Besoins réels ou surf sur la tendance ? Comment les VC du secteur de la cryptographie perçoivent-ils l’association IA + Web3 ?
TechFlow SélectionTechFlow Sélection
Besoins réels ou surf sur la tendance ? Comment les VC du secteur de la cryptographie perçoivent-ils l’association IA + Web3 ?
L'association de l'IA et de la Web3 pourrait devenir un point de rupture majeur pour l'innovation et la convergence sectorielle à venir.
Dédié à des analyses Web3 approfondiesAuteur : Wanxiang Blockchain
Comment percevoir l'association entre l'IA et les données Web3 ? Quelles directions méritent une attention particulière ?
Hashkey Capital - Harper : Je pense que la combinaison de l’IA et des données web3 comporte plusieurs aspects. Premièrement, utiliser des modèles LLM pour convertir le langage naturel en requêtes SQL. Par exemple, Dune ou certains projets spécialisés dans les moteurs de recherche visent à renforcer les capacités SQL afin d'accéder correctement aux bases de données. Certains permettent même de générer automatiquement du SQL via un langage naturel, que les développeurs peuvent ensuite copier et utiliser directement. Deuxièmement, il s'agit de chatbots ou agents conversationnels basés sur ChatGPT, destinés principalement à offrir une interface de discussion sans insister sur l’optimisation SQL ou de recherche. L’interaction est plus libre : par exemple, « qui est le KOL ayant fait monter ce token ? » ou « quel impact cet incident de sécurité a-t-il eu sur le token ? ». Dans ce cas, la réponse peut provenir d’une recherche globale sur internet, sans nécessiter d’optimisation poussée des requêtes SQL. Troisièmement, créer grâce à l’IA des modèles pertinents pour intégrer et analyser les données hors chaîne (off-chain) et en chaîne (on-chain), afin d’en extraire des insights plus riches.
En comparaison, la première approche exige des compétences solides en conception de base de données, car les données Web3 sont complexes à traiter ; atteindre à la fois précision et rapidité reste difficile. La seconde constitue une combinaison plus simple, avec une barrière d’entrée relativement basse.
SevenX Ventures - Yuxing : En réalité, les données constituent la matière première de l’IA. Les données Web3 sont publiques et vérifiables, tandis que l’un des problèmes majeurs de l’IA réside dans son caractère « boîte noire », difficilement vérifiable. Leur association peut donc produire des effets intéressants. Pour moi, il convient davantage de distinguer deux catégories : non pas simplement « IA + données Web3 », mais plutôt comment l’IA peut améliorer le Web3, et comment le Web3 peut améliorer l’IA.
D’abord, concernant les données Web3, l’IA peut pleinement tirer parti de leur accessibilité et vérifiabilité. Toute IA peut exploiter ces données pour en extraire de la valeur, qu’il s’agisse de recommandations d’investissement ou d’analyses prédictives. L’IA permet ainsi d’améliorer considérablement l’efficacité du traitement et de l’analyse des données Web3. Inversement, le Web3 peut renforcer la crédibilité de l’IA, car il incarne un nouveau mécanisme de confiance. Grâce à la transparence et à la vérifiabilité des données Web3, on peut augmenter la transparence de l’IA. Même dans des domaines critiques comme le journalisme ou les reportages, les informations clés pourraient être stockées via le Web3, ce qui permettrait d’éviter certains écueils liés à l’IA.
Parmi ces écueils figurent notamment la falsification par l’IA et le problème de la « boîte noire ». Certains algorithmes d’IA sont compréhensibles, mais d’autres, comme les réseaux neuronaux complexes ou GPT, restent difficiles à interpréter. On peut alors remettre en question la manière dont leurs réponses sont générées, puisque ni les données ni les algorithmes ne sont transparents — cela ressemble presque à de la magie. Par exemple, un algorithme de reconnaissance faciale a autrefois classé des personnes noires comme des gorilles, simplement parce que les images de personnes noires étaient trop rares dans son jeu de données.
