IA + Web3 : la tour et la place
TechFlow SélectionTechFlow Sélection
IA + Web3 : la tour et la place
Alors que les tours deviennent de plus en plus hautes et que les décideurs derrière les scènes se restreignent, la centralisation de l'IA entraîne de nombreux risques. Comment la foule rassemblée sur la place peut-elle éviter l'ombre portée par ces tours ?
Dédié à des analyses Web3 approfondiesRédaction : Coinspire
TL;DR :
-
Les projets Web3 axés sur l'IA attirent massivement les capitaux sur les marchés primaires et secondaires.
-
Les opportunités du Web3 dans le secteur de l'IA se manifestent par l'utilisation d'incitations distribuées pour coordonner une offre potentielle fragmentée —— couvrant données, stockage et calcul ; tout en créant un modèle open source ainsi qu'un marché décentralisé pour les agents IA.
-
Dans le secteur Web3, les principaux usages de l'IA concernent la finance blockchain (paiements cryptographiques, transactions, analyse de données) et l'aide au développement.
-
L'utilité combinée de l'IA et du Web3 réside dans leur complémentarité : le Web3 pourrait contrer la centralisation de l'IA, tandis que l'IA pourrait aider le Web3 à sortir de sa niche.
Introduction
Ces deux dernières années, le développement de l’IA a semblé s’accélérer brusquement. Ce phénomène, déclenché par ChatGPT, n’a pas seulement ouvert une nouvelle ère de l’intelligence artificielle générative, mais a également provoqué un mouvement profond dans l’univers opposé du Web3.
Sous l’effet du concept d’IA, le financement du marché des cryptomonnaies, autrement ralenti, connaît un net rebond. Selon les médias, rien qu’au premier semestre 2024, 64 projets combinant Web3 et IA ont levé des fonds. L’OS basé sur l’IA, Zyber365, a notamment levé jusqu’à 100 millions de dollars lors de son tour de série A.
Le marché secondaire est encore plus dynamique. Selon Coingecko, site d’agrégation cryptographique, la capitalisation totale du secteur IA atteint désormais 48,5 milliards de dollars, avec un volume de transaction sur 24 heures proche de 8,6 milliards de dollars. Les avancées majeures dans les technologies IA ont clairement eu un impact positif : après la sortie du modèle de génération vidéo à partir de texte Sora par OpenAI, le prix moyen des actifs du secteur IA a augmenté de 151 %. L’effet « IA » s’étend même aux MemeCoins, un pôle attractif du marché cryptographique : GOAT, premier MemeCoin associé à un agent IA, s’est rapidement fait connaître et a atteint une valorisation de 1,4 milliard de dollars, déclenchant ainsi une vague d’enthousiasme autour des « AI Memes ».
Les recherches et discussions autour de la combinaison IA+Web3 sont elles aussi très animées. Des sujets comme l’IA+DePin, les MemeCoins liés à l’IA, jusqu’aux agents IA et DAO IA d’actualité, illustrent une rotation narrative si rapide que l’euphorie FOMO peine à suivre.
La combinaison IA+Web3, terme chargé d’argent facile, de tendances et d’illusions futures, est souvent perçue comme un mariage arrangé par le capital. Difficile alors de distinguer sous ce fastueux manteau si nous sommes face à un terrain de jeu pour spéculateurs ou bien à la veille d’une explosion prometteuse ?
Pour répondre à cette question, il faut se demander si chacune des deux technologies peut tirer bénéfice de l’autre. Peut-elle améliorer son propre fonctionnement grâce à l’autre ? Dans cet article, nous tenterons, en nous appuyant sur les travaux antérieurs, d’analyser cette synergie : comment le Web3 peut-il jouer un rôle à chaque niveau de la pile technologique de l’IA, et quels nouveaux souffles l’IA peut-elle apporter au Web3 ?
Quelles opportunités pour le Web3 dans la pile technologique de l’IA ?
Avant d’aborder ce sujet, comprenons d’abord la pile technologique des grands modèles d’IA :
Source : Delphi Digital
En termes simples, « le grand modèle » ressemble au cerveau humain. À ses débuts, ce cerveau évoque un nouveau-né qui doit observer et absorber une masse d’informations externes pour comprendre le monde — c’est la phase de « collecte » des données. Comme les ordinateurs ne disposent pas des sens humains (vue, ouïe, etc.), avant l’entraînement, les grandes quantités d’informations non étiquetées doivent être « prétraitées » afin d’être converties dans un format compréhensible et utilisable par l’ordinateur.
