Nota del autor: Este artículo propone una tesis interpretativa sobre los fundamentos materiales de la Inteligencia Artificial contemporánea. Parte de la premisa de que la infraestructura física —hardware, energía, centros de datos— es un factor determinante, aunque a menudo olvidado, del progreso tecnológico. La narrativa que se desarrolla a continuación conecta puntos entre dos industrias aparentemente distantes, argumentando que la inversión privada en la minería de criptomonedas funcionó como un mecanismo de financiación indirecta para la infraestructura crítica de la IA. Las afirmaciones se basan en datos de mercado públicos, casos de estudio documentados y un marco económico de depreciación y reutilización de capital.
Resumen Ejecutivo
Los Grandes Modelos de Lenguaje (LLM) como GPT-4 o Llama 3 suelen explicarse como consecuencia de avances algorítmicos, pero su despliegue industrial a escala depende de una infraestructura de hardware que no fue construida originalmente para IA. Esta infraestructura emergió, en gran medida, de la minería de criptomonedas basada en Proof-of-Work (PoW). Entre 2013 y 2022, la competencia por recompensas de bloque generó la primera demanda global masiva y financiada con capital privado de cómputo paralelo y energía, creando una red distribuida de capacidad de alto rendimiento [1].
Este trabajo sostiene que la minería, particularmente la de Ethereum en GPUs, actuó como un subsidio encubierto para el ecosistema de IA al:
Expandir y mantener la cadena de suministro de GPUs de propósito general y alto ancho de banda, creando un excedente de hardware en el mercado secundario [2].Acelerar la maduración de ecosistemas de software y prácticas operativas para gestionar flotas masivas de GPUs, know-how transferido directamente a la IA [3].
Construir y amortizar centros de datos densos en energía, cuya infraestructura física (conexiones eléctricas, refrigeración, espacio) está siendo reconvertida para entrenar LLM .
Se propone un marco económico donde la depreciación del capital invertido por los mineros y el exceso de capacidad resultante redujeron el coste marginal para que nuevos actores de la IA accedieran a recursos críticos. Bajo supuestos conservadores, la magnitud de esta transferencia de valor se estima en un rango de varios miles de millones de dólares, un subsidio que abarató el CAPEX efectivo y aceleró la viabilidad industrial de modelos de cientos de miles de millones de parámetros [2].
1. Introducción: La Deuda Oculta de la IA
Los LLM de última generación son presentados como logros de la teoría del deep learning, pero son también artefactos materiales anclados en una historia previa de inversión en infraestructura computacional. La hipótesis central es que la minería de criptomonedas Proof-of-Work, y en particular la de Ethereum ejecutada en GPUs, funcionó como el primer mercado global de cómputo masivamente paralelo impulsado únicamente por incentivos económicos privados. Esta industria asumió los costes de capital y energía para crear una base instalada que, posteriormente, fue reaprovechada para IA .
Tesis central (reformulada): Los LLM no son solo algoritmos; su viabilidad económica a escala industrial se apoyó en una década de inversión privada en granjas de GPU para PoW. Ethereum, al mantener una demanda sostenida de GPUs de propósito general, contribuyó a expandir y abaratar una base instalada de hardware y centros de datos. Una vez amortizados por la minería, estos activos pivotaron hacia la IA con un coste marginal significativamente menor. La magnitud de este efecto se modela aquí como un “subsidio encubierto”, absorbido inicialmente por los mineros y capturado después por los laboratorios y proveedores de infraestructura de IA [2].
2. Proof-of-Work como Primer Mercado Global de HPC
2.1 SHA-256 y Ethash: Dos Trayectorias de Hardware
Bitcoin (SHA-256) introdujo el concepto de una red global de cómputo incentivada, pero su algoritmo migró rápidamente a circuitos integrados de aplicación específica (ASIC), desplazando a las GPUs del núcleo de su red. En contraste, Ethereum, con su algoritmo Ethash, se diseñó con una resistencia moderada a los ASIC, dependiendo en mayor medida de la memoria y el ancho de banda de las GPUs de propósito general .
Los informes de mercado confirman que la fiebre de la criptominería provocó una alteración significativa en la cadena de suministro. Solo en 2017, se estima que los mineros adquirieron aproximadamente 3 millones de GPUs por un valor de $776 millones de dólares, creando escasez e inflando los precios para otros sectores, incluidos los investigadores .
