L’IA décentralisée rebattant les cartes du contrôle des modèles qui alimentent le Web3

Les modèles d’IA les plus puissants au monde sont contrôlés par une poignée d’entreprises. Elles fixent les prix, décident qui peut y accéder et détiennent chaque poids et chaque paramètre appris à partir des données des utilisateurs.

Sentient (SENT), lancé en 2026, s’est constitué en contre-modèle direct, en bâtissant une plateforme d’IA ouverte où les contributeurs détiennent une part prouvable des modèles qu’ils contribuent à créer. Son jeton a bondi d’environ 26 % en une seule séance en juillet 2026, signe que le marché suit de près la thèse de l’IA décentralisée.

Mais Sentient est loin d’être seul. Une nouvelle génération de protocoles utilise les blockchains pour garantir une propriété ouverte des modèles, coordonner un entraînement distribué et faire tourner des marchés d’inférence où chacun peut apporter de la puissance de calcul et percevoir des récompenses. Comprendre, dans le détail, comment ces réseaux fonctionnent – du point de vue des incitations, de la cryptographie et du règlement on-chain – est la meilleure façon de distinguer l’infrastructure solide du simple battage médiatique.

TL;DR

Les réseaux d’IA décentralisée utilisent les blockchains pour faire respecter des droits de propriété sur les modèles, empêchant l’exclusion des contributeurs après l’entraînement.

Entraînement et inférence sont séparés en deux couches économiques, les contributeurs étant rémunérés pour le calcul et la donnée à chaque étape, avec suivi on-chain.

Des preuves cryptographiques (zero-knowledge ou attestations) permettent au réseau de vérifier l’honnêteté des résultats d’inférence sans réexécuter tout le modèle.

Des jetons de gouvernance donnent aux contributeurs un droit de vote sur les mises à jour des modèles, la structure des frais et les règles d’accès.

Le compromis central oppose performance et vérifiabilité : une inférence pleinement on-chain reste plus lente et coûteuse que par API centralisée, mais l’écart se réduit rapidement.

Pourquoi l’IA fermée pose un problème structurel aux réseaux ouverts

Tout grand modèle d’IA est entraîné sur des données qui viennent de quelque part. Utilisateurs, chercheurs et communautés open source produisent les textes, le code et les images que les modèles assimilent. Dans le schéma centralisé actuel, ces contributeurs ne touchent rien. La totalité de la valeur est captée par l’entreprise qui entraîne le modèle.

Ce déséquilibre se renforce avec le temps. Les meilleurs contributeurs cessent de partager ouvertement leurs données lorsqu’ils comprennent qu’elles sont exploitées sans contrepartie.

Les modèles finissent alors dépendants des seules données que l’entreprise peut obtenir légalement, souvent en aspirant le web public sous des conditions d’utilisation contestées devant les tribunaux. La chaîne d’entraînement devient extractive au lieu d’être collaborative.

Les réseaux d’IA décentralisée proposent un autre contrat. Les contributeurs sont enregistrés on-chain avant le lancement de l’entraînement. Leurs apports en données et en puissance de calcul sont consignés comme entrées vérifiables. Des smart contracts redistribuent les revenus tirés de l’usage du modèle à ces contributeurs, selon des règles gravées dans le code avant qu’une seule heure de GPU ne soit fournie.

La blockchain ne réalise pas le calcul d’IA. Elle fait respecter l’accord de propriété qui rend rationnelle la contribution volontaire.

Comment fonctionne réellement la propriété on-chain des modèles

La propriété d’un modèle dans un réseau d’IA décentralisée n’a rien à voir avec la simple détention d’un fichier. Un modèle entraîné, ce sont des poids numériques – souvent des milliards de nombres flottants – répartis sur un ensemble de nœuds. « Posséder un modèle », c’est détenir une créance prouvable et exécutoire sur une part des revenus qu’il génère, ainsi que des droits de gouvernance sur son évolution.

Le mécanisme passe par un événement de « mint » lié à l’entraînement initial du modèle. Lorsqu’un modèle est déployé pour la première fois, le réseau émet une quantité fixe de jetons de propriété représentant ce modèle spécifique. Les contributeurs qui ont fourni données, puissance de calcul ou code pendant l’entraînement reçoivent une allocation proportionnelle de ces jetons.