Après avoir reçu les données, l’IA « entraîne » un modèle doté de capacités de compréhension et de prédiction, processus similaire à l’apprentissage progressif d’un nourrisson. Les paramètres du modèle évoluent comme la capacité linguistique d’un enfant en apprentissage. Lorsque l’apprentissage se spécialise ou que des retours humains permettent des corrections, on entre dans la phase de « fine-tuning » du grand modèle.
Une fois l’enfant grandi et capable de parler, il peut comprendre les conversations et exprimer ses sentiments et pensées. Cette étape correspond à la « inférence » du grand modèle d’IA, où le modèle peut analyser et prédire de nouvelles entrées textuelles ou linguistiques. Grâce à sa capacité linguistique, l’enfant décrit des objets, exprime ses émotions et résout des problèmes, tout comme le grand modèle d’IA, après son entraînement, applique ses compétences en inférence à des tâches spécifiques telles que la classification d’images ou la reconnaissance vocale.
Un Agent IA représente une évolution ultérieure du grand modèle : capable d’exécuter indépendamment des tâches complexes, possédant non seulement des capacités cognitives, mais aussi de la mémoire, de la planification, et pouvant utiliser des outils pour interagir avec le monde.
Actuellement, face aux défis rencontrés par l’IA à chaque niveau de sa pile technologique, le Web3 a commencé à former un écosystème multilatéral et interconnecté, couvrant toutes les phases du cycle des modèles IA.
I. Couche fondamentale : Airbnb du calcul et des données
Calcul
Actuellement, l’un des coûts les plus élevés de l’IA réside dans la puissance de calcul et l’énergie nécessaires à l’entraînement et à l’inférence des modèles.
Par exemple, l’entraînement de LLAMA3 par Meta nécessite 16 000 GPU H100 fabriqués par NVIDIA (des unités graphiques haut de gamme conçues pour l’intelligence artificielle et le calcul haute performance), pendant 30 jours. Le prix unitaire de la version 80 Go varie entre 30 000 et 40 000 dollars, impliquant un investissement matériel de 400 à 700 millions de dollars (GPU + puces réseau). De plus, l’entraînement mensuel consomme environ 1,6 milliard de kWh, représentant près de 20 millions de dollars de dépenses énergétiques par mois.
La réponse du Web3 à cette pression sur les ressources de calcul constitue l’un des premiers points de convergence entre Web3 et IA : les réseaux DePin (infrastructures physiques décentralisées). Actuellement, le site DePin Ninja référence plus de 1 400 projets, dont io.net, Aethir, Akash et Render Network, leaders dans le partage de puissance GPU.
Le principe est simple : la plateforme permet à des individus ou entités disposant de ressources GPU inutilisées de contribuer de manière décentralisée et sans autorisation préalable à la mise à disposition de leur puissance de calcul. À la manière d’Uber ou Airbnb, via un marché en ligne entre acheteurs et vendeurs, cette approche augmente l’utilisation des ressources GPU sous-exploitées, offrant ainsi aux utilisateurs finaux des ressources informatiques efficaces à moindre coût. Par ailleurs, un mécanisme de mise en gage pénalise les fournisseurs de ressources en cas de non-respect des normes de qualité ou d’interruption du réseau.
Ses caractéristiques principales sont :
-
Rassembler des ressources GPU inutilisées : les fournisseurs proviennent principalement de petits et moyens centres de données tiers, d’exploitations minières cryptographiques, ou de matériel minier PoS (preuve d’enjeu) tel que FileCoin ou les machines minières ETH. Certains projets abaissent encore davantage le seuil d’entrée, comme exolab qui utilise des appareils locaux (MacBook, iPhone, iPad) pour créer un réseau de calcul destiné à l’inférence de grands modèles.
-
Se concentrer sur le segment longue traîne du marché du calcul IA : a. du point de vue technique, les marchés de calcul décentralisés conviennent mieux aux phases d’inférence. L’entraînement dépend fortement de clusters massifs de GPU pour traiter les données, tandis que l’inférence requiert moins de puissance GPU. Ainsi, Aethir se concentre sur le rendu à faible latence et les applications d’inférence IA. b. du point de vue de la demande, les besoins en calcul de petite et moyenne taille ne justifient pas l’entraînement d’un grand modèle maison. Ces utilisateurs optimisent ou ajustent plutôt quelques grands modèles dominants, scénarios naturellement adaptés aux ressources distribuées et inutilisées.
