Rapport ultime sur AI+Crypto : Quel type d'AI+Crypto peut offrir un rendement plus élevé aux produits ?
TechFlow SélectionTechFlow Sélection
Rapport ultime sur AI+Crypto : Quel type d'AI+Crypto peut offrir un rendement plus élevé aux produits ?
Le point essentiel des applications de l'IA réside plutôt dans l'amélioration de l'expérience utilisateur et dans l'augmentation de l'efficacité du développement, ou encore dans son rôle crucial au sein du marché de l'IA.
Dédié à des analyses Web3 approfondiesAuteur : Ian @Foresight Ventures
TL;DR
Après plusieurs mois d’étude approfondie du domaine combinant IA et cryptomonnaies, ma compréhension de cette direction s’est affinée. Cet article propose une analyse comparative entre mes premières perspectives et l’évolution actuelle du secteur. Les lecteurs familiers avec le domaine peuvent commencer directement à la deuxième section.
-
Réseaux décentralisés de puissance de calcul : confrontés à des défis de demande, leur objectif ultime – réduire les coûts grâce à la décentralisation – doit être clairement affirmé. Bien que les communautés Web3 et les tokens apportent une valeur non négligeable, ils restent un avantage supplémentaire plutôt qu’un changement disruptif pour ce secteur. L’essentiel est de trouver comment intégrer ces éléments aux besoins réels des utilisateurs, sans chercher aveuglément à positionner les réseaux décentralisés comme simple complément aux solutions centralisées.
-
Marché de l'IA : présentation d'une vision de marché entièrement financiarisé sur chaîne. La communauté et les tokens y jouent un rôle fondamental. Un tel marché ne se limite pas à la puissance de calcul ou aux données brutes, mais inclut aussi les modèles eux-mêmes et leurs applications. La financiarisation des modèles constitue l’élément central : elle permet à la fois d’impliquer directement les utilisateurs dans la création de valeur, et de générer une demande pour les infrastructures sous-jacentes (calcul et données).
-
IA on-chain : ZKML fait face à des obstacles majeurs tant du côté de l'offre que de la demande. OPML émerge comme une alternative plus équilibrée en termes de coût et d'efficacité. Même si OPML représente une innovation technique, elle ne résout pas le problème fondamental : l’absence de demande réelle pour une IA on-chain.
-
Couche applicative : la plupart des projets web3 appliquant l’IA sont trop naïfs. Une intégration pertinente de l’IA consiste soit à améliorer l’expérience utilisateur et l’efficacité du développement, soit à jouer un rôle central au sein d’un écosystème de marché de l’IA.
I. Retour sur le paysage du secteur IA
Ces derniers mois, j’ai mené une recherche approfondie sur le sujet « IA + crypto », et après une période de maturation, je suis satisfait d’avoir identifié tôt certaines tendances du secteur, même si certaines de mes analyses initiales apparaissent aujourd’hui inexactes.
Cet article expose uniquement des points de vue, sans introduction préliminaire, couvre plusieurs grandes directions de l’IA dans le web3, et présente l’évolution de mes analyses. Des angles différents peuvent offrir des éclairages variés ; il est utile de les confronter de manière critique.
Revenons d’abord sur les principales directions définies au premier semestre concernant « IA + crypto » :
1.1 Calcul distribué
Dans « Regarder rationnellement les réseaux de calcul décentralisés », j’analysais, à partir de l’hypothèse selon laquelle la puissance de calcul deviendrait la ressource la plus précieuse à l’avenir, la valeur ajoutée que la crypto pouvait apporter aux réseaux de calcul.
Bien que la demande pour les réseaux de calcul distribués décentralisés soit la plus forte lors de l’entraînement de grands modèles d’IA, ce scénario rencontre également les défis techniques les plus importants : synchronisation complexe des données, optimisation du réseau, confidentialité et sécurité des données. Certaines technologies existantes offrent des solutions partielles, mais en raison des coûts massifs en calcul et communication, elles ne sont pas encore applicables à grande échelle. Les réseaux décentralisés ont donc davantage de chances de s’imposer dans l’inférence, où les tâches sont moins complexes et moins interdépendantes. Le potentiel de croissance futur est important, bien que des défis subsistent en matière de latence, de confidentialité des données et de sécurité des modèles.
1.2 Marché d’IA décentralisé
Dans « La meilleure tentative de marketplace d’IA décentralisée », je mentionnais qu’un marketplace d’IA décentralisé réussi devait fusionner intelligemment les atouts de l’IA et du Web3 : distribution, propriété des actifs, partage des revenus, et valeur ajoutée du calcul décentralisé. L’objectif : abaisser les barrières d’accès aux applications d’IA, encourager les développeurs à partager leurs modèles, protéger la vie privée des utilisateurs, et créer une plateforme conviviale favorisant l’échange et le partage de ressources d’IA.
