Un enfoque de aprendizaje por refuerzo profundo para el ajuste dinámico de las comisiones en Ethereum

Por qué esto importa para los usuarios cripto cotidianos

Cualquiera que haya intentado enviar un pago o acuñar un token no fungible en Ethereum probablemente se haya encontrado con comisiones confusas que suben y bajan y con largas esperas cuando la red está ocupada. Este artículo explora una nueva forma de fijar esas comisiones mediante una técnica de inteligencia artificial para que la red se mantenga fluida y predecible incluso cuando la demanda aumenta de forma súbita.

Cómo funcionan las comisiones de Ethereum hoy

Ethereum cobra por cada operación usando una unidad llamada gas, y los usuarios pagan un precio del gas para que sus transacciones se incluyan en un bloque. Desde 2021, una regla integrada llamada EIP-1559 ha intentado hacer este proceso más justo y predecible ajustando una tarifa base que todos deben pagar, al tiempo que permite una propina adicional para servicio más rápido. Cuando los bloques están mayormente llenos, la tarifa base sube, y cuando hay espacio disponible, baja. Este enfoque basado en reglas mejoró la situación respecto a las subastas de tarifas anteriores, pero sigue teniendo dificultades durante picos bruscos de demanda, como lanzamientos populares de NFT, y cuando muchos usuarios valoran sus transacciones a niveles similares.

Dónde fallan las reglas actuales

Los autores muestran que EIP-1559 puede comportarse mal en periodos de alta demanda reales y simulados. Durante una famosa acuñación de NFT en 2022, por ejemplo, el uso de gas se mantuvo cerca del límite de bloque mientras la tarifa base oscilaba violentamente, provocando costes inestables y congestión. Investigaciones previas también encontraron que cuando los usuarios asignan valores muy similares a sus transacciones, pequeños cambios en la tarifa base pueden empujar los bloques de casi vacíos a completamente llenos y de nuevo. Ese tipo de patrón de auge y caída desperdicia espacio en los bloques y dificulta que los usuarios adivinen cuánto deben pagar.

Permitir que un agente IA aprenda la tarifa adecuada

En lugar de codificar de forma rígida cómo reacciona la tarifa base ante la demanda, los autores tratan la fijación de tarifas como un problema de aprendizaje. Construyen un entorno simulado similar a Ethereum donde un agente observa la tarifa base actual, cuánto gas se utilizó en el último bloque y varios detalles sobre la memoria compartida de transacciones, como cuántas transacciones nuevas y pendientes existen y qué tarifas ofrecen los usuarios. En función de este estado, el agente elige un pequeño ajuste de la tarifa base. Después de cada bloque, recibe una recompensa que es mayor cuando el uso de gas está cerca de un nivel objetivo y menor cuando los bloques están demasiado vacíos o demasiado llenos. Usando aprendizaje por refuerzo profundo, el agente descubre gradualmente un patrón de ajustes que mantiene el uso cerca del objetivo evitando oscilaciones extremas.

Probando el nuevo mecanismo de comisiones bajo muchas condiciones

Los investigadores ejecutan simulaciones extensas que imitan diferentes estados del mercado. En algunos escenarios, la demanda de transacciones sube o baja suavemente; en otros, alcanza picos pronunciados o cae de repente. También varían el comportamiento de los usuarios, distinguiendo entre quienes pagan simplemente una propina fija y quienes aumentan la propina cuando los bloques están saturados. En todos estos montajes, la política aprendida se compara con la regla estándar EIP-1559. Las medidas clave son cuán cerca se mantiene el uso medio de gas respecto al objetivo, cuánto fluctúa el uso de gas de un bloque a otro y cuán volátil es la tarifa base a lo largo del tiempo.

Lo que muestran los resultados sobre estabilidad y flexibilidad

El mecanismo basado en aprendizaje profundo mantiene de manera consistente el uso de gas cerca del nivel deseado mientras reduce su variabilidad en comparación con EIP-1559. La mejora es especialmente notable cuando las valoraciones de los usuarios caen en un rango estrecho, precisamente la situación en la que la regla actual puede entrar en patrones caóticos. En esos casos, el nuevo método reduce las fluctuaciones en el uso de gas en aproximadamente un factor de diez y hace que la tarifa base sea mucho más estable. El agente también reacciona con más soltura a picos súbitos: incrementa la tarifa base lo bastante rápido para llevar el uso de nuevo hacia el objetivo sin sobrepasarlo tanto como la regla anterior. Ajustando la rapidez con la que se permite mover la tarifa y añadiendo o eliminando información del pool de transacciones, los autores muestran que los operadores de la red podrían afinar la compensación entre capacidad de respuesta y suavidad.

Qué significa esto para las comisiones de blockchain en el futuro

Desde la perspectiva de un público general, el estudio sugiere que algoritmos inteligentes podrían hacer que las comisiones de Ethereum se sientan menos como un juego de adivinanzas. Un sistema de tarifas que aprenda de la actividad en tiempo real, en lugar de seguir una fórmula fija, puede mantener los bloques bien aprovechados, limitar oscilaciones salvajes de las comisiones y manejar periodos de alta demanda con menos interrupciones. Aunque el trabajo se basa en simulaciones y necesitaría pruebas cuidadosas antes de su despliegue, apunta hacia mecanismos de tarifas que se adapten a condiciones cambiantes y que podrían mejorar tanto la experiencia del usuario como la eficiencia de la red.

Cita: Jang, H., Shim, J. A deep reinforcement learning approach for dynamic transaction fee adjustment in Ethereum. Sci Rep 16, 15600 (2026). https://doi.org/10.1038/s41598-026-46368-2

Palabras clave: Comisiones de Ethereum, aprendizaje por refuerzo, economía de blockchain, precio del gas, congestión de transacciones