-
Propriété décentralisée : la technologie blockchain garantit que les propriétaires conservent toujours le contrôle de leurs ressources, peuvent les ajuster selon leurs besoins et percevoir des revenus.
Données
Les données sont le socle de l’IA. Sans données, le calcul devient futile, comme une plante flottante privée de racines. La relation entre données et modèle suit le principe bien connu « garbage in, garbage out » : la quantité et la qualité des données en entrée déterminent directement la qualité de la sortie du modèle. Pour les modèles IA actuels, les données influencent leurs compétences linguistiques, leur compréhension, voire leurs valeurs et leur comportement humain. Actuellement, les difficultés liées aux données pour l’IA se concentrent sur quatre aspects :
-
Faim de données : l’entraînement des modèles IA repose sur d’énormes volumes de données. Selon des sources publiques, GPT-4 d’OpenAI aurait atteint un niveau de paramètres de l’ordre du trillion.
-
Qualité des données : avec l’intégration croissante de l’IA dans divers secteurs, la fraîcheur, la diversité, l’expertise sectorielle des données et l’absorption de nouvelles sources (comme les émotions sur les réseaux sociaux) posent de nouveaux défis qualitatifs.
-
Problèmes de confidentialité et conformité : les États et entreprises prennent conscience de la valeur des jeux de données de qualité et commencent à restreindre leur extraction.
-
Coût élevé du traitement des données : les volumes sont importants et les processus complexes. D’après des données publiques, plus de 30 % des dépenses de R&D des sociétés IA sont consacrées à la collecte et au traitement de données de base.
Actuellement, les solutions Web3 se concentrent sur quatre axes :
1. Collecte de données : les données gratuites disponibles dans le monde réel sont en train de s’épuiser rapidement, et les dépenses des entreprises IA pour acquérir des données augmentent année après année. Pourtant, ces paiements ne profitent pas aux véritables contributeurs. Les plateformes s’approprient intégralement la valeur créée par les données, comme Reddit qui a généré 203 millions de dollars grâce à des accords de licence de données avec des entreprises IA.
Permettre aux utilisateurs contributeurs de participer à la création de valeur issue des données, et obtenir à moindre coût des données plus personnelles et précieuses via des réseaux distribués et des mécanismes d’incitation, constitue la vision du Web3.
-
Grass est une couche et un réseau décentralisés de données : les utilisateurs installent un nœud Grass, partagent leur bande passante inutilisée et relaient du trafic pour capturer en temps réel des données issues d’Internet entier, et reçoivent en retour des jetons.
-
Vana introduit le concept de « pool de liquidité des données » (DLP) : les utilisateurs peuvent télécharger leurs données personnelles (historiques d’achats, habitudes de navigation, activités sociales, etc.) vers un DLP spécifique, et choisir librement d’autoriser ou non leur utilisation par des tiers.
-
Dans PublicAI, les utilisateurs peuvent collecter des données en publiant sur X avec les hashtags #AI ou #Web3 et en mentionnant @PublicAI.
2. Prétraitement des données : durant le traitement des données en IA, celles-ci sont souvent bruitées ou contiennent des erreurs. Elles doivent donc être nettoyées et transformées en format exploitable avant l’entraînement, incluant des tâches répétitives comme la standardisation, le filtrage et la gestion des valeurs manquantes. Cette phase, l’une des rares à nécessiter encore une intervention humaine dans l’industrie IA, a donné naissance au métier d’« annotateur de données ». Avec l’élévation des exigences de qualité, le seuil d’entrée monte, ce qui rend naturellement cette tâche compatible avec les mécanismes d’incitation décentralisés du Web3.
-
Actuellement, Grass et OpenLayer envisagent tous deux d’intégrer cette étape cruciale d’annotation.
-
Synesis propose le concept de « Train2earn », mettant l’accent sur la qualité des données : les utilisateurs sont récompensés pour avoir fourni des données annotées, des commentaires ou autres formes d’entrée.
-
Le projet Sapien transforme les tâches d’annotation en jeu et incite les utilisateurs à miser des points pour en gagner davantage.
