Étude IOSG | Trader avec l'IA : une première exploration de l'écosystème DeFAI
TechFlow SélectionTechFlow Sélection
Étude IOSG | Trader avec l'IA : une première exploration de l'écosystème DeFAI
Ce secteur a commencé à connaître une croissance rapide après le 25 décembre, tout comme les frameworks et plateformes tels que Virtual et ai16z, qui ont également enregistré une forte progression après les vacances de Noël.
Dédié à des analyses Web3 approfondiesRédaction : Henry @IOSG
Préambule
En seulement trois mois, la capitalisation boursière combinée de l'IA et des memecoins a atteint 13,4 milliards de dollars américains, un montant comparable à celui de certaines blockchains L1 matures comme AVAX ou SUI.
En réalité, la relation entre l'intelligence artificielle et la blockchain est ancienne. Elle remonte aux premiers sous-réseaux de Bittensor dédiés à l'entraînement décentralisé de modèles, en passant par les marchés décentralisés de GPU et de puissance de calcul tels qu’Akash et io.net, jusqu’à la vague actuelle de projets combinant IA et memecoins sur Solana. Chaque étape démontre que la cryptomonnaie peut, dans une certaine mesure, compléter l’intelligence artificielle via l’agrégation de ressources, permettant ainsi de construire une IA souveraine et d’offrir des cas d’usage accessibles aux consommateurs.
Dans la première vague de jetons IA sur Solana, certains ont apporté une utilité significative, allant au-delà de la simple spéculation. Nous avons vu émerger des cadres comme ELIZA d’ai16z, des agents IA tels que aixbt proposant analyse de marché et création de contenu, ou encore des kits outils intégrant les capacités de l’IA à la blockchain.
Avec la seconde vague, alors que davantage d’outils mûrissent, les applications sont devenues le moteur principal de création de valeur, et la DeFi s’est imposée comme le terrain d’expérimentation idéal pour ces innovations. Pour simplifier, nous appellerons dans cette étude la combinaison de l’IA et de la DeFi « DeFai ».
Selon les données de CoinGecko, la capitalisation du secteur DeFai est d’environ 1 milliard de dollars. Griffian domine le marché avec 45 % de parts, suivi par $ANON avec 22 %. Ce segment a commencé à croître rapidement après le 25 décembre, coïncidant avec la forte progression post-vacances de Noël de plateformes telles que Virtual et ai16z.
▲ Source : Coingecko.com
Ceci n'est qu’un premier pas : le potentiel de DeFai va bien au-delà. Bien que ce domaine en soit encore au stade de preuve de concept, son potentiel ne doit pas être sous-estimé. En exploitant l’intelligence et l’efficacité offertes par l’IA, DeFai pourrait transformer l’écosystème DeFi en un système financier plus convivial, intelligent et efficace.
Avant de plonger dans l’univers de DeFai, il est essentiel de comprendre comment fonctionnent réellement les agents (agents) dans les systèmes DeFi/blockchain.
Comment fonctionne un agent IA dans un système DeFi ?
Un agent d’intelligence artificielle (AI Agent) désigne un programme capable d’exécuter des tâches au nom d’un utilisateur selon un flux de travail défini. Le cœur d’un agent repose sur un modèle de langage (LLM), qui peut répondre en fonction de ses connaissances acquises lors de l’entraînement, mais ces réponses restent souvent limitées.
Les agents diffèrent fondamentalement des robots. Ces derniers sont généralement conçus pour des tâches spécifiques, nécessitent une supervision humaine et fonctionnent selon des règles prédéfinies. En revanche, les agents sont plus dynamiques et adaptatifs, capables d’apprendre de manière autonome afin d’atteindre des objectifs précis.
Pour offrir une expérience personnalisée et des réponses plus complètes, un agent peut stocker les interactions passées en mémoire, lui permettant d’apprendre des comportements de l’utilisateur et d’ajuster ses réponses. Cela lui permet de générer des recommandations et stratégies sur mesure, contextualisées par l’historique.
Dans l’écosystème blockchain, un agent peut interagir avec des contrats intelligents et des comptes, exécutant des tâches complexes sans intervention humaine continue. Par exemple, pour simplifier l’expérience utilisateur en DeFi, il peut effectuer des opérations multi-étapes comme le bridging et le farming en un seul clic, optimiser les stratégies de farming pour maximiser les rendements, exécuter des transactions (achat/vente) et réaliser des analyses de marché — le tout de façon autonome.
