Après la conférence GTC, peut-être que Web3 sauvera-t-elle la puissance de calcul d'IA ?
TechFlow SélectionTechFlow Sélection
Après la conférence GTC, peut-être que Web3 sauvera-t-elle la puissance de calcul d'IA ?
La compétition pour la puissance de calcul GPU arrive sur les plateformes décentralisées : plus il y a de puissance de calcul, plus l'efficacité du calcul est élevée.
Dédié à des analyses Web3 approfondiesAuteur : Zuo Ye
La mode est un cercle, le Web3 aussi.
Near « redevient » une blockchain dédiée à l'IA, son fondateur, co-auteur du modèle Transformer, a pu participer au sommet GTC de NVIDIA et discuter avec Jensen Huang de l'avenir de l'IA générative. Solana, abritant io.net, Bittensor et Render Network, s'est transformée avec succès en une blockchain axée sur l'IA. D'autres projets comme Akash, GAIMIN et Gensyn émergent également dans le domaine du calcul GPU.
En relevant le regard au-delà de la hausse des cours des cryptomonnaies, plusieurs faits intéressants apparaissent :
-
La compétition pour la puissance de calcul GPU migre vers les plateformes décentralisées : plus il y a de puissance de calcul, plus les performances sont élevées, CPU, stockage et GPU étant souvent vendus conjointement ;
-
Lors de la transition du cloud vers le décentralisé, le paradigme de calcul évolue avec la demande passant de l'entraînement à l'inférence en IA, rendant les modèles on-chain moins abstraits ;
-
L'architecture sous-jacente du matériel et logiciel internet n'a pas fondamentalement changé : la couche de calcul décentralisée joue surtout un rôle d'incitation réseau.
Précisons d'abord un concept : la puissance de calcul cloud dans le monde Web3 naît à l'époque du minage cloud, désignant la vente groupée de puissance de calcul de machines minières, évitant aux utilisateurs un investissement initial élevé. Toutefois, les fournisseurs surent souvent « survendre », par exemple en revendant la puissance de 100 machines à 105 personnes, maximisant ainsi leurs profits, ce qui a fini par associer ce terme à la fraude.
Dans cet article, le terme « puissance de calcul cloud » désigne spécifiquement les ressources de calculateurs basés sur GPU offertes par des fournisseurs cloud. La question posée est alors : les plateformes de calcul décentralisées sont-elles de simples marionnettes des fournisseurs cloud ou bien leur prochaine évolution ?
L'intégration entre les fournisseurs cloud traditionnels et la blockchain est plus profonde qu'on ne le pense : les nœuds publics, le développement et le stockage quotidien s'appuient presque tous sur AWS, Alibaba Cloud ou Huawei Cloud, évitant des investissements coûteux en matériel physique. Mais cela pose des problèmes sérieux : dans des cas extrêmes, un simple débranchement peut entraîner un arrêt complet de la blockchain, violant gravement l'esprit de décentralisation.
D'autre part, les plateformes de calcul décentralisées construisent soit directement leurs propres « salles serveurs » pour assurer la stabilité du réseau, soit mettent en place des réseaux incitatifs — par exemple, la stratégie d'airdrop d'IO.NET visant à augmenter le nombre de GPU disponibles, similaire au modèle de Filecoin qui distribue des jetons FIL contre du stockage. Leur objectif premier n'est pas de répondre à une demande d'utilisation, mais plutôt d'attribuer de la valeur aux jetons. Une preuve en est que grandes entreprises, particuliers ou institutions académiques utilisent rarement ces plateformes pour des tâches réelles d'entraînement, d'inférence ou de rendu graphique en ML, entraînant un gaspillage massif des ressources.
Cependant, face à la hausse des prix des jetons et à l'euphorie FOMO, toute accusation de supercherie contre le calcul décentralisé s'évanouit aussitôt.
Deux types de puissance ☁️, même nom, même destin ?
Inférence et FLOPS : mesurer la puissance de calcul GPU
La demande de puissance de calcul des modèles d'IA évolue progressivement de l'entraînement vers l'inférence.
