Tether lanza una IA local descentralizada utilizando la Psicohistoria de Isaac Asimov directamente de Fundación

El segundo activo de reserva de Tether es la inteligencia

El nuevo proyecto QVAC de Tether comienza con una frase inusual para una empresa de Stablecoin. La empresa describe "QVAC Psy" como una familia de modelos fundacionales "arraigados en los principios de la Psicohistoria."

La referencia a la psicohistoria pertenece al universo de Foundation de Isaac Asimov, donde Hari Seldon utiliza las matemáticas, la estadística y la dinámica social para predecir el comportamiento de poblaciones muy grandes y acortar la edad oscura tras el colapso del Imperio Galáctico.

La Enciclopedia de Ciencia Ficción describe la psicohistoria asimoviana como una "Ciencia Imaginaria", mientras que la obra de Seldon es un plan que predice eventos futuros y preserva el conocimiento a través de la desintegración sistémica.

La formulación de Tether funciona como una declaración de misión envuelta en lenguaje de ciencia ficción.

La empresa construyó la Stablecoin más grande del mundo cripto convirtiendo reservas, liquidez y distribución en una infraestructura monetaria. QVAC aplica el mismo instinto a la inteligencia.

El primer activo de reserva de Tether sigue siendo el pasivo similar al dólar en el centro de USDt. Su segundo activo de reserva se está convirtiendo en cómputo, modelos, conjuntos de datos y la capacidad de ejecutar IA fuera de las nubes centralizadas.

De reservas en dólares a reservas de inteligencia

La expansión de Tether hacia la IA sigue la mecánica de su negocio principal. USDt convierte la demanda de dólares offshore en una pila de reservas dominada por instrumentos soberanos de corta duración.

En su actualización de attestation del Q1 2026, Tether reportó $1.040 millones en beneficio neto, un buffer de reserva de $8.230 millones, aproximadamente $183.000 millones en pasivos relacionados con tokens, y alrededor de $141.000 millones en exposición directa e indirecta a letras del Tesoro de EE. UU. Esa base de reservas le otorga a

Tether ingresos recurrentes, capacidad de balance y margen para financiar apuestas de infraestructura de larga duración desde la fortaleza operativa.

CryptoSlate ya ha seguido cómo este motor de reservas puede convertir la escala de una Stablecoin en asignación estratégica. En enero, la compra de 8.888 BTC por parte de Tether mostró cómo los ingresos por intereses y las ganancias operativas pueden traducirse en demanda recurrente de Bitcoin. QVAC empuja la misma lógica hacia una clase de activo diferente.

Junto a Bitcoin, oro, startups, energía, minería, comunicaciones y otras posiciones de infraestructura, Tether está asignando recursos a la inteligencia en sí misma. El movimiento extiende la autoimagen de la empresa de emisor de liquidez privada en dólares a constructor de infraestructura digital privada.

El lenguaje de la "psicohistoria" encaja en esa dirección porque Tether está enmarcando la IA como una capa civilizacional en lugar de un segmento de software vertical. Los materiales públicos de QVAC describen una "Plataforma de Inteligencia Estable Infinita", un sistema local-first para la "mente descentralizada" y una respuesta a la IA centralizada.

La página de visión de QVAC argumenta que enrutar cada pensamiento a través de servidores centralizados es demasiado lento, frágil y controlado, y luego posiciona a QVAC como una base edge-native para la inteligencia que poseen los usuarios.

Ese enfoque refleja el argumento más amplio de Tether sobre las Stablecoins. El dinero debe moverse sin permiso. Los datos deben permanecer con el usuario. La inteligencia debe ejecutarse donde está el usuario.

La afirmación más seria, sin embargo, se encuentra debajo de la referencia a Asimov. Tether está diciendo que la IA se vuelve más duradera cuando se comporta como una infraestructura resiliente.

Un modelo en la nube puede ser más capaz, pero conlleva riesgo del proveedor, riesgo de precios, riesgo de políticas, riesgo de latencia y riesgo de enrutamiento de datos.