S’inspirant des recherches de @3sigma, la majorité des modèles suivent six étapes clés :
-
Collecte de données
-
Inférence du modèle
-
Prise de décision
-
Hébergement et exécution
-
Interopérabilité
-
Portefeuille
1 Collecte de données
Tout d’abord, le modèle doit comprendre son environnement. Il a donc besoin de plusieurs flux de données pour rester synchronisé avec les conditions du marché. Cela inclut : 1) des données on-chain provenant d’indexeurs et d’oracle, et 2) des données off-chain issues de plateformes de prix comme CMC / Coingecko / ou d’autres fournisseurs d’API.
2 Inférence du modèle
Une fois que le modèle a acquis une compréhension de l’environnement, il doit appliquer ces connaissances pour faire des prédictions ou exécuter des actions à partir de nouvelles entrées non vues auparavant. Les types de modèles utilisés par les agents comprennent :
-
Apprentissage supervisé et non supervisé : modèles entraînés sur des données étiquetées ou non, utilisés pour prédire des résultats. Dans le contexte blockchain, ils peuvent analyser les forums de gouvernance pour prédire les résultats de vote ou identifier des schémas de transaction.
-
Apprentissage par renforcement : modèles qui apprennent par essais et erreurs en évaluant les récompenses et pénalités de leurs actions. Des applications incluent l’optimisation des stratégies d’échange de jetons, comme déterminer le meilleur point d’entrée ou ajuster les paramètres de farming.
-
Traitement du langage naturel (NLP) : technologie permettant de comprendre et traiter les entrées textuelles humaines, particulièrement utile pour scanner les propositions de gouvernance et détecter les opinions.
▲ Source : https://www.researchgate.net/figure/The-main-types-of-machine-learning-Main-approaches-include-classification-and-regression_fig1_354960266
3 Prise de décision
À l’aide de modèles formés et de données actualisées, l’agent utilise sa capacité décisionnelle pour agir. Cela implique d’interpréter la situation actuelle et d’y répondre de manière appropriée.
À ce stade, un moteur d’optimisation joue un rôle crucial pour trouver le meilleur résultat possible. Par exemple, avant d’exécuter une stratégie de rendement, l’agent doit équilibrer plusieurs facteurs : glissement de prix (slippage), spreads, frais de transaction et profit potentiel.
Comme un agent unique peut ne pas être optimal pour toutes les décisions, des systèmes multi-agents peuvent être déployés pour coordonner les actions.
4 Hébergement et exécution
Étant donné la nature gourmande en calcul des tâches, les agents IA hébergent généralement leurs modèles hors chaîne. Certains dépendent de services cloud centralisés comme AWS, tandis que ceux privilégiant la décentralisation utilisent des réseaux de calcul distribués tels qu’Akash ou ionet, ainsi qu’Arweave pour le stockage de données.
Bien que les modèles d’agents IA s’exécutent hors chaîne, l’agent doit interagir avec les protocoles on-chain pour exécuter des contrats intelligents et gérer des actifs. Cette interaction nécessite des solutions sécurisées de gestion de clés, comme les portefeuilles MPC ou les portefeuilles intelligents, afin de traiter les transactions en toute sécurité. Les agents peuvent également interagir avec leur communauté via des API sur des plateformes sociales comme Twitter et Telegram.
5 Interopérabilité
Les agents doivent interagir avec divers protocoles et rester synchronisés entre différents systèmes. Ils utilisent généralement des ponts API pour accéder à des données externes, comme les flux de prix (price feed).
Pour rester informés de l’état courant des protocoles et y répondre en temps opportun, les agents doivent synchroniser leurs données en temps réel via des webhooks ou des protocoles de messagerie décentralisés comme IPFS.
6 Portefeuille
Un agent a besoin d’un portefeuille ou d’un accès aux clés privées pour initier des transactions blockchain. Deux approches principales existent sur le marché : les solutions basées sur MPC et celles basées sur TEE.
Pour la gestion de portefeuille, MPC ou TSS permet de diviser la clé entre l’agent, l’utilisateur et une tierce partie de confiance, tout en laissant à l’utilisateur un certain contrôle sur l’agent IA. Le portefeuille AI Replit de Coinbase illustre efficacement cette méthode, montrant comment intégrer un agent IA avec un portefeuille MPC.
