Synergie numérique : comment se déroulera la fusion de l'IA et de la blockchain

En novembre 2022, OpenAI a présenté le chatbot ChatGPT. Deux mois après son lancement, le nombre d'utilisateurs actifs du service atteint 100 millions . À titre de comparaison, il a fallu environ neuf mois à TikTok pour atteindre ce cap et à Instagram plus de deux ans.

À cette époque, l’IA générative était déjà très populaire et le nouveau produit a encore alimenté l’intérêt pour ce segment. Il n’est pas surprenant que la vague de battage médiatique autour de l’intelligence artificielle (IA) n’ait pas épargné le secteur des cryptomonnaies .

Depuis fin 2022, il est périodiquement possible d'observer des rassemblements locaux dans les jetons de projets qui, selon les assurances des développeurs, utilisaient la technologie. Cependant, certains sont sceptiques quant à ces actifs, estimant, non sans raison, que le degré d'intégration des algorithmes est faible.

Cependant, même s’il existe des points de vue différents et plutôt polarisés sur les produits existants, il existe un certain consensus sur la synergie potentielle entre la blockchain et l’intelligence artificielle.

De nombreux acteurs, y compris les échanges cryptographiques et les accélérateurs Web3 , estiment que la fusion de l'IA et de la blockchain profiterait aux deux secteurs en permettant à chacun de résoudre les problèmes existants. Certains investisseurs en capital-risque partagent un point de vue similaire. Par exemple, en mai 2023, il a été signalé que Paradigm étendrait ses intérêts dans l'IA .

Pourquoi les algorithmes d’IA ont-ils besoin d’une décentralisation ?

Le récit de la synergie entre l’intelligence artificielle et la blockchain n’a rien de nouveau. Cependant, l’intérêt pour ce domaine s’est considérablement accru au cours des dernières années, comme l’indiquent des données de recherche pertinentes .

L'intégration de réseaux distribués avec des services d'IA présente de nombreux avantages à long terme pour les développeurs d'IA. La blockchain a le potentiel d’éliminer ou du moins d’atténuer un certain nombre d’obstacles critiques, tels que ceux liés au manque de puissance de calcul.

Cette synergie ouvre également l’accès à des options d’interopérabilité innovantes. Par exemple, la technologie DLT peut permettre d’affiner les modèles neuronaux et de collecter des ensembles de données plus représentatifs pour les algorithmes de formation.

L'intégration de systèmes dotés d'intelligence artificielle, en particulier de contrats en chaîne et intelligents, profitera également à l'industrie de la blockchain. L'IA peut potentiellement améliorer les performances des réseaux distribués et devenir un moteur de croissance majeur pour le secteur de la finance décentralisée (DeFi).

Tout le monde a des problèmes

L’ histoire de l’intelligence artificielle en tant que domaine scientifique remonte à près de 70 ans. Cependant, l’industrie n’a jamais réussi à éliminer certains des obstacles qui empêchent son adoption généralisée. De plus, à mesure que l’industrie évolue, de nouveaux défis sont apparus.

Ci-dessous, je détaille quelques scénarios potentiels dans lesquels les réseaux distribués peuvent compenser certaines limitations.

Pénurie d'électricité

Les unités de traitement graphique (GPU) jouent un rôle important dans la formation des algorithmes et dans la déduction des requêtes des utilisateurs. Cela est particulièrement évident dans le rapport de Nvidia pour le premier trimestre de l'exercice 2024 .

Dans le contexte de la croissance du secteur de l'IA, la demande de GPU a fortement augmenté, ce qui a entraîné une pénurie importante de microcircuits . La situation était si grave que les principaux fournisseurs de services cloud comme Google et Amazon ont même commencé à imposer des restrictions à leurs clients.

De nombreuses entreprises impliquées dans l'IA se sont tournées vers des fournisseurs alternatifs (par exemple Lambda), mais elles étaient également proches de leurs limites de capacité.

