Auteur : Zhang Feng
L’intelligence artificielle (IA) est sans aucun doute la tendance technologique la plus en vogue au monde. La technologie de l’IA remodèle tous les domaines de la vie à une vitesse sans précédent. Cependant, derrière l’agitation de la prospérité, se cache une cruelle réalité : la grande majorité des entreprises d’IA, en particulier les startups, n’ont pas trouvé de chemin stable et durable vers la rentabilité.Ils sont tombés dans le dilemme « des applaudissements mais pas du succès », où coexistent prospérité technologique et pertes commerciales.
1. Pourquoi « perdre de l’argent et gagner de l’argent » ?
Le dilemme du profit dans le secteur de l’IA n’est pas dû à l’échec de la technologie elle-même, mais aux contradictions structurelles provoquées par son modèle de développement centralisé.Plus précisément, cela peut être attribué aux trois principales raisons suivantes :
Centralisation extrême : coûts exorbitants et oligopole.L’IA grand public actuelle, en particulier les grands modèles, est une industrie typique « lourde en actifs ». Son processus de formation et d’inférence nécessite d’énormes quantités de puissance de calcul (GPU), de stockage et d’électricité.Cela a conduit à une polarisation : d’un côté se trouvent les géants de la technologie (tels que Google, Microsoft, OpenAI) dotés de capitaux abondants, qui peuvent se permettre des centaines de millions, voire des milliards de dollars d’investissement ;à l’autre extrémité, un grand nombre de start-up doivent « consacrer » la majeure partie de leur financement aux fournisseurs de services cloud pour obtenir de la puissance de calcul, et leurs marges bénéficiaires sont extrêmement réduites. Ce modèle forme une « oligarchie du pouvoir informatique » et étouffe la vitalité de l’innovation.Par exemple, même OpenAI s’est fortement appuyé sur l’énorme investissement de Microsoft et les ressources de cloud computing Azure dans ses premiers stades de développement pour prendre en charge le développement et l’exploitation de ChatGPT.Pour la plupart des acteurs, les coûts fixes élevés rendent difficile l’atteinte d’une rentabilité à grande échelle.
Dilemme des données : obstacles à la qualité et risques en matière de confidentialité.Le carburant de l’IA, ce sont les données.Les entreprises d’IA centralisées sont généralement confrontées à deux problèmes majeurs pour obtenir des données de formation de haute qualité et à grande échelle. Premièrement, les coûts d’acquisition de données sont élevés.Qu’il s’agisse de la collecte payante, de l’annotation des données ou de l’utilisation des données des utilisateurs, cela implique un énorme investissement en temps et en argent.Deuxièmement, les risques liés à la confidentialité des données et à la conformité sont énormes.À mesure que les réglementations mondiales en matière de données (telles que le RGPD et le CCPA) se renforcent, la collecte et l’utilisation de données sans l’autorisation explicite des utilisateurs peuvent déclencher à tout moment des poursuites judiciaires et d’énormes amendes.Par exemple, de nombreuses entreprises technologiques renommées ont été confrontées à des amendes exorbitantes en raison de problèmes d’utilisation des données.Cela crée un paradoxe : l’IA ne peut se développer sans données, mais obtenir et utiliser des données est difficile.
Répartition déséquilibrée de la valeur : les contributeurs et les créateurs sont exclus des avantages.Dans l’écosystème actuel de l’IA, la répartition de la valeur est extrêmement injuste.La formation des modèles d’IA repose sur des données comportementales générées par d’innombrables utilisateurs, du contenu (texte, images, code, etc.) produit par les créateurs et du code open source fourni par les développeurs du monde entier.Cependant, ces principaux contributeurs ne reçoivent pratiquement aucun retour de l’énorme valeur commerciale créée par les modèles d’IA.Il ne s’agit pas seulement d’une question éthique, mais aussi d’un modèle économique non durable.Cela freine l’enthousiasme des contributeurs de données et des créateurs de contenu et, à long terme, érodera les bases d’une optimisation et d’une innovation continues des modèles d’IA.Un cas typique est celui de nombreux artistes et écrivains accusant les sociétés d’IA d’utiliser leurs œuvres à des fins de formation et de profit sans aucune compensation, ce qui a déclenché de nombreuses controverses et litiges juridiques.