Si les données utilisées par un modèle d’IA sont vérifiables, nous pourrons plus facilement détecter les biais d’échantillonnage. En utilisant des données Web3, grâce à leur transparence, l’origine des données d’entraînement et les résultats du modèle deviennent plus clairs. Cela nous permettrait de considérer l’IA de façon plus équitable, de comprendre ses processus décisionnels et de réduire les biais ou erreurs.
Le problème de la « boîte noire » peut être divisé grossièrement en deux parties. D’une part, la boîte noire de l’algorithme lui-même : comment le modèle est entraîné, comment le contenu est généré — tout cela manque de transparence ou d’explicabilité au niveau du processus d’entraînement ou du mécanisme algorithmique. D’autre part, la boîte noire des données : l’absence de publication des données d’entraînement peut également induire des biais dans les résultats finaux.
Si ce biais concerne seulement l’exactitude du contenu, on peut continuer à l’améliorer progressivement. Mais s’il touche à des questions idéologiques, notamment politiques ou discriminatoires raciales, la correction devient beaucoup plus délicate. Dans ce cas, on ne peut que contrôler la sortie du modèle. Par exemple, dans de nombreux systèmes nationaux ou d’entreprises publiques, le point central consiste justement à contrôler ce que l’IA peut dire ou ne pas dire — ce qui est extrêmement difficile à mettre en œuvre, proche du problème de biais idéologique mentionné précédemment.
Qiming Venture Partners - Tang Yi : Concernant la combinaison de l’IA et des données Web3, je pense personnellement qu’il y a actuellement un certain battage médiatique, avec plus de buzz que de valeur pratique. À mes yeux, les produits de données crypto en sont encore à un stade relativement précoce, et les fondations dans le domaine des données ne sont pas suffisamment solides. Dans ces conditions, introduire prématurément l’IA ou trop d’analyses de données semble prématuré.
De plus, du point de vue utilisateur, la plupart des cas d’usage combinant projets cryptos et IA ne tiennent pas vraiment la route, ou n’utilisent pas réellement l’IA. En effet, les modèles d’IA populaires récemment, surtout les modèles génératifs, reposent sur de très vastes jeux de données issues d’internet, tels que le traitement du langage ou la génération d’images. Bien que certains utilisent l’IA générative pour améliorer l’expérience utilisateur, en proposant une meilleure interactivité ou un sentiment conversationnel, cela reste de peu d’utilité dans la plupart des scénarios. Je pense que si l’on parle d’IA au sens large — capacité d’analyse de données ou modèles d’IA simples — certains cas d’usage existent, comme l’estimation de prix pour les NFT, ou des équipes de trading professionnelles exploitant des données pour effectuer certaines opérations. Globalement, pour cette vague actuelle d’IA, je ne vois pas encore d’opportunités capables d’apporter des bénéfices particuliers à l’industrie crypto à court terme.
Bien sûr, j’ai vu quelques projets précoces qui tentent d’améliorer les capacités de traitement ou d’analyse des données grâce à l’IA. Par exemple, certains projets utilisent des capacités d’IA pour expliquer la logique des contrats intelligents ou pour effectuer une classification automatique. Ces tâches exigent une grande précision dans le domaine des contrats intelligents et des cryptomonnaies, car elles concernent des actions critiques comme les transactions. J’imagine donc que recourir à certaines fonctions d’IA pour un prétraitement des données pourrait être pertinent, mais qu’une intervention humaine finale serait probablement nécessaire pour garantir l’exactitude. Si vous souhaitez que l’IA déclenche directement des transactions, hormis pour des traders professionnels, je pense que les produits doivent encore faire de grands progrès.