3. Confidentialité et sécurité des données : il convient de distinguer deux notions : la confidentialité concerne le traitement des données sensibles, tandis que la sécurité protège les informations contre tout accès, destruction ou vol non autorisé. Ainsi, les avantages technologiques du Web3 en matière de confidentialité et ses applications potentielles se situent à deux niveaux : (1) Entraînement de données sensibles ; (2) Collaboration de données : plusieurs détenteurs peuvent coopérer à l’entraînement d’un modèle sans partager leurs données brutes.
Les technologies de confidentialité Web3 les plus courantes aujourd’hui sont :
-
Environnements d’exécution fiables (TEE), par exemple Super Protocol ;
-
Chiffrement homomorphe complet (FHE), par exemple BasedAI, Fhenix.io ou Inco Network ;
-
Technologies à connaissances nulles (zk), comme Reclaim Protocol utilisant la technologie zkTLS pour générer des preuves à zéro connaissance du trafic HTTPS, permettant aux utilisateurs d’importer en toute sécurité leurs activités, réputation et identité depuis des sites externes sans exposer d’informations sensibles.
Toutefois, ce domaine en est encore à ses balbutiements, et la plupart des projets sont en phase exploratoire. Un problème majeur subsiste : le coût de calcul reste trop élevé. Par exemple :
-
Le cadre zkML EZKL nécessite environ 80 minutes pour générer une preuve pour un modèle 1M-nanoGPT.
-
Selon Modulus Labs, le surcoût de zkML par rapport au calcul pur dépasse 1 000 fois.
4. Stockage des données : une fois les données collectées, il faut un lieu pour les stocker sur la blockchain, ainsi que le LLM généré à partir de ces données. Avant la mise à jour Danksharding d’Ethereum, centrée sur la disponibilité des données (DA), le débit était de 0,08 Mo. Or, l’entraînement des modèles IA et l’inférence en temps réel exigent typiquement un débit allant de 50 à 100 Go par seconde. Cet écart colossal rend les solutions blockchain actuelles incapables de supporter des applications IA intensives en ressources.
-
0g.AI est un projet emblématique dans cette catégorie. Solution centralisée de stockage optimisée pour les hautes performances de l’IA, elle se distingue par sa haute performance et son évolutivité, grâce à des techniques avancées de sharding et de codage d’effacement (erasure coding), supportant des transferts rapides de jeux de données volumineux, avec une vitesse atteignant près de 5 Go/s.
II. Middleware : entraînement et inférence du modèle
Marché décentralisé des modèles open source
Le débat sur l’ouverture ou la fermeture des modèles IA n’a jamais cessé. L’open source favorise l’innovation collective, un avantage que les modèles fermés ne peuvent égaler. Toutefois, sans modèle économique viable, comment stimuler la motivation des développeurs à maintenir des modèles open source ? C’est une question essentielle. Le fondateur de Baidu, Li Yanhong, affirmait dès avril dernier que « les modèles open source deviendront de plus en plus obsolètes ».
Le Web3 propose ici une solution possible : un marché décentralisé pour les modèles open source, consistant à tokeniser le modèle lui-même, à réserver une part de jetons à l’équipe, et à diriger une partie des futurs revenus vers les détenteurs de jetons.
-
Bittensor crée un marché pair-à-pair pour les modèles open source, composé de dizaines de « sous-réseaux ». Les fournisseurs de ressources (calcul, collecte / stockage de données, talents en apprentissage automatique) y rivalisent pour satisfaire les objectifs des propriétaires de sous-réseaux. Les sous-réseaux peuvent interagir et apprendre les uns des autres, renforçant ainsi l’intelligence globale. Les récompenses sont attribuées par vote communautaire puis redistribuées selon la performance au sein de chaque sous-réseau.
-
ORA introduit le concept d’« Initial Model Offering » (IMO), permettant de tokeniser les modèles IA, qui peuvent ensuite être achetés, vendus et développés via un réseau décentralisé.
-
Sentient, une plateforme AGI décentralisée, incite les contributeurs à collaborer, construire, reproduire et étendre des modèles IA, en récompensant leurs contributions.
-
Spectral Nova se concentre sur la création et l’application des modèles d’IA et ML.
Inférence vérifiable
Face au défi du « boîte noire » dans le processus d’inférence de l’IA, la solution Web3 standard consiste à faire répéter la même opération par plusieurs validateurs et comparer les résultats. Toutefois, en raison de la pénurie actuelle de puces haut de gamme « Nvidia », cette approche rencontre un obstacle majeur : le coût élevé de l’inférence IA.
