ArkStream Capital : L'agent d'intelligence artificielle peut-il devenir le sauveur de Web3+IA ?
TechFlow SélectionTechFlow Sélection
ArkStream Capital : L'agent d'intelligence artificielle peut-il devenir le sauveur de Web3+IA ?
Pour les projets Web3, l'intégration de technologies d'intelligence artificielle dans les produits grand public non centrés sur l'IA pourrait devenir un avantage stratégique.
Dédié à des analyses Web3 approfondiesAuteur : James, ArkStream Capital
TL;DR
-
Dans l'entrepreneuriat Web2, les projets d’AI Agent populaires et matures sont principalement des services orientés entreprises. En revanche, dans le domaine Web3, les projets axés sur l'entraînement de modèles et les plateformes intégrées dominent en raison de leur rôle clé dans la construction d'écosystèmes.
-
Actuellement, les projets d'AI Agent dans Web3 représentent environ 8 % du total, mais leur capitalisation boursière représente pas moins de 23 % du secteur IA. Cette forte compétitivité montre un potentiel énorme : nous prévoyons l’émergence de plusieurs projets valorisés à plus d’un milliard de dollars à mesure que la technologie mûrira et que la reconnaissance du marché s’accroîtra.
-
Pour les projets Web3, l’intégration de l’IA peut constituer un avantage stratégique même pour les produits non centrés sur l’IA. Pour les projets d’AI Agent, il convient de privilégier la construction d’un écosystème complet et une conception réfléchie de l’économie token afin de favoriser la décentralisation et les effets de réseau.
La vague de l’IA : état actuel de prolifération des projets et hausse des valorisations
Depuis la sortie de ChatGPT en novembre 2022, ce dernier a attiré plus de 100 millions d'utilisateurs en seulement deux mois. En mai 2024, ses revenus mensuels atteignaient déjà 20,3 millions de dollars. Après son lancement, OpenAI a rapidement introduit des versions itératives telles que GPT-4 et GPT-4o. Face à cette dynamique fulgurante, les grands géants technologiques ont pris conscience de l'importance cruciale des modèles IA de pointe comme les LLM (modèles linguistiques massifs) et ont lancé leurs propres modèles et applications. Par exemple, Google a publié PaLM2, Meta a lancé Llama3, tandis que des entreprises chinoises ont mis au point des grands modèles tels que Wenxin Yiyan et Zhipu Qingyan. Le domaine de l'IA est désormais devenu un terrain de bataille stratégique.
Cette course entre géants technologiques n’a pas seulement stimulé le développement des applications commerciales, elle a également entraîné une explosion des projets liés à l'IA au sein des communautés open source. Selon le rapport AI Index 2024, le nombre de projets liés à l’IA sur GitHub est passé de 845 en 2011 à environ 1,8 million en 2023. En particulier après le lancement de GPT, le nombre de projets a augmenté de 59,3 % en glissement annuel en 2023, reflétant l'engouement mondial des développeurs pour la recherche en IA.
L’enthousiasme pour la technologie IA se reflète directement sur les marchés financiers, où l’investissement dans l’IA connaît une croissance vigoureuse. Au deuxième trimestre 2024, le secteur a connu une poussée explosive : 16 levées de fonds supérieures à 150 millions de dollars ont été réalisées, soit deux fois plus qu’au premier trimestre. Le financement total des startups IA a grimpé à 24 milliards de dollars, plus du double par rapport à l’année précédente. Parmi eux, xAI, la société de Musk, a levé 6 milliards de dollars, atteignant une valorisation de 24 milliards, devenant ainsi la startup IA la plus valorisée après OpenAI.
Top 10 des financements dans le secteur IA au Q2 2024. Source : Yiou, https://www.iyiou.com/data/202407171072366
Le développement fulgurant de l’IA redessine le paysage technologique à une vitesse sans précédent. Entre la rivalité intense des grands groupes, l’essor des projets communautaires open source et l’engouement des investisseurs pour les projets IA, de nouveaux projets apparaissent constamment, les montants investis battent régulièrement des records, et les valorisations suivent naturellement. Globalement, le marché de l’IA traverse une période d’or caractérisée par une croissance rapide. Les grands modèles linguistiques et les technologies de génération améliorée par récupération (RAG) ont accompli des progrès majeurs dans le traitement du langage. Cependant, ces modèles rencontrent encore des obstacles lorsqu’il s’agit de transformer leurs avantages techniques en produits concrets, notamment en raison de l’incertitude de leurs sorties, du risque d’« hallucinations » générant des informations inexactes, ou encore du manque de transparence. Ces problèmes deviennent critiques dans les cas d’usage exigeant une haute fiabilité.
