Prédictions de VanEck concernant les revenus cryptographiques liés à l’IA d’ici 2030

Nous décrivons des scénarios de revenus cryptographiques liés à l’IA d’ici 2030, en mettant en évidence un scénario de base de 10,2 milliards de dollars, et nous soulignons le rôle crucial des blockchains publiques pour favoriser l’adoption de l’IA grâce à des caractéristiques essentielles.

Veuillez noter que VanEck peut détenir des positions dans les actifs numériques décrits ci-dessous.

Principaux points à retenir :

• Les revenus cryptographiques liés à l'IA devraient atteindre 10,2 milliards de dollars d’ici 2030 dans notre scénario de référence.
• La technologie blockchain pourrait devenir un moteur essentiel de l'adoption de l'IA et des progrès en matière de solutions d'IA décentralisées.
• Les intégrations à incitations cryptographiques peuvent améliorer la sécurité et l’efficacité des modèles d’IA.
• La blockchain pourrait s'imposer comme une solution aux problèmes de vérification de l'identité et d'intégrité des données liés à l'IA.

Il est très probable que les blockchains publiques soient la clé de l'adoption généralisée de l'intelligence artificielle (IA) et que les applications de l'IA deviennent la raison d'être des crypto-monnaies. En effet, elles fournissent des éléments essentiels pour l'IA : transparence, immutabilité, propriétés clairement définies, environnement d'essai antagoniste, etc. Nous pensons que ces propriétés seront déterminantes pour l’IA afin qu'elle puisse atteindre son plein potentiel. Sur la base des estimations de la croissance de l'IA, nous pensons que les projets de crypto-monnaie axés sur l'IA devraient générer des revenus annuels de 10,2 milliards de dollars d'ici 2030. Dans cet article, nous spéculons sur le rôle des crypto-monnaies dans la facilitation de l'adoption de l'IA et sur la valeur que les crypto-monnaies tireront des activités liées à l'IA :

Voici, selon nos recherches, les meilleures applications des crypto-monnaies à l’IA :

• Mise à disposition de ressources informatiques décentralisées
• Test, mise au point et vérification de modèles
• Protection des droits d’auteur et intégrité des données
• Sécurité de l’IA
• Identité

Permettant déjà de résoudre de nombreux problèmes actuels et futurs auxquels l'IA est confrontée, les crypto-monnaies lui seront extraordinairement utiles. Fondamentalement, les crypto-monnaies résolvent des problèmes de coordination. Les crypto-monnaies associent des ressources humaines, informatiques et monétaires pour faire fonctionner des logiciels libres. Pour ce faire, elles offrent des récompenses, sous la forme de jetons liés à la valeur de chaque réseau, à ceux qui créent, soutiennent et utilisent le réseau de chaque blockchain. Ce système de récompense peut être appliqué pour amorcer différents composants de la pile de valeurs de l’IA. L’une des conséquences importantes de l’intégration des crypto-monnaies à l’IA réside dans l'exploitation des incitations liées aux crypto-monnaies pour développer des infrastructures physiques essentielles, telles que des clusters GPU, dédiées à l’entraînement, à l'optimisation et à l’utilisation de modèles génératifs. Étant donné que la crypto constitue un environnement antagoniste qui utilise les crypto-monnaies afin de récompenser le comportement souhaité de l’utilisateur, il s'agit du terrain optimal pour tester et affiner les modèles d’IA afin d’optimiser les résultats qui sont conformes à certaines normes de qualité.

Les blockchains apportent également de la transparence aux droits de propriété numérique, ce qui pourrait contribuer à résoudre certains des problèmes liés aux logiciels libres auxquels l’IA sera confrontée devant les tribunaux, déjà notables dans le procès opposant le NYTimes à OpenAI et à Microsoft. En effet, la crypto-monnaie peut prouver de manière transparente la propriété et la protection des droits d’auteur pour les propriétaires de données, les créateurs de modèles et les utilisateurs de modèles. Cette transparence s’étendra également aux preuves mathématiques de l’efficacité des modèles, qui seront publiées sur les blockchains publiques. Enfin, grâce aux signatures numériques infalsifiables et à l’intégrité des données, nous pensons que les blockchains publiques contribueront à résoudre les problèmes d’identification et de sécurité qui, autrement, réduiraient l’efficacité de l’IA.

Définir le rôle des crypto-monnaies dans les entreprises d’IA

Projection des revenus cryptographiques liés à l'IA d'ici 2030 : Scénarios de marché baissier, de base et de marché haussier

Taille du marché TAM (milliards de dollars)	Marché baissier	Base	Marché haussier
Gains de productivité de l’IA générative à l’horizon 2030 (TAM)	$2,930	$5,851	$8,494
Adoption de l’IA par les entreprises à l’horizon 2030	10.00%	33.00%	50.00%
TAM des entreprises d'IA	$293	$1,931	$4,247
Capture de la valeur de la pile IA	6.00%	13.00%	20.00%
Dépenses totales des entreprises en matière d’IA	$17.58	$251.00	$849.44
Part de la pile de l’IA (milliards de dollars)	Marché baissier	Base	Marché haussier
Logiciel	50.00%	50.00%	50.00%
Infrastructure en tant que service d'IA	18.90%	18.90%	18.90%
Identité	3.50%	3.50%	3.50%
Sécurité	8.90%	8.90%	8.90%
Revenus annuels de la pile de l'IA (milliards de dollars)	Marché baissier	Base	Marché haussier
Logiciel	$8.79	$125.50	$424.72
Infrastructure en tant que service d'IA	$3.32	$47.44	$160.54
Identité	$0.62	$8.78	$29.73
Sécurité	$1.56	$22.34	$75.60
Part de marché des crypto-monnaies	Marché baissier	Base	Marché haussier
Logiciel	2.50%	5.00%	7.50%
IaaS	2.00%	4.00%	6.00%
Identité	5.00%	10.00%	15.00%
Sécurité	2.50%	5.00%	7.50%
Revenus cryptographiques liés à l’IA (milliards de dollars)	Marché baissier	Base	Marché haussier
Logiciel	$0.22	$6.27	$31.85
IaaS	$0.07	$1.90	$9.63
Identité	$0.03	$0.88	$4.46
Sécurité	$0.04	$1.12	$5.67
Revenus cryptographiques totaux liés à l’IA d'ici 2030	$0.36	$10.17	$51.62

Sources : Morgan Stanley, Bloomberg Intelligence, VanEck Research au 29/01/2024. Les performances passées ne garantissent pas les résultats futurs. Les informations, les scénarios d’évaluation et les objectifs de prix présentés dans cet article de blog ne constituent pas un conseil financier, un appel à l’action, une recommandation d’achat ou de vente, ni une projection des performances futures des entreprises d’IA. Les performances futures réelles sont inconnues et peuvent différer de manière significative des résultats hypothétiques décrits ici. Des risques ou d’autres facteurs peuvent ne pas être pris en compte dans les scénarios présentés et entraver les performances. Il s’agit uniquement des résultats d’une simulation basée sur nos recherches et à des fins d’illustration. Nous vous invitons à effectuer vos propres recherches et à tirer vos propres conclusions.

