-
El potencial beneficio sería incrementar el rendimiento y la rentabilidad de los ASIC.
-
Este desarrollo se integra a dos sistemas operativos de minería existentes.
Quantum Blockchain Technologies (QBT), una empresa dedicada a la investigación y desarrollo de tecnologías “blockchain”, publicó el 19 de junio un comunicado en el que afirma haber optimizado el funcionamiento de los ASIC de Bitcoin mediante inteligencia artificial (IA).
El desarrollo introduce modelos de aprendizaje automático, con respaldo experimental, que optimizarían la búsqueda del nonce, el número aleatorio que los mineros deben encontrar mediante millones de combinaciones, para poder registrar un bloque de transacciones en la contabilidad de Bitcoin y obtener las recompensas.
QBT propuso tres enfoques distintos, denominados Método A, Método B y Método C, para predecir nonces con mayor probabilidad de éxito, mejorando potencialmente la eficiencia del proceso al requerir un menor tiempo de consumo energético.
El Método A, según el reporte de QBT, es un desarrollo basado en aprendizaje automático que apunta a reducir el espacio de búsqueda del algoritmo SHA-256 en comparación con el método tradicional.
Conforme a lo explicado, QBT comparó dos mineros ASIC idénticos, operando en tiempo real: un equipo con CGMiner, un software de código abierto utilizado para mineros basados en GPU (Unidad de Procesamiento Gráfico), FPGA (Arreglo de Puertas Lógicas Programable en Campo) y ASIC; luego, otro ASIC con una versión modificada de CGMiner que incluía el software de IA de QBT.
Aunque el comunicado de QBT no aportó pruebas ni detalles técnicos relativos a ese procedimiento comparativo (como los bloques procesados), los resultados expuestos por la empresa reflejan que el minero con el software de QBT generó mayores recompensas por unidad de tiempo, evidenciando un aumento en la calidad del hashrate.
Resulta importante aclarar que tampoco fue posible constatar esos resultados en publicaciones en redes sociales o anuncios previos de la compañía.
Por otro lado, el Método B combinó técnicas de aprendizaje automático y optimización estadística para abordar el mismo problema desde un enfoque diferente, aunque complementario del Método A.
El equipo de QBT manifestó que este método también reduce significativamente el espacio de búsqueda del nonce, lo que podría traducirse en una menor demanda energética y una mayor rentabilidad para los mineros.
El Método C, en cambio, representa un avance más ambicioso. Este enfoque combina un modelo de IA en entrenamiento con un «oráculo de IA», un sistema que evalúa en tiempo real la probabilidad de que un nonce genere un hash ganador.
A diferencia de los Métodos A y B, que se integran en el software de minería, el Método C requiere modificaciones en el diseño de los chips ASIC, lo que lo haría más adecuado para nuevos modelos de hardware en desarrollo.
Conforme a lo dicho por la compañía, QBT ya está colaborando con fabricantes de chips ASIC para evaluar su integración.
Implementación y desafíos en el mercado
Para implementar estas propuestas, QBT se centra en las placas de control del mercado secundario, que reemplazan las originales de los equipos de minería, especialmente en los fabricados por empresas chinas.
Esas placas, que optimizan el hashrate y el consumo energético mediante técnicas como el overclocking o la reducción de voltaje, son un segmento clave del mercado.
QBT planea integrar sus modificaciones en dos sistemas operativos: CGMiner, descrito anteriormente, y ESPminer, un sistema operativo de código abierto basado en el microcontrolador ESP32, diseñado específicamente para dispositivos de minería de Bitcoin.
Según QBT, «la implementación de las modificaciones de CGMiner y ESPminer en placas de control del mercado secundario no representa una barrera técnica», ya que los proveedores de estas placas realizan actualizaciones similares de manera rutinaria.
Francesco Gardin, CEO de QBT, afirmó: «Las demostraciones en Las Vegas (donde se efectuó el evento The Bitcoin Conference) fueron esenciales para convencer a los principales actores de que la capacidad de predecir el comportamiento de SHA-256 con modelos de aprendizaje de IA es real, ya que ofrece una solución práctica para mejorar la calidad de la potencia de hash de un minero».
El enfoque de QBT no solo busca optimizaría el rendimiento de los ASIC, sino también garantizaría un control continuo sobre sus tecnologías. La empresa planea mantener una conexión en vivo con sus servidores para gestionar el uso de sus modelos de IA, lo que podría implicar un modelo de suscripción o licenciamiento para los mineros.
Aunque la naturaleza de código abierto de ESPminer permite auditorías comunitarias, los softwares propietarios de QBT podrían conducir a la dependencia de esa conexión en vivo con los servidores de QBT. Esto podría introducir un riesgo en la centralización si esta tecnología se adoptara masivamente, comprometiendo la autonomía de los mineros.
Finalmente, pese a la afirmación de que estos modelos pueden incrementar el rendimiento de la minería de Bitcoin, surge la necesidad de validarla con cifras reales, porque el gasto extra de energía que implica usar la IA podría no ser compensado con los beneficios de conseguir bloques más rápidamente.
