Delphi entrevista al fundador de Grass: somos proveedores secretos de datos en la era de la IA

"Cualquiera que sea el sistema de IA del futuro, necesitará acceder a información."

Compilado por: Foresight News

Invitado: Andrej Radonjic, cofundador y CEO de Wyn Labs, responsable de Grass

Moderador: Delphi Digital

En octubre de 2026, el podcast de Delphi Digital entrevistó a Andrej Radonjic, cofundador y CEO de Wyn Labs. Como responsable del proyecto Grass, Andrej explicó detalladamente cómo Grass ha crecido de ser un pequeño proyecto de compartición de ancho de banda a convertirse en un proveedor secreto de datos para laboratorios de IA de vanguardia como OpenAI y Anthropic. Actualmente, la red de Grass cuenta con millones de nodos y ha entregado más de 1,000 millones de GB de datos web a laboratorios de IA. En esta conversación, Andrej reveló por primera vez la estructura del negocio de Grass, los dos mercados de datos de entrenamiento y datos de inferencia, la enorme oportunidad de los datos de video robóticos y el recién lanzado conjunto de productos Live Context Retrieval.

Puntos destacados

• "Desde la perspectiva de Internet, esto es como si los usuarios normales estuvieran navegando. Pero en realidad, es una enorme plataforma de infraestructura de datos que alimenta la vanguardia de la IA."
• "Honestamente, ahora la mayor parte de Internet diseñada para humanos es difícil de acceder para los agentes de IA. La política predeterminada de los sitios web es bloquear directamente todas las IP de los centros de datos."
• "Ahora los datos de entrenamiento y los datos de inferencia son dos cosas diferentes, pero en el futuro se unirán. El modelo final recibirá información en tiempo real de manera continua, como una manguera de bomberos."
• "Lo que más quieren las empresas robóticas es que el modelo vea mil millones de videos y aprenda a usar herramientas y hacer tareas domésticas por sí mismo."
• "La verdadera ventaja competitiva es: cada dólar que inviertes en infraestructura genera más rendimiento económico que el de tus competidores."
• "La visión final de Grass es convertirse en el medio para que la IA acceda a la información. Cualquiera que sea el sistema de IA del futuro, necesitará acceder a información ------ y Grass es ese conducto."

A continuación se presenta un resumen de la conversación del podcast (contenido editado):

Grass no es un VPN, es un proveedor secreto de datos para IA

Moderador: Primero, explícale a nuestra audiencia, ¿qué es exactamente Grass? ¿Cómo llegaste a este campo?

Andrej: Grass es una red compuesta por millones de nodos, donde los usuarios se unen voluntariamente, comparten su ancho de banda y son recompensados. En el otro extremo, diversas infraestructuras de datos utilizan el ancho de banda de estos millones de usuarios para acceder masivamente a datos web.

¿Cómo llegué a este campo? Es una historia bastante aleatoria. Estudié ingeniería física en Canadá, con especialización en ingeniería nuclear y fotónica. Al graduarme, los trabajos en ingeniería nuclear estaban en lugares remotos de Canadá, y no quería mudarme a mis veinte años. Luego descubrí que muchas de las habilidades que aprendí en física podían aplicarse en el sector financiero, así que trabajé en finanzas durante unos años y luego volví a estudiar un doctorado en física computacional.

Cuando comenzó la pandemia, estaba estudiando un doctorado en matemáticas aplicadas, modelando ecuaciones físicas complejas. Durante la pandemia, tuve mucho tiempo libre y comencé a hacer cosas extrañas. Una de ellas fue un robot de arbitraje ------ buscando diferencias de precios en diferentes sitios web para hacer arbitraje. Esto requería una gran cantidad de web scraping, y así fue como caí en el campo del scraping web. Unos años después conocí a dos cofundadores, hablamos sobre nuestras experiencias y todos sentimos que era algo que claramente debíamos hacer, así que seguimos adelante hasta ahora.

Por qué es difícil para los agentes acceder a Internet hoy

Moderador: ¿Qué viste que otros no vieron? ¿Por qué decidiste hacer esto?

Andrej: La señal más grande fue la pandemia. Durante la pandemia, la mayoría de los negocios se trasladaron en línea, y muchas empresas obtuvieron información ------ como información de precios, o incluso el cálculo del CPI por parte del gobierno ------ que antes se hacía enviando a alguien con una pizarra a las estanterías de las tiendas para anotar precios. Durante la pandemia, las tiendas cerraron y todos se vieron obligados a gastar en línea.

