IOSG Research | Exploring New Infrastructure Narratives through the AI x Web3 Technology Stack
TechFlow SélectionTechFlow Sélection
IOSG Research | Exploring New Infrastructure Narratives through the AI x Web3 Technology Stack
Nous sommes actuellement à l'aube de l'IA et du Web3.
Dédié à des analyses Web3 approfondiesAuteur : IOSG Ventures
Préface
Le développement fulgurant des grands modèles linguistiques (LLM) a suscité un vif intérêt pour l’utilisation de l’intelligence artificielle (IA) afin de transformer divers secteurs. L’industrie blockchain n’y échappe pas, attirant désormais une attention croissante avec l’émergence du scénario IA x Crypto. Cet article explore trois principales approches combinant IA et cryptomonnaies, tout en examinant les opportunités uniques que la technologie blockchain offre pour résoudre certains problèmes critiques dans le domaine de l’IA.
Les trois voies d’intégration entre IA et crypto sont :
-
1. Intégrer l'IA dans des produits existants : Des entreprises comme Dune utilisent l'IA pour améliorer leurs produits, par exemple en introduisant un « copilote SQL » qui aide les utilisateurs à rédiger des requêtes complexes.
-
2. Construire des infrastructures IA dédiées à l'écosystème crypto : De jeunes pousses comme Ritual et Autonolas se concentrent sur le développement d'infrastructures pilotées par l'IA, spécialement conçues pour répondre aux besoins du secteur crypto.
-
3. Utiliser la blockchain pour résoudre des problèmes liés à l'IA : Des projets tels que Gensyn, EZKL et io.net explorent comment la technologie blockchain peut relever des défis majeurs dans l'industrie IA, notamment en matière de confidentialité des données, de sécurité et de transparence.
Ce qui rend l’alliance IA x Crypto particulièrement prometteuse, c’est que la blockchain pourrait offrir des solutions aux problèmes structurels de l’IA. Ce point de convergence unique ouvre la voie à des innovations bénéficiant autant à la communauté de l’IA qu’à celle de la blockchain.
En explorant ce domaine, notre objectif est d’identifier et de présenter les applications les plus prometteuses de la blockchain pour relever les défis actuels de l’IA. En collaborant avec des experts de l’IA et des bâtisseurs de la crypto, nous souhaitons favoriser l’émergence de solutions innovantes tirant parti des forces combinées de ces deux technologies.
1. Aperçu du secteur
Le domaine IA x Crypto peut être divisé en deux grandes catégories : infrastructure et applications. Bien que certaines infrastructures existantes continuent de soutenir des cas d'utilisation IA, de nouveaux acteurs proposent désormais des architectures natives IA inédites.
1.1 Réseaux de calcul
Dans l’univers IA x Crypto, les réseaux de calcul jouent un rôle clé en fournissant l’infrastructure nécessaire aux applications IA. Selon les types de tâches supportées, ces réseaux peuvent être classés en deux catégories : réseaux de calcul généralistes et réseaux spécialisés.
1.1.1 Réseaux de calcul généralistes
Les réseaux de calcul généralistes (comme IO.net et Akash) permettent aux utilisateurs d’accéder à distance à des machines via SSH, avec une interface en ligne de commande (CLI), leur permettant ainsi de construire leurs propres applications. Ces réseaux ressemblent à des serveurs privés virtuels (VPS), offrant un environnement informatique personnel dans le cloud.
IO.net, basé sur l’écosystème Solana, se concentre sur la location de GPU et les grappes de calcul, tandis qu’Akash, ancré dans l’écosystème Cosmos, fournit principalement des serveurs cloud CPU et divers modèles d’applications.
Point de vue d’IOSG Ventures :
Comparés aux marchés cloud Web2 bien établis, les réseaux de calcul restent encore à un stade précoce. Les réseaux de calcul Web3 ne disposent pas encore de briques modulaires aussi souples que celles du Web2 — telles que les fonctions sans serveur, VPS ou bases de données cloud — fournies par des géants comme AWS, Azure ou Google Cloud.
Les avantages des réseaux de calcul incluent :
-
La technologie blockchain permet d’exploiter des ressources informatiques inutilisées, y compris celles provenant de PC personnels, rendant le réseau plus durable.
