TL;DR

1. Les projets Web3 basés sur le concept d'IA sont des cibles attractives dans les marchés primaire et secondaire.

2. Les opportunités pour le Web3 dans le secteur de l'IA se manifestent par l'utilisation d'incitations distribuées pour coordonner l'offre potentielle dans la longue queue — entre données, stockage et calcul ; en même temps, établir un marché décentralisé pour les modèles open source et les agents IA.

3. Les principaux domaines d'application de l'IA dans l'industrie Web3 sont la finance sur la chaîne (paiements cryptographiques, transactions, analyse de données) et l'assistance au développement.

4. L'utilité de l'IA+Web3 se manifeste dans la complémentarité des deux : le Web3 promet de contrer la concentration de l'IA, et l'IA promet d'aider le Web3 à se diversifier.

Introduction

Au cours des deux dernières années, le développement de l'IA a semblé être activé par un accélérateur ; cette vague de l'IA, alimentée par ChatGPT, non seulement a ouvert un nouveau monde d'intelligence artificielle générative, mais a également provoqué un courant dans le Web3.

Sous l'influence du concept d'IA, la reprise du financement sur le marché de la cryptographie, qui ralentit, est clairement visible. Selon les médias, rien qu'au premier semestre 2024, 64 projets Web3+IA ont terminé leur financement, avec un montant de financement maximal de 100 millions de dollars atteint par le système d'exploitation basé sur l'IA Zyber 365 lors de sa première levée de fonds.

Le marché secondaire est plus prospère, les données du site de cryptographie Coingecko montrent qu'en un peu plus d'un an, la capitalisation totale du secteur de l'IA a atteint 48,5 milliards de dollars, avec un volume de transactions de près de 8,6 milliards de dollars sur 24 heures ; les progrès des technologies IA ont apporté des avantages évidents, le modèle de texte à vidéo Sora d'OpenAI a entraîné une augmentation de 151 % du prix moyen du secteur IA ; l'effet IA s'est également étendu à l'un des segments les plus lucratifs de la cryptomonnaie, les memes : le premier Memecoin conceptuel basé sur les agents IA — GOAT — a rapidement gagné en popularité et a atteint une valorisation de 1,4 milliard de dollars, déclenchant le phénomène du meme IA.

La recherche et les discussions sur l'IA+Web3 sont également en plein essor, de l'IA+Depin à l'IA Memecoin, en passant par les actuels AI Agent et AI DAO, la peur de manquer (FOMO) semble déjà dépassée par la vitesse de rotation des nouvelles narrations.

L'IA+Web3, cette combinaison de termes chargée d'argent facile, de tendances et de fantasmes d'avenir, est inévitablement perçue comme un mariage arrangé par le capital. Il est difficile de distinguer si, derrière ce somptueux manteau, il s'agit d'un domaine pour les spéculateurs ou de l'aube d'une nouvelle ère.

Pour répondre à cette question, une réflexion essentielle pour les deux parties est : cela va-t-il s'améliorer ? Pouvez-vous bénéficier du modèle de l'autre ? Dans cet article, nous essayons également de nous appuyer sur les travaux antérieurs pour examiner ce schéma : comment le Web3 peut-il jouer un rôle à chaque étape de l'empilement technologique de l'IA, et comment l'IA peut-elle apporter de nouvelles opportunités au Web3 ?

Part.1 Quelles opportunités le Web3 offre-t-il sous l'empilement de l'IA ?

Avant d'aborder ce sujet, il est essentiel de comprendre l'empilement technologique des grands modèles IA :

Source de l'image : Delphi Digital

Pour exprimer ce processus en termes simples : le « grand modèle » est comme le cerveau humain, à ses débuts, ce cerveau appartient à un bébé qui vient d'arriver sur Terre, ayant besoin d'observer et d'absorber une énorme quantité d'informations du monde environnant pour comprendre ce monde, c'est la phase « de collecte » des données ; comme les ordinateurs n'ont pas de sens comme la vue ou l'ouïe, les informations non annotées massives du monde extérieur doivent d'abord être « prétraitées » pour être transformées en un format compréhensible et utilisable par les ordinateurs avant l'entraînement.

Après l'entrée des données, l'IA construit un modèle ayant des capacités de compréhension et de prédiction par le biais de l'« entraînement », ce qui peut être vu comme le processus par lequel un bébé comprend et apprend progressivement le monde extérieur, les paramètres du modèle étant similaires à la capacité linguistique d'un bébé qui se ajuste continuellement au cours de son apprentissage. Lorsque le contenu appris commence à se spécialiser, ou que des retours d'interaction avec d'autres personnes sont reçus et corrigés, on entre dans la phase de « fine-tuning » du grand modèle.

