Analyse approfondie : Quelles étincelles peuvent jaillir de la convergence entre l'IA et le Web3 ?
TechFlow SélectionTechFlow Sélection
Analyse approfondie : Quelles étincelles peuvent jaillir de la convergence entre l'IA et le Web3 ?
La convergence de l'IA et de la Web3 offre des possibilités infinies pour l'innovation technologique et le développement économique futur.
Dédié à des analyses Web3 approfondiesRédaction : Fred
I. Introduction : le développement de l’IA + Web3
Ces dernières années, la croissance rapide de l’intelligence artificielle (IA) et des technologies Web3 a suscité une attention mondiale considérable. L’IA, en tant que technologie visant à simuler et imiter l’intelligence humaine, a réalisé des percées majeures dans des domaines tels que la reconnaissance faciale, le traitement du langage naturel et l’apprentissage automatique. Cette évolution fulgurante de l’IA a entraîné d’importantes transformations et innovations dans de nombreux secteurs.
Le marché de l’IA atteignait 200 milliards de dollars en 2023. Des géants comme OpenAI, Character.AI ou Midjourney ont émergé comme autant de nouveaux acteurs dynamiques, propulsant la vague d’enthousiasme autour de l’IA.
Parallèlement, le Web3, en tant que nouveau modèle internet, transforme progressivement notre manière de comprendre et d’utiliser le réseau. Basé sur la technologie blockchain décentralisée, le Web3 permet un partage contrôlé des données, l’autonomie des utilisateurs et l’établissement de mécanismes de confiance grâce à des contrats intelligents, au stockage distribué et à l’authentification décentralisée. Son objectif central est de libérer les données des institutions centralisées pour redonner aux utilisateurs le contrôle et leur permettre de bénéficier de la valeur générée par leurs données.
Actuellement, la capitalisation du secteur Web3 s’élève à 25 000 milliards de dollars. Que ce soient Bitcoin, Ethereum, Solana ou des applications comme Uniswap et Stepn, de nouvelles histoires narratives et scénarios continuent d’émerger, attirant toujours plus d’acteurs vers ce domaine.
Il est clair que la convergence entre IA et Web3 attire fortement l'attention des développeurs et investisseurs occidentaux et orientaux. Comprendre comment intégrer efficacement ces deux domaines constitue une question passionnante à explorer.
Cet article examine l’état actuel de l’association IA + Web3, explore sa valeur potentielle et ses impacts. Nous présenterons d’abord les concepts fondamentaux et caractéristiques de l’IA et du Web3, puis analyserons leurs interactions. Ensuite, nous étudierons les projets existants ainsi que leurs limites et défis. À travers cette analyse, nous espérons offrir des perspectives utiles aux investisseurs et professionnels concernés.
II. Modes d’interaction entre IA et Web3
Le développement de l’IA et du Web3 peut être vu comme les deux plateaux d’une balance : l’IA améliore la productivité, tandis que le Web3 révolutionne les relations de production. Quelles synergies peuvent-ils créer ? Pour le comprendre, examinons d’abord les difficultés respectives de chaque domaine, puis voyons comment ils peuvent mutuellement y remédier.
-
Les obstacles et opportunités d’amélioration dans le secteur de l’IA
-
Les obstacles et opportunités d’amélioration dans le secteur du Web3
2.1 Difficultés du secteur de l’IA
Pour comprendre les défis auxquels fait face l’IA, commençons par son essence même. Le cœur du secteur repose sur trois piliers : la puissance de calcul, les algorithmes et les données.
-
Puissance de calcul : il s’agit de la capacité à effectuer des calculs massifs. Les tâches d’IA requièrent souvent le traitement de grandes quantités de données et des opérations complexes, comme l’entraînement de réseaux neuronaux profonds. Une puissance élevée accélère l’entraînement et l’inférence, améliorant performance et efficacité. Grâce aux progrès matériels — GPU, puis puces spécialisées comme les TPU — la montée en puissance a été un moteur clé du développement de l’IA. Nvidia, fournisseur dominant de GPU, a vu son cours exploser en bourse, profitant largement de cette tendance.
