Un an après ChatGPT : les limites de l'IA générative et les opportunités du Web3
TechFlow SélectionTechFlow Sélection
Un an après ChatGPT : les limites de l'IA générative et les opportunités du Web3
Pourquoi l'IA générative et le Web3 ont-ils besoin l'un de l'autre ?
Dédié à des analyses Web3 approfondies
TL;DR:
-
L'application commerciale de l'IA générative a connu un essor mondial en 2022, mais avec la disparition de l'effet de nouveauté, certains problèmes émergent progressivement. Le domaine Web3, désormais plus mature, offre de nouvelles perspectives pour résoudre ces défis grâce à ses caractéristiques de transparence totale, vérifiabilité et décentralisation.
-
L'IA générative est une technologie émergente des dernières années, basée sur des architectures de réseaux neuronaux profonds. Les modèles de diffusion utilisés pour la génération d’images et les grands modèles linguistiques comme ChatGPT montrent un potentiel commercial considérable.
-
L'architecture d'intégration de l'IA générative dans Web3 inclut l'infrastructure, les modèles, les applications et les données. La composante « données » est particulièrement cruciale lorsqu'elle s'associe à Web3, offrant d'immenses perspectives de développement, notamment via les modèles de données blockchain, les projets d'agents IA et les applications verticales qui pourraient devenir des axes stratégiques majeurs.
-
Les projets phares actuels combinant Web3 et IA affichent des fondamentaux faibles et une faible capture de valeur par leurs jetons, ce qui laisse présager un besoin futur de nouveaux catalyseurs ou de mises à jour économiques pour leurs tokens.
-
L'IA générative dans le domaine Web3 possède un énorme potentiel, ouvrant la voie à de nouvelles synergies prometteuses avec d'autres technologies logicielles et matérielles.
1. Pourquoi l'IA générative et Web3 ont-ils besoin l’un de l’autre ?
L'année 2022 peut être qualifiée d’année où l’IA générative (Artificial Intelligence) a conquis le monde. Avant cela, l’IA générative était principalement un outil d’aide pour les professionnels. Mais après l’apparition successive de DALL·E 2, Stable Diffusion, Imagen et Midjourney, le contenu généré par l’intelligence artificielle (AIGC) est devenu une application technologique à la mode, générant une vague massive de contenus sur les réseaux sociaux. L’arrivée de ChatGPT n’a fait qu’amplifier cette tendance, la propulsant à son apogée. En tant que premier outil d’IA ne nécessitant qu’une simple instruction textuelle (prompt) pour répondre à presque toutes les questions, ChatGPT est devenu un assistant quotidien indispensable pour beaucoup. Il excelle dans diverses tâches courantes telles que la rédaction de documents, l’aide aux devoirs, la gestion de courriels, la correction de mémoires, voire même l’accompagnement émotionnel. Sur Internet, les utilisateurs s’enthousiasment à explorer les prompts mystérieux permettant d’optimiser les résultats de ChatGPT, découvrant pour la première fois la véritable « intelligence » de l’IA. Selon une étude de l’équipe macroéconomique de Goldman Sachs, l’IA générative pourrait devenir un levier de croissance de la productivité du travail aux États-Unis : au cours des 10 prochaines années, elle pourrait stimuler la croissance du PIB mondial de 7 % (environ 7 000 milliards de dollars) et accroître le taux de croissance de la productivité de 1,5 point de pourcentage.
Le secteur Web3 a également ressenti la vague AIGC : en janvier 2023, tous les actifs liés à l’IA ont fortement augmenté ; Source : https://www.coingecko.com/
Toutefois, alors que l’effet de nouveauté s’estompe, le trafic mondial de ChatGPT a diminué pour la première fois depuis son lancement, en juin 2023 (source : SimilarWeb), marquant le moment opportun pour repenser la signification et les limites de l’IA générative. Actuellement, les difficultés rencontrées par l’IA générative comprennent (entre autres) : tout d’abord, les réseaux sociaux sont inondés de contenus AIGC non autorisés et impossibles à tracer ; ensuite, les coûts élevés de maintenance de ChatGPT obligent OpenAI à réduire la qualité de génération afin de contenir les coûts ; enfin, même les grands modèles mondiaux produisent encore des résultats biaisés dans certains cas.
