Torygreen

2025 a été l'année des débats sur l'AGI. Pas parce que les progrès ont stagné, mais parce que « l'intelligence » ne s'est jamais réduite à un seul scalaire.
Les laboratoires, les régulateurs et les acheteurs peuvent expédier - mais ils ne peuvent pas justifier, gouverner ou faire évoluer les décisions basées sur des impressions.
La contrainte est la vérification : le système peut-il reproduire les résultats sous contrainte, avec une provenance et une traçabilité d'audit ?
DeAI est essentiellement cette philosophie encodée dans l'infrastructure. C'est une façon d'aller de l'avant sans se mettre

Des modèles comme o1 ont rompu une hypothèse fondamentale en 2025 : le coût de l'inférence n'est pas fixe.
Ils vont « réfléchir » jusqu'à ce que l'incertitude s'effondre, même si cela coûte cher.
C'est pourquoi les rails sont importants. Lorsque le raisonnement est mesuré, quelqu'un contrôle ce compteur.
En 2026, le contrôle passe à celui qui fixe les prix, oriente et audite la réflexion à grande échelle.

Calculez les échelles que vous pouvez essayer.
Les échelles d'évaluation ce que vous pouvez faire confiance.
Les systèmes centralisés optimisent le débit et sous-investissent dans la vérification.
Les systèmes distribués repoussent la vérification à l'extrémité, en continu.
La prochaine avancée n’est pas des agents plus intelligents.
Ce sont des rails qui rendent les résultats vérifiables.

La programmation devient "facile" pour les modèles non pas parce que c'est simple, mais parce que la vérification est peu coûteuse.
Le travail de haute qualité est à l'opposé : les retours sont tardifs, les signaux sont confus, les parties prenantes couronnent les gagnants.
Une évaluation peu coûteuse augmente la capacité.
Une évaluation coûteuse augmente la persuasion.
« A l'air correct » est le piège.

La plupart des gens sous-estiment massivement la durée de survie du travail de connaissance haut de gamme.
Ils extrapolent à partir de l'IA qui écrase les tâches de niveau intermédiaire et supposent que la courbe continue à monter de manière fluide.
Ce ne sera pas le cas.
L'IA est incroyable pour :
• La reconnaissance de motifs
• La récupération d'informations
• La synthèse de premier ordre
• La fluidité
• La rapidité
Cela élimine d'énormes pans de travail de connaissance junior et intermédiaire.
Mais le travail de connaissance d'élite ne se limite pas à « plus d'intelligence ». C'est un régim

La plupart des prévisions concernant l'IA remplaçant « tous les travaux de connaissance » reposent sur une simple erreur d'extrapolation :
Ils confondent l'exécution des tâches avec le jugement.
Les gens voient l'IA démolir des tâches de niveau intermédiaire et supposent que la courbe continue à monter de manière fluide.
Mais le sommet du travail de connaissance n’est pas une version plus difficile du milieu. C’est un régime complètement différent.
Lorsque le travail cesse d’être « résoudre le problème » et devient « choisir le bon problème », les règles changent.
Les modèles deviennent meille

La plupart des gens sous-estiment la durée de survie du travail de connaissance haut de gamme.
Ils voient l'IA écraser les tâches de niveau intermédiaire et supposent que la courbe continue de monter sans problème.
Ce ne sera pas le cas.
Car « les tâches plus difficiles » ne sont pas simplement les mêmes tâches nécessitant plus de QI.
L'IA est déjà excellente dans :
1. La reconnaissance de motifs
2. La récupération
3. La synthèse de premier ordre
4. La fluidité
5. La rapidité
Cela élimine d'énormes pans de travail junior et intermédiaire.
Tout ce qui ressemble à « transformer des entrées en so

Vous ne perdrez pas votre emploi face à l'IA en premier.
Vous allez le perdre à cause d'un excès de confiance collectif.
L'IA permettra à des millions de fournir des réponses fluides sans en assumer les conséquences.
Les premières victimes de l'IA ne seront pas les travailleurs.
Ce seront des institutions qui confondront le volume de production avec la vérité.

