Perspective 2026 sur l'IA décentralisée : pourquoi la blockchain est la clé de l'avenir de l'IA

Article écrit par Pink Brains

Traduit par AididiaoJP, Foresight News

L'existence de l'IA décentralisée est due aux limites structurelles de l'IA centralisée, que le capital et le code ne peuvent résoudre :

• Les ressources de calcul sont rares et coûteuses
• Concentration excessive du contrôle
• La sortie du modèle ne peut pas être vérifiée
• Obtenir des données d'entraînement devient de plus en plus difficile

Les ressources de calcul sont rares et coûteuses

L'infrastructure GPU devrait passer de 10 milliards de dollars en 2025 à 77 milliards de dollars en 2035. Les GPU pour centres de données sont en rupture de stock depuis plusieurs mois consécutifs. Le marché du calcul décentralisé devrait passer de 9 milliards de dollars en 2024 à 22 milliards de dollars en 2035 (données de Research and Markets). Ce chiffre ne tient que si l'on considère que la pénurie est structurelle et non cyclique, ce qui est précisément notre conviction.

Concentration excessive du contrôle

ChatGPT, Gemini, Grok et Claude sont tous détenus et exploités par quelques entreprises privées. Les politiques actuelles en matière d'IA supposent que seules quelques entités capables de concentrer d'immenses ressources de calcul peuvent entraîner des systèmes puissants. Une fois ce postulat brisé, la dynamique de qui peut construire des intelligences de pointe sera radicalement transformée.

Le résultat ne peut pas être vérifié

Lorsque le modèle prend une décision, l'utilisateur ne peut pas vérifier si le bon modèle a été exécuté, si les calculs ont été effectués correctement ou si des données sensibles ont été divulguées. Cela peut encore être toléré pour les chatbots, mais devient totalement inacceptable lorsque l'IA gère des prêts, des soins de santé ou des agents autonomes opérant sur des portefeuilles en temps réel.

L'obtention de données d'entraînement devient de plus en plus difficile en raison des préoccupations liées à la vie privée et de la réglementation.

Un crawl centralisé situé dans une seule région AWS sera rapidement limité en débit, bloqué géographiquement ou soumis à des caches empoisonnés. Comme a16z le souligne dans ses perspectives pour 2026, la confidentialité devient « le plus important avantage concurrentiel du domaine cryptographique ».

L'IA a besoin de la blockchain pour rendre l'intelligence ouverte, vérifiable et économiquement accessible.

• Couche applications et services : les agents IA peuvent accomplir de nombreuses tâches, mais dans le domaine de la cryptomonnaie, les deux cas d'utilisation dominants actuels sont la finance agentielle (Agentic Finance) et les paiements agentiels (Agentic Payments).
• Couche middleware : organisations connectées — du cadre de construction et d'identification des agents, au marché des agents, en passant par la couche de coordination
• Couche infrastructure : Les ressources fondamentales de l'IA — couche confidentialité et vérification, calcul, inférence, entraînement, données et stockage

L'agent financier traduit les instructions en langage naturel en actions sur chaîne.

Le proxy ARMA de @gizatechxyz a traité plus de 46 milliards de dollars de volume de transactions代理 dans des marchés de prêt sélectionnés, exécuté bloc par bloc et non custodial sur le cadre AVS d’EigenLayer.

@Infinit_Labs gère un cluster de plus de 20 agents professionnels capables de transformer des intentions telles que « gagner 1000 $ par mois avec 1 BTC » en stratégies d'un clic sur Ethereum, Solana et Base.

@coinvestai by Liquid exécute en temps réel des ordres directement intégrés à ChatGPT et Claude, permettant de trader sur plus de 500 marchés via le Model Context Protocol.

@minara intègre Hyperliquid et vient de rejoindre Lighter. Il exécute un cycle de trading complet « analyse → décision → exécution » via le modèle DMind et plus de 50 intégrations.

@Cod3xOrg : Un réseau d'agents IA légers capable de transformer des intentions en transactions chaines exécutées.

@Zyfai_ : Un agent DeFAI auto-hébergé qui automatise et optimise le yield farming, rééquilibre en continu le capital à travers les protocoles pour suivre les APY ajustés au risque, sans intervention humaine.

Dans le domaine des marchés prédictifs, @SynthdataCo est un sous-réseau Bittensor qui fait fonctionner un réseau intelligent décentralisé pour la finance prédictive. Les mineurs concourent pour modéliser l'incertitude des prix à court terme. Il fournit déjà des données en temps réel à des produits tels que Mode AI Quant pour les marchés cryptos de Kalshi.