Pour des systèmes IA entièrement autonomes, le TEE propose une alternative en stockant la clé privée dans un « secure enclave », permettant à l’agent IA complet de fonctionner dans un environnement caché et protégé, à l’abri des interférences extérieures. Toutefois, les solutions TEE font face à deux défis majeurs : la centralisation matérielle et la surcharge de performance.
Une fois ces obstacles levés, il sera possible de créer sur la blockchain des agents autonomes capables de jouer des rôles spécialisés dans l’écosystème DeFi, améliorant ainsi l’efficacité et l’expérience des transactions on-chain.
En résumé, je classe provisoirement DeFi x IA en quatre grandes catégories :
-
IA orientée abstraction / convivialité
-
Optimisation des rendements ou gestion de portefeuille
-
Agents d’analyse ou de prédiction de marché
-
Infrastructure / plateforme DeFai
Ouvrir la porte du monde DeFi x IA – DeFai
▲ Source : IOSG Venture
1 IA orientée abstraction / convivialité
L’intelligence artificielle vise à augmenter l’efficacité, résoudre des problèmes complexes et simplifier des tâches difficiles. Une IA axée sur l’abstraction peut réduire la complexité d’accès à la DeFi, tant pour les nouveaux venus que pour les traders expérimentés.
Dans le domaine blockchain, une solution IA efficace devrait pouvoir :
-
Exécuter automatiquement des transactions et opérations de mise en jeu multi-étapes, sans que l’utilisateur ait besoin de connaissances techniques ;
-
Réaliser des recherches en temps réel, fournissant à l’utilisateur toutes les informations nécessaires pour prendre des décisions éclairées ;
-
Extraire des données de différentes plateformes, identifier des opportunités de marché et offrir une analyse complète.
La plupart de ces outils reposent actuellement sur ChatGPT. Bien qu’une intégration transparente avec la blockchain soit nécessaire, aucun modèle à ma connaissance n’a été spécifiquement entraîné ou adapté aux données blockchain.
Le fondateur de Griffain, Tony, a présenté ce concept lors d’un hackathon Solana. Il a ensuite transformé cette idée en un produit fonctionnel, obtenant le soutien et la reconnaissance d’Anatoly, le fondateur de Solana.
En bref, griffain est actuellement le premier et le plus performant agent IA abstrait sur Solana, capable d’exécuter des swaps, de gérer des portefeuilles, de frapper des NFT et de sniffer des tokens.
Fonctionnalités offertes par griffain :
-
Exécuter des transactions en langage naturel
-
Émettre des jetons via pumpfun, frapper des NFT, et choisir des adresses pour des airdrops
-
Coordination multi-agent
-
L’agent peut publier des tweets au nom de l’utilisateur
-
Sniffer de nouveaux memecoins sur pumpfun selon des mots-clés ou critères spécifiques
-
Mettre en œuvre des stratégies de staking, d’automatisation et de farming
-
Planifier des tâches : l'utilisateur fournit une instruction, créant un agent personnalisé
-
Analyser le marché à partir de données récupérées, par exemple identifier la distribution des détenteurs de jetons
Bien que griffain propose de nombreuses fonctionnalités, l’utilisateur doit encore saisir manuellement l’adresse du jeton ou fournir des instructions précises. Ainsi, pour les débutants peu familiers avec ces commandes techniques, le produit laisse encore place à l’amélioration.
Jusqu’à présent, griffain propose deux types d’agents IA : agents personnels et agents spécialisés.
Un agent personnel est contrôlé par l’utilisateur. Ce dernier peut personnaliser les instructions et configurer la mémoire pour adapter l’agent à ses besoins.
Les agents spécialisés sont conçus pour des tâches spécifiques. Par exemple, un « agent airdrop » est entraîné pour localiser des adresses et distribuer des jetons à des détenteurs ciblés, tandis qu’un « agent staking » est programmé pour miser SOL ou d’autres actifs dans des pools afin d’appliquer des stratégies de minage.
Le système de collaboration multi-agent de Griffain est une caractéristique marquante : plusieurs agents peuvent travailler ensemble dans une même salle de discussion, agissant indépendamment tout en maintenant une coordination efficace.