Pour établir des prévisions concernant le marché des crypto-monnaies en lien avec l’IA, nous estimons tout d’abord le marché total disponible (TAM) des gains de productivité commerciale rendus possibles par l’IA, et notre référence pour ce chiffre est dérivée des hypothèses de McKinsey pour 2022. Nous appliquons ensuite des hypothèses de croissance économique et de productivité aux chiffres de McKinsey pour trouver un TAM de 5,85 milliards de dollars pour l'année 2030 dans un scénario de base. Dans ce scénario de base, nous supposons que les gains de productivité liés à l’IA sont 50 % plus élevés que la croissance du PIB et que le PIB augmente de 3 %. Nous prévoyons ensuite une pénétration du marché de l’IA dans les entreprises mondiales (de 33 % dans le scénario de base), puis nous l’appliquons à notre TAM initial pour atteindre un gain de productivité grâce à l’IA estimé à 1,93 milliard de dollars pour les entreprises. Pour obtenir les revenus de toutes les entreprises d’IA, nous supposons que 13 % de ces gains de productivité sont captés par les entreprises d’IA (ou dépensés par les entreprises consommatrices) sous forme de revenus. Nous évaluons le taux de prélèvement des revenus de l’IA en appliquant la part moyenne des revenus aux coûts de main-d’œuvre des entreprises du S&P 500 et nous supposons que les dépenses en matière d’IA devraient être similaires. La partie suivante de notre analyse applique les prévisions de la distribution de la pile de valeur de l’IA de Bloomberg Intelligence pour parvenir à des estimations des revenus annuels de chaque cohorte d’entreprises d’IA. Enfin, nous appliquons des estimations spécifiques de la part de marché des crypto-monnaies de chacune de ces entreprises d’IA pour obtenir le chiffre final de chaque cas et de chaque marché.

Nous envisageons un avenir où des modèles d’IA décentralisés, élaborés à partir de référentiels publics en libre accès, seront exploités dans tous les cas d’utilisation imaginables. Et, très souvent, ces modèles open source surpassent les créations d’IA centralisées. Cette supposition repose sur l’hypothèse que les communautés de logiciels libres rassemblent des amateurs et des passionnés qui sont particulièrement motivés pour améliorer les choses. Nous avons déjà vu des projets internet à source ouverte faire voler en éclats des entreprises traditionnelles. Les meilleurs exemples de ce phénomène sont Wikipédia, qui a mis fin à l'activité commerciale des encyclopédies, et Twitter, qui a perturbé les organes d'information. Ces communautés de logiciels libres réussissent là où les entreprises traditionnelles échouent parce que les groupes de logiciels libres coordonnent et motivent les gens à fournir de la valeur grâce à une combinaison de poids social, d’idéologie et d’unité de groupe. En résumé, ces communautés open source réussissent parce que leurs membres sont très impliqués.

L'intégration de modèles d'IA open source avec des incitations cryptographiques élargit l'influence de ces communautés émergentes, en leur donnant les moyens financiers de créer l'infrastructure nécessaire pour attirer de nouveaux participants. L’application de ce principe à l’IA sera une combinaison fascinante de passion et de ressources financières. Les modèles d’IA seront testés dans le cadre de compétitions encouragées par les cryptomonnaies, ce qui créera un environnement dans lequel l’évaluation des modèles deviendra une référence. Dans cet environnement, les modèles et les critères d’évaluation les plus efficaces sortent vainqueurs, car la valeur de chaque modèle est explicitement quantifiée. Par conséquent, dans notre scénario de base, nous prévoyons que les modèles d’IA produits par la blockchain représenteront 5 % de tous les revenus des logiciels d’IA. Cette estimation inclut le matériel, les logiciels, les services, les publicités, les jeux et bien d’autres choses encore, reflétant la transformation du mode de fonctionnement de nombreuses entreprises. Du chiffre d’affaires total des logiciels d’IA, cela représentera environ la moitié de tous les revenus associés à l'IA, soit environ 125,50 milliards de dollars. La part de marché de 5 % que nous prévoyons pour les modèles open-source correspond donc à 6,27 milliards de dollars de revenus pour les modèles d’IA soutenus par des jetons cryptographiques.

Nous prévoyons que le TAM associé à la fourniture de solutions d'IA CaaS ou IaaS pour l'optimisation, l'entraînement et l’inférence pourrait atteindre 47,44 milliards de dollars d’ici à 2030. Avec l’adoption généralisée de l’IA, qui deviendra partie intégrante de nombreuses fonctions de l’économie mondiale, la fourniture de ressources de calcul et de stockage peut être envisagée comme un service public semblable à la production et à la distribution d’électricité. Dans une telle dynamique, la grande majorité de la « charge de base » proviendra d'hypercalculateurs cloud de ressources GPU fournis par des entreprises telles qu'Amazon et Google, dont la part de marché se rapprochera d'une distribution de Pareto de 80 %. Nous voyons l’infrastructure de serveurs dorsaux attribuée à la blockchain répondre à des besoins spécialisés et agir en tant que fournisseur de « pic » en cas de forte demande du réseau. Pour les producteurs de modèles d’IA sur mesure, les fournisseurs de ressources cryptographiques de stockage et de calcul offrent des avantages tels que la prestation de services à la demande, des périodes raccourcies de fidélisation via des accords de niveau de service, des environnements informatiques plus personnalisés et une sensibilité accrue à la latence. En outre, les ressources GPU décentralisées peuvent s’intégrer de manière transparente aux modèles d’IA décentralisés dans les contrats intelligents, ce qui permet des cas d’utilisation sans autorisation où les agents d’IA dimensionnent leurs propres besoins en matière de ressources de calcul. En considérant les GPU fournis par la blockchain comme l’équivalent Uber/Lyft de l’infrastructure de calcul de l’IA, nous pensons que le calcul et le stockage fournis par la blockchain captureront 20 % du marché de l’infrastructure de l’IA hors Hyperscaler, ce qui pourrait générer des revenus de 1,90 milliard de dollars d’ici à 2030.

La notion d'« identité » dans le contexte des agents et modèles d'IA, grâce à la possibilité de prouver l'humanité sur la chaîne, peut être considérée comme un mécanisme de défense contre les attaques Sybil pour les réseaux informatiques mondiaux. On peut estimer le coût de ce service en examinant les dépenses liées à la défense des différents réseaux de blockchain. En 2023, ces coûts pour Bitcoin, Ethereum et Solana représentaient respectivement environ 1,71 %, 4,3 % et 5,57 % de la valeur de chaque réseau en émission inflationniste. De manière prudente, nous pouvons déduire que l’identité devrait représenter environ 3,5 % du marché de l’IA. Compte tenu d’une TAM de 125,5 milliards de dollars pour les logiciels d’IA, cela correspond à 8,78 milliards de dollars de chiffre d’affaires annuel. Comme nous pensons que le domaine des crypto-monnaies offre une solution optimale aux problèmes d’identité, nous estimons qu’il détiendra une part de 10 % sur ce marché final, ce qui correspond à un chiffre d’affaires annuel d’environ 878 millions de dollars.

