Con la evolución de la tecnología AI, cada vez más datos son alimentados a entidades centralizadas, lo que ha generado preocupaciones entre los usuarios y otras entidades sobre la soberanía y seguridad de los datos. Al mismo tiempo, la aplicación de agentes de AI en escenarios específicos está en aumento, y ciertos escenarios pueden involucrar la privacidad personal de los usuarios. Por lo tanto, los datos privados descentralizados se convertirán en el pilar de la mayor industria del futuro. En este contexto, Nillion ha lanzado su primera red de computación ciega descentralizada, que cuenta con su propio conjunto de configuraciones básicas. A través de estas herramientas, se ayuda a los constructores a desarrollar poderosas aplicaciones que pueden utilizar de manera segura datos de alto valor. Los primeros constructores de la comunidad Nillion están creando herramientas para soluciones de almacenamiento y computación seguras en AI predictiva privada, atención médica, almacenamiento seguro de datos como credenciales, y flujos de trabajo seguros para datos de transacciones. En cuanto a financiamiento, Nillion completó en octubre de 2024 una ronda de financiamiento de 25 millones de dólares liderada por Hack VC, con inversores como HashKey Capital, Animoca Brands, y también ángeles inversores de proyectos como Arbitrum, Worldcoin y Sei. De hecho, ya en 2022, Nillion había completado una ronda de financiamiento de 20 millones de dólares, con Distributed Global como líder. Estas dos rondas de financiamiento han llevado el total acumulado de Nillion a 45 millones de dólares, proporcionando un sólido apoyo para el desarrollo del proyecto. La red Nillion se divide en dos partes: la capa de coordinación (Coordination Layer) nilChain y Petnet (Red de Tecnología de Mejora de Privacidad, Privacy Enhancing Technology Network). Petnet permite a los constructores utilizar tecnologías de mejora de privacidad (PET) para almacenar y calcular datos mientras se mantiene la encriptación de los mismos.

Tanto los agentes de IA de Web2 como de Web3 se basan en modelos de lenguaje de gran tamaño (LLM) como tecnología fundamental. Se puede decir que el auge de los LLM ha hecho que los agentes de IA se conviertan en una realidad y ha allanado el camino para su comercialización. Después de una acumulación temprana de tecnología, los LLM experimentaron una explosión de aplicaciones en 2022. OpenAI lanzó GPT-3.5, logrando un avance significativo en el procesamiento del lenguaje natural, pero en ese momento la AGI no había alcanzado el nivel de "Agente". Desde 2023, varias empresas en todo el mundo han lanzado múltiples modelos de lenguaje de código abierto (LLM), incluidos LLaMA, BLOOM, StableLM y ChatGLM. Plataformas de creación de agentes de IA como Voiceflow también han surgido, y en agosto de 2023, más de 130,000 equipos ya estaban construyendo agentes de IA en Voiceflow. A partir de 2024, la competencia en LLM se intensificará gradualmente, con el lanzamiento continuo de versiones mejoradas de LLM, como Gemini 2.0 y DeepSeek R1, y nuevos LLM, lo que permitirá que más personas se animen a probar debido a la reducción gradual de los costos de uso, la creciente capacidad de análisis y más herramientas de agentes de IA. A medida que el rendimiento de los LLM mejora continuamente, los agentes de IA ya no son solo un concepto en el ámbito de la investigación, sino que se han convertido en herramientas en la realidad. En 2024, Microsoft integró 10 agentes de IA autónomos en Dynamics 365, que pueden completar automáticamente procesos de tareas como atención al cliente, ventas, finanzas y almacenamiento. Google lanzó a finales de ese año el modelo multimodal Gemini 2.0 y, basado en esto, presentó tres nuevos prototipos de agentes, incluido el asistente de modelo grande general Project Astra y el asistente de programación Jules. En 2025, OpenAI lanzó el primer agente de IA Operator, capaz de realizar automáticamente operaciones complejas como escribir código, reservar viajes y compras en línea. A medida que las empresas de LLM lanzan directamente agentes de IA, su objetivo principal es atraer a desarrolladores y creadores para que utilicen su tecnología LLM, expandiendo los escenarios de aplicación y aumentando los ingresos. Esta transición de la investigación a la aplicación también marca la entrada de la tecnología de agentes de IA en una nueva etapa de desarrollo.

Durante mucho tiempo, la tecnología de pruebas de conocimiento cero se consideró una tecnología "teóricamente perfecta, pero lenta en la práctica" debido a su alto costo computacional y velocidad lenta en el proceso de generación, lo que dificultaba cumplir con los estrictos requisitos de tiempo de bloque de la blockchain, obstaculizando su aplicación en escenarios reales. Sin embargo, en 2025, esta situación se transformó por completo, y el rendimiento de ZK ya no es el principal obstáculo para su aplicación. Un avance emblemático es el sistema de prueba SP1 Hypercube desarrollado por el equipo de Succinct. Este sistema demostró con éxito la capacidad de generar pruebas ZK para más del 93% de los bloques de la red principal de Ethereum en un intervalo de tiempo de 12 segundos, con un tiempo promedio de prueba de solo 10.3 segundos. En cuanto a por qué Succinct SP1 Hypercube pudo lograr un avance técnico tan significativo, se puede entender de manera simple como resultado de dos mejoras principales: 🔹 El proceso de generación de pruebas ZK requiere codificar los datos de las transacciones de la blockchain en un polinomio matemático, y este resultado de codificación ayuda a formar la prueba final. Se puede imaginar como meter un montón de equipaje desordenado en una caja. El polinomio utilizado anteriormente se llamaba Polinomios Univariantes, que no se ajustaba bien a la estructura de los datos de la blockchain, como intentar meter objetos cuadrados en una caja redonda, siempre hay espacios vacíos o compresión, lo que hace que la preparación de la codificación sea laboriosa y poco eficiente. SP1 Hypercube inventó un nuevo polinomio (Polinomios Multilaterales) que se adapta mejor a las características multidimensionales de los datos de las transacciones, lo que equivale a diseñar una caja rectangular que puede llenar perfectamente el equipaje. Esto ha reducido drásticamente el tiempo de preparación de la codificación de datos, acelerando la generación de pruebas de minutos a segundos, logrando así pruebas en tiempo real; 🔹 Originalmente, la generación de pruebas era como empacar a mano, todo el proceso se realizaba paso a paso, sin posibilidad de dividirlo. Ahora, SP1 Hypercube utiliza un nuevo algoritmo (incluyendo agregación recursiva y protocolos optimizados) que permite dividir una gran prueba en múltiples tareas de prueba más pequeñas, cada una procesada de forma independiente y luego fácilmente combinadas en una prueba completa. La ventaja de la división es que se puede aprovechar al máximo el procesamiento paralelo de múltiples núcleos de CPU o GPU, como si varias personas empacaran equipaje al mismo tiempo, lo que aumenta la velocidad general, permitiendo seguir el ritmo de un bloque de Ethereum cada 12 segundos, logrando pruebas en tiempo real.