IA + DePIN + écosystème Solana : triple couronne pour IO.NET, à l'approche de la sortie de son jeton
TechFlow SélectionTechFlow Sélection
IA + DePIN + écosystème Solana : triple couronne pour IO.NET, à l'approche de la sortie de son jeton
Dans un contexte de marché où la demande en puissance de calcul IA excède l'offre, l'élément le plus important d'un réseau de puissance de calcul IA distribué est l'échelle de l'approvisionnement en GPU.
Dédié à des analyses Web3 approfondiesAuteur : Alex Xu, Mint Ventures
Introduction
Dans mon précédent article, j'ai mentionné que par rapport aux deux cycles précédents, le cycle haussier actuel de la cryptomonnaie manquait de récits commerciaux et d'actifs nouveaux suffisamment influents. L'IA est l'un des rares nouveaux récits dans le domaine Web3 cette fois-ci. Dans cet article, en m'appuyant sur le projet phare IA de cette année, IO.NET, j'essaierai de clarifier ma réflexion sur les deux questions suivantes :
-
La nécessité commerciale de l’association IA + Web3
-
La nécessité et les défis des services de puissance de calcul distribuée
Ensuite, je présenterai les informations clés du projet représentatif de puissance de calcul distribué IA : IO.NET, notamment sa logique produit, ses concurrents et son contexte, puis j’analyserai son évaluation.
Une partie de ma réflexion sur l’intégration de l’IA et du Web3 s’inspire du rapport « The Real Merge » rédigé par Michael Rinko, chercheur chez Delphi Digital. Certains de mes points de vue reprennent ou citent ce document. Je recommande vivement aux lecteurs de lire le texte original.
Cet article reflète mon analyse à ce jour, qui pourrait évoluer à l’avenir. Les opinions exprimées sont fortement subjectives et peuvent contenir des erreurs factuelles, des données inexactes ou des raisonnements défectueux. Ne les utilisez surtout pas comme référence pour investir. Toute critique ou discussion constructive de professionnels est bienvenue.
Voici le contenu principal.
1. Logique commerciale : le point de convergence entre IA et Web3
1.1 2023 : une nouvelle « année miraculeuse » façonnée par l’IA
En regardant en arrière dans l’histoire humaine, chaque fois qu’une percée technologique se produit, que ce soit dans la vie quotidienne individuelle, dans la structure des industries ou même dans la civilisation humaine entière, des changements radicaux surviennent.
Deux années marquantes dans l’histoire humaine sont 1666 et 1905, aujourd’hui considérées comme les deux « années miraculeuses » de l’histoire scientifique.
L’année 1666 est qualifiée d’année miraculeuse car c’est alors que Newton a produit un ensemble concentré de découvertes scientifiques. Cette année-là, il a fondé la branche de l’optique en physique, inventé le calcul infinitésimal en mathématiques, et formulé la loi de la gravitation universelle, base fondamentale des sciences naturelles modernes. Chacune de ces réalisations a jeté les bases du développement scientifique pendant des centaines d’années, accélérant considérablement l’avancée globale de la science.
La deuxième « année miraculeuse » est 1905, lorsque Einstein, âgé de seulement 26 ans, a publié quatre articles consécutifs dans la revue Annalen der Physik, portant respectivement sur l’effet photoélectrique (posant les bases de la mécanique quantique), le mouvement brownien (devenu une référence importante pour l’analyse des processus aléatoires), la relativité restreinte et l’équation de masse-énergie (la célèbre formule E=MC²). Selon les évaluations ultérieures, chacun de ces quatre articles dépassait en importance la moyenne des prix Nobel de physique (Einstein a lui-même reçu le prix Nobel pour son article sur l’effet photoélectrique). L’histoire de la civilisation humaine a encore été grandement accélérée.
Et l’année 2023 qui vient de passer sera probablement aussi appelée une autre « année miraculeuse », grâce à ChatGPT.
Nous considérons 2023 comme une autre « année miraculeuse » de l’histoire scientifique non seulement parce que GPT a fait d’énormes progrès dans la compréhension et la génération du langage naturel, mais aussi parce que l’humanité a identifié, à travers l’évolution de GPT, la loi selon laquelle les capacités des grands modèles linguistiques augmentent — à savoir que l’augmentation exponentielle du nombre de paramètres du modèle et des données d’entraînement améliore exponentiellement les performances du modèle — et que cette progression ne semble pas connaître de limite à court terme (tant que la puissance de calcul est disponible).