Comme Internet est devenu la couche de communication de l'économie numérique, la blockchain et les stablecoins constituent désormais la couche de règlement pour les paiements par intermédiaire.

Au mois de mai 2026, x402 a traité plus de 173 millions de transactions sur Base et Solana ; les membres de la fondation x402 incluent Google, Visa, AWS, Circle, Anthropic, Stripe et Cloudflare. Stripe l'utilise depuis février 2026 ; AWS a lancé AgentCore Payments natif.

Les activités des acheteurs et des vendeurs augmentent, et la majorité des transactions sont liées à une utilisation réelle au prorata : appels API, services d'inférence IA, agents commerciaux et autres charges similaires. Le cycle initial de surenchère s'est refroidi, mais la traction sous-jacente commence à rattraper son retard.

Dans le même temps, le Machine Payments Protocol de Stripe et Tempo émerge comme une deuxième voie, ayant enregistré plus de 411 900 transactions et 9 600 acheteurs depuis son lancement.

Ces réseaux indiquent ensemble que le commerce machine à machine évolue vers une portée plus large, permettant aux agents logiciels d'effectuer des transactions de manière autonome à la vitesse des machines.

Avec l'augmentation du nombre d'agents, le défi central devient la coordination : comment les agents se découvrent mutuellement, prouvent leur identité et effectuent des transactions sans intervention humaine.

Le déficit de confiance ici constitue un goulot d'étranglement. La taille estimée du marché des agents commerciaux devrait atteindre 1,5 à 5 billions de dollars d'ici 2030, mais son adoption est limitée par un seul point : la plupart des utilisateurs sont prêts à laisser l'IA effectuer les recherches, mais très peu sont disposés à laisser l'IA effectuer les achats réels.

Le système d'aujourd'hui repose toujours sur des clés API, et presque aucun système ne considère les proxies comme des entités dotées d'une identité.

@GoKiteAI construit une L1 dédiée qui intègre l'identité et les paiements comme primitives natives. ERC-8004 est une norme Ethereum permettant aux agents de disposer d'une identité et d'une réputation chainées portables, transférables entre chaînes.

Sur le plan du marché, @virtuals_io est le système d'exploitation de l'économie d'agents sur Base. D'ici juin 2026, il a traité plus de 2,38 million de tâches d'agents, générant près de 480 millions de dollars américains de « PIB d'agents ».

Mais la perle de ce niveau est Bittensor. C'est un réseau composé de sous-réseaux professionnels, chacun étant une micro-économie où les mineurs exécutent des modèles d'IA, les validateurs évaluent les sorties, et les émissions de TAO sont dirigées vers ceux qui produisent le travail le plus utile. Trois mécanismes le rendent économiquement sérieux :

• Le halving de décembre 2025 réduira la production quotidienne de TAO de 7200 à 3600, correspondant à un plafond de 21 millions de pièces.
• dTAO passe à un modèle offrant un propre token Alpha et une piscine AMM pour chaque sous-réseau — l'émission est déterminée par le marché.
• Taoflow sera mis à jour (en ligne en novembre 2025) et répartira les émissions uniquement selon le flux net de staking. Un sous-réseau qui déstake plus qu'il ne stake peut voir son allocation tomber à zéro. C'est conçu de manière darwinienne.

Le réseau compte plus de 128 sous-réseaux actifs, et les 3 principaux sous-réseaux de calcul ont atteint un ARR combiné de 20 millions de dollars dans les trois mois suivant leur monétisation. Le darwinisme est le produit.

D'autres projets se concentrent sur la création de blockchains AI dédiées ou sur la fourniture des outils, cadres et mécanismes d'incitation nécessaires pour soutenir un écosystème AI détenue par la communauté.

@NEARProtocol : Une couche de coordination immatérielle combinant règlement, identité, confidentialité, TEE, MPC et protection des RII, dédiée aux agents autonomes.

@base——Le cœur de l’économie d’agent. Base MCP permet aux outils IA tels que Claude, ChatGPT et Cursor d’effectuer des actions sur chaîne via des invites sur des plateformes comme Uniswap, Morpho et Avantis—échanges, virements, interactions DeFi.

@SentientAGI : Son écosystème GRID relie agents, modèles, données et calculs, acheminant les requêtes vers des participants spécialisés pour obtenir les meilleurs résultats.

