L'IA ne rapporte pas d'argent ? DeAI est à l'aube d'un nouvel avenir.

Rédigé par : Zhang Feng

L'intelligence artificielle (IA) est sans aucun doute le domaine technologique le plus en vogue au monde, et la technologie IA redéfinit les industries à un rythme sans précédent. Cependant, derrière cette prospérité bruyante se cache une réalité cruelle : la grande majorité des entreprises d'IA, en particulier les start-ups, n'ont pas trouvé de chemin de rentabilité stable et durable. Elles se retrouvent dans une situation où elles suscitent des éloges mais ne génèrent pas de revenus, avec une prospérité technologique coexistante avec des pertes commerciales.

Pourquoi “perdre de l'argent pour se faire connaître” ?

Les difficultés de rentabilité des affaires d'IA ne proviennent pas de l'échec de la technologie elle-même, mais sont dues à un modèle de développement centralisé qui entraîne des contradictions structurelles. Plus précisément, cela peut être résumé par les trois raisons suivantes :

Centralisation extrême : coûts exorbitants et oligopole. L'IA dominante actuelle, en particulier les grands modèles, est un secteur typiquement « lourd en actifs ». Son processus d'entraînement et d'inférence nécessite une consommation massive de puissance de calcul (GPU), de stockage et d'électricité. Cela a conduit à une polarisation : d'un côté, les géants de la technologie avec des capitaux solides (comme Google, Microsoft, OpenAI), capables de supporter des investissements de plusieurs millions, voire plusieurs milliards de dollars ; de l'autre, de nombreuses start-ups qui doivent consacrer la majeure partie de leur financement à des fournisseurs de services cloud pour obtenir de la puissance de calcul, ce qui réduit considérablement leur marge bénéficiaire. Ce modèle a créé un « oligopole de la puissance de calcul », étouffant la vitalité de l'innovation. Par exemple, même OpenAI, à ses débuts, dépendait fortement des énormes investissements de Microsoft et des ressources de cloud computing Azure pour soutenir le développement et l'exploitation de ChatGPT. Pour la grande majorité des acteurs, les coûts fixes élevés rendent difficile la réalisation de bénéfices à grande échelle.

Dilemme des données : barrières de qualité et risques de confidentialité. Le carburant de l'IA est constitué de données. Les entreprises d'IA centralisées font face à deux grands défis pour obtenir des données d'entraînement de haute qualité et à grande échelle. Premièrement, le coût d'acquisition des données est élevé. Que ce soit par la collecte payante, l'annotation des données ou l'utilisation des données des utilisateurs, cela implique d'énormes investissements financiers et temporels. Deuxièmement, les risques de confidentialité des données et de conformité sont énormes. Avec le durcissement des réglementations mondiales sur les données (comme le RGPD, la CCPA), la collecte et l'utilisation de données sans l'autorisation explicite des utilisateurs peuvent entraîner des poursuites judiciaires et des amendes considérables à tout moment. Par exemple, plusieurs grandes entreprises technologiques ont déjà été confrontées à des amendes astronomiques en raison de problèmes d'utilisation des données. Cela crée un paradoxe : sans données, il est impossible de développer l'IA, mais l'acquisition et l'utilisation des données sont extrêmement difficiles.

Déséquilibre dans la répartition de la valeur : les contributeurs et les créateurs sont exclus des bénéfices. Dans l'écosystème actuel de l'IA, la répartition de la valeur est extrêmement injuste. L'entraînement des modèles d'IA repose sur d'innombrables données de comportement générées par les utilisateurs, sur le contenu produit par les créateurs (textes, images, codes, etc.) et sur le code source contribué par des développeurs du monde entier. Cependant, ces contributeurs essentiels ne peuvent presque pas obtenir de retour sur la valeur commerciale colossale créée par les modèles d'IA. Cela pose non seulement un problème éthique, mais constitue également un modèle commercial insoutenable. Cela décourage les contributeurs de données et les créateurs de contenu, et à long terme, cela érodera les bases de l'optimisation et de l'innovation continues des modèles d'IA. Un exemple typique est que de nombreux artistes et écrivains accusent les entreprises d'IA d'utiliser leurs œuvres pour s'entraîner et en tirer profit sans leur donner aucune compensation, ce qui a suscité une large controverse et des litiges juridiques.