Dans ce contexte, nous avons entamé une étude approfondie sur les AI Agents, car ceux-ci mettent l’accent sur la résolution de problèmes réels et l’interaction complète avec l’environnement. Ce virage marque une évolution de l’IA, passant des simples modèles linguistiques à des systèmes intelligents capables de comprendre, d’apprendre et de résoudre des problèmes du monde réel. Nous voyons donc dans les AI Agents une lueur d’espoir : ils comblent progressivement le fossé entre la technologie IA et la résolution effective des problèmes. Alors que l’évolution de l’IA transforme continuellement l’architecture de la productivité, les technologies Web3 réorganisent quant à elles les rapports de production de l’économie numérique. Lorsque les trois piliers de l’IA — données, modèles et puissance de calcul — s’unissent aux principes fondateurs du Web3 — décentralisation, économie token et contrats intelligents —, nous prévoyons l’émergence d’une série d’applications innovantes. Dans ce domaine prometteur, les AI Agents, grâce à leur capacité à exécuter des tâches de manière autonome, affichent un potentiel considérable pour une adoption à grande échelle.
C’est pourquoi nous avons décidé d’étudier en profondeur les applications diversifiées des AI Agents dans le Web3, en examinant les infrastructures, les intermédiaires, les couches applicatives, ainsi que les marchés de données et de modèles. Notre objectif est d’identifier et d’évaluer les types de projets et les cas d’usage les plus prometteurs, afin de mieux comprendre la fusion profonde entre IA et Web3.
Clarification conceptuelle : présentation et classification des AI Agents
Présentation générale
Avant d’aborder les AI Agents, illustrons leur définition et leur distinction avec les modèles classiques via un scénario concret : imaginez que vous planifiez un voyage. Un grand modèle linguistique traditionnel vous fournirait des informations sur les destinations et des conseils. La génération améliorée par récupération (RAG) offrirait des contenus plus riches et précis. Un AI Agent, lui, serait comparable à J.A.R.V.I.S. dans les films Iron Man : capable de comprendre vos besoins, il pourrait automatiquement rechercher des vols et des hôtels, effectuer les réservations et ajouter l’itinéraire à votre calendrier, le tout à partir d’une simple instruction verbale.
Actuellement, l’industrie définit généralement un AI Agent comme un système intelligent capable de percevoir son environnement et d’agir en conséquence. Il recueille des informations via des capteurs, les traite, puis influence l’environnement via des actionneurs (Stuart Russell & Peter Norvig, 2020). À nos yeux, un AI Agent est un assistant intégrant des capacités de LLM, RAG, mémoire, planification de tâches et utilisation d’outils. Il ne se contente pas de fournir de l’information, mais peut aussi planifier, décomposer des tâches et les exécuter concrètement.
D’après cette définition et ces caractéristiques, on constate que les AI Agents sont déjà largement intégrés à notre quotidien, dans divers contextes : AlphaGo, Siri ou encore le niveau L5 et plus de conduite autonome de Tesla peuvent tous être considérés comme des exemples d’AI Agents. Ce qui les unit ? Tous perçoivent les entrées utilisateur et y répondent par des actions ayant un impact sur l’environnement réel.
Prenons ChatGPT comme illustration pour clarifier les concepts : il est essentiel de noter que Transformer est l’architecture technique sous-jacente aux modèles IA, GPT est une série de modèles construits sur cette architecture, et GPT-1, GPT-4, GPT-4o représentent différentes versions du modèle selon son stade d’évolution. Quant à ChatGPT, c’est un AI Agent développé à partir de ces modèles GPT.
Classification générale
Le marché des AI Agents ne dispose pas encore d’une classification standardisée. Nous avons procédé à l’analyse de 204 projets d’AI Agents dans les écosystèmes Web2 et Web3, en leur attribuant des étiquettes significatives. Sur cette base, nous avons défini une classification en deux niveaux : trois catégories principales — infrastructure de base, génération de contenu et interaction utilisateur —, subdivisées selon les cas d’usage spécifiques :
-
Infrastructure de base : projets axés sur les couches fondamentales du domaine des Agents, incluant les plateformes, modèles, données, outils de développement, ainsi que les services B2B matures et basiques.
