Il y a quelques jours, un pote m'a demandé, il m'a dit qu'il avait uploadé des centaines de données de l'industrie sur une plateforme, et que la plateforme les avait utilisées pour entraîner un modèle sans rien lui donner en retour. Je lui ai dit que c'était normal, presque toutes les entreprises d'IA font ça, c'est juste que les gens réalisent pas à quel point c'est absurde.
Réfléchis un peu, YouTube fonctionnait aussi comme ça à l'époque. Les créateurs uploadent des vidéos, la plateforme utilise ton contenu pour attirer des utilisateurs et vendre de la pub, et toi, tu ne touches rien. Plus tard, YouTube a mis en place un système de partage des revenus, et l'écosystème a pu se développer. Mais du côté de l'IA, la répartition des revenus pour les contributeurs de données est toujours un grand flou. Ce qu'Openledger essaie de faire, c'est de colmater cette faille au niveau du protocole.
Je sais que le terme 'blockchain + IA' est devenu un slogan usé, et que beaucoup de projets utilisent ce récit pour créer du buzz. Mais je pense que l'approche d'OpenLedger mérite d'être examinée sérieusement, car ils ne travaillent pas sur la couche de calcul, ni sur la couche de stockage. Ils s'attaquent à un problème en amont : d'où viennent les données, qui les utilise, combien ont été utilisées, qui en fait le suivi.
Il y a un détail à mentionner concernant l'équipe fondatrice. Le fondateur Pryce Yebesi a déjà réalisé une sortie à l'âge de 24 ans en vendant sa société de paiements cryptographiques, Utopia Labs, à Coinbase. Ce n'est pas juste un CV sur papier ; Utopia Labs a géré une grande quantité de données de paiements sur la chaîne, ce qui lui donne une compréhension relativement profonde de la 'relation de règlement entre données et argent'. Il n'est pas arrivé par la voie académique, mais a grandi à partir de véritables points de douleur d'affaires.
En ce qui concerne la structure du projet, je pense qu'il y a trois niveaux qui méritent d'être examinés.
À la base, on a la partie blockchain. OpenLedger est construit sur l'OP Stack et EigenDA, c'est une L2 compatible avec Ethereum, avec des frais bas, un haut débit et une sécurité ancrée sur le mainnet Ethereum. Ce choix n’est pas une grande surprise, mais opter pour EigenDA comme couche de disponibilité des données a du sens ; les coûts de stockage sur la chaîne sont un vrai problème, et EigenDA peut réduire ces coûts.
La couche intermédiaire est Datanet, qui est le cœur de tout le système. Chaque Datanet est essentiellement un primitif de dataset sur la chaîne ; les données téléchargées par les contributeurs sont accompagnées de métadonnées, de timestamps et d'informations d'attribution. Lors de l'entraînement des modèles, l'origine des données provenant des Datanets est enregistrée pour permettre un suivi d'attribution déterministe. De plus, ces Datanets ne sont pas statiques ; avec un nombre croissant de contributeurs uploadant des données et de modèles s'entraînant dessus, chaque Datanet évoluera progressivement en un corpus vertical de haute qualité soutenu par une traçabilité transparente, devenant essentiellement un objet économique capable de générer continuellement des récompenses d'attribution. Ce design est intéressant car il transforme les données d'un 'actif unique' en un 'actif générant des revenus de manière continue', la logique étant plus proche des droits d'auteur que des échanges.
Au sommet, nous avons le niveau d'attribution, c'est-à-dire le Proof of Attribution. J'avais des doutes sur ce type de mécanisme car, techniquement, 'mesurer avec précision l'impact d'une donnée sur la sortie d'un modèle' est un défi énorme. Mais après avoir consulté le livre blanc de PoA d'OpenLedger publié en juin 2025, leur solution semble avoir une spécificité technique : pour les petits modèles, ils utilisent des approximations de fonction d'impact, et pour les grands modèles de langue, ils utilisent une attribution de token basée sur des tableaux de suffixes, vérifiant le degré de correspondance entre les tokens de sortie et le corpus d'entraînement compressé. L'【推断】ces deux méthodes ne sont pas de nouvelles inventions, la recherche académique existait déjà, OpenLedger les a mises en œuvre dans un système pouvant être réglé sur la chaîne. C'est une étape qui peut sembler facile, mais qui est complexe, surtout en raison des coûts de calcul à grande échelle, dont ils n'ont pas encore publié de données de stress test détaillées.
$OPEN a une fonction bien définie, comme le dit la doc officielle. Il remplit trois fonctions principales : servir de Gas pour toutes les activités sur la chaîne OpenLedger, être le token principal pour exécuter des inférences et construire de nouveaux modèles d'IA, et distribuer des récompenses aux contributeurs de données via un système de Proof of Attribution. Il existe également un mécanisme appelé IAO (Initial AI Offering), permettant aux créateurs de tokeniser leurs modèles d'IA, en les transformant en actifs négociables sur la chaîne, soutenant le crowdfunding pour le développement de modèles, la gouvernance communautaire, et la liquidité pour les investisseurs. Je n'ai pas encore vu beaucoup de cas concrets pour cette fonctionnalité, l'【推断】semble encore à un stade précoce.
En termes de données, entre décembre 2024 et février 2025, pendant la période de test du réseau incitatif, OpenLedger a attiré plus de 6 millions de nœuds, 25 millions de transactions et plus de 20 000 déploiements de modèles. Le mainnet a été lancé en septembre 2025, et le même jour, il a été échangé sur Binance ; le jour du lancement, le prix du token a augmenté de 200 %. Mais je dois dire quelque chose de moins agréable : une forte augmentation lors du lancement suivie d'une chute prolongée est le script standard des nouveaux projets sur Binance, et $OPEN n'est pas une exception.
Début 2026, des membres de la communauté ont signalé que le token avait chuté de plus de 88 % par rapport à son prix d'introduction. Cela ne signifie pas nécessairement qu'il y a un problème avec le projet lui-même, mais cela montre que le marché a une patience limitée pour le récit 'IA + blockchain'. Le protocole doit prouver sa valeur avec une consommation de données réelle et une activité suffisante des contributeurs.
Parmi les récentes actions, il y a un point qui mérite d'être souligné : en janvier 2026, OpenLedger a collaboré avec Story Protocol pour lancer une nouvelle norme pour l'entraînement des IA juridiques, capable de payer automatiquement les titulaires de droits d'auteur. Cette direction est très intéressante, car le domaine juridique est l'un des scénarios où les modèles de langage spécialisés sont réellement nécessaires. Les cabinets d'avocats ne peuvent pas fournir les détails des affaires à GPT, mais ils sont prêts à payer pour un système d'entraînement privé qui garantit strictement la traçabilité et les droits d'utilisation des données.
Pour faire simple, le problème qu'OpenLedger doit résoudre est réel. La conception du mécanisme a une profondeur technique, et l'équipe a de l'expérience dans des affaires concrètes. Mais son plus grand défi actuellement n'est pas la tech, mais le démarrage à froid. Il faut suffisamment de contributeurs de données et une qualité de données assez élevée avant que les développeurs de modèles viennent chercher des données ; une fois qu'ils sont là, les contributeurs continueront à uploader. Ce flywheel doit encore tourner, et ça nécessitera du temps et plus de cas d'utilisation verticaux pour le valider. Je vais continuer à suivre ça.
@OpenLedger #OpenLeder #openledger
