Rédaction : Pink Brains
Compilation : AididiaoJP, Foresight News
L'IA décentralisée existe parce que l'IA centralisée présente des goulets d'étranglement structurels, impossibles à résoudre uniquement avec du capital et du code :
- Les ressources de calcul sont rares et coûteuses
- Le contrôle est excessivement concentré
- Les sorties des modèles ne sont pas vérifiables
- L'acquisition des données d'entraînement devient de plus en plus difficile
Les ressources de calcul sont rares et coûteuses
Les infrastructures GPU devraient passer de 10 milliards de dollars en 2025 à 77 milliards de dollars en 2035. Les GPU de centres de données sont en rupture de stock depuis plusieurs mois. Le marché du calcul décentralisé devrait passer de 9 milliards de dollars en 2024 à 22 milliards de dollars en 2035 (données de Research and Markets). Ce chiffre n'est valable que si l'on croit que la pénurie est structurelle et non cyclique, et nous pensons qu'elle est structurelle.
Le contrôle est excessivement concentré
ChatGPT, Gemini, Grok, Claude sont tous détenus et exploités par quelques sociétés privées. Les politiques actuelles en matière d'IA supposent que seules quelques entités capables de concentrer des ressources de calcul massives peuvent entraîner des systèmes puissants. Une fois cette hypothèse brisée, le paysage de qui peut construire l'intelligence de pointe change radicalement.
Les résultats de sortie ne sont pas vérifiables
Lorsqu'un modèle prend une décision, l'utilisateur ne peut pas vérifier si le bon modèle a été exécuté, si le calcul a été correctement effectué, ou si des données sensibles ont été divulguées. Cela reste tolérable pour un chatbot, mais devient totalement inacceptable lorsque l'IA gère des prêts, des soins de santé, ou qu'un agent autonome manipule un portefeuille en temps réel.
L'acquisition des données d'entraînement devient de plus en plus difficile, en raison des préoccupations de confidentialité et de la réglementation
Un robot d'indexation centralisé dans une seule région AWS sera rapidement limité en débit, bloqué géographiquement ou alimenté avec des caches empoisonnés. Comme l'a déclaré a16z dans ses perspectives 2026, la vie privée devient « la plus importante barrière du domaine de la cryptographie ».
L'IA a besoin de la blockchain pour rendre l'intelligence ouverte, vérifiable et économiquement accessible.
Carte de la pile technologique de l'IA décentralisée
- Couche Applications & Services : Les agents IA peuvent faire beaucoup de choses, mais dans l'espace crypto, les deux cas d'usage dominants actuellement sont la finance agentique (Agentic Finance) et les paiements agentiques (Agentic Payments).
- Couche Middleware : Les connecteurs organisationnels – des frameworks pour construire et identifier les agents, aux marchés d'agents, en passant par les couches de coordination.
- Couche Infrastructure : Les ressources sous-jacentes de l'IA – couche confidentialité & vérification, calcul, inférence, entraînement, données et stockage.
Couche Applications & Services
La finance agentique transforme les invites en langage naturel en actions on-chain.
L'agent ARMA de @gizatechxyz a traité plus de 4,6 milliards de dollars de volume d'échanges agentiques sur des marchés de prêt sélectionnés – fonctionnant bloc par bloc sur le framework AVS d'EigenLayer, sans garde.
@Infinit_Labs exécute un cluster de plus de 20 agents spécialisés capables de transformer une intention comme « Gagnez 1000 $ par mois avec 1 BTC » en stratégies clé en main sur Ethereum, Solana et Base.
@coinvestai by Liquid intègre l'exécution en temps réel directement dans ChatGPT et Claude, permettant des transactions sur 500+ marchés via le Model Context Protocol.
@minara s'intègre à Hyperliquid et a récemment rejoint Lighter. Il exécute une boucle de trading complète « analyse → décision → exécution » via son modèle DMind et 50+ intégrations.
@Cod3xOrg : Un réseau d'agents IA légers pouvant transformer des intentions en transactions on-chain construites et exécutées.
@Zyfai_ : Un agent DeFAI auto-hébergé qui automatise et optimise le yield farming, rééquilibrant continuellement le capital entre les protocoles pour rechercher l'APY ajusté au risque, sans intervention humaine.
Sur les marchés de prédiction, @SynthdataCo est un sous-réseau de Bittensor exécutant un réseau financier de prédictions décentralisé et intelligent. Les mineurs rivalisent pour modéliser l'incertitude des prix à court terme. Il fournit déjà des données en temps réel pour des produits comme Mode AI Quant sur les marchés crypto de Kalshi.