-
Outils de développement : fournissent aux développeurs des cadres et outils pour construire des AI Agents.
-
Traitement des données : analyse et traitement de données sous différents formats, utilisés principalement pour aider à la prise de décision ou alimenter l’entraînement des modèles.
-
Entraînement de modèles : offrent des services spécialisés dans l’entraînement de modèles d’IA, incluant l’inférence, la création et la configuration des modèles.
-
Services B2B : ciblent les entreprises avec des solutions automatisées, verticales ou de gestion.
-
Plateformes intégrées : plateformes centralisant divers services et outils d’AI Agents.
-
Interaction : similaire à la génération de contenu, mais avec une différence clé : l’interaction bidirectionnelle continue. Ces agents comprennent les demandes des utilisateurs et fournissent des retours via des technologies comme le traitement du langage naturel (NLP), créant ainsi un dialogue interactif.
-
Compagnonnage émotionnel : agents IA offrant soutien émotionnel et compagnonnage.
-
Type GPT : AI Agents basés sur les modèles GPT (Transformers pré-entraînés génératifs).
-
Type recherche : agents spécialisés dans la fonction de recherche, fournissant une récupération d’informations plus précise.
-
Génération de contenu : ces projets se concentrent sur la création de contenu, exploitant les grands modèles pour générer différents types de contenus selon les instructions utilisateur — textes, images, vidéos, audio.
Analyse de l’état actuel des AI Agents Web2
Selon nos statistiques, le développement des AI Agents dans l’internet traditionnel Web2 présente une concentration marquée. Environ deux tiers des projets se situent dans la catégorie « infrastructure de base », principalement orientés vers les services B2B et les outils de développement. Voici notre analyse de ce phénomène.
Influence du niveau de maturité technologique : La domination des projets d’infrastructure s’explique d’abord par leur maturité technologique. Basés sur des technologies et frameworks éprouvés, ils réduisent la complexité et les risques de développement. On peut les voir comme les « pelles » du secteur IA, fournissant une base solide pour le développement et l’application des AI Agents.
Moteur de la demande du marché : Un autre facteur clé est la demande du marché. Comparé au marché grand public, les entreprises manifestent un besoin plus pressant d’adopter l’IA, notamment pour améliorer leur efficacité opérationnelle et réduire les coûts. De plus, les flux de trésorerie prévisibles provenant des entreprises offrent une stabilité favorable au développement continu des projets.
Limites des cas d’usage : Par ailleurs, nous observons que les applications de génération de contenu ont des cas d’usage relativement limités sur le marché B2B. En raison de l’instabilité de leurs sorties, les entreprises préfèrent des solutions capables d’améliorer de façon fiable la productivité. Cela explique la faible proportion de ces projets dans le portefeuille global.
Cette tendance reflète une combinaison de maturité technologique, de demande du marché et de contraintes d’application. Avec les progrès technologiques et une clarification progressive des besoins, cette configuration pourrait évoluer, mais les projets d’infrastructure resteront très probablement la pierre angulaire du développement des AI Agents.
Analyse des leaders Web2 dans les AI Agents
Synthèse des projets leaders en AI Agent Web2. Source : base de données ArkStream
Nous analysons ici quelques projets emblématiques du marché Web2, en prenant comme exemples Character AI, Perplexity AI et Midjourney.
Character AI :
-
Présentation du produit : Character.AI propose un système de conversation basé sur l’IA et des outils de création de personnages virtuels. Sa plateforme permet aux utilisateurs de créer, d’entraîner et d’interagir avec des personnages virtuels capables de dialoguer en langage naturel et d’exécuter des tâches spécifiques.
-
Analyse des données : En mai, Character.AI a enregistré 277 millions de visites, avec plus de 3,5 millions d’utilisateurs actifs quotidiens, majoritairement âgés de 18 à 34 ans, indiquant une base utilisateur jeune. Sur le plan financier, la société a levé 150 millions de dollars avec une valorisation de 1 milliard, un tour mené par a16z.
-
Analyse technique : Character AI a signé un accord de licence non exclusif avec Alphabet, la maison mère de Google, pour utiliser ses grands modèles linguistiques. Cela suggère que Character AI repose sur une technologie propriétaire. Notons que ses fondateurs, Noam Shazeer et Daniel De Freitas, ont participé au développement du modèle conversationnel Llama chez Google.
