#opg $OPG Tu veux que 100 nœuds de validation fassent chacun tourner un grand modèle ? T’as pas un grain, là ?
Les blockchains “traditionnelles”, elles, font ça : chaque nœud relance chaque transaction. Pour le transfert, ça va. Mais avec l’IA, ça s’arrête net. Un LLM de 70B de paramètres : une seule inférence, et il faut déjà faire tourner le GPU pendant une demi-journée. Si 100 nœuds relancent tous, c’est 100 fois de calcul gaspillé, et en plus les résultats ne sont pas identiques : l’IA est par nature non déterministe. Si tu augmentes la température, la sortie change à chaque fois. Cette logique ne peut tout simplement pas fonctionner.
OpenGradient a changé complètement la manière de faire : exécution et vérification sont totalement séparées.
Dans le réseau, trois catégories d’acteurs, chacun fait son travail. Les nœuds d’inférence sont chargés d’exécuter le modèle, puis de générer une preuve : soit avec un matériel TEE qui atteste que le code d’exécution du modèle n’a pas été altéré ; soit avec des preuves mathématiques ZKML qui prouvent que le modèle a bien produit le résultat correspondant, sans qu’on puisse voir ni les poids, ni les entrées, tout au long du processus. Les nœuds complets ne font que vérifier la validité de la preuve, en quelques millisecondes : que ton calcul au niveau inférieur ait duré 50 ms ou 5 secondes ne change rien. Les nœuds de données récupèrent des informations externes dans un TEE, pour empêcher l’interception et la falsification.
OPG est la pierre angulaire de ce réseau. Un total de 1 milliard : pas un de plus. Les utilisateurs dépensent des OPG pour régler les modèles ; les nœuds d’inférence et de validation gagnent des OPG en effectuant l’inférence $OPG et la validation. Les nœuds doivent mettre en garantie des OPG pour entrer dans le système : toute tentative de triche est sanctionnée et les OPG sont confisqués. Les développeurs publient leurs modèles sur le Model Hub : même quand d’autres appellent ces modèles, ils peuvent aussi toucher des OPG. Dans la boucle, chaque action consomme ou verrouille des OPG : voilà le soutien “costaud” de la logique de tarification.
Au 2026 avril, au moment du déploiement du mainnet, le réseau a déjà hébergé plus de 4400 modèles, traité plus de 2 millions d’inférences vérifiables, généré plus de 500 000 preuves cryptographiques, et compte plus de 260 000 portefeuilles indépendants. a16z crypto et Coinbase Ventures ont investi 9,5 millions de dollars. Le 15 juin, ça vient juste d’être listé sur Upbit.
Cette architecture transforme l’IA d’une “boîte noire où on te croit sur parole” en un calcul transparent “qu’on peut vérifier à tout moment”. Chaque inférence est auditée, sans avoir besoin de faire confiance à une seule entité d’exploitation. La couche de vérification ne touche pas tes données originales : confidentialité et confiance sont garanties en même temps.
Allez plutôt fouiller les données de leur testnet par vous-mêmes. Ne vous contentez pas d’écouter les autres vanter le truc.
@OpenGradient
Les blockchains “traditionnelles”, elles, font ça : chaque nœud relance chaque transaction. Pour le transfert, ça va. Mais avec l’IA, ça s’arrête net. Un LLM de 70B de paramètres : une seule inférence, et il faut déjà faire tourner le GPU pendant une demi-journée. Si 100 nœuds relancent tous, c’est 100 fois de calcul gaspillé, et en plus les résultats ne sont pas identiques : l’IA est par nature non déterministe. Si tu augmentes la température, la sortie change à chaque fois. Cette logique ne peut tout simplement pas fonctionner.
OpenGradient a changé complètement la manière de faire : exécution et vérification sont totalement séparées.
Dans le réseau, trois catégories d’acteurs, chacun fait son travail. Les nœuds d’inférence sont chargés d’exécuter le modèle, puis de générer une preuve : soit avec un matériel TEE qui atteste que le code d’exécution du modèle n’a pas été altéré ; soit avec des preuves mathématiques ZKML qui prouvent que le modèle a bien produit le résultat correspondant, sans qu’on puisse voir ni les poids, ni les entrées, tout au long du processus. Les nœuds complets ne font que vérifier la validité de la preuve, en quelques millisecondes : que ton calcul au niveau inférieur ait duré 50 ms ou 5 secondes ne change rien. Les nœuds de données récupèrent des informations externes dans un TEE, pour empêcher l’interception et la falsification.
OPG est la pierre angulaire de ce réseau. Un total de 1 milliard : pas un de plus. Les utilisateurs dépensent des OPG pour régler les modèles ; les nœuds d’inférence et de validation gagnent des OPG en effectuant l’inférence $OPG et la validation. Les nœuds doivent mettre en garantie des OPG pour entrer dans le système : toute tentative de triche est sanctionnée et les OPG sont confisqués. Les développeurs publient leurs modèles sur le Model Hub : même quand d’autres appellent ces modèles, ils peuvent aussi toucher des OPG. Dans la boucle, chaque action consomme ou verrouille des OPG : voilà le soutien “costaud” de la logique de tarification.
Au 2026 avril, au moment du déploiement du mainnet, le réseau a déjà hébergé plus de 4400 modèles, traité plus de 2 millions d’inférences vérifiables, généré plus de 500 000 preuves cryptographiques, et compte plus de 260 000 portefeuilles indépendants. a16z crypto et Coinbase Ventures ont investi 9,5 millions de dollars. Le 15 juin, ça vient juste d’être listé sur Upbit.
Cette architecture transforme l’IA d’une “boîte noire où on te croit sur parole” en un calcul transparent “qu’on peut vérifier à tout moment”. Chaque inférence est auditée, sans avoir besoin de faire confiance à une seule entité d’exploitation. La couche de vérification ne touche pas tes données originales : confidentialité et confiance sont garanties en même temps.
Allez plutôt fouiller les données de leur testnet par vous-mêmes. Ne vous contentez pas d’écouter les autres vanter le truc.
@OpenGradient