Tabla 1. Algoritmos PoW y su impacto cualitativo en el hardware (2013-2022)
| Algoritmo | Criptomoneda | Resistencia a ASIC | Rol típico de GPU | Impacto plausible en IA |
|---|---|---|---|---|
| SHA-256 | Bitcoin | Baja (migración rápida a ASIC) | Relevante solo en fase temprana | Demanda inicial de hardware paralelo, pero poco reaprovechable posteriormente [6]. |
| Ethash | Ethereum | Moderada (énfasis en memoria) | GPU con alto ancho de banda y VRAM | Expansión de la oferta de GPUs adecuadas para operaciones de matriz (GEMM) y entrenamiento de modelos [2]. |
| RandomX | Monero | Orientado a CPU | Marginal | Impacto limitado; no impulsó granjas de GPU a escala [6]. |
El punto robusto no es un porcentaje exacto de mercado, sino el efecto cualitativo: la minería introdujo un pico de demanda adicional que expandió la producción y, crucialmente, creó un stock masivo de hardware que luego inundaría el mercado secundario .
2.2 Registro Energético Global (2013-2022)
La escala de este experimento de cómputo distribuido se mide en consumo energético. El Cambridge Bitcoin Electricity Consumption Index (CBECI) estima que el consumo acumulado de la red Bitcoin se mide en cientos de teravatios-hora (TWh), comparable al consumo eléctrico anual de países medianos . Ethereum, antes de su transición a Proof-of-Stake en 2022, añadió decenas de TWh adicionales a esta huella [6].
Más allá de la cifra exacta, lo relevante es el hecho material: el PoW movilizó inversiones privadas masivas en infraestructura energética y de refrigeración para sostener cargas de cómputo intensivas y constantes. Esta infraestructura, una vez construida, representa un sustrato físico listo para ser reutilizado [4].
3. Minería GPU como Fábrica Prototipo de IA
3.1 El Factor Ethereum: GPUs para GEMM
El algoritmo Ethash favoreció específicamente a las GPUs con gran cantidad de memoria de video (VRAM) y alto ancho de banda, especificaciones que se trasladan directamente a las operaciones de multiplicación de matrices generales (GEMM), fundamentales para el entrenamiento de redes neuronales. La ola de compras minera no solo aumentó la producción, sino que también orientó el diseño de hardware hacia características útiles para la IA .
Si bien es difícil rastrear la procedencia de cada GPU en un cluster de IA moderno, existe un consenso amplio: los colapsos cíclicos en la rentabilidad minera (como en 2018) liberaron grandes volúmenes de GPUs usadas en el mercado secundario a precios muy por debajo de su costo original. Esta oferta de segunda mano redujo drásticamente la barrera de entrada de capital para startups y laboratorios académicos [2].
3.2 Granjas Industriales: De la Minería a la IA
La reconversión de infraestructura minera ya no es una hipótesis, sino una tendencia del mercado. Como documenta Wired, los mayores mineros de Bitcoin de Estados Unidos están transformando sus “granjas” en fábricas de IA, reaprovechando naves, conexiones eléctricas de alta capacidad y sistemas de refrigeración [4].
El caso paradigmático es CoreWeave. Fundada en 2017 como una operación minera de Ethereum (Atlantic Crypto), la compañía pivotó en 2019 hacia la provisión de infraestructura en la nube para IA . Hoy, con una valoración de miles de millones, es un proveedor clave de capacidad de GPU para actores como OpenAI y Microsoft, demostrando cómo el know-how operativo y los activos amortizados en minería pueden cimentar un negocio líder en IA . Su trayectoria encapsula la tesis del subsidio encubierto: el capital (físico y humano) depreciado en una industria financió el despegue de otra.
4. El Subsidio de Software: CUDA, NCCL y el Ecosistema DL
La minería a gran escala en GPUs funcionó como un banco de pruebas de estrés a escala real para pilas de software de cómputo paralelo. La necesidad de operar millones de GPUs de forma estable, con gestión térmica eficiente y comunicación efectiva entre dispositivos, impulsó optimizaciones en controladores, kernels y librerías como CUDA y NCCL de NVIDIA .
Este proceso de depuración y optimización, financiado por los mineros en su búsqueda de eficiencia, generó un ecosistema de software más maduro y robusto. Cuando la IA generativa exigió escalar a miles de GPUs, encontró un terreno software parcialmente abonado, reduciendo el tiempo y el riesgo de I+D para los actores de deep learning [3].
