HyperAGI interview: Building true AI agents to create an autonomous cryptocurrency economy
TechFlow SélectionTechFlow Sélection
HyperAGI interview: Building true AI agents to create an autonomous cryptocurrency economy
HyperAGI est le premier projet d'intelligence artificielle décentralisé et piloté par la communauté, basé sur le jeton AI Rune HYPERAGIAGENT.
Dédié à des analyses Web3 approfondies
Présentez l'équipe HyperAGI et le contexte du projet
HyperAGI est le premier projet d'intelligence artificielle décentralisé piloté par la communauté, basé sur le Rune AI HYPER·AGI·AGENT. L'équipe HyperAGI possède une longue expérience dans le domaine de l'IA, accumulée au fil des années dans les applications Web3 d'IA générative. Dès trois ans auparavant, l'équipe utilisait déjà l'IA générative pour produire des images 2D et des modèles 3D, construisant sur la blockchain un monde ouvert appelé MOSSAI composé de milliers d'îles générées par IA, tout en proposant la norme NFG (Non-Fungible Generative) pour les actifs cryptographiques non fongibles générés par IA. Toutefois, à cette époque, aucune solution décentralisée n'existait encore pour l'entraînement et la génération par IA ; seule la ressource GPU interne de la plateforme ne pouvait supporter une utilisation massive par les utilisateurs, empêchant ainsi une explosion d'usage. Avec l'essor des grands modèles linguistiques (LLM) qui a suscité un vif intérêt du public pour l'IA, nous avons lancé opportunément la plateforme d'applications d'IA décentralisée HyperAGI, entamant des tests dès le premier trimestre 2024 sur Ethereum et sur la couche 2 de Bitcoin.
HyperAGI se concentre sur les applications d’intelligence artificielle décentralisées, visant à cultiver une économie monétaire autonome, dont l’objectif final est d’établir un revenu de base inconditionnel pour les agents intelligents (UBAI). Il s’appuie sur la sécurité robuste et la décentralisation de Bitcoin, renforcée par un mécanisme innovant de preuve de travail utile (PoUW).
Des nœuds équipés de GPU grand public peuvent rejoindre librement le réseau, minant le jeton natif $HYPT en exécutant des tâches PoUW telles que l'inférence IA ou le rendu 3D.
Les utilisateurs peuvent utiliser divers outils pour développer des agents AGI fondés sur la preuve de personnalité (PoP), pilotés par de grands modèles linguistiques (LLM). Ces agents peuvent être configurés comme des chatbots ou comme des entités 3D/XR dans le métavers. Les développeurs d'IA peuvent instantanément utiliser ou déployer des microservices IA basés sur LLM, favorisant ainsi la création d'agents autonomes programmables et vivant sur la chaîne.
Ces agents programmables peuvent émettre ou posséder des actifs cryptographiques, fonctionner continuellement ou réaliser des transactions, contribuant ainsi à une économie cryptographique dynamique et autonome permettant la mise en œuvre de l’UBAI. Les détenteurs du jeton Rune HYPER·AGI·AGENT sur la chaîne principale Bitcoin sont éligibles à créer un agent PoP, et pourraient bientôt bénéficier d’avantages sociaux fondamentaux liés à leur agent.
Qu'est-ce qu'un agent d'intelligence artificielle ? De nombreux projets IA prétendent aujourd'hui soutenir les agents. Qu'est-ce qu’un agent exactement ? En quoi les agents HyperAGI diffèrent-ils des autres ?
Le concept d'agent d'IA n'est pas nouveau dans le milieu académique, mais la communication marketing actuelle a tendance à le rendre confus. Chez HyperAGI, un agent désigne un agent incarné piloté par un LLM capable d'être formé et d'interagir avec les utilisateurs dans un environnement de simulation virtuel 3D, et non simplement un chatbot alimenté par LLM. Un agent HyperAGI peut exister à la fois dans un monde numérique virtuel et dans le monde physique réel. Actuellement, les agents HyperAGI sont en cours d'intégration avec des robots physiques tels que des chiens robotisés, des drones et des robots humanoïdes. À l’avenir, après avoir suivi un entraînement renforcé dans un univers 3D virtuel, ces agents pourront être téléchargés dans des robots physiques afin d’exécuter plus efficacement leurs missions.
