AO+Arweave：重塑Décentralisation AI 基础设施的未来

Auteur: Qin Jingchun

Dans l’article précédent, nous avons discuté de la façon dont l’IA décentralisée devient un composant clé de la mise en œuvre de la valeur Internet Web3, et avons souligné que AO + Arweave, avec ses avantages technologiques tels que le stockage permanent, le calcul ultra-parallèle et la vérifiabilité, fournit une infrastructure idéale pour cet écosystème. Cet article se concentrera davantage sur les détails techniques de AO + Arweave, en comparant et en analysant avec les principales plateformes décentralisées, révélant ainsi ses avantages uniques dans le soutien au développement de l’IA et explorant ses relations complémentaires avec des projets d’IA décentralisée verticale.

Ces dernières années, avec le développement rapide de la technologie de l’IA et la demande croissante de formation de grands modèles, l’infrastructure d’IA décentralisée est progressivement devenue un sujet de discussion dans l’industrie. Bien que les plates-formes de calcul centralisées traditionnelles soient constamment mises à niveau en termes de puissance de calcul, leur monopolisation des données et leurs coûts de stockage élevés révèlent de plus en plus leurs limites. En revanche, les plateformes décentralisées peuvent non seulement réduire les coûts de stockage, mais aussi garantir l’intégrité des données et des calculs grâce à des mécanismes de vérification décentralisés, ce qui joue un rôle crucial dans des aspects clés tels que la formation, l’inférence et la validation de modèles d’IA. De plus, Web3 est actuellement confronté à des problèmes tels que la fragmentation des données, l’inefficacité des organisations DAO et une interopérabilité médiocre entre les différentes plates-formes, il est donc impératif de fusionner avec l’IA décentralisée pour progresser davantage!

Cet article comparera les avantages et les inconvénients des plateformes principales à partir de quatre dimensions : la limite de mémoire, le stockage de données, la capacité de calcul parallèle et la vérifiabilité, et discutera en détail pourquoi le système AO+Arweave présente un avantage concurrentiel évident dans le domaine de l’IA décentralisée.

Une analyse comparative des différentes plateformes : Pourquoi AO+Arweave se distingue-t-il

1.1 Exigences en matière de mémoire et de puissance de calcul

Avec l’expansion continue de la taille des modèles d’IA, la mémoire et la puissance de calcul sont devenues des indicateurs clés pour évaluer les capacités de la plateforme. Prenons l’exemple de l’exécution de modèles relativement petits (comme Llama-3-8 B), qui nécessitent au moins 12 Go de mémoire ; tandis que des modèles de l’ampleur de GPT-4, avec des paramètres dépassant le billion, exigent des ressources en mémoire et en calcul vraiment impressionnantes. Au cours du processus d’entraînement, de nombreuses opérations telles que les calculs matriciels, la rétropropagation et la synchronisation des paramètres nécessitent une utilisation maximale de la capacité de calcul parallèle.

• **AO+Arweave ：**AO utilise ses unités de calcul parallèles (UC) et le modèle d’acteur pour diviser les tâches en plusieurs sous-tâches exécutées simultanément, permettant une planification parallèle de granularité fine. Cette architecture permet non seulement de tirer pleinement parti de l’avantage de parallélisme du matériel tel que les GPU lors de l’entraînement, mais aussi d’améliorer considérablement l’efficacité dans des domaines clés tels que la planification des tâches, la synchronisation des paramètres et la mise à jour des gradients.
• **ICP：**Bien que les sous-réseaux ICP prennent en charge un certain niveau de calcul parallèle, lorsqu’ils sont exécutés à l’intérieur d’un conteneur unifié, ils ne peuvent réaliser qu’un calcul parallèle de granularité relativement grossière, ce qui rend difficile de répondre aux besoins de planification de tâches de granularité fine dans l’entraînement de modèles à grande échelle, entraînant ainsi une efficacité globale insuffisante.
• Ethereum et Base Chain: Les deux adoptent un mode d’exécution monofil, leur conception architecturale étant principalement axée sur les applications décentralisées et les contrats intelligents, sans la capacité de calcul parallèle élevée nécessaire pour former, exécuter et valider des modèles d’IA complexes.

Demande de puissance de calcul et concurrence sur le marché

Avec l’essor de projets tels que Deepseek, le seuil pour former de grands modèles ne cesse de baisser, ce qui pourrait amener de plus en plus de petites et moyennes entreprises à rejoindre la concurrence et conduire à une pénurie croissante de ressources de calcul sur le marché. Dans ce contexte, des infrastructures de calcul décentralisées dotées de capacités de calcul parallèle distribué telles que AO deviendront de plus en plus populaires. En tant qu’infrastructure décentralisée de l’IA, AO+Arweave deviendra un pilier crucial pour la mise en œuvre de la valeur d’Internet Web3.

