Investir dans une tendance ou une bulle ? Quelle valeur reste-t-il dans le domaine AI + Web3 ?

Le récit « IA + Web3 » est-il une véritable fusion technologique ou un autre package conceptuel ? Cet article est basé sur un article écrit par TinTinLand et organisé et contribué par Foresight News. (Synopsis : Le morceau d’IA peut-il échapper à la stigmatisation du battage médiatique ?) Inventaire de trois projets d’agents d’IA qui adoptent les crypto-monnaies) (Supplément de contexte : Grayscale News : Le premier trimestre de 2025 est le plus optimiste concernant ces 20 principales crypto-monnaies, en se concentrant sur la DeFi, les agents d’IA et l’écologie Solana) En 2025, la popularité narrative « IA + Web3 » n’a toujours pas diminué. Selon le dernier rapport de Grayscale, publié en mai 2025, la capitalisation boursière globale de la piste AI Crypto a atteint 21 milliards de dollars, soit près de cinq fois plus que les 4,5 milliards de dollars du premier trimestre 2023. Derrière cette vague, y a-t-il une réelle convergence de technologies, ou s’agit-il d’un autre concept d’emballage ? D’un point de vue macro, l’écosystème traditionnel de l’IA a révélé de plus en plus de problèmes structurels : seuil d’entraînement de modèle élevé, confidentialité des données non garantie, monopole élevé de la puissance de calcul, processus de raisonnement en boîte noire et mécanisme d’incitation déséquilibré...... Ces points sensibles sont très cohérents avec les avantages natifs du Web3 : décentralisation, mécanisme de marché ouvert, vérifiabilité on-chain, souveraineté des données des utilisateurs, etc. La combinaison IA + Web3 n’est pas seulement une superposition de deux mots chauds, mais une complémentarité technologique structurelle. Commençons par les principaux points douloureux auxquels l’IA est confrontée, démontons en profondeur les projets Web3 qui résolvent réellement des problèmes, et emmenons-nous voir la valeur et la direction de la piste AI Crypto. Le seuil d’accès aux services d’IA est trop élevé et trop coûteux Les services d’IA actuels sont généralement coûteux et difficiles à obtenir des ressources de formation, ce qui est extrêmement élevé pour les petites et moyennes entreprises et les développeurs individuels. De plus, ces services sont souvent complexes sur le plan technique et nécessitent une formation professionnelle pour se lancer. Le marché des services d’IA est très concentré, les utilisateurs manquent de choix diversifiés, les coûts des appels sont opaques, les budgets sont difficiles à prévoir, et sont même confrontés au problème du monopole de la puissance de calcul. La solution du Web3 consiste à briser les barrières de la plate-forme grâce à la décentralisation, à construire un marché GPU ouvert et à modéliser un réseau de services, à soutenir la planification flexible des ressources inactives et à motiver davantage de participants à contribuer à la puissance de calcul et aux modèles grâce à la planification des tâches sur la chaîne et à des mécanismes économiques transparents, réduisant ainsi les coûts globaux et améliorant l’accessibilité des services. Render Network : se concentre sur le rendu GPU décentralisé, prend également en charge l’inférence et l’entraînement de l’IA, et adopte un modèle de « paiement à l’utilisation » pour aider les développeurs à accéder à des services de génération d’images et d’IA à faible coût. Gensyn : Créez un réseau décentralisé de formation au deep learning, utilisez le mécanisme de preuve de calcul pour vérifier les résultats de la formation et promouvez la formation de l’IA, de la centralisation de la plateforme à la collaboration ouverte. Akash Network : Une plate-forme de cloud computing décentralisée basée sur la technologie blockchain, les développeurs peuvent louer des ressources GPU à la demande pour le déploiement et l’exécution d’applications d’IA, qui est une « version décentralisée du cloud computing ». 0G Labs : Couche 1 native d’IA décentralisée, qui réduit considérablement le coût et la complexité de l’exécution des modèles d’IA sur la chaîne grâce à une architecture innovante de séparation du stockage et de l’informatique. Manque d’incitations pour les contributeurs de données Les données de haute qualité sont le principal carburant des modèles d’IA, mais dans le modèle traditionnel, les contributeurs de données ont du mal à être récompensés. Le caractère opaque et répétitif des sources de données et l’absence de retour d’expérience sur leur utilisation rendent l’écologie des données inefficace pendant longtemps. Le Web3 offre une nouvelle solution à la formalisation : une boucle fermée claire de collaboration et d’incitations entre les contributeurs de données, les développeurs de modèles et les utilisateurs par le biais de signatures cryptographiques, de la confirmation des droits on-chain et de mécanismes économiques composables. Projet représentatif OpenLedger : a proposé de manière innovante le concept d'« IA payante », qui combine la