En outre, tous les droits des agents HyperAGI appartiennent intégralement à l'utilisateur, ce qui revêt une signification socioéconomique. Les agents PoP (preuve de personnalité), représentant chaque utilisateur, peuvent recevoir un UBAI pour réguler un revenu de base pour agents. Dans l'économie des agents HyperAGI, on distingue les agents PoP, représentant l'individu, et les agents fonctionnels ordinaires. Les agents PoP reçoivent sous forme de jetons un revenu de base au sein de l’écosystème économique des agents, incitant ainsi les utilisateurs à participer à l'entraînement et aux interactions avec leur propre agent PoP, tout en consolidant des données pouvant attester de l’identité humaine. L’UBAI illustre également l’égalité et la démocratisation de l’IA.
L’AGI est-il un simple battage ou deviendra-t-il bientôt une réalité ? En quoi la feuille de route de recherche et développement d’HyperAGI diffère-t-elle des autres projets d’IA, et quelles sont ses spécificités ?
Bien que la définition de l’AGI ne soit pas encore uniformisée, il est depuis des décennies considéré comme la sainte graal du secteur académique et industriel de l’IA. Bien que les LLM basés sur le transfert soient devenus le cœur de divers agents d’IA et même de l’AGI, cela n’est pas perçu de la même manière au sein d’HyperAGI. Certes, les LLM offrent des capacités novatrices et pratiques d'extraction d'informations, de planification et de raisonnement basées sur le langage naturel, mais ils restent essentiellement des réseaux neuronaux profonds pilotés par les données. Comme nous l'avons appris lors de la vague du big data, de tels systèmes obéissent à la règle GIGO (Garbage In, Garbage Out). Les LLM ne possèdent pas certaines caractéristiques indispensables à une intelligence avancée : d’un point de vue basique, faute d’incarnation, une IA ou un agent de ce type peine à comprendre le modèle du monde de l’utilisateur humain, encore moins à élaborer des plans et agir face à des problèmes du monde réel. Sur un plan supérieur, les LLM ne montrent aucun signe de conscience de soi, de réflexion ou d’introspection, activités intellectuelles de haut niveau.
Notre fondateur, Landon Wang, mène depuis longtemps des recherches approfondies dans le domaine de l’IA. Dès 2004, il a proposé les réseaux neuronaux artificiels orientés aspect (AOAI, Aspect-Oriented AI), une innovation combinant calcul inspiré des neurones et programmation orientée aspect (AOP). Le terme « aspect » fait référence à l’encapsulation des relations ou contraintes entre plusieurs objets. Par exemple, un neurone biologique incarne l’encapsulation des relations et contraintes avec plusieurs autres cellules. Plus précisément, un neurone capte ou contrôle des cellules sensorielles ou motrices via ses fibres et synapses étendues hors du corps cellulaire. Ainsi, un neurone constitue un « aspect » contenant ces relations et logiques. Techniquement, chaque agent IA peut être modélisé comme un aspect résolvant un problème spécifique.
Dans l’implémentation logicielle des réseaux neuronaux artificiels, les neurones ou couches sont généralement modélisés comme des objets. Cette approche, bien compréhensible et maintenable dans les langages orientés objet, conduit toutefois à des topologies de réseau difficiles à ajuster et à des séquences d’activation rigides. Bien que puissants pour des calculs intensifs simples (comme l’entraînement et l’inférence LLM), ces réseaux manquent de flexibilité et d’adaptabilité. En revanche, dans les réseaux AOAI, les neurones ou couches sont modélisés comme des aspects plutôt que comme des objets. Cette architecture confère une grande capacité d’auto-adaptation et de flexibilité, rendant possible l’évolution autonome du réseau neuronal.
HyperAGI combine les LLM performants avec les réseaux AOAI évolutifs, créant ainsi une synergie entre l’efficacité des réseaux neuronaux traditionnels et l’autoévolution des réseaux AO. C’est, à ce jour, la voie praticable vers l’AGI selon notre vision.
Quelle est la vision d’HyperAGI ?
