Auteurs : Yi Zhang (PhD, Codatta, @drtwo101), Diana (BNBChain, @diana_bnb), Eva (AuraSci, @1vayou), Andrea (OGV, @Andrea__Chang), Lucy (@BoboLucyWisdom)
Éditeur : Tess Li (Codatta, @li_tess)
Introduction
La science décentralisée (Decentralized Science, abrégée DeSci) transforme radicalement notre approche de la recherche scientifique en répondant aux limitations des systèmes centralisés traditionnels. Historiquement, de grandes découvertes provenaient souvent de scientifiques indépendants travaillant sans priorités institutionnelles ou restrictions de financement commercial. Aujourd'hui, la recherche dépend fortement de sources de financement centralisées qui privilégient souvent les résultats commercialement avantageux ou renforcent les préjugés institutionnels. La science décentralisée crée un environnement de recherche plus transparent et inclusif en décentralisant le financement, l'exécution et la diffusion grâce à l'utilisation de la blockchain et des technologies Web3.
Cet article explore comment la science décentralisée redonne le pouvoir aux scientifiques indépendants et aux communautés pour reprendre le contrôle de l'exploration scientifique. En examinant les plateformes de financement décentralisé, les outils de collaboration de données et les modèles de gouvernance dirigés par la communauté, il met en lumière le potentiel de transformation de ce mouvement. Grâce aux mécanismes décentralisés, les chercheurs peuvent obtenir un soutien pour des idées à haut risque et non conventionnelles, favorisant des décisions transparentes et la diffusion ouverte des découvertes de recherche. Avec l'émergence de l'intelligence artificielle, d'outils collaboratifs et de Web3, la science décentralisée offre une feuille de route pour la démocratisation de l'innovation et l'accélération de la quête de connaissances pour le progrès sociétal.
Pourquoi choisir la science décentralisée ?
La découverte scientifique est un processus par lequel de nouvelles connaissances sont acquises de manière systématique par des tests d'hypothèses itératifs et des expériences. Le raisonnement inductif permet aux chercheurs de généraliser des conclusions scientifiques à partir d'observations spécifiques et de développer des principes qui permettent de prédire les résultats avec confiance.
La recherche scientifique peut être décentralisée. La décentralisation doit commencer par le financement, car le contrôle des ressources financières détermine fondamentalement la direction de l'exploration scientifique. Historiquement, de nombreux grands scientifiques ont mené des recherches indépendantes, soit financées par des particuliers, soit soutenues par des mécènes, ce qui leur a permis d'explorer librement sans l'influence d'autorités centralisées ou d'intérêts commerciaux. Des figures comme Galilée (soutenu par la famille Médicis), Isaac Newton travaillant principalement de manière indépendante, et Charles Darwin qui a financé ses recherches sur l'évolution, ont tous prouvé l'impact de la recherche décentralisée. Leur indépendance a conduit à des découvertes révolutionnaires qui ont façonné le progrès scientifique, sans contrainte institutionnelle.
La recherche scientifique devrait être décentralisée. En effet, la recherche scientifique actuelle est hautement centralisée. Elle dépend principalement des subventions gouvernementales et, dans une certaine mesure, du financement des entreprises, et est soumise à une supervision institutionnelle, souvent déterminée par un petit nombre de "gestionnaires" qui choisissent les thèmes de recherche et limitent l'autonomie des scientifiques. Ce modèle de financement centralisé introduit des biais significatifs - le financement des entreprises tend à favoriser des résultats bénéfiques pour les affaires, compromettant l'objectivité (BMJ, 2014). Par exemple, les études financées par l'industrie alimentaire rapportent des résultats favorables 3,2% plus souvent (Springer, 2021). Bien que les subventions gouvernementales soient moins susceptibles d'être influencées par des préjugés liés aux affaires, elles privilégient souvent les institutions établies et les groupes de recherche renommés plutôt que des idées véritablement novatrices ou non conventionnelles. Même les organismes comme les NIH, qui visent à réduire les préjugés de réputation, ne parviennent pas à éliminer complètement ces problèmes. L'influence politique et commerciale continue de façonner les priorités de recherche, marginalisant les idées à haut risque et innovantes des chercheurs émergents.
