La inteligencia artificial ejecutada directamente en un ordenador portátil se acerca, según Vitalik Buterin, a un punto de utilidad práctica para una parte amplia de las tareas cotidianas. El cofundador de Ethereum sostiene que los avances recientes permiten mantener más contexto del usuario fuera de servicios remotos, aunque advierte de que los monederos de criptomonedas todavía necesitan controles adicionales antes de confiar a un modelo el acceso a los activos.
Modelos locales más rápidos y con mayor margen de uso
Buterin compartió el 17 de septiembre sus impresiones tras probar Qwen 3.8 Flash y las mejoras incorporadas a llama.cpp en un portátil con procesador Strix Halo. A su juicio, un modelo local ya puede encargarse de una “gran parte” de las tareas, en lugar de limitarse a funciones acotadas como transcribir, resumir o responder a consultas sencillas.
Cuando el trabajo exige más capacidad, el modelo instalado en el equipo puede coordinarse con sistemas remotos más potentes. La diferencia está en que el servicio externo recibe únicamente la pregunta o el contexto que el modelo local decide compartir, no el conjunto de archivos, mensajes y datos personales necesarios para comprender toda la situación del usuario.
La imagen de referencia publicada por Buterin incluía 10 cargas de trabajo. Las tasas de procesamiento de entrada se situaban entre 109,82 y 373,22 tokens por segundo, mientras que la generación de respuestas oscilaba entre 18,42 y 33,37 tokens por segundo. Son cifras obtenidas en un portátil de alta gama y sirven para ilustrar una respuesta suficientemente ágil, pero no resuelven por sí solas cuestiones como la capacidad de juicio del modelo, su resistencia a instrucciones maliciosas o la autorización de transacciones.
La valoración supone un cambio respecto a la que Buterin ofreció en abril. Entonces describía Qwen3.5:35B como una herramienta capaz de realizar tareas delimitadas y programación conocida, pero consideraba que los agentes autónomos avanzados, capaces de trabajar de forma continuada sobre una base de código, todavía quedaban fuera del alcance práctico de los portátiles.
La capacidad del modelo no equivale a autoridad sobre los fondos
Qwen 3.8-Flash-Next, desarrollado por el equipo de Qwen de Alibaba, es un modelo multimodal de mezcla de expertos con pesos abiertos. Su modelo principal tiene 125.000 millones de parámetros, a los que se suman otros 51.000 millones en tablas de representación de n-gramas; en cada token se activan 6.000 millones de parámetros. La ejecución local de texto e imágenes puede realizarse mediante llama.cpp con versiones cuantizadas en formato GGUF.
La activación parcial reduce la carga de cálculo, aunque el equipo debe disponer de memoria suficiente para la versión elegida y para el contexto utilizado. La documentación oficial no fija un requisito mínimo de hardware válido para todas las cuantizaciones y cargas de trabajo.
Los resultados publicados por Qwen cubren 14 pruebas de conocimiento general, matemáticas, ciencia, razonamiento, programación y comprensión multilingüe. El equipo afirmó que Flash-Next superó al modelo base Qwen3.7-Plus en ocho de ellas, con menos parámetros activados y menor coste de entrenamiento. Esas evaluaciones miden capacidad, eficiencia y estabilidad, pero no la resistencia a inyecciones de instrucciones, la aplicación de políticas de seguridad ni la corrección de acciones financieras autónomas.
Un asistente puede explicar una operación, preparar los datos de una transacción o proponer una ruta. El firmante, en cambio, puede autorizar una transferencia irreversible o conceder a un contrato permiso para mover activos. Una instrucción maliciosa escondida en una página web, un mensaje o la descripción de una operación podría alterar el plan del modelo, incluso si su razonamiento general es más preciso.
El modelo propone; las reglas y el usuario autorizan
El ecosistema de Ethereum ya explora esta separación. En su actualización de asignación correspondiente al segundo trimestre, la Ethereum Foundation incluyó Steward, un monedero de cuenta inteligente para macOS cuyo cliente ligero y asistente de inteligencia artificial están concebidos para ejecutarse en el propio dispositivo. La información confirma la financiación y el alcance del proyecto, pero no establece que exista un despliegue en producción, una auditoría independiente o capacidad para autorizar transacciones de forma autónoma.
Las directrices de Buterin de abril planteaban mantener la decisión fuera del modelo mediante una barrera de confirmación humana para las acciones arriesgadas, límites deterministas sobre importes, datos de llamada y número de transacciones, y una regla de aprobación conjunta 2 de 2 entre la persona y el modelo. Las operaciones de bajo riesgo, como consultar saldos o preparar transacciones sin firmar, podrían permanecer automatizadas dentro de permisos estrictamente definidos.
El borrador EIP-7906 propone además comprobaciones posteriores que examinen los cambios de estado producidos por una transacción. Así, un monedero podría verificar que un intercambio solo modificó saldos autorizados, que no apareció una aprobación oculta de tokens o que una cuenta protegida permaneció intacta. La protección depende de que las reglas cubran todos los cambios relevantes.
La IA local puede preservar mejor el contexto privado y ofrecer una interfaz rápida para proponer acciones. La autoridad sobre los fondos debe seguir descansando en límites que el modelo no pueda modificar, comprobaciones deterministas y una aprobación humana efectiva cuando el riesgo lo exija.
