L’espace Web3-AI est l’un des plus en vogue en matière de cryptographie, combinant de grandes promesses avec un battage médiatique important. Il semble presque hérétique de souligner le nombre de projets Web3-IA avec des capitalisations boursières de plusieurs milliards de dollars mais sans cas d'utilisation pratique, motivés uniquement par des récits proxy du marché traditionnel de l'IA. Pendant ce temps, l’écart entre les capacités d’IA du Web2 et du Web3 continue de se creuser de manière alarmante. Cependant, Web3-AI n’est pas qu’un battage publicitaire. Les développements récents sur le marché de l’IA générative mettent en évidence la proposition de valeur d’approches plus décentralisées.
Compte tenu de tous ces facteurs, nous nous trouvons dans un marché surfait et surfinancé, déconnecté de l’état de l’industrie de l’IA générative, mais capable de libérer une valeur considérable pour la prochaine vague d’IA générative. Se sentir confus est compréhensible. Si nous prenons du recul par rapport au battage médiatique et analysons l’espace Web3-IA à travers le prisme des exigences actuelles, des domaines clairs émergent dans lesquels le Web3 peut apporter une valeur substantielle. Mais cela nécessite de traverser un champ dense de distorsion de la réalité.
Distorsion de la réalité Web3-AI
En tant que natifs de la cryptographie, nous avons tendance à voir la valeur de la décentralisation dans tout. 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, il existe un décalage croissant entre la valeur que nous percevons créer dans le Web3 et les besoins du marché de l’IA. La réalité inquiétante est que l’écart entre l’IA Web2 et Web3 se creuse plutôt que de se réduire, fondamentalement motivé par trois facteurs clés :
Talent de recherche en IA limité
Le nombre de chercheurs en IA travaillant dans le Web3 se situe à un chiffre. Ce n’est guère encourageant pour ceux qui prétendent que le Web3 est l’avenir de l’IA.
Infrastructure limitée
Nous n’avons pas encore réussi à faire fonctionner correctement les applications Web avec les backends Web3, donc penser à l’IA est pour le moins exagéré. L'infrastructure Web3 impose des contraintes informatiques peu pratiques 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 frontières n'est équipé pour fonctionner sur des infrastructures Web3 ; il n'existe aucune base pour de grands ensembles de données de formation ; et il existe un énorme écart de qualité entre les clusters GPU Web3 et ceux requis pour le pré-entraînement et le réglage fin des modèles de base.
La difficile réalité est que Web3 a construit une version « pauvre » de l’IA, essayant essentiellement d’égaler les capacités de l’IA Web2, mais en créant des versions inférieures. Cette réalité contraste fortement avec l’énorme proposition de valeur de la décentralisation dans plusieurs domaines de l’IA.
Pour éviter de faire de cette analyse une thèse abstraite, examinons différentes tendances de l’IA décentralisée et évaluons-les par rapport à leur potentiel de marché de l’IA.
Lire la suite : Jesus Rodriguez – Financer l'IA générative open source avec la crypto
La distorsion de la réalité dans le Web3-AI 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. Dans le même temps, il existe d’autres domaines émergents du Web3-AI qui recèlent un énorme potentiel.
Quelques tendances Web3-AI surfaites
Infrastructure GPU décentralisée pour la formation et le réglage fin
Ces dernières années, nous avons assisté à une explosion des infrastructures GPU décentralisées avec la promesse de démocratiser le pré-entraînement et la mise au point des modèles de base. L’idée est de proposer une alternative à la monopolisation des GPU établie par les laboratoires d’IA en place. La réalité est que le pré-entraînement et le réglage fin des grands modèles de base nécessitent de grands clusters GPU reliés par des bus de communication ultra-rapides. Un cycle de pré-formation d’un modèle de base 50B-100B dans une infrastructure d’IA décentralisée pourrait prendre plus d’un an, s’il fonctionne.
Cadres ZK-AI
L’idée de combiner les calculs à connaissance nulle (zk) et l’IA a suscité des concepts intéressants pour activer les mécanismes de confidentialité dans les modèles de fondation. Compte tenu de l'importance de l'infrastructure zk dans Web3, plusieurs frameworks promettent d'intégrer le calcul zk dans les modèles de fondation. Bien que théoriquement attrayants, les modèles zk-AI se heurtent rapidement au défi d’être d’un coût prohibitif d’un point de vue informatique lorsqu’ils sont appliqués à de grands modèles. De plus, zk limitera des aspects tels que l’interprétabilité, qui est l’un des domaines les plus prometteurs de l’IA générative.