La recherche scientifique sera redécentralisée. Le financement décentralisé a déjà pris de l'ampleur, et des initiatives comme BIO Protocol et VitaDAO permettent aux scientifiques d'obtenir des financements directement de la communauté. Ce modèle de soutien communautaire offre une alternative viable aux financements traditionnels. Les technologies Web3 améliorent également la liquidité des résultats scientifiques, réduisant les risques financiers pour les chercheurs indépendants, leur permettant de poursuivre des idées innovantes plus librement. La participation et la gouvernance décentralisées sont des aspects interdépendants de la science décentralisée. Des plateformes comme Codatta favorisent des sources de données collaboratives, permettant aux individus de contribuer des connaissances sous forme de données à la pointe, tout en partageant les risques et les bénéfices. La gouvernance décentralisée vise à fournir la supervision nécessaire pour garantir le bon avancement de la recherche. Elle assure des décisions équilibrées et dirigées par la communauté, réduisant les biais généralement présents dans les systèmes centralisés. Ces aspects collaborent pour promouvoir un environnement de recherche plus transparent et inclusif. La diffusion décentralisée est également cruciale pour la science décentralisée. Des plateformes comme ResearchHub contribuent à résoudre les problèmes inhérents aux canaux de publication scientifique centralisés, tels que les coûts élevés, le contrôle et les délais de publication prolongés, en réalisant des publications et des revues par les pairs transparentes et dirigées par la communauté.
La mission de la science décentralisée est de rendre la création de connaissances collaborative plus accessible et sans biais en s'appuyant sur des efforts dirigés par la communauté, la blockchain et la collaboration ouverte.
Découvrir plus de vérités sur l'univers sans être influencé par des préjugés inhérents ou systémiques.
Abaisser les barrières à l'entrée pour permettre à des individus talentueux issus de milieux non conventionnels de contribuer.
Encourager l'exploration de directions scientifiques réprimées ou négligées.
La science décentralisée commencera par le financement décentralisé, mais ne s'arrêtera pas là. Le crédit de contribution distribué, un processus de financement transparent, des méthodologies open source, une large participation communautaire et une publication dirigée par la communauté sont essentiels pour cultiver la collaboration et l'inclusivité tout au long du processus de recherche.
L'IA aide la science : un soutien considérable aux scientifiques indépendants
Figure 2 : Description de l'intégration des domaines scientifiques et des pratiques de recherche en intelligence artificielle (source : https://ai4sciencecommunity.github.io/)
L'intelligence artificielle transforme radicalement la recherche scientifique, changeant fondamentalement la manière dont les découvertes scientifiques sont faites et les flux de travail (Toner-Rodgers, 2024). Les meilleurs scientifiques du monde rapportent que, grâce à l'intégration de l'IA, leur productivité a considérablement augmenté, avec une augmentation de 44 % des découvertes de nouveaux matériaux et de 39 % du nombre de demandes de brevets (Toner-Rodgers, 2024). Ces premiers succès prouvent comment l'IA peut améliorer l'efficacité, en particulier dans des domaines où les données sont complexes et les expériences chronophages, comme la science des matériaux, la découverte de médicaments et la biologie (Nature, 2023).
Figure 3 : Processus de recherche scientifique
L'IA amplifie considérablement les capacités individuelles, augmentant la productivité de l'ensemble du flux de travail scientifique. Au stade de la conception, l'IA analyse d'énormes ensembles de données pour découvrir des modèles et des idées qui dépassent la cognition humaine (AI4Science, 2023). Lors de la formation d'hypothèses, l'IA optimise les questions de recherche, mettant en avant des directions prometteuses. Dans la conception d'expériences, l'IA optimise les configurations expérimentales, simule des résultats et aide à la prise de décision. Les robots alimentés par l'IA exécutent automatiquement des tâches de laboratoire, comblant le fossé entre la conception et l'exécution, tandis que les simulations virtuelles permettent de tester des hypothèses avant de réaliser des expériences physiques (MIT, 2023). Enfin, l'IA aide à interpréter les données, à affiner les résultats et à itérer des conclusions, permettant d'obtenir des insights plus rapides et plus précis (Nature, 2023).