La infraestructura web se volvió cada vez más avanzada, pero al mismo tiempo, la demanda de información web explotó. Muchos sitios web se dieron cuenta: necesitamos hacer que la información sea pública, para que la gente pueda encontrarnos y comprar nuestros productos. Sin embargo, queremos construir un jardín amurallado que solo permita el acceso a los consumidores, bloqueando todas las IP de los centros de datos.

La demanda de infraestructura de datos web automatizada explotó en ese momento. Pensamos que esta tendencia no se detendría ------ a medida que los algoritmos de aprendizaje automático se volvían más fuertes, se extendería por toda Internet.

Moderador: Entonces, ¿qué es lo que los agentes de IA no pueden hacer ahora? ¿Qué se está volviendo cada vez más difícil de acceder?

Andrej: Si lo dices honestamente, ahora la mayor parte de Internet diseñada para humanos es difícil de acceder para los agentes de IA. Y esta situación continuará durante mucho tiempo.

Hay muchas razones. Muchos sitios web bloquean a los crawlers de IA por diversas razones ------ ya sea porque temen que los competidores raspen datos o porque temen que la IA use su contenido para entrenar. Pero independientemente de la razón, es difícil para ellos distinguir quién está accediendo, así que la política predeterminada es un enfoque de todo o nada: bloquear todas las IP de los centros de datos.

Si tu agente está en AWS, cada sitio web puede detectar que es una IP de AWS. Tu agente y el crawler de precios de un competidor no se diferencian para el sitio web. La política predeterminada es simplemente bloquearlo. Y hemos visto que esto se está volviendo cada vez más común.

Esto no solo se aplica a los agentes, sino también a los escenarios de uso estándar de modelos grandes, e incluso al proceso de entrenamiento de modelos grandes en sí ------ cuando necesitas raspar la web para obtener datos de entrenamiento, también te enfrentas al mismo problema. Para obtener los mejores datos de entrenamiento, debes acceder a la mayor cantidad de información posible, luego filtrar y seleccionar la información correcta para incluirla en los pesos del modelo.

Datos de entrenamiento vs datos de inferencia: IA necesita dos tipos de información

Moderador: Ahora tu negocio tiene tanto datos de entrenamiento como datos de inferencia. ¿Puedes hablar sobre la diferencia entre estos dos mercados?

Andrej: El entrenamiento de modelos de IA ahora es así, un ciclo de entrenamiento lleva mucho tiempo. La mayor parte del tiempo se dedica a convertir los datos en un formato adecuado para el entrenamiento. Luego, generas más datos a partir de la salida del modelo, lo que se llama aprendizaje por refuerzo, y luego ajustas el modelo en función de esos datos.

Sin embargo, una vez que el modelo está entrenado y desplegado en el mundo real, su conocimiento se detiene en segundos, no puede seguir aprendiendo en tiempo real. Aunque el aprendizaje continuo es un área de investigación, aún no se ha resuelto.

Así que ahora hay dos procesos completamente diferentes:

• Proceso de entrenamiento: raspar contenido masivo de Internet, creando conjuntos de datos de preentrenamiento muy útiles. Son de gran escala, a veces se dirigen a un idioma específico, un tipo específico de archivo o contenido específico.
• Proceso de inferencia: una vez que el modelo está entrenado, necesita poder ver cosas en línea. Puedes desplegar el modelo en AWS, pero si está en un centro de datos, no podrá ver mucho contenido ------ como contenido que solo puede ser accedido desde ciertos países. Para acceder a gran escala en tiempo real, debes enrutar el tráfico a través de una red como Grass.

Estamos muy emocionados por un nuevo campo emergente que es los datos de inferencia. La idea central es que el modelo necesita obtener información contextual en tiempo real. Cuando usas el modelo, o cuando el modelo es llamado por otro modelo, para que el modelo sea útil, necesita acceder a la información más reciente del mundo en tiempo real.

En los próximos años, cuando el marco de aprendizaje continuo esté lo suficientemente maduro y pueda funcionar a gran escala, estas dos cosas se unirán. El modelo funcionará como una manguera de bomberos, recibiendo continuamente información en tiempo real de toda Internet, actualizándose constantemente.

Hacer que la IA vea mil millones de videos y aprenda por sí misma

Moderador: Mencionaste que ya han indexado más de 100 mil millones de videos web públicos. ¿Cómo utilizan estos datos las empresas robóticas?