Preuve d'inférence
La crypto concerne les preuves cryptographiques, et parfois celles-ci sont attachées à des éléments qui n’en ont pas besoin. Dans l'espace Web3-AI, nous voyons des exemples de frameworks émettant des preuves cryptographiques de sorties de modèles spécifiques. Les défis de ces scénarios ne sont pas technologiques mais liés au marché. Fondamentalement, la preuve d'inférence est en quelque sorte une solution à la recherche d'un problème et manque aujourd'hui de cas d'utilisation réels.
Quelques tendances Web3-IA à fort potentiel
Agents avec portefeuilles
Les flux de travail agents sont l’une des tendances les plus intéressantes de l’IA générative et recèlent un potentiel important pour la cryptographie. Par agents, nous faisons référence aux programmes d’IA qui peuvent non seulement répondre passivement à des questions basées sur des entrées, mais également exécuter des actions dans un environnement donné. Alors que la plupart des agents autonomes sont créés pour des cas d’utilisation isolés, nous assistons à l’émergence rapide d’environnements multi-agents et de collaboration.
Il s’agit d’un domaine dans lequel la cryptographie peut générer une valeur considérable. Par exemple, imaginez un scénario dans lequel un agent doit embaucher d’autres agents pour accomplir une tâche ou miser une certaine valeur pour garantir la qualité de ses résultats. Fournir aux agents des primitives financières sous la forme de rails cryptographiques ouvre de nombreux cas d'utilisation pour la collaboration agentique.
Financement crypto pour l'IA
L’un des secrets les plus connus de l’IA générative est que l’espace de l’IA open source subit une énorme crise de financement. La plupart des laboratoires d’IA open source ne peuvent plus se permettre de travailler sur de grands modèles et se concentrent plutôt sur d’autres domaines qui ne nécessitent pas d’énormes quantités d’accès aux calculs et de données. La crypto est extrêmement efficace en matière de formation de capital avec des mécanismes tels que des parachutages, des incitations ou même des points. Le concept de rails de financement cryptographique pour l’IA générative open source est l’un des domaines les plus prometteurs à l’intersection de ces deux tendances.
Modèles de petites fondations
L'année dernière, Microsoft a inventé le terme modèle de petit langage (SLM) après la sortie de son modèle Phi, qui, avec moins de 2B de paramètres, était capable de surpasser des LLM beaucoup plus grands dans les tâches informatiques et mathématiques. Les petits modèles de base – pensez aux paramètres 1B-5B – sont une condition essentielle pour la viabilité de l’IA décentralisée et débloquent des scénarios prometteurs pour l’IA sur appareil. La décentralisation de modèles comportant plusieurs centaines de milliards de paramètres est presque impossible aujourd’hui et le restera pendant un certain temps. Cependant, les petits modèles de base devraient pouvoir fonctionner sur de nombreuses infrastructures Web3 actuelles. Faire avancer le programme SLM est essentiel pour créer une réelle valeur avec le Web3 et l’IA.
Génération de données synthétiques
La rareté des données est l’un des plus grands défis de cette dernière génération de modèles de fondation. En conséquence, de plus en plus de recherches se concentrent sur les mécanismes de génération de données synthétiques utilisant des modèles de base qui peuvent compléter les ensembles de données du monde réel. Les mécanismes des réseaux cryptographiques et les incitations symboliques peuvent idéalement coordonner un grand nombre de parties pour collaborer à la création de nouveaux ensembles de données synthétiques.
Autres tendances Web3-AI pertinentes
Il existe plusieurs autres tendances Web3-AI intéressantes avec un potentiel important. Les résultats de preuve humaine deviennent de plus en plus pertinents compte tenu des défis liés au contenu généré par l’IA. L'évaluation et l'analyse comparative sont un segment de l'IA dans lequel les capacités de confiance et de transparence du Web3 peuvent briller. Le réglage fin centré sur l’humain, tel que l’apprentissage par renforcement avec retour humain (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 évoluent.
Le besoin de capacités d’IA plus décentralisées est bien réel. Même 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 libérer une réelle valeur pour l’espace de l’IA générative. Le plus grand défi de l’évolution du Web3-AI pourrait être de surmonter son propre champ de distorsion de la réalité. Il y a beaucoup de valeur dans Web3-AI ; nous devons juste nous concentrer sur la construction de choses réelles.
Remarque : les opinions exprimées dans cette chronique sont celles de l'auteur et ne reflètent pas nécessairement celles de CoinDesk, Inc. ou de ses propriétaires et sociétés affiliées.