Jensen Huang affirme que l'IA ouverte et l'IA fermée coexisteront : ce que cela signifie pour la cryptomonnaie et l'IA décentralisée
2026/08/02 08:06:00
La vision du PDG de NVIDIA, Jensen Huang, selon laquelle l'intelligence artificielle ouverte et propriétaire se développeront ensemble, a des implications bien plus larges que la concurrence entre les principaux laboratoires d'IA. Si les poids des modèles avancés deviennent plus largement disponibles, le prochain goulot d'étranglement sera de plus en plus l'infrastructure nécessaire pour les former, les personnaliser et les faire fonctionner. Cela crée une opportunité potentielle pour les réseaux GPU décentralisés, les marchés d'IA basés sur la blockchain et les protocoles tels que Bittensor, mais cela ne garantit pas que chaque projet d'IA décentralisée ou chaque token associé réussira.
La question centrale pour la crypto n'est pas simplement de savoir si davantage de modèles d'IA seront téléchargeables. Il s'agit de savoir si les réseaux décentralisés peuvent fournir une puissance de calcul, une inférence, un stockage, des paiements et une vérification utiles à un niveau que les entreprises et les développeurs sont prêts à acheter. Les commentaires de Huang renforcent l'argument en faveur d'un écosystème d'IA diversifié, mais la performance technique, la fiabilité du réseau, l'économie des jetons et la demande réelle des clients détermineront si la crypto devient une couche d'infrastructure importante ou reste un récit spéculatif autour de la croissance de l'IA.
La vision ouverte et fermée de Jensen Huang sur l'IA et pourquoi les deux modèles coexisteront
Jensen Huang ne voit pas l'avenir de l'intelligence artificielle comme un concours gagnant-tout entre les systèmes ouverts et fermés. S'exprimant lors de NVIDIA GTC en mars 2026, le fondateur et PDG de NVIDIA a rejeté ce choix binaire, affirmant que « le propriétaire contre l'ouvert n'est pas une question. C'est propriétaire et ouvert. » Son argument est que l'écosystème mondial de l'IA nécessitera des modèles différents pour des charges de travail, des industries et des exigences de sécurité variées, plutôt qu'un système universel contrôlé par une seule entreprise ou une seule philosophie de développement. Les modèles propriétaires de pointe pourraient continuer à dominer les tâches exigeant des performances maximales de raisonnement, une sécurité gérée et un support entreprise, tandis que les modèles à poids ouverts permettront aux développeurs, aux entreprises et aux gouvernements un contrôle accru sur la personnalisation, le traitement des données et le déploiement.
Huang rejette le débat entre IA ouverte et fermée
Bien que les IA ouvertes et fermées soient souvent présentées comme des approches concurrentes, elles répondent à des besoins utilisateurs différents. Les modèles propriétaires sont généralement contrôlés par leurs développeurs et accessibles via des applications, des plateformes cloud ou des API. Cette structure peut offrir des performances avancées, des mises à jour coordonnées, des protections de sécurité centralisées et un support professionnel, sans exiger que les clients gèrent une infrastructure d’apprentissage automatique complexe. Le compromis est que les utilisateurs peuvent avoir une visibilité limitée sur les paramètres du modèle, son processus d’entraînement et ses mécanismes internes de sécurité. Les organisations peuvent également devenir dépendantes des tarifs, de la disponibilité, des politiques de données et des restrictions d’utilisation d’un seul fournisseur à mesure que l’IA s’intègre plus profondément dans leurs opérations.
Les modèles à poids ouverts suivent un modèle de distribution différent, car leurs paramètres entraînés peuvent généralement être téléchargés, modifiés et déployés sur une infrastructure choisie par l'utilisateur. Cela permet d'ajuster un modèle pour des jeux de données privés, des langues régionales, des recherches scientifiques ou des flux de travail commerciaux spécialisés. Une organisation peut faire fonctionner le modèle sur ses propres serveurs, dans un cloud privé ou près des dispositifs edge, où la latence et le contrôle des données sont cruciaux. Toutefois, « poids ouverts » ne signifie pas automatiquement « open-source complet ». Les jeux de données d'entraînement, le code source, les évaluations de sécurité ou les méthodes de développement peuvent rester indisponibles, et les licences peuvent restreindre certaines utilisations. L'ouverture du modèle existe donc sur un spectre, et non comme une catégorie binaire.