1.2 Stockage des données et économie

Le stockage des données est un autre indicateur crucial. Les plateformes de blockchain traditionnelles, telles qu’Ethereum, ont des coûts de stockage on-chain très élevés, ce qui les rend généralement utilisées uniquement pour stocker des métadonnées critiques, tandis que le stockage de données à grande échelle est déplacé vers des solutions hors-chaine telles que IPFS ou Filecoin.

• Plateforme Ethereum : Elle dépend du stockage externe (comme IPFS, Filecoin) pour stocker la plupart des données. Bien qu’elle puisse garantir l’intégrité des données, le coût élevé de l’écriture sur la chaîne rend impossible le stockage de grandes quantités de données directement sur la chaîne.
• **AO+Arweave：**Utilisant la capacité de stockage à long terme et à faible coût d’Arweave, réalisez l’archivage à long terme et l’inaltérabilité des données. Pour des données à grande échelle telles que les données d’entraînement du modèle AI, les paramètres du modèle, les journaux d’entraînement, Arweave peut non seulement garantir la sécurité des données, mais aussi fournir un soutien solide pour la gestion ultérieure du cycle de vie du modèle. En même temps, AO peut directement appeler les données stockées par Arweave pour construire une boucle économique complète des actifs de données, favorisant ainsi la mise en œuvre et l’application de la technologie AI dans Web3.
• Autres plates-formes (Solana, ICP) : Bien que Solana ait optimisé le stockage d’état en utilisant un modèle de compte, le stockage massif de données nécessite toujours une solution hors chaîne ; tandis que l’ICP utilise un stockage de conteneurs intégré, prend en charge l’extension dynamique, mais le stockage à long terme des données nécessite des paiements continus de Cycles, ce qui rend l’économie globale assez complexe.

L’importance de la capacité de calcul parallèle 1.3

Pendant l’entraînement de modèles d’IA à grande échelle, le traitement parallèle des tâches intensives en calcul est essentiel pour améliorer l’efficacité. En divisant un grand nombre d’opérations matricielles en plusieurs tâches parallèles, il est possible de réduire considérablement les coûts temporels tout en utilisant pleinement les ressources matérielles telles que les GPU.

• **AO ：**AO utilise un mécanisme de coordination des tâches de calcul et de messagerie indépendant pour réaliser un calcul parallèle de granularité fine. Son modèle acteur prend en charge la division d’une seule tâche en millions de sous-processus et une communication efficace entre plusieurs nœuds. Cette architecture est particulièrement adaptée à l’entraînement de grands modèles et aux scénarios de calcul distribué, et peut théoriquement atteindre un TPS (transactions par seconde) extrêmement élevé, bien que limité en pratique par des contraintes telles que les E/S, mais bien au-delà des plates-formes traditionnelles à thread unique.
• Ethereum et chaîne Base : En raison du mode d’exécution EVM à thread unique, ces deux éléments semblent impuissants face aux exigences complexes de calcul parallèle, ne pouvant pas répondre aux besoins de formation des grands modèles d’IA.
• Solana et ICP : Bien que le temps d’exécution Sealevel de Solana prenne en charge le multithreading, la granularité du parallélisme est grossière, tandis que l’ICP reste principalement monofil dans un seul conteneur, ce qui crée des goulots d’étranglement évidents lors du traitement de tâches extrêmement parallèles.

1.4 Vérifiabilité et confiance du système

Un grand avantage des plateformes décentralisées est qu’elles peuvent considérablement améliorer la fiabilité des données et des résultats de calcul grâce au consensus global et au mécanisme de stockage inviolable.

• Ethereum: Grâce à la validation du consensus global et à l’écosystème de preuve de connaissance nulle (ZKP), il assure une grande transparence et vérifiabilité de l’exécution des contrats intelligents et du stockage des données, mais les coûts de vérification correspondants sont élevés.
• **AO+Arweave：**AO stocke tous les processus de calcul dans Arweave et utilise une “machine virtuelle déterministe” pour garantir la reproductibilité des résultats, construisant ainsi une chaîne d’audit complète. Cette architecture non seulement améliore la vérifiabilité des résultats de calcul, mais renforce également la confiance globale du système, offrant une protection solide pour la formation et l’inférence des modèles d’IA.