Andrej: La cifra exacta puede estar desactualizada, ahora hemos indexado más de 1,000 millones. Digo "indexar" porque no estamos descargando ciegamente cada video ------ el medio de video es demasiado denso, el almacenamiento y el procesamiento son costosos. Estamos haciendo un raspado dirigido.

Los robots y los datos robóticos son un campo muy interesante en este momento. Primero, permíteme explicar la lógica básica de la investigación en aprendizaje automático: si sabes qué optimizar y el formato de datos es adecuado, estarás muy feliz haciendo aprendizaje automático. Le lanzas un montón de datos a un algoritmo familiar, y rápidamente aprende de ellos.

Ahora, el estado ideal para los investigadores robóticos es hacer que el modelo vea millones de videos (más precisamente, decenas de miles de millones), escuche millones de podcasts, lea billones de datos textuales de Internet, y luego aprenda a actuar y generalizar a partir de esta información. Por ejemplo, si he visto a alguien usar un cortacésped, entonces como robot sé cómo hacerlo. He visto cómo camina, cómo mueve los brazos, cómo usa herramientas, y después de verlo millones de veces, siempre que el algoritmo y la configuración sean correctos, lo haré por mí mismo.

El modelo de la empresa de inteligencia corporal Generalist AI es emocionante porque podría ser el primero en demostrar que el modelo puede aprender a operar físicamente solo a partir de ver muchos videos ------ como tomar una bola de un color específico y ponerla en una taza. También demostraron en tiempo real que una persona realizó esta acción, y después de que el modelo lo vio, el robot replicó la misma acción sin cambios.

Desde entonces, otra empresa de inteligencia corporal, Skild AI, también publicó un artículo que demuestra que este comportamiento se puede escalar utilizando videos web. Así que ahora la demanda de videos web está creciendo muy rápido.

Live Context Retrieval: simplificando la ingeniería anti-scraping en una API

Moderador: Recientemente lanzaron el nuevo conjunto de productos Live Context Retrieval (LCR), ¿puedes hablar más sobre eso?

Andrej: Sí, este es nuestro nuevo Contents API, que es el primero de todo el conjunto de productos. Luego habrá un Search (producto de búsqueda), y también se agregarán capacidades multimodales ------ como escuchar audio, leer imágenes, comprensión semántica, etc.

Lo más genial del Contents API es que originalmente era una herramienta que usábamos internamente. El equipo necesitaba recopilar a gran escala diversos datos de entrenamiento, y a veces solo usar redes IP residenciales no era suficiente ------ necesitas manejar huellas digitales de TLS, renderizar navegadores de manera eficiente en servidores, y cambiar constantemente los patrones de solicitud para que los sitios web no te bloqueen. (Nota: TLS es la capa de cifrado entre el navegador y el sitio web al navegar, asegurando que los datos que envías no puedan ser espiados y confirmando que el otro lado es el verdadero sitio web.) Para recopilar datos de entrenamiento de manera eficiente, nuestros ingenieros construyeron una API de contenido web muy útil que todos pueden usar directamente, sin tener que escribir un scraper desde cero cada vez.

Luego nos dimos cuenta de que este producto ya había alcanzado un nivel de excelencia en la industria, mejor que la mayoría de las cosas en el mercado. Así que lo lanzamos como el primer producto abierto de la suite LCR.

¿Qué es? Simplificamos todo el proceso ------ gestionar las solicitudes web de proxies residenciales globales, cargar navegadores, configurar estrategias anti-scraping ------ en una sola llamada a la API. Solo necesitas darle una URL, y rápidamente te devolverá el contenido del sitio web. También puedes especificar desde qué país deseas acceder, y puedes obtenerlo en formato Markdown o texto plano.

Lo siguiente que lanzaremos es Search. ¿Por qué decimos que Search acelerará la adopción de todo LCR? Porque los agentes normales necesitan acceder de 5 a 50 páginas web cada vez que navegan, y durante inferencias complejas, incluso más. El Contents API ahora es adecuado para aquellos clientes que saben qué sitios web quieren monitorear. Una vez que Search esté en línea, el modelo ni siquiera tendrá que saber dónde buscar contenido ------ simplemente llamará a la API de búsqueda y luego a la API de contenido para extraer el contenido.

Colaborar con laboratorios de IA de vanguardia, manteniendo la confidencialidad como en tecnología de defensa

Moderador: ¿Cómo es colaborar con estos laboratorios de IA de vanguardia? ¿Cómo han cambiado sus necesidades?

