De l’Engouement à la Réalité : Les Innovations Émergentes en DePIN et IA en 2025

DePIN : réseaux d'infrastructures physiques décentralisées

Alors que les projets DePIN, en théorie, tentent d'apporter une véritable utilité à la crypto, peu d'entre eux résolvent réellement des problèmes concrets, disposent d'un modèle commercial sensé capable de perturber les entreprises existantes et ne peuvent être facilement falsifiés. La plupart ne sont que des solutions à la recherche d'un problème. Une exception notable est un réseau de suivi de vols appelé Wingbits. Pourquoi ? Parce qu'il répond à un problème Web2 en le résolvant grâce aux incitations Web3. Pour toute personne ayant déjà suivi un vol comme BA117 de Londres à New York, vous avez peut-être utilisé des sites comme FlightAware ou Flightradar.

Figure 1 : Carte de suivi des vols Wingbits

Source : Wingbits – Transformer le suivi des vols.

Les entreprises de suivi des vols génèrent des millions de revenus en vendant des données de vol aux compagnies aériennes et à des acheteurs tels que les analystes financiers qui surveillent les mouvements de jets privés pour les fusions et acquisitions. Ces entreprises tirent également des revenus des publicités et abonnements sur leurs plateformes. Cependant, leurs dépenses en capital n'incluent pas de dépenses importantes en infrastructures et matériel. En effet, la technologie de surveillance aérienne, appelée récepteurs ADS-B, est un matériel nécessitant des antennes et des Raspberry Pi, achetés et configurés par des passionnés d'aviation. Ces passionnés attendent peu en retour, recevant souvent seulement un abonnement gratuit à leur plateforme préférée de suivi de vols.

Le principal problème est que les passionnés ne sont pas incités à maximiser la qualité des données pour ces réseaux. Sans incitations marginales, les récepteurs ADS-B sont souvent mal placés — par exemple dans des coins de salons ou en surnombre dans les zones urbaines densément peuplées, ce qui entraîne une couverture faible dans les régions rurales.

Figure 2: (Gauche) Récepteur ADS-B traditionnel, (Droite) mineur Wingbits

Source : Wingbits – Transformer le suivi des vols.

Wingbits révolutionne le suivi des vols en incitant les passionnés à installer des stations de manière stratégique, en fonction de l'altitude, tout en utilisant un système similaire à l'index spatial hiérarchique hexagonal d’Uber. Cette approche garantit une couverture optimisée, des données de meilleure qualité et, surtout, des récompenses équitables pour les contributeurs au réseau. Ils ont atteint une couverture de 75 % des plus grands réseaux avec seulement 1/11e du nombre de stations Wingbits. Ce niveau d'efficacité élevé, combiné à un déploiement prévu de plus de 4 000 stations, devrait dépasser largement les réseaux traditionnels de suivi de vols, en offrant des données de meilleure qualité aux clients finaux.

La prochaine conversation lors d’un dîner familial pour expliquer ce concept sera facile, car nous pouvons désormais citer un cas d'utilisation concret, motivé par des incitations crypto, que le grand public peut comprendre.

Crypto x IA

À l’instar des cycles de marché, la demande de puissance de calcul connaît des pics et des creux. Les GPU peuvent être coûteux, et les contraintes d’approvisionnement les rendent encore plus chers. Libérer la puissance de calcul inoccupée sur les appareils grand public n’est pas un concept nouveau, mais résoudre le défi de la synchronisation entre plusieurs appareils l’est. Exo Labs est un projet pionnier qui réalise des avancées en edge computing, permettant aux utilisateurs d’exécuter des modèles sur des appareils grand public courants, comme les MacBooks domestiques. Cela signifie que les données sensibles restent sous votre contrôle, réduisant les risques liés au stockage ou traitement dans le cloud.

Figure 3: Un modèle à 9 couches est divisé en 3 fragments, chacun fonctionnant sur un appareil différent

Source : Transparent Benchmarks – 12 jours d’EXO, EXO Labs.

Exo Labs a développé une infrastructure logicielle novatrice appelée pipeline parallel inference, permettant à un grand modèle de langage (LLM) d’être divisé en “fragments”, autorisant différents appareils à exécuter des parties séparées du modèle tout en restant connectés sur le même réseau. Cette approche offre divers avantages comme la réduction de la latence, une sécurité renforcée, une efficacité économique et surtout, des bénéfices en matière de confidentialité.

Explorer davantage la confidentialité conduit à Bagel AI, un projet qui a développé ZKLoRA (Zero-Knowledge Low-Rank Adaptation), une approche préservant la confidentialité pour le fine-tuning des LLM. Cette innovation permet la création de modèles spécialisés pour des secteurs comme les services juridiques, la santé et la finance, autorisant l’utilisation de données sensibles pour l’apprentissage par renforcement sans risquer de fuites d’informations confidentielles.

Bien que la préservation de la confidentialité soit un sujet brûlant, un défi encore plus grand pour la plupart des LLM est le problème des hallucinations, une réponse générée par l’IA contenant des informations fausses ou trompeuses présentées comme des faits. Un gestionnaire de portefeuille m’a un jour dit : “La sagesse réside dans la synthèse des points de vue concurrents pour découvrir la vérité nuancée entre deux extrêmes.” Blocksense est un projet qui a développé une approche propriétaire appelée consensus zkSchellingCoin. Cette méthode vise à superposer des vérités subjectives provenant de multiples sources – par exemple, différents LLM – pour parvenir à une vérité commune unique. Par exemple, imaginez exécuter la même requête sur ChatGPT, Claude, Grok et Llama. Si un modèle fournit une sortie erronée, il est statistiquement improbable que les quatre modèles génèrent la même erreur lorsqu’ils sont comparés entre eux.

Figure 4: Vue d’ensemble du consensus zkSchellingCoin

Source : Blocksense Network – Le zk Rollup pour Oracles Programmables.

Le consensus zkSchellingCoin pourrait également être appliqué à l’ajout de vérifiabilité à l’inférence IA. Par exemple, comment peut-on confirmer qu’un agent IA a correctement converti des USDC dans le coffre-rendement le plus élevé au moment de l’exécution ? La confiance dans l’IA serait considérablement renforcée par une couche de vérification supplémentaire. Si nous pouvons résoudre cela sans compromettre les coûts ni la latence, cela pourrait conduire à une avancée majeure dans les cas d’utilisation concrets.

Le passage du battage médiatique à la réalité dans DePIN et l’IA montre que la véritable innovation réside dans la résolution de problèmes réels avec des solutions pratiques et efficaces. Des projets comme Wingbits et Exo Labs prouvent comment la blockchain et l’IA peuvent avoir un impact significatif — que ce soit en révolutionnant le suivi des vols avec des incitations stratégiques ou en libérant la puissance des appareils grand public pour un calcul sécurisé et rentable. Avec des avancées comme ZKLoRA pour une IA préservant la confidentialité et zkSchellingCoin pour une vérité vérifiable, ces technologies émergentes sont bien placées pour relever des défis critiques, ouvrant la voie à un avenir plus décentralisé, efficace et vérifié par la confiance.

Bullish Capital Management a investi dans Wingbits et Exo Labs, mentionnés dans ce rapport. Cet article est uniquement à titre informatif et ne constitue pas un conseil financier. Veuillez faire vos propres recherches et considérer votre situation financière avant d’investir. Les investissements en cryptomonnaies peuvent être volatils et entraîner une perte totale.