Ces capacités vont bien au-delà de la simple compréhension et génération de dialogues ; elles peuvent être largement appliquées à divers domaines scientifiques. Par exemple, dans le domaine biologique :
-
En 2018, lors de la cérémonie du Prix Nobel de chimie, la lauréate Frances Arnold déclarait : « Aujourd'hui, nous pouvons lire, écrire et modifier n'importe quelle séquence ADN dans des applications pratiques, mais nous ne sommes pas encore capables de la composer. » Cinq ans seulement après cette déclaration, en 2023, des chercheurs de l’université de Stanford et de Salesforce Research, une start-up d’IA de la Silicon Valley, ont publié un article dans Nature Biotechnology. Ils ont utilisé un grand modèle linguistique basé sur GPT-3 affiné pour créer ex nihilo plus d’un million de protéines nouvelles, parmi lesquelles ils ont identifié deux protéines structurellement très différentes mais toutes deux antibactériennes, offrant ainsi un espoir de solutions alternatives aux antibiotiques. Autrement dit, avec l’aide de l’IA, le verrou du « design » des protéines a été levé.
-
Par ailleurs, auparavant, l’algorithme d’IA AlphaFold avait prédit, en 18 mois, presque toutes les structures des 214 millions de protéines terrestres, un résultat plusieurs centaines de fois supérieur à l’ensemble des travaux passés des biologistes structuraux humains.
Grâce aux divers modèles basés sur l’IA, des transformations radicales s’annoncent dans des domaines allant des sciences dures comme la biotechnologie, les matériaux et la recherche pharmaceutique, jusqu’aux disciplines humaines comme le droit ou l’art. Et 2023 marque précisément l’année zéro de tout cela.
Nous savons tous que, depuis près d’un siècle, la capacité humaine à créer de la richesse a connu une croissance exponentielle. La maturation rapide de la technologie IA va inévitablement accélérer davantage ce processus.
Évolution du PIB mondial, source des données : Banque mondiale
1.2 La convergence entre IA et Crypto
Pour comprendre fondamentalement la nécessité de combiner IA et Crypto, commençons par leurs caractéristiques complémentaires.
Complémentarité des caractéristiques de l’IA et de la Crypto
L’IA possède trois attributs :
-
Aléatoire : l’IA est aléatoire. Le mécanisme de production de contenu est une boîte noire difficile à reproduire ou à explorer, rendant ses résultats eux-mêmes aléatoires.
-
Intensive en ressources : l’IA est une industrie gourmande en ressources, nécessitant d’énormes quantités d’énergie, de puces et de puissance de calcul.
-
Intelligence quasi humaine : l’IA sera bientôt capable de passer le test de Turing, après quoi il deviendra difficile de distinguer homme et machine*.
※ Le 30 octobre 2023, une équipe de recherche de l’Université de Californie à San Diego a publié les résultats d’un test de Turing mené sur GPT-3.5 et GPT-4.0 (rapport de test). GPT-4.0 a obtenu un score de 41 %, à seulement 9 % de la barre des 50 %. Pour comparaison, le taux humain était de 63 %. Ce test mesure la proportion de personnes pensant que leur interlocuteur est humain. Si ce taux dépasse 50 %, cela signifie qu’au moins la moitié des participants croient parler à un humain plutôt qu’à une machine, donc que le test est passé.
Alors que l’IA crée pour l’humanité une productivité sans précédent, ces trois attributs posent également d’immenses défis à la société humaine :
-
Comment vérifier et contrôler l’aléatoire de l’IA afin de transformer cet aléatoire en avantage plutôt qu’en défaut ?
-
Comment combler le gigantesque déficit énergétique et en puissance de calcul requis par l’IA ?
-
Comment distinguer homme et machine ?
Or, les caractéristiques de l’économie cryptographique et blockchain pourraient justement constituer un remède efficace face aux défis posés par l’IA. L’économie cryptographique présente trois traits distinctifs :
-
Déterminisme : les activités reposent sur la blockchain, le code et les contrats intelligents, avec des règles et limites claires. Une entrée donnée produit toujours le même résultat, assurant une grande déterminabilité.