contribution des données, l’appel au modèle et les incitations économiques pour promouvoir la formation d’un réseau d’économie des données pour la collaboration en chaîne d’IA. Bittensor : Un système d’incitation complet avec des récompenses TAO, un mécanisme de consensus Yuma, des incitations à la précision du sous-réseau, la collaboration des connaissances, etc. comme noyau, relie directement la contribution des données aux résultats de la mise en œuvre du modèle, et améliore la contribution globale de la valeur. Grass : Le réseau de données d’IA collecte des données sur le comportement de navigation des utilisateurs par le biais de plugins, contribue à la formation des moteurs de recherche sur la chaîne et récompense les utilisateurs en fonction de la qualité des données, créant ainsi un mécanisme de partage de données axé sur la communauté. Le processus d’inférence des modèles d’IA courants actuels est hautement boîte noire, et les utilisateurs ne peuvent pas vérifier l’exactitude et la crédibilité des résultats, en particulier dans les domaines à haut risque tels que la finance et les soins médicaux. De plus, les modèles peuvent faire l’objet d’altérations, d’empoisonnements et d’autres attaques, ce qui rend difficile le traçage ou l’audit. À cette fin, le projet Web3 tente d’introduire la preuve à divulgation nulle de connaissance (ZK), le cryptage entièrement homomorphe (FHE) et l’environnement d’exécution de confiance (TEE) pour rendre le processus d’inférence de modèle vérifiable et auditable, et améliorer l’interprétabilité et la base de confiance des systèmes d’IA. Représentant du projet Sentient : Une technologie innovante d’empreinte digitale du modèle garantit que le comportement des appels peut être tracé, améliorant ainsi la transparence et la capacité d’inviolabilité de l’utilisation du modèle. Modulus Labs : Utilisation de la technologie ZK pour vérifier cryptographiquement le processus d’inférence de modèle et réaliser la nouvelle normalisation de « l’IA de confiance ». Gizeh : Utilisation de la cryptographie à connaissance nulle pour calculer l’inférence d’apprentissage automatique sur la chaîne, améliorant ainsi la transparence et la confiance dans le déploiement des modèles d’IA. Le processus de formation de l’IA implique souvent une grande quantité de données sensibles et est confronté à des risques tels que la fuite de confidentialité, l’abus ou l’attaque du modèle, et le manque de transparence dans la prise de décision. Dans le même temps, la propriété des données et des modèles est vaguement définie, ce qui exacerbe encore les risques de sécurité. Grâce à l’immuabilité de la blockchain, de la technologie informatique cryptographique (telle que ZK, FHE), de l’environnement d’exécution fiable et d’autres moyens, la sécurité et la contrôlabilité des données et des modèles du système d’IA dans l’ensemble du processus d’entraînement, de stockage et d’appel sont garanties. Réseau Phala : fournit une prise en charge TEE (Trusted Execution Environment) pour encapsuler l’informatique critique dans du matériel sécurisé afin d’éviter les fuites de données et le vol de modèles. ZAMA : Focus sur la technologie de chiffrement entièrement homomorphe (FHE), afin que l’entraînement et l’inférence du modèle puissent être effectués dans un état chiffré, permettant ainsi un « calcul sans texte clair ». Mind Network : Construisez une plateforme décentralisée de partage de données et d’inférence d’IA qui prend en charge la protection de la vie privée, et réalisez le partage de la sécurité des données et l’informatique de confidentialité grâce à une technologie de cryptage frontale (cryptage homomorphe, preuve à divulgation nulle de connaissance, etc.). Vana : Une application de génération d’identité IA conçue pour redonner aux utilisateurs la propriété et le contrôle de leurs données, en garantissant leur confidentialité et leur sécurité. Litiges en matière de droits d’auteur et de propriété intellectuelle sur les modèles d’IA La formation actuelle des modèles d’IA fait un usage intensif du matériel Internet, mais l’utilisation souvent non autorisée de contenu protégé par le droit d’auteur entraîne de fréquents litiges juridiques. Dans le même temps, la propriété des droits d’auteur sur le contenu généré par l’IA n’est pas claire, et il n’existe pas de mécanisme transparent pour la répartition des droits et des intérêts entre les créateurs originaux, les développeurs de modèles et les utilisateurs. Il n’est pas rare que des modèles soient copiés ou détournés de manière malveillante, et il est difficile de protéger les droits de propriété intellectuelle. Le Web3 stocke le temps d’établissement du modèle, la source de données de formation, les informations sur les contributeurs, etc. grâce au mécanisme de confirmation des droits on-chain, et utilise des outils tels que les NFT et les contrats intelligents pour identifier la propriété des droits d’auteur du modèle ou du contenu. Protocole de l’histoire :...