▲ Source : https://griffain.com
Après création du compte, un portefeuille est généré. L’utilisateur peut déléguer ce compte à l’agent, lui permettant d’exécuter des transactions et gérer le portefeuille de manière autonome.
La clé est divisée via Shamir Secret Sharing, garantissant que ni Griffain ni Privy ne peuvent contrôler le portefeuille. Selon Slate, SSS fonctionne en scindant la clé en trois parties :
-
Partage du dispositif : stocké dans le navigateur, récupéré lors de l’ouverture de l’onglet
-
Partage d’autorisation : stocké sur les serveurs de Privy, récupéré lors de la vérification et de la connexion à l’application
-
Partage de récupération : stocké de manière chiffrée sur les serveurs de Privy, uniquement déchiffrable lorsque l’utilisateur saisit son mot de passe pour accéder à l’onglet
En outre, l’utilisateur peut choisir d’exporter ou de supprimer son portefeuille depuis l’interface de griffain.
Anon a été fondé par Daniele Sesta, connu pour avoir créé le protocole DeFi Wonderland et MIM (Magic Internet Money). Comme Griffain, Anon vise à simplifier l’interaction des utilisateurs avec la DeFi.
Bien que l’équipe ait annoncé certaines fonctionnalités futures, le produit n’étant pas encore public, aucune n’a été validée. Parmi elles :
-
Exécution de transactions en langage naturel (multilingue, y compris le chinois)
-
Bridging multichaînes via LayerZero
-
Emprunt et dépôt auprès de protocoles partenaires comme Aave, Sparks, Sky et Wagmi
-
Accès à des données et prix en temps réel via Pyth
-
Exécution automatique déclenchée par heure ou prix du gaz
-
Analyse de marché en temps réel : détection de sentiment, analyse de profils sociaux, etc.
Outre ses fonctionnalités principales, Anon prend en charge plusieurs modèles IA, dont Gemma, Llama 3.1, Llama 3.3, Vision, Pixtral et Claude. Ces modèles pourraient fournir des analyses de marché pertinentes, aidant les utilisateurs à gagner du temps et à prendre de meilleures décisions — un avantage précieux dans un marché où de nouveaux jetons d’une capitalisation de 100 millions de dollars apparaissent quotidiennement.
Le portefeuille peut être exporté ou l'autorisation révoquée, mais les détails spécifiques de la gestion des clés et des protocoles de sécurité n’ont pas encore été publiés.
En dehors des fonctionnalités centrales, Anon prend en charge divers modèles IA, notamment Gemma, Llama 3.1, Llama 3.3, Vision, Pixtral et Claude.
Récemment, Daniele a publié deux mises à jour concernant Anon :
-
Cadre Automate :
Un framework TypeScript permettant à davantage de projets de s’intégrer rapidement à Anon. Ce cadre exigera que toutes les données et interactions suivent une structure prédéfinie, réduisant ainsi le risque d’hallucinations de l’IA et améliorant sa fiabilité.
-
Gemma :
Un agent de recherche capable de collecter des données en temps réel à partir d’indicateurs DeFi on-chain (comme TVL, volume, taux de financement Prepdex) et de sources off-chain (Twitter, Telegram), afin d’effectuer une analyse de sentiment social. Ces données seront converties en alertes d’opportunités et en insights personnalisés pour les utilisateurs.
D’après la documentation, Anon devient l’un des outils d’abstraction les plus attendus et les plus puissants du secteur — un atout inestimable dans un marché où de nouveaux jetons d’un milliard de capitalisation apparaissent chaque jour.
Soutenu par BigBrain Holdings, Slate se positionne comme une « IA Alpha », capable d’exécuter des transactions autonomes basées sur des signaux on-chain. À ce jour, Slate est le seul agent d’abstraction IA capable d’exécuter des transactions automatiquement sur Hyperliquid.
Slate privilégie le routage des prix, l’exécution rapide et simule les transactions avant leur validation. Ses principales fonctionnalités incluent :
-
Swap multichaînes entre EVM et Solana
-
Transactions automatisées basées sur prix, capitalisation, frais de gaz et indicateurs P&L
-
Planification de tâches en langage naturel
-
Agrégation des transactions on-chain
-
Système de notifications Telegram
-
Capacité à ouvrir des positions longues/courtes, les liquider sous conditions, gérer le LP + mining, y compris sur Hyperliquid
La structure tarifaire se décompose en deux catégories :
-
Opérations standard : Slate ne facture pas les transferts ou retraits standards, mais prélève 0,35 % sur les opérations de swap, bridging, claim, emprunt, remboursement, staking, unstaking, long/short, lock/unlock.