Figure 4 : Collaboration entre scientifiques humains et intelligence artificielle (Tony Stark et JARVIS - Film Marvel (Avengers: Age of Ultron))
Les chercheurs humains jouent un rôle clé en fournissant créativité, jugement éthique et intuition - des qualités que l'IA n'a pas. Bien que l'IA excelle dans le traitement des données et l'optimisation, les chercheurs humains peuvent interpréter ces découvertes dans un contexte plus large, garantissant ainsi le respect des rigueurs scientifiques et des normes éthiques. L'IA et les chercheurs humains forment un partenariat complémentaire qui pousse les frontières scientifiques. Dans cette collaboration, l'IA traite des tâches de données complexes, tandis que les humains fournissent une supervision stratégique, de la créativité et des orientations éthiques, rendant l'ensemble du processus de recherche plus efficace et innovant.
L'effet cumulatif de la collaboration homme-machine redéfinit la recherche scientifique, propulsant la productivité et l'innovation à un rythme accéléré. Il est notable que les développeurs d'AlphaFold (une technologie révolutionnaire de prédiction de structures protéiques) ont récemment reçu le prix Nobel, soulignant l'impact transformateur de la collaboration homme-machine. Les scientifiques humains excellent dans l'évaluation du potentiel des idées candidates, filtrant efficacement les directions moins viables et veillant à ce que le temps et les ressources soient utilisés efficacement. Leur approche heuristique et méthodologique peut être enregistrée comme une connaissance spécifique au domaine et enrichir les capacités des agents d'IA grâce à des techniques de post-formation (telles que RAG, ingénierie des prompts et ajustement fin).
Le flux de travail scientifique implique également l'utilisation d'outils complexes, nécessitant souvent plusieurs outils logiciels spécialisés. Le flux de travail logique défini par les scientifiques - couvrant les entrées, les sorties et les objectifs de chaque interaction - peut être codé dans des fragments de connaissances d'experts pour les agents d'IA. Des projets comme XYZ.ai visent à créer des outils de recherche assistés par IA universels, intégrant ces flux de travail dans les systèmes d'IA pour les rendre plus efficaces et efficaces.
À mesure que l'IA acquiert des connaissances dans des domaines spécifiques, elle renforcera les modèles sous-jacents, permettant aux systèmes concernés de traiter plus efficacement les données en croissance. Cette collaboration itérative entre l'homme et la machine forme un cycle auto-renforçant, accélérant les progrès de la recherche et repoussant continuellement les frontières de la connaissance humaine.
Paysage scientifique décentralisé : enquête légère
La science décentralisée redéfinit l'ensemble du processus de recherche, du financement à la diffusion, en utilisant des technologies blockchain et Web3. Ce modèle décentralise les aspects clés de la recherche : financement, exécution et diffusion. L'annexe visualise ce processus, mettant en lumière les participants et les contributions à chaque étape.
Figure 5 : Processus de recherche scientifique décentralisée
Ce processus commence par la levée de fonds, où les scientifiques indépendants soumettent des propositions de recherche, échappant ainsi aux sources de financement centralisées qui ont tendance à privilégier les institutions établies. Dans le modèle de science décentralisée, les propositions de recherche sont financées par des soutiens décentralisés, où les contributions dirigées par la communauté jouent un rôle essentiel. Les soutiens qui prennent des décisions communautaires examinent ces propositions et allouent des ressources. Ce mécanisme de financement décentralisé garantit que même les idées à haut risque ou non conventionnelles puissent obtenir un soutien, contournant les gatekeepers institutionnels.
Après avoir obtenu des financements, la prochaine étape est le processus de recherche, qui comprend plusieurs étapes : conception, formation d'hypothèses, conception d'expériences, collecte et analyse de données. Contrairement au processus traditionnel, strictement contrôlé par des institutions centralisées, la science décentralisée introduit des flux de travail plus collaboratifs et transparents. Les scientifiques indépendants (comme illustré) effectuent la conception et la formation d'hypothèses. À l'étape de collecte des données, les créateurs de données externes peuvent contribuer à la recherche et fournir des incitations pour récompenser les contributions de données de haute qualité. Ensuite, une analyse des données est effectuée, les résultats étant utilisés pour tester des hypothèses, formant une méthode itérative qui affine et évalue continuellement les résultats jusqu'à ce qu'une conclusion significative soit atteinte.
