OORT : né de moments accidentels en classe, vise à démocratiser le développement de l'IA

Le secteur de l’IA est entré dans une ère explosive. Selon le rapport de recherche « 2024 AI Investment Report » du cabinet de conseil Dealroom, les investissements mondiaux dans l'IA devraient atteindre 65 milliards de dollars, soit un cinquième de l'ensemble du capital-risque.

Artificial intelligence has entered an explosive era. According to a research report "2024 AI Investment Report" by consulting firm Dealroom, global AI investment is expected to reach $65 billion, accounting for one-fifth of all venture capital. Goldman Sachs' research department also stated that global AI investment could approach $200 billion by 2025.

L’intelligence artificielle est entrée dans une ère explosive. Selon un rapport de recherche « 2024 AI Investment Report » du cabinet de conseil Dealroom, les investissements mondiaux dans l'IA devraient atteindre 65 milliards de dollars, soit un cinquième de l'ensemble du capital-risque. Le département de recherche de Goldman Sachs a également déclaré que les investissements mondiaux dans l'IA pourraient approcher les 200 milliards de dollars d'ici 2025.

Thanks to the AI boom, funds are flocking to AI targets. For example, the A-share company Cambricon has surged over 560% since its low in February this year, with a market capitalization exceeding 250 billion RMB; the U.S. company Broadcom has surpassed a market value of $1 trillion, becoming the eighth largest publicly traded company in the U.S.

Grâce au boom de l’IA, les fonds affluent vers les cibles de l’IA. Par exemple, la société d'actions A Cambricon a bondi de plus de 560 % depuis son plus bas niveau de février de cette année, avec une capitalisation boursière dépassant 250 milliards de RMB ; la société américaine Broadcom a dépassé une valeur marchande de 1 000 milliards de dollars, devenant ainsi la huitième plus grande société cotée en bourse aux États-Unis.

The combination of AI and Crypto is also showing a hot trend. During the artificial intelligence conference hosted by Nvidia, Bittensor (TAO) led with a market value of over $4.5 billion, while assets like Render (RND) and Fetch.ai (FET) have seen rapid value growth.

La combinaison de l’IA et de la crypto montre également une tendance à la hausse. Lors de la conférence sur l'intelligence artificielle organisée par Nvidia, Bittensor (TAO) était en tête avec une valeur marchande de plus de 4,5 milliards de dollars, tandis que des actifs comme Render (RND) et Fetch.ai (FET) ont connu une croissance rapide de leur valeur.

Following large language models, AI Agents have become the engine of this round of AI market. For instance, the token of GOAT surged over 100 times in 24 hours, and ACT rose nearly 20 times in a single day, igniting the Crypto world's enthusiasm for AI Agents.

Suivant de grands modèles de langage, les agents IA sont devenus le moteur de ce cycle de marché de l'IA. Par exemple, le jeton GOAT a augmenté de plus de 100 fois en 24 heures et l'ACT a augmenté de près de 20 fois en une seule journée, déclenchant l'enthousiasme du monde de la cryptographie pour les agents IA.

However, behind the rapid development of AI, there are also concerns. According to an article by Dr. Max Li, founder and CEO of OORT, published in Forbes titled "AI Failures Will Surge in 2025: A Call for Decentralized Innovation," the AI industry faces numerous issues, such as data privacy, ethical compliance, and trust crises caused by centralization, which increase the risk of AI failures. Therefore, decentralized innovation has become an urgent priority.

Mais derrière le développement rapide de l’IA se cachent aussi des inquiétudes. Selon un article du Dr Max Li, fondateur et PDG d'OORT, publié dans Forbes et intitulé "AI Failures Will Surge in 2025: A Call for Decentralized Innovation", l'industrie de l'IA est confrontée à de nombreux problèmes, tels que la confidentialité des données, la conformité éthique, et les crises de confiance causées par la centralisation, qui augmentent le risque d’échec de l’IA. L’innovation décentralisée est donc devenue une priorité urgente.

Currently, OORT has established one of the world's largest decentralized cloud infrastructures, with network nodes covering over 100 countries, generating millions of dollars in revenue, and launching the open-source Layer 1 Olympus protocol (its consensus algorithm is "Proof of Honesty" PoH, protected by U.S. patents). Through the native token OORT, it encourages everyone to contribute data, achieving an incentive closed loop. Recently, OORT launched OORT DataHub, marking a further step towards global, diverse, and transparent data collection, laying a solid foundation for the explosion of DeAI.

Actuellement, OORT a mis en place l'une des plus grandes infrastructures cloud décentralisées au monde, avec des nœuds de réseau couvrant plus de 100 pays, générant des millions de dollars de revenus et lançant le protocole open source Layer 1 Olympus (son algorithme de consensus est « Preuve d'honnêteté » PoH , protégé par des brevets américains). Grâce au jeton natif OORT, il encourage chacun à contribuer des données, réalisant ainsi une boucle fermée incitative. Récemment, OORT a lancé OORT DataHub, marquant une nouvelle étape vers une collecte de données mondiale, diversifiée et transparente, jetant ainsi une base solide pour l'explosion de DeAI.