Trafic global de ChatGPT sur ordinateur et mobile ; Source : Similarweb
Parallèlement, le Web3, qui atteint progressivement sa maturité, propose de nouvelles solutions aux problèmes actuels de l’IA générative grâce à ses caractéristiques de décentralisation, transparence totale et vérifiabilité :
1. La transparence totale et la traçabilité du Web3 peuvent résoudre les défis liés aux droits d’auteur et à la confidentialité des données générées par l’IA. Ces deux propriétés permettent de valider efficacement l’origine et l’authenticité du contenu, augmentant ainsi significativement le coût de production de contenus faux ou contrefaits par l’IA, comme les vidéos remixées sans licence ou les DeepFakes violant la vie privée. De plus, l’utilisation de contrats intelligents dans la gestion de contenu pourrait régler les problèmes de droits d’auteur, garantissant aux créateurs une rémunération plus équitable.
Vidéo DeepFake : Ce n’est pas Morgan Freeman ; Source : Youtube
2. La décentralisation du Web3 peut réduire le risque de centralisation de la puissance de calcul de l’IA. Le développement de l’IA générative requiert une quantité colossale de ressources informatiques : entraîner ChatGPT basé sur GPT-3 coûterait au moins 2 millions de dollars, avec des frais d’électricité quotidiens d’environ 47 000 dollars, chiffres destinés à croître exponentiellement avec les progrès technologiques. Actuellement, les ressources informatiques restent concentrées entre les mains de grandes entreprises, entraînant des coûts élevés de recherche, de maintenance et d’exploitation, ainsi qu’un risque de centralisation empêchant les petites entreprises de concurrencer. Bien que l’entraînement de grands modèles doive probablement rester centralisé à court terme, la technologie blockchain rend possible, dans le cadre de Web3, l’inférence distribuée, la gouvernance par vote communautaire et la tokenisation des modèles. À l’image des bourses décentralisées existantes, nous pouvons concevoir un système d’inférence communautaire décentralisé pour les grands modèles d’IA, dont la propriété et la gouvernance seraient assurées par la communauté.
Même avec les dernières cartes H100, le coût par FLOPs reste élevé pour entraîner GPT-3 ; Source : substake.com
3. Les caractéristiques de Web3 peuvent optimiser la diversité des jeux de données d’IA et l’interprétabilité des modèles. Traditionnellement, la collecte de données repose sur des ensembles publics ou ceux recueillis par les développeurs eux-mêmes, souvent limités géographiquement et culturellement. Cela peut introduire des biais subjectifs selon les groupes ethniques dans les contenus générés par AIGC ou les réponses de ChatGPT, par exemple en modifiant automatiquement la couleur de peau demandée. Grâce au modèle incitatif par jetons de Web3, il devient possible d’optimiser la collecte de données, en récupérant des informations du monde entier et en leur attribuant un poids spécifique. De plus, la transparence et la traçabilité de Web3 améliorent l’explicabilité des modèles, encourageant des sorties variées et enrichissantes.
Un algorithme IA censé améliorer la résolution transforme Obama en homme blanc ; Source : Twitter
4. Les vastes données on-chain de Web3 peuvent servir à entraîner des modèles IA uniques. Actuellement, les méthodes de conception et d’entraînement des modèles IA sont généralement adaptées à des structures cibles spécifiques (texte, audio, image ou vidéo). Une direction innovante future consiste à exploiter la structure unique des données on-chain de Web3, en s’inspirant de la construction des grands modèles linguistiques, pour créer des modèles spécialisés dans les données blockchain. Cela offrirait aux utilisateurs des perspectives inaccessibles par l’analyse traditionnelle (suivi de l’argent intelligent, trajectoire des fonds de projet, etc.), avec un avantage clair sur l’analyse humaine en termes de traitement massif et simultané de données.