Selon les propos de Huang sur GTC, des secteurs tels que la santé, la finance et la fabrication dépendront de plus en plus de combinaisons de modèles généraux, spécialisés, ouverts et propriétaires. Un hôpital pourrait utiliser un système commercial de pointe pour des recherches médicales générales tout en traitant les informations confidentielles des patients via un modèle déployé localement. Une institution financière pourrait employer un modèle propriétaire pour une analyse générale, mais conserver les dossiers clients dans son propre environnement contrôlé. Les fabricants pourraient exécuter des modèles plus petits près des usines et des équipements industriels, tout en s'appuyant sur des systèmes basés sur le cloud pour des tâches d'ingénierie complexes. Des agents IA et des plateformes de routage de modèles pourraient rendre cette structure hybride plus courante. Au lieu d'envoyer chaque requête à un seul modèle, un système d'orchestration peut évaluer la complexité, la sensibilité, le coût et les exigences en temps de réponse de chaque tâche avant de sélectionner l'option la plus adaptée. La classification routinière de documents pourrait être attribuée à un modèle local efficace, tandis que la programmation avancée ou le raisonnement scientifique pourraient être envoyés à une plateforme propriétaire plus performante. Les utilisateurs pourraient interagir avec une seule application, même si plusieurs modèles fonctionnent en arrière-plan. Cette approche peut réduire les coûts inutiles, protéger les informations sensibles et limiter la dépendance à un seul fournisseur tout en préservant l'accès aux capacités de pointe.
La stratégie de modèle ouvert de NVIDIA soutient la vision de Huang
Les actions de NVIDIA montrent que le soutien de Jensen Huang à l'IA ouverte et propriétaire va au-delà des commentaires publics. En mars 2026, l'entreprise a créé la Nemotron Coalition avec Mistral AI, Black Forest Labs, Cursor, LangChain, Perplexity, Reflection AI, Sarvam et Thinking Machines Lab. Cette coalition réunit recherche, jeux de données, cadres d'évaluation, connaissances spécialisées et ressources informatiques pour développer des modèles ouverts de pointe. Son premier modèle de base est co-développé par NVIDIA et Mistral AI, les autres membres contribuant aux tests, à l'entraînement postérieur et au développement continu. NVIDIA prévoit de partager le modèle résultant avec l'écosystème IA plus large et de l'utiliser comme fondation pour la famille Nemotron 4. D'ici mars 2026, les modèles Nemotron existants avaient enregistré plus de 45 millions de téléchargements sur Hugging Face, indiquant une demande significative pour des systèmes d'IA adaptables. NVIDIA a élargi cette stratégie en juillet grâce à des déploiements impliquant des organisations japonaises telles que l'Institute of Science Tokyo, SoftBank, SB Intuitions, Stockmark, Hitachi et NTT DATA, qui utilisent la technologie Nemotron pour l'IA en japonais, les agents d'entreprise, les télécommunications, la fabrication et les applications scientifiques. Ces projets démontrent comment les organisations peuvent personnaliser des fondations ouvertes avec des données propriétaires sans exposer publiquement leurs connaissances internes précieuses.