Les enfants apprennent à parler en grandissant, ce qui leur permet de comprendre et d'exprimer leurs sentiments et idées dans de nouvelles conversations. Cette phase est similaire à l'« inférence » des grands modèles d'IA, où le modèle peut prédire et analyser de nouvelles entrées de langage et de texte. Les bébés expriment leurs sentiments, décrivent des objets et résolvent divers problèmes grâce à leurs compétences linguistiques, ce qui est également similaire à l'utilisation de grands modèles d'IA après la phase de formation pour des tâches spécifiques telles que la classification d'images, la reconnaissance vocale, etc.

Les agents IA s'approchent d'une nouvelle forme de grands modèles — capables d'exécuter des tâches de manière autonome et de poursuivre des objectifs complexes, non seulement dotés de capacités de réflexion, mais également capables de mémoire, de planification et d'interaction avec le monde à l'aide d'outils.

Actuellement, le Web3 a commencé à former un écosystème multicouche et interconnecté pour répondre aux points de douleur de l'IA à chaque étape de l'empilement technologique.

Un, couche de base : Airbnb pour la puissance de calcul et les données

▼ Puissance de calcul

Actuellement, l'un des coûts les plus élevés de l'IA est la puissance de calcul et l'énergie nécessaires pour entraîner et inférer des modèles.

Un exemple est que le LLAMA 3 de Meta nécessite 16 000 GPU H100 produits par NVIDIA (un GPU de premier plan conçu pour l'IA et les charges de travail de calcul haute performance) pour être formé en 30 jours. Le prix unitaire de la version 80 Go se situe entre 30 000 et 40 000 dollars, nécessitant un investissement en matériel de calcul de 400 à 700 millions de dollars (GPU + puces réseau), tout en consommant 1,6 milliard de kilowattheures d'énergie par mois, avec des dépenses énergétiques mensuelles proches de 20 millions de dollars.

Le déploiement de puissance de calcul IA est également l'un des premiers domaines de croisement entre le Web3 et l'IA — DePin (réseau d'infrastructure physique décentralisé). Actuellement, le site de données DePin Ninja a répertorié plus de 1400 projets, dont les projets représentatifs de partage de puissance GPU comprennent io.net, Aethir, Akash, Render Network, etc.

Sa logique principale est que la plateforme permet à des individus ou entités possédant des ressources GPU inoccupées de contribuer leur puissance de calcul de manière décentralisée sans autorisation, à travers un marché en ligne de type Uber ou Airbnb, augmentant ainsi l'utilisation des ressources GPU sous-exploitées, permettant aux utilisateurs finaux d'accéder à des ressources de calcul efficaces à moindre coût ; de plus, le mécanisme de mise en jeu garantit que si des violations du mécanisme de contrôle de qualité se produisent ou si le réseau est interrompu, les fournisseurs de ressources encourent des pénalités appropriées.

Ses caractéristiques sont :

  • Concentration des ressources GPU inoccupées : les fournisseurs sont principalement des centres de données indépendants, des fermes de cryptomonnaie et d'autres opérateurs ayant des ressources de calcul excédentaires, avec des matériels de minage sous mécanisme PoS, tels que FileCoin et les machines de minage ETH. Actuellement, certains projets s'efforcent de démarrer avec des équipements à moindre coût, tels qu'exolab, qui utilise des MacBook, iPhone et iPad pour établir un réseau de calcul pour l'inférence de grands modèles.

  • Face au marché de longue traîne de la puissance de calcul IA :

a. « Du point de vue technologique », le marché décentralisé de la puissance de calcul est plus adapté aux étapes d'inférence. L'entraînement dépend davantage de la capacité de traitement des données offertes par des clusters GPU de très grande taille, tandis que l'inférence nécessite relativement peu de performance de calcul GPU, comme Aethir qui se concentre sur des travaux de rendu à faible latence et des applications d'inférence IA.

b. « Du côté de la demande », les petits et moyens demandeurs de puissance de calcul ne formeront pas leurs propres grands modèles, mais choisiront plutôt d'optimiser et de peaufiner autour de quelques grands modèles, et ces scénarios sont naturellement adaptés aux ressources de calcul distribuées et inoccupées.

  • Propriété décentralisée : la signification technique de la blockchain est que les propriétaires de ressources conservent toujours le contrôle sur leurs ressources, ajustant flexiblement selon les besoins tout en générant des revenus.

