Écriture : Lao Bai
Après deux ans, V a de nouveau publié un Twi. Je vais également revenir sur le rapport de recherche d'il y a deux ans, car le moment est exactement le même, le 10 février.
Il y a deux ans, V avait déjà exprimé de manière voilée qu'il n'était pas très optimiste concernant les diverses Crypto Helps AI qui étaient alors à la mode. À l'époque, les trois piliers populaires dans la communauté étaient l'assetisation de la puissance de calcul, l'assetisation des données et l'assetisation des modèles. Mon rapport de recherche de l'époque portait principalement sur ces trois piliers, observant certains phénomènes et soulevant des doutes dans le marché primaire. Selon la perspective de V, il privilégie toujours AI Helps Crypto.
Il a donné plusieurs exemples à l'époque, notamment :
AI en tant que participant dans le jeu ;
AI en tant qu'interface de jeu ;
AI en tant que règle du jeu ;
AI en tant qu'objectif du jeu ;
Au cours des deux dernières années, nous avons tenté de nombreuses approches dans Crypto Helps AI, mais les résultats ont été faibles. Beaucoup de secteurs et projets se contentent de lancer une crypto sans véritable PMF commercial, ce que j'appelle « l'illusion de la tokenisation ».
-
Assetisation de la puissance de calcul - La plupart ne peuvent pas fournir un SLA commercial, sont instables, se déconnectent fréquemment. Ils ne peuvent traiter que des tâches d'inférence de modèles simples ou moyens, principalement pour le marché de niche, et leurs revenus ne sont pas liés aux tokens...
-
Assetisation des données - La friction du côté de l'offre (les petits investisseurs) est élevée, leur volonté faible, l'incertitude grande. Du côté de la demande (entreprises), ce qui est recherché, ce sont des données structurées, dépendant du contexte, avec des fournisseurs de données professionnels de confiance et responsables légalement. Il est difficile pour des projets Web3 DAO de fournir cela.
-
Assetisation des modèles - Un modèle est en soi un actif non rare, facilement copiable, ajustable rapidement, et qui se dévalue vite, plutôt qu’un actif final. Hugging Face est une plateforme de collaboration et de diffusion, plus proche de GitHub pour le ML que d’un App Store pour modèles. Par conséquent, les tentatives de « décentraliser Hugging Face » pour tokeniser les modèles ont généralement échoué.
De plus, ces deux dernières années, nous avons expérimenté diverses « preuves vérifiables » (Verifiable Proofs), ce qui est typiquement une recherche de clous avec un marteau. De ZKML à OPML, en passant par Gaming Theory, jusqu’à EigenLayer qui a transformé sa narration de Restaking en Verifiable AI.
Mais cela ressemble beaucoup à ce qui se passe dans le secteur du Restaking : peu d’AVS sont prêts à payer pour une sécurité vérifiable continue.
De même, la preuve vérifiable concerne principalement la validation de « choses que personne n’a vraiment besoin de faire vérifier », le modèle de menace côté demande étant très flou — qui veut-on vraiment protéger ?
Les erreurs de sortie de l’IA (problèmes de capacité du modèle) sont beaucoup plus fréquentes que les manipulations malveillantes (problèmes d’attaque). Récemment, les incidents de sécurité sur OpenClaw et Moltbook l’ont montré. Le vrai problème vient de :
Une conception stratégique erronée
Des permissions excessives
Des frontières mal définies
Des interactions inattendues entre outils
...
Il est presque impossible d’avoir des « modèles modifiés » ou des « processus de raisonnement falsifiés » imaginaires.
L’année dernière, j’avais publié cette image, je ne sais pas si certains s’en souviennent.
Les idées proposées par V cette fois-ci sont clairement plus matures qu’il y a deux ans, notamment grâce à nos progrès dans la confidentialité, X402, ERC8004, les marchés prédictifs, etc.
On peut voir qu’il divise cette fois en quatre quadrants, dont la moitié concerne AI Helps Crypto, et l’autre moitié Crypto Helps AI, ce qui n’était pas le cas il y a deux ans, où la tendance était clairement en faveur du premier.
En haut à gauche et en bas à gauche - Utiliser la décentralisation et la transparence d’Ethereum pour résoudre les problèmes de confiance et de collaboration économique dans l’IA :
-
Faciliter une interaction IA sans confiance et privée (infrastructure + survie) : utiliser des technologies comme ZK, FHE pour garantir la confidentialité et la vérifiabilité des interactions IA (je ne sais pas si la vérifiabilité mentionnée plus tôt inclut aussi la preuve vérifiable).
-
Ethereum comme couche économique pour l’IA (infrastructure + prospérité) : permettre aux agents IA de réaliser des paiements économiques via Ethereum, de recruter d’autres robots, de déposer des garanties ou d’établir un système de crédibilité, afin de construire une architecture décentralisée plutôt que dépendante d’un seul géant.
En haut à droite et en bas à droite - Utiliser l’intelligence de l’IA pour optimiser l’expérience utilisateur, l’efficacité et la gouvernance dans l’écosystème crypto :
-
La vision des cypherpunks avec des LLM locaux (impact + survie) : l’IA comme « bouclier » et interface pour l’utilisateur. Par exemple, un LLM local peut auditer automatiquement des contrats intelligents, vérifier des transactions, réduire la dépendance aux interfaces centralisées, et garantir la souveraineté numérique individuelle.
-
Rendre de meilleurs marchés et une gouvernance efficace une réalité (impact + prospérité) : faire participer profondément l’IA aux marchés de prédiction et à la gouvernance DAO. L’IA peut agir comme un participant efficace, traitant massivement l’information pour amplifier le jugement humain, résolvant des problèmes comme le manque d’attention, les coûts décisionnels élevés, la surcharge d’informations ou la désaffection lors des votes.
Autrefois, nous voulions à tout prix faire du Crypto Help AI, mais V était de l’autre côté. Maintenant, nous nous rencontrons enfin au milieu, mais cela semble peu lié à la tokenisation de divers XX ou à des Layer1 AI. J’espère qu’en regardant en arrière dans deux ans, ce post révélera de nouvelles directions et surprises.