Un modelo local cede parte de la curva de capacidad frontera a cambio de propiedad, privacidad y continuidad.

El intercambio es familiar en el mundo cripto. La autocustodia es menos conveniente que un exchange hasta que el exchange falla. La IA local es menos conveniente que un modelo frontier alojado hasta que la red cae, la API cambia, la cuenta se cierra o los datos no pueden salir del dispositivo.

QVAC es un stack edge construido en torno a una carrera diferente

La distinción clave de QVAC es arquitectónica. OpenAI, Anthropic, Google DeepMind y xAI compiten en capacidad general máxima, programación, multimodalidad, razonamiento de contexto largo, comportamiento agéntico y distribución en la nube empresarial.

QVAC apunta a un eje diferente: desplegabilidad, privacidad, latencia, componibilidad y supervivencia fuera de un único proveedor.

La documentación de bienvenida de QVAC define el proyecto como un ecosistema de código abierto y multiplataforma para aplicaciones de IA local-first y peer-to-peer en Linux, macOS, Windows, Android e iOS. La misma documentación indica que los usuarios pueden ejecutar LLMs, realizar reconocimiento de voz y generación aumentada por recuperación, y manejar otras tareas de IA localmente, o delegar la inferencia a pares a través de capacidades P2P integradas.

Eso le da a QVAC un benchmark diferente al de los laboratorios frontier. La IA frontier optimiza para el modelo general más potente disponible a través de un servicio centralizado. QVAC optimiza para dónde ocurre la inferencia, quién controla el runtime, qué datos salen del dispositivo y si una aplicación puede seguir operando cuando los servicios centralizados no están disponibles.

El lanzamiento del SDK de Tether en abril de 2026 describe un kit de desarrollo unificado que permite a los desarrolladores construir, ejecutar y ajustar la IA en cualquier dispositivo, con aplicaciones diseñadas para ejecutarse sin cambios en iOS, Android, Windows, macOS y Linux.

También indica que el SDK de QVAC utiliza una capa de abstracción unificada sobre motores de inferencia locales, incluyendo QVAC Fabric, un fork de llama.cpp, más integraciones con whisper.cpp, Parakeet y Bergamot para voz y traducción.

Eso se acerca más a una capa operativa que a un lanzamiento de modelo único. El ecosistema de IA de código abierto ya tiene piezas poderosas: Llama, Qwen, Mistral, Gemma, DeepSeek, Hugging Face, llama.cpp, Ollama, vLLM, LM Studio y una larga cola de proyectos de inferencia local.

La apuesta de QVAC es que los desarrolladores necesitan un framework edge coherente que una la carga de modelos, inferencia, voz, OCR, traducción, generación de imágenes, RAG, distribución de modelos P2P, inferencia delegada y ajuste fino local a través de una sola interfaz.

QVAC se está posicionando como una capa de distribución para la inteligencia, asumiendo que los modelos locales suficientemente buenos seguirán mejorando.

QVAC Fabric es el centro técnico de esa afirmación. Tether dice que Fabric admite el ajuste fino en hardware de consumidor moderno a través de backends Vulkan y Metal, incluyendo dispositivos Android con GPUs Qualcomm Adreno o ARM Mali, dispositivos Apple Silicon y configuraciones estándar de Windows o Linux con hardware AMD, Intel o NVIDIA.

También describe tiling dinámico para los límites de memoria de GPU móvil y un flujo de trabajo LoRA con aceleración GPU y ajuste de instrucciones con pérdida enmascarada.

Si ese flujo de trabajo se mantiene en el uso externo de los desarrolladores, la distinción respecto a los lanzamientos típicos de modelos de código abierto se vuelve significativa. Los pesos del modelo son una capa. La adaptación local se convierte en la siguiente capa.

