L'avenir de l'IA + Web3 (1) : Paysage industriel et logique narrative
TechFlow SélectionTechFlow Sélection
L'avenir de l'IA + Web3 (1) : Paysage industriel et logique narrative
La concurrence dans les applications AI+Web3 ne repose pas sur la compétitivité innovante des technologies, mais sur l'accumulation de capacités produit et de compétences techniques.
Dédié à des analyses Web3 approfondiesRédaction : Future3 Campus
Au cours de l'année écoulée, avec l'apparition de grands modèles d'intelligence artificielle générative tels que ChatGPT, l'IA est passée de simples outils d'automatisation à des systèmes complexes de décision et de prédiction, devenant ainsi un moteur clé des progrès sociétaux contemporains. Les produits et applications basés sur l'IA ont également connu une croissance explosive : ChatGPT a successivement lancé des produits remarquables comme les GPTs et Sora ; les infrastructures sous-jacentes de l'IA, telles que NVIDIA, ont vu leurs performances dépasser continuellement les attentes, avec son activité Data Center représentant plus de 83 % des revenus au quatrième trimestre fiscal 2024, en hausse de 409 % en glissement annuel, dont 40 % consacrés aux scénarios d'inférence de grands modèles, reflétant une demande croissante pour la puissance de calcul fondamentale.
Actuellement, l'IA est devenue le thème phare convoité par les cercles capitalistes occidentaux, tandis que le marché Web3 connaît également un nouveau cycle haussier. L'alliance entre IA et Web3 représente la convergence des deux sujets technologiques les plus populaires du moment, donnant naissance récemment à une série de projets qui témoignent de l’intérêt croissant et des attentes du marché pour cette synergie.
Au-delà des spéculations et des bulles spéculatives, où en est actuellement le développement du secteur IA+Web3 ? Existe-t-il de véritables cas d'utilisation concrets ? À long terme, peut-il créer des récits et des industries porteurs de valeur ? Quelle sera la structure écosystémique future de l'industrie IA+Web3, et dans quels domaines se trouvent les potentiels les plus prometteurs ?
Autour de ces questions, Future3 Campus publiera une série d'articles analysant l'industrie IA+Web3 à différents niveaux. Cet article constitue le premier volet, traitant de la vue d’ensemble de l'écosystème et de la logique narrative de l'IA+Web3.
Le processus de production et de travail de l'IA
De manière générale, les synergies entre IA et Web3 peuvent se diviser en deux axes : d'une part, comment le Web3 peut aider au développement de l'IA, et d'autre part, comment les applications Web3 peuvent intégrer les technologies d'IA. Actuellement, la majorité des projets se concentrent sur l'enrichissement de l'IA grâce aux concepts et technologies du Web3. Ainsi, nous pouvons analyser leurs points de convergence en examinant le cycle de vie de l'IA, de l'entraînement du modèle à sa mise en production.
L’émergence des grands modèles linguistiques (LLM) diffère quelque peu des flux traditionnels du machine learning, mais globalement, un processus simplifié de production d’IA peut être divisé en plusieurs étapes :
1. Acquisition des données
Dans tout le cycle de vie de l'entraînement d'un modèle d'IA, les données constituent la base fondamentale. Des jeux de données de haute qualité sont généralement requis comme point de départ, accompagnés d’une analyse exploratoire des données (EDA), afin de créer des ensembles de données, tableaux et visualisations reproductibles, modifiables et partageables.
2. Prétraitement des données et ingénierie des caractéristiques / ingénierie des prompts
Après acquisition, les données doivent être prétraitées : dans le machine learning classique, il s'agit de l'ingénierie des caractéristiques (annotation des données), tandis que dans les grands modèles, cela concerne l'ingénierie des prompts. Cette étape inclut la classification itérative, l'agrégation et la suppression des doublons afin d'extraire des caractéristiques précises, ainsi que le développement itératif de prompts structurés exploitables par les LLM. Il est également nécessaire de stocker et partager de manière fiable ces caractéristiques ou prompts.
