Les activités d'IA ne rapportent pas d'argent ? L'aube de DeAI est déjà là.

Auteur : Zhang Feng

L'intelligence artificielle (IA) est sans aucun doute le secteur technologique le plus en vogue au monde, et la technologie IA redéfinit les industries à une vitesse sans précédent. Cependant, derrière cette prospérité bruyante se cache une réalité cruelle : la grande majorité des entreprises d'IA, en particulier les startups, n'ont pas trouvé de voie de profit stable et durable. Elles se retrouvent dans une situation où elles suscitent l'enthousiasme sans générer de revenus, avec une prospérité technologique coexistant avec des pertes commerciales.

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

Le dilemme de rentabilité des affaires d'IA ne provient pas de l'échec de la technologie elle-même, mais de son mode de développement centralisé qui a engendré des contradictions structurelles. Plus précisément, cela peut être résumé par les trois raisons suivantes :

Extrême centralisation : Coûts exorbitants et oligopole. L'IA dominante actuelle, en particulier les grands modèles, est un exemple typique de l'industrie « lourde ». Le 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 technologiques disposant de capitaux importants (comme Google, Microsoft, OpenAI) capables d'assumer des investissements de plusieurs centaines de millions voire de plusieurs milliards de dollars ; de l'autre, de nombreuses startups qui doivent « sacrifier » la majeure partie de leur financement aux fournisseurs de services cloud pour obtenir de la puissance de calcul, ce qui écrase leurs marges bénéficiaires. Ce modèle a formé un « oligopole de la puissance de calcul », étouffant la vitalité d'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 souvent 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 très élevé. Que ce soit par le biais de la collecte payante, de l'annotation des données ou de 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 renforcement des réglementations mondiales sur les données (comme le RGPD, le CCPA), la collecte et l'utilisation de données sans l'autorisation explicite des utilisateurs peuvent à tout moment déclencher des poursuites judiciaires et des amendes colossales. Par exemple, plusieurs grandes entreprises technologiques ont déjà été confrontées à des amendes exorbitantes 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 les données de comportement générées par d'innombrables utilisateurs, le contenu produit par les créateurs (textes, images, codes, etc.) ainsi que le code source contribué par des développeurs du monde entier. Cependant, ces contributeurs clés ne parviennent presque jamais à tirer un quelconque retour des énormes valeurs commerciales créées 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 continue et de l'innovation des modèles d'IA. Un cas 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 accorder aucune compensation, ce qui a suscité de larges controverses et des litiges juridiques.

Deux, Nouveau paradigme de profit

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 répondre spécifiquement aux trois principaux points de douleur 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 inactifs à travers le monde (ordinateurs personnels, centres de données, etc.). Cela ressemble à “Airbnb pour GPU”, créant un marché mondial et compétitif de la puissance de calcul qui peut considérablement réduire le coût de la puissance de calcul. Les participants obtiennent des incitations en jetons en contribuant de la puissance de calcul, ce qui permet une optimisation des ressources.

DeAI réalise “l'activation des données sans mouvement” grâce à des technologies telles que “l'apprentissage fédéré” et “le chiffrement homomorphe”. Il n'est pas nécessaire de centraliser les données brutes, 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 chiffrés. Cela protège fondamentalement la confidentialité des données tout en exploitant légalement et de manière conforme la valeur des données décentralisées. Les propriétaires de données peuvent décider de fournir ou non leurs données et d'en tirer profit.

DeAI a construit un système de répartition de la valeur transparent et équitable grâce à l'“économie des tokens” 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 automatiquement recevoir 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

La migration des activités d'IA centralisées traditionnelles vers le paradigme DeAI nécessite une reconstruction systémique à trois niveaux : technique, commercial et de gouvernance.

(1) Reconstruction technique from centralized to decentralized

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

Couches de données utilisent l'apprentissage fédéré comme cadre d'entraînement central, combinant des technologies 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, permettant d'échanger des données sous réserve de droits et de sécurité.

Niveau de modèle déploie le modèle d'IA entraîné sous la forme de “contrat intelligent AI” sur la blockchain, le rendant transparent, vérifiable et accessible sans autorisation. Chaque utilisation du modèle et les revenus générés peuvent être enregistrés et répartis avec précision.

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

De SaaS à DaaS (Données en tant que Service) et MaaS (Modèle en tant que Service), les entreprises ne se contentent plus de vendre des appels 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 commission de service à une valorisation des tokens liée à la croissance de la valeur de l'écosystème, ainsi qu'à des dividendes de frais de transaction, etc.

Ainsi, construire une plateforme de tâches décentralisée, publiant des tâches telles que l'annotation de données, le réglage de modèles et le développement d'applications pour des scénarios spécifiques sous forme de “récompenses”, à laquelle les membres de la communauté mondiale peuvent participer et obtenir des récompenses, réduisant considérablement les coûts d'exploitation et stimulant l'innovation.

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

Basé sur la gouvernance communautaire, en détenant des jetons de gouvernance, les participants de la communauté (contributeurs, utilisateurs) ont le droit de voter sur des décisions clés, 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 principe de “l'utilisateur est le propriétaire”.

Basé sur l'ouverture et la transparence, tous les codes, modèles (certains open source), enregistrements de transactions et décisions de gouvernance sont enregistrés sur la chaîne, garantissant ainsi la transparence du processus et établissant une relation de collaboration sans confiance. Cela constitue en soi un puissant atout de marque et un gage de confiance.