-
Le modèle pair-à-pair (P2P) permet aux individus de monétiser leurs ressources inutilisées, offrant un calcul moins coûteux, réduisant potentiellement les coûts de 75 % à 90 %.
Cependant, plusieurs obstacles empêchent ces réseaux d’être pleinement opérationnels et de concurrencer sérieusement les services cloud Web2 :
-
Bien que le prix soit un avantage majeur, il reste difficile de rivaliser avec les géants du cloud Web2 en termes de fonctionnalités, de sécurité et de stabilité.
-
L’architecture P2P peut limiter la rapidité avec laquelle ces réseaux livrent des produits matures et robustes. La nature décentralisée augmente également les coûts de développement et de maintenance.
1.1.2 Réseaux de calcul spécialisés
Les réseaux spécialisés ajoutent une couche supplémentaire au-dessus des réseaux généralistes, permettant aux utilisateurs de déployer facilement des applications spécifiques via des profils prédéfinis. Ils ciblent des cas d’usage précis, comme le rendu 3D ou l’inférence et l’entraînement IA.
Render est un réseau spécialisé dans le rendu 3D. Dans le domaine IA, de nouveaux acteurs comme Bittensor, Hyperbolic, Ritual et fetch.ai se concentrent sur l’inférence IA, tandis que Flock et Gensyn misent principalement sur l’entraînement IA.
Point de vue d’IOSG Ventures :
Avantages des réseaux de calcul spécialisés :
-
La décentralisation et les caractéristiques crypto résolvent les problèmes d’opacité et de centralisation largement répandus dans l’industrie IA.
-
Les schémas de calcul et de vérification sans permission garantissent la validité des processus d’inférence et d’entraînement.
-
Des technologies de protection de la vie privée, comme l’apprentissage fédéré utilisé par Flock, permettent aux individus de contribuer à l’entraînement des modèles tout en gardant leurs données locales et confidentielles.
-
Grâce à l’intégration avec des contrats intelligents, les résultats d’inférence IA peuvent être directement utilisés par des applications blockchain.
Source : IOSG Ventures
Bien que les réseaux spécialisés d’inférence et d’entraînement IA en soient encore à leurs balbutiements, nous anticipons que les applications Web3 IA privilégieront progressivement les infrastructures IA Web3. Cette tendance est déjà perceptible dans des collaborations comme celle entre Story Protocol, Ritual et MyShell, où les modèles IA deviennent des actifs de propriété intellectuelle.
Bien qu’aucune application phare n’ait encore émergé sur ces nouvelles infrastructures IA x Web3, le potentiel de croissance est considérable. À mesure que l’écosystème mûrira, nous nous attendons à voir apparaître davantage d’applications innovantes exploitant pleinement les capacités uniques des réseaux de calcul IA décentralisés.
2. Données
Les données jouent un rôle fondamental dans les modèles d’IA. Chaque étape du développement implique des données, depuis la collecte jusqu’au stockage des jeux d’entraînement et des modèles eux-mêmes.
2.1 Stockage des données
Le stockage décentralisé des modèles IA est crucial pour fournir des API d’inférence de manière décentralisée. Les nœuds d’inférence doivent pouvoir récupérer ces modèles à tout moment et de n’importe où. Compte tenu de la taille potentielle des modèles IA (plusieurs centaines de Go), un réseau de stockage décentralisé robuste est indispensable. Des leaders comme Filecoin et Arweave pourraient jouer ce rôle.
Point de vue d’IOSG Ventures :
Ce domaine recèle un énorme potentiel.
-
Réseaux de stockage décentralisés optimisés pour les modèles IA, offrant contrôle de version, stockage de modèles quantifiés légers et téléchargement rapide de grands modèles.
-
Bases de données vectorielles décentralisées, souvent intégrées aux modèles, pour fournir des réponses plus précises en injectant des connaissances pertinentes. Les bases SQL existantes peuvent aussi intégrer la recherche vectorielle.
2.2 Collecte et annotation des données
Obtenir des données de haute qualité est essentiel pour l’entraînement IA. Des projets blockchain comme Grass utilisent le crowdsourcing pour collecter des données via les connexions Internet des utilisateurs. Grâce à des incitations bien conçues, les entraîneurs IA peuvent obtenir des données de qualité à moindre coût. Des projets comme Tai-da et Saipen se concentrent sur l’annotation des données.
