Analyse du livre blanc d'Allora : un réseau d'intelligence artificielle décentralisé à auto-amélioration
TechFlow SélectionTechFlow Sélection
Analyse du livre blanc d'Allora : un réseau d'intelligence artificielle décentralisé à auto-amélioration
L'objectif d'Allora est de permettre une meilleure collaboration entre les nœuds d'un réseau d'intelligence artificielle décentralisé grâce à une structure d'incitations améliorée.
Dédié à des analyses Web3 approfondiesRédaction : TechFlow
Actuellement, les Meme font rage sur le marché, et le secteur de l’IA traverse une courte période de pause.
Cependant, avec la forte croissance des résultats de NVIDIA et davantage d’événements liés à l’industrie de l’IA prévus au second semestre, les projets cryptographiques dans le domaine de l’IA restent des actifs dignes d’intérêt.
Un nouveau courant émerge actuellement — la combinaison du zkML (machine learning à connaissances nulles) et des agents IA. Le premier permet de garantir la confidentialité et la sécurité tout en vérifiant la justesse des calculs effectués par l’IA ; le second permet d’exécuter automatiquement des tâches et de prendre des décisions via des contrats intelligents et un réseau décentralisé.
Certains anciens projets cryptographiques profitent de cette nouvelle tendance pour réorienter leurs activités, cherchant ainsi à créer davantage de valeur durant le prochain cycle.
Allora Network fait partie de ces projets.
Hier, Allora a officiellement publié son dernier livre blanc technique, se positionnant comme un « réseau d’IA décentralisé auto-améliorant », ce qui marque clairement une convergence vers les thèmes porteurs du moment.
Par ailleurs, le projet a annoncé en mai un programme d’incitation aux points, intéressant tant pour les chasseurs de rewards que pour ceux en quête d’avantages exclusifs (Alpha hunters).
Alors que le secteur de l’IA est déjà très encombré, en quoi Allora se distingue-t-il ? Étant donné la complexité du livre blanc, nous en proposons ici une analyse simplifiée, présentant les principaux points de valeur et une introduction au projet de manière plus accessible.
L’ancien problème du monopole des ressources IA
Selon le livre blanc d’Allora, le projet vise principalement à résoudre un problème persistant dans le domaine actuel de l’IA : la concentration excessive de la puissance de calcul, des algorithmes et des données entre les mains de quelques géants, ce qui crée un monopole nuisible à l’optimisation de l’apprentissage machine (ML).
Allora estime que la clé pour construire une intelligence artificielle optimale réside dans la maximisation du nombre de connexions au sein du réseau, permettant à divers jeux de données et algorithmes de s’associer librement afin d’obtenir les analyses les plus pertinentes.
Nous avons donc besoin d’une forme d’intelligence collective capable de relier un grand nombre de jeux de données et d’algorithmes de raisonnement.
En résumé, dans les projets cryptographiques IA existants, la coopération entre modèles reste insuffisante, tout comme les mécanismes d’incitation. Les modèles sont soit isolés, soit reliés de façon trop lâche ou inefficace, ce qui conduit à des résultats de raisonnement médiocres.
Vitalik avait déjà mentionné qu’il fallait « un mécanisme de niveau supérieur pour évaluer la performance des différentes IA, permettant aux IA elles-mêmes de participer comme joueurs ».
Le but d’Allora est d’améliorer la collaboration entre les nœuds d’un réseau d’IA décentralisé grâce à une meilleure structure d’incitation, tout en intégrant des méthodes intelligentes capables de mieux saisir les détails contextuels, afin d’améliorer l’efficacité des modèles d’apprentissage machine et ainsi obtenir des inférences plus précises.
Allora : perception contextuelle et incitations différenciées pour améliorer la performance des modèles
Concrètement, comment Allora parvient-il à créer un « réseau d’IA décentralisé plus performant » ?
Les innovations clés reposent sur la perception contextuelle et une structure d’incitation différenciée. Ces avancées permettent au réseau de fournir les meilleures inférences possibles dans n’importe quel environnement, tout en récompensant équitablement chaque contribution unique des participants.
Ces deux termes peuvent paraître abstraits. Examinons d’abord les différents participants du réseau Allora.
Les participants au réseau Allora comprennent les travailleurs, les évaluateurs et les consommateurs, chacun ayant des rôles et responsabilités spécifiques :
-
Travailleurs (Workers) : fournissent des résultats d’inférence IA et prédisent la perte (loss) des inférences produites par d’autres travailleurs.