La sécurité de l’IA est sur le point d’émerger comme une autre composante importante des dispositifs d’IA, avec une exigence fondamentale de vérifier l’exécution du bon modèle en utilisant des données non corrompues, pertinentes et à jour. À mesure que l’IA se développe dans des applications où des vies humaines sont en danger, telles que les voitures autonomes, la robotique industrielle et les systèmes de santé, la tolérance à l’échec devient minimale. La nécessité de rendre des comptes en cas d’accident va stimuler un marché de l’assurance qui exige des preuves concrètes de la sécurité. Les blockchains publiques sont idéales pour remplir cette fonction, car elles peuvent afficher des « preuves de sûreté » sur des registres inaltérables que tout le monde peut voir. Cette activité peut être assimilée à une activité de conformité pour les institutions financières. Si l’on considère que les banques commerciales et d’investissement américaines génèrent 660 milliards de dollars de revenus tout en dépensant 58,75 milliards de dollars en coûts de conformité (soit 8,9 % de leurs revenus), nous prévoyons que la sécurité de l’IA devrait représenter environ 22,34 milliards de dollars sur les 251 milliards de dollars du TAM de l’IA. Malgré le potentiel des crypto-monnaies pour améliorer la sécurité de l’IA, compte tenu de l’importance accordée par le gouvernement américain à l’IA, nous pensons que la conformité liée à l’IA sera majoritairement centralisée. Ainsi, nous estimons que les crypto-monnaies représenteront environ 5 % de ce marché, soit environ 1,12 milliard de dollars.

Organisation des ressources de calcul décentralisées

Les crypto-monnaies peuvent appliquer leurs avantages considérables en matière de coordination sociale et financière à la démocratisation de l’accès aux ressources de calcul, ce qui permettrait de résoudre les problèmes actuels auxquels sont confrontés les développeurs du domaine de l’IA. Outre les coûts élevés des ressources GPU de qualité et l’accès limité à celles-ci, les créateurs de modèles d’IA sont actuellement confrontés à d’autres problèmes persistants : la dépendance vis-à-vis de certains fournisseurs, le manque de sécurité, la disponibilité limitée des ressources de calcul, la latence trop élevée et le géorepérage dû aux lois nationales.

La capacité des crypto-monnaies à satisfaire l’appétit de l’IA pour les ressources GPU découle de la capacité des crypto-monnaies à rassembler des ressources par le biais d’incitations sous forme de jetons. La valeur des jetons du réseau Bitcoin, qui s’élève à 850 milliards de dollars, et la valeur des actions, qui s’élève à 20 milliards de dollars, témoignent de cette capacité. Ainsi, les mineurs de Bitcoin actuels et les places de marché pour des ressources GPU décentralisées prometteuses ont le potentiel d’ajouter une valeur substantielle à l’IA en fournissant des ressources de calcul décentralisées.

Une analogie utile pour comprendre la mise à disposition de ressources GPU via la blockchain est le secteur de la production d’électricité. Pour simplifier, des entités qui exploitent de grandes centrales coûteuses qui produisent un flux régulier d’électricité pour répondre à la plupart des demandes du réseau électrique. Ces centrales à « charge de base » connaissent une demande constante, mais nécessitent des investissements substantiels pour leur construction. Cela se traduit donc par des retours sur investissement relativement faibles, mais garantis. Pour compléter la charge de base, il existe une autre catégorie de générateurs conçus pour répondre à la demande lors des pics de consommation. Ces entreprises fournissent de l’énergie lorsque la demande d’électricité dépasse les capacités de production de base. Il s’agit d’une production d’énergie à petite échelle et à coût élevé, stratégiquement positionnée à proximité de la demande d’énergie. Nous prévoyons une dynamique similaire dans le domaine des ressources de calcul à la demande.

Diversification des mineurs de bitcoins dans l’IA

Le bitcoin et d’autres cryptomonnaies à preuve de travail partagent avec l’IA un grand appétit pour l’énergie. Cette énergie doit être créée, approvisionnée, transportée et décomposée en électricité utilisable pour alimenter les ordinateurs de minage et les clusters de calcul. Cette chaîne d’approvisionnement nécessite d'importants investissements de la part des mineurs dans les centrales électriques, les contrats d’achat d’électricité, les infrastructures de réseau et les dispositions relatives aux centres de données. Les incitations monétaires découlant du minage de crypto-monnaies PoW ont conduit à l’émergence de nombreux mineurs de bitcoins dispersés dans le monde entier qui possèdent des droits sur l’énergie et l’électricité et une architecture de réseau intégrée. Une grande partie de cette énergie est dérivée de sources à faible coût et fortement émettrices de carbone, rejetées par la société. Ainsi, la proposition de valeur la plus convaincante que les mineurs de bitcoins peuvent offrir est une infrastructure énergétique à moindre coût pour alimenter l’infrastructure dorsale de l’IA.

Les fournisseurs de ressources de calcul à très grande échelle, comme AWS et Microsoft, ont poursuivi une stratégie d’investissement dans des opérations verticalement intégrées et dans la création de leurs propres écosystèmes énergétiques. Les géants des hautes technologies ont évolué en amont, concevant leur propre silicium et produisant leur propre énergie, en grande partie renouvelable, pour s'en approvisionner. Les centres de données consomment actuellement deux tiers de l’énergie renouvelable disponible pour les entreprises aux États-Unis. Microsoft et Amazon se sont tous deux engagés à s'approvisionner à 100 % en énergie renouvelable d’ici 2025. Toutefois, si les besoins de calcul anticipés dépassent les attentes, comme certains le suggèrent, les besoins en électricité des centres de données axés sur l’IA pourraient doubler d’ici 2027, avec des dépenses d’investissement potentiellement triplées par rapport aux estimations actuelles. Déjà, Big Tech paie 0,06-0,10 $/kWh pour l’électricité, ce qui est beaucoup plus cher que ce que les mineurs de bitcoins concurrents paient généralement (0,03-0,05 $/kWh). Si la demande d’énergie de l’IA dépasse les plans d’infrastructure actuels des géants des hautes technologies, l’avantage des mineurs de bitcoins sur les fournisseurs à très grande échelle en termes de coûts d’électricité pourrait se multiplier de manière significative. Les mineurs sont de plus en plus attirés par les activités d’IA à plus forte marge associées à la fourniture de GPU. Hive a notamment indiqué en octobre que ses activités HPC (High Performance Computing) et d’IA généraient 15 fois plus de revenus que le minage de bitcoins par mégawatt. Hut 8 et Applied Digital sont d’autres mineurs de bitcoins qui ont saisi l’opportunité de l’IA.

Les mineurs de bitcoins ont connu une croissance sur ce nouveau marché, ce qui a permis de diversifier les revenus et de renforcer les rapports sur les bénéfices. Lors de la conférence des analystes de Hut 8 pour le troisième trimestre 2023, le PDG Jaime Leverton a déclaré : « Dans notre activité de HPC, nous avons créé une certaine dynamique au troisième trimestre grâce au gain de nouveaux clients et à la croissance des clients existants. La semaine dernière, nous avons lancé notre service de cloud à la demande pour les clients qui recherchent des services HPC à partir de nos ressources GPU avec des applications basées sur Kubernetes qui peuvent assurer des charges de travail d’IA, de machine learning, d'effets visuels et de rendu. Ce service donne le contrôle à nos clients tout en réduisant le temps d’approvisionnement, auparavant de plusieurs jours, à quelques minutes, ce qui est particulièrement intéressant pour ceux qui recherchent des projets HPC à court terme. » Hut 8 a réalisé un chiffre d’affaires de 4,5 millions de dollars dans le cadre de ses opérations HPC du troisième trimestre 2023, ce qui représente plus de 25 % du chiffre d’affaires de l’entreprise pour cette période. La demande croissante de services HPC et les nouvelles offres devraient contribuer à la croissance future de ce secteur d’activité, et avec la réduction de moitié du Bitcoin, les revenus du HPC pourraient bientôt dépasser ceux de l’exploitation minière, en fonction des conditions du marché.