Une solution plus prometteuse consiste à exécuter une preuve ZK (preuve à connaissance nulle, protocole cryptographique où un prouveur démontre à un vérificateur qu'une affirmation donnée est vraie sans divulguer aucune information supplémentaire) sur les calculs d’inférence IA hors chaîne, permettant ainsi une validation sans permission sur la blockchain. Cela signifie prouver cryptographiquement sur la chaîne que le calcul hors chaîne a été correctement effectué (par exemple, que le jeu de données n’a pas été altéré), tout en gardant toutes les données confidentielles.
Les principaux avantages sont :
-
Évolutivité : les preuves à zéro connaissance permettent de valider rapidement de vastes calculs hors chaîne. Même avec une augmentation du nombre de transactions, une seule preuve peut les valider toutes.
-
Protection de la vie privée : les données et détails du modèle IA restent confidentiels, tout en permettant de vérifier qu’ils n’ont pas été altérés.
-
Absence de confiance requise : aucune dépendance envers des parties centralisées pour confirmer le calcul.
-
Intégration Web2 : par définition, le Web2 est intégré hors chaîne. L’inférence vérifiable permet donc d’amener ses jeux de données et calculs IA sur la chaîne, contribuant ainsi à l’adoption du Web3.
Voici les technologies Web3 actuelles applicables à l’inférence vérifiable :
-
zkML : combine preuves à connaissance nulle et apprentissage machine pour assurer confidentialité et intimité des données et modèles, permettant des calculs vérifiables sans révéler certaines propriétés sous-jacentes. Par exemple, Modulus Labs a publié, basé sur zkML, un vérificateur ZK pour l’IA, capable de vérifier efficacement si un fournisseur IA exécute correctement ses algorithmes sur la chaîne, bien que ses clients soient majoritairement des DApp blockchain.
-
opML : utilise le principe des agrégats optimistes, en validant uniquement en cas de litige, augmentant ainsi l’évolutivité et l’efficacité des calculs ML. Dans ce modèle, seul un petit échantillon des résultats générés par le « vérificateur » est validé, mais le coût économique de la sanction est fixé suffisamment haut pour dissuader la tricherie, économisant ainsi les calculs redondants.
-
TeeML : utilise des environnements d’exécution fiables (TEE) pour exécuter en toute sécurité les calculs ML, protégeant les données et modèles contre toute altération ou accès non autorisé.
III. Couche applicative : Agents IA
Le développement actuel de l’IA montre clairement un passage du centre d’intérêt des capacités du modèle vers les Agents IA. OpenAI, le géant des grands modèles IA Anthropic, Microsoft et d’autres entreprises technologiques se tournent massivement vers le développement d’Agents IA, cherchant à franchir la phase stagnante actuelle des LLM.
OpenAI définit l’Agent IA comme un système piloté par un LLM, doté d’autonomie, de perception, de planification, de mémoire et de capacité à utiliser des outils, capable d’exécuter automatiquement des tâches complexes. Quand l’IA passe du statut d’outil utilisé à celui d’acteur utilisant des outils, elle devient un Agent IA. C’est précisément cela qui fait de l’Agent IA l’assistant intelligent idéal pour l’humain.
Que peut apporter le Web3 à l’Agent IA ?
1. Décentralisation
La décentralisation du Web3 permet de rendre les systèmes d’Agents plus dispersés et autonomes. Grâce à des mécanismes comme PoS ou DPoS, des incitations et sanctions peuvent être instaurées pour les miseurs en gage et délégataires, favorisant ainsi la démocratisation du système d’Agent. Des projets comme GaiaNet, Theoriq ou HajimeAI expérimentent déjà cette voie.
2. Démarrage à froid
Le développement et l’itération d’un Agent IA nécessitent souvent d’importantes ressources financières. Le Web3 peut aider les projets d’Agents IA prometteurs à lever des fonds précoces et à amorcer leur lancement.
-
Virtual Protocol lance fun.virtuals, une plateforme de création et d’émission de jetons pour Agents IA, permettant à tout utilisateur de déployer instantanément un Agent IA et d’émettre 100 % équitablement ses jetons.
-
Spectral propose un produit permettant d’émettre des actifs Agents IA sur la chaîne : via un IAO (Initial Agent Offering) pour émettre des jetons. L’Agent IA peut ainsi recevoir directement des fonds des investisseurs, devenir membre d’un DAO, et offrir aux investisseurs la possibilité de participer au développement du projet et de partager ses futurs bénéfices.