Matrix Partners - Zixi : Nous avons étudié de nombreux projets de données Web3, comme Footprint, que j’utilise moi-même fidèlement depuis le début, ou encore Dune. À mon avis, Footprint et Dune ciblent principalement les VC, les développeurs et certaines petites entreprises ; le grand public n’a pas de lien direct avec ces services.
Nous avons aussi examiné des sociétés d’analyse de données directement liées au trading ou aux profits en cryptomonnaies, telles que Nansen, DefiLlama, Token Terminal, DappRadar, ainsi que Dune et Footprint. Ces entreprises sont très utiles pour les VC et les développeurs, mais leur rentabilité semble limitée. La raison en est que la demande globale pour ces données reste faible chez les VC et les développeurs, et leur volonté de payer est faible également — car même si certains services ne sont pas gratuits, d’autres entreprises offrent souvent des alternatives gratuites.
Nous avons également regardé des entreprises similaires à des entrepôts de données cloud. Nous avons co-investi avec Tencent dans Chainbase. Il s’agit essentiellement d’une plateforme de données fournissant des données relatives à la sécurité, aux transactions, aux NFT, à la DeFi, aux jeux, aux réseaux sociaux, ainsi que des données transversales. Les développeurs peuvent combiner ces données sur la plateforme pour créer leurs propres API.
Durant le marché baissier, nous avons remarqué que des entreprises comme Chainbase, Blocksec ou Footprint avaient pour principaux clients des start-ups de petite ou moyenne taille. Par exemple, chez Chainbase, les revenus de certains gros clients n’ont pas baissé, mais ceux des clients moyens et petits ont chuté à zéro après deux ou trois mois. Cela montre que ces projets, faute de fonds, ne peuvent plus poursuivre leurs activités.
Ainsi, pour les fournisseurs de données, en période de marché baissier où aucun nouveau développeur ne rejoint, il devient très difficile de générer des revenus. Cela reflète un fait : actuellement dans le domaine Web3, les fournisseurs de données dépendent principalement des développeurs et petites entreprises qui jugent les données utiles, les intègrent internement, puis cherchent à les monétiser, en équilibrant entrées et sorties.
Fondamentalement, nous pensons que ni les entreprises Web3 orientées B2C ni celles orientées B2B n’ont aujourd’hui de modèle économique clair, ce qui empêche les fournisseurs de données d’avoir un flux de trésorerie stable et solide. C’est particulièrement vrai pour les entrepreneurs de petite et moyenne taille — c’est selon nous le principal défaut actuel du secteur des données Web3.
Revenons maintenant à la combinaison IA et données Web. Récemment, nous avons examiné et investi dans quelques entreprises de données liées à l’IA. Je constate que les entreprises de données IA font face au même problème : la vente de données. Vous devez équilibrer le coût pour le client et l’efficacité obtenue. Pour l’instant, je suis plutôt optimiste quant aux perspectives de rentabilité des entreprises de données IA, mais cela concerne surtout les marchés étrangers.
Si vous visez uniquement le marché intérieur chinois, je crains que le résultat final soit similaire à celui des entreprises SaaS Web2 : vous aurez peut-être des revenus, mais l’échelle d’activité sera limitée, la volonté de paiement des clients faible, vous devrez proposer des services personnalisés, ce qui maintiendra vos marges brutes basses. Je suis donc pessimiste sur ce segment en Chine, mais optimiste à l’international.
Quelle valeur l’IA peut-elle apporter aux infrastructures de données Web3 et aux entreprises de données Web3 ? Quel est actuellement l’impact des projets utilisant l’IA pour aider les données Web3 ? Peut-on espérer des innovations dans les modèles économiques ?
SevenX Ventures : Selon moi, l’aide la plus importante que l’IA puisse apporter aux données Web3 réside dans l’efficacité. Par exemple, Dune a lancé un outil basé sur un grand modèle d’IA pour détecter les anomalies dans le code et indexer l’information : les utilisateurs peuvent interroger des données en langage naturel, le code correspondant est généré automatiquement, puis optimisé. C’est une nette amélioration en termes d’efficacité.