Point de vue d’IOSG Ventures :
Quelques observations sur ce marché :
-
La plupart des projets d’annotation s’inspirent du GameFi, attirant les utilisateurs avec le concept de « earn by labeling », et les développeurs avec la promesse de réduire les coûts d’annotation.
-
Aucun leader clair ne s’est encore imposé dans ce secteur, alors que Scale AI domine le marché Web2 de l’annotation.
2.3 Données blockchain
Pour entraîner des modèles IA spécialisés sur la blockchain, les développeurs ont besoin de données blockchain de haute qualité, directement intégrables à leurs pipelines d’entraînement. Spice AI et Space and Time proposent de telles données, accompagnées de SDKs faciles à utiliser.
Point de vue d’IOSG Ventures :
À mesure que la demande pour des modèles IA spécialisés blockchain croît, la nécessité de données qualitatives va exploser. Pourtant, la plupart des outils d’analyse ne permettent aujourd’hui que l’export CSV, peu adapté à l’entraînement IA.
Pour accélérer le développement de ces modèles, il est crucial d’améliorer l’expérience développeur en proposant davantage de fonctionnalités MLOps (machine learning operations) adaptées à la blockchain. Ces outils devraient permettre une intégration fluide des données blockchain dans les pipelines d’entraînement Python.
3. ZKML
Les fournisseurs IA centralisés font face à des problèmes de confiance, car ils ont tendance à privilégier des modèles moins complexes pour réduire les coûts de calcul. Par exemple, certains utilisateurs ont remarqué une baisse ponctuelle des performances de ChatGPT l’année dernière, attribuée ultérieurement à une mise à jour d’OpenAI visant à améliorer les performances globales.
De plus, les créateurs s’inquiètent des violations de droits d’auteur par les entreprises IA, qui peinent à prouver qu’elles n’ont pas utilisé leurs œuvres dans l’entraînement.
Le machine learning à preuve de connaissance nulle (ZKML) est une approche innovante qui répond à ces problèmes de confiance. En utilisant des preuves zero-knowledge, le ZKML permet aux développeurs de prouver la justesse de leurs processus d’entraînement et d’inférence, sans divulguer ni les données sensibles ni les détails du modèle.
3.1 Entraînement
Les développeurs peuvent exécuter des tâches d’entraînement dans une machine virtuelle à preuve de connaissance nulle (ZKVM), comme celle fournie par Risc Zero. Ce processus génère une preuve attestant que l’entraînement a été correctement effectué et que seules des données autorisées ont été utilisées. Cette preuve sert de garantie que les normes d’entraînement et les permissions de données ont été respectées.
Point de vue d’IOSG Ventures :
-
Le ZKML propose une solution unique pour prouver l’utilisation licite des données lors de l’entraînement, chose extrêmement difficile à vérifier dans les modèles IA « boîtes noires ».
-
Cette technologie en est encore à ses débuts. Le coût computationnel reste élevé. La communauté explore activement de nouveaux cas d’usage pour l’entraînement ZK.
3.2 Inférence
Contrairement à l’entraînement, l’inférence ZKML prend beaucoup plus de temps. Plusieurs acteurs notables ont émergé, chacun adoptant une approche différente pour rendre l’inférence IA transparente et sans confiance.
Giza se concentre sur la création d’une plateforme MLOP complète, entourée d’une communauté active. Son objectif est de fournir aux développeurs des outils et ressources pour intégrer facilement le ZKML dans leurs workflows d’inférence.
EZKL, quant à lui, met l’accent sur l’expérience développeur en proposant un cadre ZKML convivial et performant. Sa solution simplifie grandement la mise en œuvre de l’inférence ZKML, la rendant accessible à un plus large public.
Modulus Labs adopte une stratégie différente, développant son propre système de preuve. Son but principal est de réduire drastiquement les coûts computationnels liés à l’inférence ZKML. En divisant ces coûts par 10, Modulus Labs cherche à rendre cette technologie plus pratique et efficace dans des applications réelles.
Point de vue d’IOSG Ventures :
-
Le ZKML est particulièrement adapté aux scénarios GameFi et DeFi, où l’absence de confiance est primordiale.
-
Le surcoût computationnel lié au ZKML rend difficile l’exécution efficace de grands modèles IA.