Comment l’IA renforce-t-elle le Web3 ?
L’impact de l’IA sur les projets Web3 est manifeste : elle bénéficie à la technologie blockchain en optimisant les opérations sur chaîne (exécution de contrats intelligents, optimisation de liquidité, décisions de gouvernance pilotées par l’IA), tout en fournissant de meilleures analyses fondées sur les données, en renforçant la sécurité sur chaîne, et en jetant les bases de nouvelles applications Web3.
I. IA et finance sur chaîne
IA et économie cryptographique
Le 31 août, Brian Armstrong, PDG de Coinbase, a annoncé la première transaction cryptographique entre IA réalisée sur le réseau Base, affirmant que les Agents IA peuvent désormais utiliser l’USD pour transiger avec des humains, des commerçants ou d’autres IA sur Base, des transactions instantanées, mondiales et gratuites.
Au-delà du paiement, Luna de Virtuals Protocol a également démontré pour la première fois la capacité d’un Agent IA à exécuter autonome ment des transactions sur chaîne, attirant l’attention et positionnant l’Agent IA, entité intelligente capable de percevoir, décider et agir, comme l’avenir de la finance sur chaîne. Actuellement, les scénarios potentiels des Agents IA incluent :
1. Collecte et prédiction d’informations : aider les investisseurs à recueillir des annonces d’échanges, des informations publiques sur les projets, les émotions de panique, les risques de réputation, analyser en temps réel la situation fondamentale des actifs et du marché, et prédire tendances et risques.
2. Gestion d’actifs : proposer aux utilisateurs des placements adaptés, optimiser les portefeuilles, exécuter automatiquement les transactions.
3. Expérience financière : aider les investisseurs à choisir le mode de transaction sur chaîne le plus rapide, automatiser les opérations manuelles comme le pont entre chaînes ou l’ajustement des frais gas, réduisant ainsi les barrières et coûts des activités financières sur chaîne.
Imaginez le scénario suivant : vous donnez l’instruction à votre Agent IA : « J’ai 1 000 USDT, aide-moi à trouver la combinaison offrant le meilleur rendement, avec un blocage ne dépassant pas une semaine ». L’Agent IA vous répondra : « Je recommande une allocation initiale de 50 % dans A, 20 % dans B, 20 % dans X, 10 % dans Y. Je surveillerai les taux et les changements de niveau de risque, et rééquilibrerai si nécessaire. » De plus, identifier des projets à potentiel de distribution gratuite (airdrop) ou des projets Memecoin ayant des communautés populaires seront bientôt des tâches réalisables par les Agents IA.
Source : Biconomy
Actuellement, le portefeuille AI Agent Bitte et le protocole d’interaction IA Wayfinder expérimentent ce type d’approche. Tous deux tentent d’intégrer l’API de modèle d’OpenAI, permettant aux utilisateurs de commander un Agent via une interface conversationnelle similaire à ChatGPT pour accomplir diverses actions sur chaîne. Par exemple, WayFinder a dévoilé en avril son premier prototype, démontrant les quatre opérations de base — swap, send, bridge et stake — sur les réseaux principaux de Base, Polygon et Ethereum.
Actuellement, la plateforme d’Agents décentralisés Morpheus prend également en charge ce type de développement. Biconomy a également démontré une opération où, sans autorisation complète du portefeuille, un Agent IA peut convertir ETH en USDC.
IA et sécurité des transactions sur chaîne
Dans le monde Web3, la sécurité des transactions sur chaîne est cruciale. La technologie IA peut renforcer la sécurité et la protection de la vie privée des transactions sur chaîne, avec des cas d’usage potentiels tels que :
Surveillance des transactions : surveillance en temps réel des activités anormales, infrastructure d’alerte instantanée pour utilisateurs et plateformes.
Analyse des risques : aider les plateformes à analyser les comportements transactionnels des clients et évaluer leur niveau de risque.
Par exemple, la plateforme de sécurité Web3 SeQure utilise l’IA pour détecter et prévenir les attaques malveillantes, les fraudes et les fuites de données, offrant un mécanisme de surveillance et d’alerte en temps réel pour garantir la sécurité et la stabilité des transactions sur chaîne. D’autres outils similaires incluent Sentinel alimenté par l’IA.
II. IA et infrastructure sur chaîne
IA et données sur chaîne
La technologie IA joue un rôle important dans la collecte et l’analyse des données sur chaîne, par exemple :
-
Web3 Analytics : une plateforme d’analyse basée sur l’IA, utilisant des algorithmes d’apprentissage machine et d’exploration de données pour collecter, traiter et analyser les données sur chaîne.