L’analyse automatisée on-chain permet d’obtenir des informations en temps réel ; Source : nansen.ai
5. L’IA générative pourrait grandement faciliter l’accès des utilisateurs au monde Web3. Actuellement, participer à un projet Web3 exige une compréhension approfondie de concepts complexes liés à la blockchain et aux opérations de portefeuille, ce qui augmente considérablement la courbe d’apprentissage et le risque d’erreurs. En revanche, les applications Web2 ont longtemps adopté le principe du « design paresseux », permettant une prise en main facile et sans risque. L’IA générative pourrait soutenir les projets centrés sur les intentions (intent-centric), agissant comme un « assistant intelligent » entre l’utilisateur et les protocoles, améliorant radicalement l’expérience utilisateur de Web3.
6. Web3 crée une demande massive de contenu, que l’IA générative peut aider à combler efficacement. Cette dernière peut produire d’énormes quantités d’articles, d’images, d’audio et de vidéos, stimulant le développement d’applications décentralisées — du marché NFT à la documentation des contrats intelligents — tous pouvant bénéficier de contenus diversifiés générés par IA.
Bien que l’IA générative et Web3 fassent chacun face à des défis, leur interdépendance et leurs solutions complémentaires pourraient façonner l’avenir du monde numérique. Cette synergie améliorera la qualité et la fiabilité du contenu, accélérera le développement des écosystèmes numériques et offrira aux utilisateurs des expériences plus riches. Leur évolution conjointe tracera une nouvelle ère passionnante dans l’ère numérique.
2. Synthèse technologique de l’IA générative
2.1 Contexte technologique de l’IA générative
Depuis que le concept d’IA a été formulé dans les années 1950, le domaine a connu plusieurs cycles d’essor et de stagnation, chaque percée technologique lançant une nouvelle vague — l’IA générative n’y fait pas exception. Apparu il y a environ dix ans, ce concept émergent a rapidement attiré l’attention mondiale grâce aux performances impressionnantes de ses produits récents, se distinguant parmi les multiples sous-domaines de l’IA. Avant d’approfondir son architecture technique, précisons ici la définition de l’IA générative retenue, ainsi qu’un rappel des technologies clés ayant alimenté son succès récent.
L’intelligence artificielle générative est une IA capable de créer du contenu et des idées originaux (conversations, histoires, images, vidéos, musique, etc.). Elle repose sur des modèles à très grand nombre de paramètres, formés à partir de vastes volumes de données et construits sur des architectures de réseaux neuronaux profonds. Récemment, deux catégories de produits d’IA générative ont captivé l’attention : les outils de génération d’images (ou vidéos) à partir de texte ou de style, et les assistants conversationnels à la manière de ChatGPT. Ces deux types reposent sur une même technologie fondamentale : les grands modèles linguistiques (LLM) basés sur l’architecture Transformer. Aux LLM, les premiers ajoutent des modèles de diffusion pour générer des visuels de haute qualité, tandis que les seconds intègrent un apprentissage par renforcement à partir de retours humains (RLHF) pour aligner leurs sorties sur la logique humaine.
2.2 Architecture actuelle de l’IA générative :
De nombreux articles ont analysé l’impact de l’IA générative sur les architectures technologiques existantes, comme celui d’A16z intitulé « Qui possède la plateforme d’IA générative ? », qui résume parfaitement l’architecture actuelle :
Architecture principale de l’IA générative ; Source : Qui possède la plateforme d’IA générative ?
Cette étude divise l’architecture actuelle de l’IA générative Web2 en trois niveaux : infrastructure (puissance de calcul), modèles et applications, accompagnés d’analyses sur leur développement respectif.
Concernant l’infrastructure, bien que dominée par la logique Web2, les projets véritablement adaptés à l’intégration Web3 et IA restent rares. C’est actuellement la couche qui capte le plus de valeur, avec les géants technologiques profitant de leur expertise historique en stockage et calcul pour vendre des « pelles » durant l’exploration actuelle de l’IA.
