La convergence de l'IA et de la blockchain : un horizon de 15 ans

L’intelligence artificielle (IA) et la blockchain devaient révolutionner le monde. Cependant, les choses ont mis un peu plus de temps à se manifester.

Artificial Intelligence (AI) and blockchain were touted to revolutionize the world, but things have taken a bit longer to manifest. Here's how they can converge and what challenges lie ahead.

L’intelligence artificielle (IA) et la blockchain étaient censées révolutionner le monde, mais les choses ont mis un peu plus de temps à se manifester. Voici comment ils peuvent converger et quels défis nous attendent.

Artificial Intelligence (AI) and blockchain were expected to revolutionize the world by now, but things have taken a bit longer to manifest. Both technologies have advanced significantly, but their convergence and mainstream adoption still face several challenges and opportunities.

On s’attendait désormais à ce que l’intelligence artificielle (IA) et la blockchain révolutionnent le monde, mais les choses ont mis un peu plus de temps à se manifester. Les deux technologies ont considérablement progressé, mais leur convergence et leur adoption généralisée se heurtent encore à plusieurs défis et opportunités.

In this article, we'll explore why AI and blockchain need to converge, the specializations forming amongst Large Language Models (LLMs), and why we expect 15 more years to see commercially viable applications go mainstream.

Dans cet article, nous explorerons pourquoi l'IA et la blockchain doivent converger, les spécialisations qui se forment parmi les grands modèles linguistiques (LLM) et pourquoi nous prévoyons 15 années supplémentaires pour voir des applications commercialement viables se généraliser.

The evolution of AI: Specialization and cost challenges

L’évolution de l’IA : défis de spécialisation et de coûts

As AI continues to leapfrog expectations, we're witnessing a trend towards specialization in LLMs. Models like Claude, developed by Anthropic, are already becoming popular among developers for technical tasks and coding assistance. Others focus on specific industries or use cases (e.g., ChatGPT for more general audiences, Gemini for copywriting, and Perplexity for general research).

Alors que l'IA continue de dépasser les attentes, nous assistons à une tendance vers la spécialisation dans les LLM. Des modèles comme Claude, développés par Anthropic, deviennent déjà populaires parmi les développeurs pour les tâches techniques et l'aide au codage. D'autres se concentrent sur des secteurs ou des cas d'utilisation spécifiques (par exemple, ChatGPT pour un public plus général, Gemini pour la rédaction et Perplexity pour la recherche générale).

This natural specialization reflects the growing demand for precision in AI applications, particularly in enterprise settings. However, this progress also comes at a cost.

Cette spécialisation naturelle reflète la demande croissante de précision dans les applications d’IA, en particulier dans les entreprises. Toutefois, ces progrès ont également un coût.

Despite ongoing efforts to optimize AI models, the financial burden of using LLMs at scale remains significant. OpenAI’s GPT-4, for instance, charges $0.03 per 1K tokens for input and $0.06 per 1K tokens for output. Their o1 (‘Strawberry’) model, which focuses on reasoning, is being priced at $15 per 1 million input tokens.

Malgré les efforts continus pour optimiser les modèles d’IA, le fardeau financier lié à l’utilisation des LLM à grande échelle reste important. Le GPT-4 d'OpenAI, par exemple, facture 0,03 $ pour 1 000 jetons pour l'entrée et 0,06 $ pour 1 000 jetons pour la sortie. Leur modèle o1 (« Fraise »), axé sur le raisonnement, est proposé au prix de 15 $ pour 1 million de jetons d'entrée.

These costs can quickly become prohibitive for businesses looking to integrate AI across multiple departments. For instance, a large e-commerce company might use an LLM to personalize product recommendations, generate marketing copy, and even assist customer service representatives.

Ces coûts peuvent rapidement devenir prohibitifs pour les entreprises cherchant à intégrer l’IA dans plusieurs départements. Par exemple, une grande entreprise de commerce électronique peut utiliser un LLM pour personnaliser les recommandations de produits, générer des textes marketing et même aider les représentants du service client.

While using an LLM for each task might be ideal from a performance perspective, the costs could quickly become unsustainable, especially considering that LLMs require continuous fine-tuning and maintenance.

Bien que l'utilisation d'un LLM pour chaque tâche puisse être idéale du point de vue des performances, les coûts pourraient rapidement devenir insoutenables, d'autant plus que les LLM nécessitent un réglage et une maintenance continus.

To address this challenge and make AI more accessible to a broader range of applications, we need to explore alternative approaches that can reduce the overall costs of deploying and using AI models at scale.

Pour relever ce défi et rendre l’IA plus accessible à un plus large éventail d’applications, nous devons explorer des approches alternatives susceptibles de réduire les coûts globaux de déploiement et d’utilisation des modèles d’IA à grande échelle.

One promising solution lies in converging AI with blockchain technology, specifically Scalable Blockchain Technology (what we call “SBT”), which offers several unique advantages for AI applications.

Une solution prometteuse réside dans la convergence de l’IA avec la technologie blockchain, en particulier la technologie Scalable Blockchain (ce que nous appelons « SBT »), qui offre plusieurs avantages uniques pour les applications d’IA.

