personas, dispositivos, empresas, especialistas, instrumentos y contextos locales. La centralización gana en formación uniforme, seguridad y densidad computacional. La distribución gana en amplitud, actualidad, localidad y acceso privado a los datos.
Dentro de 10 a 20 años, con agentes quizás entre 10³ y 10⁶ órdenes de magnitud más capaces, la comparación no será "un gran modelo frente a muchos modelos pequeños". Será:
Cinco modelos de centros de datos centrales:
enorme capacidad de computación compartida;
generalización global;
orquestación eficiente;
alta consistencia del modelo;
pero limitados por los datos que se pueden recopilar, licenciar, extraer o centralizar legalmente.
Entre diez y cien mil millones de agentes especializados distribuidos
cada uno entrenado o adaptado con datos locales, privados o especializados;
cada uno observando una porción diferente de la realidad;
cada uno capaz de contrastar afirmaciones con su propio dominio;
cada uno actualizando una red mediante reputación, ponderación bayesiana e incentivos económicos;
pero vulnerables al ruido, el fraude, los ataques Sybil, los datos adversarios y los costos de coordinación.
El modelo centralizado requiere un entrenamiento masivo más formal. El sistema distribuido dispone de más información general sobre el mundo.
Esta distinción es importante. Un modelo de aprendizaje automático (LLM) entrenado con datos de internet públicos recibe información pública promedio: repetición, propaganda, afirmaciones obsoletas, marketing, modas y errores. Un sistema distribuido puede incluir información que nunca llega al corpus público: registros privados, juicios profesionales, condiciones locales, experiencia comercial, datos de sensores, resultados de laboratorio, fallos operativos, observaciones médicas, documentos legales, datos de ingeniería y contexto personal.
La ventaja científica reside en tratar a cada agente como una fuente de evidencia incierta. Una red bayesiana no necesita que todos los nodos tengan razón. Es necesario ponderar cada informe según su fiabilidad previa, la competencia en el dominio, la independencia, el coste del engaño y el éxito predictivo. Los nodos deficientes se descartan. Los nodos fiables adquieren mayor influencia. Las predicciones precisas repetidas se convierten en capital.
Por lo tanto, la competencia futura no se limita a un mero cálculo. Se utilizan modelos computacionales a escala; los incentivos distribuidos escalan el conocimiento.
Si los controles son débiles, el sistema distribuido se convierte en un cúmulo de datos matemáticos. Si los controles son robustos, se convierte en un motor de inferencia planetario: miles de millones de agentes especializados, cada uno con conocimiento parcial, recompensado por la precisión, penalizado por el error y contribuyendo a un modelo de la realidad en constante actualización.
Esto podría superar el modelo de las megacorporaciones, ya que este centraliza la información accesible del pasado. El modelo distribuido puede monetizar la información privada, local, especializada y verificada del presente.
Por consiguiente, es probable que la arquitectura superior sea híbrida: modelos centrales para el razonamiento y la compresión generales; agentes distribuidos para el conocimiento especializado, los datos personales, la verificación y la actualización en tiempo real del mundo.
S. Tominaga, AKA CSW
Jun 6, 2026
https://x.com/i/status/2063066165870764046
https://t.me/S_Tominaga/5404
Comments
Be the first to add a comment
Log in to comment