-
Algorithmes : cœur des systèmes d’IA, ce sont des méthodes mathématiques et statistiques destinées à résoudre des problèmes. On distingue apprentissage traditionnel et apprentissage profond, ce dernier ayant connu des avancées spectaculaires. Le choix et la conception des algorithmes influencent directement la précision, la robustesse et la capacité de généralisation des modèles. L’innovation algorithmique reste cruciale.
-
Importance des données : l’objectif principal de l’IA est d’extraire des motifs et régularités à partir des données.
-
Les données constituent la base de l’entraînement et de l’optimisation des modèles. Des jeux de données volumineux permettent d’apprendre des modèles plus précis et intelligents. Plus les données sont riches et variées, meilleure est la capacité du modèle à généraliser à de nouvelles situations, facilitant la compréhension et la résolution de problèmes réels.
Après avoir rappelé ces trois piliers, examinons maintenant les difficultés rencontrées dans chacun de ces domaines. Concernant la puissance de calcul, les tâches d’IA nécessitent d’énormes ressources, particulièrement pour les modèles d’apprentissage profond. Obtenir et gérer une puissance de calcul à grande échelle représente un défi coûteux et complexe. Le coût élevé des équipements performants, leur consommation énergétique et leur maintenance posent problème, surtout pour les startups et développeurs individuels.
Du côté des algorithmes, malgré leurs succès, plusieurs limitations subsistent. Par exemple, l’entraînement de réseaux neuronaux exige beaucoup de données et de ressources. Certains modèles manquent d’interprétabilité, ce qui pose problème dans des domaines sensibles comme la finance ou la santé. La robustesse et la capacité de généralisation restent aussi des enjeux critiques. Identifier l’algorithme optimal pour chaque besoin demeure un processus long et incertain.
En matière de données, bien qu’essentielles, l’obtention de données de qualité et diversifiées reste difficile. Dans certains domaines, comme la santé, les données sensibles sont rares. La qualité, la précision et l’annotation des données peuvent aussi être insuffisantes, entraînant des biais ou erreurs dans les modèles. Enfin, la protection de la vie privée et de la sécurité des données est un enjeu majeur.
Par ailleurs, l’opacité des modèles d’IA soulève des inquiétudes publiques. Le caractère « boîte noire » des modèles pose problème, notamment dans les secteurs où les décisions doivent être explicables (finance, justice, etc.). Fournir des explications fiables et traçables reste un défi non résolu.
Enfin, de nombreux projets IA peinent à définir un modèle économique clair, laissant les fondateurs dans l’incertitude.
2.2 Difficultés du secteur Web3
Quant au Web3, il connaît lui aussi de nombreux défis : analyses de données peu efficaces, mauvaise expérience utilisateur, vulnérabilités des contrats intelligents exposés aux piratages. Il existe donc un large champ d’amélioration. Or, l’IA, en tant qu’outil de productivité, peut jouer un rôle important dans ces domaines.
Tout d’abord, amélioration de l’analyse et de la prédiction : l’IA peut extraire des informations pertinentes à partir de volumes massifs de données, permettant des prévisions plus précises. Cela est crucial pour la finance décentralisée (DeFi), notamment pour l’évaluation des risques, les prévisions de marché et la gestion d’actifs.
Ensuite, amélioration de l’expérience utilisateur et des services personnalisés : grâce à l’analyse comportementale, les plateformes Web3 peuvent offrir des recommandations, services sur mesure et interfaces intelligentes. Cela renforce l’engagement et la satisfaction des utilisateurs, stimulant ainsi l’écosystème. De nombreux protocoles Web3 intègrent déjà des outils comme ChatGPT pour mieux servir leurs utilisateurs.