Andrej: Es increíble, hermano. No es una exageración decir que la IA podría ser la tecnología que defina a esta generación, e incluso defina una era en la historia de la humanidad. Ver cómo estos modelos mejoran paso a paso y ayudan a elevar los límites de la civilización humana es en sí mismo muy emocionante. Para muchos de nosotros en el equipo, esto es lo más gratificante y lo que más nos motiva.

Por supuesto, los recursos están altamente concentrados, y en estos laboratorios están las personas más inteligentes. Cada conversación es un desafío intelectual, y puedes ver muchas cosas geniales. La parte más difícil es no poder compartirlo con el mundo ------ por ejemplo, si participamos en el lanzamiento de un proyecto genial, durante los últimos meses ya sabíamos que iba a llegar porque hemos estado trabajando en ello. Pero no podemos decirlo.

Hace unos meses mencioné esto en el podcast de Handsome, a menudo comparamos esto con la tecnología de defensa: una empresa de defensa que ayuda al gobierno a encontrar terroristas, claramente no va a decir al mundo lo que está haciendo. Porque si lo dices, otros pueden deducirlo y hacer contramedidas. La industria de la IA ahora es así ------ todos están compitiendo para alcanzar la mejor capacidad. Si todos supieran en qué datos se está enfocando una empresa de modelos, podrían deducir lo que están haciendo y competir con ellos antes de que lancen algo.

Así que a menudo podemos ver hacia dónde se dirigirá toda la industria de la IA en los próximos 6 a 12 meses, pero no podemos decirlo.

El modelo de negocio de Grass: una fundación sin propietarios + empresa de servicios

Moderador: Recientemente publicaron un informe de ingresos, y la reacción del mercado fue muy positiva. ¿Puedes hablar sobre la estructura de Grass?

Andrej: La estructura de Grass es bastante única, y para muchos clientes puede parecer un poco extraña, pero esta forma de diseño tiene razones muy importantes ------ todo se trata de alinear incentivos.

Ese informe de auditoría fue realizado por una firma de contabilidad, que verificó todos los pedidos de compra de Grass con los principales laboratorios de IA y otros clientes, y luego conciliaron con el efectivo recibido. Por supuesto, hay un pequeño desfase de tiempo ------ algunas facturas tardan 60 días en pagarse después de ser emitidas ------ pero en general, todo coincide.

Muchos pueden no darse cuenta de que el sujeto en este informe de auditoría es la fundación Grass, no una entidad de capital. La fundación Grass es una fundación sin propietarios, todos los clientes ------ ya sea que compren datos de preentrenamiento, datos de ajuste fino o productos de datos de inferencia ------ se enfrentan a la fundación Grass. Es una estructura sin propietarios, nadie la posee, es administrada por directores independientes, y cualquier transacción de fondos necesita la aprobación de los directores.

Yo trabajo en Wyn Labs, que es el proveedor de servicios de la fundación Grass. ¿Por qué existe Wyn Labs? Porque en el mundo real, aún necesitas contratar personas, pagar seguros sociales, comprar seguros, necesitas una entidad de capital para hacer estas cosas. Sin embargo, Wyn Labs no posee ninguna propiedad intelectual ------ toda la propiedad intelectual se transfiere a la fundación Grass. Wyn Labs no se enfrenta directamente a ningún cliente, y cualquier colaboración entre Wyn Labs y la fundación Grass necesita la aprobación de los directores de la fundación Grass ------ y estos directores no tienen ningún interés económico en Wyn Labs. Por supuesto, el equipo de Wyn Labs también son poseedores de tokens.

La visión futura es convertirse en el conducto para que la IA acceda a la información

Moderador: Última pregunta. Si todo se desarrolla según tu visión, ¿cómo será Grass en 5 a 10 años?

Andrej: Mira la velocidad de desarrollo actual, el progreso exponencial, nadie puede predecir cómo será el mundo en 5 años. Pero la misión de Grass es clara, queremos ser la forma en que la IA accede a la información.

Ya sea que los agentes naveguen por Internet, o que sistemas de IA más complejos en el futuro necesiten acceder a información de manera mejor y menos sesgada ------ Grass es ese medio. ¿Cómo será en 5 años? ¿Quién sabe? Quizás para entonces lanzaremos satélites al espacio para recopilar información, en lugar de usar millones de IP globales como satélites digitales, viendo el mundo desde sus respectivas perspectivas.

Independientemente de cómo cambie el mundo, los sistemas de IA necesitarán acceder a información, ya sea para entrenar y aprender, para sintetizar nuevos datos, o para convertirse finalmente en un enorme proceso de aprendizaje continuo. La visión de Grass es convertirse en ese conducto para acceder a la información.