En el sector del almacenamiento Web3, después de tanto tiempo de esfuerzo, la mayor sensación que tengo es que los proyectos generalmente presentan deficiencias. Algunos solo se enfocan en la capa de almacenamiento, con un conocimiento superficial de los escenarios de aplicación; otros prometen mucho pero en realidad la implementación está muy lejos de concretarse. Muy pocos logran conectar todos los eslabones de manera efectiva.

Las acciones de Walrus a principios de 2026 cambiaron esta situación. Especialmente, la colaboración profunda con io.net me sorprendió—ellos realmente lograron conectar el almacenamiento y la potencia de cálculo.

Antes, entrenar modelos de IA era un problema. Los conjuntos de datos se almacenaban en plataformas descentralizadas, pero el entrenamiento del modelo requería transferirlos a un clúster de GPU centralizado, lo que consumía mucho tiempo y además implicaba riesgos de filtración de privacidad. Ahora la situación es diferente. A través de la plataforma BYOM (Trae tu propio modelo), los usuarios pueden guardar directamente en Walrus sus modelos de IA personalizados y luego usar el clúster de GPU distribuido de io.net para entrenarlos, sin que los datos salgan de la capa de almacenamiento.

Un amigo mío que trabaja en generación de imágenes con IA realizó una prueba reciente. Guardó un conjunto de datos de 5GB de estilos artísticos en Walrus, y utilizó los recursos de GPU de io.net para ajustar el modelo, con resultados sorprendentes: el costo de entrenamiento fue un 60% más barato que en AWS, y gracias al mecanismo de cálculo de privacidad incorporado en Walrus, la seguridad de los datos estuvo garantizada, además de que la eficiencia del entrenamiento aumentó un 30%.

Este esquema integrado de almacenamiento y potencia de cálculo aún es poco común en el ámbito Web3. La incorporación de Zark Lab refuerza aún más la capacidad de la capa de inteligencia artificial, y la potencia de esta combinación en 2026 merece una observación continua.