Il existe aussi des projets utilisant l’IA pour des alertes de sécurité : après entraînement, un robot IA peut rapidement identifier des problèmes de sécurité. Par exemple, l’algorithme d’« analyse d’anomalie » dans l’IA détecte bien mieux les anomalies que les méthodes statistiques classiques basées sur la distribution des données. Cette IA peut donc surveiller la sécurité de façon plus efficace.
J’ai aussi vu des projets utilisant des algorithmes d’IA, comme les grands modèles linguistiques, pour indexer l’ensemble des actualités Web3 (pas seulement les données en chaîne), réaliser une agrégation d’informations et une analyse d’opinion, créant ainsi un agent IA. Par exemple, un utilisateur peut directement demander dans une fenêtre de chat quelle est l’opinion publique autour d’un token au cours des 30 ou 90 derniers jours, s’il est plutôt haussier ou baissier, et obtenir un score de popularité. Un graphique montre aussi si le token est au sommet des discussions, en phase descendante ou en phase ascendante. Cela peut aider à l’investissement — une application assez intéressante.
Mais certains projets affirment que leurs données servent de source à l’IA, ce qui me semble forcé. Toute donnée en chaîne peut servir de source à l’IA, car elle est publique — parler d’« IA » ici sent parfois un peu le buzz marketing.
Matrix Partners - Zixi : Le modèle économique est aujourd’hui un gros problème dans le domaine des données, et trouver une solution est difficile. Peut-être que côté B2C, en utilisant des concepts Web3 comme les tokens ou la décentralisation, on pourrait adopter de nouveaux modèles économiques pour les données IA. Mais si l’on parle d’IA qui améliore les données, il n’y a actuellement pas grand-chose de notable.
L’IA peut aider au traitement et au nettoyage des données, mais c’est surtout un avantage interne, par exemple pour améliorer les fonctionnalités ou l’expérience utilisateur pendant le développement produit. Du point de vue commercial, cela ne change pas grand-chose.
Un bot IA peut effectivement ajouter une certaine compétitivité et aider les utilisateurs, mais ce n’est pas encore un avantage décisif. La compétitivité centrale dépend toujours de la qualité de la source de données. Si j’ai accès à toutes les données nécessaires, je peux obtenir l’information voulue. Le problème est que, pour commercialiser ces données, ce que je construis doit pouvoir être monétisé, sinon je ne serai pas prêt à payer. Actuellement, le marché est mauvais, les start-ups ne savent pas comment monétiser les données, et il n’y a pas assez de nouvelles start-ups entrantes.
Ce qui me paraît intéressant actuellement, ce sont plutôt certaines entreprises Web2 qui utilisent des technologies Web3. Par exemple, une entreprise de données synthétiques utilise un grand modèle pour générer des données artificielles, utilisables pour tester des logiciels, analyser des données ou entraîner des grands modèles d’IA. Lors du traitement des données, ils rencontrent de nombreux problèmes de confidentialité, et utilisent donc la blockchain Oasis pour résoudre efficacement les questions de vie privée. Ils envisagent ensuite de créer une place de marché pour vendre ces données synthétiques empaquetées sous forme de NFT, afin de régler les problèmes de propriété et de confidentialité. C’est une excellente approche : utiliser la technologie Web3 pour aider le Web2, sans se limiter aux entreprises purement Web3. Toutefois, le marché des données synthétiques n’est pas encore assez grand, et investir tôt comporte des risques. Si le marché aval ne décolle pas ou si la concurrence est trop forte, la situation deviendrait délicate.
Dans le domaine IA + données Web3, avez-vous investi dans des projets prometteurs ? Quelles étaient leurs orientations respectives ? Quels critères ont motivé votre investissement ? Quelle est selon vous la compétitivité clé de ces projets ? L’IA renforce-t-elle cette compétitivité ?