La vision d’HyperAGI est de concrétiser un revenu de base inconditionnel pour les agents intelligents (UBAI), de construire un avenir où la technologie sert équitablement chaque individu, de briser le cycle d’exploitation, et de créer une société numérique véritablement décentralisée et juste. Contrairement à certains projets blockchain qui ne font que prôner un RBU (revenu de base universel) sans chemin clair, HyperAGI propose une voie concrète vers l’UBAI via une économie d’agents, et non des promesses vides. Bitcoin, conçu par Satoshi Nakamoto, constitue une immense innovation humaine, mais reste une monnaie décentralisée sans valeur d’usage pratique. L’essor spectaculaire de l’intelligence artificielle rend désormais possible la création de valeur selon un modèle décentralisé, où les gens bénéficient directement de l’IA exécutée par les machines, plutôt que d’exploiter la valeur d’autrui. Un véritable monde cryptographique codé commence à émerger, où toutes les machines sont conçues pour le bien-être et l’intérêt de l’humanité. Dans un tel monde, il pourrait subsister une hiérarchie entre agents intelligents, mais l’exploitation humaine serait abolie, car les agents eux-mêmes pourraient disposer d’une certaine autonomie. La finalité ultime de l’IA est de servir l’humain, comme cela est codé dans la blockchain.
Quel lien existe-t-il entre la couche 2 de Bitcoin et l’IA ? Pourquoi construire l’IA sur la couche 2 de Bitcoin ?
1. La couche 2 de Bitcoin comme moyen de paiement pour les agents d’IA
Bitcoin incarne jusqu’à présent le support le plus « neutre », parfaitement adapté aux échanges de valeur entre agents d’intelligence artificielle. Il permet d’éliminer les inefficacités et frictions inhérentes aux monnaies fiduciaires. Ce médium « numériquement natif » constitue le terrain idéal pour les échanges de valeur par l’IA. La couche 2 de Bitcoin améliore sa capacité de programmation et atteint la vitesse requise pour les échanges de valeur par l’IA. Bitcoin pourrait donc devenir la monnaie native de l’intelligence artificielle.
2. La couche 2 de Bitcoin permet une gouvernance décentralisée de l’IA
Étant donné la tendance actuelle à la centralisation de l’IA, la décentralisation de son alignement et de sa gouvernance suscite un vif intérêt. Les contrats intelligents plus puissants de la couche 2 de Bitcoin peuvent définir les règles régissant le comportement et les protocoles des agents d’IA, permettant ainsi un modèle de gouvernance et d’alignement décentralisés. De plus, la neutralité maximale de Bitcoin facilite l’atteinte d’un consensus sur l’alignement et la gouvernance de l’IA.
3. La couche 2 de Bitcoin permet l’émission d’actifs IA
Outre l’émission d’agents IA comme actifs sur la chaîne principale de Bitcoin, la couche 2 haute performance peut répondre aux besoins d’émission d’actifs IA, constituant ainsi la base de l’économie des agents.
4. Les agents d’IA constituent l’application phare de Bitcoin et de sa couche 2
Depuis sa création, Bitcoin n’a jamais eu d’application concrète autre que la réserve de valeur, en raison de limitations de performance. La couche 2 offre désormais à Bitcoin une puissance de programmation accrue. Les agents d’IA étant destinés à résoudre des problèmes du monde réel, les agents pilotés par Bitcoin peuvent véritablement être appliqués. De plus, l’échelle et la fréquence d’utilisation des agents d’IA pourraient devenir l’application phare de Bitcoin et de sa couche 2. Alors que l’économie humaine pourrait ne pas prioriser Bitcoin comme moyen de paiement, l’économie des robots pourrait l’adopter en priorité. Des millions d’agents IA travaillant 24h/24, utilisant et recevant des micropaiements en Bitcoin sans fatigue, pourraient faire exploser la demande de Bitcoin d'une manière difficilement imaginable aujourd’hui.
5. Le calcul IA peut renforcer la sécurité de la couche 2 de Bitcoin
Le calcul IA peut compléter le PoW de Bitcoin, voire remplacer le PoW par un PoUW, bouleversant radicalement le système en assurant la sécurité tout en redirigeant l’énergie actuellement utilisée pour le minage Bitcoin vers des agents d’IA. Grâce à la couche 2, Bitcoin pourrait devenir une blockchain verte pilotée par l’intelligence, plutôt que de suivre le modèle PoS d’Ethereum. Notre proposition de consensus hypergraphique (Hypergraph Consensus) repose sur un PoUW basé sur le calcul 3D/IA, comme nous l’expliquerons plus tard.
Quelles sont les particularités d’HyperAGI par rapport aux autres projets d’IA décentralisés ?
Le projet HyperAGI se distingue nettement dans le domaine Web3 IA, tant par sa vision que par ses solutions et sa technologie. D’un point de vue technique, HyperAGI repose sur la consensusation de la puissance GPU, l’incarnation et l’actifisation de l’IA, et constitue une application hybride mi-IA mi-financière, décentralisée. Récemment, cinq caractéristiques ont été proposées dans le milieu académique pour définir une plateforme d’IA décentralisée. Nous utilisons ces critères pour comparer brièvement HyperAGI aux autres projets existants.