Enfin, sécurité et protection de la vie privée : l’IA peut détecter les attaques, identifier les comportements anormaux et renforcer la sécurité globale. Elle peut aussi auditer automatiquement les contrats intelligents, réduisant les risques de failles. En matière de confidentialité, des techniques comme le chiffrement homomorphe ou le calcul privé permettent de protéger les données tout en les exploitant.
On constate donc que l’IA peut jouer un rôle significatif pour relever les défis du Web3.
III. Analyse de l’état actuel des projets IA+Web3
Les projets combinant IA et Web3 se divisent principalement en deux catégories : utiliser la blockchain pour améliorer l’IA, ou utiliser l’IA pour améliorer le Web3.
Dans ces deux directions, de nombreux projets émergent : Io.net, Gensyn, Ritual, etc. Examinons ci-dessous les différents axes selon lesquels ces projets évoluent.
3.1 Le Web3 au service de l’IA
3.1.1 Calcul décentralisé
L’explosion de l’IA a commencé avec le lancement de ChatGPT par OpenAI fin 2022. Ce service a atteint 1 million d’utilisateurs en seulement 5 jours — contre environ 2 mois et demi pour Instagram. En 2 mois, ChatGPT comptait 100 millions d’utilisateurs actifs ; en novembre 2023, il enregistrait 100 millions d’utilisateurs hebdomadaires. ChatGPT a transformé l’IA d’un domaine de niche en phénomène mondial.
Selon Trendforce, ChatGPT nécessite environ 30 000 GPU NVIDIA A100 pour fonctionner. Quant à GPT-5, il exigera encore davantage de puissance. Une course aux ressources s’est donc engagée : seule une entreprise disposant d’une puissance suffisante peut espérer dominer le secteur. Résultat : pénurie de GPU.
Avant l’essor de l’IA, les principaux clients de Nvidia étaient les grands clouds : AWS, Azure, GCP. Mais l’avènement de l’IA a attiré de nouveaux acheteurs : Meta, Oracle, Snowflake, Databricks, ainsi que des startups spécialisées comme Anthropic, accumulent désormais des GPU pour entraîner leurs modèles.
Comme le notait Semi Analysis l’an dernier, on distingue désormais les « riches en GPU » et les « pauvres en GPU ». Seules quelques entreprises disposent de plus de 20 000 GPU A100/H100, comme OpenAI, Google, Meta, Tesla, Oracle, Mistral, etc. Ces géants peuvent allouer 100 à 1 000 GPU par projet.
La majorité des entreprises, même celles reconnues comme Hugging Face, Databricks (MosaicML), Together ou Snowflake, possèdent moins de 20 000 GPU. Malgré leurs talents techniques, elles sont désavantagées face aux géants dans la compétition pour l’IA.
Cette pénurie touche même les leaders : fin 2023, OpenAI a dû suspendre temporairement les inscriptions payantes faute de GPU, tout en cherchant à en acquérir davantage.
Il est clair que la demande massive en GPU liée à l’IA dépasse largement l’offre disponible.
Face à cela, certains projets Web3 tentent d’apporter une solution via des réseaux de calcul décentralisés : Akash, Render, Gensyn, etc. Le principe est simple : inciter, via des jetons, les utilisateurs à partager leur GPU inutilisé, créant ainsi une offre décentralisée de puissance de calcul.
Les fournisseurs potentiels proviennent de trois sources principales : les fournisseurs cloud, les mineurs de cryptomonnaies et les grandes entreprises.
- Les fournisseurs cloud (AWS, Azure, GCP, Coreweave, Lambda, Crusoe, etc.) peuvent revendre leur puissance excédentaire.
- Les mineurs, depuis la transition d’Ethereum vers la preuve d’enjeu (PoS), disposent de GPU inutilisés.
- Les grandes entreprises comme Tesla ou Meta, ayant acquis massivement des GPU, peuvent en louer une partie.