-
MinMax AI : fournit des outils d’analyse des données sur chaîne basés sur l’IA, aidant les utilisateurs à découvrir des opportunités et tendances de marché potentielles.
-
Kaito : une plateforme de recherche Web3 basée sur un moteur LLM.
-
Followin : intègre ChatGPT pour rassembler et présenter de façon cohérente les informations dispersées sur différents sites et plateformes communautaires.
-
Un autre cas d’usage concerne les oracles : l’IA peut extraire des prix de multiples sources pour fournir des données de tarification précises. Par exemple, Upshot utilise l’IA pour évaluer les prix volatils des NFT, effectuant plus d’un million d’évaluations par heure, offrant des prix de NFT avec une erreur moyenne de 3 à 10 %.
IA et développement & audit
Récemment, un éditeur de code IA Web2 nommé Cursor a attiré beaucoup d’attention chez les développeurs. Sur sa plateforme, l’utilisateur décrit simplement en langage naturel, et Cursor génère automatiquement les codes HTML, CSS et JavaScript correspondants, simplifiant considérablement le processus de développement logiciel. Cette logique s’applique également à l’amélioration de l’efficacité du développement Web3.
Actuellement, le déploiement de contrats intelligents et de DApp sur une blockchain publique nécessite généralement de respecter des langages de développement spécifiques comme Solidity, Rust, Move, etc. Bien que de nouveaux langages visent à élargir l’espace de conception des blockchains décentralisées pour mieux convenir au développement de DApp, le manque criant de développeurs Web3 rend l’éducation des développeurs particulièrement difficile.
Actuellement, les scénarios imaginables d’assistance de l’IA au développement Web3 incluent : génération automatique de code, vérification et test de contrats intelligents, déploiement et maintenance de DApp, complétion intelligente de code, assistance conversationnelle par IA pour résoudre les questions de développement. L’aide de l’IA améliore non seulement l’efficacité et la précision du développement, mais abaisse aussi le seuil d’entrée, permettant même aux non-programmeurs de transformer leurs idées en applications concrètes, injectant ainsi une nouvelle vitalité au développement des technologies décentralisées.
À ce jour, ce qui attire le plus l’attention est les plateformes de lancement instantané de jetons, comme Clanker, un « Token Bot » piloté par l’IA, conçu spécifiquement pour un déploiement rapide de jetons personnalisés. Il suffit de marquer Clanker sur un client SocialFi comme Warpcast ou Supercast sur Farcaster, de lui décrire votre idée de jeton, et il lancera votre jeton sur la blockchain Base.
Il existe aussi des plateformes de développement de contrats, comme Spectral qui propose une fonction de génération et déploiement instantanés de contrats intelligents, abaissant ainsi le seuil d’entrée du Web3, permettant même aux débutants de compiler et déployer un contrat intelligent.
En matière d’audit, la plateforme Web3 Fuzzland utilise l’IA pour aider les auditeurs à détecter les vulnérabilités du code et fournit des explications en langage naturel pour soutenir l’expertise d’audit. Fuzzland utilise également l’IA pour produire des explications en langage naturel des spécifications formelles et du code du contrat, ainsi que des exemples de code, aidant les développeurs à comprendre les problèmes potentiels dans leur code.
III. IA et nouvelles narrations Web3
L’essor de l’IA générative ouvre de nouvelles possibilités aux récits du Web3.
NFT : l’IA insuffle de la créativité aux NFT génératifs. Grâce à la technologie IA, des œuvres d’art et personnages uniques et variés peuvent être générés. Ces NFT peuvent servir de personnages, d’objets ou d’éléments de décor dans des jeux, mondes virtuels ou métavers. Par exemple, Bicasso, filiale de Binance, permet aux utilisateurs de télécharger une image, d’insérer des mots-clés, puis de générer un NFT via IA. D’autres projets similaires incluent Solvo, Nicho, IgmnAI, CharacterGPT.
GameFi : grâce aux capacités de génération de langage naturel, d’image et de PNJ intelligents de l’IA, GameFi pourrait améliorer l’efficacité et l’innovation dans la production de contenu de jeu. Par exemple, AI Hero, premier jeu sur chaîne de Binaryx, permet aux joueurs d’explorer aléatoirement différentes options narratives via IA. De même, Sleepless AI, un jeu de compagnon virtuel basé sur AIGC et LLM, permet aux joueurs de débloquer des modes de jeu personnalisés selon leurs interactions.
