Fusion de l'IA et du Web3 : état des lieux, défis et perspectives d'avenir

I. Introduction : Le développement de l'IA + Web3

Ces dernières années, le développement rapide de l'intelligence artificielle (IA) et des technologies Web3 a suscité un large intérêt à l'échelle mondiale. L'IA, en tant que technologie qui simule et imite l'intelligence humaine, a réalisé des percées significatives dans des domaines tels que la reconnaissance faciale, le traitement du langage naturel et l'apprentissage automatique, apportant d'énormes transformations et innovations dans divers secteurs.

Le marché de l'industrie de l'IA a atteint 200 milliards de dollars en 2023, avec des géants de l'industrie comme OpenAI, Character.AI et Midjourney, ainsi que d'excellents acteurs qui ont émergé comme des champignons après la pluie, menant la frénésie de l'IA.

En même temps, Web3, en tant que nouveau modèle de réseau émergent, est en train de transformer progressivement notre compréhension et notre utilisation d'Internet. Web3 repose sur la technologie blockchain décentralisée et, grâce à des fonctions telles que les contrats intelligents, le stockage distribué et l'authentification décentralisée, permet le partage et le contrôle des données, l'autonomie des utilisateurs et l'établissement de mécanismes de confiance. Le principe fondamental de Web3 est de libérer les données des autorités centralisées, en donnant aux utilisateurs le contrôle sur leurs données et le droit de partager la valeur des données.

Le marché du secteur Web3 est actuellement évalué à 25 000 milliards, que ce soit Bitcoin, Ethereum, Solana ou des acteurs au niveau des applications comme Uniswap, Stepn, de nouveaux récits et scénarios émergent constamment, attirant de plus en plus de personnes à rejoindre le secteur Web3.

La combinaison de l'IA et du Web3 est un domaine qui attire beaucoup l'attention des builders et des VC des deux côtés de l'Atlantique. Comment bien intégrer les deux est une question qui mérite d'être explorée.

Cet article se concentrera sur l'état actuel du développement de l'IA + Web3, en explorant la valeur et l'impact potentiels de cette fusion. Nous commencerons par introduire les concepts et caractéristiques de base de l'IA et du Web3, puis nous examinerons leur relation mutuelle. Ensuite, nous analyserons l'état actuel des projets IA + Web3 et discuterons en profondeur des limites et des défis auxquels ils sont confrontés. À travers cette recherche, nous espérons fournir des références et des insights précieux aux investisseurs et aux professionnels des secteurs concernés.

Deuxièmement, les façons dont l'IA interagit avec le Web3

Le développement de l'IA et du Web3 est comme les deux côtés d'une balance, l'IA apportant une augmentation de la productivité, tandis que le Web3 entraîne une transformation des relations de production. Alors, quelles étincelles l'IA et le Web3 peuvent-ils produire ensemble ? Nous allons d'abord analyser les difficultés et les espaces d'amélioration auxquels l'industrie de l'IA et celle du Web3 sont confrontées, puis nous explorerons comment elles peuvent s'aider mutuellement à résoudre ces problèmes.

2.1 Les défis auxquels l'industrie de l'IA est confrontée

Pour explorer les défis auxquels l'industrie de l'IA est confrontée, commençons par examiner la nature de l'industrie de l'IA. Le cœur de l'industrie de l'IA repose sur trois éléments : la puissance de calcul, les algorithmes et les données.

1. Puissance de calcul : La puissance de calcul fait référence à la capacité de réaliser des calculs et des traitements à grande échelle. Les tâches d'IA nécessitent généralement de traiter d'énormes quantités de données et d'effectuer des calculs complexes, comme l'entraînement de modèles de réseaux neuronaux profonds. Une puissance de calcul élevée peut accélérer le processus d'entraînement et d'inférence des modèles, améliorant ainsi les performances et l'efficacité des systèmes d'IA. Ces dernières années, avec le développement des technologies matérielles, telles que les processeurs graphiques (GPU) et les puces AI dédiées (comme les TPU), l'augmentation de la puissance de calcul a joué un rôle important dans le développement de l'industrie de l'IA. L'ascension fulgurante de Nvidia sur le marché boursier ces dernières années, en tant que fournisseur de GPU, lui a permis de détenir une part de marché importante et de réaliser d'énormes bénéfices.