En ce qui concerne les modèles, ils devraient être les véritables créateurs et propriétaires de l’IA, mais peu de modèles commerciaux permettent aujourd’hui à leurs auteurs de tirer une valeur économique adéquate.
Quant aux applications, bien que certains domaines verticaux aient accumulé des revenus dépassant cent millions de dollars, les coûts élevés de maintenance et la faible rétention des utilisateurs ne suffisent pas à soutenir un modèle économique durable.
2.3 Exemples d’applications de l’IA générative dans Web3
2.3.1 Analyse par IA des masses de données Web3
Les données constituent à l’avenir un pilier critique pour établir des barrières technologiques dans le domaine de l’IA. Pour comprendre leur importance, examinons une étude sur les sources de performance des grands modèles. Cette recherche met en lumière une capacité émergente : en augmentant continuellement l’échelle du modèle, sa précision connaît une augmentation soudaine dès qu’un seuil critique est franchi. Comme illustré ci-dessous, chaque graphique représente une tâche d’entraînement, chaque ligne la performance (précision) d’un grand modèle. Des expériences menées sur divers grands modèles convergent vers la même conclusion : au-delà d’un certain seuil d’échelle, les performances connaissent une croissance exponentielle sur différentes tâches.
Relation entre l’échelle du modèle et sa performance ; Source : Emergent Analogical Reasoning in Large Language Models
En résumé, une variation quantitative de l’échelle du modèle entraîne une transformation qualitative de sa performance. Cette échelle dépend du nombre de paramètres, de la durée d’entraînement et de la qualité des données. Actuellement, avec peu d’avance possible sur le nombre de paramètres (toutes les grandes entreprises disposent d’équipes expertes) ou la durée d’entraînement (le matériel provient majoritairement de NVIDIA), deux voies s’offrent pour surpasser la concurrence : développer une application phare répondant à un besoin précis dans un segment spécifique — ce qui exige une compréhension profonde du domaine — ou opter pour une stratégie plus pragmatique : collecter davantage et de meilleures données que ses concurrents.
Ceci ouvre une opportunité intéressante pour les grands modèles d’IA générative dans Web3. Les grands modèles actuels sont entraînés sur des volumes massifs de données spécifiques à différents domaines. La singularité des données on-chain dans Web3 rend viable la création de modèles spécialisés sur ces données. Actuellement, deux logiques de produit coexistent au niveau des données : la première vise à inciter les fournisseurs de données, protégeant la confidentialité et la propriété tout en favorisant le partage des droits d’utilisation. Ocean Protocol illustre bien ce modèle. La seconde consiste à intégrer données et applications pour offrir un service ciblé à l’utilisateur. Par exemple, Trusta Lab analyse les données on-chain des utilisateurs via un système exclusif de score MEDIA, proposant des services comme l’analyse de comptes Sybil ou l’évaluation des risques d’actifs.
2.3.2 Applications d’agents IA dans Web3
Les agents IA sur blockchain mentionnés précédemment gagnent aussi en popularité — aidés par les grands modèles linguistiques, ils offrent aux utilisateurs des services quantifiables tout en garantissant la confidentialité. Selon Lilian Weng, responsable de la recherche en IA chez OpenAI, un agent IA peut être décomposé en quatre parties : Agent = LLM + Planification + Mémoire + Utilisation d’outils. Le LLM, cœur de l’agent, gère l’interaction externe, apprend à partir de vastes données et exprime des raisonnements logiques en langage naturel. Les composants Planification + Mémoire s’apparentent aux techniques d’apprentissage par renforcement utilisées pour AlphaGo, avec les notions d’action, politique et récompense. Ils décomposent un objectif en sous-tâches, apprennent progressivement la meilleure solution par itérations successives et stockent les informations dans différents types de mémoire selon leur fonction. Quant à l’Utilisation d’outils, elle désigne la capacité de l’agent à invoquer des modules, rechercher sur Internet, accéder à des sources ou API spécialisées, etc. Ces éléments étant souvent figés après l’entraînement, ils sont difficiles à modifier ultérieurement.