La formule d’allocation est définie dans le smart contract avant le démarrage de l’entraînement et ne peut plus être modifiée a posteriori.

À chaque fois qu’un utilisateur paie pour exécuter une inférence – qu’il s’agisse d’une prédiction, d’un texte généré ou d’un embedding – les frais sont partagés entre l’infrastructure qui réalise l’inférence et les détenteurs des jetons de propriété. Le ratio de partage est fixé par la gouvernance. Si un modèle devient très utilisé, les contributeurs initiaux continuent donc d’en tirer des revenus sans travail supplémentaire, dans une logique proche de redevances.

L’approche de Sentient va plus loin avec ce que le projet appelle le « Sentient Model Fingerprinting ». Chaque modèle entraîné sur la plateforme Sentient porte une empreinte cryptographique intégrée qui relie les sorties d’inférence à une version précise du modèle.

Cela permet de détecter si quelqu’un copie les poids et exécute le modèle sans s’acquitter des frais de propriété – une forme de piratage triviale avec des poids fermés mais difficile à démontrer. L’empreinte crée une piste d’audit on-chain qui facilite l’application des règles de partage de revenus, même avec des poids techniquement ouverts.

Deux couches économiques : entraînement distribué et marchés d’inférence

Les réseaux d’IA décentralisée scindent le cycle de vie de l’IA en deux couches économiques distinctes. Les examiner séparément est essentiel : elles mobilisent des acteurs, des incitations et des défis techniques différents.

La couche d’entraînement est celle où le modèle apprend. Dans un système centralisé, une seule entreprise gère cette phase sur son propre hardware. Dans un réseau décentralisé, l’entraînement est réparti entre de nombreux contributeurs, chacun exécutant une portion du calcul.

L’enjeu est la coordination : tous les participants doivent s’accorder sur l’état du modèle à chaque étape, ce qui nécessite un mécanisme de consensus adapté aux mises à jour de gradients plutôt qu’aux seules transactions financières. Des projets comme Bittensor et Gensyn ont développé des protocoles spécialisés, s’appuyant sur un scoring on-chain pour classer la qualité des gradients soumis par chaque participant et les récompenser en conséquence.

La couche d’inférence est celle où le modèle entraîné produit des résultats pour les utilisateurs finaux. Économiquement, l’inférence diffère de l’entraînement : elle est répétitive, sensible à la latence et plus facile à vérifier. Un utilisateur soumet une requête, un fournisseur d’inférence exécute le modèle sur son infrastructure, puis renvoie le résultat. La question centrale est alors : comment l’utilisateur sait-il que le fournisseur a bien exécuté le bon modèle, et non une version moins coûteuse ou dégradée ?

C’est là que les marchés d’inférence deviennent clés. Plusieurs fournisseurs se positionnent pour traiter une requête. Le gagnant exécute le modèle et renvoie un résultat accompagné d’une preuve cryptographique. D’autres fournisseurs peuvent contrôler ponctuellement les résultats via un mécanisme de contestation. Les fournisseurs malhonnêtes perdent leur collatéral mis en jeu. Les fournisseurs honnêtes perçoivent les frais. Cette structure de marché incite à l’exactitude sans imposer une vérification systématique par l’ensemble du réseau.

« Les marchés d’inférence s’inspirent de la mécanique des marchés de prédiction : les participants engagent de la valeur sur la justesse de leurs sorties, et les sorties incorrectes sont pénalisées par du slashing, le même mécanisme que celui utilisé pour sanctionner les validateurs défaillants dans les réseaux en proof-of-stake. »

Comment les preuves cryptographiques valident les sorties d’IA sans relancer le modèle

Le problème technique le plus épineux de l’IA décentralisée, c’est la vérification. Exécuter une fois un grand modèle de langage coûte cher. L’exécuter deux fois juste pour vérifier le premier résultat est économiquement intenable à grande échelle. Sans mécanisme de vérification, tout l’édifice d’incitations s’effondre : un fournisseur pourrait renvoyer une sortie simplement « plausible » et encaisser les frais.

Deux approches sont activement développées en 2026.

