Un Mac inutilisé peut-il rapporter de l’argent ? Découvrez Darkbloom, le réseau d’inférence d’IA décentralisé lancé par Eigen Labs

marsbitPublished on 2026-06-22Last updated on 2026-06-22

Abstract

Le réseau d'inférence IA décentralisé Darkbloom, lancé par Eigen Labs, permet aux utilisateurs de monétiser leurs Mac inactifs équipés de puces Apple Silicon. Ce système repose sur une architecture distribuée où les requêtes des utilisateurs sont acheminées par un coordinateur vers des fournisseurs (les propriétaires des Mac). Ces derniers exécutent les modèles d'IA (comme Gemma 4 de Google ou GPT-OSS d'OpenAI) sans pouvoir voir le contenu des requêtes, grâce à des protections de confidentialité matérielles et logicielles vérifiables. Le modèle économique diffère des approches traditionnelles : les coûts marginaux sont principalement liés à l'électricité, permettant des prix inférieurs d'environ 50 % par rapport aux agrégateurs d'API classiques. Les fournisseurs conservent 100 % des revenus générés par l'inférence, sans recours à des tokens subsidiaires. Cependant, les revenus actuels restent modestes (moins de 6 dollars par jour pour le meilleur classé), mais devraient augmenter avec l'adoption de modèles plus gourmands et une demande accrue. Pour participer, il faut un Mac avec Apple Silicon, macOS 14 ou supérieur, installer le logiciel Darkbloom et maintenir une connexion internet stable.

Organisé par : Felix, PANews

L’inférence d’IA devient progressivement une couche clé de l’infrastructure internet. Cependant, la plupart des inférences reposent encore sur des architectures centralisées, coûteuses, à capacité limitée, empilant les couches et présentant certains risques de sécurité. Parallèlement, des millions d’ordinateurs performants dans le monde restent inactifs la majeure partie de la journée.

Le réseau d’inférence d’IA Darkbloom, récemment lancé par Eigen Labs, explore l’exécution d’inférences d’IA distribuées sur des Mac inutilisés. En combinant des nœuds vérifiés, une protection de la vie privée au niveau matériel et une meilleure économie, il transforme les puces Apple Silicon inactives en un réseau de calcul plus efficace, axé sur la confidentialité.

Le projet a été lancé sous forme de prévisualisation de recherche vers avril de cette année, mis à niveau en version alpha publique en mai, et est désormais disponible sur la plateforme OpenRouter. Dans la version alpha, les modèles disponibles sont Google Gemma 4 et OpenAI GPT-OSS.

Architecture centrale et confidentialité vérifiable

Le réseau Darkbloom se compose de trois parties : les utilisateurs, le coordinateur et les fournisseurs.

  • Les utilisateurs peuvent envoyer des requêtes d’inférence via une interface de chat ou une API compatible OpenAI.
  • Le coordinateur (géré par Eigen Labs) route ces requêtes vers les Mac éligibles du réseau.
  • Les fournisseurs (utilisateurs possédant ces Mac éligibles) exécutent le modèle et renvoient les résultats, mais ne peuvent pas voir le contenu de la requête.

Darkbloom est construit sur un modèle d’inférence distribué axé sur la confidentialité. Le processus du fournisseur est renforcé pour résister aux chemins d’inspection locaux courants, y compris l’attachement de débogueurs et l’inspection de la mémoire externe. L’intégrité du binaire exécuté fait également partie du modèle de confiance, aidant à garantir que le logiciel servant les requêtes répond aux attentes du réseau.

Le système utilise également une authentification matérielle basée sur l’architecture de sécurité Apple. Des clés de l’Enclave Sécurisé, des signaux d’authentification et des vérifications périodiques défi-réponse sont utilisés pour vérifier que les nœuds participants fonctionnent avec les protections et l’état logiciel attendus, réalisant ainsi une confidentialité véritablement vérifiable.

Modèle économique et revenus quotidiens

Le modèle économique de Darkbloom diffère fondamentalement de celui de la grande majorité des projets. Dans la pile technologique traditionnelle, les coûts incluent le matériel, les installations, le refroidissement, le réseau, les frais opérationnels et plusieurs couches de profit. Dans le modèle de Darkbloom, le matériel existe déjà, et le coût marginal est principalement lié à l’électricité. Le prix de référence de Darkbloom représente environ 50 % de celui des principaux agrégateurs d’API actuels. Les fournisseurs (hôtes Mac) conservent 100 % des revenus de l’inférence. De plus, Darkbloom n’a pas adopté l’approche d’émettre des jetons pour subventionner les premiers participants ; les revenus des nœuds proviennent entièrement de la demande réelle d’inférence d’IA.

Il est important de noter qu’étant donné le stade précoce du projet, les revenus sont assez modestes. La mémoire et la configuration matérielle, le temps de fonctionnement, la demande de modèles, l’état de santé des nœuds, la demande du réseau, entre autres facteurs, peuvent affecter les revenus dans une certaine mesure.

Les données actuelles du classement montrent que le fournisseur en première position génère moins de 6 dollars de revenus par jour, et le cinquième fournisseur ne dépasse pas 2 dollars. Cependant, cette situation pourrait s’améliorer avec l’ouverture du réseau à des modèles de langage de grande taille à forte demande mémoire et l’augmentation de l’utilisation par de vrais utilisateurs.

Pour configurer un Mac inutilisé, voici les étapes :

  • Obtenir un Mac équipé d’une puce Apple Silicon
  • S’assurer qu’il exécute macOS 14 ou une version ultérieure
  • Installer le fournisseur Darkbloom
  • Maintenir le Mac en ligne et connecté à une internet stable
  • Laisser le réseau router les tâches d’IA prises en charge

Lecture connexe : Inventaire des actifs boursiers et cryptographiques récents à surveiller : IA, RWA, actions spatiales...