2. Nouveau paradigme du profit
DeAI (Decentralized AI) n’est pas une technologie unique, mais un nouveau paradigme qui intègre la blockchain, la cryptographie et l’informatique distribuée.Il vise à reconstruire la relation de production de l’IA grâce à une approche décentralisée, résolvant ainsi de manière ciblée les trois principaux problèmes ci-dessus et ouvrant la possibilité de réaliser des bénéfices.
DeAI utilise le modèle de « crowdsourcing » pour distribuer les besoins en puissance de calcul aux nœuds inactifs (ordinateurs personnels, centres de données, etc.) dans le monde entier.Ceci est similaire à « Airbnb pour GPU », formant un marché mondial et compétitif de la puissance de calcul qui peut réduire considérablement les coûts de la puissance de calcul.Les participants reçoivent des incitations symboliques en contribuant à la puissance de calcul, obtenant ainsi une allocation optimale des ressources.
DeAI parvient à « les données ne bougent pas mais le modèle bouge » grâce à des technologies telles que « l’apprentissage fédéré » et le « cryptage homomorphe ».Au lieu de centraliser les données brutes en un seul endroit, il distribue les modèles à diverses sources de données pour une formation locale, en regroupant uniquement les mises à jour de paramètres cryptées.Cela protège fondamentalement la confidentialité des données tout en tirant parti de la valeur des données décentralisées de manière légale et conforme.Les propriétaires de données peuvent décider indépendamment de fournir ou non des données et d’en tirer profit.
DeAI a construit un système de distribution transparent et à juste valeur grâce à une « économie symbolique » et des « contrats intelligents ».Les contributeurs de données, les fournisseurs de puissance de calcul, les développeurs de modèles et même les utilisateurs de modèles peuvent automatiquement recevoir des récompenses symboliques correspondantes via des contrats intelligents en fonction de leur contribution.Cela transforme l’IA d’une « boîte noire » contrôlée par des géants à une économie ouverte co-construite, co-gouvernée et partagée par la communauté.
3. Transformation de l’architecture à trois niveaux
La migration des activités d’IA centralisées traditionnelles vers le paradigme DeAI nécessite une reconstruction systématique aux trois niveaux de la technologie, de l’entreprise et de la gouvernance.
(1) Reconstruction technique de centralisé à distribué
Couche de puissance de calculEn nous appuyant sur le projet Decentralized Physical Infrastructure Network (DePIN), tel que Akash Network, Render Network, etc., nous construisons un pool de puissance de calcul distribué flexible et à faible coût pour remplacer les services cloud centralisés traditionnels.
couche de donnéesL’apprentissage fédéré est utilisé comme cadre de formation de base, combiné à des technologies cryptographiques telles que le cryptage homomorphe et le calcul multipartite sécurisé pour garantir la confidentialité et la sécurité des données.Établir un marché de données basé sur la blockchain, tel que Ocean Protocol, pour permettre l’échange de données dans des conditions de confirmation et de sécurité.
couche de modèleLe modèle d’IA formé est déployé sur la blockchain sous la forme d’un « contrat intelligent d’IA », le rendant transparent, vérifiable et appelable sans autorisation.Chaque utilisation du modèle et les avantages générés peuvent être enregistrés et distribués avec précision.
(2) Reconstruction d’entreprise de la vente de services à la co-construction écologique
Du SaaS au DaaS (data as a service) et MaaS (model as a service),Les entreprises ne se contentent plus de vendre le nombre d’appels API, mais agissent en tant que bâtisseurs écologiques, motivant la communauté à participer à la construction du réseau en émettant des jetons fonctionnels ou des jetons de gouvernance. La source de revenus s’est étendue d’une commission de service unique à une appréciation symbolique, des dividendes sur les frais de transaction, etc.provoqués par la croissance de la valeur écologique.
Par conséquent,Construisez une plate-forme de tâches décentralisée pour publier des tâches telles que l’annotation de données, le réglage fin du modèle et le développement d’applications pour des scénarios spécifiques sous la forme de « primes » permettant aux membres de la communauté mondiale d’entreprendre et de recevoir des récompenses, réduisant ainsi considérablement les coûts d’exploitation et stimulant la vitalité de l’innovation.