Paiements agentiques : Machine paie Machine
Tout comme Internet est devenu la couche de communication de l'économie numérique, la blockchain et les stablecoins deviennent la couche de règlement des paiements agentiques.
En mai 2026, x402 a traité plus de 173 millions de transactions sur Base et Solana. Les membres de la fondation x402 incluent Google, Visa, AWS, Circle, Anthropic, Stripe et Cloudflare. Stripe l'utilise depuis février 2026 ; AWS a lancé AgentCore Payments natif.
L'activité des acheteurs et des vendeurs augmente, la plupart des transactions étant liées à une utilisation réelle du paiement à l'usage : appels API, services d'inférence IA, commerce agentique, et charges de travail similaires. Le cycle initial de spéculation s'est calmé, mais l'attrait sous-jacent commence à suivre.
Dans le même temps, le Machine Payments Protocol de Stripe et Tempo émerge comme une deuxième voie, ayant enregistré plus de 411 900 transactions et 9600 acheteurs depuis son lancement.
Ces réseaux indiquent ensemble une transition plus large vers le commerce machine-à-machine, où les agents logiciels peuvent négocier de manière autonome à la vitesse des machines.
Couche Middleware
À mesure que le nombre d'agents augmente, le problème central devient la coordination : comment les agents se découvrent mutuellement, prouvent leur identité et effectuent des transactions sans intervention humaine.
Le déficit de confiance est ici le goulet d'étranglement. La taille estimée du commerce agentique devrait atteindre 1,5 à 5 trillions de dollars d'ici 2030, mais l'adoption est limitée par un fait : la plupart des utilisateurs sont prêts à laisser l'IA faire des recherches, mais peu sont prêts à la laisser effectuer des achats.
Les systèmes d'aujourd'hui dépendent encore des clés API, et presque aucun système ne traite les agents comme des entités ayant une identité.
@GoKiteAI construit une L1 spécialisée, intégrant l'identité et le paiement comme des primitives natives. L'ERC-8004 est une norme Ethereum offrant aux agents une identité et une réputation portables on-chain, pouvant être suivies cross-chain.
Sur le marché, @virtuals_io est le système d'exploitation de l'économie des agents sur Base. En juin 2026, il a traité plus de 2,38 millions de tâches d'agents, générant près de 480 millions de dollars de « PIB agentique ».
Mais la perle de cette couche est Bittensor. C'est un réseau de sous-réseaux spécialisés, chacun étant une micro-économie où les mineurs exécutent des modèles IA, les validateurs notent les sorties, et les émissions TAO vont à ceux qui produisent le travail le plus utile. Trois mécanismes le rendent économiquement sérieux :
- Le halving de décembre 2025 a réduit l'émission quotidienne de TAO de 7200 à 3600, correspondant à un plafond dur de 21 millions.
- La mise à niveau dTAO offre à chaque sous-réseau son propre jeton Alpha et son pool AMM – le marché décide des émissions.
- La mise à niveau Taoflow (lancée en novembre 2025) répartit les émissions purement en fonction des flux nets de stake. Un sous-réseau avec plus de unstake que de stake peut tomber à zéro. Le design est délibérément darwinien.
Le réseau dépasse les 128 sous-réseaux actifs, les 3 plus grands sous-réseaux de calcul ayant rapporté collectivement 20 millions de dollars de revenus annuels récurrents (ARR) dans les trois mois suivant leur monétisation. Le darwinisme est le produit.
D'autres projets se concentrent sur la création de blockchains IA dédiées, ou fournissent les outils, frameworks et incitations nécessaires pour soutenir des écosystèmes d'IA possédés par la communauté.
@NEARProtocol : Une couche de coordination invisible, combinant règlement, identité, confidentialité, TEE, MPC et protection des PII, au service d'agents autonomes.
@base – la « base principale » de l'économie agentique. Base MCP permet aux outils IA comme Claude, ChatGPT, Cursor d'exécuter des actions on-chain via des invites sur des plateformes comme Uniswap, Morpho, Avantis – échanges, transferts, interactions DeFi.
@SentientAGI : Son écosystème GRID connecte les agents, modèles, données et calcul, acheminant les requêtes vers les participants spécialisés pour fournir les meilleurs résultats.
@gensynai : Exécution ML vérifiable, coordonnant du matériel distribué pour l'entraînement et l'inférence tout en garantissant la confiance dans le travail, coordonnant le réseau avec $AI.
