L'espace Web3-IA est ONEun des plus dynamiques du Crypto, alliant promesses et engouement. Il semble presque hérétique de souligner le nombre de projets Web3-IA dont la capitalisation boursière atteint plusieurs milliards de dollars, mais qui ne présentent aucun cas d'utilisation pratique, uniquement motivés par des arguments indirects du marché traditionnel de l'IA. Parallèlement, l'écart de capacités en IA entre le Web2 et le Web3 continue de se creuser de manière alarmante. Cependant, l'IA Web3 ne se résume pas à du battage médiatique. Les récents développements du marché de l'IA générative soulignent la valeur ajoutée des approches plus décentralisées.

Compte tenu de tous ces facteurs, nous nous trouvons face à un marché surmédiatisé et surfinancé, déconnecté de l'état actuel du secteur de l'IA générative, mais capable de générer une valeur considérable pour la prochaine vague d'IA générative. Ce sentiment de confusion est compréhensible. Si l'on prend du recul par rapport au battage médiatique et que l'on analyse l'espace Web3-IA à la lumière des besoins actuels, des domaines clairs émergent où le Web3 peut apporter une valeur substantielle. Mais cela nécessite de percer un champ de distorsion de la réalité dense.

Distorsion de la réalité Web3-AI

En tant que natifs de la Crypto , nous avons tendance à percevoir l'intérêt de la décentralisation en toutes circonstances. Cependant, l'IA est devenue une force de plus en plus centralisée en termes de données et de calcul. La proposition de valeur de l'IA décentralisée doit donc commencer par contrer cette force de centralisation naturelle.

En matière d'IA, l'écart se creuse entre la valeur que nous percevons comme étant créée par le Web 3 et les besoins du marché de l'IA. La réalité inquiétante est que l'écart entre l'IA du Web 2 et celle du Web 3 se creuse au lieu de se réduire, principalement en raison de trois facteurs clés :

Talents limités en recherche en IA

Le nombre de chercheurs en IA travaillant sur le Web3 est faible, ce qui n'est guère encourageant pour ceux qui prétendent que le Web3 représente l'avenir de l'IA.

Infrastructures contraintes

Nous T encore réussi à faire fonctionner correctement les applications web avec les backends Web3. Par conséquent, penser à l'IA est pour le moins un peu exagéré. L'infrastructure Web3 impose des contraintes de calcul impraticables pour le cycle de vie des solutions d'IA générative.

Modèles, données et ressources informatiques limités

L'IA générative repose sur trois éléments : les modèles, les données et le calcul. Aucun des grands modèles de pointe n'est compatible avec les infrastructures Web3 ; il n'existe aucune base pour de grands ensembles de données d'entraînement ; et il existe un écart de qualité considérable entre les clusters de GPU Web3 et ceux nécessaires au pré-entraînement et au réglage fin des modèles de base.

La dure réalité est que le Web3 a construit une version « pauvre » de l'IA, essayant essentiellement d'égaler les capacités de l'IA du Web2, mais en créant des versions inférieures. Cette réalité contraste fortement avec l'immense valeur ajoutée de la décentralisation dans plusieurs domaines de l'IA.

Pour éviter de faire de cette analyse une thèse abstraite, plongeons-nous dans les différentes tendances de l’IA décentralisée et évaluons-les par rapport à leur potentiel de marché de l’IA.

Sur le même sujet : Jesus Rodriguez - Financer l'IA générative open source avec la Crypto

La distorsion de la réalité dans le domaine de l'IA Web3 a conduit la première vague d'innovation et de financement à se concentrer sur des projets dont les propositions de valeur semblent déconnectées des réalités du marché de l'IA. Parallèlement, d'autres domaines émergents du domaine de l'IA Web3 recèlent un potentiel considérable.

Quelques tendances Web3-IA surfaites

Infrastructure GPU décentralisée pour la formation et le réglage fin

Ces dernières années, nous avons assisté à une explosion des infrastructures GPU décentralisées, promettant de démocratiser le pré-entraînement et le réglage fin des modèles fondamentaux. L'idée est de proposer une alternative à la monopolisation des GPU par les laboratoires d'IA existants. En réalité, le pré-entraînement et le réglage fin de modèles fondamentaux de grande taille nécessitent de vastes clusters de GPU reliés par des bus de communication ultra-rapides. Un cycle de pré-entraînement d'un modèle fondamental de 50 à 100 milliards de dollars dans une infrastructure d'IA décentralisée pourrait prendre plus d'un an, si tant est qu'il fonctionne.

Cadres ZK-AI

L'idée de combiner les calculs à divulgation nulle de connaissance (zk) et l'IA a fait émerger des concepts intéressants pour intégrer des mécanismes de Politique de confidentialité dans les modèles fondamentaux. Compte tenu de l'importance de l'infrastructure zk dans le Web3, plusieurs frameworks promettent d'intégrer le calcul zk dans les modèles fondamentaux. Bien que théoriquement attrayants, les modèles zk-IA se heurtent rapidement au défi d'un coût de calcul prohibitif lorsqu'ils sont appliqués à des modèles de grande taille. De plus, zk limitera des aspects tels que l'interprétabilité, qui est ONEun des domaines les plus prometteurs de l'IA générative.

