Pourquoi dit-on que l'intégration de la blockchain et de l'IA est une nécessité naturelle ?
TechFlow SélectionTechFlow Sélection
Pourquoi dit-on que l'intégration de la blockchain et de l'IA est une nécessité naturelle ?
En termes de tendance, l'IA a un besoin naturel pour la blockchain ; l'IA a besoin de la blockchain pour assurer une véritable résilience à son développement.
Dédié à des analyses Web3 approfondiesLa blockchain est également l'une des tendances les plus importantes
Cette année, l'engouement pour l'IA a largement dépassé celui de la blockchain. Toutefois, le monde cryptographique n'a pas à se décourager. Comment comprendre les opportunités futures de la blockchain ? Voici quelques réflexions préliminaires :
-
La blockchain est l'une des évolutions les plus importantes de l'histoire humaine. La transition d'un web2 basé sur l'information vers un web3 fondé sur la valeur correspond également à une nécessité d'amélioration de la productivité. En seulement une dizaine d'années, cette technologie a encore des décennies d'évolution devant elle. Actuellement, son impact sous-jacent arrive en deuxième position après celui de l'IA parmi les technologies clés.
-
L'IA et la blockchain ont un potentiel de convergence, même si les progrès ne seront pas rapides.
Aujourd'hui, examinons plus précisément ce second point : la convergence entre l'IA et la blockchain.
Comment la blockchain peut-elle aider l'IA ?
Calcul
Tout le monde sait que l'IA exige une puissance de calcul considérable. Il existe un besoin réel d'utiliser efficacement les ressources informatiques inutilisées pour répondre à ces besoins. Cependant, actuellement, l'entraînement des modèles d'IA étant un processus intensif et très coûteux, les contributions directes de la blockchain dans le calcul généralisé restent limitées.
Trois critiques principales sont souvent formulées : premièrement, la nécessité de disposer de matériels GPU spécialisés ; deuxièmement, les délais liés aux échanges de données ; troisièmement, la difficulté de prouver de manière décentralisée l'exécution des tâches de calcul.
-
Comme mentionné ci-dessus, l'entraînement de modèles d'IA repose sur des calculs massifs et intensifs. Les grands modèles linguistiques (LLM) comportent des milliards de paramètres, et les FLOPs requis pour leur entraînement sont colossaux. Seuls des matériels spécialisés (GPU dédiés à l'IA, équipés de composants spécifiques comme les Unités de traitement tensorielles, etc.) permettent d'obtenir des résultats optimaux. De plus, pour maximiser l'efficacité, tous les GPU doivent idéalement fonctionner en environnement homogène, avec des niveaux comparables afin d'assurer une synchronisation fluide lors des échanges de données et des calculs continus. Dans un réseau décentralisé, cela impose des exigences strictes sur les GPU des participants. Or, plus les exigences sont élevées, plus les barrières à l'entrée augmentent, ce qui nuit à la décentralisation et à l'utilisation des ressources inutilisées.
-
Les GPU utilisés pour l'IA doivent constamment échanger des données. Toute latence réseau nuit donc à l'utilisation efficace du calcul distribué pour l'entraînement de modèles IA.
-
Il faut trouver des solutions efficaces et peu coûteuses pour vérifier de manière décentralisée l’accomplissement des tâches de calcul.
Ces points soulignent les difficultés actuelles de combiner le calcul décentralisé avec l'IA, ce qui explique pourquoi l'intégration entre IA et blockchain reste ardue. Néanmoins, selon BlueFox Notes, avec davantage d'acteurs explorant ce domaine, ces obstacles seront progressivement levés, bien que cela prenne encore beaucoup de temps.
Examinons maintenant les aspects susceptibles d'être progressivement résolus. Si le secteur cryptographique peine encore à s'imposer dans le calcul généralisé pour l'IA, il peut trouver des entrées par des domaines spécialisés. Ce point d'entrée est étroitement lié aux tâches actuelles de calcul en IA. Deux observations sont pertinentes : premièrement, les tâches d'inférence représentent aujourd'hui la majorité des besoins en calcul IA ; deuxièmement, certaines tâches de réglage fin (fine-tuning) et d'inférence requièrent moins de ressources, offrant ainsi une opportunité pour être réalisées via un calcul décentralisé. Ces éléments indiquent un potentiel réel pour l'utilisation de puissances de calcul décentralisées.
