• L'intersection entre l'intelligence artificielle (IA) et la cryptomonnaie est vaste mais souvent mal comprise. Nous croyons que les différentes sous-sections de cette intersection offrent des opportunités distinctes et des calendriers de développement.
• Nous croyons généralement que pour les produits d'IA, la décentralisation seule ne suffit pas à apporter un avantage concurrentiel–ils doivent également atteindre une parité fonctionnelle avec les produits centralisés dans certains autres domaines clés.
• Notre point de vue contraire est que en raison de l'attention généralisée portée à l'industrie de l'IA, le potentiel de valeur de nombreux jetons d'IA peut être exagéré, et nombreux jetons d'IA peuvent manquer de moteurs de demande durables à court et moyen terme.

Ces dernières années, les percées continues dans le domaine de l'intelligence artificielle, en particulier dans le domaine de l'intelligence artificielle générative, ont attiré une grande attention sur l'industrie de l'intelligence artificielle et ont offert des opportunités aux projets de crypto situés à l'intersection des deux. Nous avions précédemment abordé certaines possibilités pour le secteur dans un rapport datant de juin 2023, notant que l'allocation globale des capitaux dans les crypto-monnaies semblait sous-investir dans l'intelligence artificielle. Le domaine de l'IA crypto a énormément progressé depuis lors, et nous estimons qu'il est important de souligner certains des défis pratiques qui pourraient entraver son adoption généralisée.

Le changement rapide dans l'IA nous rend prudents quant aux affirmations audacieuses selon lesquelles les plates-formes centrées sur la cryptographie sont uniques pour perturber l'industrie; cela nous amène à penser que la plupart des jetons d'IA ont un chemin d'appréciation de valeur à long terme et durable. La route est pleine d'incertitudes, en particulier pour les projets avec des modèles économiques de jetons fixes. Au lieu de cela, nous pensons que certaines tendances émergentes dans l'IA pourraient en fait rendre les innovations basées sur les cryptomonnaies plus difficiles à adopter, compte tenu de la concurrence et de la réglementation plus larges du marché.

Cela dit, nous croyons que le point entre l'IA et les crypto-monnaies est vaste et offre diverses opportunités, avec une adoption susceptible d'être plus rapide dans certains sous-segments, malgré le manque de jetons déjà commercialisés dans bon nombre de ces domaines. Cependant, cela ne semble pas freiner l'intérêt des investisseurs. Nous constatons que la performance des jetons crypto liés à l'IA est soutenue par les gros titres du marché de l'IA et peut avoir un impact positif sur les prix même les jours où le Bitcoin se négocie à la baisse. Par conséquent, nous pensons que de nombreux jetons liés à l'IA peuvent continuer à être échangés comme des représentations des progrès de l'IA.

Tendances clés en intelligence artificielle

L'une des tendances les plus importantes dans le domaine de l'intelligence artificielle (liée aux produits Crypto-AI) est la culture continue autour des modèles open source. Plus de 530 000 modèles sont exposés sur Hugging Face pour que les chercheurs et les utilisateurs puissent les manipuler et les affiner. Le rôle de Hugging Face dans la collaboration en IA n'est pas différent de celui de GitHub pour l'hébergement de code ou de Discord pour la gestion de communauté (tous deux largement utilisés dans l'espace crypto). Sauf mauvaise gestion grave, cette situation n'est pas susceptible de changer à court terme.

Les modèles disponibles sur Hugging Face vont des grands modèles de langage (LLMs) aux modèles d'image et de vidéo génératifs, et incluent des créations de grands acteurs de l'industrie comme Open AI, Meta et Google, ainsi que des développeurs indépendants. Certains modèles de langage open source ont même des avantages de performance par rapport aux modèles propriétaires de pointe en termes de débit (tout en maintenant une qualité de sortie comparable), assurant un degré de concurrence entre les modèles open source et commerciaux (voir Figure 1). Importamment, nous croyons que cet écosystème vibrant de source ouverte combiné à un secteur commercial hautement compétitif a permis une industrie où les mauvais modèles sont éliminés de la concurrence.