Les projets se divisent en deux groupes : ceux qui proposent du calcul pour l’inférence IA (ex : Render, Akash, Aethir), et ceux qui visent également l’entraînement IA (ex : io.net, Gensyn). La différence essentielle réside dans les exigences de puissance.
Les projets d’inférence utilisent un mécanisme de jetons pour attirer des fournisseurs, puis des utilisateurs, assurant ainsi leur démarrage et leur croissance. Ce cycle vertueux enrichit les fournisseurs, offre des services moins chers aux utilisateurs, et valorise le jeton. Avec la hausse du prix du jeton, de nouveaux participants et spéculateurs rejoignent le réseau, consolidant l’écosystème. Pour une analyse approfondie, voir notre précédent rapport DePIN sur Ryze Labs, disponible ici.
Les projets d’entraînement IA, comme Gensyn ou io.net, fonctionnent sur un modèle similaire : incitation par jetons pour mobiliser la puissance de calcul.
io.net, réseau de calcul décentralisé, dispose déjà de plus de 500 000 GPU, ce qui en fait un acteur majeur. Il intègre désormais aussi les ressources de Render et Filecoin, élargissant son écosystème.
Gensyn utilise des contrats intelligents pour attribuer des tâches d’apprentissage machine et récompenser les participants. Le coût horaire d’un entraînement sur Gensyn est d’environ 0,40 $, contre plus de 2 $ sur AWS ou GCP.
Le système Gensyn implique quatre rôles :
- Proposants : utilisateurs demandeurs, ils soumettent des tâches et paient pour l’entraînement.
- Exécuteurs : ils réalisent l’entraînement et produisent une preuve de travail.
- Vérificateurs : ils comparent les preuves aux seuils attendus.
- Délateurs : ils surveillent les vérificateurs et signalent les anomalies pour obtenir une récompense.
Gensyn vise à devenir un protocole de calcul massif, économique et global pour les modèles de deep learning. Pourquoi alors la plupart des projets ciblent-ils l’inférence plutôt que l’entraînement ?
Expliquons brièvement la différence :
- Entraînement IA : comparé à un élève apprenant de vastes connaissances et exemples (données), ce processus exige une puissance de calcul et un temps importants.
- Inférence IA : correspond à l’utilisation de ces connaissances pour répondre à des questions. Moins coûteuse en ressources.
Les besoins en puissance et bande passante diffèrent radicalement. L’entraînement décentralisé reste très difficile — sujet abordé plus en détail dans la section suivante.
Ritual cherche à associer les créateurs de modèles à un réseau distribué, garantissant décentralisation et sécurité. Son premier produit, Infernet, permet aux contrats intelligents d’accéder à des modèles IA hors chaîne, tout en conservant vérifiabilité, décentralisation et confidentialité.
Le coordinateur d’Infernet gère les nœuds et les requêtes. Lorsqu’un utilisateur interroge le système, l’inférence et la preuve sont traitées hors chaîne, puis transmises au coordinateur et enfin au contrat sur chaîne.
Outre les réseaux de calcul, des projets comme Grass proposent des réseaux décentralisés de bande passante pour améliorer la transmission des données. Collectivement, ces initiatives ouvrent de nouvelles voies pour alimenter la demande en puissance de l’IA.
3.1.2 Algorithmes et modèles décentralisés
Comme mentionné précédemment, les trois piliers de l’IA sont la puissance, les algorithmes et les données. Si la puissance peut être mutualisée via des réseaux décentralisés, pourquoi pas les algorithmes ?
Un réseau d’algorithmes décentralisé est en réalité un marché décentralisé de services d’IA, reliant divers modèles spécialisés. Lorsqu’un utilisateur pose une question, le meilleur modèle disponible fournit la réponse. En revanche, ChatGPT est un seul modèle développé par OpenAI.