La gouvernance et la supervision sont un autre élément clé. Les soutiens décentralisés supervisent et guident les projets, fournissent un soutien financier et garantissent l'intégrité de la recherche et le respect des valeurs communautaires. Ce modèle de gouvernance décentralisée assure une distribution du pouvoir, garantissant que toutes les contributions - qu'elles soient des données ou des expertises - soient équitablement reconnues, comme le montre la phase "remerciements équitables et contributions" dans l'image.
Enfin, il y a la diffusion et l'impact. Le modèle de publication traditionnel, souvent limité par des murs payants, est remplacé par des plateformes dirigées par la communauté, garantissant que les découvertes de recherche soient accessibles publiquement. Les publications ainsi que la propriété intellectuelle ou les résultats qui en découlent, retourneront aux soutiens de la science décentralisée et à la communauté au sens large, pouvant être utilisés pour générer un impact supplémentaire et obtenir un retour économique ou des crédits appropriés. Ce cycle contribue à reconnaître les contributions et à créer des incitations, favorisant davantage un environnement collaboratif pour le progrès scientifique.
Ce flux de travail améliore de manière significative le processus scientifique traditionnel en démocratisant le financement, en encourageant la collaboration interdisciplinaire et en réalisant un partage de données sans couture. La supervision décentralisée minimise l'inefficacité bureaucratique, tandis que les systèmes de crédit et de récompense incitent les contributeurs à chaque étape de la recherche. En fin de compte, cette approche non seulement accélère l'innovation, mais assure également une reconnaissance équitable et des retours concrets pour toutes les parties prenantes, devenant ainsi un modèle de progrès scientifique durable et influent.
Enquête sur les sous-domaines de la science décentralisée
Figure 7
Cette image montre un écosystème de science décentralisée dynamique et diversifié, mettant en lumière des sous-domaines clés et des participants innovants qui redéfinissent le paysage scientifique. Des projets notables incluent le protocole BIO soutenu par Binance Labs, ainsi que ResearchHub, cofondé par Brian Armstrong de Coinbase, qui se consacrent respectivement à la démocratisation du financement de la recherche et à la publication. Un autre projet marquant est Pump.Science, dont les programmes URO et RIF ont déjà gagné en élan.
Dans le sous-domaine de la collecte de données décentralisée et de la collaboration, Codatta se distingue comme un acteur clé, dédié à la connexion, à la collaboration et à la co-cultivation de l'intelligence artificielle générale (AGI) future. Des plateformes comme Data Lake et Ocean Protocol ont également contribué à la collaboration et à la confiance dans le partage de données décentralisées. De plus, Codatta est une composante essentielle de l'application scientifique dans le domaine des infrastructures physiques décentralisées pour l'IA, unissant la communauté pour fournir des données, des échantillons et des étiquettes (y compris des inférences) pour entraîner des modèles d'IA. Ces efforts démontrent collectivement comment la science décentralisée transforme la science en un écosystème plus transparent, collaboratif et équitable pour l'avenir.
Dans l'ensemble, la science décentralisée réforme le domaine de la recherche et de la licence, et devrait fondamentalement changer la manière dont la civilisation humaine révèle les vérités sur le monde qui l'entoure, le monde intérieur et même au-delà de la vérité du monde actuel. Cependant, tout comme l'industrie Web3 plus large, la science décentralisée en est encore à ses débuts. Bien que le financement décentralisé gagne en traction et que la recherche collaborative montre des promesses, l'adoption reste un défi. Les systèmes académiques traditionnels exercent encore une influence importante, et des efforts supplémentaires sont nécessaires pour établir la confiance et élargir l'échelle de ces nouvelles méthodes.
La maturité globale de la science décentralisée dépend fortement des progrès de l'écosystème Web3. Le potentiel est immense, mais nécessite un développement technologique continu, un changement culturel et une acceptation plus large. Avec la croissance de la science décentralisée et de Web3, nous pouvons nous attendre à un paysage de recherche scientifique plus ouvert, collaboratif et efficace.
