Opportunités de positionnement entre l'IA et le Web3 : perspectives et opportunités selon les investisseurs (2/2)
TechFlow SélectionTechFlow Sélection
Opportunités de positionnement entre l'IA et le Web3 : perspectives et opportunités selon les investisseurs (2/2)
Les gens explorent depuis longtemps le point de convergence entre l'IA et le Web3.
Dédié à des analyses Web3 approfondiesPar Lao Bai, associé de recherche et développement chez ABCDE
Dans l'article précédent, l'auteur a présenté la modélisation en actifs des Bots/Agents/Assistants, l'un des six modèles Web3+IA. Cet article présente les cinq autres modèles : les plateformes de puissance de calcul, les plateformes de données, l'IA générative, les applications DeFi (transactions, audits, rendement, gestion des risques) et le ZKML.
Plateformes de puissance de calcul
Les projets de plateformes de puissance de calcul sont moins nombreux et moins concurrentiels que ceux liés à la modélisation d'agents, mais ils sont plus simples à comprendre. Tout le monde sait que l'IA nécessite une grande puissance de calcul, et BTC ainsi qu'ETH ont démontré ces 10 dernières années qu'il existe une méthode capable d'organiser spontanément, de manière décentralisée et sous incitations économiques et dynamiques de jeu, une quantité massive de puissance de calcul pour coopérer et concurrencer autour d'une tâche commune. Cette méthode peut désormais être appliquée à l'IA.
Les deux projets les plus célèbres du secteur sont sans aucun doute Together et Gensyn : le premier a levé des dizaines de millions dès son tour de financement initial ; le second a récolté 43 millions lors de son tour de série A. La raison de ces importantes levées de fonds serait la nécessité de financer l'entraînement préalable de leurs propres modèles, avant de construire par la suite une plateforme de puissance de calcul accessible aux autres projets IA.
En revanche, les plateformes destinées à l'inférence (inference) attirent des montants de financement nettement plus faibles, car elles consistent essentiellement à agréger des ressources GPU inutilisées pour les proposer aux projets IA ayant besoin d'effectuer des inférences. RNDR centralise la puissance de calcul dédiée au rendu graphique, tandis que d'autres plateformes se concentrent sur l'inférence. Toutefois, les barrières technologiques restent floues, et je me demande même si RNDR ou une autre plateforme Web3 de cloud computing ne va pas un jour étendre ses activités vers le domaine de l'inférence.
Comparé à la modélisation d'actifs, ce segment des plateformes de calcul est plus tangible et prévisible. Il s'agit d'un domaine où la demande est certaine, et où émergeront probablement un ou deux projets leaders. La seule incertitude porte sur la structure du leadership : aura-t-on un leader distinct pour l'entraînement et un autre pour l'inférence, ou un seul projet dominera-t-il les deux domaines ?
Plateformes de données
Ce concept n'est pas difficile à saisir, car les fondations de l'IA reposent sur trois piliers principaux : l'algorithme (modèle), la puissance de calcul et les données.
Puisque des versions « décentralisées » existent déjà pour les algorithmes et la puissance de calcul, il est logique qu'elles apparaissent aussi pour les données. C'est d'ailleurs la direction que le Dr. Lu Qi, fondateur de MiraclePlus, considère comme la plus prometteuse lorsqu'il parle de l'intersection entre IA et Web3.
Le Web3 insiste depuis toujours sur la confidentialité et la souveraineté des données, et dispose de technologies comme le ZK (Zero-Knowledge) pour garantir fiabilité et intégrité des données. Par conséquent, une IA formée sur des données issues de la chaîne Web3 devrait présenter des caractéristiques différentes d'une IA entraînée sur des données hors chaîne (Web2). Ce raisonnement tient donc la route. À ce jour, Ocean est le projet phare dans ce domaine, et on observe également sur le marché primaire des projets spécialisés dans les marchés de données IA construits sur Ocean.
IA générative
Il s'agit simplement d'utiliser l'IA pour créer des œuvres visuelles ou similaires, afin de les appliquer à divers scénarios, comme la création de NFT, la génération de cartes de jeux, de contextes pour les PNJ, etc. Le segment des NFT semble difficile à exploiter, car l'IA nuit à la notion de rareté. En revanche, les jeux GameFi représentent une voie prometteuse, et certains projets tentent leur chance sur le marché primaire.
Cependant, j'ai récemment appris que Unity (qui, avec Unreal Engine, domine depuis longtemps le marché des moteurs de jeu) a lancé ses propres outils d'IA générative, Sentis et Muse, actuellement en phase de test fermé et dont le lancement officiel est prévu pour l'année prochaine. Pour être honnête, les projets Web3 dans le domaine de l'AIGC pour les jeux risquent d'être sévèrement concurrencés par Unity…
DeFi : trading, audit, rendement, gestion des risques
Des projets existent dans chacune de ces catégories, et l'homogénéisation reste limitée.
-
Trading — Cela devient délicat, car plus une stratégie de trading performante est utilisée, moins elle fonctionne bien à terme, obligeant à passer à de nouvelles stratégies. On se demande aussi quel sera le taux de réussite futur des robots de trading alimentés par l'IA, et à quel niveau ils se situeront par rapport aux traders traditionnels.
-
Audit — Ces systèmes devraient permettre d'identifier rapidement les vulnérabilités courantes, mais ils seront probablement incapables de détecter des failles nouvelles ou logiques. Il faudra attendre l'ère de l'AGI (intelligence artificielle générale) pour espérer des avancées significatives.
-
Rendement (Yield) — Facile à comprendre : imaginez un YFI intelligent piloté par l'IA. Vous lui confiez vos fonds, et l'IA choisit automatiquement, selon votre profil de risque, les meilleures plateformes pour le staking, la constitution de couples LP, le minage, etc.
-
Gestion des risques — Créer un projet autonome uniquement dédié à cela semble étrange. Intégrer cette fonctionnalité sous forme de plugin aux plateformes de prêt ou autres protocoles DeFi paraît beaucoup plus cohérent.
ZKML
Un domaine de plus en plus populaire dans l'écosystème, car il combine deux technologies particulièrement pointues : le ZK (Zero-Knowledge), emblématique du Web3, et le ML (machine learning), une branche spécifique de l'IA.
Théoriquement, l'intégration du ZK peut apporter confidentialité, intégrité et précision aux processus de machine learning. Mais si l'on cherche des cas d'usage concrets, force est de constater que même les porteurs de projets peinent à les identifier clairement. Pour l'instant, on construit les infrastructures en attendant que les applications émergent…
À ce jour, la seule application véritablement indispensable concerne certains domaines médicaux, où la confidentialité des données des patients est cruciale. Les autres scénarios, comme l'intégrité ou la lutte contre la triche dans les jeux blockchain, semblent encore un peu tirés par les cheveux.
Actuellement, quelques projets stars dominent ce secteur, notamment Modulus Labs, EZKL et Giza, tous très prisés par les investisseurs du marché primaire.
Et pour cause : les experts capables de maîtriser à la fois le ZK et le ML sont extrêmement rares dans le monde. Cette double compétence fait du ZKML un domaine technologiquement bien plus exigeant que les autres, et donc moins sujet à l'homogénéisation.
Enfin, notons que le ZKML s'applique majoritairement à l'inférence, et non à l'entraînement des modèles.
Voilà pour les tendances observées concernant l'association IA + Web3. Si vous avez repéré des projets intéressants ou des idées novatrices qui ne figurent pas dans ces six catégories, n'hésitez pas à me contacter.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
Lao Bai