Un modèle n'est pas un fossé.
L'intelligence est facile à reproduire.
Vous pouvez télécharger des poids, forker des architectures et affiner indéfiniment.
Mais vous ne pouvez pas déployer cette intelligence à grande échelle si quelqu'un d'autre contrôle l'inférence : les prix, les quotas, la KYC, les régions et les changements de politique qui se font du jour au lendemain.
Alors que l'IA passe des chatbots aux agents, cette porte devient le point de congestion.
Qui peut exécuter, quand, avec quelle latence, sur quel matériel, sous quelles règles.... et que se passe-t-il

La société d'IA la plus précieuse dans dix ans ne sera pas celle avec le modèle le plus intelligent.
Ce sera celle dont tous les autres modèles dépendront pour fonctionner.
Les modèles deviennent rapidement des commodités - ils ne restent pas longtemps spéciaux. Les architectures se divulguent. Les astuces d'entraînement se répandent. Le « meilleur modèle » cesse d’être un avantage durable.
Les problèmes d'infrastructure sont différents des problèmes de modèle.
Latence, débit, disponibilité, vérification. Ce sont des contraintes physiques et économiques, pas des problèmes que vous résolvez en

Votre IA vous manipule pour vous faire croire que vous êtes incompétent.
L’un des risques les moins discutés de l’IA conforme n’est pas la désinformation.
C’est la mauvaise calibration.
Les systèmes conçus pour être infiniment agréables ne façonnent pas seulement les réponses. Ils façonnent les utilisateurs, en formant les gens à confondre fluidité et compétence.
Je le remarque en moi-même, c’est pourquoi j’encourage mes modèles à devenir des partenaires d’entraînement. Lorsque le système est fluide et affirmatif, il est facile d’aller plus vite sans être mis à l’épreuve. On se sent capable pa

Le récit DePIN & GPU persiste parce que les contraintes n'ont pas évolué.
La demande en formation et inférence continue de croître, tandis que les clouds centralisés restent limités par le CAPEX, la géographie et la file d'attente.
Bien sûr, il y a quelques années, la rareté de la puissance de calcul n'était qu'une théorie.
Mais maintenant, c’est une contrainte opérationnelle.
Comment cela influence-t-il l’utilisation et le revenu des réseaux de calcul décentralisés ?
Les réseaux de calcul décentralisés ne « attendent pas un jour l’utilisation ». Ils gèrent déjà des charges de travail en produ

DeFAI a un problème de crédibilité.
Au moment où votre agent IA pense hors chaîne, DeFAI cesse d’être vérifiable car vous avez inséré un écart de confiance dans un flux de travail on-chain autrement transparent.
Cet écart ?
Une nouvelle dépendance partagée.
Chaque protocole qui dépend de cet agent hors chaîne est obligé de lui faire confiance, puis de transmettre cette boîte noire dans la pile.
La solution consiste en des reçus : des preuves cryptographiques.
Que doivent prouver les protocoles DeFAI, de bout en bout et de manière transparente, pour que tout le monde puisse vérifier ?
Les donné

Pensez-y comme à des couches :
Internet = bien commun de l'information
Crypto = bien commun financier
DeAI = bien commun cognitif
Ensemble, ils forment un esprit partagé.
Ouvert par défaut.
Vérifiable par le code.
Appartenant à personne.
DeAI est la couche manquante qui traduit la crypto pour le reste du monde.

> être openAI, 2025
> "nous respectons votre vie privée"
> "nous ne collectons pas vos informations personnelles, nous améliorons simplement le modèle pour tout le monde"
> vous : ça a l’air sain, voici toute mon histoire d’enfance pour 20$/mois
> lancement de "Mémoire"
> "personnalisation à long terme", disent-ils, "comme ça vous n’aurez plus à vous répéter"
> on se souvient désormais de votre boulot, de votre ex, de vos macros, et de cette peur bizarre que vous avez confiée à 3h du matin
> prochaine mise à jour : Pulse
> on se connecte discrètement à votre calendrier, vos pré

La pénurie actuelle de GPU n’est pas un simple problème logistique temporaire.
C’est une défaillance structurelle due à la centralisation.
L’approvisionnement dépend d’une chaîne d’approvisionnement à point unique.
La demande pour l’inférence IA est infiniment scalable.
Seul le calcul décentralisé peut alléger la pression.

Un angle qui mérite d’être souligné : la mémoire transforme les agents de « simples répondeurs à des prompts » en systèmes à états. Dès qu’un état existe, on obtient des comportements cumulatifs, ce qui explique précisément pourquoi le passage des outils aux agents semble si spectaculaire.

La plupart de la nouvelle demande en calcul se déplace discrètement des personnes vers les agents IA.
Les équipes de robotique font fonctionner des milliers de bots virtuels dans des usines et des entrepôts avant un seul déploiement physique.
Les studios de jeux simulent des PNJ avec une mémoire à long terme et une coordination au lieu de bots scriptés.
Tout cela nécessite des cycles de simulation bon marché et élastiques, c'est là que les clouds DeAI interviennent avec des GPU distribués.
Les humanoïdes dans les usines ou les agents de travail au sein des entreprises ne sont que la surfac