Dans des domaines spécifiques — tels que le droit, la médecine, l'investissement, l'éducation ou l'analyse de données — les applications d'IA pourraient initialement mieux convenir à des réseaux de calcul distribués spécialisés. Comme indiqué précédemment, le défi majeur pour fournir un service de calcul décentralisé à l'IA ne réside pas tant dans l'exécution du calcul que dans la vérification décentralisée de son accomplissement. Certains projets tentent déjà de relever ce défi, comme Gensyn ou Together.
Gensyn intègre plusieurs avancées issues de la recherche académique, telles que les preuves probabilistes d'apprentissage et les protocoles de localisation précise basés sur les graphes, tout en s'inspirant du modèle d'incitation et de contre-pouvoirs du projet Truebit. Gensyn décompose l'ensemble du processus en huit phases : soumission de la tâche d'IA, analyse, entraînement, génération de preuve, vérification, remise en cause, arbitrage et règlement final. La « preuve probabiliste d'apprentissage » établit un seuil de distance de référence servant de base à la vérification ; la technique de « localisation précise basée sur les graphes » supervise l'action des vérificateurs ; quant au modèle de jeu inspiré de Truebit, il incite les parties impliquées à agir rationnellement. Pour plus de détails, consulter le livre blanc de Gensyn. Mentionnons également que des projets similaires à Truebit, centrés sur le calcul hors chaîne, pourraient eux aussi évoluer dans cette direction et saisir de nouvelles opportunités commerciales. Bien sûr, chaque équipe doit évaluer ce potentiel selon son propre cas.
Par rapport à la complexité de mise en œuvre du calcul réseau décentralisé, le partage de modèles d'IA et de données d'IA constitue un domaine où les réalisations concrètes peuvent arriver plus rapidement. Les deux axes suivants semblent particulièrement propices à des percées précoces dans la convergence entre IA et blockchain : le partage décentralisé des modèles et le partage décentralisé des données.
Modèles
Des incitations par jetons peuvent encourager le partage de modèles, conduisant ainsi à des modèles plus performants. Ces modèles peuvent même être déployés sur la blockchain et entraînés collectivement par divers participants, accélérant ainsi leur développement. Par ailleurs, avec la complexification croissante des modèles d'IA, la confiance dans les inférences devient cruciale. C'est là qu'intervient la notion d'inférence fiable sur chaîne (on-chain).
Dans les domaines du réglage fin et de l'inférence, des projets comme Giza, ChainML, Bittensor ou Modulus Lab sont en phase d'exploration. Giza propose un marché de modèles sur chaîne, déployant des modèles simples directement sur la blockchain, réalisant l'inférence on-chain, et permettant aux propriétaires de modèles de percevoir des revenus chaque fois que leur modèle est utilisé.
Modulus, quant à lui, développe le concept de zkML. Selon cette approche, exécuter des modèles d'inférence directement sur la blockchain serait trop coûteux. La solution proposée consiste donc à exécuter l'inférence hors chaîne, puis à générer une preuve zkSNARKs, laquelle est ensuite publiée sur la blockchain et validée par contrat intelligent.
Données
Grâce à une économie de jetons, il est possible d'inciter les utilisateurs à donner leur retour sur les modèles ou à collecter des données de meilleure qualité. L'accès à des données distribuées de haute qualité, notamment dans des domaines spécialisés, revêt une importance significative pour le développement de l'IA. Cette approche peut en outre être combinée à la technologie ZK, permettant de préserver la confidentialité des données sous-jacentes. Le principal défi ici consiste à prouver objectivement la qualité des données elles-mêmes.
La combinaison de données de haute qualité et de modèles d'IA décentralisés ouvre des perspectives passionnantes pour l'évolution de l'IA.
Authentification et lutte contre la falsification
Depuis l'avènement des modèles de deep learning, les images, sons et vidéos générés par IA deviennent de plus en plus difficiles à distinguer des contenus authentiques. À l'ère de la génération automatique par IA, l'authenticité et l'intégrité des contenus revêtent une importance croissante. La blockchain constitue alors un outil technologique clé pour y répondre.
L'identification cryptographique et la signature numérique garantissent l'origine authentique du contenu, empêchant toute falsification. Ce problème devient particulièrement critique à mesure que les outils d'IA sont de plus en plus détournés à mauvais escient. Cette technologie constitue un moyen essentiel pour lutter contre la diffusion de contenus truqués. Dans une ère où le faux imite parfaitement le vrai, les techniques cryptographiques deviennent indispensables pour discriminer le vrai du faux.