À l’époque, je pensais (ce qui semble désormais imparfait) qu’un marketplace centré sur les données avait un potentiel plus grand. Un marketplace axé sur les modèles nécessite un grand nombre de modèles de haute qualité, or, en phase initiale, le manque d’utilisateurs et de ressources qualifiées décourage les meilleurs créateurs. En revanche, un marketplace basé sur les données peut accumuler, grâce à la décentralisation, des incitations bien conçues et la garantie de propriété, une masse importante de données, notamment des données privées.
Le succès d’un tel marketplace dépend de l’accumulation de ressources utilisateurs et d’un fort effet de réseau : la valeur tirée du marché doit surpasser celle disponible en dehors. En phase initiale, l’accent doit être mis sur l’acquisition de modèles de qualité afin d’attirer puis fidéliser les utilisateurs. Une fois une bibliothèque de modèles et une barrière de données établies, le focus peut alors basculer vers l’attraction d’un plus grand nombre d’utilisateurs finaux.
1.3 ZKML
Avant que ZKML ne devienne un sujet populaire, j’abordais déjà la valeur de l’IA on-chain dans « IA + Web3 = ? ».
Sans sacrifier la décentralisation ni la confiance minimale, l’IA on-chain pourrait propulser le web3 vers un « niveau supérieur ». Actuellement, le web3 ressemble à une version primitive du web2, incapable d’accueillir des applications larges ou de créer une valeur significative. L’IA on-chain offre justement une solution transparente et sans confiance.
1.4 Applications d’IA
Dans « Parlons jeux web3 orientés femmes avec IA + Crypto – HIM », j’analysais, à travers le projet portefeuille « HIM », la valeur apportée par les grands modèles dans les applications web3. Quelle combinaison IA + crypto peut maximiser la rentabilité ? Outre la voie techniquement exigeante visant à développer des LLM trustless sur chaîne, une autre piste consiste à atténuer l’impact de la boîte noire du raisonnement et à identifier des cas d’usage pertinents où exploiter pleinement la puissance inférentielle des grands modèles.
II. Analyse actuelle du secteur IA
2.1 Réseaux de calcul : un potentiel élevé, mais des barrières élevées
La logique fondamentale autour des réseaux de calcul reste inchangée, mais ils font toujours face à des défis de demande. Qui aurait besoin d’une solution moins efficace et moins stable ? Voici donc quelques points essentiels à clarifier :
Quel est l’intérêt de la décentralisation ?
Si vous posez la question à un fondateur d’un réseau de calcul décentralisé, il vous parlera probablement de sécurité accrue, de résistance aux attaques, de transparence, de confiance renforcée, d’optimisation des ressources, de meilleure confidentialité et contrôle utilisateur, de résistance à la censure, etc.
Tout cela relève du bon sens. N’importe quel projet web3 peut invoquer la résistance à la censure, la confiance minimale ou la confidentialité. Mais mon avis est que ces arguments n’ont que peu d’importance. Réfléchissez : les serveurs centralisés ne garantissent-ils pas une meilleure sécurité ? La décentralisation ne résout pas véritablement les problèmes de confidentialité. Ces contradictions sont nombreuses. Ainsi : l’objectif ultime d’un réseau de calcul décentralisé doit être la réduction des coûts. Plus le degré de décentralisation est élevé, plus le coût d’utilisation du calcul est bas.
En substance, l’argument du « calcul inutilisé » relève davantage d’une narration à long terme. La réussite d’un réseau de calcul décentralisé dépend largement de la clarté avec laquelle ses concepteurs ont réfléchi aux points suivants :
La valeur apportée par le Web3
Un design ingénieux de token, accompagné de mécanismes d’incitation/punition, constitue indéniablement une valeur ajoutée puissante fournie par les communautés décentralisées. Comparé à l’internet traditionnel, le token, agissant comme moyen d’échange et combiné aux contrats intelligents, permet au protocole de mettre en œuvre des mécanismes d’incitation et de gouvernance plus complexes. La transparence des transactions, la réduction des coûts et l’amélioration de l’efficacité sont autant d’avantages issus de la crypto. Cette valeur unique offre plus de flexibilité et d’espace d’innovation pour motiver les contributeurs.