2. Algorithme : L'algorithme est un élément central des systèmes d'IA, ce sont des méthodes mathématiques et statistiques utilisées pour résoudre des problèmes et réaliser des tâches. Les algorithmes d'IA peuvent être divisés en algorithmes d'apprentissage machine traditionnels et en algorithmes d'apprentissage profond, ce dernier ayant connu des percées majeures ces dernières années. Le choix et la conception de l'algorithme sont cruciaux pour la performance et l'efficacité des systèmes d'IA. L'amélioration et l'innovation continue des algorithmes peuvent augmenter la précision, la robustesse et la capacité de généralisation des systèmes d'IA. Différents algorithmes auront des effets différents, donc l'amélioration des algorithmes est également essentielle pour l'efficacité de l'accomplissement des tâches.

3. Données : La tâche principale des systèmes d'IA est d'extraire des modèles et des régularités des données en apprenant et en s'entraînant. Les données sont la base de l'entraînement et de l'optimisation des modèles. Grâce à un échantillon de données à grande échelle, les systèmes d'IA peuvent apprendre des modèles plus précis et plus intelligents. Des ensembles de données riches peuvent fournir des informations plus complètes et variées, permettant ainsi aux modèles de mieux se généraliser à des données non vues, aidant les systèmes d'IA à mieux comprendre et résoudre les problèmes du monde réel.

Après avoir compris les trois éléments clés de l'IA actuelle, examinons les difficultés et les défis auxquels l'IA est confrontée dans ces trois domaines :

1. En termes de puissance de calcul : les tâches d'IA nécessitent généralement une grande quantité de ressources de calcul pour l'entraînement et l'inférence des modèles, en particulier pour les modèles d'apprentissage profond. Cependant, acquérir et gérer une puissance de calcul à grande échelle est un défi coûteux et complexe. Le coût, la consommation d'énergie et la maintenance des équipements de calcul haute performance sont tous des problèmes. Cela peut être particulièrement difficile pour les start-ups et les développeurs individuels d'obtenir une puissance de calcul suffisante.

2. En ce qui concerne les algorithmes : bien que les algorithmes d'apprentissage profond aient connu un grand succès dans de nombreux domaines, il existe encore des dilemmes et des défis. Par exemple, l'entraînement des réseaux de neurones profonds nécessite une grande quantité de données et de ressources de calcul, et pour certaines tâches, l'interprétabilité et la compréhension du modèle peuvent être insuffisantes. De plus, la robustesse et la capacité de généralisation des algorithmes sont également un problème important, car la performance du modèle sur des données non vues peut être instable. Parmi les nombreux algorithmes, trouver le meilleur algorithme pour offrir le meilleur service est un processus qui nécessite une exploration constante.

3. Aspects des données : Les données sont le moteur de l'IA, mais l'acquisition de données de haute qualité et diversifiées reste un défi. Dans certains domaines, il peut être difficile d'obtenir des données, comme les données de santé sensibles dans le domaine médical. De plus, la qualité, l'exactitude et l'annotation des données posent également problème ; des données incomplètes ou biaisées peuvent conduire à un comportement ou à un biais erronés du modèle. En outre, la protection de la vie privée et de la sécurité des données est également un facteur important à prendre en compte.

De plus, il existe des problèmes d'interprétabilité et de transparence, la nature de boîte noire des modèles d'IA étant une préoccupation du public. Pour certaines applications, telles que la finance, la santé et la justice, le processus décisionnel des modèles doit être explicable et traçable, alors que les modèles d'apprentissage profond existants manquent souvent de transparence. Expliquer le processus décisionnel des modèles et fournir des explications fiables reste un défi.