-
Opérations conditionnelles : si des ordres conditionnels (ex. ordres à cours limité) sont définis, Slate facture 0,25 % pour les conditions liées au gaz, et 1,00 % pour toutes les autres conditions.
Côté portefeuille, Slate intègre l’architecture de portefeuille embarqué de Privy, garantissant que ni Slate ni Privy ne détiennent le portefeuille utilisateur. L’utilisateur peut connecter son propre portefeuille ou autoriser l’agent à exécuter des transactions en son nom.
▲ Source : https://docs.slate.ceo
Comparaison des principaux agents d’abstraction IA :
▲ Source : IOSG Venture
Actuellement, la plupart des outils d’abstraction IA prennent en charge les swaps multichaînes et le bridging entre Solana et les chaînes EVM. Slate offre une intégration avec Hyperliquid, tandis que Neur et Griffin ne supportent pour l’instant que Solana, bien que des ajouts multichaînes soient attendus prochainement.
La majorité des plateformes intègrent des portefeuilles embarqués Privy et des portefeuilles EOA, permettant aux utilisateurs de gérer eux-mêmes leurs fonds, tout en autorisant l’agent à exécuter certaines transactions. Cela ouvre la voie au TEE (environnement d'exécution fiable) pour garantir l’intégrité des systèmes IA.
Bien que la plupart des outils partagent des fonctionnalités comme l’émission de jetons, l’exécution de transactions et les ordres en langage naturel, leurs performances varient fortement.
Au niveau produit, nous en sommes encore aux balbutiements de l’IA d’abstraction. En comparant les cinq projets mentionnés ci-dessus, Griffin se distingue par sa richesse fonctionnelle, son vaste réseau de partenariats et son système de collaboration multi-agent (Orbit est un autre projet supportant cette fonctionnalité). Anon brille par sa réactivité, son support multilingue et son intégration Telegram, tandis que Slate tire parti de sa plateforme d’automatisation sophistiquée et est le seul agent compatible avec Hyperliquid.
Cependant, même parmi les meilleurs agents d’abstraction, certains rencontrent encore des difficultés pour des opérations de base comme un swap USDC, par exemple en n’obtenant pas correctement l’adresse du jeton ou le prix, ou en ne détectant pas les tendances de marché récentes. Le temps de réponse, la précision et la pertinence des résultats restent des facteurs clés différenciant les performances des modèles. À l’avenir, nous espérons collaborer avec les équipes pour développer un tableau de bord transparent traquant en temps réel les performances de tous les agents d’abstraction IA.
2 Optimisation autonome des rendements et gestion de portefeuille
Contrairement aux stratégies traditionnelles de rendement, les protocoles de ce secteur utilisent l’IA pour analyser les données on-chain, effectuer des analyses de tendance, et fournir des informations permettant d’élaborer de meilleures stratégies d’optimisation et d’allocation de portefeuille.
Pour réduire les coûts, les modèles sont généralement entraînés sur des sous-réseaux Bittensor ou hors chaîne. Afin que l’IA puisse exécuter des transactions de manière autonome, des méthodes de vérification telles que les ZKP (preuves à connaissance nulle) sont utilisées pour garantir l’honnêteté et la vérifiabilité du modèle. Voici quelques exemples de protocoles DeFai axés sur l’optimisation des rendements :
T3AI est un protocole de prêt non pleinement couvert, utilisant l’IA comme intermédiaire et moteur de risque. Son agent IA surveille en temps réel la santé des prêts et assure leur solvabilité via le cadre d’indicateurs de risque de T3AI. En outre, l’IA analyse les relations entre différents actifs et leurs tendances de prix pour fournir des prévisions de risque précises. Plus précisément, l’IA de T3AI :
-
Analyse les données de prix provenant des principaux CEX et DEX ;
-
Mesure la volatilité des différents actifs ;
-
Étudie les corrélations et interdépendances entre les prix des actifs ;
-
Détecte des motifs cachés dans les interactions entre actifs.