Bien que leurs activités semblent prometteuses, les mineurs de bitcoins qui se tournent vers l’IA pourraient se heurter à un manque de compétences en matière de construction de centres de données ou à une incapacité à adapter les ressources d'alimentation électrique à l'échelle. Ces mineurs de crypto-monnaies peuvent également rencontrer des difficultés liées aux frais généraux d’exploitation en raison des coûts d’embauche d’une nouvelle force de vente axée sur les centres de données. En outre, les exploitations minières actuelles ne disposent pas d’une latence ou d’une bande passante suffisante, car leur optimisation pour obtenir de l’énergie bon marché les amène à se situer dans des endroits isolés, souvent dépourvus de connexions à fibre optique à haut débit.

Mise en œuvre d’un cloud décentralisé pour l’IA

Nous prévoyons également une longue série de projets cryptographiques axés sur le calcul qui s’empareront d’une partie, petite mais substantielle, du marché des ressources des serveurs d’IA. Ces entités coordonneront des clusters de calcul en dehors des fournisseurs à très grande échelle afin d’offrir une proposition de valeur adaptée aux besoins des créateurs d’IA. Les avantages de l’informatique décentralisée sont la personnalisation, le libre accès et de meilleures conditions contractuelles. Ces entreprises de calcul basées sur la blockchain permettent aux petits acteurs de l’IA d’éviter les dépenses importantes et l’indisponibilité générale des GPU haut de gamme comme les H100 et les A100. Les projets cryptographiques liés à l'IA satisferont la demande en créant un réseau d’infrastructures physiques fondé sur des incitations en crypto-jetons, tout en offrant une propriété intellectuelle exclusive qui crée l’infrastructure logicielle permettant d’optimiser l’utilisation des ressources de calcul pour les applications d’IA. Les projets de calcul de la blockchain utiliseront une approche de marché ainsi que des récompenses en crypto-monnaie pour trouver des ressources de calcul moins chères auprès de centres de données indépendants, d’entités disposant de ressources de calcul excédentaires et d’anciens mineurs de PoW. Akash, Render et io.net sont quelques-uns des projets qui fournissent des services de calcul décentralisés pour les modèles d’IA.

Revenu journalier Akash

Revenus quotidiens d'Akash. Source : Cloudmos, données en date du 30/01/2024. Les performances passées ne sont pas une garantie des résultats futurs.

Akash, un projet basé sur Cosmos, peut être considéré comme un « Supercloud » décentralisé à usage général qui offre CPU, GPU, mémoire et stockage. Il s’agit en fait d’une place de marché bilatérale qui met en relation les utilisateurs de services cloud et les fournisseurs de ces services. Le logiciel d’Akash est conçu pour coordonner l’offre et la demande de calcul, tout en créant l’outil nécessaire pour faciliter l'entraînement, l’ajustement et l’exécution des modèles d’IA. Akash s’assure également que les acheteurs et les vendeurs de la place de marché remplissent honnêtement leurs obligations. Akash est coordonné par ses jetons $AKT, qui peuvent être utilisés pour payer des services cloud à un prix réduit. Les $AKT sont également distribués en tant que mécanisme d’incitation pour les fournisseurs de calcul GPU et les autres participants au réseau. Du côté de l'offre, Akash a fait de grands progrès en ajoutant des fournisseurs de calcul, dont le nombre s'élève à 65 sur sa place de marché. Alors que la demande de calcul avait été faible jusqu'au lancement de l'AI Supercloud d'Akash le 31 août 2023, 138 000 dollars ont été dépensés par les acheteurs de ressources de calcul depuis cette date.

Render, qui a récemment migré vers Solana, était initialement axé sur la connexion des artistes à des groupes décentralisés qui fournissaient la puissance GPU nécessaire au rendu des images et des vidéos. Cependant, Render a commencé à concentrer son parc de GPU décentralisés sur la satisfaction des charges de travail d’apprentissage automatique afin de prendre en charge les modèles d’apprentissage profond. Grâce à la proposition d’amélioration du réseau RNP-004, Render dispose désormais d’une API pour connecter des réseaux externes tels que io.net, qui utiliseront le réseau de GPU de Render pour l’apprentissage automatique. Des propositions ultérieures de la communauté Render ont été adoptées pour permettre l’accès à ses GPU par le biais de Beam et de FEDML afin de réaliser des tâches d’apprentissage automatique. Ainsi, Render est devenu un facilitateur décentralisé de charges de travail GPU, coordonné par des paiements en $RNDR aux fournisseurs et des incitations en $RNDR aux entités gérant l’infrastructure dorsale du réseau.

Comparaison des prix des GPU Io.net. Source : données au 04/01/2024.

io.net est un autre projet intéressant basé sur Solana et considéré comme un réseau d’infrastructure physique décentralisé (DePIN). L’objectif d’io.net est également de fournir des GPU, mais il se concentre exclusivement sur l’utilisation de GPU pour alimenter des modèles d’IA. Outre la simple coordination de ressources de calcul, io.net ajoute d'autres services à sa pile de base. Son système déclare gérer toutes les composantes de l'IA, y compris la création, l'utilisation et l'optimisation, afin de faciliter et de dépanner correctement les charges de travail d'IA sur l'ensemble de son réseau. Le projet s'appuie également sur d'autres réseaux GPU décentralisés tels que Render et Filecoin, ainsi que sur ses propres GPU. io.net ne dispose pas encore de jeton, mais l'entreprise prévoit d'en lancer un au cours du premier trimestre 2024.

Surmonter les goulets d’étranglement du calcul décentralisé

L'utilisation de ce calcul distribué reste toutefois un défi en raison des exigences de mise en réseau imposées par les quelque 633 To de données nécessaires à l'entraînement des modèles de Deep Learning. Les systèmes informatiques géolocalisés à travers le monde présentent également de nouveaux obstacles à la parallélisation de l'entraînement des modèles en raison des latences et des différences de capacités des ordinateurs. Together est une entreprise qui s'attaque avec fougue au marché des modèles open-source. Elle construit notamment un cloud décentralisé destiné à héberger des modèles d'intelligence artificielle open-source. Together permettra aux chercheurs, aux développeurs et aux entreprises d'exploiter et d'améliorer l'intelligence artificielle grâce à une plateforme intuitive combinant données, modèles et calculs, étendant ainsi l'accès à l'IA et favorisant l'émergence de la prochaine génération d'entreprises technologiques. En partenariat avec des institutions de recherche universitaire de premier plan, Together a conçu le Together Research Computer, qui permet aux laboratoires de mettre en commun leurs capacités de calcul au service de la recherche sur l'IA. L'entreprise a également collaboré avec le Stanford Research Center for Research on Foundational Models (CRFM) afin de créer le cadre Holistic Evaluation of Language Models (HELM). HELM est une « référence vivante » qui vise à améliorer la transparence de l’IA en fournissant un cadre normalisé pour l’évaluation de ces modèles de fondation.