Perplexity AI :
-
Présentation du produit : Perplexity extrait et fournit des réponses détaillées depuis Internet. Grâce à des citations et liens de référence, il garantit la fiabilité et l’exactitude des informations. Il guide aussi activement l’utilisateur dans ses recherches, en proposant des questions complémentaires et des mots-clés pertinents, répondant ainsi à des besoins variés.
-
Analyse des données : Perplexity compte 10 millions d’utilisateurs actifs mensuels. En février, ses applications mobiles et desktop ont vu leur trafic augmenter de 8,6 %, atteignant environ 50 millions d’utilisateurs. Sur le plan financier, Perplexity AI a récemment levé 62,7 millions de dollars avec une valorisation de 1,04 milliard, un tour mené par Daniel Gross et auquel ont participé Stan Druckenmiller et NVIDIA.
-
Analyse technique : Perplexity utilise principalement un modèle GPT-3.5 affiné, ainsi que deux grands modèles open source affinés : pplx-7b-online et pplx-70b-online. Ces modèles sont adaptés aux recherches académiques spécialisées et aux requêtes verticales, assurant authenticité et fiabilité de l’information.
Midjourney :
-
Présentation du produit : Les utilisateurs peuvent créer des images de styles et thèmes variés via des prompts sur Midjourney, couvrant un large spectre allant du réalisme à l’abstraction. La plateforme offre également des fonctions de mixage et d’édition d’images, permettant superposition et transfert de style. Sa génération en temps réel assure aux utilisateurs de recevoir leurs images en quelques dizaines de secondes à quelques minutes.
-
Analyse des données : Midjourney compte 15 millions d’utilisateurs inscrits, dont entre 1,5 et 2,5 millions sont actifs. D’après des sources publiques, Midjourney n’a pas levé de fonds auprès d’investisseurs institutionnels, optant pour un développement autonome grâce à la crédibilité et aux ressources accumulées par son fondateur, David, à travers plusieurs créations d’entreprise.
-
Analyse technique : Midjourney utilise son propre modèle fermé. Depuis la sortie de Midjourney V4 en août 2022, la plateforme exploite un modèle génératif basé sur la diffusion. On estime que le nombre de paramètres du modèle se situe entre 30 et 40 milliards, une taille massive qui assure diversité et précision dans la génération d’images.
Difficultés commerciales
Après avoir testé plusieurs AI Agents Web2, nous avons observé un parcours typique d’évolution produit : départ sur une tâche spécifique, puis extension progressive vers des scénarios multi-tâches complexes. Cette tendance illustre bien le potentiel des AI Agents à améliorer efficacité et innovation, tout en présageant un rôle accru à l’avenir. Une première analyse statistique de 125 projets AI Agent Web2 révèle une concentration sur la génération de contenu (ex : Jasper AI), les outils de développement (ex : Replit) et surtout les services B2B (ex : Cresta). Ce constat contredit nos attentes initiales : nous pensions que la maturité croissante des modèles IA déclencherait une explosion des agents côté grand public (C2C). Mais l’analyse montre que la voie commerciale des AI Agents C2C est bien plus ardue et complexe que prévu.
Prenons l’exemple de Character.AI : d’un côté, il affiche une excellente performance en termes de trafic. Mais avec un modèle économique limité à un abonnement de 9,9 USD, confronté à des coûts élevés d’inférence dus à une utilisation intensive, il a finalement rencontré des difficultés de monétisation et des problèmes de trésorerie, aboutissant à son rachat par Google. Ce cas montre que, malgré un fort trafic et un bon financement, les applications AI Agents C2C peinent à se monétiser. La plupart des produits n’atteignent pas encore le niveau où ils remplacent ou assistent efficacement les humains, ce qui limite fortement la volonté des utilisateurs à payer. Dans nos enquêtes terrain, de nombreuses startups rencontrent des difficultés similaires. Le développement des AI Agents C2C n’est pas linéaire ; il exige des avancées plus profondes en maturité technologique, valeur produit et innovation de modèle économique pour libérer tout leur potentiel.