La deuxième tendance est l'augmentation de la qualité et de la rentabilité des modèles plus petits (soulignée dans la recherche LLM en 2020 et dans un article récent de Microsoft), ce qui coïncide également avec la culture open source pour permettre davantage de performances haut de gamme, localement exécutant des modèles d'IA. Certains modèles open source affinés peuvent même surpasser les modèles fermés leaders sur certains benchmarks. Dans un tel monde, certains modèles d'IA pourraient être exécutés localement, maximisant la décentralisation. Bien sûr, les entreprises technologiques en place continueront à former et à exécuter des modèles plus grands sur le cloud, mais l'espace de conception entre les deux nécessitera des compromis.

De plus, étant donné la complexité croissante de la tâche de comparaison des modèles d'IA (y compris la contamination des données et les différents champs d'application des tests), la génération des résultats du modèle peut finalement être mieux évaluée par les utilisateurs finaux sur un marché libre. En effet, les utilisateurs finaux peuvent utiliser des outils existants pour comparer les résultats du modèle côte à côte avec des entreprises de référence qui effectuent les mêmes opérations. Une idée approximative de la difficulté des comparaisons d'IA génératives peut être obtenue à partir de la variété croissante des comparaisons ouvertes de LLM, y compris MMLU, HellaSwag, TriviaQA, BoolQ, etc., testant chacune différents cas d'utilisation tels que le raisonnement de bon sens, les sujets académiques et divers formats de questions.

Le troisième tendance que nous observons dans l'espace de l'IA est que les plateformes existantes avec une forte fidélisation des utilisateurs ou résolvant des problèmes commerciaux spécifiques peuvent bénéficier de manière disproportionnée de l'intégration de l'IA. Par exemple, l'intégration de GitHub Copilot avec des éditeurs de code améliore un environnement de développement déjà puissant. L'intégration d'interfaces IA dans d'autres outils, des clients de messagerie aux tableurs en passant par les logiciels de gestion de la relation client, constitue également des cas d'utilisation naturels pour l'IA (par exemple, l'assistant IA de Klarna effectue le travail de 700 employés de service client à temps plein).

Mais il est bon de noter que dans bon nombre de ces scénarios, les modèles d'IA ne conduiront pas à de nouvelles plateformes, mais seulement à améliorer celles qui existent déjà. D'autres modèles d'IA qui améliorent les processus commerciaux traditionnels en interne (par exemple, le système Lattice de Meta, qui a aidé à restaurer les performances publicitaires d'Apple à des niveaux anciens après le lancement de l'App Tracking Transparency) reposent également souvent sur des données propriétaires et des systèmes fermés. Ces types de modèles d'IA resteront probablement des sources fermées car ils sont intégrés verticalement dans le produit de base et utilisent des données propriétaires.

Dans le monde du matériel et du calcul AI, nous observons deux autres tendances connexes. La première est le passage de l'utilisation du calcul de la formation à l'inférence. Autrement dit, lorsque les modèles d'intelligence artificielle sont d'abord développés, d'énormes quantités de ressources de calcul sont utilisées pour "former" le modèle en lui fournissant de grands ensembles de données. Maintenant, nous en sommes venus à déployer le modèle et à le consulter.

L'appel aux résultats de NVIDIA en février 2024 a montré que environ 40% de leur activité était utilisée pour l'inférence. Satya Nadella a fait des remarques similaires lors de l'appel aux résultats de Microsoft le mois précédent janvier, soulignant que «la plupart» de leur utilisation de l'IA Azure est pour le raisonnement. Alors que cette tendance se poursuit, nous croyons que les entités cherchant à monétiser les modèles donneront la priorité aux plateformes capables d'exécuter de manière fiable les modèles de manière sécurisée et prête pour la production.

La deuxième tendance majeure est le paysage concurrentiel entourant l'architecture matérielle. Les processeurs H200 de Nvidia seront disponibles à partir du deuxième trimestre de 2024, avec la prochaine génération B100 devant doubler encore les performances. De plus, le soutien continu de Google pour sa propre unité de traitement Tensor (TPU) et la nouvelle unité de traitement du langage (LPU) de Groq pourraient également augmenter sa part de marché en tant qu'alternatives dans cet espace dans les années à venir (voir Figure 2). De tels développements pourraient modifier la dynamique des coûts dans l'industrie de l'intelligence artificielle et pourraient bénéficier aux fournisseurs de services cloud, leur permettant de pivoter rapidement, d'acheter en gros du matériel et de configurer tout besoin en matière de réseau physique et d'outils de développement connexes.

