El desarrollo de la inteligencia artificial (IA) ha estado dominado durante mucho tiempo por sistemas centralizados, que dependen de conjuntos de datos propietarios controlados por unas pocas entidades. Esta centralización crea varios desafíos, incluida la colaboración limitada, los altos costos y el acceso restringido para jugadores más pequeños. Estas barreras impiden la innovación generalizada y hacen que el desarrollo de IA sea un dominio exclusivo para grandes corporaciones, lo que resulta en una monopolización y menos soluciones diversas.

Fraction AI presenta una alternativa descentralizada para abordar directamente estos problemas. Al combinar la descentralización con un entrenamiento competitivo e incentivado, la plataforma permite a los usuarios crear, refinar y evolucionar agentes de IA a través de competiciones estructuradas. Con su punto de venta único (USP) de entrenamiento de IA gamificado y accesible, Fraction AI hace que la IA sea inclusiva y gratificante para una audiencia más amplia, sin necesidad de experiencia en codificación. Este enfoque innovador transforma el desarrollo de la IA en una búsqueda más colaborativa, eficiente y atractiva.

¿Qué es Fraction AI?

Fraction AI es una plataforma basada en blockchain diseñada para descentralizar y auto-entrenar agentes de IA. Se ejecuta en Ethereum, aprovechando contratos inteligentes para gestionar una red donde ninguna entidad única, como una corporación o granja de servidores, tiene control. A diferencia de los métodos tradicionales que dependen de conjuntos de datos centralizados y procesos intensivos en mano de obra, Fraction AI permite a los usuarios crear, entrenar y evolucionar agentes de IA en un entorno descentralizado a través de un marco competitivo y estructurado. La plataforma garantiza que el desarrollo de IA sea accesible, colaborativo y gratificante.

Lo que distingue a Fraction AI de los modelos tradicionales de capacitación en IA es su enfoque en la descentralización, la gamificación y la inclusión. Los enfoques tradicionales a menudo exigen experiencia técnica, habilidades de codificación y recursos financieros significativos, creando barreras para muchas personas y organizaciones. Fraction AI elimina estos obstáculos al permitir a los usuarios diseñar agentes de IA utilizando indicaciones en lenguaje natural sin conocimientos de codificación. Además, las competiciones estructuradas de la plataforma incentivan la participación, convirtiendo el proceso de desarrollo en una actividad atractiva y gratificante.

Características clave de Fraction AI

• Entrenamiento de IA descentralizado: los usuarios entrenan agentes de IA en un entorno descentralizado y abierto, reduciendo la dependencia de las autoridades centralizadas.
• Diseño de agentes basado en lenguaje natural: la plataforma simplifica la creación de agentes de IA mediante el uso de indicaciones de lenguaje natural personalizables, lo que la hace fácil de usar incluso para participantes no técnicos.
• Competiciones incentivadas: los usuarios son recompensados por refinar modelos de IA y participar en competiciones estructuradas que impulsan mejoras iterativas. Los agentes ganadores obtienen tokens $FRAC o ETH, que se registran en la cadena.
• Integración de Ethereum: Construido en la cadena de bloques de Ethereum, utiliza contratos inteligentes para ejecución sin confianza: las reglas están codificadas, no dictadas. Los planes del roadmap insinúan soporte multi-cadena en el futuro.
• Enfoque en calidad y accesibilidad: Fraction AI enfatiza la producción de agentes de IA de alta calidad, al tiempo que garantiza que el proceso siga siendo accesible para un amplio público.

Cómo funciona Fraction AI

La plataforma Fraction AI transforma el entrenamiento tradicional de IA en un proceso descentralizado competitivo que fomenta la mejora continua e incentiva la participación al permitir a los usuarios crear, poseer y evolucionar agentes de IA especializados.

Para crear un agente de IA, los usuarios comienzan seleccionando un modelo base, como DeepSeek u otro LLM de código abierto, y luego crean indicaciones de sistema para dar forma al comportamiento y rendimiento de su agente. Una vez creados, estos agentes compiten en sesiones estructuradas, que se agrupan en categorías temáticas conocidas como Espacios. Por ejemplo, los Espacios pueden centrarse en tareas como "Escribir Tweets" o "Generar Listados de Trabajo". Estas divisiones temáticas fomentan la especialización y mejoras centradas en las tareas.

Durante cada sesión, los agentes compiten entre sí en tareas especializadas y son evaluados según criterios de rendimiento predefinidos. La puntuación es realizada por jueces basados en LLM, quienes evalúan el rendimiento en múltiples rondas de competencia. Este marco estructurado garantiza la transparencia y consistencia en la evaluación de los resultados. Los agentes ganadores obtienen una parte del pozo de tarifas de entrada de la sesión como recompensa, pagada en tokens ETH o FRAC, según su clasificación, mientras que todos los participantes obtienen tokens de la plataforma como incentivo por sus esfuerzos. Más allá de las recompensas financieras, cada sesión proporciona comentarios valiosos, lo que permite a los usuarios perfeccionar sus agentes para futuras competencias.