Prenons l'exemple de la transformation d'une plateforme de données logistiques traditionnelle vers DeAI,** la difficulté des plateformes de données logistiques traditionnelles réside dans le fait qu'elles rassemblent des données provenant de divers acteurs tels que le transport maritime, le transport terrestre et l'entreposage, mais que les participants “ne veulent pas partager” par crainte de la fuite de secrets commerciaux, ce qui entraîne des îlots de données et limite la valeur 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 modèles technologiques tels que l'apprentissage fédéré, les modèles d'IA peuvent “être déployés” sur les serveurs locaux de diverses entreprises (comme les compagnies maritimes et les entrepôts) pour être entraînés, n'agrégeant que les mises à jour de paramètres cryptées, optimisant ainsi collectivement le modèle de prévision global (comme le temps d'arrivée des navires, le risque de surcharge des entrepôts), réalisant ainsi que “les données restent immobiles, la valeur circule”.

Promouvoir l'assetisation des données et l'incitation par des jetons dans les affaires. Émettre des points utilitaires sur la plateforme, les entreprises logistiques « minent » des récompenses en points en contribuant des données (paramètres de modèle). Les clients en aval (comme les propriétaires de cargaisons) paient des jetons pour consulter des « résultats prédictifs » de haute précision (par exemple : le taux de ponctualité prévu pour la semaine suivante sur une certaine route), plutôt que d'acheter des données brutes. Les revenus sont automatiquement répartis entre les contributeurs de données via des contrats intelligents.

Construire une industrie sur la gouvernance de l'DAO, les décisions clés (comme le développement de nouvelles fonctionnalités, l'ajustement des frais) sont prises par vote conjoint des détenteurs de jetons (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 de prélever des frais d'intermédiation 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 la capacité à faire face aux risques.

Quatre, Conformité et Sécurité

Bien que les perspectives de DeAI soient vastes, son développement en est encore à ses débuts et fait face à une série de défis qu'il ne faut pas négliger.

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, lorsqu'ils traitent des données personnelles, doivent toujours se conformer strictement aux exigences des réglementations telles que le RGPD concernant la “limitation des finalités”, la “minimisation des données” et les droits des utilisateurs (comme le droit à l'oubli). Les projets doivent concevoir des mécanismes de consentement et de retrait conformes.

En ce qui concerne la réglementation des valeurs mobilières, les jetons émis par un projet peuvent facilement être considérés comme des valeurs mobilières par les régulateurs de différents pays (comme la SEC américaine), ce qui entraîne un examen réglementaire strict. Éviter les risques juridiques lors de la conception du modèle économique des jetons est essentiel pour la survie du projet.

Responsabilité du contenu : Si un modèle DeAI déployé sur la blockchain produit un contenu nuisible, biaisé ou illégal, qui est 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 existant.

Défis en matière de sécurité et de performance, la sécurité des modèles, c'est-à-dire les modèles déployés sur des chaînes publiques, peut 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.

Le goulet d'étranglement de performance est la vitesse de transaction (TPS) et les limitations de stockage de la blockchain elle-même, qui peuvent ne pas supporter des demandes d'inférence de grands modèles à haute fréquence et faible latence. Cela nécessite une combinaison efficace de solutions d'extension Layer 2 et de calcul hors chaîne.

L'efficacité de la collaboration signifie que bien 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. Trouver un équilibre entre efficacité et équité est un art que la gouvernance des DAO doit continuer à explorer.

DeAI, en tant que révolution des relations de production, grâce aux technologies distribuées, à l'économie des tokens et à la gouvernance communautaire, a le potentiel de briser le monopole des géants, de libérer la puissance de calcul et la valeur des données sous-utilisées à l'échelle mondiale, et de construire un nouvel écosystème d'IA plus équitable, durable et potentiellement plus rentable.

Cinq, Directions d'exploration actuelles

Le développement actuel des outils d'IA est encore loin d'atteindre un idéal d'intelligence artificielle décentralisée. Nous sommes encore au stade précoce dominé par des services centralisés, mais certaines explorations ont déjà indiqué la direction future.

Explorations actuelles et défis futurs. Bien que l'DeAI idéal n'ait pas encore été réalisé, l'industrie entreprend déjà des essais précieux, ce qui nous aide à voir clairement le chemin futur et les obstacles à surmonter.

Comme un prototype de collaboration entre systèmes multi-agents. Certains projets explorent la création d'un environnement où les agents IA peuvent collaborer et évoluer ensemble. Par exemple, le projet AMMO vise à créer un “réseau de symbiose entre l'homme et l'IA”, dont le cadre multi-agents et l'environnement de simulation RL Gyms permettent aux agents IA d'apprendre à collaborer et à rivaliser dans des scénarios complexes. Cela peut être considéré comme une tentative de construire les règles d'interaction de base du monde DeAI.

Comme une première tentative de modèle d'incitation. Dans la conception de DeAI, les utilisateurs qui contribuent des données et les nœuds qui fournissent de la puissance de calcul devraient tous recevoir une compensation équitable. Certains projets tentent de réaffecter directement de la valeur aux contributeurs de l'écosystème grâce à 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.

**Vers une autonomie accrue de l'IA : Les produits de type Deep Research démontrent la forte 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 optimiser les résultats de manière itérative, cette capacité d'automatisation des tâches étant la base du travail indépendant des agents IA dans le réseau DeAI de demain.

Pour les professionnels de l'IA qui luttent dans la mer Rouge, il vaut mieux embrasser courageusement cette nouvelle mer bleue qu'est DeAI, plutôt que de se battre dans l'ancien paradigme. Cela représente non seulement un changement de trajectoire technologique, mais aussi une refonte de la philosophie commerciale - passant de “l'extraction” à “l'incitation”, de “fermé” à “ouvert”, de “profits monopolistiques” à “croissance inclusive”.