Schéma global d’un agent IA ; Source : LLM Powered Autonomous Agents
Compte tenu de la logique concrète de mise en œuvre des agents IA, on peut imaginer librement les possibilités offertes par la combinaison Web3 + agent IA, par exemple :
-
Intégrer des agents IA dans les applications de trading actuelles, offrant aux clients une interface conversationnelle permettant des fonctions telles que la prédiction de prix, les stratégies d’exécution, les seuils de stop-loss, l’ajustement dynamique du levier, le suivi intelligent des influenceurs, ou encore le prêt.
-
Lors de l’exécution de stratégies quantitatives, décomposer la stratégie en sous-tâches confiées à différents agents IA, qui coopèrent entre eux. Cela renforce la sécurité de la confidentialité et permet une surveillance en temps réel contre les tentatives d’exploitation par des adversaires.
-
Les nombreux PNJ dans les jeux blockchain représentent une application naturelle des agents IA. Des projets existent déjà utilisant GPT pour générer dynamiquement les dialogues des personnages, mais à l’avenir, on pourrait aller au-delà des textes prédéfinis, vers des interactions en temps réel avec des PNJ (voire des êtres numériques) plus réalistes, capables d’interagir sans intervention humaine. Le projet « Village Virtuel » publié par l’université de Stanford illustre parfaitement cette possibilité.
Bien que les projets actuels combinant Web3 et agents IA soient principalement concentrés sur le marché primaire ou l’infrastructure IA, sans application ToC phare à ce jour, l’intégration des caractéristiques uniques de la blockchain — gouvernance décentralisée, preuves à connaissance nulle, distribution de modèles, meilleure interprétabilité, etc. — laisse présager des projets révolutionnaires à venir.
2.3.3 Applications verticales potentielles de Web3 + IA
A. Domaine éducatif
Dans le domaine de l’éducation, la convergence de Web3 et IA entraîne une transformation majeure, notamment avec l’émergence de salles de classe virtuelles génératives. En intégrant l’IA dans les plateformes d’apprentissage en ligne, les élèves bénéficient d’expériences personnalisées, où le système génère du contenu adapté à leur historique d’apprentissage et à leurs centres d’intérêt. Cette approche individualisée pourrait améliorer la motivation et l’efficacité des élèves, rendant l’éducation plus proche des besoins individuels.
Étudiants participant à une classe virtuelle immersive via un casque VR ; Source : V-SENSE Team
En outre, les systèmes de crédits incitatifs basés sur des jetons représentent une innovation pédagogique. Grâce à la blockchain, les crédits et réalisations des élèves peuvent être convertis en jetons, formant un système éducatif numérisé. Ce mécanisme encourage activement la participation aux activités d’apprentissage, créant un environnement plus engageant et motivant.
Inspiré par le succès récent du projet SocialFi FriendTech, une logique similaire de tarification des clés liées à des identifiants pourrait être utilisée pour créer un système d’évaluation mutuelle entre camarades, ajoutant ainsi une dimension sociale à l’éducation. Grâce à l’immutabilité de la blockchain, les évaluations entre pairs deviennent plus justes et transparentes. Ce mécanisme favorise non seulement le développement des compétences de collaboration et sociales, mais fournit aussi une évaluation plus complète et multidimensionnelle des élèves, introduisant davantage de diversité et de complémentarité dans les systèmes éducatifs.
B. Domaine médical
Dans le secteur médical, la combinaison de Web3 et IA stimule le développement de l’apprentissage fédéré et de l’inférence distribuée. Grâce au calcul distribué et à l’apprentissage machine, les professionnels de santé peuvent partager des données à grande échelle, permettant des analyses collectives plus approfondies. Cette intelligence collective peut accélérer le diagnostic des maladies et la conception de traitements, faisant progresser la médecine.
La protection de la vie privée reste un enjeu crucial. Grâce à la décentralisation de Web3 et à l’immutabilité de la blockchain, les données médicales des patients peuvent être stockées et transférées plus sûrement. Les contrats intelligents permettent un contrôle précis des permissions, garantissant que seules les personnes autorisées puissent accéder aux informations sensibles, préservant ainsi la confidentialité des données médicales.