-
Le secteur attend encore des pionniers DeFi et GameFi qui intégreront massivement le ZKML dans leurs produits pour en démontrer toute la pertinence.
4. Réseaux d’agents + autres applications
4.1 Réseaux d’agents
Un réseau d’agents est composé de nombreux agents IA équipés d’outils et de connaissances spécifiques, capables d’accomplir des tâches comme aider aux transactions blockchain. Ces agents peuvent coopérer pour atteindre des objectifs plus complexes. Plusieurs entreprises développent activement des agents conversationnels et des réseaux d’agents.
Sleepless, Siya, Myshell, characterX et Delysium sont des acteurs clés dans le développement d’agents chatbots. Autonolas et ChainML construisent des réseaux d’agents pour des cas d’usage plus avancés.
Point de vue d’IOSG Ventures :
Les agents sont cruciaux pour les applications réelles. Ils surpassent souvent les IA généralistes dans l’exécution de tâches spécifiques. La blockchain offre aux agents IA plusieurs opportunités uniques :
-
Incentivation : La blockchain permet d’intégrer des mécanismes d’incitation via des technologies comme les NFT. Avec une propriété claire et une structure d’incitation définie, les créateurs sont motivés à développer des agents plus innovants et intéressants sur la chaîne.
-
Composabilité des contrats intelligents : Les contrats intelligents sont hautement composable, comme des briques Lego. Leurs API ouvertes permettent aux agents d’accomplir des tâches complexes impossibles dans les systèmes financiers traditionnels. Cette flexibilité permet aux agents d’interagir avec diverses dApps et d’en exploiter les fonctionnalités.
-
Ouverture intrinsèque : En étant construits sur la blockchain, les agents héritent de sa transparence et de son accessibilité. Cela crée d’importantes opportunités de collaboration entre agents, qui peuvent combiner leurs compétences pour résoudre des problèmes plus complexes.
4.2 Autres applications
Outre les catégories principales mentionnées précédemment, plusieurs applications IA innovantes émergent dans l’écosystème Web3, bien qu’elles ne soient pas encore assez importantes pour constituer une catégorie à part entière. Elles illustrent la diversité et le potentiel de l’IA dans l’univers blockchain.
-
Génération d’images : ImgnAI
-
Monétisation des prompts d’image : NFPrompt
-
Génération d’images par IA formée par la communauté : Botto
-
Chatbots : Kaito, Supersight, Galaxy, Knn3, Awesome QA, Qna3
-
Finance : Numer AI
-
Portefeuille : Dawn_wallet
-
Jeux : Parallel TCG
-
Éducation : Hooked
-
Sécurité : Forta
-
DID : Worldcoin
-
Outils pour créateurs : Plai Lab
5. Diffuser l’IA x Crypto auprès des utilisateurs Web2 pour une adoption massive
Le couple IA x Crypto se distingue par sa capacité à résoudre certains des problèmes les plus ardus de l’IA. Bien qu’il existe un écart entre les produits actuels et ceux du Web2, et que l’attrait pour les utilisateurs Web2 reste limité, l’IA x Crypto dispose de fonctionnalités uniques que seul ce mariage peut offrir.
5.1 Calcul économique :
Un avantage majeur de l’IA x Crypto est l’accès à des ressources de calcul très abordables. Avec la hausse de la demande en LLM, la pénurie de GPU s’aggrave et leurs prix grimpent fortement.
Les réseaux de calcul décentralisés, comme les projets DePIN, peuvent atténuer ce problème en mobilisant la puissance de calcul inutilisée — provenant de petits centres de données, de GPU personnels ou d’appareils individuels. Bien que la stabilité de ces réseaux puisse être inférieure à celle des clouds centralisés, ils offrent un accès à des ressources à faible coût, réparties géographiquement. Cette approche décentralisée minimise la latence périphérique et assure une infrastructure plus distribuée et résiliente.
En exploitant ces réseaux, l’IA x Crypto peut offrir aux utilisateurs Web2 des ressources de calcul abordables et accessibles. Ce gain de coût est un argument fort pour inciter les utilisateurs Web2 à adopter ces solutions, surtout avec la demande croissante en puissance de calcul IA.