Prenons Sora d'OpenAI comme exemple : bien qu'il utilise aussi la technologie Transformer, sa quantité de paramètres serait inférieure au niveau trillion de GPT-4, selon les estimations académiques, voire seulement de 3 milliards selon Yann LeCun. Cela signifie un coût d'entraînement moindre, ce qui est logique car moins de ressources de calcul sont nécessaires proportionnellement.
En revanche, Sora pourrait exiger une capacité d’« inférence » plus forte. L'inférence peut être comprise comme la capacité à générer des vidéos spécifiques à partir d'instructions. Considérée comme du contenu créatif, elle requiert une meilleure compréhension de la part de l'IA. L'entraînement, lui, est relativement plus simple : il consiste à extraire des règles à partir de données existantes, une affaire de brute force computationnelle.
Auparavant, la puissance de calcul IA était principalement utilisée pour l'entraînement, avec peu d'usage pour l'inférence, et dominée quasi exclusivement par les produits NVIDIA. Mais depuis l'arrivée du LPU (Language Processing Unit) de Groq, la donne change : une meilleure inférence, combinée à des modèles plus légers et précis, commence à dominer.
Ajoutons une précision sur la classification des GPU : on entend souvent dire que les joueurs ont sauvé l'IA. Il y a du vrai : la forte demande du marché du jeu pour des GPU performants a permis d'amortir les coûts de R&D. Par exemple, la carte 4090 convient aussi bien aux jeux qu'à l'entraînement IA. Toutefois, on observe désormais une dissociation progressive entre cartes gaming et cartes calcul, similaire à l'évolution du minage Bitcoin, passant des PC grand public aux ASIC spécialisés, suivant l'ordre CPU → GPU → FPGA → ASIC.
Cartes dédiées LLM en développement…
Avec la maturation des technologies IA, notamment des LLM, on verra de plus en plus d'initiatives similaires aux TPU, DPU ou LPU. Pour l'instant, les produits dominants restent les GPU de NVIDIA. Tous les arguments suivants seront donc centrés sur les GPU, tandis que les LPU et autres constituent davantage un complément, leur remplacement total prenant encore du temps.
La course au calcul décentralisé ne repose pas sur la compétition d'approvisionnement en GPU, mais cherche à créer un nouveau modèle économique.
À ce stade, NVIDIA semble tenir le rôle principal — normal, puisqu'elle détient 80 % du marché des cartes graphiques. La rivalité N-card vs A-card n'existe qu'en théorie : en pratique, tout le monde choisit NVIDIA malgré les protestations verbales.
Ce monopole absolu alimente la frénésie d'acquisition de GPU, allant de la RTX 4090 grand public aux A100/H100 professionnels. Les fournisseurs cloud sont d'ailleurs parmi les principaux accumulateurs. Pourtant, Google, Meta, Tesla et OpenAI développent ou prévoient des puces maison, tandis que les entreprises chinoises se tournent vers Huawei. Le secteur GPU reste extrêmement concurrentiel.
Pour les fournisseurs cloud traditionnels, la vente porte sur la puissance de calcul et l'espace de stockage. L'urgence d'utiliser leurs propres puces n'est pas aussi forte que pour les sociétés purement IA. En revanche, pour les projets de calcul décentralisé, actuellement en phase initiale, il s'agit de concurrencer les fournisseurs traditionnels sur le marché du calcul, en misant sur le prix bas et l'accessibilité. Quant à l'apparition d'un « ASIC Web3 pour l'IA », c'est improbable.
Un bref commentaire : depuis la migration d'Ethereum vers PoS, le matériel spécialisé dans la crypto diminue fortement. Des projets comme Saga Phone, l'accélération matérielle ZK ou DePIN ont des marchés trop petits. J'espère que le calcul décentralisé pourra tracer une voie typiquement Web3 pour les cartes de calcul IA spécialisées.
Le calcul décentralisé est-il la suite logique du cloud ou simplement un complément ?
La puissance de calcul GPU est généralement mesurée en FLOPS (Floating Point Operations Per Second), l'indicateur standard de vitesse de calcul. Quel que soit le modèle ou les optimisations logicielles, tout se ramène finalement aux FLOPS.
