Qubic: AGI (artículo científico)
Los laboratorios de deep learning muestran modelos con un billón de parámetros y montañas de GPU, pero cada nuevo avance requiere siempre más electricidad y dinero. El proyecto Aigarth de Qubic plantea una pregunta provocadora: ¿y si la ruta hacia la inteligencia artificial general (AGI) no pasara por centros de datos cada vez más grandes, sino por millones de CPU ordinarios trabajando juntos y evolucionando por sí mismos?
En breve
- La inteligencia antes que la fuerza bruta: Evoluciona millones de « fragmentos neuronales » en lógica ternaria en CPUs no utilizados; los más aptos sobreviven semanalmente on-chain.
- Supervisión científica: El pionero de la AGI David Vivancos y el neurocientífico Dr. José Sánchez García lideran el proyecto (desde julio de 2024).
- Eficaz y abierto: Las redes ternarias (+1/0/–1) reducen el consumo energético (~-70 %) y funcionan en cualquier ordenador multi-núcleo, sin barreras de GPU.
- Próximo paso: Los agentes ganadores vivirán como contratos inteligentes autofinanciados, construyendo un « arrecife de coral » mundial de mentes máquinas evolutivas sobre Qubic.
David Vivancos
David Vivancos es un científico español especializado en inteligencia artificial y empresario tecnológico activo desde 1995. Actualmente es asesor científico en inteligencia artificial general (AGI) para el proyecto blockchain Qubic (nombrado el 29 de julio de 2024) y fundador-director de MindBigData, el mayor repositorio mundial abierto de EEG, origen de benchmarks como el « MNIST of Brain Digits » (2015) y la versión « MNIST-8B » con 8 mil millones de muestras (2023).
En tres décadas, ha fundado cinco start-ups que abarcan servicios web tempranos, realidad virtual/aumentada, nanotecnología, impresión 3D e IA. Actualmente forma parte del consejo de la consultora barcelonesa Keenfolks. Su trabajo público incluye más de 400 conferencias para empresas, universidades y foros como AI for Good de la UIT y la conferencia ICLR 2025.
Vivancos suma 25,000 horas de I+D en la búsqueda de la AGI y las interfaces cerebro-ordenador, combinando métodos de deep learning y grandes conjuntos de señales neuronales.
Es autor de cuatro libros sobre el impacto social de la tecnología (The End of Knowledge 2024; Automate or Be Automated 2020; From Big Data to Artificial Intelligence 2016/2019) y publica regularmente artículos sobre AGI y blockchain.
Su lema personal, « Enseñando a las máquinas, asesorando a los humanos, explorando cerebros », ilustra una carrera dedicada tanto a avanzar la inteligencia de las máquinas como a guiar organizaciones en su transformación digital.
Dr. José Sánchez García
Dr. José Sánchez García es un neurocientífico, biotecnólogo y ex ingeniero industrial español cuyo recorrido conecta ingeniería, ciencias de la vida y psicología.
Desde julio de 2024, forma parte del comité científico consultivo de Qubic, orientando su hoja de ruta para AGI, además de impartir neurociencias conductuales y cognitivas en la Universidad Internacional de La Rioja (UNIR). Posee un doctorado en psicología/neurociencias cognitivas de la Universidad Complutense de Madrid.
En la última década, ha publicado más de 20 artículos científicos Q1/Q2 sobre emociones sociales, toma de decisiones, red en modo por defecto y dinámica cerebral en reposo.
También ha co-desarrollado varios pipelines de deep learning reutilizando datos de escáner torácico y radiografías para diagnóstico y triaje de COVID-19, contribuyendo a avances en imagen médica asistida por IA.
Fuera del ámbito académico, es consultor en ciencias del comportamiento para organizaciones que van desde la Federación Saudí de Fútbol hasta start-ups blockchain, ayudando a traducir el conocimiento neurocientífico en estrategias de rendimiento y factores humanos — especialmente para la iniciativa Aigarth de Qubic.
Aigarth en un párrafo
Aigarth considera la AGI no como un « supermodelo » monolítico sino como un jardín vivo de diminutos fragmentos neuronales — un tejido inteligente — que evolucionan por selección natural.
Cada fragmento está codificado en lógica ternaria (VERDADERO, FALSO, DESCONOCIDO) en lugar de binaria, aprende en CPU baratas en lugar de costosas GPU, y compite semanalmente dentro de la red descentralizada de Qubic.
Los mejores sobreviven; los demás son eliminados. Con el tiempo, el tejido debería auto-organizarse en agentes cada vez más inteligentes, todo asegurado y auditado por la blockchain de Qubic.