-
Efficacité dans l'allocation des ressources : l'économie cryptographique forme un vaste marché libre mondial où la tarification, la collecte et le transfert des ressources sont extrêmement rapides. Grâce aux jetons, les incitations peuvent accélérer l'appariement offre-demande et atteindre rapidement le seuil critique.
-
Sans confiance (trustless) : le registre est public, le code est open source, chacun peut facilement vérifier, créant un système « sans confiance ». De plus, la technologie ZK permet de préserver la confidentialité lors de la vérification.
Voici maintenant trois exemples illustrant la complémentarité entre IA et économie cryptographique.
Exemple A : Maîtriser l'aléatoire via un agent IA fonctionnant dans l'économie cryptographique
Un agent IA est un programme d'intelligence artificielle chargé d'exécuter des tâches au nom des humains selon leur volonté (projet emblématique : Fetch.AI). Supposons que nous voulions que notre agent IA effectue une transaction financière, par exemple « acheter 1000 dollars de BTC ». L'agent IA pourrait faire face à deux situations :
Situation 1 : Il doit s'interfacer avec une institution financière traditionnelle (comme BlackRock), achetant un ETF BTC. Cela pose de nombreux problèmes d'adaptation entre agents IA et institutions centralisées : KYC, examen de documents, connexion, vérification d'identité, etc., ce qui reste actuellement très compliqué.
Situation 2 : Il opère directement dans l'économie cryptographique native. Dans ce cas, il utilisera Uniswap ou une plateforme agrégatrice pour signer et exécuter la transaction via votre compte, recevant WBTC (ou un autre BTC encapsulé). Le processus est alors rapide et simple. En réalité, c'est exactement ce que font déjà divers bots de trading, jouant le rôle d'agents IA élémentaires, bien que spécialisés uniquement dans le trading. À l'avenir, avec l'intégration et l'évolution de l'IA, ces bots seront capables d'exécuter des intentions de trading bien plus complexes. Par exemple : suivre 100 adresses « smart money » sur la blockchain, analyser leurs stratégies et taux de réussite, utiliser 10 % des fonds de mon adresse pour exécuter des transactions similaires pendant une semaine, arrêter automatiquement si les résultats sont mauvais, et identifier les causes probables de l'échec.
L’IA fonctionne mieux dans les systèmes blockchain car les règles de l’économie cryptographique sont claires et l’accès au système est permis sans autorisation. En exécutant des tâches dans un cadre réglementé, les risques potentiels liés à l’aléatoire de l’IA sont réduits. Par exemple, l’IA domine désormais les jeux de stratégie et les jeux vidéo, car ceux-ci constituent des environnements fermés aux règles bien définies. En revanche, les progrès de l’IA dans la conduite autonome sont plus lents, car l’environnement extérieur ouvert est plus complexe, et nous tolérons moins l’aléatoire dans la prise de décision de l’IA.
Exemple B : Structurer les ressources via des incitations par jetons
Le réseau mondial de puissance de calcul soutenant BTC dispose actuellement d'une puissance totale (Hashrate : 576,70 EH/s) supérieure à celle combinée de tous les superordinateurs nationaux. Ce développement est alimenté par une incitation réseau simple et équitable.
Évolution de la puissance de calcul du réseau BTC, source : https://www.coinwarz.com/
Outre BTC, d'autres projets DePIN, y compris Mobile, tentent aussi de façonner des marchés bilatéraux grâce à des incitations par jetons, générant ainsi des effets de réseau. IO.NET, objet central de cet article, est une plateforme conçue pour rassembler la puissance de calcul IA, espérant exploiter pleinement le potentiel de cette ressource via un modèle de jetons.
Exemple C : Code ouvert, intégration de ZK, distinguer homme et machine tout en protégeant la vie privée
Worldcoin, un projet Web3 auquel participe Sam Altman, fondateur d’OpenAI, utilise un dispositif matériel appelé Orb. Basé sur les caractéristiques biométriques de l’iris humain, il génère, grâce à la technologie ZK, une valeur de hachage unique et anonyme pour authentifier l’identité et distinguer humains et machines. Début mars, le projet artistique Web3 Drip a commencé à utiliser l’ID Worldcoin pour vérifier les utilisateurs réels et distribuer des récompenses.
En outre, Worldcoin a récemment rendu publique la programmation de son dispositif matériel Orb, garantissant ainsi la sécurité et la confidentialité des données biométriques des utilisateurs.