Dans l'ensemble, le domaine de l'intelligence artificielle est un domaine émergent et en développement rapide. Moins de 1,5 an après la première publication de ChatGPT sur le marché en novembre 2022 (bien que son modèle GPT 3 sous-jacent existe depuis juin 2020), la croissance rapide de l'espace depuis lors a été stupéfiante. Malgré certains comportements douteux concernant les biais derrière certains modèles d'IA générative, nous pourrions voir des modèles moins performants être progressivement éliminés par le marché au profit de meilleures alternatives. La croissance rapide de l'industrie et le potentiel de réglementations à venir signifient que les problèmes de l'industrie évoluent régulièrement à mesure que de nouvelles solutions deviennent disponibles.

Pour un domaine en constante innovation, la "solution décentralisée [XXX]" souvent vantée comme une conclusion évidente est prématurée. Elle résout également de manière préventive un problème de centralisation qui peut ne pas nécessairement exister. La réalité est que l'industrie de l'IA a atteint un degré élevé de décentralisation à travers la concurrence entre de nombreuses entreprises et projets open source, tant sur le plan technologique que commercial. De plus, en raison de la nature de leurs processus de prise de décision et de consensus, les protocoles décentralisés progressent à un rythme plus lent que les protocoles centralisés, tant sur le plan technique que social. Cela pourrait créer des obstacles dans la quête d'équilibre entre la décentralisation et des produits concurrentiels à ce stade du développement de l'IA. En d'autres termes, il existe des synergies entre la cryptomonnaie et l'intelligence artificielle qui peuvent être réalisées de manière significative sur une période prolongée.

Cerner l'opportunité

De manière générale, nous divisons l'intersection de l'intelligence artificielle et de la crypto-monnaie en deux grandes catégories. La première catégorie concerne les cas d'utilisation où les produits d'IA améliorent l'industrie de la crypto-monnaie. Cela inclut des scénarios allant de la création de transactions lisibles par l'homme et l'amélioration de l'analyse des données de la blockchain, à l'utilisation de la sortie du modèle on-chain comme partie d'un protocole sans permission. La deuxième catégorie concerne les cas d'utilisation où les crypto-monnaies visent à perturber les pipelines d'IA traditionnels grâce à l'informatique décentralisée, la vérification, l'identité, etc.

Les cas d'utilisation pour la première catégorie de scénarios liés aux affaires sont clairs, et nous croyons que bien que des défis techniques importants subsistent, il existe également des perspectives à long terme dans des scénarios de modèles d'inférence plus complexes on-chain. Les modèles d'IA centralisés peuvent améliorer les crypto-monnaies comme toute autre industrie axée sur la technologie, en améliorant les outils des développeurs et l'audit du code, en traduisant le langage humain en actions on-chain. Mais les investissements dans ce domaine se dirigent généralement vers des entreprises privées par le biais du capital-risque, et sont donc souvent ignorés par les marchés publics.

Cependant, les implications et les avantages de la façon dont la crypto pourrait perturber les pipelines AI existants nous sont moins certaines. Les difficultés dans la dernière catégorie ne sont pas seulement des défis techniques (que nous croyons généralement solubles à long terme), mais aussi des batailles difficiles avec des forces de marché et réglementaires plus larges. Une grande partie de l'attention récente portée sur l'intelligence artificielle et les crypto-monnaies s'est concentrée sur cette catégorie, car ces cas d'utilisation sont mieux adaptés à la possession de jetons liquides. C'est l'objet de notre prochaine section, car il existe actuellement relativement peu de jetons de liquidité pertinents pour les outils d'IA centralisés dans les crypto-monnaies.