Néanmoins, il faut garder la tête froide face à cette « adéquation » apparemment logique. Pour les réseaux de calcul décentralisés, les avantages du Web3 et de la blockchain constituent simplement une « valeur ajoutée », pas une rupture fondamentale. Ils ne changent pas la manière de fonctionner du réseau ni ne franchissent les limites technologiques actuelles.
En bref, ces valeurs web3 renforcent l’attractivité du réseau décentralisé, mais ne transforment pas sa structure ou son mode opératoire. Si l’on espère que ces réseaux occupent une place légitime dans la vague IA, compter uniquement sur la valeur du web3 ne suffit pas. Comme mentionné plus loin, il faut associer la bonne technologie au bon problème. Le jeu des réseaux de calcul décentralisés ne consiste pas simplement à pallier une pénurie de puissance de calcul pour l’IA, mais à introduire une nouvelle approche dans un secteur jusqu’alors stagnant.
Cela pourrait passer par la monétisation du calcul, à l’instar du minage PoW ou du stockage. Dans ce modèle, les fournisseurs de calcul reçoivent des tokens en échange de leurs ressources informatiques. L’attrait réside dans la conversion directe des ressources de calcul en revenus économiques, incitant ainsi davantage de participants à rejoindre le réseau. Ou alors, via le web3, créer un marché consommateur de calcul, en financiarisant la couche supérieure (par exemple les modèles), générant ainsi une demande pour un calcul potentiellement instable et lent.
Il faut comprendre comment répondre aux besoins concrets des utilisateurs. Car les motivations des utilisateurs et participants ne se limitent pas à un calcul efficace : « gagner de l’argent » reste l’un des moteurs les plus convaincants.
La compétitivité centrale d’un réseau de calcul décentralisé, c’est le prix
S’il faut discuter concrètement de la valeur du calcul décentralisé, l’espace de liberté offert par le web3 réside surtout dans la possibilité de réduire encore davantage le coût du calcul.
Plus le degré de décentralisation des nœuds de calcul est élevé, plus le prix unitaire du calcul est bas. On peut anticiper cette évolution selon plusieurs axes :
-
L’introduction du token transforme la rémunération des nœuds : au lieu d’argent liquide, ils reçoivent des tokens natifs du protocole, ce qui réduit fondamentalement les coûts d’exploitation ;
-
L’accès sans permission et l’effet de réseau puissant du web3 favorisent directement une optimisation des coûts pilotée par le marché. De plus en plus d’utilisateurs individuels et de petites entreprises peuvent utiliser leur matériel existant pour rejoindre le réseau, augmentant ainsi l’offre de puissance de calcul et faisant baisser les prix sur le marché. Sous gestion autonome et communautaire.
-
Le marché ouvert de puissance de calcul créé par le protocole stimule la concurrence entre fournisseurs, abaissant encore les coûts.
Étude de cas : ChainML
En résumé : ChainML est une plateforme décentralisée offrant du calcul pour l’inférence et l’ajustement fin (finetuning). À court terme, ChainML implémentera Council, un cadre d’agents IA open source, dont les expérimentations (un chatbot intégrable à différentes applications) visent à stimuler la demande pour les réseaux de calcul décentralisés. À long terme, ChainML ambitionne de devenir une plateforme complète combinant IA et web3, incluant notamment un marché de modèles et un marché de puissance de calcul.
Je considère que la feuille de route technique de ChainML est très cohérente. Ils ont bien compris les enjeux mentionnés précédemment : l’objectif du calcul décentralisé n’est pas de rivaliser directement avec les solutions centralisées ou de saturer le marché en puissance de calcul, mais de réduire progressivement les coûts afin que des demandeurs acceptent cette source de calcul de qualité inférieure. Ainsi, au début du projet, lorsque le protocole ne dispose pas encore d’un grand nombre de nœuds de calcul décentralisés, l’enjeu principal est de disposer d’une source de calcul stable et efficace. D’un point de vue produit, il convient donc de démarrer de manière centralisée, de valider rapidement la chaîne de valeur, et, grâce à de solides capacités commerciales, d’acquérir des clients, de conquérir le marché, puis progressivement de déléguer la fourniture de calcul à de plus petites entreprises, et enfin de généraliser largement les nœuds de calcul. C’est là la stratégie « diviser pour mieux régner » de ChainML.
Du côté de la demande, ChainML a construit un MVP de protocole centralisé, dont la conception est portable. Depuis février, ils testent ce système avec des clients, et depuis avril, il est utilisé en environnement de production. Actuellement hébergé sur Google Cloud, mais grâce à Kubernetes et d’autres technologies open source, il peut facilement migrer vers d’autres environnements (AWS, Azure, CoreWeave, etc.). Par la suite, le protocole sera progressivement décentralisé, transféré vers des clouds minoritaires, puis enfin vers des mineurs fournissant du calcul.