Les réseaux informatiques décentralisés peuvent résoudre le problème. Ce sont de facto des intermédiaires reliant les organisations qui ont besoin de puissance de calcul aux propriétaires de systèmes disposant des ressources nécessaires.

De telles solutions offrent des prix inférieurs à ceux des fournisseurs de services centralisés. Ceci est principalement dû à l’absence de coûts supplémentaires pour les prestataires connectés au système.

Il existe deux principaux types de réseaux informatiques :

• Usage général (GP). Ceux-ci incluent des services cloud décentralisés qui fournissent des ressources à diverses applications. Leur modèle opérationnel ressemble à un marché : les clients louent de l'espace serveur à des fournisseurs qui fixent leurs propres prix.
• Objectif spécial (SP). Ceux-ci, au contraire, sont conçus pour des scénarios d’utilisation spécifiques. Habituellement, leur architecture combine les ressources informatiques en un seul pool, une sorte d’ordinateur décentralisé. Dans ce cas, le coût des services est déterminé par la dynamique du marché ou par des paramètres contrôlés par la communauté. Un exemple ici est Gensyn , qui est conçu pour former des modèles ML.

Les réseaux décentralisés démocratisent l'accès à la puissance de calcul. Cela réduit le coût de la formation, du réglage fin des algorithmes et du traitement des requêtes des utilisateurs, qui sont des tâches encore plus gourmandes en calcul .

Cependant, la communauté s'inquiète de la rapidité de formation des modèles ML sur une ressource distribuée. Selon Mohamed Fouda, membre de l'Alliance et partenaire chez Volt Capital, cela pourrait être un voire deux ordres de grandeur plus lent que les méthodes centralisées.

Les équipes travaillent déjà à l’optimisation du processus d’apprentissage décentralisé. Les développeurs de Together créaient une solution éliminant théoriquement le goulot d'étranglement, tandis que Gensyn essayait d'atténuer les problèmes liés à la connexion de différents matériels au réseau.

Cependant, la communauté devra probablement faire des compromis sur un apprentissage lent pour économiser de l’argent.

Apprentissage automatique sans divulgation

Je souhaite distinguer séparément les projets axés sur l'apprentissage automatique à connaissance nulle (ZKML) .

Divers mécanismes tels que les environnements d'exécution de confiance (TEE) et les modèles de réputation sont utilisés pour garantir le bon fonctionnement des réseaux informatiques. Mais chaque approche a ses propres limites et inconvénients. Par exemple, un TEE peut avoir un vecteur d'attaque matériel potentiel.

Par conséquent, une nouvelle vague de projets (Gensyn, Modulus Labs et Giza ) ont commencé à expérimenter l'application de la preuve de connaissance nulle (ZKP) pour vérifier l'intégrité informatique du ML.

ZKP est un protocole cryptographique qui permet à une partie (la partie qui prouve) de confirmer la véracité d'une affirmation à une autre partie (la partie qui vérifie) sans révéler aucune information supplémentaire. Le protocole est très populaire dans l'industrie de la blockchain car il permet aux développeurs de créer des applications évolutives et sécurisées.

Lorsqu'il est appliqué à l'apprentissage automatique, ZKP masque une partie des données d'entrée ou le modèle lui-même, si nécessaire . Cela est particulièrement pertinent lorsque les algorithmes fonctionnent dans des secteurs hautement réglementés tels que la santé et la finance.

ZKML présente également d'autres avantages. La méthode permet par exemple de prouver qu’un algorithme particulier a été entraîné sur un ensemble de données strictement défini. Dans le cas d’une IA propriétaire, cela permet également de vérifier que le même modèle est disponible pour tous les utilisateurs.

L’inconvénient de cette approche réside dans le processus de génération des preuves lui-même : il s’agit d’une tâche gourmande en ressources et dont la réalisation peut coûter plus cher que les opérations initiales. Cela signifie que, dans certains cas, il n’est pas pratique de le calculer.