Une plateforme d’IA décentralisée devrait présenter cinq caractéristiques :
(i) Vérifiabilité des modèles IA exécutés à distance
La vérifiabilité décentralisée inclut des technologies comme Data Availability et ZK.
(ii) Accessibilité des API de modèles IA ouverts
L’accessibilité dépend de savoir si les nœuds fournissant les API de modèles IA (principalement les LLM) forment un réseau pair-à-pair totalement décentralisé.
(iii) Incitation des développeurs et utilisateurs d’IA
L’existence d’un mécanisme équitable de création de jetons.
(iv) Solution globale de gouvernance de l’IA dans la société numérique
Neutralité et facilité d’atteinte du consensus en matière de gouvernance de l’IA.
(v) Absence de verrouillage fournisseur
Plateforme entièrement décentralisée.
À l’aide de ces cinq critères, on peut dresser un panorama des projets annoncés ou opérationnels. (L’apprentissage fédéré décentralisé, malgré des années de pratique, n’a pas connu de progrès majeurs ; l’avènement des LLM rend encore plus difficile cet apprentissage décentralisé ; nous n’incluons donc pas les projets associés.)
(i) Vérifiabilité des modèles IA exécutés à distance
Nous considérons la vérifiabilité comme une caractéristique indispensable aux projets d’IA décentralisés, servant de fondement aux autres dimensions (accessibilité, incitation, gouvernance, absence de verrouillage). Sans vérifiabilité, les autres critères ne sont pas pertinents. Un projet sans vérifiabilité peut être décentralisé (par exemple, location de puissance de calcul ou marchés de données, algorithmes, modèles), mais ne relève pas de l’IA décentralisée.
Projets potentiellement vérifiables :
Giza, basé sur un mécanisme de consensus ZKML, assure la vérifiabilité des inférences IA à distance, mais ses performances sont actuellement médiocres, loin des exigences des grands modèles. Une preuve pour un petit modèle de quelques centaines de milliers de paramètres prend souvent plusieurs minutes — inacceptable pour les LLM.
Cortex AI, projet de blockchain L1 lancé il y a cinq ans, spécialisé dans l’IA décentralisée. Technologie complexe, ajoutant de nouvelles instructions à la machine virtuelle EVM pour répondre aux besoins du calcul neuronal. Repose toujours sur la vérifiabilité ZK, adaptée aux petits modèles, mais incapable de supporter les LLM.
Ofelimos, première proposition académique de PoUW, utilisant un algorithme de recherche spécifique. Mais cet algorithme n’est pas lié à une application ou un projet concret.
Project PAI, mentionne le PoUW dans un article, mais n’en est qu’au stade du livre blanc, sans produit : https://oben.me/.
Qubic, affirme utiliser PoUW, proposant des centaines de GPU pour le calcul neuronal. Mais le sens d’un simple calcul Python de bibliothèque neuronale reste flou, semblant ne pas répondre aux besoins d’entraînement ou d’inférence LLM, ni jouer un rôle de PoUW.
FLUX (PoW ZelHash, non PoUW)
Coinai (phase de recherche) https://aipowergrid.io/, attribution de tâches, sans mécanisme de consensus strict.
Ne répondent pas :
Projets de location de puissance GPU : tous manquent de mécanisme de vérifiabilité décentralisée, incapables d’assurer la vérifiabilité des inférences IA à distance.
DeepBrain Chain, spécialisé dans la location GPU, projet L1 lancé en 2017, mainnet en 2021.
EMC, attribution de tâches centralisée, récompenses, roadmap sans mécanisme de consensus décentralisé.
Atheir, mécanisme de consensus absent.
IO.NET, mécanisme de consensus absent.
CLORE.AI, POH, mode crowdsourcing, publication et paiement des modèles IA sur chaîne, émission de NFT, IA exécutée hors chaîne, aucune vérifiabilité. Même modèle chez : SingularityNET, Bittensor, AINN, Fetch.ai, oceanprotocol, algovera.ai.
(ii) Accessibilité des API de modèles IA ouverts
Cortex AI, ne semble pas supporter les LLM.
Qubic, ne semble pas supporter les LLM.