En comparant les valorisations de la plupart des projets AI Agents avec celles des leaders comme OpenAI ou xAI, on observe encore une marge de progression de 10 à 50 fois. Sans nier cette marge importante, cela confirme que le segment C2C reste un bon créneau. Toutefois, l’analyse globale nous amène à penser que le marché B2B pourrait bien être le véritable terrain d’adoption des AI Agents. En intégrant ces agents dans des logiciels verticaux, CRM ou bureautique, les entreprises gagnent en efficacité, tandis que les AI Agents trouvent un espace d’application plus vaste. Ainsi, les services B2B semblent être la direction principale du développement à court terme des AI Agents dans l’internet traditionnel Web2.
Analyse de l’état actuel et des perspectives des AI Agents Web3
Aperçu général des projets
Comme mentionné précédemment, même les applications d’AI Agents bénéficiant d’un excellent financement et d’un fort trafic rencontrent des difficultés de monétisation. Nous allons maintenant examiner en détail l’état actuel des projets d’AI Agents dans l’écosystème Web3. En évaluant des projets représentatifs selon leurs innovations technologiques, performances sur le marché, retours utilisateurs et potentiel de croissance, nous cherchons à formuler des recommandations inspirantes. L’image ci-dessous présente quelques projets emblématiques ayant déjà émis un jeton et affichant une forte capitalisation :
Synthèse des projets leaders en AI Agent Web2. Source : base de données ArkStream
Selon nos statistiques sur le marché Web3, les types de projets d’AI Agents montrent également une concentration notable. La grande majorité relève de la catégorie « infrastructure de base », tandis que les projets de génération de contenu sont peu nombreux. La plupart cherchent à inciter les utilisateurs à fournir des données ou de la puissance de calcul distribuées pour répondre à leurs besoins d’entraînement de modèles. D’autres tentent de créer des plateformes tout-en-un intégrant plusieurs services et outils d’AI Agents, allant des outils de développement aux applications interactives ou génératives. Actuellement, le secteur traditionnel de l’IA se limite souvent à ajuster des paramètres open source ou à appliquer des modèles existants, une approche qui ne génère pas d’effet de réseau significatif ni pour les entreprises ni pour les particuliers.
Analyse de la situation actuelle
Nous pensons que ce phénomène actuel résulte de plusieurs facteurs :
Décalage entre marché et technologie : La synergie entre Web3 et AI Agents n’offre pas encore d’avantages évidents par rapport aux marchés traditionnels. Le vrai atout du Web3 réside dans la transformation des rapports de production, optimisant la collaboration et les ressources via la décentralisation. Cela peut rendre certains agents d’interaction ou de génération moins compétitifs face à des concurrents traditionnels disposant de meilleures ressources technologiques et financières.
Limites des cas d’usage : Dans l’environnement Web3, il existe peut-être peu de besoins réels pour générer des images, vidéos ou textes. Au contraire, les caractéristiques de décentralisation et de distribution du Web3 sont davantage utilisées pour réduire les coûts et améliorer l’efficacité dans les domaines traditionnels de l’IA, plutôt que d’ouvrir de nouveaux cas d’usage.
Les racines de ce phénomène remontent probablement à l’état actuel du développement de l’IA et à sa trajectoire future. Peut-être que, comme la machine à vapeur au début de la révolution industrielle, l’IA en est encore à une phase transitoire, antérieure à l’ère de l’électrification généralisée.
Nous avons des raisons de croire que l’évolution future de l’IA suivra une trajectoire similaire. Les modèles généraux vont progressivement se stabiliser, tandis que les modèles affinés connaîtront une diversification. Les applications IA seront largement réparties parmi les entreprises et les particuliers, avec un accent croissant sur l’interconnexion et l’interaction entre modèles. Cette tendance s’aligne parfaitement avec les principes du Web3, connu pour sa composable et son accès ouvert, en phase avec l’idée d’affinage décentralisé des modèles. Les développeurs auront une liberté accrue pour combiner et adapter librement différents modèles. En outre, les caractéristiques de décentralisation offrent des avantages uniques en matière de protection de la vie privée des données et de répartition des ressources de calcul, bénéficiant ainsi à l’entraînement des modèles.
Avec les progrès technologiques, notamment l’émergence de nouvelles solutions comme LoRA (Low-Rank Adaptation), le coût et les barrières techniques de l’affinage des modèles ont considérablement baissé. Cela facilite la création de modèles publics pour des scénarios spécifiques ou la personnalisation selon les besoins des utilisateurs. Les projets Web3 peuvent tirer parti de ces avancées pour explorer de nouvelles méthodes d’entraînement, des mécanismes d’incitation innovants, ainsi que de nouveaux modes de partage et de collaboration autour des modèles — des possibilités difficiles à réaliser dans des systèmes centralisés traditionnels.