Les preuves zero-knowledge appliquées à l’inférence permettent à un fournisseur de générer une preuve mathématique attestant qu’un calcul donné a été exécuté correctement, sans révéler les poids du modèle ni imposer au vérificateur de relancer l’inférence. Le vérificateur ne fait que contrôler la preuve, opération bien moins coûteuse que sa génération. Des projets comme Modulus Labs et ZKML l’ont démontré sur des modèles de taille modeste, mais le surcoût de génération de preuves reste considérable pour les modèles de pointe (70 milliards de paramètres et plus) : la preuve d’une inférence peut prendre plusieurs minutes sur du hardware spécialisé, contre quelques millisecondes pour l’inférence elle-même.

L’exécution optimiste avec preuves de fraude adopte une autre stratégie, inspirée des rollups optimistes d’Ethereum (ETH). Les résultats sont considérés comme valides par défaut. N’importe quel acteur peut les contester pendant une fenêtre donnée en relançant le calcul sur un nœud de référence. Si le contestataire démontre que le résultat était erroné, le fournisseur initial perd sa mise et le contestataire est récompensé.

Cette approche est plus rapide dans le cas normal, où les fournisseurs se comportent honnêtement, mais elle introduit un délai avant la finalité des résultats.

La plupart des systèmes en production en 2026 optent pour un modèle hybride : exécution optimiste pour les requêtes courantes, assortie de contrôles aléatoires via des preuves zero-knowledge pour maintenir la discipline, sans assumer les coûts de vérification sur chaque requête. Le pourcentage de requêtes vérifiées par rapport aux requêtes non vérifiées est un paramètre de gouvernance que les détenteurs de jetons peuvent ajuster au fur et à mesure que le coût des preuves diminue.

Le rôle des jetons de gouvernance dans l’évolution des modèles

Les jetons de gouvernance d’un réseau d’IA décentralisée ne se limitent pas aux votes sur les mises à jour du protocole. Ils encadrent des choix qui affectent directement la valeur économique du modèle : quels jeux de données utiliser pour les futurs fine-tunings, quels filtres de sécurité appliquer, comment répartir les frais d’inférence, et dans quelles conditions les poids peuvent être rendus pleinement publics ou rester soumis à restriction.

Cela instaure une structure de pouvoir réellement différente de celle de l’IA fermée. Dans un modèle centralisé, ces décisions sont prises par un comité restreint d’actionnaires et de dirigeants. Dans un réseau décentralisé, elles reviennent – au moins en théorie – à l’ensemble de la communauté qui fournit données, calcul et capital. Dans un modèle centralisé, une équipe dédiée au sein de l’entreprise fixe les garde‑fous et définit le cadre de sûreté. Dans un réseau décentralisé, ce sont les détenteurs de tokens qui arbitrent ces choix, avec des intérêts parfois divergents.

Les contributeurs focalisés sur la performance brute du modèle peuvent voter contre des restrictions de sécurité qui dégraderaient les résultats sur certains cas d’usage. À l’inverse, ceux qui opèrent dans des juridictions très encadrées auront tendance à soutenir des filtres plus stricts pour rester dans les clous de la régulation.

La solution à laquelle convergent la plupart des réseaux est une gouvernance à deux niveaux. Un conseil central, élu par les détenteurs de tokens, traite les décisions urgentes en matière de sécurité, qui ne peuvent pas attendre un vote global. Les paramètres économiques de fond, comme la structure des frais ou le partage des revenus, sont, eux, soumis à l’ensemble des porteurs de tokens, avec un calendrier de délibération plus long. Ce schéma reprend celui de nombreux protocoles DeFi comme Aave et Compound, qui ont découvert à leurs dépens que des systèmes de gouvernance entièrement on‑chain et totalement « démocratiques » sont vulnérables à la faible participation et aux manipulations de dernière minute.

La gouvernance d’un modèle d’IA pose aussi un problème propre au secteur : ce que le modèle devient après ses mises à jour. Un contributeur qui a participé à l’entraînement initial détient des tokens censés refléter la valeur de ce modèle. Si un vote approuve une phase de fine‑tuning majeure qui modifie profondément son comportement, ces tokens représentent‑ils encore le même actif ? La plupart des protocoles répondent en frappant un nouveau token pour chaque version importante et en allouant aux détenteurs existants une part proportionnelle de cette nouvelle émission, à l’image des actionnaires qui reçoivent des titres dans une société issue d’une scission.