MedPsy es la primera prueba difícil de QVAC

MedPsy le da a QVAC su primer punto de prueba concreto a nivel de modelo. El informe técnico de Hugging Face, publicado el 7 de mayo, presenta QVAC MedPsy como una familia de modelos de lenguaje médico y sanitario solo de texto, construidos para despliegue edge con 1.700 millones y 4.000 millones de parámetros.

La afirmación es ambiciosa: modelos más pequeños, entrenados a través de un pipeline de post-entrenamiento médico estrictamente controlado, pueden superar a líneas base médicas más grandes mientras permanecen prácticos para laptops, dispositivos móviles de alta gama y aplicaciones de clase smartphone.

QVAC afirma que MedPsy-1.7B obtiene 62,62 en siete benchmarks médicos de respuesta cerrada, por encima del MedGemma-1.5-4B-it de Google con 51,20, a pesar de ser menos de la mitad de su tamaño.

También indica que MedPsy-4B obtiene 70,54, ligeramente por encima de MedGemma-27B-text-it con 69,95, siendo casi siete veces más pequeño.

En HealthBench y HealthBench Hard, QVAC reporta una brecha más amplia, con MedPsy-4B obteniendo 74,00 y 58,00 frente a MedGemma-27B-text-it con 65,00 y 42,67 bajo la evaluación de CompassJudger mostrada en el informe.

Esos resultados, si se reproducen de forma independiente, respaldarían la tesis central de QVAC: los modelos específicos de dominio a escala edge pueden desafiar a sistemas mucho más grandes en categorías restringidas de alto valor.

La receta de entrenamiento también muestra cómo QVAC planea competir. El informe indica que MedPsy utiliza backbones Qwen3 y luego aplica ajuste fino supervisado de múltiples etapas y aprendizaje por refuerzo a tareas de QA médico.

Generó más de 30 millones de filas sintéticas durante la experimentación, utilizó un currículo de dos etapas y seleccionó Baichuan-M3-235B como el único modelo docente para la supervisión de razonamiento de forma larga. QVAC también indica que el corpus de entrenamiento aún no ha sido publicado. Esa advertencia es central.

Las afirmaciones de benchmark público más sólidas todavía provienen del propio QVAC, y los datos de entrenamiento necesarios para interrogar completamente la contaminación, la cobertura, la construcción de prompts y la influencia del docente permanecen no disponibles.

El ángulo edge se agudiza en la cuantización. QVAC indica que las variantes GGUF están publicadas para llama.cpp y el SDK de QVAC, con Q4_K_M reduciendo el tamaño del archivo en un 69% mientras pierde menos de un punto de puntuación promedio para ambos tamaños de MedPsy.

El informe recomienda Q4_K_M con calibración imatrix como el equilibrio entre tamaño y calidad: 2,72 GB para el modelo 4B y 1,28 GB para el modelo 1.7B. Las FAQ de los modelos QVAC también advierten que MedPsy es solo de texto, solo en inglés, no apto para emergencias, vulnerable a las alucinaciones y dependiente de que los desarrolladores preserven la privacidad en toda la arquitectura de la aplicación. Eso le da al centro técnico su forma adecuada.

MedPsy es prometedor porque la medicina tiene razones sólidas para preferir la inferencia local. Permanece sin probar hasta que investigadores externos reproduzcan la escalera de benchmarks y lo pongan a prueba bajo restricciones reales de flujo de trabajo clínico.

El conflicto sin resolver es conveniencia versus control

El debate sobre IA local versus nube suele plantearse como una elección entre privacidad y rendimiento. QVAC lo reenmarca como conveniencia frente a control.

La IA en la nube gana en facilidad. El usuario abre una app, envía un prompt, recibe una respuesta y evita la carga operativa de pesos de modelo, memoria del dispositivo, cuantización, embeddings o compatibilidad de runtime.

El proveedor absorbe la complejidad. Esa conveniencia es poderosa y explica por qué las plataformas de IA centralizadas han escalado tan rápidamente. El usuario obtiene capacidad frontier con una configuración mínima.