▼ Données

Les données sont la base de l'IA. Sans données, le calcul est aussi inutile qu'une feuille flottante, et la relation entre les données et le modèle est semblable au proverbe « Garbage in, Garbage out », la quantité de données et la qualité d'entrée déterminent la qualité de sortie finale du modèle. Pour l'entraînement des modèles d'IA actuels, les données déterminent les capacités linguistiques, de compréhension, voire les valeurs et les comportements humanisés du modèle. Actuellement, les défis liés à la demande de données en IA se concentrent principalement sur les quatre aspects suivants :

  • Faim de données : l'entraînement des modèles IA dépend d'une énorme entrée de données. Les données publiques montrent que le volume de paramètres pour entraîner GPT-4 d'OpenAI a atteint des trillions.

  • Qualité des données : avec l'intégration de l'IA dans différents secteurs, la pertinence des données, la diversité des données, la spécialisation des données de niche et l'intégration de nouvelles sources de données telles que les émotions sur les réseaux sociaux imposent de nouvelles exigences sur leur qualité.

  • Questions de confidentialité et de conformité : les pays et entreprises prennent progressivement conscience de l'importance des ensembles de données de qualité, imposant des restrictions à la collecte de données.

  • Coût élevé du traitement des données : avec un volume élevé de données et un processus complexe. Les données publiques montrent que plus de 30 % des coûts de recherche et développement des entreprises d'IA sont consacrés à la collecte et au traitement des données de base.

Actuellement, les solutions Web3 se manifestent dans les quatre domaines suivants :

1. Collecte de données : la capacité de fournir gratuitement des données réelles extraites s'épuise rapidement, les entreprises d'IA augmentent leurs dépenses pour les données chaque année. Cependant, ces dépenses ne profitent pas réellement aux contributeurs de données, les plateformes bénéficiant entièrement de la valeur créée par les données, comme Reddit qui a réalisé un revenu total de 203 millions de dollars grâce à des accords de licence de données avec des entreprises d'IA. Permettre aux véritables contributeurs d'accéder également à la création de valeur apportée par les données et d'obtenir des données plus privées et précieuses via un réseau distribué et un mécanisme d'incitation à faible coût est la vision du Web3.

  • Par exemple, Grass est une couche de données et un réseau décentralisés, permettant aux utilisateurs de faire fonctionner des nœuds Grass, contribuant une bande passante inoccupée et un flux de relais pour capturer des données en temps réel à travers l'Internet et obtenir des récompenses en jetons ;

  • Vana introduit également un concept unique de pool de liquidité de données (DLP), permettant aux utilisateurs de télécharger leurs données privées (telles que les historiques d'achats, les habitudes de navigation, les activités sur les réseaux sociaux, etc.) vers un DLP spécifique et de choisir de manière flexible si ces données doivent être autorisées pour un usage tiers spécifique ;

  • Dans PublicAI, les utilisateurs peuvent utiliser #AI ou #Web3 comme balises de classification et @PublicAI pour réaliser la collecte de données.

2. Prétraitement des données : dans le processus de traitement des données par l'IA, les données collectées sont souvent bruyantes et contiennent des erreurs, elles doivent être nettoyées et transformées en un format utilisable avant d'entraîner le modèle, impliquant des tâches répétées de normalisation, de filtrage et de traitement des valeurs manquantes. Cette phase est l'une des rares étapes manuelles de l'industrie de l'IA, ayant déjà engendré le métier de spécialiste de l'annotation de données. Avec l'augmentation des exigences de qualité des données par les modèles, le seuil d'entrée pour les spécialistes de l'annotation de données a également augmenté, et cette tâche est naturellement adaptée au mécanisme d'incitation décentralisé du Web3.

  • Actuellement, Grass et OpenLayer envisagent tous deux d'ajouter cette étape clé d'annotation de données.

  • Synesis a introduit le concept de « Train 2 earn », soulignant l'importance de la qualité des données, permettant aux utilisateurs d'obtenir des récompenses en fournissant des données annotées, des commentaires ou d'autres formes d'entrée.

  • Le projet d'annotation de données Sapien a ainsi ludifié les tâches d'annotation, permettant aux utilisateurs de miser des points pour en gagner davantage.

3. Confidentialité et sécurité des données : il est nécessaire de clarifier que la confidentialité des données et la sécurité des données sont deux concepts différents. La confidentialité des données concerne le traitement des données sensibles, tandis que la sécurité des données protège les informations des données contre l'accès, la destruction ou le vol non autorisé. Ainsi, les avantages des technologies de confidentialité du Web3 et les scénarios d'application potentiels se manifestent de deux manières : (1) entraînement sur des données sensibles ; (2) collaboration de données : plusieurs propriétaires de données peuvent participer ensemble à l'entraînement de l'IA sans partager leurs données originales.

