La capa de lectura para la inteligencia de máquinas

Hoy anunciamos una inversión en Grass, la capa de lectura para la inteligencia de las máquinas, de nuestro fondo de cobertura y nuestro fondo de riesgo.

Andrej Radonjic publicó recientemente su plan para que la red Grass genere inteligencia abundante. Creemos que Grass se ha ganado el derecho a perseguir esa ambición y que es uno de los ejemplos más claros de un DePIN que funciona a escala comercial.

En los últimos dieciocho meses, Grass ha implementado incentivos de criptomonedas bien ajustados para reclutar contribuyentes para compartir el ancho de banda subutilizado en sus conexiones a Internet. Esta red de colaboradores ha servido como infraestructura para consultar y analizar la Internet pública, y ha permitido a Grass abrirse camino rápidamente en las tuberías de datos de los laboratorios de frontera. Estos compromisos han requerido la recopilación de enormes cantidades de información, lo que ha hecho que el estado agregado sea utilizable para la capacitación de modelos y lo ha entregado de forma confiable a los clientes cuyos requisitos cambian con cada nueva sesión de capacitación.

Creemos que el mercado entiende a Grass como una red proxy que sirve a los laboratorios de IA a través de datos de preentrenamiento, pero aún no ha fijado un precio en la enorme expansión que es la recuperación de datos en tiempo de inferencia. El equipo de Grass parece estar en una posición única para satisfacer la demanda de información nueva cada vez que un modelo busca en la web para responder una pregunta o un agente recupera el contexto antes de actuar, un mercado probablemente varios órdenes de magnitud más grande que los datos de preentrenamiento porque estas solicitudes se repiten a lo largo de la implementación de un modelo (a diferencia de los conjuntos de datos de preentrenamiento que son entregas únicas para ejecuciones discretas).

Los sistemas de agentes deben buscar y recuperar información cada vez que actúan. Los requisitos de costo y latencia para hacerlo requieren efectivamente la reconstrucción de un índice de la web, uno de los esfuerzos más intensivos en capital que históricamente solo han realizado actores como Google y Microsoft. A medida que Internet crece recursivamente mediante las acciones de los agentes, la recuperación en vivo se convierte en una infraestructura cada vez más crítica. Creemos que Grass tiene una ventaja estructural de costo y acceso al construir y servir esto, las relaciones con los laboratorios que lo consumirán y la capacidad técnica para hacer que todo sea útil para las inteligencias de máquina.

Pasado: Datos de preentrenamiento

Grandes porciones de la Internet pública son inherentemente difíciles de acceder para los laboratorios de IA convencionales durante la capacitación previa. Los sitios web limitan la tasa de tráfico automatizado, presentan contenido diferente en todas las geografías y requieren cada vez más que las páginas se muestren a través de navegadores comunes. Grass abordó esto enrutando las solicitudes a través de millones de conexiones residenciales cuyos propietarios optaron por la red y son compensados por su contribución.

A diferencia de muchas de las redes proxy de la era anterior, Grass no ha necesitado fabricar hardware, adquirir conexiones residenciales a través de acuerdos mayoristas con ISP ni infiltrarse en los dispositivos de los consumidores sin su conocimiento. Los usuarios de todo el mundo ya pagan por estas conexiones y gran parte de su capacidad no se utiliza. Los tokens ayudaron a Grass a reclutar colaboradores y a construir una cobertura geográfica antes de que hubiera suficiente demanda de los clientes para pagarlo, y la red convirtió rápidamente este recurso agregado en algo en lo que los laboratorios de IA podrían confiar para la capacitación previa.

Grass debe ofrecer enormes volúmenes de datos en horarios ajustados, en formatos que los laboratorios puedan usar directamente en sus canales de capacitación. Cada entrega requiere una coordinación estrecha con los equipos de laboratorio y le da a Grass una mejor comprensión de lo que necesitarán a continuación.

