Yellow.com

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

Sentient (SENT), lancé en 2026, s’est positionné comme un défi frontal à ce modèle. Le projet construit une plateforme d’IA ouverte où les contributeurs détiennent une part prouvable des modèles qu’ils aident à créer. Son token a bondi d’environ 26 % en une seule journée en juillet 2026, signe que le marché suit de très près la thématique de l’IA décentralisée.

Mais Sentient est loin d’être seul. Une nouvelle génération de protocoles exploite la blockchain pour garantir une propriété ouverte des modèles, coordonner un entraînement distribué et opérer des marchés d’inférence où chacun peut apporter de la puissance de calcul et être rémunéré. Comprendre, dans le détail, comment ces réseaux fonctionnent – en termes d’incitations, de cryptographie et de règlement on-chain – est le meilleur moyen de distinguer une véritable infrastructure du simple battage médiatique.

À retenir

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

Entraînement et inférence sont séparés en couches distinctes ; les contributeurs sont rémunérés pour le calcul et les données à chaque étape, avec une traçabilité on-chain.

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

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

Le compromis clé oppose performance et vérifiabilité : une inférence totalement on-chain reste plus lente et plus coûteuse que via des API centralisées, mais l’écart se réduit rapidement.

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

Tous les grands modèles d’IA sont entraînés sur des données qui viennent de quelque part. Utilisateurs, chercheurs et communautés open source produisent les textes, le code et les images sur lesquels les modèles apprennent. Dans le cadre centralisé actuel, ces contributeurs ne reçoivent rien. L’entreprise qui entraîne le modèle capte l’intégralité de la valeur.

Ce schéma crée un problème cumulatif. Les meilleurs contributeurs cessent de partager leurs données ouvertement lorsqu’ils réalisent qu’elles sont captées sans contrepartie.

Les modèles finissent alors par dépendre uniquement des données que l’entreprise peut acquérir légalement, souvent en aspirant le Web ouvert selon des conditions d’utilisation contestées devant les tribunaux. La chaîne d’entraînement devient extractive plutôt que collaborative.

Les réseaux d’IA décentralisée proposent un autre contrat. Les contributeurs sont enregistrés on-chain avant le début de l’entraînement. Leurs apports en données et en puissance de calcul sont consignés comme des entrées vérifiables. Des smart contracts redistribuent les revenus générés par l’usage du modèle vers ces contributeurs, selon des règles fixées avant que le moindre GPU n’ait été mobilisé.

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

À lire aussi : https://yellow.com/agentic-trading

Comment fonctionne concrètement la propriété on-chain des modèles

Dans un réseau d’IA décentralisée, la propriété d’un modèle ne se réduit pas à posséder un fichier. Un modèle entraîné, ce sont des poids numériques – souvent des milliards de nombres flottants – répartis sur des nœuds distribués. « Posséder un modèle » signifie détenir une créance prouvable et exécutoire sur une part des revenus qu’il génère, assortie de droits de gouvernance sur son évolution.

Le mécanisme passe par un événement de « mint » lié au premier cycle d’entraînement du modèle. Lorsqu’un modèle est déployé, le réseau émet une offre fixe de tokens de propriété représentant ce modèle précis. Les contributeurs qui ont fourni des données, du calcul ou du code pendant l’entraînement reçoivent une allocation proportionnelle de ces tokens.

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

À chaque fois qu’un utilisateur paie pour exécuter une inférence – obtenir une prédiction, un texte généré ou un embedding –, les frais sont partagés entre le fournisseur d’infrastructure qui exécute l’inférence et les détenteurs des tokens de propriété. Ce ratio de partage est défini par la gouvernance. Si un modèle devient massivement utilisé, les premiers contributeurs continuent donc de percevoir des revenus sans effort supplémentaire, sur un schéma proche de redevances.

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

Cela permet de détecter si quelqu’un copie les poids du modèle pour exécuter des inférences sans payer les frais de propriété – une forme de piraterie triviale avec des poids fermés mais difficile à prouver. L’empreinte crée une piste d’audit on-chain qui facilite l’exécution des droits à revenus, même lorsque les poids sont techniquement ouverts.

Deux couches clés : entraînement distribué et marchés d’inférence

Les réseaux d’IA décentralisée décomposent le cycle de vie d’un modèle en deux couches économiques distinctes. Il est crucial de les distinguer, car 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 l’exécute sur son propre hardware. Dans un réseau décentralisé, l’entraînement est réparti entre de nombreux contributeurs, chacun prenant en charge une partie du calcul.

