Il y a quelques jours, j’ai écrit un robot pour traiter des alertes de règlement sur la chaîne. La raison : je ne fais tout simplement pas confiance aux nœuds quant à leurs capacités de protection contre la falsification. J’ai donc spécialement fait un tour sur @OpenGradient , la plateforme dont tout le monde parlait comme si ça explosait. Je m’attendais à ce que cet ensemble de “IA vérifiable” me donne des réponses claires, mais après trois jours de tentatives et de bidouillages intensifs, je dois dire : l’idéal est très séduisant, mais le terrain est cruel. #OPG
Son architecture HACA, qui sépare le fait de “faire tourner un grand modèle” et la “vérification des résultats”, a l’air plutôt avancée. Mais dans la réalité de la gestion du risque financier, il n’y a tout simplement pas vraiment de choix. Le ZKML que je convoite le plus, lui, peut réellement empêcher la falsification par des moyens purement mathématiques. Sauf que générer une preuve prend souvent des dizaines de secondes. Pour une alerte de règlement où chaque seconde compte, c’est vouloir se faire tuer. Contraint par les circonstances, j’ai dû passer par une approche matérielle avec TEE. Mais ce matériel traîne un passif trop lourd : des mécanismes de séparation matérielle de type SGX ont déjà été mis à rude épreuve, percés et révélés via des vulnérabilités de canaux auxiliaires. Le système ne fait la vérification qu’a posteriori, comme “contrôler le billet d’entrée”, sans surveiller le “cahier des charges” de calcul pendant l’exécution. Autrement dit, on met la survie de l’activité entre les mains de la conscience du fournisseur chez le fabricant de puces. $OPG
Et si on regarde son écosystème d’infrastructure, il y a aussi beaucoup à reprocher. Ce Model Hub, présenté comme capable d’héberger plus de mille modèles, impose que l’inférence chain soit convertie en ONNX. C’est une torsion bien forcée : une telle conversion fait très facilement perdre certaines particularités des opérateurs en bord de modèle, ce qui dégrade directement la précision. Le pire, c’est que comme l’espace on-chain est cher, tout le corps du modèle est balancé hors chaîne dans un stockage Walrus ; sur la chaîne, on ne conserve qu’un maigre identifiant de référence. Du coup, la “preuve d’attribution” des données reste elle aussi déconnectée. Quant au plugin MemSync qui prétend améliorer de 243% le rappel de mémoire, je l’ai testé : en multi-plateformes, ça coupe souvent la connexion. Et l’officiel ne fournit pas non plus de base de comparaison. Ces chiffres opaques ne peuvent donc être pris que comme du marketing. $BTC
Soyons justes : la direction générale d’OpenGradient, qui découple l’exécution de la vérification, n’est absolument pas problématique. Mais, à l’heure actuelle, vu l’expérience d’ingénierie, ça ressemble davantage à un terrain d’essai auquel on a juste monté un cadre. Tant qu’on n’arrive pas à concilier parfaitement réactivité ultra-rapide et protection absolue contre la falsification, la “raisonnement vérifiable” qu’ils mettent en avant n’est encore qu’une idée cybernétique, loin d’être assez mature pour supporter des tests à haute fréquence avec de la vraie valeur économique en jeu. $ETH
Son architecture HACA, qui sépare le fait de “faire tourner un grand modèle” et la “vérification des résultats”, a l’air plutôt avancée. Mais dans la réalité de la gestion du risque financier, il n’y a tout simplement pas vraiment de choix. Le ZKML que je convoite le plus, lui, peut réellement empêcher la falsification par des moyens purement mathématiques. Sauf que générer une preuve prend souvent des dizaines de secondes. Pour une alerte de règlement où chaque seconde compte, c’est vouloir se faire tuer. Contraint par les circonstances, j’ai dû passer par une approche matérielle avec TEE. Mais ce matériel traîne un passif trop lourd : des mécanismes de séparation matérielle de type SGX ont déjà été mis à rude épreuve, percés et révélés via des vulnérabilités de canaux auxiliaires. Le système ne fait la vérification qu’a posteriori, comme “contrôler le billet d’entrée”, sans surveiller le “cahier des charges” de calcul pendant l’exécution. Autrement dit, on met la survie de l’activité entre les mains de la conscience du fournisseur chez le fabricant de puces. $OPG
Et si on regarde son écosystème d’infrastructure, il y a aussi beaucoup à reprocher. Ce Model Hub, présenté comme capable d’héberger plus de mille modèles, impose que l’inférence chain soit convertie en ONNX. C’est une torsion bien forcée : une telle conversion fait très facilement perdre certaines particularités des opérateurs en bord de modèle, ce qui dégrade directement la précision. Le pire, c’est que comme l’espace on-chain est cher, tout le corps du modèle est balancé hors chaîne dans un stockage Walrus ; sur la chaîne, on ne conserve qu’un maigre identifiant de référence. Du coup, la “preuve d’attribution” des données reste elle aussi déconnectée. Quant au plugin MemSync qui prétend améliorer de 243% le rappel de mémoire, je l’ai testé : en multi-plateformes, ça coupe souvent la connexion. Et l’officiel ne fournit pas non plus de base de comparaison. Ces chiffres opaques ne peuvent donc être pris que comme du marketing. $BTC
Soyons justes : la direction générale d’OpenGradient, qui découple l’exécution de la vérification, n’est absolument pas problématique. Mais, à l’heure actuelle, vu l’expérience d’ingénierie, ça ressemble davantage à un terrain d’essai auquel on a juste monté un cadre. Tant qu’on n’arrive pas à concilier parfaitement réactivité ultra-rapide et protection absolue contre la falsification, la “raisonnement vérifiable” qu’ils mettent en avant n’est encore qu’une idée cybernétique, loin d’être assez mature pour supporter des tests à haute fréquence avec de la vraie valeur économique en jeu. $ETH