2.2 Marché de l’IA : un potentiel encore plus grand
Appeler ce secteur « marketplace d’IA » restreint quelque peu l’imaginaire. Stricto sensu, un « marché d’IA » ambitieux devrait être une plateforme intermédiaire financiarisant intégralement les flux d’IA, englobant depuis les couches fondamentales (calcul et données) jusqu’aux modèles eux-mêmes et leurs applications. Comme mentionné précédemment, le défi principal des réseaux de calcul décentralisés en phase initiale est de créer de la demande. Or, un marché fermé, financiarisant tous les aspects de l’IA, peut précisément générer ce type de demande.
Voici à quoi cela pourrait ressembler :
Un marché d’IA boosté par le web3 repose sur le calcul et les données. Il attire les développeurs à construire ou ajuster des modèles grâce à des données plus valorisantes, puis développe des applications basées sur ces modèles. Ces applications et modèles, en cours de développement et d’utilisation, génèrent à leur tour une demande de puissance de calcul. Grâce aux incitations communautaires et aux tokens, des missions de collecte de données en temps réel (via bounty) ou des programmes permanents de récompense pour contribution de données peuvent enrichir et renforcer l’avantage concurrentiel de la couche données du marché. En retour, la popularité des applications alimente cette couche en nouvelles données précieuses.
Communauté
Outre la valeur du token déjà mentionnée, la communauté est sans doute l’un des principaux atouts du web3, moteur central du développement de la plateforme. Grâce au token et à la communauté, la qualité des contributeurs et des contenus peut surpasser celle des institutions centralisées. Par exemple, la diversité des données constitue un avantage clé pour ces plateformes, essentielle pour bâtir des modèles d’IA précis et non biaisés — et correspond aussi à un goulot d’étranglement actuel du secteur.
Le cœur de la plateforme réside selon moi dans les modèles. Très tôt, nous avons compris qu’un marketplace d’IA réussit s’il existe des modèles de haute qualité, et que la question cruciale est : pourquoi un développeur choisirait-il une plateforme décentralisée pour proposer ses modèles ? Mais nous avons peut-être oublié une chose : en termes d’infrastructures, difficile de rivaliser avec les plateformes traditionnelles ; en termes de communauté de développeurs, impossible d’égaler leur maturité ; en termes de notoriété, aucune avance. Face à l’immense base d’utilisateurs et aux infrastructures robustes des plateformes IA classiques, les projets web3 doivent nécessairement emprunter des chemins détournés.
La réponse pourrait bien être dans la financiarisation des modèles d’IA.
-
Les modèles peuvent être traités comme des marchandises. Considérer un modèle d’IA comme un actif investissable constitue peut-être une innovation intéressante du web3 et des marchés décentralisés. Ce type de marché permet aux utilisateurs de participer directement à la création de valeur des modèles et d’en bénéficier. Ce mécanisme encourage aussi la recherche de modèles de meilleure qualité et la contribution communautaire, car les revenus des utilisateurs sont directement liés aux performances et à l’utilisation effective des modèles.
-
Les utilisateurs peuvent investir en stakant des modèles, et grâce à un mécanisme de partage des revenus, ils sont incités à sélectionner et soutenir les modèles prometteurs, motivant ainsi économiquement les développeurs à créer des modèles meilleurs. Pour les stakers, le critère le plus immédiat pour évaluer un modèle (surtout pour les modèles de génération d’images) est de faire des tests répétés, ce qui crée justement une demande pour le calcul décentralisé de la plateforme — peut-être l’une des réponses à la question posée plus tôt : « qui voudrait utiliser un calcul plus inefficace et instable ? ».
2.3 IA on-chain : OPML, un raccourci vers la victoire ?
ZKML : piège à double tranchant côté demande et offre
On peut affirmer que l’IA on-chain est un domaine plein de potentiel, digne d’exploration approfondie. Une percée ici apporterait au web3 une valeur inédite. Toutefois, les exigences académiques extrêmement élevées et les besoins en infrastructure de base rendent ZKML inadapté à la majorité des startups. De nombreux projets n’ont pas besoin d’intégrer un LLM trustless pour réaliser une avancée de valeur.