DAO : l’IA est également envisagée pour les DAO, afin de suivre les interactions communautaires, enregistrer les contributions, récompenser les membres les plus actifs, voter par procuration, etc. Par exemple, ai16z utilise un Agent IA pour collecter des informations de marché sur et hors chaîne, analyser le consensus communautaire, et prendre des décisions d’investissement combinant les suggestions des membres du DAO.
Signification de la combinaison IA+Web3 : la tour et la place
Au cœur de Florence, en Italie, se trouve le lieu politique le plus important de la ville ainsi que le rassemblement principal des citoyens et touristes : la place centrale. Dominant ce lieu, une tour de 95 mètres de haut, celle de l’hôtel de ville. Ce contraste vertical entre la tour et la place horizontale crée un effet dramatique et esthétique saisissant. Inspiré par cette image, le professeur d’histoire à Harvard, Neil Ferguson, dans son livre « La Place et la Tour », y voit une métaphore des réseaux et des hiérarchies à travers l’histoire mondiale, alternant domination et reflux au fil du temps.
Cette métaphore s’applique parfaitement à la relation actuelle entre IA et Web3. Si l’on observe leur histoire longue et non linéaire, on constate que la place, plus que la tour, engendre plus facilement des nouveautés et est plus créative, bien que la tour conserve sa légitimité et sa force vitale.
Dans un contexte où les grandes entreprises technologiques concentrent massivement énergie, puissance de calcul et données, l’IA déploie une imagination sans précédent. Les géants du numérique investissent lourdement, lançant tour à tour différents chatbots, puis des « grands modèles de base » comme GPT-4, GP4-4o, ainsi que des robots de programmation automatique (Devin) ou Sora, capable de simuler partiellement le monde physique. L’imagination de l’IA est amplifiée à l’infini.
Simultanément, l’IA est fondamentalement une industrie massive et centralisée. Ce changement technologique pousse encore plus haut les entreprises technologiques, déjà dominantes depuis l’ère d’Internet. Des ressources colossales en électricité, des flux de trésorerie monopolisés et des jeux de données massifs indispensables à l’ère de l’intelligence constituent des barrières encore plus hautes.
Plus la tour grandit, plus les décideurs derrière se replient sur eux-mêmes. Face à l’ombre projetée par la tour, comment la foule rassemblée sur la place peut-elle s’en libérer ? C’est précisément ce que le Web3 cherche à résoudre.
Fondamentalement, les propriétés intrinsèques de la blockchain enrichissent les systèmes d’IA et ouvrent de nouvelles perspectives, principalement :
-
« Le code est la loi » à l’ère de l’IA —— grâce aux contrats intelligents et à la validation cryptographique, des systèmes transparents et automatisés appliquent les règles, récompensant ceux dont les actions sont alignées sur les objectifs.
-
Économie de jetons —— grâce à des mécanismes de jetons, de mise en gage, de sanctions, de récompenses et de punitions, pour créer et coordonner les comportements des participants.
-
Gouvernance décentralisée —— encourage à remettre en question la provenance de l’information, adopter une approche plus critique et perspicace envers la technologie IA, prévenir les biais, la désinformation et la manipulation, et finalement cultiver une société plus informée et empowerée.
Le développement de l’IA apporte également une nouvelle vitalité au Web3. Peut-être que l’impact du Web3 sur l’IA nécessitera du temps pour être prouvé, mais l’impact de l’IA sur le Web3 est immédiat : que ce soit l’euphorie autour des MemeCoins ou la capacité des Agents IA à abaisser les barrières d’utilisation des applications sur chaîne, cela est visible.
Lorsque le Web3 est perçu comme un divertissement élitiste ou critiqué pour imiter aveuglément les industries traditionnelles, l’arrivée de l’IA lui apporte un avenir tangible : un groupe d’utilisateurs Web2 plus stable et plus nombreux, des modèles commerciaux et services plus innovants.
Nous vivons dans un monde où « tour et place » coexistent. Bien que l’IA et le Web3 aient des chronologies et des points de départ différents, ils convergent vers un même but : permettre aux machines de mieux servir l’humanité. Nul ne peut définir le cours d’un fleuve impétueux. Nous attendons avec impatience l’avenir de l’association IA+Web3.
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