QVAC pide a los desarrolladores y usuarios que acepten más responsabilidad a cambio de un modelo de seguridad diferente. La recompensa es la ejecución local, la operación offline, la reducción de la exposición de datos, la menor dependencia del acceso a la API y un camino hacia la inferencia y distribución de modelos peer-to-peer.

El lanzamiento del SDK de Tether indica que las apps impulsadas por QVAC pueden seguir funcionando en entornos de baja conectividad y que "si internet se cae, la IA sigue funcionando." Su anuncio de QVAC de 2025 fue más lejos, describiendo agentes de IA ejecutándose directamente en dispositivos locales, redes peer-to-peer para la colaboración dispositivo a dispositivo e integración WDK que permitiría a los agentes de IA realizar transacciones en Bitcoin y USDt.

Esa es la tesis completa de Tether: el dinero, el cómputo y los agentes autónomos deben compartir el mismo patrón de diseño soberano.

La afirmación de descentralización no es tan sencilla como algunos quisieran. QVAC está significativamente descentralizado en la capa de inferencia cuando un usuario puede descargar un modelo, ejecutarlo localmente y mantener los datos sensibles en el dispositivo.

Está más descentralizado que una API alojada porque el proveedor ya no se encuentra dentro de cada prompt.

También añade primitivas peer-to-peer a través del stack Holepunch, incluyendo inferencia delegada y distribución descentralizada de modelos, según los materiales del SDK de Tether. Esas son decisiones de diseño sustanciales.

La gobernanza es una capa separada. QVAC está financiado, nombrado, coordinado y promovido por Tether. Las apps insignia, la familia de modelos, la hoja de ruta del SDK y el lenguaje de "Stable Intelligence" provienen todos de un único patrocinador corporativo.

Esa estructura coexiste con la propuesta de valor local-first. Reduce la afirmación de descentralización a donde la evidencia es más sólida.

QVAC descentraliza dónde puede ocurrir la inferencia. El ecosistema más amplio todavía necesita evidencia de control distribuido sobre registros predeterminados, canales de lanzamiento, convenciones de seguridad, inclusión de modelos y gobernanza a largo plazo.

La replicación es el próximo umbral

La credibilidad de QVAC ahora descansa en la replicación. Si los resultados de MedPsy se reproducen fuera del propio arnés de evaluación de QVAC, Tether tendrá un primer ejemplo creíble de su tesis de reserva de inteligencia: modelos pequeños, abiertos y desplegables localmente que pueden competir con sistemas más grandes orientados a la nube en un dominio sensible.

Si las pruebas independientes reducen o revierten la brecha de benchmark, QVAC aún tiene un argumento de infraestructura, mientras que su afirmación de modelo lleva menos peso. El conflicto más amplio regresa entonces al intercambio más antiguo de la tecnología: la conveniencia concentra el poder, mientras que el control impone trabajo.

Ahí es donde el argumento de Asimov se vuelve útil. La psicohistoria en Foundation se ocupaba de grandes sistemas bajo estrés. La versión de Tether se centra en la infraestructura bajo la centralización. El lenguaje es grandioso y la prueba técnica sigue siendo temprana, pero la dirección es coherente.

Tether está aprovechando los flujos de caja de la Stablecoin más grande del mundo para construir un stack de IA centrado en la ejecución local, redes de pares, herramientas abiertas y modelos a escala edge. Está extendiendo la premisa de la Stablecoin del dinero a la inteligencia.

La pregunta ya no es si una empresa de Stablecoin puede permitirse construir IA. Tether claramente puede.

La pregunta es si QVAC puede producir modelos e infraestructura lo suficientemente sólidos como para hacer que los usuarios acepten la fricción del control local.

MedPsy es el primer umbral medible. La replicación independiente determinará si el lenguaje de psicohistoria de QVAC permanece como una metáfora o comienza a parecerse a la lógica operativa temprana de un serio stack de IA edge.

The post Tether launches decentralized local AI using Isaac Asimov's Psychohistory straight out of Foundation appeared first on CryptoSlate.