(3) Du système d’entreprise àDAOrestructuration de la gouvernance
Sur la base de la gouvernance communautaire, en détenant des jetons de gouvernance, les participants de la communauté (contributeurs, utilisateurs) ont le droit de voter sur les décisions clés, telles que la direction d’ajustement des paramètres du modèle, l’utilisation des fonds du trésor, la priorité de développement de nouvelles fonctions, etc.Cela permet de véritables « utilisateurs en tant que propriétaires ».
Fondé sur l’ouverture et la transparence, leTous les codes, modèles (certains peuvent être open source), enregistrements de transactions et décisions de gouvernance sont mis en chaîne pour garantir l’ouverture et la transparence du processus et établir une relation de collaboration sans confiance. Cela constitue en soi un puissant atout de marque et un soutien de confiance.
Prenons comme exemple la transformation des plateformes de données logistiques traditionnelles en DeAI.Le dilemme de la plate-forme de données logistiques traditionnelle est que, bien qu’elle rassemble des données de toutes les parties telles que l’expédition, le transport terrestre et l’entreposage, les participants ne sont « pas disposés à les partager » en raison des préoccupations concernant la fuite de secrets commerciaux, ce qui entraîne des îlots de données et une valeur limitée de la plate-forme.Le cœur de la transformation vers DeAI est de libérer la valeur des données et de fournir des incitations équitables sans exposer les données d’origine :
Construisez techniquement un réseau informatique fiable.La plateforme ne stocke plus les données de manière centralisée, mais se transforme en une couche de coordination basée sur la blockchain.Adoptant des modèles techniques tels que l’apprentissage fédéré, le modèle d’IA est « aéroporté » vers les serveurs locaux de chaque entreprise (tels que les compagnies maritimes et les entrepôts) pour la formation, et seules les mises à jour des paramètres cryptées sont agrégées pour optimiser conjointement le modèle de prédiction global (comme l’heure d’arrivée des cargos, le risque de liquidation des entrepôts), obtenant ainsi « les données ne bougent pas, la valeur bouge ».
Promouvoir la valorisation des données et les incitations symboliques dans les entreprises.La plateforme est dotée de points pratiques, et les entreprises de logistique peuvent « exploiter » en contribuant des données (paramètres du modèle) pour obtenir des récompenses en points.Les clients en aval (tels que les propriétaires de fret) paient des jetons pour interroger des « résultats prévisionnels » de haute précision (par exemple : la ponctualité d’un certain itinéraire au cours de la semaine suivante) au lieu d’acheter des données brutes.Les revenus sont automatiquement distribués aux contributeurs de données via des contrats intelligents.
Bâtir des industries basées sur la gouvernanceDAO,Les décisions clés (telles que le développement de nouvelles fonctionnalités, l’ajustement des frais) sont votées conjointement par les détenteurs de jetons (c’est-à-dire les principaux participants) pour transformer la plate-forme d’une plate-forme dominée par une entreprise privée en une communauté industrielle.
La plateforme est passée d’une organisation centralisée essayant d’extraire les frais d’intermédiaire de données à un système nerveux de co-construction, de co-gouvernance et de partage de l’ensemble de la chaîne logistique. En résolvant le problème de la confiance, il a considérablement amélioré l’efficacité collaborative et la résistance au risque du secteur.
4. Conformité et sécurité
Bien que DeAI ait de grandes perspectives, son développement en est encore à ses débuts et est confronté à une série de défis qui ne peuvent être ignorés.
Conformité et insécurité juridique.En termes de réglementation des données,Même si les données ne bougent pas, des modèles tels que l’apprentissage fédéré doivent toujours se conformer strictement aux exigences de « limitation de la finalité », de « minimisation des données » et aux droits des utilisateurs (tels que le droit à l’oubli) dans des réglementations telles que le RGPD lors du traitement des données personnelles.Les parties au projet doivent concevoir des mécanismes conformes d’autorisation et de sortie des données.
En matière de réglementation des valeurs mobilières,Les jetons émis par des projets peuvent facilement être reconnus comme des titres par les agences de réglementation de divers pays (comme la SEC américaine), soumis ainsi à un examen réglementaire strict.Comment éviter les risques juridiques lors de la conception d’un modèle économique symbolique est la clé de la survie du projet.