Deux, Nouveau Paradigme de Profitabilité

DeAI (Intelligence Artificielle Décentralisée) n'est pas une technologie unique, mais un nouveau paradigme qui combine blockchain, cryptographie et calcul distribué. Il vise à reconstruire les relations de production de l'IA de manière décentralisée, afin de résoudre de manière ciblée les trois problèmes majeurs mentionnés ci-dessus et d'ouvrir des possibilités de profit.

DeAI utilise un modèle de « crowdsourcing » pour répartir la demande de puissance de calcul sur des nœuds inoccupés à l'échelle mondiale (ordinateurs personnels, centres de données, etc.). Cela ressemble à un « Airbnb pour GPU », formant un marché de puissance de calcul mondial et compétitif, capable de réduire considérablement le coût de la puissance de calcul. Les participants obtiennent des incitations en tokens en contribuant leur puissance de calcul, réalisant ainsi une optimisation des ressources.

DeAI utilise des technologies telles que « l'apprentissage fédéré » et « le chiffrement homomorphe » pour réaliser « les données immobiles, le modèle mobile ». Il n'est pas nécessaire de centraliser les données brutes à un seul endroit, mais plutôt de distribuer le modèle aux différentes sources de données pour un entraînement local, en n'agrégeant que les mises à jour de paramètres chiffrées. Cela protège fondamentalement la confidentialité des données tout en exploitant légalement et conformément la valeur des données décentralisées. Les propriétaires de données peuvent décider de manière autonome s'ils souhaitent fournir des données et en tirer profit.

DeAI a construit un système de distribution de valeur transparent et équitable grâce à la « tokenomics » et aux « contrats intelligents ». Les contributeurs de données, les fournisseurs de puissance de calcul, les développeurs de modèles et même les utilisateurs de modèles peuvent recevoir automatiquement des récompenses en tokens en fonction de leur contribution, via des contrats intelligents. Cela transforme l'IA d'une « boîte noire » contrôlée par des géants en une économie ouverte co-construite, co-gérée et co-partagée par la communauté.

Trois, architecture à trois niveaux de transformation

Migrer les activités traditionnelles d'IA centralisée vers le paradigme DeAI nécessite une restructuration systémique à trois niveaux : technique, commercial et de gouvernance.

(1) De la reconstruction technique centralisée à décentralisée

La couche de puissance de calcul s'appuie sur des projets de réseau d'infrastructure physique décentralisée (DePIN), tels que Akash Network, Render Network, etc., pour construire des pools de puissance de calcul distribués, flexibles et à faible coût, remplaçant ainsi les services cloud centralisés traditionnels.

La couche de données utilise l'apprentissage fédéré comme cadre d'entraînement principal, combinant des techniques cryptographiques telles que le chiffrement homomorphe et le calcul multipartite sécurisé pour garantir la confidentialité et la sécurité des données. Établir un marché de données basé sur la blockchain, comme Ocean Protocol, permet d'échanger des données sous réserve de droits et de sécurité.

La couche de modèle déploie le modèle d'IA entraîné sous la forme de “contrats intelligents AI” sur la blockchain, rendant son utilisation transparente, vérifiable et accessible sans autorisation. Chaque utilisation du modèle et les revenus générés peuvent être enregistrés et répartis avec précision.

(II) Reconstruction des affaires de la vente de services à la co-construction de l'écosystème

De SaaS à DaaS (Data as a Service) et MaaS (Model as a Service), les entreprises ne se contentent plus de vendre des appels d'API, mais agissent en tant que bâtisseurs d'écosystèmes, en émettant des tokens fonctionnels ou des tokens de gouvernance pour inciter la communauté à participer à la construction du réseau. Les sources de revenus passent d'une simple redevance de service à une valorisation des tokens résultant de la croissance de la valeur de l'écosystème, ainsi qu'à des dividendes sur les frais de transaction.

Ainsi, la création d'une plateforme de tâches décentralisée, où des tâches telles que l'annotation de données, l'ajustement de modèles et le développement d'applications pour des scénarios spécifiques sont publiées sous forme de « récompenses », permettant aux membres de la communauté mondiale de les entreprendre et de recevoir des récompenses, réduit considérablement les coûts opérationnels et stimule la vitalité de l'innovation.

