#opg $OPG #OpenGradient $BTC Ces derniers temps, les gens qui parlent d’OpenGradient ont surtout tendance à calculer combien de modèles il y a sur le Model Hub, et quelle est la capitalisation “en circulation” après le TGE. Mais plus j’y pense, moins je vois le lien entre ces chiffres et la valeur réelle du projet.
Ce qui mérite vraiment d’être creusé, c’est le pieu qu’il plante dans la couche de décision des agents.
Dans le milieu crypto, on crie “Agent” depuis un an : l’histoire est à chaque fois plus sexy que la précédente. Mais si l’on démonte quelques architectures dominantes, on constate que le raisonnement essentiel se fait presque entièrement hors chaîne. On monte un service sur AWS, on appelle une API, et à la fin on envoie une signature sur la blockchain. L’utilisateur autorise des fonds à une “boîte noire” : le processus de réflexion—quels modèles ont été utilisés, si les prompts ont été falsifiés—est totalement impossible à auditer. C’est comme confier la clé privée à un serveur centralisé.
L’architecture HACA d’OPG, elle, ne cherche pas à créer une autre API de modèle plus rapide : elle soude, grâce à des nœuds TEE, l’inférence GPU et les preuves cryptographiques. Chaque décision d’un agent, de l’entrée à la sortie, peut être retraçée et vérifiée. Autrement dit, elle crée une “couche de décision vérifiable” pour l’économie de l’IA sur la chaîne.
C’est aussi pour ça qu’ils s’acharnent sur la couche de règlement du Base chain : la logique est là. La latence de l’inférence est importante, mais encore plus essentiel : les preuves doivent pouvoir être vérifiées en temps réel par des smart contracts. Si l’agent exécute une grosse opération de swap pour l’utilisateur, mais qu’après coup on ne peut même pas retrouver la trajectoire de décision, alors le soi-disant “intelligent” n’est qu’un intermédiaire non digne de confiance.
Si cette partie aboutit, l’avantage concurrentiel d’OpenGradient ne vient ni du nombre de modèles, ni des subventions : il vient du fait qu’à puissance de calcul équivalente, seules ses sorties peuvent être dignes de confiance sur la chaîne. Plus la complexité des agents augmente et plus la taille du capital géré est grande, plus le besoin d’inférence vérifiable devient impératif. Une fois cette roue lancée, on ne peut pas la rattraper en brûlant de l’argent.
Mais pour l’instant, je ne peux pas encore conclure que ça fonctionne. Le raisonnement en texte simple s’y prête bien dans un environnement TEE, mais dans le cas de grands modèles multimodaux et d’appels à haute concurrence, les coûts de calcul pour générer les preuves ne vont-ils pas exploser ? Le coût de la vérification on-chain sera-t-il maîtrisable en cas de charge extrême ? Le réseau des nœuds TEE pourra-t-il résister aux attaques de type Sybil ? Tout cela n’a pas fait l’objet de tests de pression suffisamment poussés.
Les projets qui valent qu’on continue à surveiller ne sont pas seulement ceux dont l’histoire IA est bien racontée : c’est parce que la chose qu’ils cherchent à faire peut, si elle aboutit, changer l’infrastructure de confiance de l’économie intelligente sur la chaîne.
Ce qui mérite vraiment d’être creusé, c’est le pieu qu’il plante dans la couche de décision des agents.
Dans le milieu crypto, on crie “Agent” depuis un an : l’histoire est à chaque fois plus sexy que la précédente. Mais si l’on démonte quelques architectures dominantes, on constate que le raisonnement essentiel se fait presque entièrement hors chaîne. On monte un service sur AWS, on appelle une API, et à la fin on envoie une signature sur la blockchain. L’utilisateur autorise des fonds à une “boîte noire” : le processus de réflexion—quels modèles ont été utilisés, si les prompts ont été falsifiés—est totalement impossible à auditer. C’est comme confier la clé privée à un serveur centralisé.
L’architecture HACA d’OPG, elle, ne cherche pas à créer une autre API de modèle plus rapide : elle soude, grâce à des nœuds TEE, l’inférence GPU et les preuves cryptographiques. Chaque décision d’un agent, de l’entrée à la sortie, peut être retraçée et vérifiée. Autrement dit, elle crée une “couche de décision vérifiable” pour l’économie de l’IA sur la chaîne.
C’est aussi pour ça qu’ils s’acharnent sur la couche de règlement du Base chain : la logique est là. La latence de l’inférence est importante, mais encore plus essentiel : les preuves doivent pouvoir être vérifiées en temps réel par des smart contracts. Si l’agent exécute une grosse opération de swap pour l’utilisateur, mais qu’après coup on ne peut même pas retrouver la trajectoire de décision, alors le soi-disant “intelligent” n’est qu’un intermédiaire non digne de confiance.
Si cette partie aboutit, l’avantage concurrentiel d’OpenGradient ne vient ni du nombre de modèles, ni des subventions : il vient du fait qu’à puissance de calcul équivalente, seules ses sorties peuvent être dignes de confiance sur la chaîne. Plus la complexité des agents augmente et plus la taille du capital géré est grande, plus le besoin d’inférence vérifiable devient impératif. Une fois cette roue lancée, on ne peut pas la rattraper en brûlant de l’argent.
Mais pour l’instant, je ne peux pas encore conclure que ça fonctionne. Le raisonnement en texte simple s’y prête bien dans un environnement TEE, mais dans le cas de grands modèles multimodaux et d’appels à haute concurrence, les coûts de calcul pour générer les preuves ne vont-ils pas exploser ? Le coût de la vérification on-chain sera-t-il maîtrisable en cas de charge extrême ? Le réseau des nœuds TEE pourra-t-il résister aux attaques de type Sybil ? Tout cela n’a pas fait l’objet de tests de pression suffisamment poussés.
Les projets qui valent qu’on continue à surveiller ne sont pas seulement ceux dont l’histoire IA est bien racontée : c’est parce que la chose qu’ils cherchent à faire peut, si elle aboutit, changer l’infrastructure de confiance de l’économie intelligente sur la chaîne.