De plus, la concentration des projets Web3 sur l’entraînement de modèles reflète aussi une stratégie consciente de jouer un rôle central dans l’écosystème IA. Ainsi, la focalisation des projets Web3 sur l’entraînement de modèles est l’aboutissement naturel de la convergence entre tendances technologiques, demande du marché et avantages propres au Web3. Passons maintenant à quelques exemples comparatifs de projets d’entraînement de modèles dans les secteurs Web2 et Web3.
Projets d’entraînement de modèles
Humans.ai
-
Présentation du projet : Humans.ai est une bibliothèque diversifiée d’algorithmes et de modèles d’IA, ainsi qu’un environnement d’entraînement et de déploiement couvrant l’image, la vidéo, l’audio et le texte. La plateforme permet non seulement aux développeurs d’entraîner et d’optimiser des modèles, mais aussi de partager et de commercialiser leurs propres modèles. Un point d’innovation marquant est l’utilisation de NFT comme support de stockage des modèles d’IA et des données biométriques des utilisateurs, rendant le processus de création plus personnalisé et sécurisé.
-
Analyse des données : Le jeton Heart d’Humans.ai a une capitalisation d’environ 68 millions de dollars. Il compte 56 k abonnés Twitter, sans divulgation de données utilisateur.
-
Analyse technique : Humans.ai ne développe pas ses propres modèles, mais adopte une approche modulaire, encapsulant tous les modèles disponibles dans des NFT, offrant ainsi une solution IA flexible et extensible.
FLock.io
-
Présentation du projet : FLock.io est une plateforme collaborative d’IA basée sur l’apprentissage fédéré (une méthode d’apprentissage machine décentralisée axée sur la confidentialité des données). Elle vise à résoudre des problèmes critiques du secteur IA, tels que la faible participation du public, l’insuffisance de protection de la vie privée et le monopole des grandes entreprises sur la technologie IA. La plateforme permet aux utilisateurs de contribuer à l’entraînement des modèles tout en protégeant leurs données, favorisant ainsi la démocratisation et la décentralisation de l’IA.
-
Analyse des données : Au début de l’année 2024, FLock.io a levé 6 millions de dollars en financement de démarrage, mené par Lightspeed Faction et Tagus Capital, avec la participation de DCG, OKX Ventures et d'autres.
-
Analyse technique : L’architecture technique de FLock.io repose sur l’apprentissage fédéré, une méthode décentralisée qui préserve la confidentialité des données. De plus, FLock.io intègre des technologies avancées telles que zkFL, le chiffrement homomorphe et le calcul sécurisé multipartite (SMPC) pour renforcer la protection des données.
Voici des projets de type entraînement de modèles dans le Web3. Dans le Web2, des plateformes similaires existent, comme Predibase.
Predibase
-
Présentation du projet : Predibase se spécialise dans l’optimisation de l’IA et des grands modèles linguistiques. Il permet aux utilisateurs d’affiner et de déployer des modèles open source comme Llama, CodeLlama, Phi, etc. La plateforme prend en charge plusieurs techniques d’optimisation : quantification, adaptation de faible rang (LoRA) et formation distribuée à mémoire efficace.
-
Analyse des données : Predibase a annoncé une levée de 12,2 millions de dollars en série A, menée par Felicis. Des entreprises comme Uber, Apple, Meta ainsi que des startups comme Paradigm et Koble.ai figurent parmi ses utilisateurs.
-
Analyse technique : Les utilisateurs de Predibase ont déjà entraîné plus de 250 modèles. La plateforme utilise actuellement l’architecture LoRAX et le framework Ludwig : LoRAX permet de servir des milliers de LLM affinés sur une seule GPU, réduisant fortement les coûts sans nuire au débit ou à la latence. Ludwig, quant à lui, est un framework déclaratif utilisé par Predibase pour développer, entraîner, affiner et déployer des modèles de deep learning et de grands modèles linguistiques de pointe.
-
Analyse du projet : Predibase se distingue par son accessibilité. Il propose des services personnalisés pour tous les niveaux d’utilisateurs, qu’ils soient grand public, professionnels, novices ou experts en IA.