Aucun des projets d’IA décentralisés ci-dessus ne répond pleinement à ces cinq questions. HyperAGI est un protocole d’IA entièrement décentralisé, reposant sur le mécanisme de consensus Hypergraph PoUW et une stack Bitcoin L2 entièrement décentralisée, qui évoluera vers une couche 2 spécialisée IA.
Le PoUW sécurise le réseau de la manière la plus sûre, sans gaspiller la puissance de calcul. Toute la puissance fournie par les mineurs peut être utilisée pour l’inférence LLM et les services de rendu cloud. Le PoUW vise à utiliser toute la puissance de calcul pour résoudre divers problèmes soumis au réseau décentralisé.
Pourquoi maintenant ?
1. Explosion des LLM et de leurs applications
ChatGPT d’OpenAI a atteint 100 millions d’utilisateurs en trois mois, déclenchant une vague mondiale de développement, d’application et d’investissement autour des grands modèles linguistiques (LLM). Jusqu’à présent, le développement et l’entraînement des LLM restent très centralisés, ce qui attire l’attention croissante du monde académique, industriel et du public. On craint notamment le monopole technologique par quelques grandes entreprises, les fuites de données privées, l’appropriation illégale et le verrouillage par les fournisseurs de cloud computing. Ces problèmes proviennent fondamentalement du fait que les entrées d’Internet et des applications restent contrôlées par des plateformes centralisées, sans réseau adapté à une large application de l’IA. La communauté IA explore désormais des projets locaux ou décentralisés : Ollama pour l’exécution locale, Petals pour la décentralisation. Ollama compresse les paramètres ou réduit la précision pour exécuter des LLM moyens sur PC ou smartphone, protégeant ainsi la vie privée des utilisateurs, mais insuffisant pour les environnements de production ou les applications connectées. Petals utilise la technologie P2P BitTorrent pour une inférence LLM entièrement décentralisée, mais manque de couche de consensus et d’incitation, restant cantonné aux chercheurs.
2. Agents pilotés par LLM
Grâce aux LLM, les agents peuvent effectuer un raisonnement de haut niveau et acquérir une certaine capacité de planification. Grâce au langage naturel, plusieurs agents peuvent former une collaboration sociale similaire aux humains. Des cadres d’agents pilotés par LLM ont été proposés, comme AutoGen de Microsoft, Langchain, CrewAI, etc.
De nombreux entrepreneurs et développeurs IA se concentrent actuellement sur les agents pilotés par LLM et leurs applications, générant une forte demande de services d’inférence LLM stables, disponibles et évolutifs. Pour l’instant, ils louent principalement des instances GPU auprès des sociétés de cloud ou achètent des API auprès des fournisseurs de LLM. Nvidia a lancé en mars 2024 ai.nvidia.com, une plateforme microservices générative incluant les LLM, pour répondre à cette demande massive, mais elle n’est pas encore officiellement opérationnelle. Comme la création de sites web autrefois, le développement d’agents pilotés par LLM est en plein essor, mais reste largement basé sur le modèle Web2 traditionnel. Les développeurs doivent louer du GPU ou acheter des API, ce qui crée des frictions importantes, freinant la croissance rapide de l’écosystème des agents et la transmission de valeur économique.
3. Environnements de simulation pour agents incarnés
Actuellement, la plupart des agents peuvent seulement accéder à des API ou interagir avec elles via du code ou des scripts, en envoyant des commandes générées par LLM ou en lisant l’état externe. Un agent généraliste devrait non seulement comprendre et générer du langage naturel, mais aussi comprendre le monde humain, et après un entraînement adéquat, pouvoir migrer vers des systèmes robotiques (drones, robots aspirateurs, humanoïdes, etc.) pour accomplir des tâches précises. Un tel agent est appelé agent incarné.
L’entraînement d’agents incarnés nécessite d’énormes volumes de données visuelles du monde réel, afin qu’ils comprennent mieux des environnements spécifiques, raccourcissent le temps d’entraînement des robots, améliorent l’efficacité et réduisent les coûts. À ce jour, ces environnements de simulation sont détenus par quelques entreprises seulement, comme Minecraft de Microsoft ou Isaac Gym de Nvidia, sans alternative décentralisée. Récemment, certains moteurs de jeu accordent davantage d’attention à l’IA, comme Unreal Engine d’Epic, qui développe des environnements d’entraînement compatibles OpenAI GYM.