C. Domaine de l’assurance
Dans l’assurance, l’intégration de Web3 et IA promet des solutions plus efficaces et intelligentes aux services traditionnels. Par exemple, dans les assurances auto et habitation, l’utilisation de la vision par ordinateur permet aux compagnies d’assurance d’évaluer plus efficacement la valeur et le risque des biens via l’analyse d’images. Cela leur offre des stratégies de tarification plus fines et personnalisées, améliorant la gestion des risques dans le secteur.
Estimation des sinistres par IA ; Source : Tractable Inc
Par ailleurs, le règlement automatisé des sinistres sur blockchain constitue une innovation majeure. Basé sur les contrats intelligents et la blockchain, ce processus devient plus transparent et efficace, réduisant les formalités fastidieuses et les interventions humaines. Cela accélère non seulement les remboursements, mais diminue aussi les coûts opérationnels, offrant une meilleure expérience aux assureurs et aux assurés.
L’ajustement dynamique des primes est une autre innovation : grâce à l’analyse en temps réel et aux algorithmes d’apprentissage, les assureurs peuvent ajuster plus précisément les primes selon le comportement réel des assurés. Cela rend les primes plus équitables et incite les assurés à adopter des comportements plus sains et sécurisés, renforçant ainsi la prévention des risques dans la société.
D. Domaine des droits d’auteur
Dans le domaine des droits d’auteur, la combinaison de Web3 et IA introduit de nouveaux paradigmes dans la création de contenu numérique, les propositions créatives et le développement logiciel. Grâce aux contrats intelligents et au stockage décentralisé, les informations relatives aux droits d’auteur peuvent être mieux protégées, permettant aux créateurs de suivre et gérer plus facilement leur propriété intellectuelle. En outre, la blockchain permet de créer des registres de création transparents et immuables, offrant des moyens fiables de traçabilité et d’authentification des œuvres.
L’innovation dans les modes de travail est également une transformation clé. Le travail collaboratif incitatif par jetons associe contribution et récompense, encourageant créateurs, concepteurs et développeurs à participer ensemble aux projets. Cela renforce la coopération au sein des équipes créatives et donne aux participants l’opportunité de bénéficier directement du succès du projet, stimulant l’émergence de nouvelles œuvres remarquables.
D’un autre côté, l’utilisation de jetons comme preuve de droit d’auteur redéfinit la distribution des bénéfices. Grâce à des mécanismes de redistribution automatisés par contrat intelligent, chaque contributeur peut recevoir instantanément sa part des profits lorsque l’œuvre est utilisée, vendue ou transférée. Ce modèle décentralisé de redistribution résout efficacement les problèmes d’opacité et de retard des systèmes traditionnels, offrant aux créateurs un mécanisme plus juste et plus rapide de partage des bénéfices.
E. Domaine du métavers
Dans le métavers, l’intégration de Web3 et IA ouvre de nouvelles possibilités pour remplir les jeux blockchain avec des contenus AIGC à moindre coût. Grâce aux algorithmes IA générant des environnements et personnages virtuels, les jeux blockchain gagnent en richesse et diversité, offrant aux utilisateurs des expériences plus vivantes, tout en réduisant les coûts humains et temporels de production.
La création d’êtres numériques (digital humans) constitue une innovation clé. En combinant une génération réaliste jusqu’au détail des cheveux et une intelligence fondée sur de grands modèles linguistiques, ces êtres numériques peuvent jouer divers rôles dans le métavers, interagir avec les utilisateurs, voire participer à des jumeaux numériques de scènes réelles. Cela offre des expériences plus authentiques et profondes dans la réalité virtuelle, élargissant l’application de cette technologie dans le divertissement, l’éducation et d’autres domaines.
La génération automatique de publicités personnalisées selon le profil utilisateur on-chain est une application créative et intelligente. En analysant le comportement et les préférences des utilisateurs dans le métavers, les algorithmes IA peuvent produire des annonces plus personnalisées et attrayantes, augmentant le taux de clics et l’engagement. Cette méthode correspond mieux aux intérêts des utilisateurs et offre aux annonceurs des canaux de promotion plus efficaces.