Le défi est la coordination : tous les participants doivent s’accorder sur l’état du modèle à chaque étape, ce qui impose un mécanisme de consensus adapté aux mises à jour de gradients plutôt qu’aux seules transactions financières. Des projets comme Bittensor et Gensyn ont bâti des protocoles spécialisés, qui s’appuient sur un scoring on-chain pour classer la qualité de chaque contribution de gradient et rémunérer en conséquence.

La couche d’inférence est celle où le modèle entraîné produit des réponses pour les utilisateurs finaux. Économiquement, l’inférence diffère de l’entraînement : elle est répétitive, sensible à la latence et plus simple à vérifier. Un utilisateur soumet une requête, un fournisseur d’inférence exécute le modèle sur son infrastructure, puis renvoie le résultat. La question clé est alors : comment l’utilisateur peut-il savoir que le fournisseur a bien utilisé le modèle prévu, et non une version plus légère et moins coûteuse ?

C’est là que les marchés d’inférence deviennent intéressants. Plusieurs fournisseurs se mettent en concurrence pour servir une requête. Le gagnant exécute le modèle, renvoie un résultat assorti d’une preuve cryptographique, et les autres peuvent auditer le résultat via un mécanisme de challenge. Les fournisseurs malhonnêtes perdent leur collatéral en staking. Les honnêtes perçoivent les frais. Cette architecture de marché aligne les incitations sur l’exactitude, sans imposer à tout le réseau de vérifier chaque réponse.

« Les marchés d’inférence reprennent la logique économique des marchés de prédiction : les participants engagent du capital sur l’exactitude de leurs sorties, et les erreurs sont sanctionnées par du slashing, le même mécanisme que celui utilisé pour punir les validateurs défaillants dans les réseaux en proof-of-stake. »

Comment les preuves cryptographiques valident l’IA sans relancer le modèle

Le problème technique le plus critique pour l’IA décentralisée est la vérification. Exécuter une fois un grand modèle de langage coûte déjà cher. Le lancer une deuxième fois pour valider la première sortie est économiquement intenable à grande échelle. Or, sans mécanisme de contrôle, tout le système d’incitations s’effondre : un fournisseur pourrait renvoyer n’importe quel texte « plausible » et empocher les frais.

Deux approches principales sont activement développées en 2026.

Les preuves zero-knowledge appliquées à l’inférence permettent à un fournisseur de générer une preuve mathématique qu’un calcul spécifique a bien été exécuté correctement, sans révéler les poids du modèle ni exiger du vérificateur qu’il relance l’inférence. Le vérificateur contrôle la preuve, une opération bien moins coûteuse que sa génération. Des projets comme Modulus Labs et ZKML l’ont démontré sur des modèles modestes, mais la surcharge de calcul reste massive pour les modèles de pointe (70 milliards de paramètres et plus). Une seule preuve d’inférence sur un grand modèle 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 stratégie différente, inspirée des rollups optimistes d’Ethereum (ETH). Par défaut, les résultats sont considérés comme valides. N’importe quel acteur peut les contester pendant une fenêtre définie, en relançant le calcul sur un nœud de référence. S’il démontre que le résultat était faux, le fournisseur initial perd sa mise et le challenger est récompensé.

Cette approche est plus rapide dans le cas courant – lorsque les fournisseurs sont honnêtes – mais introduit un délai avant que les résultats ne soient considérés comme définitifs.

La plupart des systèmes en production en 2026 adoptent un modèle hybride : exécution optimiste pour les requêtes courantes, assortie de contrôles zero-knowledge aléatoires pour maintenir la discipline sans supporter le coût de vérification sur chaque requête. Le ratio de requêtes contrôlées est un paramètre de gouvernance, ajusté par les détenteurs de tokens à mesure que le coût de génération des preuves diminue.

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

Dans un réseau d’IA décentralisée, les tokens de gouvernance ne servent pas qu’à voter sur des mises à jour de protocole. Ils déterminent des choix qui affectent directement la valeur économique du modèle : quels jeux de données peuvent être utilisés pour de futurs fine-tuning, quels filtres de sûreté s’appliquent, comment se répartissent les frais d’inférence, et si les poids du modèle peuvent être rendus entièrement publics ou doivent rester restreints.