Les technologies de confidentialité actuellement courantes dans le Web3 incluent :

  • Environnements d'exécution de confiance (TEE), comme Super Protocol ;

  • Chiffrement homomorphe complet (FHE), comme BasedAI, Fhenix.io ou Inco Network ;

  • Technologie de zéro connaissance (zk), comme le protocole Reclaim utilisant la technologie zkTLS pour générer des preuves à zéro connaissance des flux HTTPS, permettant aux utilisateurs d'importer en toute sécurité leurs activités, réputation et données d'identité depuis des sites externes sans exposer d'informations sensibles.

Cependant, ce domaine est encore à ses débuts, la plupart des projets sont encore en phase d'exploration, et un des défis actuels est le coût élevé du calcul. Quelques exemples sont :

  • Le cadre zkML EZKL nécessite environ 80 minutes pour générer une preuve d'un modèle nanoGPT de 1 Mo.

  • Selon les données de Modulus Labs, le coût des zkML est plus de 1000 fois supérieur à celui du simple calcul.

4. Stockage des données : une fois les données obtenues, un lieu est également nécessaire pour stocker les données sur la chaîne, ainsi que le LLM généré à partir de ces données. Avec la disponibilité des données (DA) comme question centrale, avant la mise à niveau Danksharding d'Ethereum, son débit était de 0,08 Mo. Simultanément, l'entraînement des modèles IA et l'inférence en temps réel nécessitent généralement un débit de données de 50 à 100 Go par seconde. Cette différence d'échelle rend les solutions existantes sur la chaîne incapables de répondre aux applications IA « gourmandes en ressources ».

  • 0g.AI est un projet représentatif dans cette catégorie. C'est une solution de stockage centralisée conçue pour répondre aux besoins de haute performance en IA, avec des caractéristiques clés telles que : haute performance et scalabilité, supportant le téléversement et le téléchargement rapides de grands ensembles de données grâce à des techniques de sharding avancées et de codage de correction d'erreurs, avec une vitesse de transfert de données proche de 5 Go par seconde.

Deux, middleware : formation et inférence de modèles

▼ Marché décentralisé de modèles open source

Le débat sur la fermeture ou l'ouverture des modèles IA n'a jamais disparu. L'innovation collective apportée par l'open source est un avantage incomparable des modèles fermés, mais comment les modèles ouverts peuvent-ils accroître la motivation des développeurs sans un modèle de rentabilité ? C'est une direction qui mérite d'être explorée. Le fondateur de Baidu, Li Yanhong, a même affirmé en avril de cette année que « les modèles open source deviendront de plus en plus obsolètes ».

En réponse, le Web3 propose la possibilité d'un marché décentralisé de modèles open source, tokenisant le modèle lui-même, réservant une certaine proportion de jetons à l'équipe, et orientant une partie des revenus futurs de ce modèle vers les détenteurs de jetons.

  • Par exemple, le protocole Bittensor établit un marché P2P pour des modèles open source, composé de plusieurs « sous-réseaux », où les fournisseurs de ressources (calcul, collecte de données / stockage, talents en apprentissage automatique) rivalisent pour atteindre les objectifs de propriétaires de sous-réseau spécifiques, chaque sous-réseau pouvant interagir et apprendre les uns des autres pour réaliser une intelligence plus puissante. Les récompenses sont distribuées par vote communautaire et redistribuées en fonction des performances concurrentielles au sein des sous-réseaux.

  • ORA a introduit le concept d'émission de modèle initial (IMO), permettant de tokeniser les modèles IA, pouvant être achetés, vendus et développés via un réseau décentralisé.

  • Sentient, une plateforme AGI décentralisée, incite les contributeurs à collaborer, construire, répliquer et étendre des modèles IA, tout en récompensant les contributeurs.

  • Spectral Nova se concentre sur la création et l'application de modèles IA et ML.

▼ Inférence vérifiable

Face au problème de « boîte noire » dans le processus d'inférence IA, la solution standard Web3 consiste à faire répéter la même opération par plusieurs validateurs et à comparer les résultats, mais en raison de la pénurie actuelle de « puces Nvidia » haut de gamme, cette approche fait face à un défi évident : le coût élevé de l'inférence IA.

Une solution prometteuse est d'exécuter des calculs d'inférence IA hors chaîne avec des preuves ZK « preuve à zéro connaissance, un protocole cryptographique où une partie, le prouveur, peut prouver à l'autre partie, le vérificateur, qu'une déclaration donnée est vraie sans révéler d'informations supplémentaires, autre que le fait que la déclaration soit vraie », permettant la vérification sans autorisation des calculs de modèles IA sur la chaîne. Cela nécessite de prouver de manière cryptographique sur la chaîne que le calcul hors chaîne a été correctement effectué (par exemple, que l'ensemble de données n'a pas été altéré), tout en garantissant la confidentialité de toutes les données.