Néanmoins, ZKML est un vecteur de décentralisation pour l’industrie de l’IA. C'est important dans une situation où la concentration de la technologie entre les mains d'un groupe restreint d'acteurs est préoccupante .

Authentification du contenu

Le développement et la prolifération de l’IA générative ont conduit à l’émergence de contrefaçons réalistes. Les exemples incluent des images fabriquées du pape François dans une doudoune Balenciaga et une vidéo d'une scène d'attentat à la bombe près du Pentagone .

Les signatures cryptographiques peuvent être utilisées pour lutter contre ces contrefaçons profondes : l' identité du créateur de contenu est vérifiée en faisant correspondre la paire de clés privée-publique. Un exemple de mise en œuvre est celui des réseaux sociaux décentralisés. Les projets basés sur Lens Protocol relient les comptes d'utilisateurs à des adresses dans une blockchain publique, simplifiant ainsi l'identification.

Les équipes Bundlr et Arweave travaillent également sur des normes à l'échelle de l'industrie . Arweave envisage d'introduire des spécifications exigeant l'intégration de signatures cryptographiques immuables et d'horodatages dans le contenu numérique enregistré dans un registre distribué.

Synergie IA et blockchain vers l’efficacité

À long terme, la blockchain améliorera l’efficacité de la formation des modèles neuronaux et pourrait changer la manière dont l’industrie mène la recherche.

Alors que la plupart des recherches sur la blockchain ont été menées à ses débuts dans le monde universitaire, elles sont désormais dominées par les grandes entreprises technologiques. Cette situation limite la participation des laboratoires locaux et des individus en raison du manque d'incitations et d'opportunités de collaboration.

Les plateformes décentralisées comme Bittensor peuvent arranger les choses. Il s'agit de places de marché où les participants sont récompensés pour leur contribution au développement et peuvent partager des données pour former des modèles. De telles plates-formes sont particulièrement attrayantes lors de la création d’une IA open source.

La blockchain facilite également l'application de l'apprentissage par renforcement à partir de la rétroaction humaine (RLHF) . Il s'agit d'une méthode qui intègre la rétroaction humaine dans le processus pour affiner le modèle neuronal.

RLHF vous permet de « peaufiner » le modèle, réduisant ainsi le nombre de résultats inexacts ou biaisés. Par exemple, OpenAI l'a utilisé pour déboguer GPT-3 et développer ChatGPT.

Le réglage fin augmente les performances des algorithmes et leur permet d'acquérir une expertise spécifique au domaine. À mesure que la demande pour des modèles aussi hautement spécialisés augmente, le besoin de commentaires d’experts augmente également.

Multicoin propose un moyen de faire évoluer le RLHF grâce à des paiements incitatifs sous forme de jetons. Cependant, cette approche pose au moins deux problèmes :

• Les experts doivent accepter d’accepter des jetons en guise de compensation, ce qui limite l’éventail des individus impliqués dans le processus d’apprentissage.

• Un tel système doit être protégé contre les attaques manipulatrices pour maintenir l’exactitude du feedback.

  
  

Cependant, des projets comme Hivemapper ont déjà mis la méthode en pratique.

Dans quelle mesure un contrat intelligent peut-il être intelligent ?

Il existe de nombreux domaines dans lesquels les plateformes blockchain peuvent utiliser l’intelligence artificielle à différents niveaux, de l’infrastructure aux applications.

Cependant, les scénarios les plus intéressants pour l’industrie des cryptomonnaies sont ceux dans lesquels l’IA opère directement dans un registre distribué. De manière générale, il existe deux manières de déplacer l’activité des algorithmes vers la blockchain :

• Permettez aux agents autonomes d’utiliser l’infrastructure Web3 pour effectuer des paiements et accéder aux ressources numériques.
• Autorisez les modèles neuronaux à interagir avec les contrats intelligents via ZKML.