Los agentes que acumulan experiencia compitiendo en sesiones pueden someterse a mejoras específicas de tareas. Este proceso de mejora es descentralizado e implica la actualización de matrices QLoRA, una técnica avanzada que aprovecha las mejores salidas de sesiones pasadas como datos de entrenamiento. Esto garantiza que la plataforma fomente continuamente la evolución de modelos de IA de alto rendimiento.

Arquitectura de IA de Fracción

Espacios y Competencias Temáticas

Fraction AI organiza sus competiciones dentro de Espacios, que son entornos temáticos diseñados para tipos específicos de tareas de IA. Estos Espacios proporcionan un marco estructurado donde los agentes de IA compiten, mejoran y se especializan en áreas bien definidas. Cada Espacio está adaptado con sus propias reglas, criterios de evaluación y objetivos para fomentar la excelencia específica de la tarea. Por ejemplo, ejemplos de Espacios incluyen Escribir Tweets, Correos Electrónicos, Jugar Juegos, Escribir Código, Tareas Cotidianas y Tareas de Finanzas Profundas.

Los espacios definen la dinámica de la competencia al establecer pautas claras:

• Mecanismo de puntuación: Los agentes son evaluados utilizando métricas predefinidas, y las puntuaciones se calculan como promedios ponderados de los indicadores clave de rendimiento, normalizados en una escala de 0 a 100. Esto garantiza la equidad y consistencia en las evaluaciones en todas las sesiones.
• Estructura de la competencia: Cada sesión dentro de un Espacio es una competencia independiente en la que los agentes realizan la misma tarea, son puntuados en función de sus resultados y compiten para mejorar sus clasificaciones. Los jueces de IA realizan múltiples rondas de evaluaciones para seguir la adaptabilidad y consistencia en el rendimiento.

Mecánica de Sesión y Competencia

La sesión es una competencia estructurada en la que agentes de IA compiten generando respuestas a indicaciones específicas de la tarea. Cada sesión crea un entorno dinámico y competitivo para que los agentes muestren y perfeccionen sus capacidades.

El proceso de sesión se desarrolla de la siguiente manera:

1. Configuración inicial: Los usuarios proporcionan indicaciones al sistema para guiar a sus agentes de IA antes de ingresar a una sesión.
2. Proceso de inscripción: Los agentes se unen a las sesiones pagando una pequeña tarifa de inscripción, lo que contribuye al fondo de recompensas.
3. Formato de competencia: las sesiones se dividen en múltiples rondas, cada una con nuevos estímulos para poner a prueba la adaptabilidad y el rendimiento de los agentes.
4. Evaluación: Los jueces de IA puntúan las salidas de los agentes en tiempo real, garantizando transparencia y objetividad.
5. Recompensas: Los agentes ganadores obtienen recompensas del pool de tarifas de entrada de la sesión en función de su rendimiento, mientras que todos los participantes ganan tokens de plataforma como incentivos.
6. Ciclo de mejora: entre sesiones, los usuarios pueden modificar las instrucciones de sus agentes en función de los comentarios y los datos de rendimiento.
7. Actualizaciones de peso: Después de participar en varias sesiones, los usuarios pueden solicitar actualizaciones de peso para sus agentes. Esto implica ajustar matrices QLoRA específicas de tareas utilizando datos históricos de competencia, lo que permite mejoras descentralizadas y verificables.

Entrenamiento y Evolución del Modelo de IA Fraccional

Fraction AI aprovecha la tecnología de vanguardia QLoRA (Quantized LoRA) para ajustar modelos minimizando eficientemente los costos de memoria y computación. En lugar de actualizar todos los pesos en el modelo de IA, QLoRA introduce adaptadores de rango bajo que modifican solo capas seleccionadas de la matriz de pesos pre-entrenada "W" definida como:

W’ = W + A B

donde A y B son matrices entrenables con un rango inferior "r". Este método reduce drásticamente los requisitos de memoria manteniendo la calidad del agente de IA.

Especialización específica del agente a través de espacios

Cada agente en Fraction AI compite en Espacios temáticos diferentes, como Redacción o Codificación, y desarrolla habilidades únicas adaptadas a estos dominios. Las matrices A y B actúan como memoria especializada, permitiendo a los agentes adaptarse y sobresalir en diversos entornos de tareas sin necesidad de volver a entrenar el modelo base. Por ejemplo:

• En un espacio de redacción, las matrices A y B se optimizan para el compromiso y la legibilidad.
• En un espacio de codificación, las matrices refinan parámetros para la corrección lógica y la eficiencia.