L’IA recommande aux utilisateurs des stratégies optimales de configuration de portefeuille, et pourrait potentiellement assurer une gestion autonome complète du portefeuille après réglages du modèle. En outre, T3AI garantit la vérifiabilité et la fiabilité de toutes les opérations grâce aux preuves ZK et à un réseau de validateurs.
▲ Source : https://www.trustinweb3.xyz/
Kudai est un agent expérimental au sein de l’écosystème GMX, développé par le GMX Blueberry Club à l’aide du kit EmpyrealSDK. Son jeton est actuellement coté sur le réseau Base.
L’idée derrière Kudai est d’utiliser tous les frais de transaction générés par $KUDAI pour financer des opérations commerciales autonomes menées par un agent, redistribuant les profits aux détenteurs de jetons.
Lors de la prochaine phase (2/4), Kudai pourra interpréter le langage naturel sur Twitter :
-
Acheter et staker $GMX pour générer de nouveaux flux de revenus ;
-
Investir dans le pool GM de GMX pour augmenter encore les rendements ;
-
Acheter des NFT GBC au prix le plus bas pour diversifier le portefeuille.
Après cette phase, Kudai deviendra entièrement autonome, capable d’exécuter indépendamment des opérations de levier, des arbitrages et de percevoir des rendements sur actifs (intérêts). L’équipe n’a pas communiqué davantage d’informations.
Sturdy Finance est un agrégateur de prêt et de rendements utilisant un modèle d’IA entraîné par les mineurs du sous-réseau SN10 de Bittensor, afin d’optimiser les rendements en transférant des fonds entre différents pools approuvés (silo).
Sturdy adopte une architecture en deux couches : des pools d’actifs isolés (silo pools) et une couche agrégatrice (aggregator layer) :
-
Pools d’actifs isolés (Silo Pools)
Il s’agit de pools uniques par actif, où les utilisateurs ne peuvent emprunter ou prêter qu’un seul type d’actif.
-
Couche agrégatrice (Aggregator Layer)
Basée sur Yearn V3, cette couche attribue les actifs des utilisateurs aux silos approuvés selon leur taux d’utilisation et leur rendement. Le sous-réseau Bittensor fournit à l’agrégateur la meilleure stratégie d’allocation. Lorsqu’un utilisateur dépose des actifs dans l’agrégateur, il n’est exposé qu’au type de collatéral choisi, évitant ainsi tout risque lié aux autres pools ou actifs.
▲ Source : https://sturdy.finance
À la date de rédaction de cet article, la TVL de Sturdy V2 est en baisse depuis mai 2024, avec une TVL d’environ 3,9 millions de dollars dans l’agrégateur, représentant 29 % de la TVL totale du protocole.
Depuis septembre 2024, le nombre d’utilisateurs actifs quotidiens de Sturdy reste en dessous de 100, avec pxETH et crvUSD comme principaux actifs empruntés/déposés. La performance du protocole a nettement stagné ces derniers mois. L’intégration de l’IA semble viser à relancer sa croissance.
▲ Source : https://dune.com/tk-research/sturdy-v2
3 Agents d’analyse de marché
Aixbt
Aixbt est un agent de suivi de l’humeur du marché, qui agrège et analyse les données de plus de 400 influenceurs Twitter. Grâce à son moteur propriétaire, AixBT identifie les tendances en temps réel et publie des observations de marché 24h/24.
Parmi les agents IA existants, AixBT détient une part notable de 14,76 % de l’attention du marché, ce qui en fait l’un des agents les plus influents de l’écosystème.
▲ Source : Kaito.com
Conçu pour l’interaction sociale, les publications d’Aixbt reflètent directement les centres d’intérêt du marché.
Ses fonctionnalités vont au-delà de la simple diffusion d’informations (alpha) : elles incluent aussi l’interactivité. AixBT peut répondre aux questions des utilisateurs et même lancer des jetons via Twitter en utilisant des outils spécialisés. Par exemple, le jeton $CHAOS a été créé conjointement par AixBT et un autre bot interactif, Simi, à l’aide du kit @EmpyrealSDK.
À ce jour, les utilisateurs détenant 600 000 jetons $AIXBT (d’une valeur d’environ 240 000 dollars) ont accès à sa plateforme d’analyse et à son terminal.
