Beaucoup de gens classifient OpenGradient comme un projet d'infrastructure AI, mais si on plonge dans sa logique de design, on réalise que ce qu'il vise réellement n'est pas le marché de la puissance de calcul, mais le problème le plus central et souvent négligé de l'ère de l'IA : la confiance.
Au cours des dernières années, les capacités des modèles d'IA ont fait un bond en avant, mais l'ensemble de l'industrie repose toujours sur des services centralisés. Que ce soit pour appeler de grands modèles de langage, déployer des agents AI, ou exécuter des tâches de raisonnement complexes, les utilisateurs ne peuvent en réalité pas vérifier si les modèles fonctionnent comme prévu, ni s'assurer que les résultats n'ont pas été altérés. Dans des scénarios de divertissement et de génération de contenu, cela peut ne pas poser de problème, mais lorsque l'IA commence à s'impliquer dans des transactions financières, des réclamations d'assurance, des décisions médicales assistées, voire la gouvernance sur la blockchain, la crédibilité des résultats devient cruciale.
OpenGradient est donc né dans ce contexte.
Le projet a construit un réseau de calcul vérifiable orienté vers l'inférence IA, transformant le processus d'inférence IA, auparavant invisible, en une preuve numérique auditable et vérifiable grâce à un environnement d'exécution de confiance (TEE) et un mécanisme de validation sur la chaîne. En termes simples, les utilisateurs peuvent non seulement obtenir les réponses fournies par l'IA, mais aussi vérifier comment les réponses ont été générées et si elles proviennent d'un modèle spécifique.
D'un point de vue technique, OpenGradient n'a pas choisi le zkML qui est encore à un stade précoce, mais s'est plutôt tourné vers une solution TEE plus réaliste. Les nœuds GPU sont responsables de l'exécution des tâches d'inférence, tandis que l'environnement d'exécution de confiance vérifie le modèle et le processus d'exécution, générant finalement une preuve d'inférence vérifiable sur la chaîne. Ce design équilibre efficacité de calcul et sécurité, tout en rendant le projet réalisable.
Il est encore plus intéressant de noter que la position d'OpenGradient diffère clairement de celle des projets IA actuellement populaires. Render, Aethir, io.net, etc., résolvent le problème de l'offre de puissance de calcul, appartenant essentiellement au marché des GPU ; Virtuals se concentre sur l'écosystème des agents IA ; tandis qu'OpenGradient cherche à devenir la "couche de confiance" dans le monde de l'IA. Si à l'avenir, la blockchain a besoin d'appels massifs à des services IA, alors un réseau d'inférence de confiance pourrait bien devenir une infrastructure indispensable.
Le marché des capitaux a clairement vu cela aussi. Le projet a obtenu le soutien d'institutions telles que a16z, Coinbase Ventures, NEAR Foundation, Celestia, tout en attirant des personnalités de l'industrie comme Balaji Srinivasan et Sandeep Nailwal.
En regardant sur le long terme, l'avenir de l'IA ne sera pas nécessairement déterminé par les projets ayant le plus de GPU, mais plutôt par ceux capables d'établir des normes de confiance. OpenGradient mise sur ce pas clé de l'IA qui passe de "pouvoir calculer" à "calcul de confiance". Cette niche ne va peut-être pas exploser le marché aussi rapidement que les projets de Meme ou d'Agent, mais une fois que l'industrie commencera à valoriser l'IA vérifiable, sa valeur dépassera de loin le simple discours sur la puissance de calcul.
Il reste à vérifier si OpenGradient pourra devenir le Chainlink du monde de l'IA, mais au moins, il a déjà trouvé une position assez importante et suffisamment rare.