Je pense que $POD de @dphnAI est l’un des runners d’IA décentralisée les plus intéressants actuellement : des modèles open-source non censurés, alimentés par DePIN. Lancé en 2023 par Eric Hartford et son équipe, Dolphin a déjà déployé des dizaines de modèles non censurés sur Hugging Face, avec des millions de téléchargements mensuels. Maintenant, après le rebranding, ils ont publié la totalité de la tokenomique peer-to-pool. Voici une synthèse sans filtre, en 30 secondes. - ❶ Que cherchent-ils à résoudre ? - Modèles d’IA censurés - Inférence coûteuse et centralisée - Ressources GPU inactives gaspillées - Goulot d’étranglement des données synthétiques - Complexités de vérification décentralisée Cela est réalisé grâce à deux solutions. → Fine-tuning des bases open-source de haut niveau (Llama, Mistral, Qwen, etc.) pour créer des LLM de haute qualité, véritablement non censurés, qui conservent (voire améliorent) l’intelligence, la créativité, l’utilisation d’outils et les capacités de roleplay. → Construction du Dolphin Network – un réseau distribué de GPU où n’importe qui peut exécuter des nœuds avec du matériel inactif (PC de jeu, cartes grand public, etc.) pour alimenter une inférence peu coûteuse et une génération massive de données synthétiques. - ❷ Dolphin Network – Design Peer-to-Pool Contrairement à la plupart des DePIN 1:1 en location, ils utilisent des pools : - Les nœuds exécutant le même modèle sont regroupés. - Les requêtes sont attribuées aléatoirement (pas de lien direct acheteur-vendeur). - Les nœuds gagnent uniquement en fonction des tokens traités (payés depuis le trésor du protocole). - Les utilisateurs achètent des crédits directement auprès du protocole (POD, ETH, BTC, USDC, même Monero/Zcash acceptés). Dolphin Mistral 24b est désormais le modèle non censuré par défaut pour tous les utilisateurs de @AskVenice. La feuille de route est pragmatique mais ambitieuse : (Actuellement) Bêta inférence distribuée Prochaines étapes (dans l’ordre) : → Nœuds image / vidéo / audio / transcription → Suite de génération de données synthétiques → Équilibrage automatique Lighthouse → Inférence distribuée en sharding → Distributed LoRA / SFT (fine-tuning supervisé) → Apprentissage par renforcement distribué → SFT à paramètres complets distribué → Suite de création et de fine-tuning de modèles → Pré-entraînement distribué à grande échelle - ❸ POD Utilité et accumulation de valeur : - Staking (xPOD vault) → dividendes auto-compound provenant des rachats + crédits d’inférence quotidiens + avantages. - Les opérateurs de nœuds bloquent du POD (soumis à slash) pour obtenir des récompenses. Des multiplicateurs de boost au style CURVE, proportionnels à l’engagement relatif aux gains. - Les validateurs avec des blocages plus importants aident à sécuriser le réseau. ➠ Point clé : 100 % des revenus rachètent automatiquement du POD sur le marché ouvert → une pression d’achat réelle et constante qui peut dépasser les émissions. - ❹ Conclusion L’utilisation = revenus = rachats = valeur pour les stakers et les opérateurs bloqués. Aucune equity externe signifie que le token POD capture tout. C’est conçu comme un mélange d’ETH (slash), de CURVE (boosts) et de XSUSHI (auto-compound), mais optimisé spécifiquement pour l’inférence d’IA basée sur l’utilisation + les données synthétiques.