Trending Cryptos

Related Questions

QQuel est le projet lancé par Eigen Labs pour exploiter les ordinateurs Mac inactifs ?

AEigen Labs a lancé le réseau d'inférence IA décentralisé Darkbloom, qui permet d'utiliser la puissance de calcul inutilisée des ordinateurs Mac équipés de puces Apple Silicon pour effectuer des tâches d'inférence IA.

QQuels sont les trois composants principaux de l'architecture du réseau Darkbloom ?

ALe réseau Darkbloom est composé de trois éléments : les utilisateurs (qui envoient des requêtes), le coordinateur (géré par Eigen Labs, qui achemine les requêtes), et les fournisseurs (les propriétaires des Mac qui exécutent les modèles et renvoient les résultats).

QComment Darkbloom garantit-il la confidentialité des données lors du traitement des requêtes ?

ADarkbloom garantit la confidentialité grâce à un modèle d'inférence distribué axé sur la protection de la vie privée. Il utilise le renforcement des processus, l'intégrité des binaires et une authentification matérielle basée sur l'architecture de sécurité d'Apple (comme le Secure Enclave) pour vérifier que les nœuds fonctionnent avec les mesures de protection attendues.

QQuel est l'avantage économique du modèle Darkbloom par rapport aux services d'inférence IA traditionnels ?

ALe modèle économique de Darkbloom est moins coûteux car il utilise du matériel existant (les Mac inactifs), donc les coûts marginaux sont principalement liés à l'électricité. Ses tarifs de référence sont environ 50 % inférieurs à ceux des principaux agrégateurs d'API, et les fournisseurs conservent 100 % des revenus générés par l'inférence.

QQuels sont les modèles d'IA disponibles dans la version alpha de Darkbloom, et sur quelle plateforme est-il accessible ?

ADans sa version alpha, Darkbloom propose les modèles Gemma 4 de Google et GPT-OSS d'OpenAI. Le réseau est accessible via la plateforme OpenRouter.

Related Reads

Founder of Baixing.com: The Notion That Large Language Models Will Devour Everything, I Believe Half of It

Founder of Baixing.com: I Only Half-Believe the Saying “Large Language Models Will Devour Everything” Author: Wang Jianshuo, Founder of Baixing.com Many proclaim that large models are everything, but the author is skeptical. He argues that such sweeping claims often stem from a limited understanding of the future. Drawing parallels to past technologies like electricity and the internet—which were predicted to “devour everything” but didn’t—he suggests that large language models (LLMs) are better seen as a foundational base. Like electricity, this base is essential for modern development, but its real value emerges only when applied to specific scenarios through various “machines” or “tools” (e.g., Claude Code for programming, Claude Design for design). The author acknowledges that LLMs may indeed replace many existing software systems built on rigid rules, workflows, and forms (e.g., CRMs, SaaS tools), as these are precisely what LLMs excel at processing. However, he emphasizes that beyond software, elements like customer data, execution capabilities (e.g., booking a flight), trust, and physical-world interactions will not be “devoured.” Instead, he foresees that after streamlining existing software, LLMs will open up a larger space for innovative, next-generation applications. These new tools will likely feature fluid interfaces and rely less on fixed rules, unleashing greater creativity. The author cautions against short-sightedness, recalling how in 2004 many believed internet giants like Sina, Sohu, and NetEase would monopolize the market—only to be proven wrong by subsequent disruptions. In conclusion, while LLMs are a crucial foundation and a current focal point, the true mainstream of this wave lies in the diverse applications built atop them to solve concrete problems. The phrase “devour everything” is imprecise; the real opportunity lies in identifying and leveraging the areas where LLMs do bring transformative change.

marsbit1h ago

Founder of Baixing.com: The Notion That Large Language Models Will Devour Everything, I Believe Half of It

marsbit1h ago

Founder of Baixing.com: I Only Half Believe in the Notion that Large Language Models Devour Everything

The founder of Baixing Wang states that while large language models (LLMs) are an extremely important foundational technology—akin to electricity or the internet—he only "half believes" the notion that they will "consume everything." He argues that LLMs provide a base layer of intelligence, but real-world value and transformation come from integrating this intelligence into specific applications and devices designed for particular scenarios—like how electricity powers various appliances from washing machines to TVs. He agrees LLMs will likely consume or replace a significant portion of existing rule-based, workflow-driven software (e.g., many SaaS systems, CRMs), as these are precisely what LLMs excel at handling. However, numerous other elements—such as customer data, execution capabilities (e.g., booking a flight), trust, and physical-world interactions—will not be consumed. Wang emphasizes that after LLMs absorb certain software layers, they will open up a much larger space for innovation: new types of "streaming" software with less rigid interfaces, where fixed rules are managed by AI. This next wave of applications built on top of the stable LLM foundation is where the true mainstream opportunity lies. He cautions against the short-sightedness of declaring any technology as all-consuming, drawing parallels to past premature predictions about internet giants monopolizing the web. The key is to find opportunities within the areas LLMs do transform.

链捕手1h ago

Founder of Baixing.com: I Only Half Believe in the Notion that Large Language Models Devour Everything

链捕手1h ago

Trading

Spot

Hot Articles

Discussions

Welcome to the HTX Community. Here, you can stay informed about the latest platform developments and gain access to professional market insights. Users' opinions on the price of AI (AI) are presented below.

活动图片