Blockchain: A potential solution for AI’s pain points

Blockchain : une solution potentielle aux problèmes de l'IA

The convergence of AI and blockchain can pave the way for a new era of decentralized intelligence, where data privacy, security, and ownership take center stage. Here's how blockchain can address some of AI's most pressing pain points:

La convergence de l’IA et de la blockchain peut ouvrir la voie à une nouvelle ère d’intelligence décentralisée, où la confidentialité, la sécurité et la propriété des données occupent une place centrale. Voici comment la blockchain peut résoudre certains des problèmes les plus urgents de l’IA :

Data privacy and ownership: By integrating AI models with decentralized blockchain networks, we can create a system where data is no longer centrally controlled or owned. Instead, individuals and organizations could securely contribute their data to a collective pool, ensuring that AI models have access to a diverse and privacy-preserving dataset.

Confidentialité et propriété des données : en intégrant des modèles d'IA à des réseaux blockchain décentralisés, nous pouvons créer un système dans lequel les données ne sont plus contrôlées ou détenues de manière centralisée. Au lieu de cela, les individus et les organisations pourraient contribuer en toute sécurité leurs données à un pool collectif, garantissant ainsi que les modèles d’IA ont accès à un ensemble de données diversifié et préservant la confidentialité.

In this scenario, data contributors would retain ownership and control over their data, and they could choose to opt out or revoke access at any time. This approach aligns closely with the principles of Web3 and decentralized data governance, empowering individuals to participate in the data economy without sacrificing their privacy.

Dans ce scénario, les contributeurs de données conserveraient la propriété et le contrôle de leurs données, et pourraient choisir de se désinscrire ou de révoquer l’accès à tout moment. Cette approche s'aligne étroitement sur les principes du Web3 et de la gouvernance décentralisée des données, permettant aux individus de participer à l'économie des données sans sacrifier leur vie privée.

Secure and immutable data input: Another key benefit of converging AI and blockchain is the ability to ensure the integrity and immutability of data used to train and operate AI models.

Saisie de données sécurisée et immuable : Un autre avantage clé de la convergence de l’IA et de la blockchain est la capacité de garantir l’intégrité et l’immuabilité des données utilisées pour former et exploiter les modèles d’IA.

In a decentralized AI system, data would be securely recorded on the blockchain, making it virtually impossible to tamper with or manipulate. This immutable data record would serve as a single source of truth, ensuring that AI models are always operating on the most accurate and up-to-date information.

Dans un système d’IA décentralisé, les données seraient enregistrées en toute sécurité sur la blockchain, ce qui rendrait pratiquement impossible leur falsification ou leur manipulation. Cet enregistrement de données immuables servirait de source unique de vérité, garantissant que les modèles d’IA fonctionnent toujours sur la base des informations les plus précises et les plus récentes.

By combining the strengths of AI and blockchain in this way, we can create a new generation of AI models that are not only powerful and efficient but also privacy-preserving, secure, and transparent.

En combinant ainsi les atouts de l’IA et de la blockchain, nous pouvons créer une nouvelle génération de modèles d’IA qui sont non seulement puissants et efficaces, mais également respectueux de la vie privée, sécurisés et transparents.

Several initiatives are already exploring the potential of blockchain for secure and privacy-preserving AI applications. For instance, the European Blockchain Services Infrastructure (EBSI) is examining how blockchain can be used to create a trusted and secure environment for deploying AI models.

Plusieurs initiatives explorent déjà le potentiel de la blockchain pour des applications d’IA sécurisées et préservant la confidentialité. Par exemple, l’infrastructure européenne de services Blockchain (EBSI) examine comment la blockchain peut être utilisée pour créer un environnement fiable et sécurisé pour le déploiement de modèles d’IA.

Similarly, projects like Ocean Protocol are developing decentralized data marketplaces that could revolutionize how AI models access and use training data. And projects like Teranode are showcasing what's truly possible at scale—something AI systems need since they deal with infinitely larger datasets than traditional ones.

De même, des projets comme Ocean Protocol développent des marchés de données décentralisés qui pourraient révolutionner la façon dont les modèles d’IA accèdent et utilisent les données de formation. Et des projets comme Teranode montrent ce qui est réellement possible à grande échelle, ce dont les systèmes d'IA ont besoin puisqu'ils traitent des ensembles de données infiniment plus grands que les ensembles de données traditionnels.

Roadblocks on the path to convergence

Les obstacles sur la voie de la convergence

Despite the potential for synergy between AI and blockchain, several significant roadblocks stand in the way of seamless integration:

Malgré le potentiel de synergie entre l’IA et la blockchain, plusieurs obstacles importants entravent une intégration transparente :

Nascent regulatory frameworks: Both AI and blockchain are still emerging technologies that are rapidly evolving. As a result, regulatory frameworks governing their use and application are still nascent and vary widely across jurisdictions.

Cadres réglementaires naissants : L’IA et la blockchain sont encore des technologies émergentes qui évoluent rapidement. En conséquence, les cadres réglementaires régissant leur utilisation et leur application sont encore naissants et varient considérablement d’une juridiction à l’autre.

This lack of clear and consistent regulation poses a challenge for businesses and technologists seeking to converge AI and blockchain in a legally compliant manner.

Ce manque de réglementation claire et cohérente constitue un défi pour les entreprises et les technologues qui cherchent à faire converger l’IA et la blockchain de manière conforme à la loi.

For instance, some jurisdictions might have strict data privacy laws that limit the use of certain AI techniques, while

Par exemple, certaines juridictions peuvent avoir des lois strictes sur la confidentialité des données qui limitent l'utilisation de certaines techniques d'IA, tandis que