Intéressant, n'est-ce pas ?

Paiements et ressources pour les agents autonomes

Les agents économiques autonomes (AEA) sont des systèmes autonomes basés sur des algorithmes d'apprentissage automatique qui effectuent des tâches spécifiques pour le compte de leurs propriétaires sans leur intervention directe dans le processus.

Les experts s’attendent à ce qu’à mesure que la technologie progresse, les AEA deviennent plus hautement spécialisées , conduisant à la prolifération de « systèmes multi-agents ».

Cela entraînera à son tour l’émergence d’un marché dans lequel certains agents pourront en « embaucher » d’autres et leur verser une rémunération pour l’exécution de certaines tâches. Dans ce contexte, les paiements en cryptomonnaies seront probablement préférables aux paiements fiduciaires pour plusieurs raisons :

• Les lois existantes n'autorisent pas les AEA à ouvrir des comptes bancaires ou à utiliser les comptes des titulaires de comptes pour effectuer des transactions transfrontalières.
• Les crypto-monnaies éliminent le besoin d’intermédiaires de confiance.
• L'infrastructure blockchain permet des règlements plus rapides et moins chers.

Les AEA pourront interagir avec les réseaux de paiement et d'infrastructure physique décentralisés (DePIN ). Les DePIN intègrent des dispositifs matériels – les systèmes informatiques évoqués ci-dessus peuvent également être attribués à ce segment.

Les DePIN donneront à l’IA accès à des ressources numériques telles que l’espace disque et la puissance de calcul. Par exemple, si un algorithme doit créer un modèle 3D, il peut utiliser Render Network pour le rendu et Arweave pour le stockage des données au lieu de s'appuyer sur des solutions centralisées.

Intégrer l'IA dans les contrats intelligents

L'application de modèles d'IA dans les contrats intelligents élargit considérablement leurs capacités. Les réseaux de neurones ouvriront non seulement l'accès à des cas d'utilisation innovants, mais augmenteront également l'efficacité des outils existants.

Une grande partie de cette intégration est entravée par les coûts de calcul élevés associés au déploiement d’algorithmes dans la blockchain. Cependant, l'utilisation de ZKP pour valider l'exécution exacte de modèles hors chaîne pourrait résoudre ce problème, car seules les preuves pertinentes peuvent être placées dans un registre distribué.

Une telle approche permettra aux contrats intelligents de prendre des décisions basées sur des données dynamiques sans se limiter à un ensemble de règles codées en dur. Ils deviendront ainsi plus autonomes, flexibles et sophistiqués.

ZKML peut être utilisé dans plusieurs secteurs industriels, notamment DeFi, GameFi, DeSo (Decentralized Social) et DePIN.

Par exemple, dans les applications financières décentralisées, l’IA peut ajuster les paramètres du protocole en fonction des paramètres actuels du réseau. Un cas d'utilisation possible est un protocole de prêt qui utilise un modèle ML pour ajuster le facteur de garantie en temps réel.

D'autres scénarios incluent la gestion automatisée de la trésorerie, la notation du crédit en chaîne et la gestion des liquidités AMM .

Conclusion

Actuellement, il existe une contradiction entre les industries de l’IA et du Web3 au niveau logique de base : la première est hautement centralisée. En même temps, cette dernière repose sur les principes d’une décentralisation généralisée. Parfois, cette situation rend difficile l’intégration des applications.

Cependant, la même contradiction permet aux produits de ces deux secteurs de se compléter efficacement et de favoriser un développement mutuel.

Rien ne garantit que la blockchain constituera la base des futurs modèles neuronaux ou que les algorithmes fonctionneront au cœur des plateformes décentralisées.

Mais on peut affirmer sans se tromper que la combinaison des deux technologies produira de nombreux nouveaux récits, dont certains s’avéreront tout à fait viables.