Autrement dit, ChatGPT est comme un excellent élève, tandis qu’un réseau décentralisé est une école entière d’élèves. Même si cet élève est brillant aujourd’hui, une école capable de recruter des talents du monde entier a un potentiel immense.
Parmi les projets exploratoires, Bittensor est un cas emblématique.
Dans Bittensor, les « mineurs » contribuent leurs modèles d’apprentissage machine au réseau. En échange, ils reçoivent des jetons TAO.
Pour garantir la qualité, Bittensor utilise un mécanisme de consensus unique. Quand une question est posée, plusieurs modèles répondent. Des validateurs choisissent ensuite la meilleure réponse, qui est envoyée à l’utilisateur.
Le jeton TAO joue deux rôles : inciter les mineurs à contribuer, et permettre aux utilisateurs de payer pour poser des questions.
Grâce à sa nature décentralisée, toute personne connectée à Internet peut participer, soit comme utilisateur, soit comme mineur. Cela rend l’IA puissante accessible à tous.
Des projets comme BasedAI explorent également cette voie, avec un accent sur la protection de la vie privée via la cryptographie ZK (Zero-Knowledge), comme nous le verrons plus loin.
À terme, ces plateformes pourraient permettre aux petites entreprises de rivaliser avec les géants en matière d’accès aux outils d’IA, bouleversant de nombreux secteurs.
3.1.3 Collecte décentralisée de données
L’entraînement des modèles d’IA nécessite d’énormes volumes de données. Pourtant, la plupart des plateformes Web2 gardent les données utilisateurs sous leur contrôle exclusif. X, Reddit, TikTok, Snapchat, Instagram ou YouTube interdisent souvent leur utilisation à des fins d’entraînement IA, freinant gravement le secteur.
Pire encore, certaines vendent ces données à des entreprises d’IA sans rémunérer les utilisateurs. Reddit, par exemple, a signé un accord de 60 millions de dollars avec Google pour entraîner ses modèles. Cette concentration des données entre les mains des géants favorise une industrie hyper-capitaliste.
Face à cela, certains projets utilisent le Web3 et les incitations par jetons pour collecter des données de façon décentralisée. PublicAI en est un exemple : les utilisateurs peuvent jouer deux rôles :
- Fournisseurs de données : ils identifient du contenu pertinent sur X, le taguent #AI ou #Web3, et le soumettent à PublicAI.
- Validateurs : ils votent pour les données les plus utiles dans le centre de données.
En échange, ils reçoivent des jetons, créant ainsi un écosystème gagnant-gagnant entre contributeurs et développeurs d’IA.
D’autres projets comme Ocean (tokenisation des données), Hivemapper (cartographie via caméras embarquées), DIMO (données automobiles) ou WiHi (données météo) adoptent une approche similaire. Tous constituent des sources potentielles de données pour l’entraînement IA, relevant donc du paradigme « Web3 au service de l’IA ».
3.1.4 Protection de la vie privée avec la preuve à divulgation nulle (ZK)
Au-delà de la décentralisation, la blockchain apporte aussi la cryptographie à divulgation nulle (Zero-Knowledge Proof, ZKP). Elle permet de vérifier des informations sans révéler les données elles-mêmes.
En apprentissage automatique traditionnel, les données sont souvent centralisées, ce qui expose à des risques de fuite. Les méthodes de protection (chiffrement, anonymisation) nuisent parfois à la performance des modèles.
Les ZKP offrent une solution élégante à ce dilemme, conciliant confidentialité et partage de données.
Le ZKML (Zero-Knowledge Machine Learning) permet d’entraîner et d’inférer des modèles sans exposer les données brutes. Les caractéristiques des données et les résultats peuvent être prouvés corrects sans divulguer leur contenu.
L’objectif du ZKML est d’équilibrer confidentialité et utilisation des données. Il s’applique à la santé, à la finance, ou à la collaboration inter-organisationnelle. Grâce à cette technologie, les individus peuvent protéger leurs données sensibles tout en participant à des analyses collectives.