(3) De la gouvernance d'entreprise à la reconstruction de la gouvernance des DAO

Basé sur la gouvernance communautaire, les participants de la communauté (contributeurs, utilisateurs) ont le droit de voter sur les décisions clés en détenant des jetons de gouvernance, telles que l'orientation des ajustements des paramètres du modèle, l'utilisation des fonds de la trésorerie, la priorité du développement de nouvelles fonctionnalités, etc. Cela réalise véritablement le “utilisateur est propriétaire”.

Basé sur l'ouverture et la transparence, tous les codes, modèles (certains pouvant être open source), enregistrements de transactions et décisions de gouvernance sont enregistrés sur la chaîne, garantissant la transparence du processus et établissant des relations de coopération sans confiance, ce qui constitue en soi un puissant actif de marque et un soutien de confiance.

Prenons l'exemple de la transformation d'une plateforme de données logistiques traditionnelle vers DeAI. Le dilemme des plateformes de données logistiques traditionnelles réside dans le fait qu'elles rassemblent des données de divers acteurs, telles que le transport maritime, le transport terrestre et l'entreposage, mais les participants “ne souhaitent pas partager” en raison de leurs craintes concernant la divulgation de secrets commerciaux, ce qui entraîne des îlots de données et une valeur limitée de la plateforme. Le cœur de la transformation vers DeAI est de libérer la valeur des données et d'inciter équitablement, sans exposer les données brutes :

Construire un réseau de calcul de confiance sur le plan technique. La plateforme ne stocke plus les données de manière centralisée, mais se transforme en une couche de coordination basée sur la blockchain. En adoptant des modes technologiques tels que l'apprentissage fédéré, les modèles d'IA peuvent “atterrir” sur les serveurs locaux de chaque entreprise (comme les compagnies maritimes, les entrepôts) pour s'entraîner, en ne regroupant que les mises à jour de paramètres cryptées, optimisant ainsi conjointement le modèle de prévision global (comme le temps d'arrivée des navires au port, le risque de saturation des entrepôts), réalisant ainsi “les données ne bougent pas, la valeur bouge”.

L'implémentation de l'assetisation des données et des incitations par des tokens dans les affaires. Émission de points utilitaires par la plateforme, les entreprises logistiques « minent » des points de récompense en contribuant des données (paramètres de modèle). Les clients en aval (comme les expéditeurs) paient des tokens pour consulter des « résultats de prévision » de haute précision (par exemple : le taux de ponctualité d'une ligne pour la semaine à venir), plutôt que d'acheter des données brutes. Les revenus sont automatiquement répartis entre les contributeurs de données via des contrats intelligents.

Construire un DAO industriel pour la gouvernance, où les décisions clés (comme le développement de nouvelles fonctionnalités, l'ajustement des frais) sont prises par un vote collectif des détenteurs de tokens (c'est-à-dire des participants clés), transformant la plateforme d'une entreprise privée en une communauté industrielle.

La plateforme s'est transformée d'une institution centralisée tentant d'extraire des frais de courtage de données en un système nerveux co-construit, co-géré et partagé de l'ensemble de la chaîne logistique, en résolvant le problème de la confiance, ce qui a considérablement amélioré l'efficacité de la collaboration dans l'industrie et sa capacité à résister aux risques.

Quatre, Conformité et Sécurité

Bien que l'avenir de DeAI soit prometteur, son développement en est encore à ses débuts et fait face à une série de défis non négligeables.

Conformité et incertitude juridique. En ce qui concerne la réglementation des données, même si les données ne se déplacent pas, des modèles tels que l'apprentissage fédéré doivent toujours respecter strictement les exigences des réglementations comme le RGPD concernant la “limitation des finalités”, la “minimisation des données” et les droits des utilisateurs (comme le droit à l'oubli) lors du traitement des données personnelles. Les parties prenantes doivent concevoir des mécanismes de consentement et de retrait conformes.

En matière de réglementation des valeurs mobilières, les jetons émis par le projet sont facilement considérés comme des valeurs mobilières par les autorités de régulation de nombreux pays (comme la SEC américaine), ce qui les expose à un examen réglementaire strict. Éviter les risques juridiques lors de la conception du modèle économique des jetons est essentiel à la survie du projet.