En outre, de nombreux modèles commerciaux des projets d'IA ne sont pas très clairs, ce qui laisse de nombreux entrepreneurs en IA dans le flou.

2.2 Les défis auxquels l'industrie Web3 est confrontée

Dans le secteur du Web3, il existe actuellement de nombreux défis à relever, que ce soit en ce qui concerne l'analyse des données Web3, l'expérience utilisateur médiocre des produits Web3, ou encore les problèmes de vulnérabilités dans le code des contrats intelligents et les attaques de hackers, il y a beaucoup de place pour des améliorations. L'IA, en tant qu'outil d'augmentation de la productivité, a également beaucoup de potentiel dans ces domaines.

Tout d'abord, il y a une amélioration des capacités d'analyse et de prévision des données : l'application de la technologie AI dans l'analyse et la prévision des données a eu un impact énorme sur l'industrie Web3. Grâce à l'analyse intelligente et à l'exploration par des algorithmes AI, les plateformes Web3 peuvent extraire des informations précieuses à partir d'une masse de données et effectuer des prévisions et des décisions plus précises. Cela revêt une importance particulière pour l'évaluation des risques, les prévisions de marché et la gestion des actifs dans le domaine de la finance décentralisée (DeFi).

De plus, il est possible d'améliorer l'expérience utilisateur et les services personnalisés : l'application de la technologie AI permet aux plateformes Web3 d'offrir une meilleure expérience utilisateur et des services personnalisés. Grâce à l'analyse et à la modélisation des données des utilisateurs, les plateformes Web3 peuvent fournir des recommandations personnalisées, des services sur mesure et une expérience d'interaction intelligente. Cela contribue à augmenter l'engagement et la satisfaction des utilisateurs, favorisant ainsi le développement de l'écosystème Web3, par exemple, de nombreux protocoles Web3 intègrent des outils AI comme ChatGPT pour mieux servir les utilisateurs.

L'application de l'IA en matière de sécurité et de protection de la vie privée a également un impact profond sur l'industrie Web3. La technologie IA peut être utilisée pour détecter et défendre contre les attaques réseau, identifier des comportements anormaux et fournir une protection de sécurité plus robuste. En même temps, l'IA peut également être appliquée à la protection de la vie privée des données, en protégeant les informations personnelles des utilisateurs sur les plateformes Web3 grâce à des techniques telles que le cryptage des données et le calcul de la confidentialité. En ce qui concerne l'audit des contrats intelligents, étant donné qu'il peut y avoir des vulnérabilités et des risques de sécurité lors de la rédaction et de l'audit des contrats intelligents, la technologie IA peut être utilisée pour automatiser l'audit des contrats et la détection des vulnérabilités, améliorant ainsi la sécurité et la fiabilité des contrats.

On peut constater que l'IA peut participer et apporter son aide à de nombreux égards face aux défis et aux opportunités d'amélioration auxquels l'industrie Web3 est confrontée.

Analyse de l'état actuel des projets AI+Web3

Les projets combinant l'IA et le Web3 abordent principalement deux grands aspects : utiliser la technologie blockchain pour améliorer les performances des projets d'IA, et utiliser la technologie IA pour servir l'amélioration des projets Web3.

Autour de deux aspects, un grand nombre de projets ont émergé pour explorer cette voie, y compris Io.net, Gensyn, Ritual et divers autres projets. Dans cet article, nous analyserons la situation et les développements dans différents sous-domaines, notamment l'IA soutenant le web3 et le web3 soutenant l'IA.

