Les benchmarks supervisés étroits poussent à la centralisation, favorisent les modèles monolithiques uniques, ne rémunèrent pas les systèmes de niche ou legacy et empêchent les ingénieurs isolés de monétiser leur travail directement.
TAO / Bittensor
Réseau d’intelligence artificielle décentralisée qui rémunère la production de modèles et de signaux utiles au sein de sous-réseaux spécialisés.
TAO/USDT
229,12 $
+3,42 % · 24 h
Il y a 1 jour · Données de marché suivies
Réponse rapide
TAO est compatible avec Candle Finder à 80 %
À valider tant que les conditions d’invalidation ci-dessous ne sont pas déclenchées.
Données vérifiables77 % de fiabilité
01
Ce que fait le projet
Lecture structurée du whitepaper
60/100
Un marché P2P d'intelligences où (1) les peers se notent via un score de pruning fisherien, (2) le consensus sigmoïde empêche les sous-graphes minoritaires de s'auto-inflater, (3) des 'bonds' permettent la spéculation et alignent les votes sur la valeur future, (4) la standardisation de tenseurs, le calcul conditionnel et la distillation rendent le système opérationnel.
Le 'stake' S est l'unité native de l'incentive; il représente le poids d'un peer dans le réseau et est émis/réparti selon les rangs et le consensus.
Pas de mécanisme explicite de 'value capture' style fee burn décrit dans le document · La valeur est implicitement capturée par la détention de stake qui donne accès aux rangs et donc à l'inflation future
Gouvernance distribuée entre détenteurs, validateurs et participants techniques.
Calcul de la Hessienne nécessaire au rang idéalisé est impraticable; recours à des heuristiques (gating) qui peuvent diverger · Bande passante sortante: le gating est proposé comme solution, son scaling est non démontré · Compatibilité des tenseurs entre modalités hétérogènes (audio continu, graphes)
Point à surveiller
Le whitepaper promet une résistance à la collusion jusqu'à 50% mais la simulation commence avec S_A=0.51 et S_B=0.49 — la marge est extrêmement étroite
Lecture approfondie du whitepaper
Ce qui est nouveau, comparable et encore incertain
La thèse en une phrase
Un marché P2P où l'intelligence artificielle est notée et rémunérée par d'autres intelligences artificielles, via un grand livre numérique résistant aux collusions jusqu'à 50% du stake.
Si elle fonctionne, l'idée déplacerait la production d'IA d'une compétition winner-take-all contrôlée par quelques grandes entreprises vers un marché ouvert où des modèles hétérogènes (y compris petits, legacy ou de niche) peuvent être rémunérés selon leur contribution informationnelle réelle.
Ce qui est réellement nouveau
- Formulation explicite d'un marché où l'évaluateur est aussi une intelligence artificielle (peer-ranking par Fisher information)
- Combinaison d'un consensus sigmoïde avec une matrice de bonds spéculatifs (structure non standard)
- Mécanisme de 'loss term' qui ajuste dynamiquement le nombre d'arêtes pour forcer le consensus
Ce qui le différencie
- L'évaluation par d'autres IA plutôt que par un benchmark humain est conceptuellement différent de Render/Numeration/etc.
- Le 'fisher information pruning score' comme base théorique du rang
- Les 'bonds' comme couche de spéculation sur les rangs
- Le loss term L qui pilote dynamiquement la topologie du graphe
Ce que le document ne prouve pas
- Tokenomics complètes (cap, distribution initiale, slashing, burn, gouvernance)
- Métriques d'adoption ou de production d'IA utile
- Audit de sécurité du mécanisme de consensus
- Détails d'implémentation technique (consensus layer, smart contracts, blockchain sous-jacente)
Narratifs principaux
La thèse de marché d'IA est durable; la thèse spécifique d'un marché fisherien-résistant-à-50%-avec-bonds est plus fragile car elle dépend de la solidité de chaque brique mathématique et de l'adoption critique.
Principes clés8 principes
Plutôt que mesurer la valeur d'un modèle sur des benchmarks supervisés étroits, le système propose que d'autres modèles d'IA soient les évaluateurs (peer-ranking).
Page 1Le rang idéalisé d'un peer est défini comme le coût entropique (Fisher information) lié à son retrait du réseau.