Le rôle des crypto-monnaies dans les pipelines d'intelligence artificielle

Au risque de simplifier excessivement la question, nous considérons l'impact potentiel des crypto-monnaies sur l'IA en quatre étapes principales du pipeline de l'IA :

1. Collecte, stockage et traitement des données

2. Entraînement et inférence de modèle

3. Vérification de la sortie du modèle

4. Suivre la sortie du modèle d'intelligence artificielle

De nombreux nouveaux projets crypto-AI ont émergé dans ces domaines. Cependant, beaucoup rencontreront des défis sérieux à court et moyen terme en raison de la génération de la demande et de la concurrence féroce des entreprises centralisées et des solutions open-source.

Données propriétaires

Les données sont la base de tous les modèles d'IA et peuvent être le facteur clé de différenciation dans les performances professionnelles des modèles d'IA. Les données historiques de la blockchain elles-mêmes constituent une nouvelle source riche de données pour les modèles, et certains projets comme Grass visent également à tirer parti des incitations cryptographiques pour créer de nouveaux ensembles de données à partir d'Internet. À cet égard, la crypto a l'opportunité de fournir des ensembles de données spécifiques à l'industrie et d'inciter à la création de nouveaux ensembles de données de valeur. (Nous pensons que l'accord récent de Reddit de 60 millions de dollars par an pour la licence de données avec Google est prometteur pour l'avenir de la monétisation des ensembles de données.)

De nombreux modèles précoces (comme GPT 3) utilisaient un mélange de jeux de données ouverts tels que CommonCrawl, WebText2, des livres et Wikipedia, ainsi que des ensembles de données similaires disponibles gratuitement sur Hugging Face (qui héberge actuellement plus de 110 000 options). Cependant, peut-être pour protéger les intérêts commerciaux, de nombreux modèles récents à code source fermé n'ont pas encore publié la composition finale de leur jeu de données d'entraînement. La tendance vers des ensembles de données propriétaires, en particulier dans les modèles commerciaux, se poursuivra et renforcera l'importance de la licence de données.

Les places de marché de données centralisées existantes aident déjà à combler le fossé entre les fournisseurs de données et les consommateurs, laissant ainsi un espace d'opportunité pour de nouvelles solutions de places de marché de données décentralisées prises en sandwich entre des catalogues de données en open source et des concurrents d'entreprise. Sans le soutien d'une structure légale, une place de marché de données purement décentralisée devrait également construire des interfaces de données standardisées et des pipelines, vérifier l'intégrité et la configuration des données, et résoudre le problème de démarrage à froid de ses produits - tout en équilibrant les incitations token entre les participants du marché.

En outre, les solutions de stockage décentralisé pourraient éventuellement trouver leur place dans l'industrie de l'intelligence artificielle, bien que de nombreux défis existent à cet égard. D'une part, des pipelines pour la distribution de jeux de données open source existent déjà et sont largement utilisés. D'autre part, de nombreux propriétaires de jeux de données propriétaires ont des exigences strictes en matière de sécurité et de conformité.

Actuellement, il n'existe pas de voies réglementaires pour l'hébergement de données sensibles sur des plates-formes de stockage décentralisées comme Filecoin et Arweave. De nombreuses entreprises sont encore en train de passer de serveurs sur site à des fournisseurs de stockage cloud centralisés. De plus, la nature décentralisée de ces réseaux ne répond actuellement pas à certaines exigences de localisation géographique et d'isolation physique des données pour le stockage de données sensibles, au niveau technique.

Alors que les comparaisons de prix entre les solutions de stockage décentralisées et les fournisseurs de cloud établis suggèrent que les unités de stockage décentralisées sont moins chères par unité, cela ignore une prémisse significative. Tout d'abord, les coûts initiaux associés à la migration des systèmes entre les fournisseurs doivent être pris en compte en plus des dépenses d'exploitation quotidiennes. Deuxièmement, les plates-formes de stockage décentralisées basées sur la cryptographie doivent correspondre à de meilleurs outils et à une intégration avec les systèmes de cloud matures développés au cours des deux dernières décennies. Les solutions cloud ont également des coûts plus prévisibles d'un point de vue des opérations commerciales, offrent des obligations contractuelles et des équipes de support dédiées, et disposent d'un large bassin de talents de développeurs existants.