@SaharaAI connecte les données, modèles, agents et récompenses dans un seul écosystème natif de l'IA.
Couche Infrastructure
L'infrastructure est le squelette de l'IA – les primitives brutes de calcul, d'inférence, d'entraînement, de données et de confidentialité dont tout le reste dépend. C'est la couche la plus capitalistique de la pile de l'IA décentralisée.
Calcul décentralisé
@akashnet exécute un marché d'enchères inversées où les fournisseurs soumissionnent pour gagner vos charges de travail. Au T1 2026, les nouveaux baux ont augmenté de 27% pour atteindre 43 500+, soit une croissance pour le troisième trimestre consécutif. Son service d'inférence AkashML a traité près de 120 milliards de tokens en avril, à un prix 60–85% moins cher que les clouds principaux.
@rendernetwork a publié une croissance d'utilisation de 428% en glissement annuel.
@ionet agrège 130 000+ GPU provenant de plus de 130 pays sur Solana.
@AethirCloud est l'un des rares à avoir de vrais revenus : environ 166 millions de dollars de revenus annuels récurrents (ARR) déclarés au T3 2025, ayant délivré plus de 1,5 milliard d'heures de calcul.
Inférence distribuée et vérifiable
L'inférence représente plus de 70% des coûts opérationnels de l'IA, et Goldman Sachs prévoit que l'IA agentique poussera la consommation de tokens à une croissance de 24 fois d'ici 2030 – 120 trillions de tokens par mois.
La réponse décentralisée consiste à rendre l'inférence peu coûteuse, privée et vérifiable.
@AskVenice dessert déjà plus de 2 millions d'utilisateurs avec plus de 50 milliards de tokens par jour via des modèles privés et sans censure, son avantage concurrentiel étant ses modèles.
@OpenGradient a traité plus de 2 millions d'inférences vérifiables, générant 500 000+ preuves zkML.
@chutes_ai : Les développeurs peuvent déployer et mettre à l'échelle des modèles IA via une API simple, soutenus par des mineurs GPU, à un coût jusqu'à 85% moins cher que AWS. Les revenus de la plateforme sont convertis en demande de jetons via un mécanisme de staking automatique.
@dphnAI – Réseau d'inférence IA décentralisé. Il est notable que Dolphin a développé les modèles sans censure utilisés par Venice AI et utilise 100% des revenus du réseau pour le rachat de tokens.
Entraînement décentralisé
L'entraînement est le problème le plus difficile et celui avec le plus d'impact – il détermine si les modèles de pointe doivent être construits au sein de trois ou quatre laboratoires d'entreprise.
INTELLECT-1 (10 milliards de paramètres) de @PrimeIntellect est la première exécution d'entraînement distribuée mondiale ; INTELLECT-2 (32 milliards de paramètres) est la première exécution distribuée de RL.
@tplr_ai a réussi à entraîner Covenant-72B sur 70+ nœuds distribués, traitant environ 1,1 trillion de tokens, réduisant les coûts de communication par 146.
@NousResearch : Son réseau Psyche permet un entraînement distribué tolérant aux pannes, et Hermes 4.3 est devenu le premier modèle Hermes entraîné sur une infrastructure décentralisée plutôt que sur un cluster centralisé.
Le sous-réseau IOTA (SN9) de @MacrocosmosAI effectue un pré-entraînement LLM décentralisé et du « train-at-home », et son sous-réseau Data Universe (SN13) gère la couche données. La série d'algorithmes DiLoCo à faible communication permet à des GPU dispersés dans le monde de collaborer sans le réseau interne ultra-rapide des centres de données.
Disponibilité et stockage des données décentralisés
À mesure que l'ampleur des charges de travail IA augmente, ces deux aspects deviennent des goulets d'étranglement. Les modèles de pointe consomment des quantités massives de données fraîches, et les besoins de stockage ont explosé au point où les principaux fournisseurs de disques durs rapportent que la capacité est vendue des années à l'avance.
L'économie est attrayante. Le stockage décentralisé peut être 60-80% moins cher que les fournisseurs de cloud traditionnels, avec des réseaux comme @Filecoin offrant un stockage à moins de 1 $ par To et par mois, contre environ 30 $ pour les alternatives centralisées.
@grass paie 2,5 millions de nœuds provenant de 190 pays pour leur bande passante inutilisée, permettant aux laboratoires d'IA d'explorer le web en temps réel.