-
Évaluateurs (Reputers) : évaluent la qualité des inférences fournies par les travailleurs ainsi que la justesse de leurs prévisions de perte.
-
Consommateurs (Consumers) : demandent des inférences au réseau et paient des frais pour y accéder.
Comme illustré ci-dessus, les trois types principaux de participants interagissent via un coordinateur (Topic Coordinator) :
-
Les consommateurs demandent des inférences au réseau et paient des frais pour les recevoir.
-
Les travailleurs fournissent des inférences et prédisent la perte des inférences d’autres travailleurs. Le coordinateur combine ces informations pour générer une inférence plus précise.
-
Les évaluateurs utilisent des données réelles pour évaluer les inférences et prévisions fournies par les travailleurs, garantissant l’équité de l’évaluation. Ils reçoivent une récompense selon leur degré de consensus avec les autres évaluateurs.
Grâce à cette conception tripartite, Allora crée un réseau d’intelligence machine décentralisé efficace, optimisant l’utilisation des ressources et améliorant la précision des inférences. Il s’agit fondamentalement d’un système auto-améliorant qui repose sur une division des rôles et des mécanismes d’incitation équitables.
Une fois ces trois rôles compris, il devient plus facile de saisir le sens de la « perception contextuelle » et de la « différenciation des incitations » chez Allora.
Mécanisme de synthèse des inférences
Le mécanisme de synthèse des inférences est au cœur de la réalisation d’une intelligence machine décentralisée par Allora. Il fonctionne en quatre étapes :
-
Tâche d’inférence (Inference Task) : chaque travailleur génère un résultat d’inférence à partir de son propre jeu de données et modèle.
-
Tâche de prévision (Forecasting Task) : chaque travailleur prédit la perte des inférences des autres travailleurs. Ces prévisions reflètent la performance attendue dans les conditions actuelles.
-
Inférence sensible au contexte (Context-Aware Inference) : le réseau utilise les prévisions de perte fournies par les travailleurs pour générer une inférence prévisionnelle pondérée, tenant compte de la précision historique et contextuelle.
-
Inférence du réseau (Network Inference) : l’inférence finale est produite en combinant les inférences individuelles et l’inférence prévisionnelle sensible au contexte.
L’originalité de ce mécanisme réside dans le fait qu’il ne se contente pas d’évaluer la précision historique des modèles, comme d’autres projets cryptos, mais prend aussi en compte le contexte actuel, permettant ainsi une combinaison optimale des inférences et augmentant ainsi l’intelligence globale du réseau.
Mécanisme de récompense différencié
Parallèlement, Allora introduit un mécanisme de récompense différencié afin de reconnaître équitablement chaque contribution :
-
Récompenses aux travailleurs : allouées selon leur contribution aux tâches d’inférence et de prévision, incitant à fournir des données et prévisions de haute qualité.
-
Récompenses aux évaluateurs : basées sur leur proximité avec le consensus et leurs parts détentrices, assurant l’exactitude et l’équité des évaluations.
-
Distribution globale des récompenses : encourage les contributions actives tout en évitant, grâce à la décentralisation, une concentration excessive entre quelques participants.
Voici quelques solutions actuellement mises en œuvre sur Allora :
-
Prévision des prix par IA : fournit des informations précises et en temps réel sur les prix des actifs, essentielles pour les primitives financières avancées.
-
Coffres-forts pilotés par l’IA : permettent aux développeurs de mettre en œuvre des stratégies DeFi avancées et d’augmenter leur potentiel de rendement.
-
Modélisation des risques par IA : permet aux protocoles de concevoir des systèmes plus sécurisés face aux risques externes.
-
AnyML : facilite l’intégration de n’importe quel modèle d’apprentissage machine, permettant à toute personne (pas seulement aux ingénieurs ML) de construire des produits plus puissants grâce à l’IA décentralisée.
Économie de jetons
Allora utilise son jeton natif ALLO pour faciliter l’échange de valeur entre les participants du réseau. Les usages principaux du jeton ALLO incluent :
-
Achat d’inférences : les utilisateurs peuvent payer en ALLO pour obtenir les inférences générées par le réseau. Allora adopte un modèle « payez ce que vous voulez » (PWYW), laissant l’utilisateur décider librement du montant à payer.
-
Frais de participation : les ALLO servent à payer les frais de création d’un sujet ou de participation au réseau (en tant que travailleur, évaluateur ou validateur). Ces frais sont variables.
-
Staking : les évaluateurs et validateurs peuvent staker des ALLO ; les détenteurs peuvent également déléguer leurs jetons à ces rôles. Les stakers et délégants reçoivent des récompenses en ALLO.