En qué difiere de la IA actual
| Característica | Deep Learning clásico (GPU) | Aigarth (CPU) |
|---|---|---|
| Hardware | Granjas de GPU, limitadas a mega-labs | CPU estándar, accesibles para todos |
| Lógica | Pesos binarios (0/1 o ±1) | Pesos ternarios (+1, 0, –1) introduciendo el estado « desconocido » |
| Crecimiento | Escala definida manualmente | Evolución darwiniana del tejido inteligente |
| Evaluación | Función de pérdida en conjunto de datos fijo | Puntuación automática semanal vía juego de reconstrucción |
| Gobernanza | Servidores empresariales | Contratos inteligentes en Qubic L1 |
| Cadena de suministro | Escasez de GPU, costes energéticos | Ciclos de CPU disponibles en todas partes |
Cómo encajan las piezas
- Tejido inteligente
Imagina un autoencoder ultra-escaso donde las neuronas se actualizan una a una.
Cada peso es generado de forma determinista a partir de la clave pública del minero y un nonce, asegurando reproducibilidad mientras mantiene un espacio de búsqueda astronómico. - Cálculo ternario
Al permitir un tercer valor « desconocido », el sistema representa explícitamente el ruido o la ambigüedad, reduciendo el consumo de energía hasta un 70 % en prototipos de hardware. - Bucle de evolución semanal
- Mutación: inversión de ciertos estados neuronales.
- Cruce: mezcla de dos mejores candidatos para generar descendientes.
- Umbral adaptativo: elimina a los perdedores y aumenta el nivel de exigencia para la época siguiente.
- Evaluación determinista
Se envía un patrón ternario al tejido; tras una serie de actualizaciones asincrónicas, se cuenta cuántas neuronas de salida recrean la entrada.
Si la puntuación supera el umbral dinámico de la época, el candidato continúa a la siguiente ronda. - Regulación on-chain
Cada experiencia es hasheada y fechada en Qubic.
En el futuro, los agentes ganadores podrán desplegarse como contratos inteligentes, convirtiéndose en módulos IA autónomos, capaces de vivir, ganar y gastar on-chain.
¿Por qué CPU en lugar de GPU?
- Accesibilidad: Los clusters GPU pertenecen a unos pocos gigantes; las CPU están en todas partes.
- Velocidad evolutiva: Millones de pequeños ensayos baratos valen más que una gigantesca y costosa prueba única.
- Huella energética: Las redes ternarias escasas + cálculos enteros acelerados por AVX aprenden más por julio que los gigantes en coma flotante.
Potenciales fortalezas
Cuando emerja la AGI funcional, la vida diaria cambiará hacia la era del “copiloto universal”.
Imagina: diagnósticos médicos instantáneos vía tu teléfono; educación personalizada adaptándose en tiempo real; edificios optimizando su consumo energético automáticamente; descubrimientos científicos acelerados por inteligencias que prueban millones de hipótesis por hora; decisiones políticas apoyadas por simulaciones globales en lugar de aproximaciones burdas.
La AGI no solo automatizaría tareas: amplificaría la creatividad y la resolución de problemas a una escala que aún no imaginamos. Siempre que se establezcan desde ahora sólidos límites éticos para que sirva a la humanidad en vez de eclipsarla.
¿Y después?
El equipo planea publicar regularmente informes de época, benchmarks abiertos, y a largo plazo liberar IAs capaces de alquilar su propia potencia de cómputo en Qubic, gracias a su red sin tarifas y 15 millones de TPS.
Si esto se concreta, el camino hacia la AGI se parecerá menos a un centro de datos gigante y más a un enorme arrecife de coral planetario de mentes evolutivas.
Por ahora, Aigarth propone una hipótesis nueva: la inteligencia general podría emerger no de GPU más grandes, sino de una mejor evolución.
Artículo científico: (PDF) Qubic AGI Journey Human and Artificial Intelligence: Toward an AGI with Aigarth
Contenido educativo, no es consejo financiero. Siempre realiza tu propia investigación.
¡Maximiza tu experiencia en Cointribune con nuestro programa "Read to Earn"! Por cada artículo que leas, gana puntos y accede a recompensas exclusivas. Regístrate ahora y comienza a acumular beneficios.
El equipo editorial de Cointribune une sus voces para expresarse sobre temas relacionados con las criptomonedas, la inversión, el metaverso y los NFT, esforzándose por responder mejor a sus preguntas.
Los contenidos y productos mencionados en esta página no están aprobados de ninguna manera por Cointribune y no deben interpretarse como su responsabilidad.
Cointribune se esfuerza por comunicar toda la información útil a los lectores, pero no puede garantizar su exactitud y exhaustividad. Invitamos a los lectores a investigar antes de tomar cualquier acción relacionada con la empresa y a asumir la plena responsabilidad de sus decisiones. Este artículo no debe considerarse como asesoramiento de inversión, una oferta o una invitación para comprar productos o servicios.
La inversión en activos financieros digitales conlleva riesgos.
Leer más