En nuestro ensayo de 2023 sobre el diseño de redes DePIN, describimos la "escala de umbral" como el punto en el que el suministro distribuido de una red se vuelve comercialmente útil. Los tokens son particularmente poderosos antes de ese punto porque pueden recompensar a las personas por contribuir a la infraestructura que aún no tiene suficiente cobertura para atraer clientes. La verdadera prueba viene después: si la red puede vender un servicio confiable y eventualmente pagar por el suministro que utiliza.

Grass es una de las pocas redes que hemos encontrado que ha aprobado esa prueba. Más de 6 millones de contribuyentes recibieron recompensas denominadas en dólares, financiadas únicamente a través de los ingresos generados como consecuencia directa de sus contribuciones. Grass reportó 17 millones de dólares en ingresos en 2025 y otros 17 millones en la primera mitad de 2026, con negocios repetidos de casi todos los clientes de IA a los que sirve. Describe el negocio como rentable y ha apuntado a 75 millones de dólares de ingresos para 2026 solo de los datos de capacitación.

Presente: Recuperación de contexto en vivo

El negocio actual de datos de entrenamiento es sustancial y creemos que debería seguir creciendo. Los laboratorios de frontera requieren grandes cantidades de información nueva para modelos de lenguaje cada vez más grandes. Sin embargo, la naturaleza de este producto es inherentemente "punto en tiempo".

Si le preguntas a un modelo lo que una compañía anunció esta mañana, o si un vuelo se ha retrasado o lo que un sitio web dice en este momento, la información almacenada en sus ponderaciones no será suficiente. Tiene que buscar una fuente, abrir la página relevante y leerla en vivo. Un agente que trabaja en una tarea más compleja puede repetir ese proceso varias veces antes de que pueda responder.

Creemos que el mercado eventual para la búsqueda y recuperación en tiempo de inferencia podría ser varios órdenes de magnitud más grande que el mercado para el entrenamiento previo de datos web. Las compras de capacitación se realizan alrededor de las ejecuciones de modelos, pero la información en vivo se puede consumir en todos los modelos, aplicaciones y agentes siempre que una tarea requiera conocimiento del mundo cambiante. A los precios históricos de las API de búsqueda cotizadas en bolsa, incluso una fracción de ese volumen de solicitudes podría respaldar miles de millones de dólares en ingresos anuales.¹

Al mismo tiempo, la propia Internet está a punto de ser mucho más grande. Se publicará más información en formas que los motores de búsqueda tradicionales manejan mal, incluidos videos, imágenes, hojas de cálculo, PDF y páginas dinámicas. Hacer que este cuerpo de información en expansión sea descubierto y analizable por las máquinas es una oportunidad enorme, y una que es extremadamente no trivial desde el punto de vista técnico, ya que requiere un rastreo continuo, almacenamiento, procesamiento, clasificación y entrega rápida a escala global.

Grass está construyendo hacia ese mercado desde una posición que pocos participantes nuevos o existentes tienen. Su API de contenidos propuesta permitiría a un modelo abrir y representar una página pública a través de la red residencial, mientras que su API de búsqueda planificada y su índice web ayudarían al modelo a determinar qué página abrir en primer lugar.

Ambos productos se basan en la maquinaria que Grass ya opera para capacitar a los clientes: enrutando las solicitudes a través de nodos residenciales de acuerdo con la geografía y la reputación, midiendo la calidad de las respuestas y convirtiendo lo que recopila en conjuntos de datos lo suficientemente grandes como para realizar entrenamientos de vanguardia. Grass ha recopilado más de mil millones de videos web públicos, un subconjunto de los cuales se utilizó para entrenar un modelo de anotación de video con otra compañía de la cartera de Multicoin, Inference.net. El ranking de búsqueda y el servicio de resultados con latencia de inferencia son desafíos de ingeniería adicionales, pero los sistemas de recopilación y procesamiento ya se están ejecutando a escala comercial.