@WalrusProtocol est un challenger en pleine croissance construit par @Mysten_Labs pour le stockage et la disponibilité des données décentralisés – utilisant un codage d'effacement 2D pour stocker efficacement de grands « blobs », et étant de plus en plus positionné comme une couche de mémoire persistante pour les agents IA.
@eigencloud : Une plateforme cloud vérifiable construite autour de la disponibilité des données, du calcul vérifiable et de la résolution des litiges. Garanti par de l'ETH re-staké, sa théorie est de permettre aux agents IA de fonctionner avec des garanties cryptographiques, rendant les actions prouvables, auditable et exécutables.
@vana – Une L1 EVM où les Data DAOs et Data Liquidity Pools transforment les données personnelles en actifs pouvant être tokenisés et échangés.
@reppo et @oroagents construisent des ensembles de données de haute qualité et dignes de confiance pour l'entraînement de l'IA via des concours incitatifs.
Couche Confidentialité & Vérification
L'utilisateur moyen de l'IA ne peut pas vérifier si un modèle a traité ses données en privé, s'il a correctement exécuté le calcul, ou même s'il a utilisé le modèle qu'il prétend utiliser.
En 2026, la confidentialité et la vérification deviennent un prérequis pour l'IA, et non plus une fonctionnalité supplémentaire.
@nillion – « Ordinateur aveugle », utilisant le MPC et son propre Nil Message Compute pour exécuter des calculs sur des données chiffrées sans les déchiffrer. Les cas d'usage incluent l'inférence IA privée, les bases de données cryptées et le RAG privé (permettant à l'IA d'interroger une base de connaissances propriétaire sans la divulguer).
@Arcium : Réseau de calcul confidentiel décentralisé sur Solana. Les cas d'usage incluent Umbra (transferts masqués / rendement privé) et l'entraînement d'IA confidentiel sur des ensembles de données sensibles.
@OasisProtocol : L1 axée sur la confidentialité, utilisant ROFL (Runtime Offchain Logic), un framework basé sur TEE pour exécuter des calculs hors-chaîne vérifiables et protégés – agents IA, entraînement de modèles ou oracles.
@octra : L1 axée sur la confidentialité supportant nativement le FHE, utilisant son propre schéma HFHE (Hypergraph FHE), conçu pour le calcul crypté parallèle et le débit.
@eigencloud : Un poids lourd de la vérification, construit sur la sécurité de re-staking d'EigenLayer. EigenAI (inférence LLM vérifiable est une API compatible OpenAI pour les modèles open source, où l'invite et la réponse peuvent être prouvées comme n'ayant pas été altérées) et EigenCompute (exécution hors-chaîne vérifiable pour la logique des agents).
@PhalaNetwork. Les GPU cloud sont puissants mais pas privés ; Phala rend les charges de travail prouvables, même obscurcies pour Phala lui-même. Son produit phare, les GPU TEE sur Phala Cloud, déploie des modèles open source sur le matériel, fournissant une API compatible OpenAI où chaque inférence est accompagnée d'une preuve cryptographique.
La trajectoire de l'IA décentralisée pour 2026-2027
La demande en IA croît plus vite que l'infrastructure ne suit, et les agents IA deviennent le moteur de croissance dominant – la voie on-chain est prête.
Le calcul se transforme en une classe d'actifs, et les marchés on-chain deviennent sa couche financière. Les acteurs institutionnels passent de l'expérimentation à l'investissement en infrastructure.
La tokenomics devient un avantage structurel de l'IA décentralisée pour coordonner le capital, le calcul et les données. L'opportunité s'étend de l'IA aux robots, machines autonomes et à l'IA physique.
Conclusion
L'IA décentralisée se développe dans les principales couches de la pile – infrastructure, middleware, applications – comme en témoignent les revenus de calcul, la croissance de l'économie agentique et l'entraînement distribué à grande échelle.
Mais ce domaine en est encore à ses débuts. Les revenus ont souvent du retard sur les incitations tokenisées, l'adoption reste inégale, et bien que les investissements totaux en IA explosent, l'IA décentralisée ne représente encore qu'une petite partie des investissements en capital-risque. Les réseaux pilotés par des tokens peuvent être un avantage puissant, mais seulement si la capture de valeur est correctement conçue.
Néanmoins, l'émergence de projets comme Bittensor, NEAR, Virtuals, Base et Venice indique que l'IA décentralisée évolue d'un récit spéculatif vers un nouveau modèle de coordination du calcul, des données, du capital et de l'intelligence.