5. Big Data y Almacenamiento: IA sobre la Infraestructura de PoW
El entrenamiento de LLM requiere ingentes volúmenes de datos. Proyectos como Common Crawl han crecido de terabytes a petabytes en la última década, necesitando pipelines de procesamiento y almacenamiento distribuido [1]. Mientras que las granjas mineras no estaban diseñadas para este fin, la cultura técnica de la blockchain —con su énfasis en la sincronización, verificación y replicación descentralizada de datos— contribuyó a un ecosistema más amplio de herramientas y protocolos de almacenamiento distribuido que subyacen a algunas infraestructuras de datos para IA [6].
6. El Evento de Reutilización: Entrenamiento de LLM sobre Capacidad ex-PoW
El ciclo de auge y caída de la minería creó ventanas de oportunidad. La repentina caída en la rentabilidad liberaba hardware al mercado secundario, abaratándolo. Informes de la industria documentan cómo estos descensos bruscos en los precios de las GPUs usadas permitieron a nuevos actores de la IA formar clusters de entrenamiento a una fracción del coste de hardware nuevo .
En paralelo, se produjo una reconversión infraestructural. Proveedores como CoreWeave no solo compraron GPUs, sino que alquilaron o adquirieron centros de datos mineros completos, transformando “granjas de hash” en “granjas de FLOPS” para IA. Esto permitió a gigantes tecnológicos acceder a capacidad de computación acelerada sin el largo ciclo de diseño y construcción de un centro de datos desde cero, externalizando y mitigando así gran parte del CAPEX inicial [3].
7. Cuantificación del “Subsidio Encubierto” (2013-2025)
Para estimar la magnitud de esta transferencia de valor, se propone un marco metodológico de tres pasos:
Estimar el gasto acumulado en infraestructura PoW: Agregar el CAPEX en GPUs, sistemas de alimentación y la infraestructura de centros de datos (conexiones eléctricas, refrigeración, inmuebles) atribuible a la minería, utilizando informes financieros de mineros públicos y estudios de mercado .Estimar la fracción reaprovechada: Determinar qué porcentaje de ese hardware e infraestructura se reutilizó para IA, ya sea mediante reventa en el mercado secundario o mediante la reconversión directa de instalaciones [4].
Modelar la depreciación transferida: Calcular la diferencia entre el valor en libros que los mineros habían depreciado y el valor residual al que los actores de IA accedieron. Esta diferencia representa el subsidio económico implícito.
Aplicando supuestos conservadores sobre volúmenes de hardware, tasas de reutilización y depreciación, este modelo arroja un rango plausible de varios miles de millones de dólares en CAPEX y OPEX que fueron asumidos por la minería pero que facilitaron la expansión de la IA. Este rango debe entenderse como resultado de un modelo de estimación original, construido sobre datos públicos, y no como una cifra directamente observada en informes financieros.
8. Consecuencias No Intencionadas
8.1 Ledger Ambiental
La huella de carbono del PoW es sustancial, con emisiones estimadas en decenas de millones de toneladas de CO₂ . La reconversión de esta infraestructura hacia IA no borra esa deuda ambiental histórica. Sin embargo, plantea una discusión ética y económica compleja: ¿pueden los beneficios sociales futuros de la IA (avances médicos, científicos) amortizar parcialmente ese coste ambiental ya incurrido? Este artículo no justifica el consumo energético del PoW, sino que señala que, habiéndose producido, el reaprovechamiento de sus activos puede maximizar el retorno social de esa inversión energética [4].
8.2 Geopolítica de los AI-FLOPS
La competencia estratégica ha transitado de la tasa de hash (hashrate) a los flops de IA (AI-FLOPS). Restricciones a la exportación de GPUs avanzadas, como las impuestas por Estados Unidos, y las subvenciones a centros de datos “verdes” marcan el nuevo tablero geopolítico. Países con experiencia en minería a gran escala poseen un activo infraestructural y de conocimiento que puede ser pivotado hacia la soberanía en IA, siempre que se acompañe de políticas de formación de talento y estabilidad regulatoria .