Du calcul local au cloud, environ un demi-siècle s'est écoulé. La notion de distribution existe depuis les débuts de l'informatique. Poussée par les LLM, la combinaison de décentralisation et de puissance de calcul devient tangible. Je vais résumer autant que possible les projets actuels de calcul décentralisé, selon deux critères uniquement :
-
Nombre de GPU et autres matériels : indicateur de vitesse de calcul. Selon la loi de Moore, les GPU plus récents sont plus puissants. À spécifications égales, plus il y en a, plus la puissance totale est grande ;
-
Mode d'organisation de la couche incitative : caractéristique typique du Web3. Jetons doubles, fonctionnalités de gouvernance, stratégies d'airdrop permettent d'évaluer la valeur à long terme d'un projet, plutôt que de se focaliser sur le prix court terme. Ce qui compte vraiment, c'est la quantité de GPU possédée ou mobilisable.
Sous cet angle, le calcul décentralisé suit toujours la voie DePIN : « matériel existant + réseau incitatif ». Autrement dit, l'architecture internet reste la base, et la couche de calcul décentralisé correspond à une « virtualisation matérielle » monétisée, centrée sur l'accès sans permission. Mais pour former un vrai réseau, le matériel reste indispensable.
Le calcul doit être décentralisé, mais les GPU doivent être centralisés
En s'appuyant sur le dilemme de la blockchain, la sécurité du calcul décentralisé n'a pas besoin d'être traitée séparément. Les enjeux clés sont la décentralisation et l'extensibilité — cette dernière concernant les usages après regroupement des GPU, actuellement dominé par l'IA.
Partons d'un paradoxe : si un projet de calcul décentralisé veut réussir, il doit rassembler un très grand nombre de GPU. Pourquoi ? Parce que les paramètres des grands modèles comme GPT explosent, et qu'une certaine échelle de GPU est nécessaire pour atteindre des résultats d'entraînement ou d'inférence.
Certes, contrairement au contrôle absolu des fournisseurs cloud, les projets décentralisés peuvent aujourd'hui proposer des mécanismes d'accès libre et de migration libre des ressources GPU. Mais pour améliorer l'efficacité du capital, on pourrait voir apparaître à l'avenir des structures similaires aux pools de minage.
En termes d'extensibilité, les GPU ne servent pas qu'à l'IA. L'informatique en nuage et le rendu graphique sont aussi des pistes viables. Par exemple, Render Network se concentre sur le rendu, tandis que Bittensor vise l'entraînement de modèles. Plus simplement, l'extensibilité équivaut aux scénarios d'usage.
On peut donc ajouter deux paramètres supplémentaires aux GPU et au réseau incitatif : la décentralisation et l'extensibilité, formant ainsi quatre axes de comparaison. Attention : cette méthode n’a rien de technique, c’est juste pour s’amuser.
Parmi ces projets, Render Network est particulièrement singulier : c’est fondamentalement un réseau de rendu distribué, dont le lien avec l’IA n’est pas direct. Dans l’entraînement et l’inférence IA, chaque étape est interdépendante — algorithmes comme SGD (descente de gradient stochastique) ou rétropropagation exigent une cohérence stricte. En revanche, le rendu peut être découpé en tâches indépendantes, facilitant la distribution.
Sa capacité en IA provient surtout de son intégration avec io.net, agissant comme un plugin. Après tout, ce sont toujours des GPU qui travaillent. Plus visionnaire encore fut son choix de rejoindre Solana lorsqu’elle était sous-évaluée — un pari gagnant, car Solana s’est avérée mieux adaptée aux besoins hautes performances des réseaux de rendu.
Ensuite vient io.net, avec sa stratégie agressive de croissance massive en GPU : son site annonce pas moins de 180 000 GPU, plaçant le projet dans la première catégorie, largement devant ses concurrents en ordre de grandeur. En termes d’extensibilité, io.net se concentre sur l’inférence IA, l’entraînement étant secondaire.