3.1 Web3 soutient l'IA

3.1.1 Pouvoir de calcul décentralisé

Depuis le lancement de ChatGPT par OpenAI à la fin de 2022, une véritable frénésie autour de l'IA a été déclenchée. Cinq jours après son lancement, le nombre d'utilisateurs a atteint 1 million, tandis qu'Instagram avait mis environ deux mois et demi pour atteindre 1 million de téléchargements. Par la suite, la montée en puissance de ChatGPT a également été très rapide, avec 100 millions d'utilisateurs actifs mensuels atteints en deux mois, et en novembre 2023, le nombre d'utilisateurs actifs hebdomadaires a atteint 100 millions. Avec l'émergence de ChatGPT, le secteur de l'IA est rapidement passé d'une niche à une industrie très médiatisée.

Selon le rapport de Trendforce, ChatGPT nécessite 30 000 GPU NVIDIA A100 pour fonctionner, tandis que le futur GPT-5 nécessitera un ordre de puissance de calcul encore plus important. Cela a également lancé une course aux armements entre les entreprises d'IA, car seules celles qui possèdent une puissance de calcul suffisante peuvent s'assurer d'avoir assez de dynamisme et d'avantages dans la guerre de l'IA, ce qui a également conduit à une pénurie de GPU.

Avant l'essor de l'IA, les clients du principal fournisseur de GPU, Nvidia, étaient concentrés sur trois grands services cloud : AWS, Azure et GCP. Avec l'émergence de l'intelligence artificielle, un grand nombre de nouveaux acheteurs sont apparus, y compris de grandes entreprises technologiques comme Meta, Oracle et d'autres plateformes de données et startups en intelligence artificielle, qui ont toutes rejoint la guerre pour accumuler des GPU afin de former des modèles d'IA. Des grandes entreprises technologiques comme Meta et Tesla ont considérablement augmenté leurs achats de modèles IA personnalisés et de recherches internes. Des entreprises de modèles fondamentaux comme Anthropic et des plateformes de données comme Snowflake et Databricks ont également acheté plus de GPU pour aider leurs clients à fournir des services d'intelligence artificielle.

Comme l'a mentionné Semi Analysis l'année dernière, il y a les "riches en GPU et les pauvres en GPU" ; une poignée de sociétés possèdent plus de 20 000 GPU A100/H100, et les membres de l'équipe peuvent utiliser de 100 à 1000 GPU pour des projets. Ces sociétés sont soit des fournisseurs de cloud, soit des entreprises construisant leurs propres LLM, y compris OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral, etc.

Cependant, la plupart des entreprises sont des "pauvres en GPU", ne pouvant se débattre qu'avec un nombre très limité de GPU, dépensant une grande quantité de temps et d'énergie à faire des choses qui sont plus difficiles à faire avancer dans le développement de l'écosystème. De plus, cette situation ne se limite pas aux start-ups. Certaines des entreprises d'intelligence artificielle les plus connues - Hugging Face, Databricks (MosaicML), Together et même Snowflake - ont un nombre de A100/H100 inférieur à 20K. Ces entreprises disposent de talents techniques de classe mondiale, mais sont limitées par la quantité de GPU disponibles, se trouvant en désavantage par rapport aux grandes entreprises dans la course à l'intelligence artificielle.

Cette pénurie ne se limite pas aux "pauvres en GPU", même à la fin de 2023, le leader du secteur de l'IA, OpenAI, a dû suspendre les inscriptions payantes pendant plusieurs semaines en raison de l'incapacité à obtenir suffisamment de GPU, tout en cherchant à acquérir plus de fournitures de GPU.

On peut constater qu'avec le développement rapide de l'IA, il y a un grave déséquilibre entre la demande et l'offre de GPU, et le problème de la pénurie est imminent.

Pour résoudre ce problème, certains projets Web3 commencent à essayer de combiner les caractéristiques techniques de Web3 pour offrir des services de puissance de calcul décentralisés, y compris Akash, Render, Gensyn, etc. Ces projets ont en commun d'inciter un large éventail d'utilisateurs à fournir de la puissance de calcul GPU inutilisée par le biais de jetons, devenant ainsi le côté de l'offre en matière de puissance de calcul, afin de