Les principaux avantages incluent :

  • Scalabilité : les preuves à zéro connaissance peuvent rapidement confirmer un grand nombre de calculs hors chaîne. Même si le nombre de transactions augmente, une seule preuve à zéro connaissance peut vérifier toutes les transactions.

  • Protection de la confidentialité : les détails des données et des modèles IA demeurent confidentiels, tout en permettant aux parties de vérifier que les données et les modèles n'ont pas été altérés.

  • Pas de confiance nécessaire : les calculs peuvent être confirmés sans dépendre d'une partie centralisée.

  • Intégration Web2 : par définition, Web2 est intégré hors chaîne, ce qui signifie que l'inférence vérifiable peut aider à amener ses ensembles de données et calculs IA sur la chaîne. Cela contribue à améliorer l'adoption du Web3.

Actuellement, les technologies vérifiables pour l'inférence vérifiable dans le Web3 sont les suivantes :

  • zkML : combinaison de la preuve à zéro connaissance et de l'apprentissage automatique pour garantir la confidentialité et la sécurité des données et des modèles, permettant des calculs vérifiables sans révéler certaines propriétés sous-jacentes, comme Modulus Labs qui a publié un vérificateur ZK construit pour l'IA afin de vérifier efficacement si les fournisseurs d'IA manipulent correctement l'exécution des algorithmes sur la chaîne. Cependant, actuellement, les clients sont principalement des DApp sur la chaîne.

  • opML : en utilisant le principe d'optimisme, ce modèle améliore la scalabilité et l'efficacité des calculs ML en vérifiant seulement une petite partie des résultats générés par les « vérificateurs », tout en fixant suffisamment haut le coût de pénalité pour décourager la tricherie des vérificateurs, économisant ainsi des calculs redondants.

  • TeeML : utilisation d'environnements d'exécution de confiance pour exécuter en toute sécurité des calculs ML, protégeant les données et les modèles contre toute altération ou accès non autorisé.

Trois, couche d'application : agents IA

Le développement actuel de l'IA montre clairement un passage de l'accent mis sur les capacités des modèles vers les agents IA. Des entreprises telles qu'OpenAI, le licorne des grands modèles IA Anthropic, Microsoft et d'autres se tournent vers le développement d'agents IA, cherchant à dépasser la période actuelle de plateformes technologiques LLM.

La définition d'OpenAI pour les agents IA est : alimentés par LLM, capables de compréhension autonome, de perception, de planification, de mémoire et d'utilisation d'outils, ils peuvent exécuter automatiquement des systèmes de tâches complexes. Lorsque l'IA passe de l'outil utilisé à un sujet capable d'utiliser des outils, elle devient un agent IA. C'est également pour cela que les agents IA peuvent devenir les assistants intelligents idéaux de l'humanité.

Et que peut apporter le Web3 aux agents ?

1. Décentralisation

La nature décentralisée du Web3 permet au système des agents d'être plus décentralisé et autonome, établissant des mécanismes d'incitation et de pénalité pour les stakers et les délégataires à travers des mécanismes tels que PoS et DPoS, renforçant ainsi la démocratie du système des agents, avec des tentatives de GaiaNet, Theoriq et HajimeAI.

2. Démarrage à froid

Le développement et l'itération des agents IA nécessitent souvent un soutien financier considérable, et le Web3 peut aider les projets d'agents IA prometteurs à obtenir un financement précoce et un démarrage à froid.

  • Virtual Protocol a lancé la plateforme de création d'agents IA et d'émission de jetons fun.virtuals, permettant à tout utilisateur de déployer un agent IA en un clic et d'assurer une émission de jetons d'agent IA 100 % équitable.

  • Spectral a proposé un concept de produit soutenant l'émission d'actifs d'agents IA sur la chaîne : en émettant des jetons par le biais d'IAO (Initial Agent Offering), les agents IA peuvent obtenir des fonds directement d'investisseurs, tout en devenant membres de la gouvernance DAO, offrant ainsi aux investisseurs la possibilité de participer au développement de projets et de partager les bénéfices futurs.

Part.2 Comment l'IA habilite-t-elle le Web3 ?

L'impact de l'IA sur les projets Web3 est évident, car elle bénéficie à la technologie blockchain en optimisant les opérations sur chaîne (par exemple, l'exécution de contrats intelligents, l'optimisation de la liquidité et la prise de décisions de gouvernance alimentées par l'IA). En même temps, elle peut également fournir de meilleures analyses basées sur les données, améliorer la sécurité sur la chaîne et poser les bases de nouvelles applications basées sur Web3.