Les développements en matière de sécurité renforcent l'argument de Huang selon lequel les modèles d'IA ouverts et fermés coexisteront. Les modèles ouverts peuvent être inspectés et testés indépendamment, tandis que le déploiement local permet aux organisations de conserver les informations sensibles au sein d'une infrastructure contrôlée. Toutefois, les poids téléchargeables peuvent également être modifiés pour supprimer les mesures de sécurité, et leur diffusion est difficile à annuler. Les systèmes fermés offrent des contrôles d'accès centralisés et des mises à jour de sécurité coordonnées, mais ils peuvent créer des dépendances opaques et des points de défaillance concentrés. Le 27 juillet 2026, NVIDIA et d'autres organisations technologiques et de cybersécurité ont établi l'Open Secure AI Alliance afin de développer des outils de défense ouverts, tout en reconnaissant que les deux types de modèles restent nécessaires. Soutenir cet écosystème mixte correspond également à la position de NVIDIA en tant que fournisseur d'infrastructure IA. Les laboratoires propriétaires, les plateformes cloud, les gouvernements et les développeurs exécutant des modèles ouverts ont tous besoin de GPU, de réseautage, de stockage, d'électricité et de logiciels spécialisés. L'hébergement autonome des poids ouverts peut réduire les frais d'accès au modèle, mais il ne supprime pas les coûts d'exploitation. Il est donc raisonnable d'inférer que NVIDIA peut tirer profit que les applications futures utilisent des plateformes propriétaires, des systèmes à poids ouverts ou des combinaisons hybrides, ce qui fait du marché de l'IA diversifié le résultat le plus probable.
Ce que signifie l'IA à poids ouvert pour la crypto et l'infrastructure décentralisée d'IA
Les IA à poids ouverts pourraient augmenter la demande en calcul décentralisé, car le téléchargement d’un modèle ne supprime pas le coût de son exploitation. Les développeurs ont toujours besoin de GPU, de stockage, de bande passante, d’électricité et d’infrastructure technique pour affiner les modèles, traiter les demandes des utilisateurs et faire fonctionner des agents IA à grande échelle. Cela crée un rôle potentiel pour les réseaux d’infrastructure physique décentralisée qui relient des fournisseurs de matériel indépendants à des développeurs cherchant une capacité de calcul. Des marchés distribués pourraient mettre à disposition des GPU sous-utilisés pour l’entraînement de modèles, l’inférence et l’hébergement d’applications, tandis que des systèmes de stockage décentralisés pourraient soutenir les jeux de données, les points de contrôle et le contenu généré par l’IA. Les crypto-actifs peuvent coordonner les paiements, les récompenses aux fournisseurs, le staking et l’accès à travers ces réseaux sans exiger que chaque participant utilise la même entreprise ou la même plateforme cloud. La catégorie plus large des réseaux d’infrastructure décentralisée s’étend au-delà du développement de modèles pour inclure les ressources physiques nécessaires au fonctionnement des services numériques. La principale opportunité réside dans le fait que les poids ouverts réduisent les barrières à l’accès aux modèles sans éliminer le goulot d’étranglement infrastructurel, ce qui pourrait élargir le marché pour des nuages GPU alternatifs, des inférences sans autorisation et un hébergement d’IA géographiquement distribué.
Les réseaux blockchain pourraient également soutenir l'IA décentralisée grâce à des paiements transparents, des enregistrements de propriété des modèles, la traçabilité des données et des incitations pour évaluer les résultats d'apprentissage automatique. Bittensor applique ce concept à travers des sous-réseaux spécialisés où les participants peuvent fournir des services tels que l'inférence, le calcul, le stockage et les prédictions, tandis que les validateurs évaluent les contributions et les incitations du protocole récompensent les performances utiles. L'infrastructure crypto pourrait également permettre AI agents in crypto d'acheter des services numériques via des wallets programmables et des paiements en stablecoin. Toutefois, une IA à poids ouvert n'est pas automatiquement décentralisée. Un modèle téléchargeable peut toujours être hébergé par un fournisseur de cloud centralisé, entraîné sur des jeux de données concentrés et exploité via du matériel fourni par un petit nombre de fabricants. Les réseaux décentralisés doivent résoudre des problèmes complexes liés à la vérification des résultats, à la confidentialité, à la latence, à la qualité du matériel, à la cybersécurité et à la disponibilité des services avant de pouvoir concurrencer de manière constante les alternatives centralisées. La connexion la plus forte entre l'IA à poids ouvert et la crypto réside donc dans l'infrastructure entourant le modèle — comment les ressources de calcul sont fournies, comment les contributeurs sont rémunérés, comment les résultats sont vérifiés et si les utilisateurs peuvent accéder aux services sans dépendre entièrement d'un intermédiaire.