Il convient également de noter qu'une comparaison sommaire avec les trois principaux fournisseurs de cloud (Amazon Web Services, Google Cloud Platform et Microsoft Azure) est incomplète. Il existe des dizaines de sociétés de cloud à moindre coût qui cherchent également à conquérir des parts de marché en proposant des racks de serveurs de base moins chers. Nous pensons que ce sont les véritables concurrents majeurs à court terme pour les consommateurs soucieux des coûts.

En d'autres termes, des innovations récentes telles que le calcul des données de Filecoin et l'environnement de calcul AO d'Arweave peuvent jouer un rôle dans les futurs projets greenfield qui utilisent des ensembles de données moins sensibles ou pour les entreprises qui ne sont pas encore des fournisseurs sensibles aux coûts (potentiellement de plus petite échelle).

Par conséquent, bien qu'il y ait certainement de la place pour de nouveaux produits cryptographiques dans l'espace des données, des perturbations technologiques récentes se produiront là où ils peuvent générer des propositions de valeur uniques. Les domaines où les produits décentralisés rivalisent directement avec des concurrents traditionnels et open-source prendront plus de temps à progresser.

Formation et inférence de modèles

Le domaine de l'informatique décentralisée (DeComp) dans l'industrie de la crypto vise également à servir de solution alternative au cloud computing centralisé, en partie en raison de la pénurie actuelle d'approvisionnement en GPU. Une solution proposée pour résoudre ce problème de pénurie est la réutilisation des ressources informatiques inutilisées au sein de réseaux collectifs, ce qui permet de réduire les coûts pour les fournisseurs de cloud centralisés. Des protocoles comme Akash et Render ont mis en œuvre des solutions similaires. Des indicateurs préliminaires suggèrent que de tels projets connaissent une utilisation accrue tant de la part des utilisateurs que des fournisseurs. Par exemple, le nombre de locations actives d'Akash (c'est-à-dire le nombre d'utilisateurs) a triplé depuis le début de l'année (voir Figure 3), principalement en raison de l'augmentation de l'utilisation de ses ressources de stockage et de calcul.

Cependant, les frais payés au réseau ont en réalité diminué depuis le pic de décembre 2023, car l'offre de GPU disponibles a dépassé la croissance de la demande pour ces ressources. Cela dit, à mesure que davantage de fournisseurs rejoignent le réseau, le nombre de GPU loués (qui semble être le principal moteur de revenus de manière proportionnelle) a diminué (voir Figure 4). Pour les réseaux où les prix de calcul peuvent changer en fonction des variations de l'offre et de la demande, il est difficile de savoir où une demande durable et axée sur l'utilisation de jetons natifs finira par émerger si la croissance du côté offre dépasse la croissance du côté demande. Alors que l'impact à long terme de ces changements est incertain, de tels modèles économiques de jetons pourraient devoir être réexaminés à l'avenir afin de s'adapter aux changements du marché.

Au niveau technique, les solutions informatiques décentralisées sont également confrontées au défi des limitations de la bande passante du réseau. Pour les modèles volumineux nécessitant un entraînement multi-nœuds, la couche d'infrastructure réseau physique joue un rôle crucial. Les vitesses de transfert de données, les surcharges de synchronisation et le support de certains algorithmes d'entraînement distribué signifient que des configurations réseau spécifiques et des communications réseau personnalisées (telles que InfiniBand) sont nécessaires pour faciliter l'exécution haute performance. Lorsque la taille du cluster dépasse un certain seuil, il est difficile de mettre en œuvre de manière décentralisée.

En résumé, le succès à long terme de l'informatique (et du stockage) décentralisée est confronté à une concurrence féroce de la part des fournisseurs de cloud centralisés. Toute adoption sera un processus à long terme similaire à la chronologie d'adoption du cloud. Étant donné la complexité technologique croissante du développement de réseaux décentralisés, associée au manque d'équipes de développement et de vente évolutives similaires, il sera difficile de réaliser pleinement la vision de l'informatique décentralisée.