Hashkey Capital - Harper : Nous avons investi tôt dans des projets de données, souvent avant que l’IA ne devienne un sujet central — par exemple Space and Time, 0xScope, Mind Network, Zettablock, etc. Le critère principal était leur positionnement et la qualité de leurs données. Aujourd’hui, tous ces projets intègrent des plans IA, généralement en commençant par des agents conversationnels. Space and Time, en collaboration avec ChainML, a lancé une infrastructure pour créer des agents IA, dont un agent DeFi utilisé dans Space and Time — une autre forme d’intégration IA.
SevenX Ventures - Yuxing : Si un projet combine bien l’IA, je pourrais être plus intéressé. Un facteur clé de mon investissement est l’existence de barrières à l’entrée sur le marché. Je vois beaucoup de projets affirmer que leur combinaison avec l’IA améliore l’efficacité, par exemple en permettant des requêtes rapides. Certains permettent d’obtenir rapidement des données NFT en chaîne via un langage naturel, comme les dix NFT les plus actifs récemment. Ces projets peuvent avoir un avantage de premier entrant, mais leurs barrières sont souvent fragiles.
La véritable barrière réside dans l’application de l’IA elle-même et dans la capacité des ingénieurs à l’appliquer à des scénarios concrets. Un ingénieur capable de bien ajuster un modèle obtient généralement de bons résultats. Pour les projets axés sur l’efficacité, la barrière principale est la source de données : non seulement les données en chaîne, mais aussi la manière dont l’équipe traite et interprète ces données. Par exemple, les projets mentionnés plus tôt peuvent extraire rapidement des données importantes via des algorithmes IA. Toutefois, les gains issus de l’ajustement du modèle sont limités. L’avantage durable vient de la qualité des données sources et de la capacité à les optimiser continuellement. C’est pourquoi certaines entreprises d’analyse de données se démarquent : elles offrent non seulement les données, mais aussi les capacités de traitement et d’analyse — la différence réside souvent dans l’expertise technique et les talents de l’équipe. Ces facteurs influencent directement l’efficacité finale de l’intégration IA.
Par ailleurs, je suis attentif aux projets Web3 qui permettent d’améliorer l’IA, car le marché de l’IA est immense. Si les technologies Web3 peuvent renforcer les capacités de l’IA, les applications seront très larges. C’est pourquoi les projets ZKML attirent tant d’attention. Toutefois, je constate que les projets Web3 ont tendance à voir leur valeur exagérée ou dévalorisée. Des projets comme ZKML, malgré leur engouement, n’offrent pas de retour sur investissement rapide ni de sortie claire, car émettre un jeton reste difficile. Ainsi, même s’ils sont innovants et potentiellement valorisants, il faut soigneusement évaluer s’ils méritent d’être financés maintenant et quels retours ils peuvent réellement générer.
Matrix Partners - Zixi : Nous avons investi dans une entreprise combinant IA et Web3 : une société d’annotation de données appelée Questlab. Elle utilise la blockchain pour offrir un service d’annotation participative (crowdsourcing). Traditionnellement, l’annotation de données est un secteur en gestion directe ou en sous-traitance, difficile à couvrir dans tous les domaines de savoir.
Dans l’annotation traditionnelle, on distingue trois modèles : gestion directe, sous-traitance et crowdsourcing. En pratique, peu optent pour le crowdsourcing. Quand une entreprise choisit un service d’annotation, elle examine plusieurs critères : le prix, la qualité de l’annotation, l’efficacité, et la couverture sectorielle. Si vous faites annoter des textes ou des images pour des modèles généraux, c’est simple : reconnaître des mots anglais ou des objets. Un cran plus haut, distinguer un chat, un chien, la lune ou une poussette n’est pas très compliqué. Mais si vous avez besoin d’annotations spécialisées, par exemple pour une communauté de robots vocaux, cela devient complexe : il faut annoter divers dialectes et langues, y compris des dialectes chinois ou anglais, ou des langues minoritaires. Peu de studios traditionnels acceptent ce type de travail.