Strictement parlant, l’entraînement IA ne convient guère au déploiement distribué. Même pour des LLM légers, la quantité absolue de paramètres reste élevée, et le calcul centralisé reste économiquement plus efficace. L’intersection entre Web3 et IA dans l’entraînement concerne surtout la confidentialité des données et le calcul chiffré, via des technologies comme ZK ou FHE. En revanche, l’inférence IA offre de vastes opportunités au Web3 : elle demande moins de performance GPU, tolère certains gaspillages, et touche davantage l’utilisateur final, permettant des incitations plus attractives.
Filecoin, autre projet basé sur le minage contre jetons, a conclu un accord avec io.net pour mutualiser ses 1 000 GPU. Un bel exemple de collaboration entre anciens et nouveaux. Bonne chance à eux deux.
Vient ensuite Gensyn, encore non lancé. Évaluons-le virtuellement : en phase initiale de construction, il n’a pas encore publié son nombre de GPU. Son usage principal étant l’entraînement IA, on peut supposer qu’il exigera beaucoup de GPU performants — au moins autant que Render Network. Comparé à l’inférence, l’entraînement IA entre en concurrence directe avec les fournisseurs cloud, et implique des mécanismes plus complexes.
Concrètement, Gensyn doit garantir l’efficacité de l’entraînement tout en optimisant la performance. Il recourt donc massivement au calcul hors chaîne, nécessitant un système complexe de vérification et anti-fraude impliquant plusieurs rôles :
-
Submitters : initiateurs de tâches, payant le coût final de l’entraînement ;
-
Solvers : effectuent l’entraînement et fournissent une preuve de validité ;
-
Verifiers : valident la justesse du modèle ;
-
Whistleblowers : surveillent le travail des vérificateurs.
Globalement, cela ressemble à un mélange de minage PoW et de mécanisme d’optimalité, avec une architecture très complexe. Transférer le calcul hors chaîne peut réduire les coûts, mais la complexité induit des frais opérationnels supplémentaires. Alors que la majorité des projets de calcul décentralisé se concentrent sur l’inférence IA, bonne chance à Gensyn.
Enfin, Akash, un vieux briscard. Lancé à peu près en même temps que Render Network, Akash s’est d’abord concentré sur la décentralisation du CPU, tandis que Render Network visait celle du GPU. Ironie du sort : après l’explosion de l’IA, les deux convergent vers le calcul GPU+IA, avec une différence notable : Akash privilégie l’inférence.
Le regain d’intérêt pour Akash vient de son exploitation intelligente du problème des fermes de minage après la mise à jour d’Ethereum : les GPU inutilisés peuvent désormais servir à l’IA, au lieu d’être vendus d’occasion sur Xianyu au nom d’étudiantes. Au final, c’est toujours une contribution à la civilisation humaine.
Akash a un avantage : ses jetons sont presque tous en circulation, ce qui est logique pour un ancien projet. Il adopte activement des systèmes de mise en gage classiques en PoS. Pourtant, l’équipe paraît assez détachée, manquant de l’énergie offensive d’io.net.
Hormis ceux-ci, citons aussi THETA dans le cloud computing périphérique, Phoenix dans les solutions sectorielles d’IA, ainsi que les anciens et nouveaux acteurs comme Bittensor et Ritual. Faute de place, impossible de tous les lister — certains manquent même de données publiques comme le nombre de GPU.
Conclusion
En parcourant l’histoire de l’informatique, on constate que toutes sortes de paradigmes de calcul peuvent être décentralisés. Le seul regret est qu’ils n’aient aucun impact sur les applications principales. Actuellement, les projets Web3 en calcul restent confinés à une auto-satisfaction communautaire. Le fondateur de Near a été invité au sommet GTC grâce à son statut d’auteur du Transformer, pas en tant que fondateur de Near.
Plus pessimiste encore : le marché du cloud computing et ses acteurs sont trop puissants. io.net peut-il remplacer AWS ? Peut-être, si le nombre de GPU est suffisamment élevé — après tout, AWS utilise depuis longtemps Redis open source comme composant de base.
En un sens, la puissance de l’open source et celle de la décentralisation n’ont jamais été équivalentes. Les projets décentralisés sont trop concentrés dans les domaines financiers comme la DeFi. L’IA pourrait bien être la voie cruciale vers un accès au marché mainstream.
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
@zuoyeweb3