Ce schéma redistribue réellement le pouvoir par rapport à l’IA fermée. Dans un modèle centralisé, une équipe de « safety » interne à l’entreprise tranche ces questions stratégiques, souvent sans transparence pour les utilisateurs, les développeurs ou les contributeurs de données. Dans un réseau d’IA décentralisée, ces arbitrages migrent vers un cadre de gouvernance on-chain où les détenteurs de tokens – souvent les mêmes acteurs qui ont fourni données, calcul et recherche – disposent d’une voix directe sur la trajectoire du modèle. Quels garde-fous mettre en place ? Dans un réseau décentralisé, ces décisions relèvent des détenteurs de tokens, dont les intérêts peuvent diverger.

Les contributeurs focalisés sur la maximisation des performances du modèle peuvent s’opposer à des contraintes de sûreté qui dégradent les résultats sur certains usages. À l’inverse, ceux qui privilégient la conformité réglementaire dans leur juridiction auront tendance à soutenir des filtres plus stricts.

La plupart des réseaux ont, dans la pratique, convergé vers une gouvernance à deux niveaux. Un conseil central, élu par les détenteurs de tokens, traite les décisions urgentes liées à la sécurité, qui ne peuvent pas attendre un vote de gouvernance complet. Les paramètres économiques de fond, comme la structure des frais ou le partage des revenus, sont soumis à un vote généralisé avec une fenêtre de délibération plus longue. Ce schéma reflète celui de nombreux protocoles DeFi comme Aave et Compound, qui ont découvert qu’une gouvernance totalement on-chain et totalement démocratique reste vulnérable aux attaques par faible participation et aux manipulations de dernière minute.

La gouvernance des modèles introduit en outre un problème propre à l’IA : la question de ce que le modèle devient après mise à jour. Un contributeur qui a participé à l’entraînement initial détient des tokens qui représentent la valeur de ce modèle. Si un vote de gouvernance approuve un fine-tuning majeur qui modifie substantiellement le comportement du modèle, ces tokens représentent-ils toujours le même actif ? La plupart des protocoles répondent en émettant un nouveau token pour chaque grande version et en allouant aux détenteurs existants une part proportionnelle dans cette nouvelle version, à la manière d’actionnaires qui reçoivent des titres dans une filiale scindée.

Contribution de données, vie privée et le défi de l’entraînement fédéré

L’une des questions de design les plus cruciales pour tout réseau d’IA décentralisé consiste à savoir comment les apporteurs de données peuvent participer sans exposer d’informations sensibles. Dossiers médicaux, données financières, communications personnelles font partie des inputs les plus précieux pour entraîner des modèles spécialisés. Mais il est évidemment exclu pour les contributeurs de déposer ces données brutes sur un réseau partagé, sous peine de risques majeurs en matière de confidentialité et de conformité.

Le federated learning (apprentissage fédéré) apporte une réponse partielle. Plutôt que d’envoyer les données brutes vers un nœud central, chaque contributeur entraîne localement une mise à jour du modèle sur ses propres données et ne transmet au réseau que le gradient, c’est‑à‑dire la direction mathématique 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, sans que celles‑ci ne quittent jamais l’environnement contrôlé du contributeur.

La blockchain intervient surtout comme couche de coordination et de règlement. Des smart contracts consignent quels contributeurs ont soumis des gradients à chaque round d’entraînement, évaluent la qualité et l’utilité de chaque gradient via des fonctions d’évaluation on-chain, puis distribuent les récompenses en conséquence. Ce problème d’évaluation est loin d’être trivial : un contributeur pourrait très bien envoyer des gradients aléatoires et encaisser des récompenses sans travail honnête. Des protocoles comme FedML ou le framework d’entraînement de Sentient recourent à des engagements cryptographiques et à des mécanismes de révélation différée pour contrer ces comportements, en exigeant des contributeurs qu’ils s’engagent sur leur gradient avant de voir les soumissions des autres.

On superpose généralement la privacy différentielle à l’apprentissage fédéré pour garantir, de façon formellement démontrable, qu’aucun exemple individuel ne puisse être reconstitué à partir des poids publiés du modèle. Le « budget de confidentialité », autrement dit la quantité d’information que le modèle est autorisé à laisser fuiter sur chaque point de données, devient un paramètre de gouvernance : les détenteurs de tokens arbitrent entre utilité du modèle et niveau de protection accordé aux contributeurs de données.

« L’apprentissage fédéré combiné à la privacy différentielle donne aux réseaux d’IA décentralisés une réponse crédible au problème de confidentialité des données. Le contributeur ne cède jamais ses données. Le réseau ne les voit jamais. Et pourtant le modèle s’améliore grâce à elles. »

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

Comprendre la mécanique est une chose. Savoir à qui cela importe vraiment en 2026 en est une autre. La technologie est déjà réellement utile dans certains contextes précis, et objectivement inadaptée dans d’autres.