Opportunités et risques pour Bittensor, les tokens de calcul décentralisé et d'IA
Bittensor et d'autres projets d'intelligence artificielle décentralisés attirent l'attention à mesure que la demande croît pour des alternatives aux infrastructures cloud traditionnelles, mais leur valeur à long terme dépendra de bien plus que la popularité de l'intelligence artificielle. Ces réseaux doivent démontrer que des participants distribués peuvent fournir des services fiables d'entraînement, d'inférence, de stockage et de données à des prix compétitifs. Les jetons crypto peuvent aider à coordonner les fournisseurs, les validateurs et les paiements, mais une adoption durable exige de véritables clients, des résultats mesurables et une activité économique qui ne dépende pas principalement des récompenses en jetons. Le domaine plus large des AI crypto sectors regroupe plusieurs modèles économiques différents, ce qui rend l'évaluation au niveau du projet plus utile que de traiter chaque jeton AI comme une exposition à la même tendance.
Bittensor et Covenant-72B mettent en lumière le potentiel de l'IA décentralisée
Bittensor fonctionne via des sous-réseaux spécialisés qui rivalisent pour fournir des services numériques tels que l'inférence IA, l'entraînement, les prédictions, le stockage et le calcul. Selon la documentation des sous-réseaux Bittensor, les mineurs produisent le service pertinent, les validateurs en évaluent la qualité, les créateurs de sous-réseaux établissent des mécanismes d'incitation et les stakeurs soutiennent les validateurs avec TAO. Le réseau a attiré une attention plus large en mars 2026 après que le sous-réseau Templar 3 ait soutenu l'entraînement distribué de Covenant-72B, un modèle linguistique de 72 milliards de paramètres. Le rapport technique de Covenant-72B indique que le modèle a été pré-entraîné sur environ 1,1 billion de jetons via un processus sans autorisation et globalement distribué. Huang a comparé l'expérience à une version moderne de Folding@home, reconnaissant son approche de calcul distribué. Ce commentaire ne constituait pas un partenariat entre NVIDIA et Bittensor, une endorsement de TAO ni la preuve que l'entraînement décentralisé est déjà supérieur aux centres de données traditionnels. Il a montré qu'un entraînement collaboratif substantiel est techniquement possible, tandis que la plus grande opportunité de Bittensor réside à transformer ses sous-réseaux en marchés compétitifs pour une intelligence machine utile.
Les jetons de calcul décentralisé et d'IA pourraient élargir l'accès à l'infrastructure
La meilleure opportunité pour le calcul décentralisé provient du fossé entre l'accès à un modèle d'IA et l'obtention du matériel nécessaire pour le faire fonctionner. Les fournisseurs de cloud centralisés offrent des GPU à grande échelle, mais les prix, la disponibilité régionale, les restrictions de capacité et les contrats à long terme peuvent créer des barrières pour les petits développeurs. Les réseaux distribués tentent d'agréger les ressources provenant de fournisseurs indépendants et de les rendre disponibles via des marchés ouverts. S'ils peuvent offrir des prix compétitifs et un service fiable, ils pourraient soutenir les startups, les chercheurs et les développeurs d'agents IA nécessitant une capacité temporaire ou flexible. L'opportunité ne se limite pas à l'entraînement de grands modèles : l'inférence, le raffinage, l'évaluation des modèles, la production de données synthétiques et l'exécution continue des agents peuvent générer des charges de travail récurrentes. Les jetons peuvent coordonner les paiements et les récompenses au sein de ces systèmes, mais leur cas d'utilisation le plus fort existe lorsque l'actif remplit une fonction nécessaire au réseau plutôt que de servir principalement d'étiquette spéculative attachée à une application d'IA.