Preuve d'inférence

La Crypto repose sur des preuves cryptographiques, parfois associées à des éléments qui n'en ont T besoin. Dans l'espace Web3-IA, on observe des exemples de frameworks générant des preuves cryptographiques de résultats de modèles spécifiques. Les défis de ces scénarios ne sont pas technologiques, mais liés au marché. En résumé, la preuve d'inférence est une sorte de solution à la recherche d'un problème, et elle ne présente aucun cas d'utilisation concret aujourd'hui.

Quelques tendances Web3-IA à fort potentiel

Agents avec portefeuilles

Les workflows agentiques constituent ONEune des tendances les plus intéressantes de l'IA générative et recèlent un potentiel considérable pour la Crypto. Par agents, nous entendons des programmes d'IA capables non seulement de répondre passivement à des questions en fonction d'entrées, mais aussi d'exécuter des actions dans un environnement donné. Si la plupart des agents autonomes sont conçus pour des cas d'utilisation isolés, nous assistons à l'émergence rapide d'environnements multi-agents et de collaboration.

C'est un domaine où la Crypto peut offrir une valeur considérable. Imaginez par exemple un scénario où un agent doit embaucher d'autres agents pour réaliser une tâche ou garantir la qualité de ses résultats. Fournir aux agents des primitives financières sous forme de rails Crypto ouvre de nombreuses possibilités de collaboration entre agents.

Financement Crypto pour l'IA

ONEun des secrets les plus connus de l'IA générative est que le secteur de l'IA open source connaît une pénurie de financement considérable. La plupart des laboratoires d'IA open source T peuvent plus se permettre de travailler sur des modèles volumineux et se concentrent plutôt sur des domaines T gourmands en ressources informatiques et en données. La Crypto est extrêmement efficace pour la formation de capital grâce à des mécanismes tels que les parachutages, les incitations ou même les points. Le concept de plateformes de financement Crypto pour l'IA générative open source est ONEun des domaines les plus prometteurs à l'intersection de ces deux tendances.

Petits modèles de fondations

L'année dernière, Microsoft a inventé le terme « modèle de langage compact » (SLM) après la sortie de son modèle Phi. Avec moins de 2 milliards de paramètres, ce modèle surpassait des LLM bien plus performants en informatique et en mathématiques. Les modèles de base compacts (de 1 à 5 milliards de paramètres) sont essentiels à la viabilité de l'IA décentralisée et ouvrent la voie à des scénarios prometteurs pour l'IA sur appareil. Décentraliser des modèles de plusieurs centaines de milliards de paramètres est quasiment impossible aujourd'hui et le restera encore un certain temps. Cependant, les modèles de base compacts devraient pouvoir fonctionner sur la plupart des infrastructures Web3 actuelles. Promouvoir le programme SLM est essentiel pour créer une réelle valeur ajoutée avec le Web3 et l'IA.

Génération de données synthétiques

La rareté des données constitue ONEun des principaux défis de cette nouvelle génération de modèles fondamentaux. Par conséquent, de plus en plus de recherches se concentrent sur les mécanismes de génération de données synthétiques utilisant des modèles fondamentaux capables de compléter les ensembles de données réels. Les mécanismes des réseaux Crypto et les incitations liées aux jetons peuvent idéalement coordonner la collaboration d'un grand nombre d'acteurs pour créer de nouveaux ensembles de données synthétiques.

Autres tendances pertinentes du Web3-AI

Il existe plusieurs autres tendances intéressantes en matière d'IA Web3, au potentiel considérable. La preuve de l'existence d'un humain (POH) gagne en pertinence face aux défis posés par le contenu généré par l'IA. L'évaluation et le benchmarking constituent un segment de l'IA où les capacités de confiance et de transparence du Web3 peuvent s'exprimer pleinement. Le réglage fin centré sur l'humain, comme l'apprentissage par renforcement avec retour Human (RLHF), constitue également un scénario intéressant pour les réseaux Web3. D'autres scénarios sont susceptibles d'émerger à mesure que l'IA générative continue d'évoluer et que les capacités de l'IA Web3 gagnent en maturité.

Le besoin de capacités d'IA plus décentralisées est bien réel. Si l'industrie du Web3 n'est peut-être pas encore en mesure de rivaliser avec la valeur créée par les mégamodèles d'IA, elle peut néanmoins générer une réelle valeur ajoutée pour l'IA générative. Le plus grand défi pour l'évolution de l'IA Web3 pourrait être de surmonter son propre champ de distorsion de la réalité. L'IA Web3 recèle une valeur considérable ; il nous suffit de nous concentrer sur la création de solutions concrètes.

Remarque : les opinions exprimées dans cette colonne sont celles de l'auteur et ne reflètent pas nécessairement celles de CoinDesk, Inc. ou de ses propriétaires et sociétés affiliées.