3. Entraînement et ajustement du modèle
À l’aide de bibliothèques de modèles riches, l’IA est entraînée puis affinée itérativement pour améliorer ses performances, son efficacité et sa précision. Pour les LLM, cet ajustement s’effectue principalement via l’apprentissage par renforcement à partir de feedback humain (RLHF).
4. Vérification et gouvernance du modèle
Des plateformes MLOps/LLMOps sont utilisées pour optimiser le processus de développement du modèle, incluant la découverte, le suivi, le partage et la collaboration autour des modèles, garantissant leur qualité, transparence, conformité éthique et réglementaire.
5. Inférence du modèle
Déploiement du modèle d'IA entraîné pour effectuer des prédictions sur de nouvelles données non vues auparavant. Le modèle utilise les paramètres appris pour traiter les données d'entrée et produire des résultats prédictifs, tels que des classifications ou des prévisions de régression.
6. Déploiement et surveillance du modèle
Une fois que les performances du modèle sont validées, il est déployé dans des environnements réels, avec une surveillance et une maintenance continues afin de garantir son fonctionnement optimal face à un environnement dynamique.
Chacune de ces étapes offre des opportunités de convergence avec le Web3. Actuellement, des défis majeurs liés au développement de l'IA – tels que la transparence, les biais et les questions éthiques – suscitent une attention croissante. Ici, les technologies Web3 combinées à des techniques cryptographiques comme les preuves à connaissance nulle (ZK) peuvent contribuer à résoudre les problèmes de confiance envers l'IA. De plus, la demande croissante pour les applications d'IA pousse vers des infrastructures et des réseaux de données plus ouverts et moins coûteux. Le réseau distribué du Web3 et ses modèles incitatifs peuvent ainsi favoriser la création de réseaux et communautés d'IA plus ouverts et open source.
Panorama industriel et logique narrative de l'IA+Web3
En combinant le processus de production de l'IA, les directions de convergence avec le Web3, ainsi que les projets dominants actuels sur le marché, nous avons élaboré un panorama de l'écosystème IA+Web3. La chaîne de valeur IA+Web3 peut être divisée en trois couches : infrastructure, couche intermédiaire et application.
1. Couche d'infrastructure
Elle comprend les infrastructures de calcul et de stockage, qui traversent l'ensemble du cycle de production de l'IA, fournissant la puissance de calcul nécessaire à l'entraînement et à l'inférence des modèles, ainsi que le stockage des données et modèles durant tout leur cycle de vie.
La croissance rapide des applications d'IA a entraîné une explosion de la demande en infrastructures, particulièrement en puissance de calcul haut de gamme. Par conséquent, proposer des infrastructures de calcul et de stockage plus performantes, moins coûteuses et plus abondantes deviendra une tendance majeure dans les années à venir (phase initiale du développement de l'IA), et devrait capter plus de 50 % de la valeur totale de la chaîne industrielle.
Le Web3 permet de construire un réseau décentralisé de ressources informatiques et de stockage, en exploitant des ressources inutilisées et dispersées, ce qui réduit considérablement les coûts d'infrastructure et répond efficacement à la demande massive des applications d'IA. Ainsi, l'infrastructure d'IA décentralisée constitue actuellement la narration la plus solide et la plus certaine.
Les projets emblématiques de ce secteur incluent notamment Render Network, axé sur les services de rendu, ainsi que Akash et gensyn, qui offrent des services cloud et des réseaux matériels de calcul décentralisés. Dans le domaine du stockage, les leaders historiques restent les réseaux décentralisés Filecoin et Arweave, qui ont récemment lancé des services spécialisés de stockage et calcul dédiés à l'IA.