二、AO+Arweave 与垂直去中心化 AI 项目的互补关系

Dans le domaine de l’IA décentralisée, des projets verticaux tels que Bittensor, Fetch.ai, Eliza et GameFi explorent activement leurs propres scénarios d’application. En tant que plateforme d’infrastructure AO+Arweave, ses avantages résident dans la fourniture d’une puissance de calcul distribuée efficace, un stockage de données permanent et des capacités d’audit complet de la chaîne, pouvant fournir le support de base nécessaire à ces projets verticaux.

2.1 Exemple de complémentarité technologique

• Bittensor：

Les participants de Bittensor doivent contribuer à la puissance de calcul pour former des modèles d’IA, ce qui exige des ressources de calcul parallèle et de stockage de données très élevées. L’architecture de calcul ultra-parallèle d’AO permet à de nombreux nœuds d’exécuter simultanément des tâches de formation dans le même réseau, et d’échanger rapidement les paramètres du modèle et les résultats intermédiaires grâce à un mécanisme de messagerie ouvert, évitant ainsi les goulots d’étranglement dus à l’exécution séquentielle traditionnelle des blockchains. Cette architecture de concurrence sans verrouillage non seulement accélère la mise à jour du modèle, mais augmente également considérablement le débit global de formation.

Parallèlement, Arweave fournit un stockage permanent pour des données critiques, des poids de modèles et des résultats d’évaluation des performances. Les ensembles de données volumineux générés pendant le processus de formation peuvent être écrits en temps réel sur Arweave. Grâce à son immuabilité, tout nouveau nœud peut accéder aux données d’entraînement les plus récentes et aux instantanés de modèles, garantissant ainsi que les participants du réseau collaborent sur une base de données unifiée. Cette combinaison simplifie à la fois la distribution des données et fournit une base transparente et fiable pour le contrôle des versions des modèles et la validation des résultats, permettant au réseau Bittensor d’exploiter l’efficacité de calcul d’un cluster décentralisé tout en conservant son avantage décentralisé, ce qui repousse considérablement les limites de performance de l’apprentissage automatique décentralisé.

• Les agents économiques autonomes (AEAs) de Fetch.ai :

Dans le système de collaboration multi-agents Fetch.ai, la combinaison AO+Arweave peut également présenter d’excellents effets de synergie. Fetch.ai a construit une plateforme décentralisée permettant aux agents autonomes de collaborer sur des activités économiques en chaîne. Ces applications nécessitent de gérer simultanément un grand nombre d’agents fonctionnant en parallèle et d’échanger des données, ce qui exige des performances élevées en termes de calcul et de communication. AO offre à Fetch.ai un environnement d’exécution haute performance, où chaque agent autonome peut être considéré comme une unité de calcul indépendante dans le réseau AO, permettant à plusieurs agents d’exécuter des calculs complexes et une logique décisionnelle en parallèle sur des nœuds différents, sans se bloquer mutuellement. De plus, un mécanisme de messagerie ouverte optimise davantage la communication entre les agents : ces derniers peuvent échanger des informations de manière asynchrone via une file d’attente de messages en chaîne, déclencher des actions, évitant ainsi les retards liés à la mise à jour de l’état global dans les blockchains traditionnelles. Avec le soutien d’AO, des centaines voire des milliers d’agents Fetch.ai peuvent interagir en temps réel, rivaliser et coopérer, simulant ainsi un rythme d’activité économique proche du monde réel.

En même temps, la capacité de stockage permanent d’Arweave donne à Fetch.ai le partage de données et la préservation des connaissances, chaque agent générant ou collectant des données importantes (telles que des informations de marché, des journaux d’interaction, des accords de protocole, etc.) pendant son exécution peut les soumettre à Arweave pour les conserver, formant une mémoire publique permanente à laquelle d’autres agents ou utilisateurs peuvent accéder à tout moment sans avoir à faire confiance à la fiabilité d’un serveur centralisé. Cela garantit que la collaboration entre les agents est publiquement transparente - par exemple, une fois que les termes de service ou les offres de transaction publiés par un agent sont écrits dans Arweave, ils deviennent un enregistrement public reconnu par tous les participants, et ne seront pas perdus en cas de défaillance du nœud ou de modification malveillante. Grâce au calcul haute performance de AO et au stockage fiable d’Arweave, le système multi-agent intelligent de Fetch.ai peut réaliser une profondeur de collaboration sans précédent on-chain.