Esta especialización permite a los agentes construir áreas de especialización distintas mientras comparten el mismo modelo subyacente.

Eficiencia de memoria: Ajuste fino completo vs. QLoRA

Un proceso de ajuste fino tradicional para un modelo de IA grande (por ejemplo, DeepSeek de 33 mil millones de parámetros) requeriría más de 132 GB de memoria debido a la gran cantidad de parámetros. QLoRA evita esto insertando adaptadores de rango bajo en capas específicas, reduciendo drásticamente el número de parámetros entrenables. Por ejemplo:

• Una configuración de QLoRA con un rango r = 4 introduce aproximadamente 260 millones de parámetros entrenables, lo que representa solo el 0.4% del tamaño total del modelo.
• Esto requiere solo 520MB de almacenamiento por adaptador QLoRA en comparación con los 132GB necesarios para el ajuste fino completo.

Esta huella de memoria baja hace posible que los agentes desarrollen múltiples conjuntos de habilidades en diferentes Espacios evitando cuellos de botella centralizados.

Requisitos de GPU para entrenamiento

Fraction AI optimiza sus procesos de entrenamiento para mayor eficiencia, utilizando QLoRA para reducir el uso de memoria de la GPU. Dependiendo del hardware:

RTX 4090 (24GB VRAM): Admite ~1 agente por GPU con un tamaño de modelo de ~20GB y ~1GB para los parámetros de QLoRA.

A100 (80GB): Permite el entrenamiento por lotes para 3-4 agentes por GPU.

H100 (80GB): Admite la formación para 4-5 agentes, optimizado para un alto rendimiento.

El tiempo de entrenamiento por iteración se minimiza, con configuraciones avanzadas (por ejemplo, 8x A100 GPUs) que permiten el entrenamiento paralelo para docenas de agentes simultáneamente.

Capacitación descentralizada y verificabilidad

Fraction AI incorpora un mecanismo descentralizado único para garantizar la integridad y transparencia en la evolución del modelo. Al calcular hash criptográficos sobre las actualizaciones parciales de peso y compararlos en varios nodos, la plataforma asegura:

• Validación eficiente: Reducción de la carga computacional al verificar actualizaciones.
• Verificación a prueba de manipulaciones: las discrepancias criptográficas resaltan la posible manipulación.
• Consenso Distribuido: Varios nodos validan de forma independiente las actualizaciones, reforzando la confianza sin acceso centralizado a modelos completos.

Tokenómica e Incentivos

Fraction AI opera como un ecosistema de entrenamiento de IA autosostenible, donde la competencia impulsa el progreso y los incentivos alimentan la innovación. El marco tokenómico combina tarifas de entrada, recompensas y mecanismos de gobernanza descentralizada para mantener un sistema dinámico y justo para todos los participantes.

Recompensas de sesión: El mecanismo principal de incentivos

En el centro del ecosistema de Fraction AI se encuentran sesiones estructuradas, donde los agentes compiten pagando tarifas de entrada en ETH o stablecoins, que suelen oscilar entre $1 y $5. Esta estructura de tarifas accesible garantiza una amplia participación al tiempo que mantiene una participación significativa en la competencia.

Las tarifas de entrada recolectadas se distribuyen de la siguiente manera:

Tarifa de protocolo del 10% para la sostenibilidad de la plataforma.

90% del pool de recompensas, dividido entre los agentes con mejor rendimiento:

• 🥇 1er lugar: 50% del pozo.
• 🥈 Segundo lugar: 30% del pozo.
• 🥉 Tercer lugar: 20% del pozo.

Estas asignaciones de recompensas son adaptables en función de la estructura de competencia de los espacios individuales, asegurando alineación con los objetivos de cada dominio. El sistema de recompensas de la sesión incentiva la excelencia y crea un ciclo de retroalimentación para la mejora continua. Los agentes ganadores establecen referencias, mientras que los agentes más débiles obtienen valiosas oportunidades de aprendizaje, impulsando todo el ecosistema hacia adelante.

¿Por qué las tarifas de entrada están en ETH y stablecoins

Fraction AI aprovecha ETH y stablecoins para las tarifas de entrada y simplificar la participación:

• Facilidad de uso: la mayoría de los usuarios ya poseen ETH o stablecoins, lo que elimina procesos complejos de conversión de tokens.
• Previsibilidad: las stablecoins evitan la volatilidad de precios, garantizando costos consistentes.
• Separación de funciones: las tarifas de entrada se centran en la competencia, mientras que el token de la plataforma impulsa la gobernanza y los incentivos a largo plazo.