Les chercheurs indépendants en IA et contributeurs open source sont les premiers gagnants. Ils peuvent apporter du calcul d’entraînement ou des jeux de données soigneusement curés à des modèles auxquels ils croient, obtenir un droit de propriété traçable et percevoir 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 lorsque le modèle est monétisé.

Les entreprises disposant de données propriétaires et de fortes contraintes de conformité s’intéressent de plus en plus aux schémas d’entraînement fédéré. Un groupe hospitalier qui souhaite un modèle médical spécialisé ne peut pas partager les dossiers patients avec un fournisseur centralisé. Un réseau fédéré et décentralisé lui permet de contribuer à l’entraînement tout en gardant ses données on‑premise. L’historique de propriété et de contributions inscrit on-chain constitue une piste d’audit compatible avec les exigences réglementaires.

Les protocoles DeFi et les applications Web3 ont besoin d’une inférence IA ni censurable ni dépendante d’un point de défaillance unique. 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 fournisseur d’API couper l’accès en pleine opération. Les marchés d’inférence décentralisés offrent une redondance et une résistance à la censure qu’une API centralisée ne pourra, par construction, jamais égaler.

Pour les détenteurs de tokens de détail, la situation est plus ambiguë. Posséder un token de gouvernance donne des droits de vote et une exposition aux flux de frais, mais suppose une participation active pour capturer cette valeur. Les porteurs passifs qui ne votent pas se voient dilués au profit des participants actifs. La dynamique rappelle celle des tokens de gouvernance DeFi : le potentiel de rendement existe, mais il n’est pas automatique, il nécessite un engagement réel.

Le véritable arbitrage entre performance et vérifiabilité

Impossible de traiter sérieusement de l’IA décentralisée sans rappeler où la technologie reste en retrait. La tension de fond 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, prend en 2026 entre 30 secondes et plusieurs minutes, selon le hardware et le système de preuve utilisé. Pour les applications où la latence est critique – signaux de trading en direct, modération temps réel, chatbots interactifs – cet écart reste rédhibitoire.

L’exécution « optimiste » réduit sensiblement ce fossé. Avec l’inférence optimiste, la latence de la réponse initiale est quasiment identique à celle d’un service centralisé. Le coût, c’est un délai de finalité : les applications doivent attendre la fin de la fenêtre de contestation avant de considérer un résultat comme définitivement acquis. Pour la plupart des cas d’usage Web3, un délai de quelques minutes est acceptable. Pour le temps réel strict, il ne l’est pas.

Sur le terrain des coûts, le tableau est plus favorable. Les fournisseurs d’API centralisées facturent cher l’accès aux modèles de pointe, en situation de quasi‑monopole. Un marché concurrentiel de l’inférence, où plusieurs opérateurs enchérissent pour exécuter la requête, pousse les prix vers le coût marginal. Les premiers retours de marchés d’inférence comme les offres de calcul IA d’Akash Network montrent que des GPU commoditisés, accessibles via des places de marché décentralisées, peuvent fonctionner 30 à 60 % moins cher que les API centralisées équivalentes, dès lors qu’on ne vise pas l’absolu cutting edge en matière de capacités.

En résumé, les réseaux d’IA décentralisés sont déjà prêts pour la production dans les cas d’usage tolérant la latence, sensibles à la confidentialité ou nécessitant une forte résistance à la censure. Ils restent en retrait pour les applications temps réel et les modèles de tout premier rang, où les meilleurs acteurs centralisés conservent un avantage durable. La trajectoire du hardware dédié à la génération de preuves et les avancées en zkML laissent penser que cet écart va continuer de se réduire, sans pour autant disparaître à court terme.

Conclusion

Les réseaux d’IA décentralisés ne cherchent pas à remplacer les fermes de GPU qui entraînent les modèles de frontière technologique.

Ils visent à bâtir une couche économique et juridique au‑dessus du développement de l’IA, qui rende rationnelle la contribution volontaire, opposable 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 celui 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 surfinancés. Les briques techniques – empreintes de modèles on-chain, marchés d’inférence avec vérification cryptographique, entraînement fédéré assorti de privacy différentielle – ne sont plus théoriques. Elles tournent en production sur des réseaux qui rémunèrent déjà leurs contributeurs.

L’IA décentralisée redistribue le pouvoir sur les modèles au cœur du Web3