Un, IA et finance sur la chaîne

▼ IA et économie cryptographique

Le 31 août, le PDG de Coinbase, Brian Armstrong, a annoncé la première transaction cryptographique AI à AI sur le réseau Base, affirmant que les agents IA peuvent désormais utiliser des USD pour effectuer des transactions avec des humains, des commerçants ou d'autres IA, ces transactions étant instantanées, mondiales et gratuites.

Au-delà des paiements, le protocole Virtuals a également démontré pour la première fois comment un agent IA peut exécuter de manière autonome des transactions sur la chaîne, suscitant l'intérêt, faisant de l'agent IA une entité intelligente capable de percevoir l'environnement, de prendre des décisions et d'effectuer des actions, considérée comme l'avenir de la finance sur la chaîne. Actuellement, les scénarios potentiels des agents IA se manifestent dans les points suivants :

1. Collecte d'informations et prévisions : aider les investisseurs à recueillir des annonces d'échanges, des informations publiques sur les projets, des émotions de panique, des risques d'opinion publique, etc., analyser et évaluer en temps réel les fondamentaux des actifs et la situation du marché, prévoir les tendances et les risques.

2. Gestion d'actifs : fournir aux utilisateurs des opportunités d'investissement appropriées, optimiser les portefeuilles d'actifs et exécuter automatiquement des transactions.

3. Expérience financière : aider les investisseurs à choisir la manière d'échange la plus rapide sur la chaîne, automatiser les opérations manuelles de transfert entre chaînes, d'ajustement des frais de gas, etc., réduisant ainsi le seuil d'entrée et le coût des activités financières sur la chaîne.

Imaginez un scénario où vous donnez cette instruction à un agent IA : « J'ai 1000 USDT, veuillez m'aider à trouver la combinaison la plus rentable, avec une période de verrouillage ne dépassant pas une semaine », l'agent IA vous proposerait la suggestion suivante : « Je recommande une allocation initiale de 50 % en A, 20 % en B, 20 % en X, 10 % en Y. Je surveillerai les taux d'intérêt et observerai les changements de niveau de risque, et je rééquilibrerai si nécessaire. » De plus, la recherche de projets de distribution aéroportée prometteurs et de projets Memecoin présentant des signes de communauté populaire sont également des choses que l'agent IA pourrait réaliser par la suite.

Source de l'image : Biconomy

Actuellement, les portefeuilles d'agents IA Bitte et le protocole d'interaction IA Wayfinder tentent tous deux ce type d'approche, essayant de se connecter à l'API du modèle d'OpenAI, permettant aux utilisateurs d'interagir avec une interface de chat similaire à ChatGPT, commandant à l'agent d'exécuter diverses opérations sur la chaîne, comme WayFinder qui a présenté son premier prototype en avril de cette année sur les principales blockchains Base, Polygon et Ethereum, démontrant les quatre opérations de base : swap, envoyer, pont et staker.

Actuellement, la plateforme d'agents décentralisés, Morpheus, soutient également le développement de ce type d'agents, tout comme Biconomy, qui a démontré qu'un agent IA peut échanger de l'ETH contre de l'USDC sans avoir besoin d'une autorisation complète du portefeuille.

▼ IA et sécurité des transactions sur la chaîne

Dans le monde du Web3, la sécurité des transactions sur la chaîne est cruciale. La technologie IA peut être utilisée pour renforcer la sécurité et la protection de la vie privée des transactions sur la chaîne, avec des scénarios potentiels tels que :

Surveillance des transactions : technologie de données en temps réel surveillant les activités de transaction anormales, avec une infrastructure d'alerte en temps réel pour les utilisateurs et les plateformes.

Analyse des risques : aider la plateforme à analyser les données comportementales des transactions des clients et à évaluer leur niveau de risque.

Par exemple, la plateforme de sécurité Web3 SeQure utilise l'IA pour détecter et prévenir les attaques malveillantes, la fraude et les violations de données, fournissant des mécanismes de surveillance et d'alerte en temps réel pour garantir la sécurité et la stabilité des transactions sur la chaîne. D'autres outils de sécurité similaires incluent AI-powered Sentinel.

Deux, IA et infrastructures sur la chaîne

▼ IA et données sur la chaîne

La technologie IA joue un rôle clé dans la collecte et l'analyse de données sur la chaîne, telles que :

  • Web3 Analytics : une plateforme d'analyse basée sur l'IA, utilisant des algorithmes d'apprentissage automatique et de data mining pour collecter, traiter et analyser les données sur la chaîne.