2. Couche intermédiaire
Il s'agit principalement de solutions visant à améliorer certaines étapes spécifiques du processus de production de l'IA grâce aux technologies du Web3. Cela comprend :
1) Étape d’acquisition des données : utilisation d'identités décentralisées pour créer des réseaux ou marchés de données plus ouverts. Grâce à la cryptographie et aux propriétés de la blockchain, ces solutions protègent les utilisateurs et assurent la propriété des données, tout en utilisant des mécanismes incitatifs pour encourager le partage de données de qualité, élargissant ainsi les sources et améliorant l'efficacité de collecte. Les projets représentatifs incluent Worldcoin et Aspecta (identité IA), Ocean Protocol (plateforme d'échange de données), ainsi que Grass, un réseau de données à faible seuil d'entrée.
2) Étape de prétraitement des données : création de plateformes distribuées d'annotation et de traitement des données d'IA, utilisant des modèles économiques incitatifs pour favoriser le mode crowd-sourcing, permettant ainsi un prétraitement plus efficace et moins coûteux, utile pour les phases suivantes d'entraînement. Un exemple notable est Public AI.
3) Étapes de vérification et d'inférence du modèle : comme mentionné précédemment, la « boîte noire » des données et des modèles est un problème réel en IA. Ici, le Web3 peut combiner des technologies cryptographiques comme les ZK et le chiffrement homomorphe pour vérifier que l'inférence du modèle utilise bien les données et paramètres spécifiés, assurant ainsi sa justesse tout en préservant la confidentialité des données d'entrée. Un cas d'usage typique est ZKML. Parmi les projets représentatifs de cette convergence figurent bittensor, Privasea et Modulus.
De nombreux projets de la couche intermédiaire se rapprochent davantage des outils destinés aux développeurs, offrant souvent des services complémentaires aux développeurs et projets existants. Leur demande et leur viabilité commerciale sont encore en phase de développement, surtout au stade actuel du développement de l'IA.
3. Couche applicative
Sur le plan applicatif, il s'agit davantage d'intégrer les technologies d'IA dans le Web3. L'adoption de l'IA par les applications Web3 permet d'améliorer significativement l'efficacité et l'expérience utilisateur. Par exemple, grâce aux capacités de génération, d'analyse et de prédiction de l'IA, on peut développer des applications dans des domaines variés tels que les jeux, les réseaux sociaux, l'analyse de données ou les prévisions financières. Actuellement, les applications IA+Web3 se divisent principalement en trois catégories.
1) Applications AIGC : utilisant des technologies génératives d'IA, elles permettent aux utilisateurs de générer du texte, des images, des vidéos ou des avatars via des interactions conversationnelles. Elles peuvent prendre la forme d'agents IA autonomes ou être intégrées directement dans des produits. Les projets représentatifs incluent NFPrompt et SleeplessAI.
2) Applications d'analyse IA : les projets intègrent leurs propres données accumulées, bases de connaissances et capacités d'analyse pour entraîner des modèles IA verticaux capables d’analyse, jugement et prédiction, puis les proposent sous forme de produit accessible facilement par les utilisateurs. Ces outils permettent un accès simple à des fonctionnalités d’analyse IA avancées, telles que l’analyse de données, le suivi d’informations, l’audit et modification de code, ou les prévisions financières. Les projets notables incluent Kaito et Dune.
3) Hubs d'agents IA : agrégateurs d'agents IA diversifiés, offrant souvent aux utilisateurs la possibilité de créer sans code des agents IA personnalisés, à l’instar des GPTs. Les projets représentatifs incluent My Shell et Fetch.ai.
La couche applicative n’a pas encore vu l’émergence de projets dominants, mais elle possède à long terme un potentiel élevé et reste largement inexploité. La compétitivité des applications IA+Web3 ne repose pas uniquement sur l’innovation technologique, mais davantage sur l’accumulation de compétences produit et technique. Les projets capables d’offrir une meilleure expérience utilisateur en matière d’IA seront ceux qui tireront leur épingle du jeu dans ce domaine.
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