5.2 Reconnaître la propriété des créateurs :
Un autre atout clé de l’IA x Crypto est la protection de la propriété intellectuelle des créateurs. Dans l’écosystème IA actuel, certains agents peuvent être facilement copiés — il suffit de reproduire un prompt similaire. De plus, les agents disponibles dans les boutiques GPT appartiennent généralement à des entreprises centralisées, pas aux créateurs, ce qui limite leur contrôle et leur capacité à monétiser.
L’IA x Crypto utilise la technologie NFT, mature dans l’écosystème crypto, pour résoudre ce problème. En représentant les agents sous forme de NFT, les créateurs en deviennent véritablement propriétaires et peuvent en tirer des revenus concrets. Chaque interaction avec un agent peut générer une récompense pour le créateur, assurant une juste reconnaissance de son travail. Ce principe de propriété NFT s’étend à d’autres actifs IA importants, comme les bases de connaissances et les prompts.
5.3 Protéger la vie privée et restaurer la confiance :
Utilisateurs et créateurs expriment des inquiétudes concernant la confidentialité chez les entreprises IA centralisées. Les utilisateurs craignent que leurs données soient utilisées sans consentement pour entraîner de futurs modèles, tandis que les créateurs redoutent l’usage non autorisé de leurs œuvres sans attribution ni compensation. En outre, ces entreprises peuvent sacrifier la qualité du service pour réduire leurs coûts d’infrastructure.
Ces problèmes sont difficiles à résoudre avec les technologies Web2, mais l’IA x Crypto recourt à des solutions avancées du Web3. L’entraînement et l’inférence à preuve de connaissance nulle apportent de la transparence en prouvant les données utilisées et la bonne application du modèle. Des technologies comme les environnements d’exécution sécurisés (TEE), l’apprentissage fédéré et le chiffrement homomorphe complet (FHE) permettent un entraînement et une inférence IA sécurisés et respectueux de la vie privée.
En plaçant la confidentialité et la transparence au cœur de ses services, l’IA x Crypto permet aux entreprises IA de regagner la confiance du public et d’offrir des services respectueux des droits des utilisateurs, se distinguant ainsi des solutions traditionnelles du Web2.
5.4 Tracer l’origine du contenu
À mesure que les contenus générés par IA deviennent plus sophistiqués, il devient de plus en plus difficile de distinguer les créations humaines des œuvres produites par IA — textes, images ou vidéos. Pour éviter les abus, il faut un moyen fiable d’identifier l’origine du contenu.
La blockchain excelle dans le traçage d’origine, comme elle l’a fait dans la gestion de la chaîne logistique ou avec les NFT. Dans la logistique, la blockchain suit tout le cycle de vie d’un produit, permettant d’identifier le producteur et les étapes clés. De même, elle trace les créateurs et, dans le cas des NFT, combat efficacement le piratage malgré leur vulnérabilité inhérente. Grâce à la transparence blockchain, les utilisateurs peuvent facilement distinguer les vrais des faux NFT.
En appliquant cette technologie au contenu IA, l’IA x Crypto permet de vérifier si un contenu a été créé par un humain ou par une IA, réduisant ainsi les risques d’abus et renforçant la confiance dans l’authenticité du contenu.
5.5 Financer le développement de modèles via la crypto
Concevoir et entraîner un modèle, surtout un grand modèle, est un processus coûteux et long. De plus, les nouveaux modèles comportent une grande incertitude — les développeurs ne peuvent pas prédire leurs performances.
La crypto propose une méthode conviviale pour collecter des données pré-entraînement, recueillir des retours d’apprentissage par renforcement et lever des fonds auprès de parties intéressées. Ce processus rappelle le cycle de vie typique d’un projet crypto : financement privé ou via un launchpad, suivi d’un airdrop de jetons aux contributeurs actifs au lancement.
Un modèle peut suivre une approche similaire : lever des fonds via la vente de jetons pour financer l’entraînement, et distribuer des jetons aux contributeurs de données et de feedback. Grâce à une économie token bien pensée, ce flux de travail permet à des développeurs individuels d’entraîner des modèles comme jamais auparavant.
6. Les défis de la Tokennomics
Les projets IA x Crypto ciblent désormais les développeurs Web2 comme clients potentiels, attirés par la proposition de valeur unique de la crypto et par la taille importante du marché IA Web2. Toutefois, pour les développeurs Web2 non familiers avec les tokens et réticents à utiliser des systèmes basés sur des jetons, ceux-ci peuvent représenter un obstacle.