Ce domaine en est encore à ses balbutiements. BasedAI propose une intégration de l’homomorphisme complet (FHE) avec les grands modèles linguistiques (LLM), préservant la confidentialité des données. Le ZK-LLM intègre la confidentialité au cœur de son infrastructure décentralisée.
Explication rapide du FHE : il s’agit d’un chiffrement permettant de calculer directement sur des données chiffrées, sans les déchiffrer. Toutes les opérations (addition, multiplication, etc.) donnent les mêmes résultats qu’avec les données claires, garantissant ainsi la confidentialité.
Citons aussi Cortex, une blockchain permettant d’exécuter des programmes d’IA directement sur chaîne. Traditionnellement, les machines virtuelles blockchain sont inefficaces pour exécuter des modèles d’apprentissage. Cortex contourne cela avec une machine virtuelle (CVM) compatible EVM mais optimisée GPU, permettant d’intégrer l’IA dans les Dapps. Chaque étape de raisonnement est validée par consensus, assurant transparence et immuabilité.
3.2 L’IA au service du Web3
Outre le soutien du Web3 à l’IA, l’inverse est tout aussi prometteur. L’IA, en tant que levier de productivité, trouve de nombreuses applications dans l’audit de contrats, l’analyse de données, les services personnalisés, ou la sécurité.
3.2.1 Analyse et prédiction de données
De nombreux projets Web3 intègrent des services d’IA (comme ChatGPT) ou développent leurs propres solutions pour aider leurs utilisateurs. Les cas d’usage sont variés : stratégies d’investissement, outils d’analyse sur chaîne, prévisions de prix, etc.
Par exemple, Pond utilise des algorithmes d’IA pour prédire les futurs tokens porteurs de valeur alpha, aidant les utilisateurs et institutions. BullBear AI s’entraîne sur l’historique des prix et des données utilisateur pour fournir des prévisions fiables.
Numerai propose une plateforme de compétition où des participants utilisent l’IA pour prédire les marchés boursiers. Ils s’entraînent sur des données gratuites de haute qualité et soumettent quotidiennement leurs prévisions. Numerai évalue leur performance mensuelle. Les participants peuvent miser des jetons NMR sur leurs modèles et gagner selon leurs résultats.
Arkham, plateforme d’analyse sur chaîne, relie des adresses blockchain à des entités réelles (exchanges, fonds, gros portefeuilles) et fournit des analyses clés. Arkham Ultra, développé pendant 3 ans par d’anciens de Palantir et OpenAI, utilise des algorithmes pour associer adresses et entités réelles.
3.2.2 Services personnalisés
Comme dans le Web2, l’IA améliore les moteurs de recherche et de recommandation. Dans le Web3, des projets intègrent l’IA pour enrichir l’expérience utilisateur.
Dune, célèbre plateforme d’analyse, a lancé Wand, un outil utilisant un grand modèle linguistique pour générer automatiquement des requêtes SQL à partir de questions en langage naturel. Ainsi, même sans connaître SQL, les utilisateurs peuvent effectuer des recherches aisément.
Certains médias Web3 intègrent ChatGPT pour résumer des contenus. Followin résume les points de vue sur un secteur donné. IQ.wiki, encyclopédie blockchain, utilise GPT-4 pour synthétiser ses articles. Kaito, moteur de recherche basé sur LLM, vise à transformer la manière d’accéder à l’information dans le Web3.
Sur le plan créatif, NFPrompt aide les utilisateurs à générer facilement des NFT via l’IA, réduisant les coûts et offrant des services personnalisés.
3.2.3 Audit de contrats intelligents par IA
L’audit des contrats intelligents est crucial dans le Web3. L’IA peut automatiser cette tâche, détectant plus rapidement et précisément les vul
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
@RyzeLabs