Depuis la création de Together, le fondateur Vipul Ved Prakash a dirigé le lancement de plusieurs projets, dont 1) GPT-JT, un LLM open-source basé sur un modèle à 6 milliards de paramètres et entraîné sur une connexion à moins de 1 Gbps, 2) OpenChatKit, une base puissante et open-source permettant créer des chatbots spécialisés et à usage général, et 3) RedPajama, un projet visant à créer des modèles open-source de premier plan, dans le but d’en faire une base pour la recherche et les applications commerciales. La plateforme Together est un modèle de base composé de modèles open source sur du matériel de base, d'un cloud décentralisé et d'un cloud développeur complet, regroupant différentes ressources de calcul, y compris des mineurs individuels, des fermes de minage de crypto-monnaies, des fournisseurs de cloud T2-T4 et des ressources de calcul universitaires.

Score HELM (RAFT)

Performances de GPT-JT. Source : données au 04/01/2024.

Nous pensons que des solutions décentralisées et démocratisées d’informatique en nuage comme Together pourraient réduire considérablement les coûts de construction de nouveaux modèles, en perturbant et en concurrençant potentiellement les géants établis tels qu’Amazon Web Services, Google Cloud et Azure. Pour donner un ordre d'idée, Together peut proposer des prix environ quatre fois inférieurs à ceux d'AWS, en comparant les blocs de capacité AWS et les instances AWS p5.48xlarge aux clusters de GPU Together configurés avec un nombre égal de GPU H100 SXM5.

Les LLM ouverts devenant de plus en plus précis et donc de plus en plus largement adoptés, Together pourrait devenir la norme industrielle pour les modèles à source ouverte, un peu comme Red Hat l’a été pour Linux. Les concurrents dans ce domaine comprennent Stability A et HuggingFace en tant que fournisseurs de modèles et Gensyn et Coreweave en tant que fournisseurs de cloud IA.

Améliorer les modèles d’IA grâce à des incitations en crypto-monnaie

Les blockchains et les crypto-incitations prouvent que les effets de réseau et les récompenses liées à la taille de cet effet de réseau obligent les gens à effectuer un travail utile. Dans le contexte du minage de bitcoins, cette tâche consiste à sécuriser le réseau Bitcoin en utilisant des banques d’électricité coûteuses, de la main d’œuvre technique et des machines ASIC. Ce regroupement de ressources économiques constitue un mécanisme de défense contre les attaques de type « Sybil » contre le Bitcoin. En échange, les mineurs qui coordonnent ces ressources reçoivent des $BTC. Toutefois, l'espace d'application de l'intelligence artificielle à des fins utiles est beaucoup plus vaste, et certains projets poussent déjà les modèles d’IA et d’apprentissage automatique à s’améliorer.

Le plus simple de ces projets est Numerai. On pourrait définir Numerai comme un tournoi décentralisé de science des données visant à identifier les meilleurs modèles d'apprentissage automatique qui optimisent les rendements financiers en construisant un portefeuille d'actions. À chaque époque, les participants anonymes de Numerai ont accès à des données brutes masquées et sont invités à les exploiter pour constituer le portefeuille d’actions le plus performant. Pour participer, les utilisateurs sont non seulement invités à soumettre des prédictions, mais aussi à miser des jetons NMR sur les prédictions de leurs modèles afin d’attester de la valeur de ces derniers. D’autres utilisateurs sont également autorisés à miser des jetons sur les modèles qu’ils jugent les plus performants. Les résultats de chaque modèle soumis sont ensuite introduits dans un algorithme d’apprentissage automatique afin de créer un méta-modèle qui alimente les décisions d’investissement du fonds spéculatif Numerai One. Les utilisateurs qui soumettent les prédictions présentant les meilleurs coefficients d’information ou la plus grande efficacité sont récompensés par des jetons RMN. À l'inverse, ceux qui ont misé sur les plus mauvais modèles se voient retirer leurs jetons (saisis et réaffectés pour récompenser les gagnants).

Sous-réseaux et cas d’utilisation sur Bittensor. Source : données au 02/01/2024.

Bittensor est un projet similaire qui développe considérablement les concepts de base de Numerai. Bittensor peut être considéré comme le « Bitcoin de l’intelligence artificielle », car il s’agit d’un réseau qui fournit des incitations économiques pour les modèles d’IA/d'apprentissage automatique. Pour ce faire, des entités appelées « mineurs » construisent des modèles d'IA, et des « validateurs » évaluent la qualité des résultats de ces modèles. L’architecture de Bittensor est constituée d’un réseau de base et de nombreux sous-réseaux de plus petite taille. Chaque sous-réseau se concentre sur un domaine différent de l’intelligence artificielle. Les mineurs de ces sous-réseaux sont interrogés par des validateurs qui leur posent diverses questions ou leur demandent d’évaluer la qualité de leurs modèles d’IA.

Les modèles les plus performants reçoivent les récompenses les plus élevées en jetons TAO, tandis que les validateurs sont rémunérés pour les évaluations précises des mineurs. À un niveau supérieur, les validateurs et les mineurs doivent miser des jetons pour participer à chaque sous-réseau, et la proportion de la mise totale de chaque sous-réseau détermine le nombre de jetons TAO qu’il reçoit de l’inflation totale de tous les jetons Bittensor. Ainsi, chaque mineur est incité non seulement à optimiser son modèle pour gagner le plus de récompenses, mais aussi à concentrer son modèle sur le meilleur sous-réseau IA. En outre, étant donné que les mineurs et les validateurs doivent conserver des fonds pour participer, chacun doit dépasser les obstacles liés au coût du capital, faute de quoi il abandonne le système.

En janvier 2024, il existait 32 sous-réseaux différents, chacun dédié à un domaine spécifique de l’apprentissage automatique ou de l’IA. Par exemple, le sous-réseau 1 est un LLM textuel similaire à ChatGPT. Sur ce sous-réseau, les mineurs exploitent diverses versions modifiées de LLM afin de répondre au mieux aux invites des validateurs, lesquels évaluent ensuite la qualité des réponses. Sur le sous-réseau 8, appelé Taoshi, les mineurs soumettent des prévisions à court terme sur le prix du Bitcoin et de divers actifs financiers. Bittensor dispose également de sous-réseaux dédiés à la traduction en langage humain, au stockage, à l'audio, à l'extraction de données sur Internet, à la traduction automatique et à la génération d'images. Aucune autorisation n'est requise pour la création de sous-réseaux ; ainsi, toute personne disposant de 200 TAO peut créer un sous-réseau. Les opérateurs de sous-réseaux sont chargés de créer les mécanismes d'évaluation et de récompense pour l'activité de chaque sous-réseau. Par exemple, Opentensor, la fondation à l'origine de Bittensor, gère le sous-réseau 1 et a récemment publié un modèle en collaboration avec Cerebras afin d'évaluer les résultats des LLM des mineurs sur ce sous-réseau.

