L'IA + Web3 sera-t-elle le catalyseur de ce cycle haussier ?
TechFlow SélectionTechFlow Sélection
L'IA + Web3 sera-t-elle le catalyseur de ce cycle haussier ?
La tendance générale vers AI+Web3 est inévitable, mais son développement et sa mise en œuvre concrètes ne progressent pas aussi rapidement que prévu.
Dédié à des analyses Web3 approfondiesRédaction : Haotian
Tout le monde espère que l'association IA + Web3 deviendra le catalyseur du prochain marché haussier, comme en témoignent les valorisations élevées et les importants investissements consentis par les fonds de capital-risque. Alors se pose la question : quels sont actuellement les problèmes rencontrés par ce secteur d'intégration entre l'IA et le Web3 ? À partir de cette étude systématique publiée par @web3caff_zh, voici mon analyse :
1) L'entraînement de l'IA nécessite des volumes massifs de données, or c'est précisément dans ce domaine que le Web3 peut jouer un rôle clé, notamment en matière de traçabilité des données et d'incitations qui en découlent. À long terme, l'IA aura inévitablement besoin du soutien du Web3, mais il faut bien comprendre que le Web3 ne peut résoudre qu'un nombre limité de problèmes liés à l'IA.
Par exemple, les principaux moteurs des grands domaines tels que l'entraînement massif de données, l'optimisation continue des algorithmes, la vision par ordinateur, la reconnaissance vocale ou encore l'IA appliquée aux jeux reposent essentiellement sur une puissance de calcul centralisée à grande échelle, ainsi que sur l'optimisation conjointe de puces, algorithmes et autres composants matériels et logiciels. Des avancées telles que les réseaux neuronaux convolutifs profonds, l'apprentissage par renforcement ou les modèles de calcul inspirés du cerveau — toutes directions visant à étendre les capacités de l'IA — n'offrent pas, à court terme, de place au Web3.
2) L'IA générative ne représente qu'une petite branche du vaste domaine de l'IA, mais elle accélère toutefois l'intégration entre IA et Web3. En effet, l'IA générative est une technologie d'IA plus orientée vers l'application, donc davantage démocratisée. Dans un scénario idéal, les grands modèles de base sont généralement développés par de grandes entreprises grâce à une puissance de calcul centralisée, puis rendus open source pour stimuler le marché des applications qui s'y greffent. Le marché global de l'IA tend ainsi progressivement vers une structure en « longue traîne », où l'importance du réglage fin des modèles (fine-tuning) et de l'inférence devient prédominante.
Or, si les entreprises détenant les ressources clés en puissance de calcul et en modèles venaient à modifier leur politique d'open source, cela aurait un impact direct sur l'ensemble du marché de l'IA. Pour éviter une telle crise, une infrastructure reposant davantage sur une architecture de puissance de calcul distribuée et une collaboration décentralisée pour l'inférence devient alors indispensable.
3) Le Web3 peut jouer un rôle clé dans la construction de cadres distribués pour l'IA. Par exemple : lors de l'entraînement des modèles, la blockchain peut créer des identifiants uniques pour les sources de données, permettant ainsi d'éliminer les doublons et d'améliorer l'efficacité de l'entraînement ; lorsque la puissance de calcul fait défaut, la blockchain peut recourir à des mécanismes d'incitation basés sur la tokenomie pour construire un réseau distribué de puissance de calcul dédiée à l'IA ; durant les phases de réglage fin des paramètres, la blockchain peut enregistrer les différentes versions du modèle, suivre son évolution et permettre un contrôle précis.
Lors de l'inférence du modèle, des technologies telles que les preuves à divulgation nulle (ZK) ou les environnements d'exécution confidentiels (TEE) peuvent être utilisées pour construire un réseau d'inférence décentralisé, améliorant ainsi la communication et la confiance mutuelle entre modèles. Enfin, dans les phases d'informatique en périphérie (edge computing) et d'intégration avec DePIN, le Web3 peut aider à construire un réseau d'intelligence artificielle périphérique décentralisé, favorisant ainsi la convergence entre IA et Internet des objets (IoT) via DePIN.
4) Lorsqu'il a évoqué précédemment les points de convergence entre IA et Web3, Vitalik a indiqué que l'IA pourrait progressivement intégrer le monde Web3 en tant que participant. Ainsi, l'intégration entre IA et Web3 sera nécessairement très lente.
D'une part, le monde dominant Web2 reste principalement focalisé sur les performances visibles de l'IA, sans accorder beaucoup d'importance aux infrastructures collaboratives sous-jacentes, ce qui entraîne une disconnexion avec le Web3. D'autre part, le Web3 lui-même en est encore à la phase de construction d'infrastructures de base dans le domaine de l'IA — tels que les réseaux de calcul distribué, les architectures d'inférence distribuée, les réseaux d'applications basés sur la tokenomie distribuée ou encore les réseaux d'outils collaboratifs pour agents d'IA —, infrastructures qui n'ont pas encore été suffisamment validées ni adoptées par les utilisateurs principaux et essentiels du Web2.
En résumé, bien que la convergence IA + Web3 soit incontestablement une tendance majeure, sa mise en œuvre concrète et son développement seront loin d'être rapides. Il faudra probablement attendre un cycle complet, voire plusieurs cycles, avant de voir des progrès significatifs. Il nous faut donc davantage de patience.
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
Haotian | CryptoInsight