Construir un índice de Internet de esta escala requiere una inversión sustancial de capital y recursos de ingeniería. Este es siempre el costo de construir una infraestructura de estilo de fijación de precios, profundamente arraigada, de alto margen y de alto margen. Creemos que cada dólar de ganancia bruta que se destina a esta oportunidad es perjudicial para el valor a largo plazo del negocio, y que buscar este mercado es un positivo neto mucho más fuerte para la acumulación de valor de token a largo plazo (en lugar de estrategias de asignación de capital por debajo de la media sugeridas por innumerables analistas de CT). Por lo tanto, creemos que GRASS está al borde de una reevaluación sustancial de esta nueva línea de negocio.

Lo que compone aquí de forma fundamental es la relación de Grass con los laboratorios. Cada gran entrega de capacitación le da a Grass una razón para mejorar su cobertura y una mejor comprensión de la información que sus clientes necesitan. Una mejor cobertura mejora el índice; un mejor índice mejora la recuperación en vivo; y la recuperación exitosa le da a esos mismos laboratorios otra razón para construir en Grass. Con el tiempo, esta infraestructura puede proporcionar datos escasos para el entrenamiento previo, el entrenamiento posterior y la inferencia, independientemente de cómo evolucionen las arquitecturas de modelos.

Futuro: inteligencia abundante

Los agentes de Internet que necesitan leer crecerán más rápido que los motores de búsqueda que fueron diseñados para indexar. Los agentes crearán y revisarán la información a la velocidad de la máquina, y las respuestas se encontrarán cada vez más dentro de videos, documentos y aplicaciones dinámicas que no se pueden entender recuperando el texto de una página web. Los conjuntos de datos de preentrenamiento serán cada vez más específicos del contexto y del conocimiento del dominio.

Los insumos necesarios para construir y servir a estos modelos requieren la coordinación de millones de recursos discretos de manera precisa. Entendemos que Grass ha resuelto muchos de los desafíos difíciles aquí: qué conexión puede llegar a la fuente, si la respuesta está completa, con qué frecuencia se debe volver a visitar una fuente y cómo servir el resultado dentro de los requisitos de costo o latencia de un modelo en vivo. El equipo principal tiene un conocimiento específico de estos flujos de trabajo y esperamos que sirvan a sus clientes a medida que sus requisitos cambien y crezcan en todos los factores de forma con el tiempo. Hemos argumentado durante años que los tokens pueden ayudar a las redes de infraestructura a alcanzar una escala umbral. Grass está mostrando lo que es posible después. Los ingresos por capacitación han financiado el rastreo y el índice, y las relaciones con los laboratorios ahora pueden dirigir esa inversión hacia contratos cada vez más grandes. Andrej y el resto del equipo de Grass se encuentran entre los operadores más comprometidos que hemos encontrado en las redes de criptomonedas de agregación de recursos, y sus ambiciones son ilimitadas: mantener una Internet multimodal y en expansión legible para la inteligencia de la máquina en tiempo real.

Nota 1: OpenAI reveló por última vez más de 2.500 millones de mensajes ChatGPT por día en julio de 2025, y los usuarios semanales han superado los 1.000 millones, lo que implica aproximadamente 3.500 millones de mensajes por día. El 22 % de los turnos de ChatGPT ahora llaman a una herramienta externa, suponiendo que solo el 10 % de los turnos de ChatGPT llaman a una herramienta externa, suponiendo que solo el 10 % de los giros una búsqueda pagada genera aproximadamente 128.000 millones de solicitudes al año, o aproximadamente 640 millones de dólares al precio de Brave, que es de 5 dólares por 1.000. Los agentes multiplican esto significativamente: una tarea típica de Gemini Deep Research ejecuta aproximadamente 80 búsquedas, por lo que Codex y ChatGPT Work tienen aproximadamente 10 millones de usuarios semanales, ejecutando cinco tareas a la semana en 20 búsquedas cada uno, agregan 52.000 millones de solicitudes (aproximadamente 260 millones de dólares) y convertir solo el 1 % de los mensajes diarios en tareas de agente de grado de investigación elevaría el volumen a más de 1 billón de solicitudes o aproximadamente 5.000 millones de dólares al año.