Comment la formation décentralisée de l'IA créera une nouvelle classe d'actifs pour l'intelligence numérique

Frontier AI — les systèmes d'IA polyvalents les plus avancés actuellement en développement — devient l'une des industries les plus importantes stratégiquement et économiquement dans le monde, mais reste largement inaccessible à la plupart des investisseurs et des développeurs. Former un modèle d'IA compétitif aujourd'hui, similaire à ceux utilisés par les particuliers, peut coûter plusieurs centaines de millions de dollars, nécessiter des dizaines de milliers de GPU haut de gamme, et exiger un niveau de sophistication opérationnelle que seules quelques entreprises peuvent soutenir. Ainsi, pour la plupart des investisseurs, en particulier les particuliers, il n'existe pas de moyen direct de posséder une part du secteur de l'intelligence artificielle.

Cette contrainte est sur le point de changer. Une nouvelle génération de réseaux d’IA décentralisés passe de la théorie à la production. Ces réseaux connectent des GPU de toutes sortes à travers le monde, allant de matériel haut de gamme coûteux à des configurations de jeu grand public, et même la puce M4 de votre MacBook, en un seul réseau d'entraînement capable de supporter des processus d’envergure, à la pointe de la technologie. Ce qui importe pour les marchés, c’est que cette infrastructure fait plus que coordonner le calcul ; elle coordonne également la propriété en émettant des jetons aux participants qui apportent des ressources, leur donnant ainsi une participation directe dans les modèles d’IA qu’ils contribuent à créer.

La formation décentralisée représente une véritable avancée dans l'état de l'art. Former de grands modèles sur du matériel hétérogène et non fiable via l'internet ouvert était, jusqu'à récemment, considéré comme une impossibilité par les experts en intelligence artificielle. Cependant, Prime Intellect a désormais formé des modèles décentralisés actuellement en production — l'un avec 10 milliards de paramètres (le polyvalent rapide et efficace, performant pour les tâches quotidiennes) et un autre avec 32 milliards de paramètres (le penseur profond, excellent en raisonnement complexe et capable de fournir des résultats plus nuancés et sophistiqués).

Gensyn, un protocole d'apprentissage automatique décentralisé, a démontré un apprentissage par renforcement vérifiable sur la blockchain. Pluralis a montré que l'entraînement de grands modèles en utilisant des GPU standard (les cartes graphiques classiques que l'on trouve dans les ordinateurs de jeu et les appareils grand public, plutôt que des puces spécialisées coûteuses) en essaim constitue une approche décentralisée de plus en plus viable pour la pré-formation à grande échelle, phase fondamentale où les modèles d'IA apprennent à partir de jeux de données massifs avant d'être affinés pour des tâches spécifiques.

Pour être clair, ce travail n’est pas simplement un projet de recherche — il est déjà en cours. Dans les réseaux d’entraînement décentralisés, le modèle ne « réside » pas au sein du centre de données d’une seule entreprise. Au contraire, il est distribué à travers le réseau lui-même. Les paramètres du modèle sont fragmentés et répartis, ce qui signifie qu’aucun participant ne possède l’actif dans son intégralité. Les contributeurs fournissent des capacités de calcul GPU et de la bande passante, et en retour, ils reçoivent des jetons reflétant leur participation au modèle résultant. Ainsi, les participants à l’entraînement ne sont pas seulement des ressources ; ils acquièrent une participation et une propriété dans l’IA qu’ils créent. Il s’agit d’un alignement très différent de celui que l’on observe dans les laboratoires d’IA centralisés.

Ici, la tokenisation devient essentielle, conférant au modèle une structure économique et une valeur marchande. Un modèle d’IA tokenisé fonctionne comme une action, avec des flux de trésorerie reflétant la demande pour le modèle. Tout comme OpenAI et Anthropic facturent les utilisateurs pour l’accès à l’API, les réseaux décentralisés peuvent en faire de même. Le résultat est un nouveau type d’actif : l’intelligence tokenisée.

Au lieu d’investir dans une grande entreprise cotée en bourse qui possède des modèles, les investisseurs peuvent s’exposer directement aux modèles. Les réseaux mettront cela en œuvre à travers différentes stratégies. Certains tokens peuvent principalement conférer des droits d’accès — une utilisation prioritaire ou garantie des capacités du modèle — tandis que d’autres peuvent explicitement suivre une part des revenus nets générés lorsque les utilisateurs paient pour exécuter des requêtes via le modèle. Dans les deux cas, les marchés des tokens commencent à fonctionner comme un marché boursier pour les modèles, où les prix reflètent les attentes concernant la qualité, la demande et l’utilité d’un modèle. Pour de nombreux investisseurs, cela peut être la voie la plus directe pour participer financièrement à la croissance de l’IA.

Ce développement ne se produit pas dans un vide. La tokenisation s’insère déjà dans le courant principal financier, avec des plateformes comme Superstate et Securitize (qui prévoit d’entrer en bourse en 2026) qui intègrent des fonds et des titres traditionnels sur la blockchain. Les stratégies basées sur des actifs réels sont désormais un sujet populaire parmi les régulateurs, les gestionnaires d’actifs et les banques. Les modèles d’IA tokenisés s’inscrivent naturellement dans cette catégorie : ils sont natifs numériques, accessibles à toute personne disposant d’une connexion internet, quelle que soit sa localisation, et leur activité économique principale — le calcul pour l’inférence, procédé consistant à exécuter des requêtes via un modèle entraîné afin d’obtenir des réponses — est déjà automatisée et traçable par logiciel. Parmi tous les actifs tokenisés, les systèmes d’IA en amélioration continue sont peut-être les plus dynamiques par nature, car les modèles peuvent être mis à jour, réentraînés et améliorés au fil du temps.

Les réseaux d'IA décentralisés représentent une extension naturelle de la thèse selon laquelle les blockchains permettent aux communautés de financer, construire et posséder collectivement des actifs numériques de manière auparavant impossible. D'abord la monnaie, puis les contrats financiers, puis les actifs du monde réel. Les modèles d'IA constituent la prochaine classe d'actifs numériques native à être organisée, possédée et échangée onchain. Notre point de vue est que l'intersection de la crypto et de l'IA ne se limitera pas aux « tokens thématiques IA » ; elle sera ancrée dans les revenus réels des modèles, soutenus par une puissance de calcul et une utilisation mesurables.

Il est encore tôt. La plupart des systèmes d'entraînement décentralisés sont en cours de développement actif, et de nombreux modèles de jetons échoueront aux tests techniques, économiques ou réglementaires. Mais la direction est claire : les réseaux décentralisés d'entraînement à l'IA sont appelés à devenir une ressource liquide et coordonnée à l'échelle mondiale. Les modèles d'IA deviennent partageables, possédables et échangeables via des jetons. À mesure que ces réseaux mûriront, les marchés ne se contenteront pas de valoriser les entreprises qui développent l'intelligence ; ils valoriseront l'intelligence elle-même.