  • MinMax AI : il fournit des outils d'analyse de données sur la chaîne basés sur l'IA, aidant les utilisateurs à découvrir des opportunités de marché et des tendances potentielles.

  • Kaito : plateforme de recherche Web3 basée sur LLM.

  • Followin : intégrant ChatGPT, il collecte et intègre des informations pertinentes dispersées sur différents sites et plateformes communautaires.

  • Un autre scénario d'application est l'oracle, l'IA peut obtenir des prix de plusieurs sources pour fournir des données de prix précises. Par exemple, Upshot utilise l'IA pour suivre les prix volatils des NFT, offrant un pourcentage d'erreur de 3 à 10 % grâce à des évaluations de plus d'un milliard par heure.

▼ IA et audit de développement

Récemment, un éditeur de code IA Web2, Cursor, a attiré l'attention dans la communauté des développeurs. Sur sa plateforme, les utilisateurs n'ont qu'à décrire en langage naturel, et Cursor génère automatiquement le code HTML, CSS et JavaScript correspondant, simplifiant ainsi 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 la blockchain nécessite généralement de suivre des langages de développement spécifiques comme Solidity, Rust, Move, etc. La vision des nouveaux langages de développement est d'élargir l'espace de conception des blockchains décentralisées pour les rendre plus adaptées au développement de DApp, mais dans un contexte où il y a une pénurie de développeurs Web3, l'éducation des développeurs reste un défi majeur.

Actuellement, l'IA peut envisager des scénarios d'assistance au développement Web3, tels que : la génération automatique de code, la vérification et les tests de contrats intelligents, le déploiement et la maintenance d'applications décentralisées (DApp), l'auto-complétion de code intelligent, et le développement de solutions à des problèmes complexes grâce à l'IA. L'assistance de l'IA contribue non seulement à améliorer l'efficacité et la précision du développement, mais elle réduit également le seuil d'entrée à la programmation, permettant ainsi aux non-programmeurs de transformer leurs idées en applications concrètes, apportant une nouvelle vitalité au développement des technologies décentralisées.

Actuellement, la plateforme de lancement de jetons par un clic attire particulièrement l'attention, comme Clanker, un « Bot Token » alimenté par l'IA conçu pour le déploiement rapide de jetons DIY. Il vous suffit de taguer Clanker sur le client du protocole SocialFi Farcaster, comme Warpcast ou Supercast, et de lui faire part de votre idée de jeton, il lancera alors le jeton sur la blockchain Base.

Il existe également des plateformes de développement de contrats, comme Spectral, qui offrent une fonction de génération et de déploiement de contrats intelligents en un clic, abaissant ainsi le seuil d'entrée pour le développement Web3, permettant même aux utilisateurs novices de compiler et de déployer des contrats intelligents.

En matière d'audit, la plateforme d'audit Web3 Fuzzland utilise l'IA pour aider les auditeurs à vérifier les vulnérabilités du code, fournissant des explications en langage naturel pour soutenir l'expertise d'audit. Fuzzland utilise également l'IA pour fournir des explications en langage naturel sur les normes formelles et le code des contrats, ainsi que quelques exemples de code pour aider les développeurs à comprendre les problèmes potentiels dans le code.

Trois, nouvelles narrations de l'IA et du Web3

L'essor de l'IA générative apporte de nouvelles possibilités aux nouvelles narrations du Web3.

NFT : l'IA insuffle de la créativité aux NFT génératifs, permettant de générer divers objets et personnages uniques et diversifiés grâce à la technologie IA. Ces NFT génératifs peuvent devenir des personnages, des objets ou des éléments de scène dans des jeux, des mondes virtuels ou le métavers. Par exemple, Bicasso, sous Binance, permet aux utilisateurs de générer des NFT en téléchargeant des images et en entrant des mots-clés après un calcul IA. Des projets similaires incluent Solvo, Nicho, IgmnAI et CharacterGPT.

GameFi : autour de la génération de langage naturel par IA, de la génération d'images et des capacités des NPC intelligents, GameFi promet d'améliorer l'efficacité et l'innovation dans la production de contenu de jeu. Par exemple, AI Hero, le premier jeu blockchain de Binaryx, permet aux joueurs d'explorer aléatoirement différentes options de scénario grâce à l'IA ; il existe également un jeu de compagnon virtuel, Sleepless AI, basé sur AIGC et LLM, où les joueurs peuvent débloquer des styles de jeu personnalisés via différentes interactions.