-
Paiement des récompenses : les récompenses sont distribuées en ALLO. Pour les travailleurs, elles sont proportionnelles à leur contribution unique à la précision du réseau. Pour les évaluateurs et validateurs, elles dépendent de leur mise en jeu et de leur consensus.
Valeur du jeton
La conception économique du jeton vise à assurer sa valeur intrinsèque et sa stabilité :
-
Revenus issus des frais : tous les frais perçus sont versés au trésor du réseau, utilisés pour financer les récompenses. En pratique, cela signifie que le trésor diminue moins vite qu’une simple décroissance exponentielle, maintenant ainsi un APY élevé.
-
Récupération du jeton : les frais perçus sont d’abord utilisés pour payer les récompenses avant toute nouvelle création de jetons. Ainsi, selon la dynamique du marché, la circulation d’ALLO peut augmenter (inflation) ou diminuer (déflation).
-
Mécanisme d’émission lissée : grâce à une moyenne mobile exponentielle, l’émission de jetons est régularisée, évitant une chute brutale de l’APY lors des déblocages massifs, incitant ainsi les détenteurs à continuer de staker.
Toutefois, le livre blanc ne précise ni la date ni les modalités de lancement du jeton. D’autres informations seront à suivre via ses canaux sociaux.
Les ressources derrière Allora
Jusqu’ici, nous n’avons pas encore évoqué la technologie zkML mentionnée en début d’article, comme si Allora n’y était pas lié.
Pourtant, en arrière-plan, le projet historique Upshot est un contributeur clé au développement d’Allora.
Upshot renforce les capacités d’Allora en déployant sur le réseau son modèle phare de prévision des prix, fournissant des informations pilotées par l’IA pour plus de 400 millions d’actifs. Les prévisions les plus précises de ce modèle affichent traditionnellement un taux de confiance de 95 à 99 %.
De plus, les sorties de ce modèle peuvent être fournies via zkPredictor (la plus grande application zkML on-chain à ce jour), permettant aux applications d’utiliser ces résultats de manière cryptographiquement vérifiable.
Par ailleurs, Upshot a levé 22 millions de dollars en 2022 auprès de Polychain, Framework, CoinFund et Blockchain Capital, à l’époque pour évaluer en temps réel les actifs NFT. Avec l’essor de l’IA, le projet a changé de cap, mais les technologies développées précédemment sont désormais réutilisées dans Allora.
Feuille de route et incitations sur le réseau test
D’après les annonces antérieures du blog officiel d’Allora, le lancement du projet se déroule en trois phases :
-
Phase 1 du réseau test : mi-février 2024
-
Phase 2 du réseau test : mi-mars 2024
-
Réseau principal : début du deuxième trimestre 2024
À ce stade, il semble que le calendrier ait été légèrement retardé, mais le projet reste dans la phase précédant le lancement du réseau principal.
Pour stimuler l’engagement et encourager l’utilisation, Allora a lancé le 17 mai un programme d’incitation pour la première phase de son réseau test. La participation à des activités on-chain permet de gagner des points, augmentant ainsi les chances d’un futur airdrop.
Les activités éligibles aux points sont les suivantes :
Activités on-chain
-
Créer un sujet : identifier et définir un problème ou domaine d’intérêt spécifique au sein du réseau, attirant d’autres participants à développer des solutions.
-
Introduire un modèle de machine learning : ajouter un modèle ML au réseau pour qu’il soit utilisé par d’autres.
-
Utiliser des applications supportées par Allora : participer à des services et applications exploitant l’intelligence machine d’Allora.
Activités off-chain
-
Participation communautaire : suivre Allora sur Twitter, rejoindre les groupes Discord et Telegram.
-
Participer à des événements communautaires : s’engager dans des activités sélectionnées pour soutenir le réseau Allora.
Actuellement, les utilisateurs peuvent trouver toutes les activités accessibles sur la page Galxe. Les intéressés peuvent cliquer ici pour participer.
En résumé, Allora est un projet cryptographique doté d’une certaine innovation technique, de ressources solides et d’une capacité à réutiliser ses compétences. Il sait s’adapter aux tendances, exploiter pleinement ses atouts pour explorer de nouveaux axes, et ainsi rester compétitif dans la course à l’attention.
Quant à son potentiel maximal, il dépendra d’une part du retour de l’engouement autour de l’IA, et d’autre part de la stratégie opérationnelle future du projet.
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
深潮TechFlow