Validation et confiance envers les modèles

Alors que les modèles d'intelligence artificielle deviennent de plus en plus importants dans la vie quotidienne, les préoccupations concernant leur qualité de sortie et leurs biais augmentent. Certains projets de cryptomonnaie visent à aborder ce problème en exploitant une approche algorithmique pour évaluer les résultats dans différentes catégories, cherchant une solution décentralisée basée sur le marché. Cependant, les défis entourant l'étalonnage des modèles, ainsi que les compromis apparents entre coût, débit et qualité, rendent les comparaisons en face-à-face difficiles. BitTensor est l'une des plus grandes cryptomonnaies axées sur l'IA et vise à aborder ce problème, bien que de nombreux défis techniques importants pourraient entraver son adoption généralisée (voir Annexe 1).

De plus, l'inférence de modèle sans confiance (c'est-à-dire prouver que les sorties du modèle sont effectivement générées par le modèle revendiqué) est un autre domaine de recherche actif dans l'intersection de la cryptomonnaie et de l'IA. Cependant, à mesure que l'échelle des modèles open source diminue, de telles solutions peuvent rencontrer des défis en termes de demande. Dans un monde où les modèles peuvent être téléchargés et exécutés localement et où l'intégrité du contenu peut être vérifiée grâce à des méthodes robustes de hachage/de somme de contrôle de fichier, le rôle de l'inférence sans confiance est moins clair. En effet, de nombreux gros modèles de langage (LLM) ne peuvent toujours pas être entraînés et utilisés sur des appareils légers comme les smartphones, mais les puissants ordinateurs de bureau (comme ceux utilisés pour les jeux haut de gamme) peuvent déjà exécuter de nombreux modèles haute performance.

Provenance des données et identité

À mesure que la production de l'IA générative devient de plus en plus indiscernable de la production humaine, l'importance d'identifier et de suivre ce que l'IA génère se fait jour. GPT 4 réussit le test de Turing 3 fois plus rapidement que GPT 3.5, et il est presque inévitable que nous ne puissions un jour plus faire la différence entre les robots et les humains. Dans un tel monde, déterminer l'identité des utilisateurs en ligne et apposer un filigrane sur le contenu généré par l'IA seront des capacités clés.

Les identifiants décentralisés et les mécanismes de vérification d'identité comme Worldcoin visent à relever les défis précédents liés à l'identification des humains on-chain. De même, publier des hachages de données sur la blockchain peut aider à établir l'horodatage et la vérification de la source du contenu. Cependant, tout comme avec les solutions partielles mentionnées ci-dessus, nous croyons qu'il doit y avoir un équilibre entre la faisabilité des solutions basées sur la crypto et les alternatives centralisées.

Certains pays, comme la Chine, lient les identités en ligne aux bases de données contrôlées par le gouvernement. Alors que le degré de centralisation dans d'autres parties du monde peut ne pas être aussi élevé, les alliances de fournisseurs de Connaître Votre Client (KYC) peuvent également offrir des solutions de vérification d'identité indépendantes de la technologie blockchain (similaire aux autorités de certification de confiance qui soutiennent la sécurité Internet d'aujourd'hui). Des recherches sont actuellement en cours sur le tatouage numérique par intelligence artificielle pour intégrer des signaux cachés dans les sorties de texte et d'image afin que les algorithmes puissent détecter si le contenu est généré par IA. De nombreuses grandes entreprises d'IA, dont Microsoft, Anthropic et Amazon, se sont publiquement engagées à ajouter de tels tatouages à leur contenu généré.

En outre, de nombreux fournisseurs de contenu existants ont été chargés d'enregistrer rigoureusement les métadonnées du contenu pour répondre aux exigences de conformité. Par conséquent, les utilisateurs confient souvent les métadonnées associées aux publications sur les réseaux sociaux (mais ne font pas confiance aux captures d'écran), même si elles sont stockées de manière centralisée. Il convient de noter que toute solution d'approvisionnement en données et d'identité basée sur la cryptographie doit s'intégrer aux plateformes utilisateur pour obtenir une large efficacité. Par conséquent, bien que les solutions basées sur la cryptographie pour prouver l'identité et l'approvisionnement en données soient techniquement réalisables, nous pensons également que leur adoption n'est pas prédéterminée et dépendra finalement des exigences commerciales, de conformité et réglementaires.