@gensynai : Exécution vérifiable du ML, coordination de matériel distribué pour l'entraînement et l'inférence, tout en garantissant la fiabilité des travaux, réseau de coordination $AI.

@SaharaAI relie données, modèles, agents et récompenses dans un écosystème natif à l'IA.

L'infrastructure est le squelette de l'IA — les primitives fondamentales de calcul, d'inférence, d'entraînement, de données et de confidentialité sur lesquelles repose tout le niveau supérieur. C'est la couche la plus intensive en capital de la pile IA décentralisée.

Calcul décentralisé

@akashnet gère un marché aux enchères inversées où les fournisseurs soumissionnent pour remporter vos charges de travail. Les nouveaux contrats ont augmenté de 27 % au T1 2026, atteignant plus de 43 500, soit leur troisième trimestre consécutif de croissance. Son service d'inférence AkashML a traité près de 120 milliards de tokens en avril, à un prix 60 à 85 % inférieur à celui des nuages traditionnels.

@rendernetwork annonce une augmentation de l'utilisation de 428 % en glissement annuel.

@ionet agrège plus de 130 000 GPU provenant de plus de 130 pays sur Solana.

@AethirCloud est l'une des rares à générer réellement des revenus : elle déclare un ARR d'environ 166 millions de dollars américains (T3 2025) et a fourni plus de 1,5 milliard d'heures de calcul.

Inference distribuée et vérifiable

L'inférence représente plus de 70 % des coûts d'exploitation de l'IA ; Goldman Sachs prévoit que les agents IA entraîneront une augmentation de 24 fois de la consommation de tokens d'ici 2030 — 120 billions de tokens par mois.

La réponse décentralisée consiste à rendre l'inférence peu coûteuse, privée et vérifiable.

@AskVenice fournit plus de 50 milliards de tokens par jour à plus de 2 millions d'utilisateurs via des modèles privés et non censurés, avec un avantage concurrentiel fondé sur le modèle.

@OpenGradient a traité plus de 2 millions d'inférences vérifiables et généré 500 000 + preuves zkML.

@chutes_ai : Les développeurs peuvent déployer et étendre des modèles d'IA via une API simple, soutenus par des mineurs GPU, avec des coûts pouvant être jusqu'à 85 % inférieurs à ceux d'AWS. Les revenus de la plateforme sont convertis en demande de token via un mécanisme de staking automatisé.

@dphnAI — Réseau décentralisé d'inférence IA. Notamment, Dolphin a développé le modèle sans censure utilisé par Venice AI et reverse 100 % des revenus du réseau à des rachats de jetons.

Entraînement décentralisé

L'entraînement est le problème le plus difficile et le plus impactant — il détermine si les modèles de pointe doivent être construits au sein de laboratoires de trois ou quatre entreprises.

INTELLECT-1 de @PrimeIntellect (10 milliards de paramètres) est le premier entraînement distribué mondial ; INTELLECT-2 (32 milliards de paramètres) est le premier entraînement RL distribué.

@tplr_ai a entraîné Covenant-72B sur plus de 70 nœuds distribués, traitant environ 1,1 billion de tokens, réduisant les coûts de communication de 146 fois.

@NousResearch : Son réseau Psyche permet un entraînement distribué tolérant aux pannes ; Hermes 4.3 devient le premier modèle Hermes à être entraîné sur une infrastructure décentralisée plutôt qu'un cluster centralisé.

Le sous-réseau IOTA (SN9) de @MacrocosmosAI effectue un pré-entraînement décentralisé de LLM et « l'entraînement à domicile », tandis que son sous-réseau Data Universe (SN13) gère la couche données. Les algorithmes à faible communication de la série DiLoCo permettent à des GPU répartis dans le monde entier de collaborer sans réseau interne ultra-rapide de centre de données.

Disponibilité et stockage décentralisés des données

À mesure que la taille des charges de travail AI augmente, les deux deviennent des goulets d'étranglement. Les modèles de pointe consomment d'énormes quantités de données fraîches, et la demande de stockage a augmenté au point que les principaux fournisseurs de disques durs signalent que leur capacité de production a été vendue à l'avance de plusieurs années.

L'économie est fascinante. Le stockage décentralisé peut être 60 à 80 % moins cher que les fournisseurs de cloud traditionnels ; des réseaux comme @Filecoin offrent un prix de stockage inférieur à 1 dollar par mois et par To, contre environ 30 dollars pour les alternatives centralisées.

@grass paie 2,5 millions de nœuds provenant de 190 pays pour leur bande passante inutilisée, permettant aux laboratoires d'IA d'extraire le web en temps réel.