Pour les débutants, les fonctionnalités automatisées en un clic simplifient la création et l’entraînement des modèles, en gérant automatiquement les étapes complexes. Pour les utilisateurs expérimentés, la plateforme offre des options de personnalisation poussées, permettant d’accéder et de modifier des paramètres avancés.En comparant les plateformes traditionnelles d’entraînement de modèles IA aux projets Web3, bien que leurs cadres généraux soient similaires, des différences notables apparaissent au niveau de l’architecture technique et du modèle économique.
-
Profondeur et innovation technologique : Les plateformes traditionnelles reposent souvent sur des barrières technologiques plus élevées, comme l’architecture LoRAX ou le framework Ludwig, développés en interne. Ces cadres offrent des fonctionnalités puissantes pour gérer des tâches complexes d’entraînement. En revanche, les projets Web3 privilégient davantage la décentralisation et l’ouverture, sans nécessairement approfondir la technologie.
-
Flexibilité du modèle économique : Dans le secteur traditionnel, un goulot d’étranglement fréquent est le manque de flexibilité du modèle économique. Les plateformes exigent un paiement pour entraîner des modèles, limitant ainsi leur durabilité, surtout en phase initiale où une large participation utilisateur et une collecte de données sont nécessaires. À l’inverse, les projets Web3 proposent des modèles plus flexibles, comme l’économie token pilotée par la communauté.
-
Défis de la protection de la vie privée : La confidentialité est un autre enjeu clé. Prenez Predibase : bien qu’il propose un cloud privé virtuel sur AWS, cette dépendance à un tiers comporte toujours un risque potentiel de fuite de données.
Ces points de divergence constituent invariablement des obstacles dans le secteur traditionnel de l’IA. En raison des caractéristiques mêmes de l’internet, ces problèmes sont difficiles à résoudre efficacement. Cela crée à la fois une opportunité et un défi pour le Web3 : les projets qui réussiront à les surmonter pourraient bien devenir des pionniers du secteur.
Autres types de projets d’Agent dans le Web3
Après avoir exploré les projets d’entraînement de modèles, élargissons maintenant notre regard aux autres types de projets d’AI Agents dans le Web3. Bien qu’ils ne se concentrent pas uniquement sur l’entraînement de modèles, ces projets se distinguent par leurs performances en financement, cotation boursière et capitalisation token. Voici quelques projets représentatifs et influents dans leurs domaines respectifs :
Myshell
-
Présentation du produit : MyShell propose une plateforme complète d’AI Agents, permettant aux utilisateurs de créer, partager et personnaliser leurs propres agents IA. Ces agents peuvent servir de compagnons ou d’assistants productifs. La plateforme couvre divers styles d’agents, allant du style anime au style classique, avec des interactions audio, vidéo et textuelles. MyShell se distingue par l’agrégation de plusieurs modèles existants comme GPT-4o, GPT-4 et Claude, offrant ainsi une expérience haut de gamme comparable aux agents IA payants traditionnels. De plus, la plateforme introduit un système de transaction basé sur une courbe de bonding similaire aux FT, incitant les créateurs à développer des modèles de haute valeur, tout en permettant aux utilisateurs d’investir et de partager les revenus.
-
Analyse des données : La dernière levée de MyShell atteint une valorisation d’environ 80 millions de dollars, menée par Dragonfly, avec la participation d’investisseurs renommés comme Binance, Hashkey et Folius. Bien qu’aucune donnée précise de trafic ne soit disponible, MyShell compte près de 180 k abonnés Twitter. Son serveur Discord, bien que rarement au-delà d’un dixième de ses abonnés, témoigne d’une base fidèle d’utilisateurs et de développeurs.
-
Analyse technique : MyShell ne développe pas ses propres modèles d’IA, mais agit comme une plateforme intégrative, rassemblant des modèles de pointe comme Claude, GPT-4 et GPT-4o, tout en affirmant supporter d’autres modèles fermés. Cette stratégie lui permet d’exploiter les ressources technologiques existantes pour offrir une expérience unifiée et avancée.
-
Expérience subjective : MyShell permet aux utilisateurs de créer et personnaliser librement leurs agents selon leurs besoins, qu’il s’agisse de compagnons personnels ou d’assistants professionnels, adaptables à divers scénarios audio et vidéo. Même sans utiliser les agents MyShell, les utilisateurs peuvent bénéficier à moindre coût des modèles payants
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
Arkstream Capital
