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 experimentos de nicho, y por qué XYO construyó una Layer-1 hecha a medida para gestionar 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 contundente: “Primero, creo que XYO va a tener ocho mil millones de nodos”, dijo, llamándolo un objetivo ambicioso, aunque cree que se ajusta a 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 Foro Económico Mundial según la cual DePIN podría expandirse desde aproximadamente las decenas de miles de millones actuales hasta alcanzar los billones para 2028.

Para XYO, la escala no es algo hipotético. Uno de los presentadores señaló que la red ha crecido “con más de 10 millones de nodos”, preparando el terreno para una conversación menos centrada en el “qué pasaría si” y más en lo que 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 los deepfakes y el colapso de la confianza en los medios, Levin sostuvo que el cuello de botella de la IA no es solo la computación: es la procedencia. “Mientras que con DePIN, lo que puedes hacer es que puedes, eh, probar de dónde proviene el dato”, 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 necesiten una verdad de base.

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 verificable, o solicitar nuevos datos específicos desde una red descentralizada en lugar de extraer fuentes poco confiables.

Por qué una Layer-1 nativa de datos importa

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 obligó a hacerlo.

Explicó el objetivo de diseño de forma simple: “La blockchain no puede hincharse… y está construida, básicamente, para datos”.

El enfoque de XYO se centra en mecanismos como Proof of Perfect y restricciones estilo “lookback” destinadas a mantener los requisitos de los nodos ligeros, incluso a medida que 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 teléfonos móviles en nodos de la red XYO.

En lugar de empujar a los usuarios a la volatilidad inmediata de tokens, la app utiliza puntos vinculados al dólar y opciones de redención más amplias—y luego integra a los usuarios en rieles cripto con el tiempo.

Modelo dual de tokens: alineando incentivos con XL1

Levin dijo que el sistema de doble token está diseñado para separar las recompensas/seguridad del ecosistema de los costos de actividad en la cadena. “Estamos extremadamente emocionados con este sistema de doble token”, 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 de nivel de mapeo

Levin señaló nuevas asociaciones como el impulso inicial de “killer app” dentro del ecosistema DePIN más amplio, citando un acuerdo con Piggycell—una gran red de carga sudcoreana 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 punto de interés (horas, fotos, información de sede), afirmando que un importante socio de geolocalización encontró problemas en su propio conjunto de datos “en el 60% de los casos”, mientras que los datos provenientes de XYO eran “99.9% correctos”, lo que habilita mapeo posterior para grandes empresas.

En conjunto, el mensaje de Levin fue consistente: si la IA y las RWAs necesitan entradas confiables, el siguiente frente competitivo puede estar menos en modelos más rápidos—y más en pipelines de datos verificables anclados en el mundo real.