Les NFT interactifs génératifs sont une technologie fascinante dans le métavers. En combinant les NFT avec un design génératif, les utilisateurs peuvent participer à la création de leurs propres œuvres d’art numériques interactives et uniques. Cela ouvre de nouvelles possibilités pour la création et le commerce d’actifs numériques, stimulant le développement de l’art numérique et de l’économie virtuelle dans le métavers.
3. Projets Web3 pertinents
Nous avons sélectionné cinq projets : Render Network et Akash Network comme infrastructures générales et leaders historiques du secteur IA, Bittensor comme projet phare dans la catégorie des modèles, Alethea.ai comme application fortement liée à l’IA générative, et Fetch.ai comme projet emblématique dans le domaine des agents IA, afin d’observer l’état actuel des projets d’IA générative dans Web3.
3.1 Render Network ($RNDR)
Render Network a été fondé en 2017 par Jules Urbach, fondateur de la société OTOY. L’activité principale d’OTOY est le rendu graphique dans le cloud ; elle a contribué à des projets cinématographiques primés aux Oscars, compte Google et le cofondateur de Mozilla parmi ses conseillers, et a collaboré à plusieurs reprises avec Apple. Décliné dans Web3, Render Network vise à exploiter la décentralisation blockchain pour connecter une plateforme décentralisée reliant petite demande de rendu ou d’IA à des ressources disponibles, permettant ainsi aux petits studios d’économiser sur la location de ressources informatiques centralisées coûteuses (telles qu’AWS, MS Azure ou Alibaba Cloud), tout en offrant une source de revenus à ceux disposant de ressources inutilisées.
Grâce à son moteur de rendu haute performance Octane Render développé en interne par OTOY et à une logique commerciale claire, Render a été perçu dès son lancement comme un projet Web3 doté de demande et de fondamentaux solides. Avec la forte hausse de la demande en validation et inférence distribuées durant la vague IA générative, ces tâches s’alignent parfaitement sur l’architecture technique de Render, ce qui en fait l’une de ses directions futures prometteuses. Depuis plusieurs années, Render domine le secteur IA Web3, acquérant même une dimension « meme », profitant systématiquement des hausses lors des vagues narratives autour de l’IA, du métavers ou du calcul distribué — un projet complet et polyvalent.
En février 2023, Render Network a annoncé une mise à jour de son système de tarification par niveaux et un mécanisme de stabilisation du prix de $RNDR choisi par vote communautaire (non encore mis en œuvre à ce jour), ainsi que le transfert du projet de Polygon vers Solana (avec une mise à niveau du jeton $RNDR vers $RENDER basé sur le standard SPL de Solana, migration achevée en novembre 2023).
Le nouveau système de tarification classe les services on-chain en trois niveaux, du plus haut au plus bas, correspondant à des services de rendu de qualité et de prix différents, laissés au choix du demandeur.
Les trois niveaux du nouveau système de tarification de Render Network
Le mécanisme de stabilisation du prix de $RNDR, choisi par la communauté, remplace les rachats occasionnels par un modèle « Burn-and-Mint Equilibrium (BME) », clarifiant ainsi le rôle de $RNDR comme jeton de paiement stable plutôt que comme actif de placement à long terme. Le flux opérationnel typique d’un cycle BME est illustré ci-dessous :
-
Création du produit (Product Creation). Les créateurs de produits sur Render, c’est-à-dire les fournisseurs de ressources de rendu, regroupent leurs ressources inutilisées en produits (nœuds) mis en ligne sur le réseau en attente d’utilisation ;
-
Achat du produit (Purchasing Product). Les clients ayant besoin de rendu brûlent des jetons $RNDR comme paiement s’ils en possèdent. Sinon, ils achètent d’abord $RNDR sur une DEX puis brûlent les jetons. Le prix payé est enregistré publiquement sur la blockchain.
-
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
@gryphsisacademy