Or, tous les modèles d’IA n’ont pas besoin d’être déplacés on-chain et rendus trustless via ZK. La plupart des utilisateurs ne se soucient guère de savoir comment un chatbot traite une requête ou produit un résultat, ni quelle architecture ou paramètres utilise Stable Diffusion. Dans la plupart des cas, l’essentiel est que le modèle produise un résultat satisfaisant, pas que le processus inférentiel soit transparent ou vérifiable.
Si le système de preuve n’entraînait pas un surcoût de centaines de fois ou un coût d’inférence plus élevé, ZKML aurait encore une chance. Mais face aux coûts prohibitifs de l’inférence on-chain, tout demandeur a raison de remettre en question la nécessité de l’IA on-chain.
Côté demande
Les utilisateurs veulent juste que le résultat du modèle soit pertinent. Tant que le résultat est acceptable, la valeur de la fonction « trustless » de ZKML devient quasi nulle. Imaginons un scénario :
-
Si un robot de trading neuronal rapporte cent fois les gains à chaque cycle, qui irait s’interroger sur le caractère centralisé ou vérifiable de l’algorithme ?
-
De même, si ce bot commence à faire perdre de l’argent, le projet ferait mieux d’améliorer les performances du modèle plutôt que de dépenser temps et capital à le rendre vérifiable. Tel est le paradoxe de la demande pour ZKML : autrement dit, la vérifiabilité du modèle ne résout pas fondamentalement les doutes des gens sur l’IA, c’est aller dans le mauvais sens.
Côté offre
Développer un système de preuve capable de supporter de grands modèles est une tâche ardue. À en juger par les tentatives des projets leaders, on peine à imaginer un jour où les grands modèles seront présents sur chaîne.
Comme expliqué dans nos articles précédents sur ZKML, l’objectif technique est de convertir les réseaux neuronaux en circuits ZK, ce qui pose deux difficultés majeures :
-
Les circuits ZK ne supportent pas les nombres à virgule flottante ;
-
Les grands réseaux neuronaux sont difficiles à convertir.
État des lieux actuel :
-
Les bibliothèques ZKML récentes permettent de ZK-ifier certains réseaux neuronaux simples, capables théoriquement de mettre en ligne des modèles basiques de régression linéaire. Mais les démonstrations restent rares.
-
Théoriquement, un maximum de ~100 millions de paramètres est envisageable, mais seulement en théorie.
Le développement de ZKML n’a pas atteint les attentes. D’après les progrès publiés par les leaders du secteur comme Modulus Lab et EZKL, ils parviennent à convertir certains modèles simples en circuits ZK pour l’inférence ou la preuve on-chain. Mais cela reste très loin de la valeur promise par ZKML, voire même insignifiant. Et les blocages techniques semblent manquer de motivation fondamentale pour être levés. Un secteur gravement privé de demande ne suscite pas l’intérêt de la communauté académique, ce qui rend encore plus difficile la création de bons POC pour attirer ou satisfaire la faible demande existante — ce qui pourrait bien être le cercle vicieux fatal pour ZKML.
OPML : transition ou solution finale ?
La différence entre OPML et ZKML réside dans le fait que ZKML prouve l’intégralité du processus inférentiel, tandis qu’OPML ne réexécute qu’une partie du raisonnement en cas de contestation. Clairement, OPML résout le problème majeur du coût/excédent trop élevé. C’est une optimisation très pragmatique.
En tant que pionnier d’OPML, l’équipe HyperOracle, dans « opML is All You Need: Run a 13B ML Model in Ethereum », détaille l’architecture allant de l’opML en une phase à l’opML multi-phase :
-
Construire une machine virtuelle (VM) pour exécution hors chaîne et vérification on-chain, garantissant l’équivalence entre la VM hors chaîne et celle implémentée dans le contrat intelligent.
-
Pour assurer l’efficacité inférentielle du modèle IA dans la VM, implémenter une bibliothèque DNN légère spécialement conçue (sans dépendre de frameworks populaires comme TensorFlow ou PyTorch), et fournir un script permettant de convertir des modèles TensorFlow/PyTorch vers cette bibliothèque légère.
-
Compiler le code d’inférence du modèle IA en instructions de programme VM via compilation croisée.
-
Gérer l’image de la VM via un arbre de Merkle. Seule la racine de Merkle représentant l’état de la VM est envoyée au contrat intelligent.
Cette conception comporte toutefois un défaut majeur : tous les calculs doivent s’exécuter dans la VM, ce qui empêche d’utiliser l’accélération GPU/TPU ou le traitement parallèle, limitant fortement l’efficacité. D’où l’intérêt de l’opML multi-phase.
-
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
Ajouter aux favorisPartager sur les réseaux sociaux
Foresight Ventures