Page 2Une fonction sigmoïde C = σ(ρ(T^T S − κ)) rend l'inflation exponentielle au-dessus du seuil 0.5, décourageant les sous-graphes minoritaires.
Page 3Les pairs accumulent des obligations dans les pairs qu'ils notent positivement; cela ressemble à une spéculation sur équité.
Page 4La chaîne mesure si la majorité du stake va aux pairs avec consensus > 0.5 et peut ajuster le nombre de poids requis.
Page 4Les modèles dialoguent via des tenseurs de forme commune [batch, sequence_dim, output_dim], avec modalités TEXT, IMAGE, etc.
Page 5Une couche G(x) sélectionne dynamiquement un sous-ensemble de pairs à interroger.
Page 6Un student model peut imiter le réseau via KL-divergence, cassant la dépendance online.
Page 6Ressemblances et différences6 comparaisons
Point commun : Hypothèse de majorité honnête (Bitcoin: 51% hashpower; Bittensor: 50% stake)
Différence : Bitcoin mine des blocs, Bittensor mine du rang informationnel
Point commun : Jeu d'équilibre compétitif entre learners
Différence : Bittensor ajoute une dimension crypto-économique (stake, bonds) absente de Smooth Markets
Point commun : Régret ex-post zéro pour les stratégies d'enchère
Différence : Bittensor ne vend pas aux enchères, il note en continu via W
Point commun : Sélection dynamique d'un sous-ensemble d'experts
Différence : Dans Bittensor, les experts sont des pairs distribués et adversariaux (pas sous contrôle d'une même entité)
Point commun : Student model imite le teacher via KL-divergence
Différence : Le teacher dans Bittensor est un réseau dynamique distribué et non-stationnaire
Point commun : Récompense proportionnelle à la contribution mesurée
Différence : La 'contribution' dans Bittensor est informationnelle et non stockée sur disque
Preuves tirées du document8 passages
Page 1 · Résistance à la collusion jusqu'à 50%« The solution is an incentive mechanism which maximally rewards honestly selected weights, making the system resistant to collusion of up to 50 percent of the network weight »
Le mécanisme résiste à une coalition de moins de 50% du stake via la fonction sigmoïde de consensus.
Page 2 · Mesure du rang par Fisher information« equivalent to its pruning score »
Le rang idéalisé d'un peer est son coût de pruning (Fisher information).
Page 3 · Fonction de consensus sigmoïde« C = σ(ρ(TT S − κ)) »
La sigmoïde C = σ(ρ(T^T S − κ)) rend l'inflation exponentielle pour les pairs au-dessus du seuil 0.5.
Page 4 · Système de bonds« Like market based speculation on traditional equities, the peers that have accumulated bonds in peers that others will later value attain increased inflation themselves »
Les bonds permettent aux pairs de spéculer sur la valeur future d'autres pairs.
Page 4 · Loss term pour piloter le consensus« The chain uses the loss calculation as a peg. By increasing the number of weights the average miner sets across the network the chain can ensure consensus »
Le loss term L = -R · (C − 0.5) permet à la chaîne d'augmenter le nombre d'arêtes pour atteindre le consensus.
Page 7 · Simulation de décroissance de cabal« 99 0.00012063371993464691 »
Une simulation montre que la proportion de stake d'une cabal B (0.49 initial) tombe à 0.00012 en 100 blocks.
Page 7 · Difficulté de la Hessienne en pratique« In practice it is more reasonable to use a heuristic to propagate a contribution score from the error function through to the inputs »
Le rang fisherien nécessite la Hessienne complète, impraticable en pratique; recours à des heuristiques.
Page 3 · Référence explicite à Bitcoin« a core assumption in many decentralized system like Bitcoin »
L'hypothèse anti-collusion de 50% est calquée sur les systèmes décentralisés type Bitcoin.
02–03
Intérêt et conditions de marché
La demande est-elle réelle et le moment adapté ?
82/100
Thèmes détectés
Le narratif IA / DePIN accélère avec une attention soutenue sur les sous-réseaux, mais une partie du mouvement est déjà intégrée au prix.
Confirmation par les sources
Attention réelleHype 35 %
TendanceHaussier
Volatilité78/100
Liquidité 24 h220,1 M$
Zone clé214,00 – 270,00