Also Read : https://yellow.com/news/bitcoin-63k-war-chatter

Contribution de données, confidentialité et casse‑tête de l’entraînement fédéré

L’une des questions de design clés pour tout réseau d’IA décentralisé est la suivante : comment faire participer les apporteurs de données sans compromettre la confidentialité ? Dossiers médicaux, données financières, échanges privés figurent parmi les jeux de données les plus précieux pour l’entraînement de modèles spécialisés. Mais les contributeurs ne peuvent pas simplement téléverser ces informations sur un réseau partagé sans créer de risques réglementaires et de confidentialité considérables.

L’apprentissage fédéré offre une réponse partielle. Au lieu d’envoyer les données brutes vers un nœud central, chaque contributeur entraîne localement une mise à jour du modèle sur ses propres données, puis ne transmet au réseau que le gradient, c’est‑à‑dire la direction dans laquelle les poids du modèle doivent évoluer. Le réseau agrège les gradients de nombreux contributeurs sans jamais voir les données sous‑jacentes. Le modèle progresse grâce à ces données privées, qui ne quittent jamais l’environnement du contributeur.

Dans ce schéma, la blockchain sert surtout à la coordination et au règlement financier. Des smart contracts consignent quels contributeurs ont soumis des gradients à chaque itération, évaluent la qualité et la pertinence de ces gradients via des fonctions d’évaluation on‑chain, puis distribuent les récompenses en conséquence. Ce problème d’évaluation est loin d’être trivial : un participant pourrait soumettre des gradients aléatoires et encaisser des tokens sans fournir de travail réel. Des protocoles comme FedML et le framework d’entraînement de Sentient recourent à des engagements cryptographiques et à des mécanismes de révélation différée pour contrer ce comportement, en obligeant les contributeurs à s’engager sur leur gradient avant de voir les soumissions des autres.

La confidentialité différentielle vient généralement se superposer à l’apprentissage fédéré pour apporter des garanties mathématiques formelles : il devient impossible de reconstruire des exemples individuels à partir des poids publiés du modèle. Le « budget de confidentialité », c’est‑à‑dire la quantité d’information que le modèle est autorisé à laisser filtrer sur chaque point de données, devient un paramètre de gouvernance à part entière, qui permet aux détenteurs de tokens d’arbitrer entre utilité du modèle et protection des contributeurs.

« L’apprentissage fédéré combiné à la confidentialité différentielle donne aux réseaux d’IA décentralisés une réponse crédible au problème de la protection des données. Le contributeur ne cède jamais ses données. Le réseau n’y a jamais accès. Et pourtant, le modèle en bénéficie. »

Also Read : https://yellow.com/news/gpt-56-beats-human-interns-openai

Qui profite réellement des réseaux d’IA décentralisés aujourd’hui ?

Comprendre la mécanique est une chose. Savoir qui a réellement intérêt à s’y intéresser en 2026 en est une autre. La technologie est déjà pertinente dans certains cas bien précis, et clairement inadaptée dans d’autres.

Les chercheurs indépendants en IA et contributeurs open source sont les premiers bénéficiaires évidents. Ils peuvent apporter de la puissance de calcul ou des jeux de données soigneusement sélectionnés à des modèles auxquels ils croient, obtenir une part de propriété prouvable, puis toucher une part récurrente des revenus générés par l’usage du modèle. L’alternative – contribuer à un modèle open source type dérivés de LLaMA – offre de la réputation, mais aucun retour économique direct lorsque le modèle est monétisé.

Les entreprises détenant des données propriétaires et soumises à de fortes exigences de conformité se tournent de plus en plus vers ces architectures d’entraînement fédéré. Un groupe hospitalier qui souhaite développer un modèle médical spécialisé ne peut pas légalement transmettre ses dossiers patients à un prestataire centralisé. Un réseau fédéré et décentralisé lui permet de contribuer à l’entraînement tout en conservant les données on‑premise. L’enregistrement on‑chain des droits de propriété crée une traçabilité complète qui satisfait les exigences des régulateurs.