Esto representa una oportunidad para economías con recursos energéticos y experiencia minera: dejar de ser meros consumidores de tecnología para convertirse en proveedores de capacidad de cómputo estratégica, reconvirtiendo su infraestructura hacia la nueva commodity del siglo XXI: la potencia de cálculo para IA [10].
9. Discusión: Infraestructura como Factor Limitante
Las leyes de escalado de los modelos de IA indican que, más allá de cierto punto, las mejoras de rendimiento dependen de forma crítica del acceso a flotas masivas de cómputo y datos[3]. En este contexto, la infraestructura generada por el PoW actuó como una “pre-financiación” accidental y distribuida de la fase industrial de la IA, reduciendo los costes y plazos para alcanzar la escala necesaria.
La pregunta prospectiva es si este patrón —donde una industria con incentivos económicos especulativos financia infraestructura de propósito general reutilizable— es replicable. ¿Podría el metaverso, la simulación cuántica o la computación científica financiar la próxima generación de infraestructura? Comprender estos ciclos es clave para diseñar políticas de I+D que capturen beneficios sociales de forma más directa y menos volátil .
10. Conclusión: El Legado Material de la IA
Este artículo propone una lectura material de la revolución de la IA. Detrás de cada LLM hay no solo algoritmos brillantes, sino también racks de GPUs, transformadores eléctricos y sistemas de refrigeración que una vez minaron criptomonedas. La minería Proof-of-Work, en su búsqueda de recompensas de bloque, funcionó como un “donante involuntario” de capital físico, construyendo una base infraestructural sobre la cual la IA pudo escalar más rápido y con menor inversión directa de la que hubiera requerido en su ausencia .
Reconocer este linaje no es celebrar el PoW ni absolver sus costes ambientales, sino entender que la historia tecnológica es también la historia de la reutilización y resignificación de infraestructuras heredadas. El futuro de la IA, por tanto, estará ligado no solo a las ideas, sino a la capacidad de reaprovechar los sustratos materiales del pasado para construir los del futuro.
Referencias
[1] Cambridge Centre for Alternative Finance, Cambridge Bitcoin Electricity Consumption Index (CBECI), 2023. [En línea]. Disponible: https://ccaf.io/cbeci
[2] J. P. Pereira, "Cryptocurrency miners bought 3 million GPUs in 2017," ZDNet, 2018. [En línea]. Disponible: https://www.zdnet.com/article/cryptocurrency-miners-bought-3-million-gpus-in-2017/
[3] Introl, "CoreWeave: The AI Infrastructure Revolution - How a Crypto Mining Startup Became the $23 Billion Backbone of Artificial Intelligence," 2025. [En línea]. Disponible: https://introl.com/blog/coreweave-openai-microsoft-gpu-provider
[4] M. P. of Wired, "America’s Biggest Bitcoin Miners Are Pivoting to AI," Wired, 2025. [En línea]. Disponible: https://www.wired.com/story/bitcoin-miners-pivot-ai-data-centers/
[5] Fortune Crypto, "CoreWeave’s $9 billion acquisition of Core Scientific provides an AI road map for struggling Bitcoin miners," Fortune, 2025. [En línea]. Disponible: https://fortune.com/crypto/2025/07/09/coreweaves-9-billion-acquisition-of-core-scientific-gives-an-ai-roadmap-for-struggling-bitcoin-miners/
[6] Cambridge Centre for Alternative Finance, Cambridge Blockchain Network Sustainability Index, 2023. [En línea]. Disponible: https://ccaf.io/cbnsi/cbeci
[7] J. Anderson, "Cryptocurrency miners bought 3 million graphics cards worth $776 million in 2017," PC Gamer, 2018. [En línea]. Disponible: https://www.pcgamer.com/cryptocurrency-miners-bought-3-million-graphics-cards-worth-776-million-in-2017/
[8] Wikipedia contributors, "CoreWeave," Wikipedia, The Free Encyclopedia, 2025. [En línea]. Disponible: https://en.wikipedia.org/wiki/CoreWeave
[9] The Economic Times, "CoreWeave to acquire crypto miner Core Scientific," 2025. [En línea]. Disponible: https://economictimes.com/tech/artificial-intelligence/coreweave-to-acquire-crypto-miner-core-scientific/articleshow/122299957.cms
[10] Insights4VC, "Bitcoin miners’ pivot to AI data centers," Substack, 2024. [En línea]. Disponible:
Investigación realizada por Osmary Lisbeth Navarro Tovar
Comentarios