DAO : actuellement, l'IA est également envisagée pour son application dans les DAO, aidant à suivre les interactions communautaires, à enregistrer les contributions, à récompenser les membres les plus actifs, à représenter les votes, etc. Par exemple, ai16z utilise des agents IA pour collecter des informations de marché sur et hors de la chaîne, analyser le consensus communautaire, et prendre des décisions d'investissement en tenant compte des suggestions des membres de la DAO.

Part.3 Signification de la combinaison IA+Web3 : tour et place

Au cœur de Florence, en Italie, se trouve le lieu politique le plus important de la ville, un lieu de rassemblement pour les citoyens et les touristes : la place centrale, où se dresse une tour de mairie de 95 mètres de haut. La tour et la place, avec leur contraste visuel vertical et horizontal, créent un effet dramatique. Le professeur Neil Ferguson, du département d'histoire de l'université de Harvard, a été inspiré par cela, évoquant dans son livre (La place et la tour) l'histoire mondiale de l'Internet et des hiérarchies, où les deux alternent en influence au fil du temps.

Cette métaphore brillante s'applique également sans heurts à la relation actuelle entre l'IA et le Web3. En observant l'histoire de la relation à long terme et non linéaire entre les deux, on constate que la place publique est plus propice à générer de nouvelles idées, tandis que la tour conserve une légitimité et une vitalité puissantes.

Sous la capacité des entreprises technologiques à concentrer l'énergie de calcul et les données, l'IA a explosé avec une imagination sans précédent. Les grandes entreprises technologiques investissent massivement et entrent dans la course, avec l'apparition de différents chatbots et des itérations comme les « grands modèles de base » GPT-4, GP 4-4 o, etc., ainsi que le lancement de robots de programmation automatique (Devin) et de Sora, qui possède des capacités de simulation du monde physique, entre autres. L'imagination de l'IA est ainsi amplifiée sans limites.

Parallèlement, l'IA est essentiellement une industrie de mise à l'échelle et de concentration, cette révolution technologique pousse les entreprises technologiques qui détenaient progressivement le pouvoir structurel durant l'« ère d'Internet » vers des sommets plus étroits. Les énormes besoins en électricité, les flux de trésorerie monopolistiques et les vastes ensembles de données nécessaires pour dominer l'ère intelligente créent des barrières plus élevées.

À mesure que la tour devient de plus en plus haute, les décideurs en coulisses se réduisent, la concentration de l'IA entraîne de nombreux risques, comment la foule rassemblée sur la place peut-elle éviter l'ombre de la tour ? C'est précisément le problème que le Web3 espère résoudre.

Essentiellement, les propriétés inhérentes de la blockchain renforcent les systèmes d'intelligence artificielle et ouvrent de nouvelles possibilités, principalement :

  • Dans l'ère de l'intelligence artificielle, le « code est la loi » — en utilisant des contrats intelligents et une vérification cryptographique pour réaliser des systèmes transparents qui appliquent automatiquement les règles et distribuent les récompenses aux groupes les plus proches des objectifs.

  • Économie des jetons — créer et coordonner le comportement des participants via des mécanismes de jetons, de mise en jeu, de réduction, de récompenses et de pénalités.

  • Gouvernance décentralisée — inciter à remettre en question les sources d'information et encourager une approche plus critique et perspicace vis-à-vis des technologies IA pour prévenir les biais, la désinformation et la manipulation, afin de cultiver une société plus informée et habilitée.

Le développement de l'IA apporte également une nouvelle vitalité au Web3. Peut-être que l'impact du Web3 sur l'IA nécessite une validation temporelle, mais l'impact immédiat de l'IA sur le Web3 est indéniable : que ce soit à travers l'enthousiasme des memes ou l'aide des agents IA pour réduire le seuil d'utilisation des applications sur la chaîne.

Lorsque le Web3 est défini comme un petit groupe de personnes s'auto-satisfaisant, et plongé dans les critiques sur la reproduction des secteurs traditionnels, l'IA apporte un avenir prévisible : une communauté d'utilisateurs Web2 plus stable et plus importante, des modèles commerciaux et des services plus innovants.

Nous vivons dans un monde où existent à la fois des « tours et des places ». Bien que l'IA et le Web3 aient des chronologies et des points de départ différents, leur objectif commun est d'améliorer le service des machines envers l'humanité. Personne ne peut définir une rivière en mouvement ; nous avons hâte de voir l'avenir de l'IA+Web3.

*Tout le contenu sur la plateforme Coinspire est à des fins de référence uniquement, ne constituant pas une offre ou un conseil à des stratégies d'investissement. Toute décision personnelle basée sur le contenu de cet article est sous la responsabilité de l'investisseur, et Coinspire ne saurait être tenu responsable des gains ou pertes en résultant. Investir comporte des risques, les décisions doivent être prises avec prudence.