Les risques techniques, de sécurité et de centralisation pourraient limiter l'adoption
Les réseaux d'IA décentralisés font face à des défis que les transactions blockchain ordinaires ne rencontrent pas. Les sorties d'IA peuvent être subjectives et coûteuses à évaluer, ce qui rend difficile pour les validateurs de déterminer si un fournisseur a produit un travail véritablement utile ou s'il n'a optimisé que le mécanisme de notation. Une évaluation faible peut encourager la manipulation, la collusion et des activités qui génèrent des récompenses sans servir de clients externes. L'entraînement distribué introduit également des retards de communication, des incohérences matérielles et le risque que les participants se déconnectent ou soumettent des mises à jour défectueuses. Une blockchain peut rester dépendante d'un nombre limité de fabricants de GPU, de validateurs importants, de centres de données ou d'équipes de développement, laissant des couches critiques concentrées même lorsque les paiements sont décentralisés. Les fournisseurs malveillants, les clés compromise, les vulnérabilités logicielles et l'utilisation non autorisée de données protégées par copyright ou confidentielles créent une exposition supplémentaire. Concurrencer les services cloud établis exigera donc des performances fiables, une gouvernance transparente, de fortes protections de la vie privée et des moyens crédibles de vérifier le travail accompli.
La croissance du réseau n'augmente pas automatiquement la valeur des jetons AI
Les prix des jetons IA peuvent réagir rapidement aux publications de modèles, aux commentaires influents et à l'humeur générale du marché, mais l'attention ne crée pas nécessairement des revenus récurrents. Un réseau peut déclarer davantage de déploiements, de transactions ou de participants, alors que la majeure partie de cette activité reste financée par des émissions et des incitations de jetons. Si les récompenses aux participants dépassent constamment les revenus provenant de clients externes, la croissance apparente peut dépendre d'une émission continue plutôt que d'un modèle économique durable. L'évaluation de TAO et d'autres jetons de calcul décentralisé exige d'examiner les paiements des clients, les charges de travail récurrentes, l'utilisation du matériel, l'indépendance des validateurs, la concentration des fournisseurs et le coût des incitations nécessaires pour maintenir l'activité. Les investisseurs doivent également déterminer si les utilisateurs ont besoin du jeton pour accéder aux services, si les frais de réseau génèrent une demande récurrente et si les émissions diluent les détenteurs existants. Bittensor et le calcul décentralisé ont une opportunité crédible de soutenir une économie de l'IA plus ouverte, mais leur succès à long terme dépendra de services vérifiables, de clients répétés et d'une économie de jetons durable.
Conclusion
La vision de Jensen Huang selon laquelle l'IA ouverte et propriétaire coexisteront pointe vers une économie multi-modèles dans laquelle les organisations choisissent des systèmes en fonction de la performance, de la confidentialité, du coût et du contrôle, plutôt que de suivre une approche de développement universelle. Cette expansion pourrait générer une demande significative pour le calcul décentralisé, les paiements basés sur la blockchain et les réseaux d'incitation tels que Bittensor, car les poids de modèles accessibles nécessitent encore une infrastructure substantielle pour l'entraînement et l'exploitation. Covenant-72B a démontré que des expériences d'entraînement permissionless à grande échelle sont possibles, mais la faisabilité technique ne garantit pas la supériorité commerciale ni la valeur des jetons. Les projets d'IA décentralisée doivent prouver qu'ils peuvent vérifier les résultats, protéger les données, offrir des services fiables et attirer des clients payants sans compter excessivement sur les émissions. La crypto pourrait devenir une couche importante de coordination et de règlement pour l'économie de l'IA ouverte, mais les projets les plus forts seront ceux qui convertissent le récit de l'IA en utilisation mesurable, revenus durables et économie de jetons transparente.
|
KuCoin célèbre son 9e anniversaire avec une campagne spéciale sur la plateforme, remplie de récompenses exclusives, d'activités de trading et d'offres à durée limitée. Ne manquez pas l'occasion de participer et de profiter des avantages alors que la plateforme célèbre neuf ans de croissance et d'innovation. Visitez la page officielle de la campagne dès maintenant :
|
Questions fréquemment posées
Bittensor est-il identique à une plateforme de calcul cloud décentralisée ?