@WalrusProtocol est un challenger en forte croissance construit par @Mysten_Labs pour le stockage décentralisé et la disponibilité des données — utilisant des codes de correction d'erreurs bidimensionnels pour stocker efficacement de gros « blobs » et est de plus en plus positionné comme couche de mémoire persistante pour les agents IA.

@eigencloud : une plateforme cloud vérifiable construite autour de la disponibilité des données, du calcul vérifiable et de la résolution des litiges. Soutenue par du ETH ré-质押, elle repose sur l'idée de permettre aux agents IA de fonctionner avec des garanties cryptographiques, rendant leurs actions prouvables, auditables et exécutables.

@vana — un EVM L1 où les Data DAOs et les Data Liquidity Pools transforment les données personnelles en actifs tokenisables et négociables.

@reppo et @oroagents construisent des jeux de données de haute qualité et fiables pour l'entraînement de l'IA grâce à des compétitions incitatives.

Confidentialité et couche de vérification

Les utilisateurs d'IA ordinaires ne peuvent pas vérifier si le modèle traite leurs données de manière privée, exécute correctement les calculs ou utilise même le modèle revendiqué.

En 2026, la confidentialité et la vérification deviennent des prérequis pour l'IA, et non des fonctionnalités supplémentaires.

@nillion — « ordinateur aveugle », qui effectue des calculs sur des données chiffrées sans les déchiffrer, en utilisant MPC et son propre Nil Message Compute. Les cas d’utilisation incluent l’inférence AI privée, les bases de données chiffrées et le RAG privé (permettant à l’IA d’interroger des bases de connaissances propriétaires sans les révéler).

@Arcium : Réseau de calcul confidentiel décentralisé sur Solana. Les cas d'utilisation incluent Umbra (transferts masqués / revenus privés) et l'entraînement confidentiel d'IA sur des jeux de données sensibles.

@OasisProtocol : L1 axée sur la confidentialité, utilisant ROFL (Runtime Offchain Logic), un cadre basé sur TEE pour exécuter des calculs hors chaîne vérifiables et protégés par la confidentialité — agents IA, entraînement de modèles ou oracles.

@octra : L1 privilégiant la confidentialité avec un support natif FHE, utilisant le schéma propriétaire HFHE (Hypergraph FHE), conçu pour le calcul crypté parallèle et le débit.

@eigencloud : Vérifiez les acteurs majeurs, construits sur la sécurité de la ré-质押 d’EigenLayer. EigenAI (inférence LLM vérifiable est une API compatible OpenAI pour des modèles open source, où les invites et les réponses sont prouvées non altérées) et EigenCompute (exécution hors chaîne vérifiable pour la logique des agents).

@PhalaNetwork. Les GPU cloud sont puissants mais non privés ; Phala permet de prouver les charges de travail, même à l’égard de Phala lui-même. Ses GPU TEE sur Phala Cloud déplient des modèles open source sur du matériel, offrant une API compatible OpenAI avec une preuve cryptographique pour chaque inférence.

La demande en IA croît plus rapidement que les infrastructures ne peuvent suivre ; les agents IA deviennent le moteur principal de croissance — les pistes sur chaîne sont prêtes.

Le calcul se transforme en catégorie d'actifs, et les marchés sur chaîne deviennent leur couche financière. Les participants institutionnels passent de l'expérimentation à l'investissement dans les infrastructures.

L'économie des jetons devient un avantage structurel pour l'IA décentralisée en matière de coordination du capital, du calcul et des données. Les opportunités s'étendent de l'IA aux robots, aux machines autonomes et à l'IA physique.

L’IA décentralisée connaît une croissance au sein des principales couches de l’infrastructure, du middleware et des applications, se traduisant par des revenus calculés, une économie d’agents en expansion et un entraînement distribué à grande échelle.

Mais ce domaine reste à un stade précoce. Les revenus sont souvent en retard par rapport aux incitations sous forme de jetons, et l'adoption reste inégale. Bien que les investissements dans l'IA connaissent une forte croissance globale, l'IA décentralisée ne représente qu'une petite partie des investissements de capital-risque. Les réseaux pilotés par des jetons peuvent constituer un avantage puissant, à condition que la conception de la capture de valeur soit correcte.

Malgré cela, l'émergence de projets tels que Bittensor, NEAR, Virtuals, Base et Venice montre que l'IA décentralisée évolue vers un nouveau modèle de coordination du calcul, des données, du capital et de l'intelligence.