Si au départ tous ces sous-réseaux sont entièrement subventionnés par les récompenses inflationnistes, ils doivent à terme s'autofinancer. Ainsi, les opérateurs de sous-réseaux et les validateurs doivent se coordonner pour créer des outils permettant aux utilisateurs extérieurs de payer pour accéder aux services de chaque sous-réseau. Au fur et à mesure que les récompenses inflationnistes du TAO diminuent, chaque sous-réseau devient de plus en plus dépendant des revenus extérieurs pour assurer sa pérennité. Dans cet environnement concurrentiel, il existe une pression économique directe pour créer les meilleurs modèles et des incitations pour que d’autres créent des applications rentables dans le monde réel pour ces modèles. Bittensor exploite le plein potentiel de l'IA en faisant appel à de petites entreprises pour identifier et monétiser des modèles d'IA. Comme le dit MogMachine, célèbre évangéliste de Bittensor, cette dynamique peut être considérée comme une « compétition darwinienne pour l’IA ».

Un autre groupe intéressant concerne les projets qui utilisent les crypto-monnaies pour encourager la création d'agents d'IA programmés pour accomplir de manière autonome des tâches pour le compte d'humains ou d'autres programmes informatiques. Ces entités sont essentiellement des programmes informatiques adaptatifs visant à résoudre des problèmes spécifiques. Le terme « agent » englobe les chatbots, les stratégies de trading automatisées, les personnages de jeux vidéo et même les assistants du métavers. Un projet notable dans ce domaine est Altered State Machine, une plateforme pour la création d’agents d’intelligence artificielle qui sont détenus, alimentés et formés à l’aide de NFT. Dans Altered State Machine, les utilisateurs créent leurs « agents », puis les « entraînent » à l’aide de clusters de GPU décentralisés. Ces agents sont optimisés pour des cas d’utilisation spécifiques. Un autre projet, Fetch.ai, se présente comme une plateforme de création d'agents personnalisés en fonction des besoins de chaque utilisateur. Fetch.ai est également une entreprise SaaS qui permet l’enregistrement et la location ou la vente d’agents.

Rendements des jetons IA depuis le 01/01/2023

Source : XYZ, données au 10/01/2024. Les performances passées ne constituent pas une garantie des résultats futurs.

Vérification au moyen de preuves à divulgation nulle de connaissance

2023 a été une année faste pour les nouveaux modèles d'IA avec la présentation de ChatGPT par OpenAI, de LLAMA-2 par Meta et de BERT par Google. Motivées par les promesses du Deep Learning, plus de 18 563 start-ups liées à l'IA ont été recensées aux États-Unis en juin 2023. Ces start-ups et d'autres ont produit des milliers de nouveaux modèles de base et affinés. Toutefois, la prolifération d’un grand nombre de nouvelles entités dans un espace où 1 dollar sur 4 en capital-risque est investi dans des entreprises liées à l’IA devrait susciter de vives inquiétudes.

• Qui a créé et possède réellement chaque modèle ?
• Le résultat a-t-il été effectivement produit à partir du modèle spécifié ?
• Le modèle est-il aussi efficace qu’il est annoncé ?
• Quelle était la source de données pour chaque modèle et à qui appartiennent ces données ?
• L'entraînement, l'optimisation et/ou l’inférence ont-ils enfreint des droits d’auteur ou des droits sur les données ?

Les investisseurs et les utilisateurs de ces modèles doivent être sûrs à 100 % qu’ils peuvent répondre à ces questions. Il existe actuellement de nombreux tests de comparaison pour différents aspects des résultats de MLL : HumanEval pour la génération de code, Chatbot Arena pour les tâches d’assistance, ou encore ARC Benchmark pour la capacité de raisonnement des MLL. Toutefois, malgré les tentatives d'évaluation de la transparence des modèles, telles que l'Open LLM Leaderbord de Hugging Face, il est impossible de prouver concrètement l'efficacité d'un modèle, sa provenance finale ou la source de ses données d'entraînement/d'inférence. Non seulement les benchmarks peuvent être manipulés, mais il n’y a aucune certitude qu’un modèle spécifique a été réellement exécuté (par opposition à l’utilisation d’une API se connectant à un autre modèle), et il n’y a aucune garantie que les classements eux-mêmes sont honnêtes.

C'est là que réside l'unification des blockchains publiques, de l'IA et d'un domaine de pointe des mathématiques appelé les preuves « à divulgation nulle de connaissance » (ZK). Ces preuves sont une application de la cryptographie qui permet à quelqu'un de prouver, à un niveau de certitude mathématique souhaité, qu’une déclaration qu’il fait sur des données est correcte, sans avoir à révéler les données sous-jacentes à quiconque. Les déclarations peuvent inclure des déclarations simples telles que des classements, mais elles peuvent être étendues à des calculs mathématiques complexes. Par exemple, quelqu’un pourrait non seulement prouver qu’il connaît la richesse relative d’un échantillon d’individus sans révéler cette richesse à une autre partie, mais il pourrait également prouver le calcul correct de la moyenne et de l’écart-type du groupe. En substance, vous pouvez prouver que vous connaissez des données et/ou que vous avez fait des affirmations véridiques en utilisant ces données sans révéler les détails de ces données ou la manière dont vous avez effectué ce calcul. En dehors de l'IA, les preuves à divulgation nulle de connaissances sont déjà appliquées pour améliorer la capacité d'Ethereum, permettant aux transactions de se produire en dehors de la chaîne sur les blockchains de niveau 2. Récemment, les preuves zk ont été appliquées aux modèles d’apprentissage profond pour prouver :

• Des données spécifiques ont été utilisées pour générer un modèle ou fournir un résultat d’inférence (également, quelles données/sources n’ont pas été utilisées).
• Un certain modèle a été utilisé pour générer une inférence
• Un résultat d’inférence n’a pas été manipulé

Les preuves zk peuvent être publiées sur les blockchains publiques et permanentes, et vérifiées par des contrats intelligents. Il en résulte que les blockchains peuvent prouver publiquement et de manière irréfutable des propriétés importantes des modèles d’IA. Deux projets de pointe appliquant la ZK à l’IA (ce que l'on appelle le « Zero-Knowledge Machine Learning » ou ZKML) sont  et . EZKL utilise le système de preuves  pour générer des zk-snarks, des types de preuves à connaissance nulle, qui peuvent ensuite être vérifiés publiquement sur l’EVM d’Ethereum. Bien que la taille des modèles qu’EZKL peut actuellement prouver soit relativement petite, environ 100 millions de paramètres contre 175 milliards pour ChatGPT 4, le PDG d’EZKL estime qu’il s’agit d’un « problème d’ingénierie », et non d’une question de « limitations technologiques ». EZKL estime pouvoir surmonter les problèmes liés aux preuves en les exécutant en parallèle afin de réduire les limitations de mémoire et le temps de calcul. En fait, Jason Morton est persuadé qu’un jour, « la vérification d'un modèle se fera aussi facilement que la signature d'une transaction de blockchain ».