Non. Un marché cloud décentralisé relie principalement les clients à des fournisseurs indépendants offrant des ressources informatiques. Bittensor est un réseau d'incitation plus large dans lequel des sous-réseaux spécialisés peuvent produire des inférences, des prédictions, des entraînements, du stockage et d'autres services numériques. Certains sous-réseaux peuvent offrir des services liés au calcul, mais le réseau ne fonctionne pas comme un marché standardisé de location de GPU.
Les modèles d'IA à poids ouverts peuvent-ils fonctionner entièrement hors ligne ?
Oui, à condition que l'utilisateur dispose d'un matériel suffisant, d'un logiciel compatible et d'une copie locale des poids du modèle. Le déploiement hors ligne peut améliorer la confidentialité et réduire la dépendance à une API externe, mais les modèles plus volumineux peuvent nécessiter des GPU coûteux et une mémoire importante. Un accès à Internet peut tout de même être nécessaire pour le téléchargement du modèle, les mises à jour de sécurité, les outils externes ou les données en temps réel.
Les propriétaires de GPU grand public peuvent-ils participer à des réseaux décentralisés d'intelligence artificielle ?
La participation dépend du réseau, du sous-réseau et des exigences de charge de travail. Certains services peuvent accepter des GPU grand public, tandis que les tâches d'entraînement ou d'inférence importantes nécessitent du matériel professionnel, une connexion internet à haute vitesse, une mémoire importante et une disponibilité fiable. Posséder un GPU ne garantit pas la rentabilité, car les récompenses doivent dépasser les coûts d'électricité, d'entretien, de bande passante et d'équipement.
Comment les réseaux de calcul décentralisés peuvent-ils protéger les données d'IA confidentielles ?
La confidentialité n'est pas garantie simplement parce qu'un réseau est décentralisé. Les plateformes sécurisées peuvent utiliser le chiffrement, des environnements de calcul confidentiel, l'isolation des charges de travail et un accès restreint aux données pour protéger les informations sensibles. Les organisations doivent vérifier si les fournisseurs peuvent consulter les données téléchargées, comment les résultats sont stockés et ce qui arrive aux fichiers temporaires après la fin d'une tâche.
Que se passe-t-il si un fournisseur de matériel se déconnecte pendant une charge de travail IA ?
Un réseau bien conçu peut enregistrer des points de contrôle, réaffecter les tâches inachevées et sanctionner les fournisseurs qui ne respectent pas les exigences de fiabilité. Les interruptions peuvent tout de même augmenter les temps de traitement et les coûts, notamment lors d'entraînements distribués nécessitant que les participants restent synchronisés. La redondance des fournisseurs et la récupération automatisée sont donc essentielles lors de l'évaluation des services de calcul décentralisés.
L'informatique GPU décentralisée est-elle toujours moins chère que les services cloud centralisés ?
Pas nécessairement. Les marchés distribués peuvent proposer des prix plus bas en utilisant du matériel sous-utilisé et des enchères compétitives, mais le coût total dépend également du transfert de données, de la latence, de la complexité de la configuration, de la durée de la charge de travail et de la fiabilité. Les entreprises doivent comparer le coût complet de l’achèvement d’une tâche plutôt que de se concentrer uniquement sur le prix horaire GPU annoncé.
Quelles métriques indiquent si un réseau décentralisé d'intelligence artificielle présente une demande réelle ?
Les indicateurs utiles incluent les paiements provenant de clients externes, le volume de charge de travail récurrente, l'utilisation du GPU, la rétention des clients, le temps de fonctionnement et le nombre de fournisseurs indépendants. Les utilisateurs doivent également comparer les revenus provenant des frais aux récompenses en jetons afin de déterminer si l'activité est financée commercialement ou fortement subventionnée par les émissions. Un nombre élevé de transactions seul ne représente pas nécessairement une utilisation significative de l'IA.
Avertissement : Cet article a uniquement une vocation informative et ne constitue pas un conseil financier ou en matière d'investissement. Les actifs de cryptomonnaie sont volatils, et les lecteurs doivent vérifier les dernières annonces officielles de WEMIX avant de prendre toute décision.
Avertissement : Pour votre confort, cette page a été traduite à l'aide de la technologie IA. Pour obtenir les informations à la source, consultez la version anglaise originale.