La renaissance des scientifiques indépendants
Figure 7 : Pionniers de la science indépendante : Nikola Tesla (à gauche) et Albert Einstein (à droite)
L'histoire montre que de nombreuses découvertes révolutionnaires ont été réalisées par des scientifiques travaillant en dehors des systèmes institutionnels. Des innovateurs comme Nikola Tesla, Albert Einstein et Marie Curie, notamment en début de carrière, poursuivaient des idées audacieuses avec un soutien institutionnel limité. Par exemple, lorsque Nikola Tesla a commencé à travailler sur le courant alternatif, il s'appuyait principalement sur ses propres revenus et le soutien d'investisseurs personnels plutôt que sur des institutions formelles. Albert Einstein a proposé la théorie de la relativité pendant son travail au bureau des brevets en Suisse, étant essentiellement isolé des institutions académiques. Marie Curie a travaillé sans relâche au début de sa carrière avec des ressources extrêmement limitées, s'appuyant souvent sur sa propre détermination et des dons pour faire avancer ses recherches pionnières dans le domaine de la radioactivité. Ces pionniers montrent comment l'innovation peut prospérer sans contraintes institutionnelles. Avec le temps, la découverte scientifique est devenue plus centralisée en raison de la nécessité de ressources supplémentaires, mais les outils d'aujourd'hui inversent cette tendance, ravivant la renaissance de la science indépendante.
Figure 8 : Super-individus habilités par l'IA et Web3, gagnant en puissance grâce au soutien de la communauté (l'image originale provient de l'anime (Naruto Shippuden), représentant Naruto Uzumaki dans le mode chakra de Kyubi)
Les technologies modernes donnent aux individus un rôle de redécouverte. L'intelligence artificielle démocratise l'analyse des données, les plateformes open source favorisent la collaboration, et Web3 permet un financement décentralisé grâce à des réseaux dirigés par la communauté. Les organisations autonomes décentralisées (DAO) fournissent un soutien financier et technique aux projets indépendants, contournant les gatekeepers traditionnels. Associés à des outils de recherche accessibles, ces progrès créent une nouvelle classe de "super-individus" capables de relever des défis audacieux de manière autonome.
Figure 9
Ce mouvement ne vise pas seulement à repousser les frontières traditionnelles, mais ouvre également des portes à des domaines qui manquent de soutien mainstream mais qui pourraient fournir des insights significatifs. Par exemple, la recherche sur les phénomènes aériens non identifiés (UAP) a été marginalisée, mais elle gagne en légitimité grâce à des communautés décentralisées qui mutualisent des ressources et des données. De même, les questions concernant les liens entre la gravité et l'électromagnétisme sont réexaminées sans l'influence des préjugés institutionnels. Avec le soutien de la communauté et des outils de pointe, les scientifiques indépendants sont prêts à explorer ces domaines inconnus.
L'essor de la science décentralisée redéfinit la manière dont les découvertes sont faites, combinant l'autonomisation technologique et l'action collective. Les individus et les communautés disposent maintenant des outils et des opportunités pour démocratiser l'innovation à l'avenir. Il est temps d'embrasser ce mouvement et de libérer tout le potentiel de la recherche indépendante.
Références
BMJ (2014). Biais dans la recherche financée par l'industrie. Disponible à l'adresse : https://www.bmj.com/industry-bias
Springer (2021). Les études financées par l'industrie dans le secteur alimentaire sont plus susceptibles de rapporter des résultats favorables. Disponible à l'adresse : https://www.springer.com/industry-food-bias
Toner-Rodgers, A. (2024). Intelligence Artificielle, Découverte Scientifique et Innovation de Produit. MIT Press.
AI4Science (2023). Le rôle de l'IA dans l'avancement de la recherche scientifique. Disponible à l'adresse : https://ai4sciencecommunity.github.io/
Nature (2023). Découverte scientifique à l'ère de l'intelligence artificielle. Nature Publishing Group.
MIT (2023). L'impact de l'IA sur les flux de travail de recherche. Disponible à l'adresse : https://mitpress.mit.edu/ai-research