Globalement, grâce à la déterminabilité du code et de la cryptographie, à l'accès sans permission, aux avantages du mécanisme de jetons pour mobiliser les ressources, ainsi qu'à la transparence du code et du registre assurant un système sans confiance, l'économie cryptographique est devenue une solution potentielle majeure face aux défis posés par l'IA.
Parmi ces défis, celui qui est le plus urgent et le plus pressant sur le plan commercial est la faim insatiable de puissance de calcul des produits IA, centrée autour des puces et de la puissance de calcul.
C’est aussi la raison principale pour laquelle, durant ce cycle haussier, les projets de puissance de calcul distribuée dominent la performance du secteur IA global.
Nécessité commerciale du calcul distribué (Decentralized Compute)
L’IA requiert d’importantes ressources de calcul, tant pour l’entraînement des modèles que pour l’inférence.
Dans la pratique de l'entraînement des grands modèles linguistiques, un fait est désormais confirmé : dès lors que l'échelle des données et des paramètres est suffisamment grande, de nouvelles capacités émergent chez les grands modèles linguistiques. Chaque génération de GPT fait un bond exponentiel par rapport à la précédente, soutenue par une croissance exponentielle du volume de calcul nécessaire à l'entraînement.
Des recherches menées par DeepMind et l’université de Stanford montrent que, face à différentes tâches (calcul, réponse en persan, compréhension du langage naturel, etc.), différents grands modèles linguistiques, tant que l’échelle des paramètres du modèle augmente (ce qui implique une augmentation correspondante du volume de calcul), affichent des performances comparables à des réponses aléatoires tant que le volume d’entraînement ne dépasse pas 10^22 FLOPs (FLOPs indique le nombre d’opérations flottantes par seconde, unité de mesure de la performance de calcul). Dès que l’échelle des paramètres franchit ce seuil critique, les performances s’améliorent brusquement, quel que soit le modèle.
Source : Emergent Abilities of Large Language Models
Source : Emergent Abilities of Large Language Models
C’est précisément grâce à cette règle empirique — « la puissance brute produit des miracles » — que Sam Altman, fondateur d’OpenAI, a proposé de lever 7 billions de dollars pour construire une usine de puces avancées dix fois plus grande que celle de TSMC (coût estimé à 1,5 billion), et d’utiliser le reste des fonds pour produire des puces et entraîner des modèles.
Outre l'entraînement des modèles IA, le processus d'inférence lui-même requiert aussi beaucoup de puissance de calcul (bien que moindre que pour l'entraînement). La soif de puces et de puissance de calcul est donc devenue une norme constante pour les acteurs du secteur IA.
Comparé aux fournisseurs centralisés de puissance de calcul IA comme Amazon Web Services, Google Cloud Platform ou Azure de Microsoft, les propositions de valeur principales du calcul IA distribué incluent :
-
Accessibilité : obtenir l’accès aux puces de calcul via des services cloud comme AWS, GCP ou Azure prend souvent plusieurs semaines, et les modèles populaires de GPU sont fréquemment en rupture de stock. De plus, pour accéder à la puissance de calcul, les clients doivent souvent signer des contrats longs et peu flexibles avec ces grandes entreprises. En revanche, les plateformes de puissance de calcul distribuée offrent un choix de matériel plus flexible et une accessibilité accrue.
-
Prix inférieur : en exploitant des puces inutilisées et en ajoutant des subventions en jetons du protocole aux fournisseurs de puces et de puissance de calcul, les réseaux de puissance de calcul distribuée peuvent proposer des tarifs plus bas.
-
Résistance à la censure : la puissance de calcul de pointe étant monopolisée par de grandes entreprises technologiques, et les gouvernements, notamment américains, renforçant la surveillance des services de puissance de calcul IA, l’accès distribué, élastique et libre à la puissance de calcul devient progressivement un besoin explicite. C’est là la proposition de valeur fondamentale des plateformes de puissance de calcul basées sur le web3.
Si l’on compare les énergies fossiles au sang de l’ère industrielle, la puissance de calcul pourrait bien devenir le sang de la nouvelle ère numérique initiée par l’IA. L’approvisionnement en puissance de calcul deviendra donc une infrastructure clé de l’ère de l’IA. Tout comme les stablecoins sont devenus une ramification florissante du fiat dans l’ère Web3, le marché de la puissance de calcul distribuée pourrait-il devenir une ramification en plein essor du marché de la puissance de calcul IA en forte croissance ?
