Courir l’IA sur la chaîne, ça fait longtemps que j’entends parler de ce sujet et ça me fronce les sourcils : la plupart des projets ne sont que des démonstrations et des effets d’annonce, jusqu’à ce que j’aie décortiqué la HACA de @OpenGradient ; là, pour la première fois, j’ai senti que cette voie pouvait vraiment fonctionner.
Le plus dur n’est pas compliqué. L’inférence consomme des GPU, l’Agent doit aller chercher des données par-delà les chaînes, la statistique exige des calculs longs en régime stable : on oblige un nœud à tout faire. Ce n’est soit trop lent pour être utilisable, soit trop cher pour être regardé. La majorité des projets sur le marché restent bloqués à cette étape : en test, trois requêtes d’inférence suffisent à faire s’effondrer le nœud.
Prenons une analogie “interdisciplinaire”. C’est la même logique que des services distincts dans un hôpital sérieux. L’hôpital ne laisserait pas un médecin généraliste faire un pontage cardiaque, ni un chef de service de chirurgie ausculter un simple rhume. Aux urgences, en imagerie, au bloc opératoire, à la pharmacie : chacun fait sa partie, et on coordonne. La HACA suit exactement cette approche : les Full Nodes, comme The Judge, valident et rendent une décision ; les Inference Nodes exécutent l’inférence IA ; il y a aussi des rôles dédiés à l’inférence d’Agent et à l’analyse statistique, puis en aval on branche le GPU décentralisé et des accélérateurs spécialisés comme socle de puissance de calcul. Pour chaque tâche, on confie à des nœuds les plus adaptés : ainsi, la chaîne ne se retrouve pas bloquée par une seule requête d’inférence.
$HEI
Jusqu’ici, je pensais que la répartition hétérogène n’était qu’une optimisation d’ingénierie. En la poussant à l’extrême, j’ai réalisé que c’est la clé permettant à l’IA on-chain de passer à l’échelle. Web2 a depuis longtemps des clusters hétérogènes : les GPU pour l’inférence, les CPU pour la statistique, chacun fait son travail ; sur la chaîne, on force toujours l’IA dans un environnement universel de type EVM, ce qui revient à demander à des généralistes de faire des opérations toute la nuit. Ce n’est pas impossible, mais ce ne sera ni à grande échelle ni durable. La HACA transforme pour la première fois la puissance de calcul on-chain en un système de rôles clairement définis : plus de 4500 modèles, plus de 2 millions de fois d’inférences vérifiables, et aucun effondrement.
Je ne suis pas en train de lui trouver le rôle “tout-en-un” à sa place. Le coût de l’architecture hétérogène, c’est l’augmentation de la complexité de coordination : dès qu’un maillon déraille — synchronisation des nœuds, incitations, pénalisation de la malveillance — toute la répartition se retourne contre les performances. À l’étape du testnet, la courbe d’incitation est encore en ajustement ; au début, les développeurs doivent gérer la dérive des versions. La stabilité du GPU décentralisé reste aussi une inconnue.
$BTW
Les choses que je veux vérifier sont aussi très pragmatiques. Je veux voir, après le lancement sur le mainnet de $OPG , la répartition des différents types de nœuds HACA ; je veux aussi voir la latence end-to-end lorsque une tâche complexe d’Agent boucle tout son cycle ; et je veux enfin voir comment l’on enregistre on-chain le fait qu’un nœud malveillant soit réellement repéré et que The Judge lui retire des droits. Tant que je n’ai pas vu ces éléments, je préfère décortiquer l’IA on-chain tranquillement, sans me presser à crier au génie.
#opg