Adapter l’offre aux développeurs Web2, en réduisant ou supprimant l’utilité du token, peut heurter les puristes Web3, car cela remettrait en question la position fondamentale des projets IA x Crypto. Trouver un équilibre entre attirer les développeurs Web2 et maintenir l’utilité du token est un défi complexe lors de l’intégration de jetons dans des plateformes IA SaaS.
Pour combler l’écart entre les modèles économiques Web2 et Web3 tout en préservant la valeur du token, plusieurs approches sont envisageables :
-
Utiliser le token dans le réseau d’infrastructure décentralisée. Mettre en place des mécanismes de mise en jeu, de récompenses et de sanctions pour sécuriser le réseau de base.
-
Accepter le token comme mode de paiement, tout en offrant une porte d’entrée simple pour les utilisateurs Web2.
-
Instaurer une gouvernance basée sur les tokens.
-
Partager les revenus avec les détenteurs de tokens.
-
Utiliser les revenus pour racheter ou brûler des tokens.
-
Offrir des remises et fonctionnalités supplémentaires aux détenteurs de tokens pour les services du projet.
En concevant soigneusement une économie token alignée sur les intérêts du Web2 et du Web3, les projets IA x Crypto peuvent réussir à attirer les développeurs Web2 tout en maintenant la valeur et l’utilité de leur token.
7. Nos scénarios préférés d’IA x Crypto
Nos scénarios préférés d’IA x Crypto exploitent la puissance de la collaboration utilisateur, combinée à la technologie blockchain pour accomplir des tâches dans le domaine de l’IA. Voici quelques exemples concrets :
1. Contribution collective à la donnée pour l’entraînement IA, l’alignement et les benchmarks (par exemple Chatbot Arena)
2. Co-construction d’une grande base de connaissances partagée, utilisable par divers agents (par exemple Sahara)
3. Utilisation de ressources personnelles pour le scraping de données en réseau (par exemple Grass)
En exploitant l’effort collectif des utilisateurs coordonné par des incitations blockchain, ces modèles illustrent le potentiel des approches décentralisées et communautaires dans le développement et le déploiement de l’IA.
Conclusion
Nous sommes à l’aube de l’IA et du Web3. Comparé à d’autres secteurs, l’intégration entre IA et blockchain en est encore à ses débuts. Parmi les 50 premiers produits Gen IA, aucun n’est lié au Web3. Les meilleurs outils LLM sont centrés sur la création et l’édition de contenu, principalement destinés aux ventes, réunions et notes/bases de connaissances. Étant donné la quantité massive de recherches, documents, ventes et travail communautaire dans l’écosystème Web3, il existe un potentiel énorme pour le développement d’outils LLM personnalisés.
Actuellement, les développeurs se concentrent sur la construction d’infrastructures pour intégrer des modèles IA avancés à la blockchain. Nous n’avons pas encore atteint cet objectif. En développant cette infrastructure, nous explorons également les meilleurs cas d’usage pour réaliser des inférences IA sur la chaîne, de manière sûre et sans confiance — une opportunité unique pour la blockchain. D’autres secteurs peuvent directement utiliser les infrastructures LLM existantes pour l’inférence et le fine-tuning. Seul le secteur blockchain a besoin de son infrastructure IA native.
Dans un avenir proche, nous prévoyons que la technologie blockchain exploitera ses avantages P2P pour résoudre les problèmes les plus difficiles de l’industrie IA, rendant les modèles IA plus accessibles, abordables et rentables pour tous. Nous nous attendons aussi à ce que le monde crypto suive, avec un léger décalage, le récit dominant de l’IA. Au cours de l’année écoulée, nous avons vu des développeurs combiner crypto, agents et modèles LLM. Dans les mois à venir, nous assisterons probablement à l’émergence de modèles multimodaux, de génération texte-vidéo et de création 3D influençant le secteur crypto.
L’ensemble des industries IA et Web3 n’est pas encore pleinement reconnu. Nous attendons avec impatience le moment où l’IA explosera dans le Web3 — l’apparition d’une application phare CryptoxAI.
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
IOSG Ventures
