Qu'est-ce que l'IA décentralisée ?

L’intelligence artificielle (IA) a fait des progrès remarquables ces dernières années, transformant les industries et remodelant notre vie quotidienne. Cependant, les grandes entreprises technologiques dominent aujourd’hui le paysage de l’IA, contrôlant d’énormes quantités de données, de ressources informatiques et de modèles d’IA sophistiqués. Cette dynamique a suscité des inquiétudes concernant la confidentialité, la sécurité, l’équité et la concentration du pouvoir entre les mains de quelques entités.

L’IA décentralisée est une approche fondamentalement différente du développement, du déploiement et de la gestion de systèmes d’IA qui distribuent des composants clés sur un réseau de participants plutôt que de les centraliser sous le contrôle d’une seule entité.

Explorons les composants critiques de l’IA décentralisée, comment ils se comparent à leurs homologues centralisés, ainsi que les avantages et les défis à venir.

Apprentissage fédéré

L’IA centralisée collecte des données provenant de diverses sources (par exemple, sa propre base d’utilisateurs ou des bases de données publiques) et les centralise dans un seul emplacement. Lors de l’entraînement d’un modèle, l’ensemble des données est accessible aux puissants serveurs ou clusters qui l’utilisent pour l’entraînement. Et cela crée des problèmes de confidentialité et de sécurité qui commencent à apparaître aujourd’hui.

Les grandes entreprises technologiques sont incitées à aspirer autant de données que possible, ce qui les met en contradiction avec soucieux de la vie privée consommateurs. Dans le même temps, les entreprises qui souhaitent tirer parti de l’IA centralisée peuvent avoir besoin d’envoyer leurs données à ces services, ce qui crée des problèmes potentiels en matière de confidentialité et de sécurité des données. 

L'IA décentralisée s'appuie sur l'idée d'apprentissage fédéré, qui laisse à chaque participant le contrôle de ses données locales. Grâce à ce concept, un serveur central envoie le modèle actuel à un sous-ensemble de participants qui l'entraînent sur leurs données avant de renvoyer uniquement les mises à jour du modèle au serveur pour améliorer le modèle global.

Informatique collective

Les entreprises d'IA conventionnelles dépensent d'énormes ressources en puissance de calcul pour former leurs derniers modèles. Selon HSBC, le coût de formation de ChatGPT-5 pourrait varier entre 1.7 et 2.5 milliards de dollars ! La course à la création de meilleurs modèles a entraîné une forte augmentation demande de GPU et d'autres matériels (et une augmentation du prix des actions de NVIDIA !).

Ces coûts élevés constituent un obstacle majeur à l’entrée sur le marché pour les gouvernements, les universités ou les chercheurs qui souhaitent former leurs propres modèles d’IA compétitifs. Bien que Facebook fournisse gratuitement son modèle de base Llama, les utilisateurs doivent s’appuyer sur les paramètres de formation initiaux de l’entreprise et sur d’autres paramètres lorsqu’ils utilisent le modèle à leurs propres fins.

SETI@home a été le pionnier de l'idée de l'informatique collective pour explorer le cosmos et plus tard, avec Folding@home, pour découvrir de nouvelles thérapies. L'IA décentralisée vise à exploiter les mêmes principes pour exploiter la puissance des ordinateurs personnels, des smartphones et d'autres appareils grand public afin d'effectuer des tâches d'IA pour lesquelles l'IA centralisée utilise des centres de données.

Gouvernance collaborative

L'IA centralisée crée un problème de gouvernance important. Par exemple, les grandes entreprises technologiques qui contrôlent l'IA peuvent vendre l'accès à qui elles veulent pour maximiser leurs profits. D'un autre côté, elles peuvent refuser de donner accès à qui elles veulent. Le résultat est un gardien qui n'a de comptes à rendre à personne, hormis ses actionnaires.

De plus, il existe peu d’informations sur la manière dont les modèles sont formés et sur les données sur lesquelles ils sont basés, ce qui peut conduire à des biais difficiles à évaluer pour les utilisateurs finaux. Bon nombre de ces biais sont déjà en évidence, comme le biais COMPAS (Correctional Offender Management Profiling for Alternative Sanctions) qui considère que les accusés noirs sont plus susceptibles de récidiver.

L'IA décentralisée vise à tirer parti de la gouvernance collaborative comme Organisations autonomes décentralisées (DAO). Ces organisations utilisent jetons de gouvernance pour permettre aux membres de la communauté de prendre des décisions concernant le projet et ses objectifs. Le code source de l'organisation est ouvert à tous, et peut être lu ou amélioré.

Projets d'IA décentralisés

L'IA décentralisée n'en est qu'à ses balbutiements par rapport aux projets d'IA centralisés comme OpenAI ou Llama. Cependant, un nombre croissant de projets font leur apparition, qui s'appuient sur l'apprentissage fédéré, l'informatique collective et la gouvernance collaborative. Ces projets pourraient s'appuyer sur les fondements de l'IA centralisée pour offrir aux utilisateurs des options alternatives.