L’application des preuves ZKML à l’IA peut permettre de résoudre d’importants problèmes liés à la mise en œuvre de l’IA, notamment les questions de droits d’auteur et de sécurité de l’IA. Comme le montre le récent procès intenté par le New York Times contre Open AI et Microsoft, la législation sur les droits d’auteur sera appliquée à la propriété des données, et les projets d’IA seront contraints de fournir des preuves de leurs sources de données. La technologie ZKML peut être utilisée pour régler rapidement les litiges en salle d’audience concernant les modèles et la propriété des données. En fait, l’une des meilleures applications de ZKML est de permettre à des places de marché de données/modèles comme Ocean Protocol et SingularityNet de prouver l’authenticité et l’efficacité de leurs cotations.

Les modèles d’IA finiront par s’étendre à des domaines où la certitude de l’exactitude et de la sécurité sera d’une importance capitale. On estime que le nombre de dispositifs d'accès à l'IA atteindra 5,8 milliards en 2027, et ceux-ci pourraient potentiellement inclure des machines lourdes, des robots, ainsi que des drones et des véhicules autonomes. Lorsque l’intelligence artificielle sera appliquée à des objets pouvant blesser ou tuer des personnes, il sera important de prouver qu’un modèle fiable a été exécuté sur cet appareil à l’aide de données de haute qualité provenant d’une source fiable. Bien qu'il soit probablement difficile, d'un point de vue économique et technique, de construire et de publier sur la blockchain des preuves actives continues à partir de ces dispositifs d'accès, la certification des modèles lors de l'activation ou de la publication périodique sur la blockchain peut s'avérer plus faisable. Cependant, Zupass, qui est issu de la 0xPARC Foundation, a déjà établi des preuves primaires dérivées de « Proof Carrying Data », qui peuvent établir à peu de frais des preuves de faits se produisant sur des dispositifs d'accès. Pour l’instant, cela concerne la participation à des événements, mais on pourrait imaginer que cela s’étende bientôt à d’autres domaines comme l’identité ou même les soins de santé.

Quelle est la qualité du modèle d’IA de votre robot chirurgien ?

Chirurgie assistée par robot. Source : données au 30/01/2024.

Du point de vue des entreprises susceptibles de voir leur responsabilité engagée à la suite d’un dysfonctionnement des appareils, l’idéal serait de disposer de preuves vérifiables que leur modèle n’est pas à l’origine d’un accident coûteux. De même, du point de vue de l’assurance, vérifier et prouver l’utilisation de modèles fiables formés sur des données réalistes peut devenir financièrement nécessaire. De même, dans un monde de deepfakes d'IA, le recours à des caméras, téléphones et ordinateurs vérifiés et attestés par la blockchain pour effectuer diverses actions pourrait devenir la norme. Bien entendu, les preuves de l’authenticité et de l’exactitude de ces dispositifs doivent être publiées sur des registres publics open-source qui empêchent la falsification et la fraude.

Malgré l’immense promesse que représentent ces preuves, elles sont actuellement limitées par le coût du gas et les frais généraux de calcul. Au prix actuel de l’ETH, soumettre une preuve sur la chaîne coûte environ 300-500 000 gas (~35 $-58 $ aux prix actuels de l'ETH). D'un point de vue du calcul, Sreeram Kennan d’Eigenlayer estime que « prouver un calcul qui coûte 50 dollars pour être exécuté sur AWS coûterait environ 1 000 000x de plus en utilisant la technologie de preuve ZK actuelle ». En conséquence, les preuves ZK, qui ont évolué beaucoup plus rapidement qu’on ne le pensait il y a quelques années, ont encore beaucoup de chemin à parcourir avant d’ouvrir la voie à des cas d’utilisation pratiques. Imaginons une personne curieuse de voir le ZKML appliqué. Dans ce cas, elle peut participer à un concours de chant décentralisé jugé par un modèle de contrat intelligent on-chain attesté, et ses résultats sont téléchargés sur la blockchain pour toujours.

Prouver son humanité grâce à l’identité basée sur la blockchain

Une conséquence probable de la généralisation de l’intelligence artificielle avancée est que les agents autonomes deviendront les utilisateurs les plus prolifiques de l'Internet. Il y a de fortes chances que le déclenchement des agents d'IA entraîne des perturbations sur le web en raison des spams générés intentionnellement par des robots et même des agents inoffensifs basés sur des tâches qui encombrent les réseaux (« se débarrasser des messages indésirables »). Solana a enregistré un trafic de données de 100 gigabits par seconde lorsque des robots se sont disputés des opportunités d’arbitrage pour une valeur d'environ 100 000 dollars. Imaginez le flux de trafic web qui se déclenchera lorsque des agents d’IA pourront demander une rançon à des millions de sites web d'entreprises pour des milliards de dollars. Cela laisse présager un futur Internet avec des limites imposées au trafic non humain. L’un des meilleurs moyens de limiter ce type d’attaques est d’imposer des taxes sur l’utilisation excessive de ressources mal évaluées. Mais comment déterminer le cadre optimal pour les pénalités de spam, et comment prouver l’humanité des expéditeurs ?

Heureusement, une défense intégrée est déjà employée par les blockchains pour empêcher les attaques de type Sybil par des robots d'IA. La combinaison de compteurs pour les utilisateurs non humains et de péages pour les utilisateurs non humains constituerait une solution idéale, parallèlement à une légère taxation des calculs, comme le fait le hashcash, qui contribuerait à inhiber les bots. En ce qui concerne les preuves d’humanité, les blockchains s’efforcent depuis longtemps de surmonter l’anonymat pour débloquer des activités telles que les prêts sous-collatéraux et d’autres activités basées sur la réputation.

Le recours à des tokens web JSON (JWT) est l’une des approches qui permet d'améliorer la démonstration d'identité. Les JWT sont des identifiants « 0Auth », similaires à des « cookies », générés lorsque vous vous connectez à un site web tel que Google. Ils vous permettent de démontrer votre identité Google lorsque vous visitez divers sites Web sur Internet en étant connecté à Google. zKLogin, créé par la blockchain L1 Sui, permet aux utilisateurs de lier les clés privées et les actions de leur portefeuille à leurs comptes Google ou Facebook qui génèrent des JWT. zkP2P étend ce concept en utilisant les JWT pour permettre aux utilisateurs d’échanger sans permission des fiats contre des cryptomonnaies sur la blockchain de base. Pour ce faire, il faut confirmer les transferts d’argent de pair à pair par l’intermédiaire de l’application de paiement Venmo qui, lors de la confirmation au moyen de JWT envoyés par e-mail, débloquent les tokens USDC déposés dans un contrat intelligent. Ces deux projets ont pour conséquence d’établir des connexions solides avec les identités off-chain. Par exemple, alors que zkLogin relie les adresses des portefeuilles aux identités Google, zkP2P n’est disponible que pour les utilisateurs KYC de Venmo. Bien qu'aucun de ces deux projets ne dispose des garanties solides qui les rendraient suffisamment fiables pour l’identité on-chain, ils constituent des éléments de base importants que d’autres peuvent utiliser.