Un exemple encore plus complexe : une entreprise juridique utilisant l’IA doit annoter une grande quantité de connaissances juridiques pour entraîner des modèles. Trouver des personnes à la fois juristes et capables d’annoter professionnellement est très difficile. Elles doivent maîtriser les droits de différents pays et divers domaines spécialisés : droit des contrats, droit locatif, droit civil, pénal, etc. Presque aucune entreprise d’annotation ne propose un tel service. Comme pour le droit, c’est pareil dans les domaines financier, biologique, médical ou éducatif. Ces travaux d’annotation sont donc généralement réalisés en interne, via des méthodes de crowdsourcing, ce qui résout le problème de couverture des savoirs spécialisés.
Nous pensons que le crowdsourcing via la blockchain est une excellente direction, comme le fait YGG dans le domaine GameFi. C’est selon nous une voie prometteuse.
Par ailleurs, nous voyons aussi de bonnes opportunités dans les communautés open source de modèles. Par exemple, Polychain a investi dans un projet similaire à Hugging Face en version Web3, visant à résoudre la question économique des créateurs de modèles.
Pour d’autres combinaisons IA et Web3, nous pensons que côté B2C, intégrer des mécanismes de tokens pour renforcer l’engagement, l’activité quotidienne et l’attachement communautaire est faisable. Cela facilite aussi la sortie pour les investisseurs, même si l’ampleur du marché reste incertaine. Voilà notre vision de l’IA et du Web3. Pour les activités purement B2B, nous pensons qu’il n’est pas nécessaire d’utiliser le Web3 — le Web2 suffit amplement.
Qiming Venture Partners - Tang Yi : Actuellement, certains projets de données que nous avons financés utilisent des données en chaîne dans des contextes de sécurité. Je pense que certains travaux basiques d’IA, comme la reconnaissance de motifs ou la découverte de caractéristiques, sont impliqués, avec des résultats acceptables. Toutefois, des tâches plus avancées, comme injecter de grandes quantités de données d’activité dans un modèle pour identifier plusieurs types d’informations, en sont encore au stade expérimental, et leurs résultats restent à valider. Hors du domaine de la sécurité, de nombreuses autres zones sont dans une situation similaire.
Un exemple récent est NFTGo, que nous avons financé : il s’agit d’un système d’analyse de big data pour évaluer les prix des NFT, avec une certaine précision, prévu pour être utilisé comme oracle de prix. Ce système semble intéressant, mais son efficacité dans le produit et son acceptation par les utilisateurs doivent encore être validées. Car même s’il atteint actuellement 85 ou 90 sur 100 en précision, les utilisateurs pourraient exiger 95 ou 98 — il faut donc encore du travail. Ainsi, bien que certains projets appliquent déjà des capacités simples d’IA comme l’analyse de données ou la reconnaissance de motifs, leur rôle décisif n’est pas encore confirmé.
Concernant la volonté d’investir, je ne serai pas plus enclin à investir juste parce qu’un projet fait un peu de marketing autour de l’IA. Pour moi, l’efficacité réelle, la capacité du projet à atteindre ses objectifs et à apporter des bénéfices sont plus importants. Si un projet met en avant l’IA juste dans son nom ou sa communication, comme stratégie marketing pour attirer l’attention, je peux le comprendre. Mais dans la prise de décision d’investissement, ce qui compte, c’est l’efficacité concrète.
Prenez les projets ZKML : ce secteur attire beaucoup l’attention, mais pose aussi de gros problèmes, notamment sur les cas d’usage concrets. Pour l’instant, l’incertitude est très forte, et beaucoup de discours restent très ambitieux.