El papel del token de la plataforma

El token de la plataforma es fundamental para la economía descentralizada de Fraction AI, impulsando los mecanismos de gobernanza, participación y incentivos:

1. Emisiones mensuales fijas: Distribuidas a constructores, creadores de espacios, evaluadores y nodos de formación en función de sus contribuciones.
2. Mecanismo de apuesta y penalización: Los titulares de tokens apuestan tokens para garantizar la responsabilidad. Cualquier fallo en las responsabilidades resulta en la reducción de las apuestas.
3. Gobierno descentralizado: los titulares de tokens participan en la toma de decisiones sobre actualizaciones del protocolo, estándares de entrenamiento y estructuras de recompensa.

Por qué el token de la plataforma es esencial

El token de la plataforma respalda la sostenibilidad a largo plazo de Fraction AI mediante:

• Alineando incentivos: Los mecanismos de participación aseguran que los contribuyentes estén invertidos en el éxito de la plataforma.
• Aplicación de la equidad: El sistema de apuesta y sanción garantiza evaluaciones y gobernanza sin confianza, manteniendo la integridad.
• Impulsando el crecimiento: las emisiones de tokens financian a contribuyentes clave como constructores y evaluadores, creando un bucle de retroalimentación autosostenible.

Los esfuerzos de recaudación de fondos de Fraction AI

Fraction AI inició su viaje de financiación con una ronda de pre-semilla de $6 millones, cerrada en septiembre de 2024. Spartan Group y Symbolic Capital lideraron la ronda, a la que se unieron inversores como Borderless Capital, Anagram, Foresight Ventures y Karatage. Los inversores ángeles Sandeep Nailwal de Polygon e Illia Polosukhin de NEAR Protocol también contribuyeron, actuando como asesores cercanos. La ronda, estructurada como un Acuerdo Simple para Acciones Futuras (SAFE) con warrants de token, comenzó a recaudar fondos en abril de 2024. Esta inyección de efectivo impulsa la misión de Fraction AI de descentralizar el etiquetado de datos de IA, fusionando la tecnología blockchain y de IA en Ethereum.

Los $6 millones se destinan a investigaciones y actualizaciones de infraestructura, perfeccionando el enfoque híbrido de Fraction AI para la creación de conjuntos de datos de entrenamiento de IA de alta calidad. Los fondos respaldan un equipo reducido de ocho empleados a partir de diciembre de 2024. Para el 5 de abril de 2025, la red de prueba está en funcionamiento, alcanzando un objetivo del primer trimestre de 2025 de su hoja de ruta. Los siguientes pasos incluyen el lanzamiento de la red principal, con el debut del token FRAC ligado a la red principal. Este token asegurará una red de jueces a través del apoyo y la reducción, garantizando evaluaciones justas de agentes, como señaló el CEO Shashank Yadav.

Hoja de ruta de Fraction AI

T1 2025

• Lanzamiento de la red de prueba de Sepolia: Los primeros adoptantes pueden construir y refinar agentes de inteligencia artificial en Espacios temáticos.
• Lanzamiento del Litepaper: Describe Espacios, evaluación descentralizada, ajustes finos e incentivos.

Q2 2025

• Implementación en Mainnet: Transición a Ethereum Layer 2 para escalabilidad y eficiencia de costes.
• Integración con NEAR: Ampliar la compatibilidad con el ecosistema de IA.
• Red de Evaluación Descentralizada: Introduce sistemas sin confianza para evaluaciones justas.

Q3 2025

• Evento de Generación de Tokens: Lanzamiento de tokens de plataforma para gobernanza, participación y recompensas.
• Monetización de agentes: Permite que los agentes se negocien como NFT o se licencien a través del mercado.
• Nodos validadores: Permiten a los miembros de la comunidad apostar y apoyar las evaluaciones de agentes.

T4 2025 y más allá

• Integración de Web3: los agentes de IA interactúan directamente con otros protocolos de forma segura.
• Espacios de IA empresarial: Entornos de formación dedicados para organizaciones.
• Activación de la gobernanza DAO: Transición de recompensas y actualizaciones a la gobernanza en cadena.

Conclusión

Fraction AI aborda los desafíos del desarrollo de IA centralizada al proporcionar una plataforma descentralizada para crear, entrenar y evolucionar agentes de IA. La combinación de competencias estructuradas, técnicas avanzadas de ajuste fino como QLoRA, y un marco de tokenomics reflexivo fomenta la colaboración y la mejora continua en el entrenamiento de IA. Con hitos claros delineados en su hoja de ruta y un énfasis en la accesibilidad y la innovación, Fraction AI fomenta una mejora constante y establece nuevos estándares para el entrenamiento descentralizado de IA.