En matière de responsabilité du contenu, si un modèle DeAI déployé sur la chaîne produit du contenu nuisible, biaisé ou illégal, qui est le responsable ? Est-ce le développeur du modèle, le fournisseur de puissance de calcul ou les détenteurs de jetons de gouvernance ? Cela pose de nouveaux défis pour le système juridique actuel.

En ce qui concerne les défis en matière de sécurité et de performance, la sécurité des modèles signifie que les modèles déployés sur des chaînes publiques peuvent faire face à de nouveaux vecteurs d'attaque, tels que l'exploitation des vulnérabilités des contrats intelligents ou la destruction malveillante des systèmes d'apprentissage fédéré par des données empoisonnées.

Les goulets d'étranglement de performance se réfèrent à la vitesse des transactions (TPS) et aux limites de stockage de la blockchain elle-même, qui peuvent ne pas pouvoir supporter des demandes d'inférence de grands modèles à haute fréquence et faible latence. Cela nécessite une combinaison efficace des solutions d'évolutivité de Layer 2 et du calcul hors chaîne.

L'efficacité de la collaboration, bien que la collaboration décentralisée soit équitable, peut entraîner une prise de décision et une exécution moins efficaces que celles des entreprises centralisées. Trouver un équilibre entre efficacité et équité est un art que la gouvernance DAO doit continuer à explorer.

DeAI, en tant que révolution des relations de production, grâce à la technologie distribuée, à l'économie des tokens et à la gouvernance communautaire, pourrait briser le monopole des géants, libérer la puissance de calcul et la valeur des données inutilisées à l'échelle mondiale, et construire un nouvel écosystème d'IA plus équitable, durable et potentiellement plus rentable.

V. Directions d'exploration actuelles

Le développement actuel des outils d'IA est encore loin de la réalisation d'une intelligence artificielle décentralisée idéale. Nous sommes encore dans une phase précoce dominée par des services centralisés, mais certaines explorations ont déjà indiqué la direction future.

Explorations actuelles et défis futurs. Bien que l'idéal DeAI ne soit pas encore réalisé, l'industrie effectue déjà des tentatives précieuses, ce qui nous aide à clarifier le chemin futur et les obstacles à surmonter.

Comme un prototype de collaboration pour un système multi-agents. Certains projets explorent la construction d'un environnement où des agents IA coopèrent et évoluent ensemble. Par exemple, le projet AMMO vise à créer un « réseau de symbiose entre l'homme et l'IA », dont le cadre multi-agents conçu et l'environnement de simulation RL Gyms permettent aux agents IA d'apprendre la collaboration et la compétition dans des scénarios complexes. Cela peut être considéré comme une tentative de construire des règles d'interaction fondamentales pour le monde DeAI.

Ainsi, il s'agit d'une tentative de modèle d'incitation préliminaire. Dans la conception de DeAI, les utilisateurs qui fournissent des données et les nœuds qui fournissent de la puissance de calcul devraient tous recevoir une compensation équitable. Certains projets tentent de redistribuer directement la valeur aux contributeurs de l'écosystème à travers un système d'incitation basé sur la cryptographie. Bien sûr, comment ce modèle économique peut fonctionner à grande échelle, de manière stable et équitable, reste un énorme défi.

Par exemple, vers une IA plus autonome : les produits de type Deep Research montrent la grande autonomie de l'IA dans des tâches spécifiques (comme la recherche d'informations, l'analyse). Ils peuvent planifier de manière autonome, exécuter des opérations en plusieurs étapes et itérer pour optimiser les résultats. Cette capacité d'automatisation des tâches est la base du travail indépendant des agents IA dans le futur réseau DeAI.

Pour les professionnels de l'IA qui luttent dans la mer Rouge, plutôt que de s'enliser dans l'ancien paradigme, il vaut mieux embrasser courageusement cette nouvelle mer bleue qu'est DeAI. Ce n'est pas seulement un changement de voie technologique, mais une refonte de la philosophie commerciale - passant de “l'extraction” à “l'incitation”, de “la fermeture” à “l'ouverture”, de “la monopolisation des profits” à “la croissance inclusive”.