OORT Born from Accidental Classroom Moments

OORT est né de moments accidentels en classe

To understand the OORT project, one must first understand the problems OORT aims to solve. This involves discussing the current bottlenecks in AI development, primarily related to data and centralization issues:

Pour comprendre le projet OORT, il faut d'abord comprendre les problèmes que OORT vise à résoudre. Cela implique de discuter des goulots d’étranglement actuels dans le développement de l’IA, principalement liés aux problèmes de données et de centralisation :

1. Disadvantages of Centralized AI

1. Inconvénients de l'IA centralisée

1. Lack of transparency leading to trust crises. The decision-making process of centralized AI models is often opaque, seen as "black box" operations. Users find it difficult to understand how AI systems make decisions, which can lead to severe consequences in critical applications such as medical diagnosis and financial risk control.

1. Manque de transparence conduisant à des crises de confiance. Le processus décisionnel des modèles d’IA centralisés est souvent opaque, considéré comme une « boîte noire ». Les utilisateurs ont du mal à comprendre comment les systèmes d’IA prennent des décisions, ce qui peut entraîner de graves conséquences dans des applications critiques telles que le diagnostic médical et le contrôle des risques financiers.

2. Data monopoly and unequal competition. A few large tech companies control vast amounts of data, creating a data monopoly. This makes it difficult for new entrants to obtain sufficient data to train their own AI models, hindering innovation and market competition. Additionally, data monopolies may lead to the misuse of user data, further exacerbating data privacy issues.

2. Monopole des données et concurrence inégale. Quelques grandes entreprises technologiques contrôlent de grandes quantités de données, créant ainsi un monopole sur les données. Il est donc difficile pour les nouveaux entrants d’obtenir suffisamment de données pour former leurs propres modèles d’IA, ce qui entrave l’innovation et la concurrence sur le marché. De plus, les monopoles sur les données peuvent conduire à une utilisation abusive des données des utilisateurs, aggravant encore les problèmes de confidentialité des données.

3. Ethical and moral risks are hard to control. The development of centralized AI has raised a series of ethical and moral issues, such as algorithmic discrimination and bias amplification. Moreover, the application of AI technology in military and surveillance fields has raised concerns about human rights, security, and social stability.

3. Les risques éthiques et moraux sont difficiles à contrôler. Le développement de l’IA centralisée a soulevé une série de problèmes éthiques et moraux, tels que la discrimination algorithmique et l’amplification des biais. De plus, l’application de la technologie de l’IA dans les domaines militaires et de la surveillance a suscité des inquiétudes quant aux droits de l’homme, à la sécurité et à la stabilité sociale.

2. Data Bottleneck

2. Goulot d'étranglement des données

1. Data desert. In the booming development of artificial intelligence, the issue of data deserts has gradually emerged as a key factor restricting further development. The demand for data from AI researchers has exploded, yet the supply of data has struggled to keep up. Over the past decade, the continuous expansion of neural networks has relied on large amounts of data for training, as seen in the development of large language models like ChatGPT. However, traditional datasets are nearing exhaustion, and data owners are beginning to restrict content usage, making data acquisition increasingly difficult.

1. Désert de données. Dans le contexte du développement fulgurant de l’intelligence artificielle, la question des déserts de données est progressivement apparue comme un facteur clé limitant son développement ultérieur. La demande de données de la part des chercheurs en IA a explosé, mais l’offre de données a du mal à suivre. Au cours de la dernière décennie, l’expansion continue des réseaux de neurones s’est appuyée sur de grandes quantités de données pour la formation, comme le montre le développement de grands modèles de langage comme ChatGPT. Cependant, les ensembles de données traditionnels sont presque épuisés et les propriétaires de données commencent à restreindre l’utilisation du contenu, ce qui rend l’acquisition de données de plus en plus difficile.

The causes of data deserts are multifaceted. On one hand, data quality is uneven, with issues of incompleteness, inconsistency, noise, and bias severely affecting model accuracy. On the other hand, scalability challenges are significant; collecting sufficient data is costly and time-consuming, maintaining real-time data is difficult, and manual annotation of large datasets poses a bottleneck. Additionally, access and privacy restrictions cannot be ignored; data silos, regulatory constraints, and ethical issues make data collection arduous.

Les causes des déserts de données sont multiples. D’une part, la qualité des données est inégale, avec des problèmes d’incomplétude, d’incohérence, de bruit et de biais affectant gravement la précision du modèle. D’un autre côté, les défis d’évolutivité sont importants ; la collecte de données suffisantes est coûteuse et prend du temps, la maintenance des données en temps réel est difficile et l'annotation manuelle de grands ensembles de données constitue un goulot d'étranglement. De plus, les restrictions d’accès et de confidentialité ne peuvent être ignorées ; les silos de données, les contraintes réglementaires et les problèmes éthiques rendent la collecte de données ardue.

Data deserts have a profound impact on AI development. They limit model training and optimization, potentially forcing AI models to shift from pursuing large-scale to more specialized and efficient approaches. In industry applications, achieving precise predictions and decisions becomes challenging, hindering AI's greater role in fields like healthcare and finance.

Les déserts de données ont un impact profond sur le développement de l’IA. Ils limitent la formation et l’optimisation des modèles, obligeant potentiellement les modèles d’IA à passer d’approches à grande échelle à des approches plus spécialisées et plus efficaces. Dans les applications industrielles, il devient difficile d’obtenir des prévisions et des décisions précises, ce qui entrave le rôle accru de l’IA dans des domaines tels que la santé et la finance.