4 Infrastructure et plateformes décentralisées d’IA
L’existence d’agents Web3 IA repose sur un support d’infrastructure décentralisée. Ces projets fournissent non seulement le soutien pour l’entraînement et l’inférence des modèles, mais aussi des données, des méthodes de validation et des couches de coordination pour stimuler le développement d’agents IA.
Que ce soit en Web2 ou en Web3, les modèles, la puissance de calcul et les données restent les trois piliers fondamentaux du développement des grands modèles linguistiques (LLM) et des agents IA. Des modèles open source entraînés de manière décentralisée seront privilégiés par les développeurs d’agents, car cela élimine totalement les risques liés à la centralisation et ouvre la voie à une IA véritablement appartenant à ses utilisateurs. Les développeurs n’auront plus à dépendre des API de LLM des géants Web2 comme Google, Meta ou OpenAI.
Voici le schéma d’infrastructure IA réalisé par Pinkbrains :
▲ Source : Pink Brains
Des institutions pionnières telles que Nous Research, Prime Intellect et Exo Labs repoussent les limites de l’entraînement décentralisé.
L’algorithme Distro de Nous Research et l’algorithme DiLoco de Prime Intellect ont réussi à entraîner des modèles de plus de 10 milliards de paramètres dans des environnements à faible bande passante, prouvant qu’un entraînement à grande échelle est possible en dehors des systèmes centralisés. Exo Labs va plus loin avec son algorithme SPARTA de formation distribuée, réduisant la communication entre GPU de plus de 1 000 fois.
Bagel vise à devenir un HuggingFace décentralisé, offrant aux développeurs IA des modèles et des données, tout en résolvant via la cryptographie les problèmes d’attribution et de monétisation des données open source. Bittensor, quant à lui, crée un marché concurrentiel où les participants contribuent à la puissance de calcul, aux données et à l’intelligence, accélérant ainsi le développement de modèles et d’agents IA.
Beaucoup pensent qu’AixBT s’est distingué dans la catégorie des agents utilitaires grâce à son accès à un jeu de données de haute qualité.
Des fournisseurs comme Grass, Vana, Sahara, Space and Time et Cookie DAOs proposent des données de haute qualité, spécifiques à un domaine, ou permettent aux développeurs d’IA d’accéder à des « jardins clos » de données, renforçant ainsi leurs capacités. En exploitant plus de 2,5 millions de nœuds, Grass extrait quotidiennement jusqu’à 300 téraoctets de données.
Actuellement, Nvidia ne peut entraîner son modèle vidéo que sur 20 millions d’heures de vidéos, tandis que le jeu de données vidéo de Grass est 15 fois plus grand (300 millions d’heures), et croît de 4 millions d’heures par jour — soit 20 % du jeu de données total de Nvidia collecté chaque jour par Grass. Autrement dit, Grass obtient en seulement 5 jours autant de données que l’ensemble du jeu de données vidéo de Nvidia.
Sans ressources de calcul, les agents ne peuvent fonctionner. Les marchés de puissance de calcul comme Aethir et io.net, en agrégeant divers GPU, offrent aux développeurs d’agents des choix économiques et efficaces. Le marché GPU décentralisé d’Hyperbolic réduit les coûts de calcul jusqu’à 75 %, tout en hébergeant des modèles IA open source et en offrant une latence comparable aux fournisseurs cloud Web2.
En lançant AgentKit, Hyperbolic renforce davantage son marché GPU et ses services cloud. AgentKit est une interface puissante permettant aux agents IA d’accéder pleinement au réseau GPU décentralisé d’Hyperbolic. Doté d’une carte lisible par l’IA des ressources de calcul, il peut scanner en temps réel la disponibilité, les spécifications, la charge actuelle et les performances détaillées des ressources.
AgentKit ouvre une ère révolutionnaire où les agents peuvent indépendamment obtenir la puissance de calcul dont ils ont besoin et payer les frais associés.
Grâce à son mécanisme innovant de Proof of Sample, Hyperbolic garantit que chaque interaction d’inférence dans l’écosystème est vérifiée, posant ainsi les bases de la confiance dans le futur monde des agents.
Cependant, la vérification ne résout qu’une partie du problème de confiance autour des agents autonomes. Un autre aspect concerne la protection de la vie privée, domaine dans lequel excelle l’infrastructure TEE (environnement d’exécution fiable), comme Phala, Automata et Marlin. Par exemple, les données ou modèles propriétaires utilisés par ces agents IA peuvent être protégés de manière sécurisée.