En termes de responsabilité du contenu,Si un modèle DeAI déployé sur la chaîne produit du contenu préjudiciable, biaisé ou illégal, qui est responsable ?S’agit-il d’un développeur de modèles, d’un fournisseur de puissance de calcul ou d’un détenteur de jetons de gouvernance ?Cela a posé de nouveaux problèmes au système juridique existant.
En termes de défis de sécurité et de performances,sécurité des modèlesC’estLes modèles déployés sur les chaînes publiques peuvent être confrontés à de nouveaux vecteurs d’attaque, tels que l’exploitation des vulnérabilités des contrats intelligents ou l’endommagement malveillant des systèmes d’apprentissage fédéré en empoisonnant les données.
Le goulot d’étranglement des performances estLa vitesse de transaction (TPS) et les limitations de stockage de la blockchain elle-même peuvent ne pas prendre en charge les demandes d’inférence de grands modèles à haute fréquence et à faible latence.Cela nécessite une combinaison efficace de solutions d’extension de couche 2 et d’informatique hors chaîne.
L’efficacité de la collaboration estBien que la collaboration distribuée soit équitable, l’efficacité de la prise de décision et de l’exécution peut être inférieure à celle des entreprises centralisées. Comment trouver un équilibre entre efficacité et équité est un art qui doit être continuellement exploré dans la gouvernance du DAO.
En tant que révolution dans les relations de production, DeAI devrait briser le monopole des géants grâce à la technologie distribuée, à l’économie symbolique et à la gouvernance communautaire, libérer la puissance de calcul inutilisée et la valeur des données dans le monde entier et construire un nouvel écosystème d’IA plus juste, durable et potentiellement plus rentable.
5. Orientation actuelle de l’exploration
Le développement actuel des outils d’IA est encore loin de parvenir à une intelligence artificielle décentralisée idéale. Nous n’en sommes qu’aux premiers stades de la domination des services centralisés, mais certaines explorations ont indiqué l’orientation future..
Explorations actuelles et défis futurs.Bien que le DeAI idéal n’ait pas encore été réalisé, l’industrie fait déjà des efforts précieux, ce qui nous aide à voir la voie à suivre et les obstacles à surmonter.
Comme le prototype de collaboration dans un système multi-agents.Certains projets explorent la construction d’un environnement dans lequel les agents d’IA collaborent et co-évoluent. Par exemple, le projet AMMO vise à créer un « réseau symbiotique entre les humains et l’IA ».Le cadre multi-agents et l’environnement de simulation RL Gyms qu’il a conçu permettent aux agents d’IA d’apprendre à collaborer et à s’affronter dans des scénarios complexes.Cela peut être considéré comme une tentative de construire les règles d’interaction sous-jacentes du monde DeAI.
Un autre exemple est une tentative préliminaire de modèle d’incitation.Selon la vision de DeAI, les utilisateurs qui fournissent des données et des nœuds fournissant de la puissance de calcul devraient recevoir des retours équitables.Certains projets tentent de redistribuer la valeur directement aux contributeurs de l’écosystème via des systèmes d’incitation basés sur la cryptographie.Bien entendu, la manière dont ce modèle économique peut fonctionner à grande échelle, de manière stable et équitable reste un énorme défi.
Un autre exemple est l’évolution vers une société plus autonomeIA: Les produits Deep Research démontrent la puissante autonomie de l’IA dans des tâches spécifiques (telles que la récupération et l’analyse d’informations). Ils peuvent planifier de manière autonome, effectuer des opérations en plusieurs étapes et optimiser les résultats de manière itérative.Cette capacité d’automatisation des tâches constitue la base du travail indépendant des agents IA dans les futurs réseaux DeAI.
Pour les praticiens de l’IA qui luttent dans l’océan rouge, au lieu de s’enliser dans l’ancien paradigme, il vaut mieux embrasser courageusement le nouvel océan bleu de la DeAI.Il ne s’agit pas seulement d’une transformation des voies techniques, mais aussi d’une refonte de la philosophie d’entreprise – de « l’extraction » aux « incitations », du « fermé » à « l’ouvert », des « profits de monopole » à la « croissance inclusive ».
jakiro