Ce marché étant encore très immature, tout reste à observer. Mais plusieurs facteurs pourraient stimuler le récit ou l’adoption du marché de la puissance de calcul distribuée :
-
Tension persistante entre offre et demande de GPU. La pénurie continue de GPU pourrait inciter certains développeurs à tester les plateformes de puissance de calcul distribuée.
-
Extension de la réglementation. Pour accéder aux services de puissance de calcul IA sur de grandes plateformes cloud, un KYC et de multiples vérifications sont obligatoires. Cela pourrait au contraire favoriser l’adoption des plateformes de puissance de calcul distribuée, particulièrement dans les régions soumises à des restrictions ou sanctions.
-
Stimulation par le prix des jetons. La hausse des prix des jetons durant un cycle haussier augmente la valeur des subventions que la plateforme peut offrir aux fournisseurs de GPU, attirant davantage d’offreurs, élargissant l’échelle du marché et abaissant le prix réel payé par les consommateurs.
Mais en même temps, les plateformes de puissance de calcul distribuée font face à des défis tout aussi évidents :
-
Problèmes techniques et d'ingénierie
-
Problème de vérification des tâches : en raison de la structure hiérarchique des modèles d’apprentissage profond, la sortie de chaque couche servant d’entrée à la couche suivante, la vérification de la validité des calculs nécessite de refaire tout le travail antérieur, ce qui empêche une vérification simple et efficace. Pour résoudre ce problème, les plateformes de calcul distribué doivent développer de nouveaux algorithmes ou utiliser des techniques de vérification approximative, qui offrent une garantie probabiliste de la justesse des résultats, mais pas une certitude absolue.
-
Difficulté de parallélisation : les plateformes de puissance de calcul distribuée rassemblent une offre de puces fragmentée, ce qui implique que la puissance de calcul fournie par un seul appareil est limitée. Un fournisseur individuel ne peut presque jamais terminer seul une tâche d’entraînement ou d’inférence d’un modèle IA en un temps court. Il faut donc recourir à la parallélisation pour diviser et répartir les tâches, réduisant ainsi le temps total. Mais la parallélisation soulève inévitablement des problèmes de décomposition des tâches (notamment pour les tâches complexes d’apprentissage profond), de dépendance des données, et de coûts supplémentaires de communication entre appareils.
-
Problème de protection de la vie privée : comment garantir que les données et le modèle du client ne soient pas exposés au destinataire de la tâche ?
-
-
Problèmes de conformité réglementaire
-
Les plateformes de calcul distribué, en raison de leur accès sans permission des deux côtés (offre et demande), peuvent certes attirer certains clients comme argument de vente. Mais d’un autre côté, à mesure que la réglementation IA s’affinera, elles pourraient devenir des cibles de contrôle gouvernemental. En outre, certains fournisseurs de GPU craignent que leurs ressources en puissance de calcul louées ne soient fournies à des entreprises ou individus sanctionnés.
-
En résumé, les consommateurs des plateformes de calcul distribué sont majoritairement des développeurs professionnels ou des institutions de petite et moyenne taille, bien différents des investisseurs cryptographiques achetant des crypto-monnaies ou des NFT. Ces utilisateurs exigent une stabilité et une continuité élevées du service offert par le protocole, et le prix n’est pas nécessairement leur motivation principale. Actuellement, les plateformes de calcul distribué ont encore un long chemin à parcourir pour gagner la reconnaissance de ces utilisateurs.
Passons maintenant à l’analyse d’un nouveau projet de puissance de calcul distribué de ce cycle, IO.NET, en présentant ses informations clés et en estimant, sur la base des projets IA et de calcul distribué existants, son niveau de valorisation probable après son lancement.
2. Plateforme de puissance de calcul IA distribuée : IO.NET
2.1 Positionnement du projet
IO.NET est un réseau de calcul décentralisé qui construit un marché bilatéral autour des puces. Le côté offre consiste en des puces (principalement des GPU, mais aussi des CPU et iGPU Apple) réparties dans le monde entier, tandis que le côté demande regroupe des ingénieurs en IA souhaitant réaliser des tâches d’entraînement ou d’inférence de modèles.
Sur le site officiel d’IO.NET, on peut lire :
Our Mission
Putting together one million GPUs in a DePIN – decentralized physical infrastructure network.
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
Mint Ventures