En réalité, un agent véritablement autonome ne peut fonctionner pleinement sans TEE, car ce dernier est essentiel pour protéger les informations sensibles, comme les clés privées de portefeuille, empêcher les accès non autorisés, ou assurer la sécurité des comptes Twitter.
Le TEE isole les données sensibles dans un « secure enclave » protégé du processeur (CPU/GPU). Seul le code du programme autorisé peut accéder à ce compartiment, tandis que les fournisseurs de cloud, développeurs, administrateurs ou autres composants matériels n’y ont aucun accès.
Le TEE est principalement utilisé pour exécuter des contrats intelligents, notamment dans des protocoles DeFi traitant des données financières sensibles. Son intégration à DeFai inclut donc des cas d’usage traditionnels tels que :
-
Confidentialité des transactions : le TEE peut masquer les détails d’une transaction, comme les adresses de l’expéditeur et du destinataire ou le montant. Des plateformes comme Secret Network et Oasis utilisent le TEE pour protéger la confidentialité dans les applications DeFai, permettant des paiements privés.
-
Résistance au MEV : en exécutant les contrats intelligents dans un TEE, les constructeurs de blocs ne peuvent pas accéder aux informations de transaction, empêchant ainsi les attaques de frontrunning génératrices de MEV. Flashbots utilise le TEE pour développer BuilderNet, un réseau décentralisé de construction de blocs réduisant les risques de censure liés aux constructeurs centralisés. Des chaînes comme Unichain et Taiko utilisent aussi le TEE pour améliorer l’expérience utilisateur.
Ces fonctionnalités sont également applicables à des solutions alternatives comme ZKP ou MPC. Toutefois, le TEE est actuellement la solution la plus efficace pour exécuter des contrats intelligents parmi les trois, simplement parce qu’elle repose sur du matériel.
Côté agents, le TEE offre plusieurs capacités :
-
Automatisation : le TEE permet de créer un environnement opérationnel indépendant pour l’agent, garantissant que l’exécution de ses stratégies ne subisse aucune interférence humaine. Cela assure que les décisions d’investissement reposent entièrement sur la logique autonome de l’agent.
-
Le TEE permet aussi à l’agent de contrôler des comptes de médias sociaux, garantissant que ses déclarations publiques sont indépendantes et non influencées, évitant ainsi tout soupçon de promotion publicitaire. Phala collabore avec l’équipe ai16Z pour permettre à Eliza de fonctionner efficacement dans un environnement TEE.
-
Vérifiabilité : il est possible de vérifier si l’agent utilise bien le modèle promis et produit des résultats valides. Automata et Brevis collaborent pour développer cette fonctionnalité.
Avec l’arrivée croissante d’agents spécialisés dans des cas d’usage spécifiques (DeFi, jeux, investissement, musique, etc.), une meilleure collaboration et une communication fluide entre agents deviennent cruciales.
Des infrastructures pour cadres d’agents en essaim (swarm) ont émergé pour pallier les limites des agents monolithiques. L’intelligence collective permet aux agents de coopérer comme une équipe, combinant leurs compétences pour atteindre des objectifs communs. La couche de coordination abstrait la complexité, facilitant la collaboration sous objectifs et incitations partagés.
Plusieurs entreprises Web3 comme Theoriq, FXN et Questflow s’engagent dans cette direction. Parmi elles, Theoriq, lancé initialement en 2022 sous le nom ChainML, est celui qui poursuit cet objectif depuis le plus longtemps, avec pour vision de devenir la couche fondamentale universelle de l’IA agent.
Pour y parvenir, Theoriq gère au niveau inférieur l’enregistrement des agents, les paiements, la sécurité, le routage, la planification et la gestion. Il connecte offre et demande, propose une plateforme intuitive de création d’agents appelée Infinity Studio, permettant à quiconque de déployer son propre agent, ainsi qu’Infinity Hub, un marché où les clients peuvent explorer tous les agents disponibles. Dans son système d’essaim, un agent méta sélectionne les agents les plus adaptés à une tâche donnée, créant des « essaims » (swarms) pour atteindre des buts communs, tout en traquant la réputation et la contribution pour maintenir qualité et responsabilité.
Le jet
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
IOSG Ventures