• Système multi-agents Eliza :

Les chatbots AI traditionnels dépendent généralement du cloud pour traiter le langage naturel avec une puissance de calcul importante et stocker les conversations à long terme ou les préférences des utilisateurs dans des bases de données. Grâce au calcul hyperparallèle de AO, l’assistant intelligent on-chain peut distribuer des tâches telles que la compréhension du langage, la génération de dialogues et l’analyse des émotions à plusieurs nœuds pour un traitement en parallèle, ce qui lui permet de répondre rapidement même lorsque de nombreux utilisateurs posent des questions simultanément. Le mécanisme de messagerie de AO garantit une collaboration efficace entre les modules : par exemple, le module de compréhension du langage extrait la sémantique et envoie les résultats de manière asynchrone au module de génération de dialogues, assurant ainsi un flux de conversation fluide dans l’architecture décentralisée. En même temps, Arweave agit comme la “mémoire à long terme” d’Eliza : tous les enregistrements d’interactions des utilisateurs, les préférences et les nouvelles connaissances apprises par l’assistant peuvent être stockés de manière permanente et cryptée, permettant de rappeler le contexte précédent lors des interactions ultérieures, assurant des réponses personnalisées et cohérentes. Le stockage permanent évite non seulement la perte de données dans les services centralisés ou les pertes de mémoire dues à des migrations de compte, mais fournit également un support historique aux modèles AI pour un apprentissage continu, permettant ainsi à l’assistant AI on-chain de devenir de plus en plus intelligent avec une utilisation accrue.

• Application d’agent en temps réel GameFi :

Dans le jeu décentralisé (GameFi), les caractéristiques complémentaires de AO et Arweave jouent un rôle clé. Les MMO traditionnels dépendent de serveurs centralisés pour effectuer un grand nombre de calculs simultanés et stocker des états, ce qui va à l’encontre du concept de décentralisation de la blockchain. AO propose de disperser la logique de jeu et les tâches de simulation physique pour un traitement parallèle sur un réseau décentralisé : par exemple, dans un monde virtuel en chaîne, les simulations de scènes dans différentes régions, les décisions comportementales des PNJ et les événements d’interaction des joueurs peuvent être calculés simultanément par différents nœuds, et les informations peuvent être échangées à travers des messages pour construire un monde virtuel complet. Cette architecture élimine les goulots d’étranglement des serveurs uniques, permettant au jeu de s’étendre linéairement avec l’augmentation des joueurs et de maintenir une expérience fluide.

En même temps, le stockage permanent d’Arweave fournit aux jeux un enregistrement fiable de l’état et de la gestion des actifs : les états clés (comme les changements de carte, les données des joueurs) et les événements importants (comme l’obtention d’objets rares, l’avancement de l’intrigue) sont régulièrement figés en tant que preuve sur la chaîne ; les métadonnées des actifs des joueurs (comme les skins de personnage, les NFT d’objets) ainsi que le contenu multimédia sont également stockés directement, garantissant la propriété permanente et la prévention de la falsification. Même en cas de mise à niveau du système ou de remplacement des nœuds, les états historiques stockés par Arweave peuvent toujours être récupérés, garantissant que les réalisations et les biens des joueurs ne seront pas perdus en raison de l’évolution technologique : aucun joueur ne souhaite que ces données disparaissent soudainement, de nombreux événements similaires se sont produits par le passé, par exemple : il y a plusieurs années, Vitalik Buterin a été furieux lorsque Blizzard a annulé soudainement la compétence de succion de vie des mages dans World of Warcraft. De plus, le stockage permanent permet à la communauté des joueurs de contribuer à l’histoire du jeu, en conservant durablement tous les événements importants sur la chaîne. En combinant le calcul parallèle intensif de l’AO avec le stockage permanent d’Arweave, cette architecture de jeu décentralisée brise efficacement les limites des modèles traditionnels en termes de performances et de persistance des données.

2.2 Avantages de l’intégration et de la complémentarité de l’écosystème

AO+Arweave non seulement fournit une infrastructure de soutien aux projets d’IA verticale, mais s’engage également à construire un écosystème d’IA décentralisé ouvert, diversifié et interconnecté. Comparé à des projets axés sur un seul domaine, la portée écologique de AO+Arweave est plus large et comporte plus de scénarios d’application. Son objectif est de construire une chaîne de valeur complète couvrant les données, les algorithmes, les modèles et la puissance de calcul. Ce n’est que dans un tel écosystème massif que le potentiel des actifs de données Web3 peut être pleinement libéré, créant ainsi une boucle économique d’IA décentralisée saine et durable.