Trader la narration de l'IA

Malgré les difficultés susmentionnées, de nombreux jetons d'IA ont surperformé le Bitcoin et l'Ethereum à partir du quatrième trimestre de 2023, ainsi que des actions majeures d'IA telles que Nvidia et Microsoft. Cela est dû au fait que les jetons d'IA bénéficient généralement d'une forte performance relative sur le marché plus large de la cryptographie et des gros titres de l'actualité liée à l'IA (voir Annexe 2). Par conséquent, même si le prix du Bitcoin baisse, les prix des jetons axés sur l'IA peuvent fluctuer à la hausse, ce qui peut entraîner une volatilité à la hausse pendant les baisses du Bitcoin. La Figure 5 montre visuellement la dispersion des jetons d'IA pendant les baisses des échanges de Bitcoin.

Dans l'ensemble, il manque encore de nombreux facteurs de demande à court terme soutenus dans le récit de l'IA dans l'espace de la cryptographie. L'absence de prédictions d'adoption claires et de mesures a conduit à une spéculation de type mème répandue, ce qui pourrait ne pas être durable à long terme. En fin de compte, le prix et l'utilité convergeront - la question non résolue est combien de temps cela prendra et si l'utilité augmentera pour répondre au prix, ou vice versa. Cela dit, la construction en cours du marché de la cryptographie et l'industrie florissante de l'IA peuvent soutenir un récit solide de l'IA en cryptographie pendant un certain temps.

Conclusion

Le rôle des crypto-monnaies dans l'IA n'est pas une simple abstraction - toute plateforme décentralisée est en concurrence avec les alternatives centralisées existantes et doit être analysée par rapport aux exigences commerciales et réglementaires plus larges. Par conséquent, remplacer simplement les fournisseurs centralisés par des fournisseurs « décentralisés » n'est pas suffisant pour favoriser des progrès significatifs. Les modèles d'IA générative existent depuis plusieurs années et ont conservé un degré de décentralisation en raison de la concurrence sur le marché et des logiciels open source.

Un thème récurrent de ce rapport est la reconnaissance que, bien que les solutions basées sur la cryptographie soient souvent techniquement réalisables, elles nécessitent encore un travail significatif pour atteindre une fonctionnalité comparable à celle des plateformes plus centralisées, qui ne sont pas susceptibles de rester immobiles dans les développements futurs. En fait, en raison du mécanisme de consensus, le développement centralisé progresse souvent plus rapidement que le développement décentralisé, ce qui peut poser des défis à un domaine comme l'IA qui évolue rapidement.

Étant donné cela, l'intersection de l'IA et de la crypto-monnaie en est encore à ses débuts, et des changements rapides peuvent survenir dans les prochaines années avec le développement plus large du domaine de l'IA. L'avenir de l'IA décentralisée n'est pas garanti, tel que l'envisagent beaucoup dans l'industrie de la crypto—en effet, l'avenir de l'industrie de l'IA elle-même demeure largement incertain. Par conséquent, nous pensons qu'une approche prudente consiste à naviguer prudemment sur de tels marchés, à approfondir les solutions basées sur la crypto et à comprendre vraiment comment fournir de meilleures alternatives ou saisir des récits de trading potentiels.

Lien de l'article original

Déclaration :

1. Cet article, initialement intitulé “加密世界的AI海市蜃楼”, est reproduit à partir de [Gate.io].theblockbeats]. Tous les droits d'auteur appartiennent à l'auteur original [David Han]. Si vous avez des objections à la réimpression, veuillez contacterGate Learnl'équipe, l'équipe s'en occupera dès que possible.

2. Avis de non-responsabilité : Les points de vue et opinions exprimés dans cet article ne représentent que les opinions personnelles de l’auteur et ne constituent pas un conseil en investissement.

3. Les traductions de l'article dans d'autres langues sont effectuées par l'équipe Gate Learn. Sauf mention contraire, la copie, la distribution ou le plagiat des articles traduits est interdit.