D’un point de vue général sur l’évolution du secteur, quelles opportunités ou directions futures existent dans le domaine IA + données Web3 ? À l’avenir, l’IA pourrait-elle radicalement transformer les produits de données, introduire de nouveaux concepts ? Renforcera-t-elle la volonté de paiement des utilisateurs ?
Hashkey Capital - Harper : Il y a certainement des opportunités potentielles. Les directions futures suivront probablement celles de l’IA en Web2, où la créativité est manifestement plus forte. L’IA en Web3 sera vraisemblablement une simple transposition des réalisations du Web2.
Matrix Partners - Zixi : Je pense que la récente caméra Miaoya a montré que les utilisateurs sont bel et bien prêts à payer pour des produits d’IA, contrairement aux produits SaaS traditionnels ou aux jeux, où l’on s’attend à ce que tout soit gratuit. La volonté de paiement pour l’IA est en réalité assez forte.
À l’avenir, je peux partager une idée. Dans nos processus d’annotation, une étape clé est la pré-annotation : entraîner un modèle pour qu’il effectue une annotation initiale. Cette étape est très précieuse, car elle permet d’économiser beaucoup de main-d’œuvre. Nous soumettons les données brutes à un modèle pré-entraîné pour une pré-annotation, puis effectuons un traitement semi-automatisé, avant une annotation finale manuelle. La pré-annotation augmente nettement l’efficacité : un travail qui nécessitait 100 personnes peut désormais être fait par 50 à 70.
En outre, la pré-annotation implique une collaboration homme-machine : grâce aux retours, on peut améliorer continuellement la capacité du modèle à pré-annoter, réduisant ainsi le besoin en personnel. Avec une meilleure collaboration IA-humain, une équipe de 100 pourrait tomber à 30. Toutefois, il existe un seuil : même avec une excellente collaboration IA, un certain nombre de personnes restent nécessaires pour l’annotation finale et la vérification.
Dans d’autres domaines, n’étant pas data scientist moi-même, n’ayant jamais nettoyé de données ou fait de requêtes SQL, je ne sais pas précisément jusqu’où l’IA peut aider.
Qiming Venture Partners - Tang Yi : Je pense qu’à long terme, l’IA et le Web3 devraient avoir des points de convergence. Par exemple, du point de vue idéologique, l’écosystème de valeurs du Web3 peut s’intégrer à l’IA, convenant bien comme système de comptes ou de conversion de valeur pour des bots. Imaginez un robot possédant son propre compte, capable de gagner de l’argent grâce à son intelligence, et de payer pour maintenir sa puissance de calcul. Ces concepts semblent un peu futuristes, et leur mise en œuvre pratique prendra encore du temps.
Une deuxième direction possible : vérifier si la sortie d’un modèle d’IA repose sur une catégorie spécifique, un modèle donné ou des données particulières, et si elle est fiable. Ces domaines pourraient trouver des usages dans les modèles d’IA fiables. Techniquement, c’est très intéressant, mais on ignore encore s’il existe une demande suffisante.
D’un autre côté, l’apparition de l’IA rend la création de contenu numérique abondante et bon marché. Pour les œuvres numériques, il devient difficile d’en déterminer la qualité ou l’auteur. Ici, l’authentification du contenu pourrait nécessiter un système entièrement nouveau, incluant les rôles du créateur et de l’agent intelligent. Globalement, ces problèmes restent à résoudre, et les contenus narratifs prendront probablement plus de temps à évoluer. À court terme, nous devrions continuer à nous concentrer sur la qualité fondamentale des données, tout en attendant que les modèles deviennent plus puissants.
Enfin, côté commercialisation, la monétisation des produits de données est effectivement très difficile. Mais je pense que d’un point de vue commercial, l’IA n’est pas, à court terme, la solution au problème de la monétisation des données. La commercialisation exige davantage d’efforts de productisation, bien au-delà de simples capacités de traitement de données. Ces projets devront donc probablement développer d’autres produits pour parvenir à se monétiser.
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