Web3 Internet de la valeur et stockage permanent de la valeur

L’arrivée de l’ère du Web3.0 marque le fait que les actifs de données deviendront la ressource la plus cruciale sur Internet. Tout comme le stockage de “l’or numérique” sur le réseau Bitcoin, le service de stockage permanent proposé par Arweave permet aux actifs de données de valeur d’être conservés à long terme et de ne pas être altérés. Actuellement, le monopole des géants de l’Internet sur les données des utilisateurs rend difficile la valorisation des données personnelles, mais à l’ère du Web3, les utilisateurs auront la propriété des données et l’échange de données sera efficacement réalisé grâce à un mécanisme d’incitation par jetons.

• Propriétés de stockage de valeur :

Arweave a une capacité d’expansion horizontale puissante grâce à Blockweave, SPoRA et la technologie de bundling, en particulier dans les scénarios de stockage de données à grande échelle. Cette caractéristique permet à Arweave non seulement d’assumer la tâche de stockage de données permanentes, mais également de fournir un soutien solide pour la gestion ultérieure des droits de propriété intellectuelle, les transactions d’actifs de données et la gestion du cycle de vie des modèles d’IA.

• Économie des actifs de données :

Les actifs de données sont au cœur de la valeur d’Internet de Web3. À l’avenir, les données personnelles, les paramètres de modèles, les journaux d’entraînement, etc., deviendront tous des actifs précieux, permettant une circulation efficace grâce à des incitations par jetons, des mécanismes de droit de données, etc. AO+Arweave est précisément une infrastructure construite sur cette idée, dont l’objectif est de faciliter la circulation des actifs de données, insufflant ainsi une vitalité continue à l’écosystème Web3.

Quatre, risques et défis et perspectives futures

Malgré les avantages techniques d’AO+Arweave, il est toujours confronté aux défis suivants dans la pratique :

1. Complexité du modèle économique

Le modèle économique d’AO doit être profondément intégré au système économique des jetons AR pour garantir un stockage de données à faible coût et une transmission efficace des données. Ce processus implique des mécanismes d’incitation et de sanction entre plusieurs nœuds (tels que MU, SU, CU) et doit équilibrer la sécurité, les coûts et la scalabilité grâce à un mécanisme de consensus de sous-engagement SIV flexible. Dans la mise en œuvre réelle, équilibrer le nombre de nœuds et les besoins en tâches, éviter le gaspillage de ressources ou un revenu insuffisant est un problème que les promoteurs du projet doivent sérieusement considérer.

2. Construction insuffisante d’un marché de modèles et d’algorithmes décentralisés

L’écosystème actuel d’AO+Arweave se concentre principalement sur le stockage de données et le support de puissance de calcul, mais n’a pas encore développé un modèle décentralisé et un marché d’algorithmes complet. Sans fournisseurs de modèles stables, le développement des AI-Agent dans l’écosystème sera limité. Par conséquent, il est recommandé de soutenir les projets de marché de modèles décentralisés par le biais du fonds d’écosystème, afin de créer des barrières à l’entrée élevées et une protection à long terme.

Malgré de nombreux défis, avec l’arrivée progressive de l’ère Web3.0, la propriété et la circulation des actifs de données stimuleront la restructuration de tout le système de valeur de l’Internet. En tant que pionnier de l’infrastructure, AO+Arweave devrait jouer un rôle clé dans cette transformation, aidant à construire un écosystème d’IA décentralisée et un Internet de la valeur Web3.

Conclusion

Une analyse comparative détaillée des quatre dimensions de la mémoire intégrée, du stockage de données, du calcul parallèle et de la vérifiabilité nous amène à conclure que AO+Arweave présente des avantages évidents dans la prise en charge des tâches d’IA décentralisée, en particulier en ce qui concerne la satisfaction des besoins de formation de modèles d’IA à grande échelle, la réduction des coûts de stockage et l’amélioration de la confiance dans le système. En même temps, AO+Arweave non seulement fournit un solide support d’infrastructure pour les projets d’IA décentralisée de type vertical, mais présente également le potentiel de construire un écosystème complet d’IA, ce qui favorise la formation d’un cycle fermé des activités économiques des actifs de données Web3, entraînant ainsi une transformation majeure.

Dans le futur, avec l’amélioration continue du modèle économique, l’expansion progressive de l’échelle écologique et l’approfondissement de la coopération intersectorielle, AO+Arweave+AI devrait devenir un pilier important de l’Internet de la valeur Web3, apportant une nouvelle révolution pour la reconnaissance des actifs de données, l’échange de valeur et les applications décentralisées. Bien qu’il y ait encore des risques et des défis dans le processus de mise en œuvre réelle, c’est grâce à des essais continus et à l’optimisation que la technologie et l’écologie finiront par réaliser des progrès révolutionnaires.