Si de nombreux projets tentent de confirmer l’identité humaine des utilisateurs de la blockchain, le plus audacieux est Worldcoin, fondé par Sam Altman, PDG d’OpenAI. Bien que très controversé parce que les utilisateurs doivent scanner leur iris à l'aide du dispositif dystopique « Orb », WorldCoin s’oriente vers un système d’identité immuable qui ne peut pas être facilement falsifié ou submergé par l’intelligence artificielle. En effet, WorldCoin crée un identifiant crypté basé sur l’empreinte oculaire unique de chaque personne, qui peut être échantillonnée pour en vérifier l’unicité et l’authenticité. Une fois vérifié, l’utilisateur reçoit un passeport numérique appelé World ID sur la blockchain Optimism, ce qui lui permet de prouver son humanité sur la blockchain. Plus important encore, la signature unique d’une personne n’est jamais révélée et ne peut pas être suivie car elle est cryptée. World ID affirme simplement qu’une adresse blockchain appartient à un être humain. Des projets tels que Checkmate relient déjà le World ID aux profils des médias sociaux afin de s’assurer que les utilisateurs sont uniques et authentiques. Dans un futur Internet dominé par l’IA, il pourrait devenir courant de prouver de façon sûre son humanité lors de chaque interaction en ligne. Alors que les limites des Captchas ont été dépassées par l’IA, les applications de blockchain peuvent prouver l’identité à peu de frais, rapidement et concrètement.

Contribuer à l’IA grâce à la technologie de blockchain

Il ne fait aucun doute que nous en sommes aux prémices de la révolution de l’IA. Toutefois, si la trajectoire de développement de l’intelligence artificielle venait à confirmer les prévisions les plus audacieuses, l'IA devra être mise au défi d’exceller tout en maîtrisant son potentiel de nuisance. Nous pensons que la cryptomonnaie est la solution idéale pour « entraîner » correctement la plante aux fruits abondants mais potentiellement insidieuse qu’est l’IA. La solution de blockchain pour l’IA peut stimuler la production des créateurs d’intelligence artificielle en leur fournissant un calcul décentralisé plus réactif, plus flexible et potentiellement moins onéreux. Elle incite également les constructeurs à créer de meilleurs modèles tout en donnant une impulsion économique à d'autres pour qu'ils créent des entreprises utiles à partir de ces modèles d'IA. Tout aussi important, les propriétaires de modèles peuvent prouver l'efficacité de leurs modèles tout en démontrant qu'ils n'ont pas utilisé de sources de données protégées. Pour les utilisateurs d'IA, les applications liées aux crypto-monnaies permettent de confirmer que les modèles qu'ils exécutent respectent les normes de sécurité et que leur utilité est avérée. Pour tous les autres, la blockchain et la crypto-monnaie sont peut-être qu'un ensemble de pénalités et de récompenses qui entravent la progression fulgurante de l'intelligence artificielle.

Fournisseur	Description	Catégorie de service	Capitalisation boursière entièrement diluée (M)	Utilisation
io.net	Réseau informatique décentralisé pour l’accès aux clusters cloud distribués.	Calcul	Financement de Série A terminé	Les GPU de io.net ont fourni plus de 17 000 heures de calcul et ont rapporté 190 000 dollars.
Together	Plateforme cloud décentralisée pour les modèles d’IA open-source.	Calculs mutualisés	Financement de Série A terminé	Le premier service de Together, Forge, est en passe de générer un chiffre d’affaires annuel de 20 millions de dollars.
Worldcoin	Projet d’identité en ligne lancé par Sam Altman, qui permet de vérifier l’identité d’un utilisateur en scannant son iris.	Identité	$27,508	World App a attiré 5 millions d’utilisateurs au cours de ses six premiers mois d’existence.
Bittensor	Réseau d'incitation décentralisé conçu pour récompenser les modèles d’IA les plus utiles avec des $TAO.	Optimisation de modèle	$5,677	Bittensor totalise 80 000 comptes avec 89 % des $TAO en circulation misés.
Render	Réseau GPU décentralisé sur Solana facilitant les travaux de rendu et d’apprentissage automatique.	Calcul	$1,558	Render emploie 600 opérateurs de nœuds GPU qui ont effectué le rendu de 1,3 million de scènes.
Akash	Place de marché supercloud décentralisée basée sur Cosmos proposant des CPU, des GPU, de la mémoire et du stockage.	Calcul	$1,103	Akash permet aux fournisseurs de GPU du réseau d’engranger environ 2 000 dollars par jour.
Hut 8	Exploitant de ressources numériques et fournisseur d’infrastructures HPC.	Calcul	$855	Hut 8 a généré 4,5 millions de dollars de revenus grâce à ses opérations HPC au cours du troisième trimestre 2023.
Fetch.ai	Plateforme de création, de personnalisation et de monétisation d’agents d’IA.	Outils pour agents	$780	59k portefeuilles uniques détiennent $FET.
Applied Digital	Mineur de bitcoins prenant en charge des opérations d'IA par l'intermédiaire de sa filiale Sai Computing, qui héberge un service d'IA dans le cloud.	Calcul	$587	Applied Digital dispose d’une capacité de 400 MW en cours de développement pour soutenir les applications HPC.
Hive	Mineur de bitcoins fournissant des services HPC.	Calcul	$313	L'activité de Hive dans le domaine du HPC comptait 4 800 GPU actifs à la fin de l'année 2023, avec un objectif de 38 000 cartes basées sur des GPU destinées à des services cloud.
Altered State Machine	Protocole décentralisé pour la formation et l’échange d’agents d’intelligence artificielle pouvant être utilisés avec les NFT.	Outils pour agents	$110	Plus de 27 000 portefeuilles uniques détenant des NFT qui peuvent être alimentés par les agents IA d’Altered State Machine.

Source : VanEck Research, sites web des projets, au 15/01/24.

Les liens vers les sites web de tiers sont fournis à titre de commodité et l’inclusion de ces liens n’implique pas que nous approuvions, investiguions, vérifiions ou contrôlions le contenu ou les informations contenues dans les sites liés ou accessibles à partir de ceux-ci. En cliquant sur le lien vers une page web qui n’appartient pas à VanEck, vous reconnaissez que vous entrez dans un site web tiers soumis à ses propres termes et conditions. VanEck décline toute responsabilité quant au contenu, à la légalité de l’accès ou à la pertinence des sites Web de tiers.

Facteurs de risque

• Risque technologique : Les systèmes d’échange et de transaction peuvent être piratés ou présenter des dysfonctionnements, entraînant la perte d’actifs numériques.
• Risque réglementaire : Les perturbations et les interventions peuvent rendre les actifs numériques illégaux.
• Risque de perte totale : Aucune garantie concernant la conservation en raison du risque de piratage, du risque de contrepartie et du risque de marché.
• Risque de volatilité extrême : Les cours des actifs numériques peuvent être extrêmement volatils.
• D’autres risques spécifiques aux actifs numériques et aux ETN peuvent également être consultés sur la VanEck Crypto Academy.

Divulgation : VanEck a une position dans Together via notre partenariat stratégique avec le manager de capital-risque Cadenza, qui a eu la gentillesse de contribuer à la section « Surmonter les goulets d’étranglement de l’informatique décentralisée ».

Remerciements particuliers à :

Jason Morton, PDG de ZKML

Ala Shaabana, cofondateur de Bittensor

Arrash Yasavolian, fondateur du sous-réseau Taoshi de Bittensor

Greg Osuri, PDG et fondateur d’Akash

Richard Liang, PDG de zkP2P

Membres clés de l’équipe Sui Blockchain – Sam Blackshear, Nihar Shah, Sina Nader, Alonso Gortari