Les protocoles DeFi et applications Web3 ont besoin d’inférences d’IA qui ne puissent pas être censurées ou coupées par un fournisseur d’API centralisé. Un marché de prédiction qui s’appuie sur l’IA pour traiter des données d’événements réels ne peut pas se permettre de voir son prestataire lui couper l’accès API en plein fonctionnement. Les marchés d’inférence décentralisés offrent redondance et résistance à la censure, là où les APIs centralisées sont, par construction, un point de défaillance unique.

Les investisseurs particuliers en tokens se trouvent dans une position plus ambiguë. Détenir un token de gouvernance donne des droits de vote et une exposition aux flux de frais, mais suppose de s’impliquer activement pour capter cette valeur. Les porteurs passifs qui ne votent pas se font diluer par les participants actifs qui, eux, arbitrent les décisions. La mécanique rappelle celle des tokens de gouvernance DeFi : le potentiel économique est réel, mais il n’est capturable qu’au prix d’une vraie participation.

Also Read : https://yellow.com/news/solana-etf-bitwise-filing

Le vrai compromis : performance versus vérifiabilité

Impossible de parler sérieusement d’IA décentralisée sans aborder ses limites actuelles. La tension centrale est structurelle : plus un calcul d’IA est vérifiable, plus il devient lent et coûteux.

Une API centralisée comme GPT‑5 d’OpenAI renvoie un résultat d’inférence en environ 500 millisecondes pour une requête standard. Une inférence intégralement vérifiée en zero‑knowledge sur un modèle de taille comparable nécessite, en 2026, entre 30 secondes et plusieurs minutes selon le matériel et le système de preuve. Pour des applications où la latence est critique – signaux de trading en temps réel, modération instantanée de contenus, chatbots interactifs – cet écart reste rédhibitoire.

L’exécution « optimiste » réduit ce fossé de manière significative. Avec l’inférence optimiste, la latence du premier résultat est quasiment identique à celle d’un service centralisé. La contrepartie est un délai de finalité : les applications doivent attendre la fin de la fenêtre de contestation avant de considérer le résultat comme définitivement acquis. Pour la majorité des usages Web3, quelques minutes de délai sont acceptables. Pour les applications en temps réel, ce ne l’est pas.

Du côté des coûts, la comparaison penche davantage en faveur du décentralisé. Les grands fournisseurs d’API centralisées facturent cher l’accès aux modèles de pointe, profitant d’un pouvoir de marché quasi monopolistique. Un marché d’inférence concurrentiel, où plusieurs opérateurs enchérissent pour exécuter les requêtes, pousse les prix vers le coût marginal. Les premières données issues de marchés d’inférence comme les offres de calcul IA du Réseau Akash indiquent qu’un accès à du GPU commoditisé via des places de marché décentralisées peut revenir 30 à 60 % moins cher que des APIs centralisées équivalentes, pour des modèles qui ne nécessitent pas le tout dernier cri en matière de capacités.

En résumé, les réseaux d’IA décentralisés sont déjà mûrs pour des applications tolérantes à la latence, sensibles à la confidentialité ou nécessitant une forte résistance à la censure. Ils restent en retrait pour les usages temps réel et les modèles de frontière technologique, où les meilleurs acteurs centralisés conservent un avantage durable. Les progrès attendus sur le matériel dédié à la génération de preuves et sur la recherche en zkML devraient continuer à réduire cet écart, sans pour autant l’effacer à court terme.

Also Read : https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin

Conclusion

Les réseaux d’IA décentralisés n’ont pas vocation à remplacer les fermes de GPU qui entraînent les modèles les plus avancés.

Ils construisent une couche économique et juridique au‑dessus du développement de l’IA, qui rend rationnelle la contribution volontaire, exécutoire la propriété ouverte, et traçable le partage des revenus d’inférence. La blockchain joue le rôle de registre de propriété et de couche de règlement, pas de supercalculateur.

L’envolée de Sentient en juillet 2026 traduit un marché qui commence à intégrer l’idée que l’IA ouverte a besoin d’un modèle économique crédible pour coexister avec des concurrents fermés, massivement financés. Les briques techniques – empreintes de modèles on‑chain, marchés d’inférence avec vérification cryptographique, entraînement fédéré assorti de confidentialité différentielle – ne relèvent plus du laboratoire. Elles tournent déjà en production, sur des réseaux qui rémunèrent leurs contributeurs aujourd’hui.