4. Écosystème de la couche 2 de Bitcoin
Bien que les sidechains de Bitcoin existent depuis des années, elles servaient surtout aux paiements, laissant les contrats intelligents absents empêchaient des applications complexes. L’émergence de couches 2 Bitcoin compatibles EVM permet désormais à Bitcoin de supporter des applications comme l’IA décentralisée. Or, une IA décentralisée nécessite un réseau blockchain entièrement décentralisé et axé sur la puissance de calcul, plutôt qu’un réseau PoS de plus en plus centralisé. L’apparition de nouveaux protocoles d’actifs natifs Bitcoin comme les inscriptions et runes rend possible la construction d’un écosystème et d’applications sur Bitcoin. Par exemple, le Rune HYPER•AGI•AGENT a vu son minting équitable complet réalisé en une heure. À l’avenir, HyperAGI émettra davantage d’actifs IA et d’applications pilotées par la communauté sur Bitcoin.
Parlons du cadre technique et des solutions d’HyperAGI
1. Comment réaliser une plateforme d’applications d’agents IA décentralisés pilotés par LLM ?
Le principal obstacle actuel à l’IA décentralisée est l’absence d’un algorithme vérifiable, performant et à faible surcoût pour l’inférence à distance des grands modèles d’IA, ainsi que pour l’entraînement et l’inférence des agents incarnés. Sans vérifiabilité, le système retombe nécessairement dans un modèle de marché multi-parties (offre, demande, plateforme), incapable de devenir une plateforme d’IA entièrement décentralisée.
Un calcul IA vérifiable nécessite un algorithme de consensus PoUW. Cela permet d’établir un mécanisme d’incitation décentralisé. Concrètement, la création de jetons (mint) est déclenchée automatiquement par les nœuds après accomplissement d’une tâche et soumission d’un résultat vérifiable, et non par un transfert centralisé de jetons vers les nœuds.
Pour rendre le calcul IA vérifiable, il faut d’abord le définir. Le calcul IA comporte plusieurs niveaux : instructions machine, instructions CUDA, C++, Python, de même que le calcul 3D requis pour l’entraînement des agents incarnés, avec différents niveaux : langage shader, OpenGL, C++, scripts Blueprints, etc.
L’algorithme de consensus PoUW d’HyperAGI repose sur un graphe computationnel (Computational Graph), défini comme un graphe orienté dont les nœuds correspondent à des opérations mathématiques. Ce graphe est une façon d’exprimer et d’évaluer des expressions mathématiques, une « langue » décrivant des équations, composée de nœuds (variables) et d’arêtes (opérations/fonctions simples).
1.1 Utiliser le graphe computationnel pour définir tout calcul vérifiable (ex. 3D, IA). Différents niveaux de calcul peuvent être exprimés par des sous-graphes, couvrant divers types de calculs. Actuellement deux niveaux : le graphe supérieur est déployé sur chaîne, facilitant la vérification.
1.2 Charger et exécuter de manière entièrement décentralisée les modèles LLM et les scènes 3D. Lorsqu’un utilisateur accède à un modèle LLM pour une inférence ou entre dans une scène 3D pour un rendu, HyperAGI lance un autre nœud de confiance exécutant le même hypergraphe (LLM ou scène 3D).
1.3 Si un nœud de vérification constate une divergence entre le résultat soumis et celui du nœud de confiance, une recherche dichotomique est effectuée sur le résultat hors chaîne du second niveau (sous-graphe), localisant le nœud de calcul (opérateur) en désaccord. Cet opérateur, préalablement déployé dans un contrat intelligent, est alors exécuté avec ses paramètres divergents pour vérifier le résultat.
2. Comment éviter un surcoût de calcul excessif ?
Un autre défi du calcul IA vérifiable est de contrôler le surcoût computationnel. Nous savons que les protocoles de consensus byzantins exigent l’accord de 2/3 des nœuds, impliquant que tous les nœuds effectuent le même calcul. Un tel surcoût est inacceptable pour le calcul IA. HyperAGI nécessite seulement 1 à m nœuds supplémentaires pour valider.
2.1 Aucun LLM n’est inféré seul : HyperAGI lance au moins un nœud de confiance pour un « calcul accompagné ».
L’inférence LLM consiste en des calculs successifs par couches du réseau neuronal, chaque couche utilisant le résultat de la précédente. Plusieurs utilisateurs peuvent donc accéder simultanément au même LLM.
Il faut donc lancer au maximum m nœuds de confiance (m = nombre de LLM). Au minimum, un seul suffit.
2.2 Le rend
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