Certains des projets les plus populaires incluent :

• Gensin connecte tous les ordinateurs du monde en un seul réseau, permettant ainsi de former à l'apprentissage automatique programmatique à faible coût et à grande échelle. L'organisation décrit son approche dans son Litepaper.
  
• OORT est une plateforme de cloud computing décentralisée et vérifiable qui utilise des ressources mondiales, des centres de données aux smartphones, pour permettre des applications d'IA fiables. Le projet est notamment déjà opérationnel auprès des clients.
  
• Bittenseur est un pionnier de la production décentralisée d’IA en produisant des produits numériques compétitifs, tels que l’intelligence artificielle, l’espace de stockage, la puissance de calcul ou le repliement des protéines.

Sans surprise, nombre de ces projets sont étroitement liés aux écosystèmes de la cryptographie et de la blockchain. Les blockchains offrent un moyen décentralisé d'organiser l'information, tandis que les cryptomonnaies facilitent la création d'incitations égoïstes pour atteindre des objectifs collectifs. Elles répondent parfaitement aux exigences des IA décentralisées pour réussir.

Il est intéressant de noter que l’IA centralisée pourrait également être un atout. Bien que les entreprises ne partagent pas le fonctionnement interne de leurs modèles, ceux-ci peuvent aider à former d’autres modèles pour les mettre rapidement à niveau. La distillation de modèles consiste à former des modèles plus petits pour imiter le comportement de modèles plus grands afin de capturer des fonctionnalités à une fraction du coût.

Défis à venir

L’avantage le plus important des systèmes centralisés est leur capacité à se déplacer rapidement. Par exemple, une banque centrale peut imprimer instantanément de la monnaie pour contrôler l’inflation, alors que les écosystèmes de cryptomonnaies doivent s’appuyer sur des réseaux décentralisés pour créer des jetons. Il en va de même avec l’IA centralisée, où les entreprises peuvent simplement lever des fonds et commencer à calculer.

L'IA décentralisée est confrontée à quelques défis uniques, notamment :

• Économies d'échelle. L'apprentissage fédéré et l'informatique collective nécessitent une certaine échelle pour réussir. Après tout, un ensemble de données limité ou quelques smartphones ne suffisent pas à concurrencer les centres de données massifs d'OpenAI. Attirer des participants est plus difficile au début.
  
• Défis techniques. La coordination des calculs sur plusieurs appareils peut être plus lente que le traitement centralisé, tandis que la gestion de systèmes distribués à grande échelle implique une complexité accrue. Parallèlement, la nature du développement open source implique une dépendance à l'égard des premiers volontaires.
  
• Qualité des données. De nombreuses entreprises d'IA centralisées consacrent beaucoup de temps à l'amélioration de la qualité des données. Mais, lorsqu'elles s'appuient sur des sources de données diverses et non contrôlées, il peut être difficile de garantir la qualité des données. Les données non indépendantes et distribuées de manière identique (IID) peuvent également affecter les performances d'un modèle.
  
• Problèmes de sécurité. La décentralisation améliore la confidentialité, mais peut également entraîner des problèmes de sécurité. Par exemple, les projets open source impliquent des parties prenantes, et si les vulnérabilités ne sont pas détectées, le projet pourrait les insérer dans la base de code. Il est également beaucoup plus difficile de limiter l'accès aux acteurs malveillants.

Bien entendu, ces défis ne sont qu’une infime partie de la solution. Il existe également des défis potentiels en matière de ressources et d’infrastructures, des défis sociaux et d’adoption, ainsi que plusieurs défis réglementaires et juridiques possibles. Nombre de ces défis, notamment réglementaires et d’infrastructures, pourraient refléter ceux de l’écosystème cryptographique.

Conclusion

L'IA décentralisée pourrait contourner les gardiens traditionnels de l'IA centralisée d'aujourd'hui et révolutionner le secteur. En ouvrant la voie à des écosystèmes d'IA plus démocratiques et plus fiables, ils pourraient répondre à de nombreuses préoccupations légitimes derrière l'IA centralisée.

Si vous utilisez des plateformes d'IA décentralisées qui impliquent des jetons, vous devrez peut-être signaler tout gain ou perte à l'IRS. ZenLedger peut vous aider à regrouper les transactions entre portefeuilles et bourses, à calculer votre gain ou votre perte en capital, à générer les documents que vous devez déposer chaque année auprès de l'IRS et à éviter des audits coûteux !

Commencez dès aujourd'hui gratuitement!

Ce document a été préparé à titre informatif uniquement et ne doit pas être interprété comme un avis professionnel. Veuillez demander conseil à un conseiller juridique, financier, fiscal ou autre, indépendant et adapté à votre situation particulière.