En outre, la technologie blockchain peut servir à établir la propriété intellectuelle. Par exemple, face à deux œuvres visuelles similaires — l'une générée par IA, l'autre tokenisée en NFT — il peut être impossible de les différencier à l'œil nu. C'est précisément dans ce type de situation que la blockchain joue un rôle fondamental.
Une IA plus résiliente
En s'intégrant à la blockchain, l'IA peut bénéficier d'un soutien accru en matière de calcul, de modèles, de données, de bande passante et de stockage, s'appuyant ainsi sur une infrastructure décentralisée et renforçant ses capacités d'auto-évolution. Par ailleurs, les mécanismes de paiement cryptographique et de circulation de valeur propres à la blockchain peuvent également stimuler l'évolution autonome de l'IA.
Une fois qu'une infrastructure blockchain complète et mature sera en place, l'IA disposera de capacités d'auto-évolution accrues. Autrement dit, une IA plus décentralisée répond à un besoin intrinsèque de réalisation de soi. Tirer parti des caractéristiques distribuées de la blockchain pour développer l'IA s'inscrit naturellement dans la logique de son propre développement.
Pour l'IA elle-même, une domination finale par de grands géants tels que Microsoft ou Google serait néfaste à son évolution. L'IA possède un besoin naturel de développement décentralisé, condition nécessaire à sa propre résilience. La synergie entre IA et blockchain pourrait libérer une puissance bien supérieure aux attentes actuelles.
Comment l'IA peut-elle impulser la blockchain ?
Fusion entre l'IA et les données on-chain
L'analyse par IA des données dynamiques présentes sur la blockchain permet d'acquérir des capacités prédictives, notamment dans le domaine de la recherche et de l'investissement. L'un des aspects les plus prometteurs est l'intégration de l'IA dans les contrats intelligents afin de leur permettre de prendre des décisions autonomes et dynamiques. Par exemple, ajuster automatiquement les protocoles DeFi en fonction des données en temps réel. Un contrat intelligent dynamique, plutôt que statique, ouvrirait la voie à de nouveaux cas d'utilisation et stimulerait la demande utilisateur.
Le développement de l'IA peut ainsi offrir de nouvelles possibilités aux applications cryptographiques.
L'IA peut apporter de nouvelles opportunités à la DeFi, aux jeux web3, aux réseaux sociaux web3 et aux applications web3 (transport, hébergement, tourisme, etc.). Par exemple, l'alliance IA + jeux web3 pourrait donner naissance à des modes de jeu inédits ; ou encore, la combinaison IA + objets connectés + paiements cryptographiques pourrait engendrer des réseaux bien plus intelligents.
Importance croissante des ZKP
Pour garantir à la fois la confidentialité et l'intégrité des tâches de calcul, l'intégration des preuves sans connaissance (ZKP) est indispensable, afin de produire des preuves de travail vérifiables. Une fois matures, les ZKP permettront non seulement d'intégrer l'IA à la blockchain, mais aussi de fournir une protection de la vie privée et un apprentissage automatique vérifiable.
Dans l'ensemble, la blockchain peut, grâce à son mode décentralisé, offrir une architecture collaborative pour les protocoles de calcul, de données et de modèles, favorisant ainsi le développement de l'IA. Ce processus nécessite toutefois de nombreux perfectionnements : notamment, prouver de manière fiable les contributions des participants (qu'il s'agisse de puissance de calcul, de données ou de modèles). Seule une résolution à faible coût de ces défis permettra à la blockchain de véritablement servir l'IA ; autrement, tout cela restera du château en Espagne.
Bien entendu, d'un point de vue tendanciel, l'IA présente un besoin intrinsèque pour la blockchain, car elle a besoin de celle-ci pour assurer sa propre résilience.
Parallèlement, l'IA peut également contribuer à l'évolution des applications blockchain, qu'il s'agisse de DeFi, de jeux ou d'autres types d'applications, rendant possible l'émergence d'applications cryptographiques plus intelligentes. Cela pourrait constituer la grande narration future, même si cette vision n'est pas encore mûre pour le prochain cycle, elle pourrait très bien se concrétiser dans le cycle suivant.
Ce qui précède n'est qu'une partie des pistes envisageables, loin d'être exhaustif, et susceptible d'évoluer avec le temps. Vos commentaires et compléments sont les bienvenus. (Article datant de deux mois, oublié de publier, publié aujourd'hui en rattrapage.)
Avertissement relatif aux risques : toutes les analyses ci-dessus reflètent uniquement des observations partielles sur la technologie et les marchés, et ne sont pas nécessairement exactes. Il est impératif de garder votre propre jugement et de maîtriser les risques.
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
蓝狐笔记
