Le capital de DePIN structurel se tourne vers l'IA : les VC soutiennent l'infrastructure d'IA vérifiable de DGrid

Web3 l'infrastructure de capital circule vers l'intersection des réseaux physiques décentralisés et de l'intelligence artificielle.

Le réseau d'intelligence artificielle décentralisée DGrid AI a récemment obtenu un financement initial de Waterdrip Capital, IoTeX, Paramita VC, Zenith Capital et CatcherVC pour développer son écosystème décentralisé.

Les couches d'intelligence vérifiable offrent aux réseaux matériels décentralisés un moyen de réduire le risque d'exécution.

Les interfaces de programmation d'applications centralisées exposent les applications natives de la blockchain au risque de contrepartie.

Les réseaux DePIN ont besoin d'environnements de calcul sans confiance avant de pouvoir servir en toute sécurité des charges de travail mondiales.

Démanteler la boîte noire centralisée de l'IA

Les plateformes traditionnelles Model-as-a-Service fonctionnent comme des silos opaques. Les fournisseurs de modèles peuvent proposer des modèles inférieurs avec peu de visibilité extérieure.

Les hôtes centralisés peuvent modifier les coûts de calcul avant que les utilisateurs ne détectent des discrepancies. DGrid impose la transparence opérationnelle via la preuve de qualité (PoQ), un mécanisme de consensus vérifiable.

Les opérateurs matériels doivent prouver cryptographiquement la précision de l'exécution.

« Les réseaux matériels décentralisés font face à des goulots d'étranglement immédiats en matière d'exécution si les constructeurs restent aveugles à la façon dont leurs données sont traitées », a déclaré Jademont, PDG de Waterdrip Capital.

En intégrant la validation directement dans la couche de consensus, DGrid établit une transparence cryptographique pour les demandes de calcul complexes.

Jademont
PDG de Waterdrip Capital

Résoudre le goulot d'étranglement de la vérification matériel-logiciel

Les réseaux matériels distribués ont besoin de protocoles de validation rigoureux pour l'inférence d'apprentissage automatique complexe. La qualité de sortie à travers des milliers de nœuds indépendants introduit une friction technique importante.

DGrid déplace le goulot d'étranglement de la vérification dans la couche de consensus. La PoQ limite le comportement malveillant et réduit le risque de livraison de modèles inférieurs.

Les nœuds exécutent les demandes d'inférence et téléchargent immédiatement les journaux d'exécution sur le réseau. Des preuves de qualité inviolables sont générées sur la chaîne.

Les développeurs peuvent interroger les preuves cryptographiques pour évaluer la fiabilité des résultats sans réexécuter la tâche d'inférence. La vérification au niveau du protocole protège la performance et la résistance à la censure.

« Le pont de vérification matériel-logiciel reste le défi d'ingénierie le plus difficile dans l'IA décentralisée », a noté Zach, fondateur de 4EVER Research.

La mécanisme de preuve de qualité de DGrid répond à l'écart de validation au niveau du protocole. Les nœuds du réseau peuvent désormais exécuter des tâches complexes d'apprentissage automatique avec des hypothèses de confiance minimales.

Zach
Fondateur de 4EVER Research

Prouver la viabilité commerciale au-delà du simple calcul brut

L'adoption grand public dépend de l'agrégation de la demande parallèlement à la distribution de calcul. Les écosystèmes ont besoin d'interfaces utilisateur accessibles qui mettent en correspondance l'offre d'intelligence avec la demande des développeurs.

DGrid coordonne le flux de ressources via une suite utilitaire intégrée.

L'architecture centrale du réseau repose sur un Smart Router pour la distribution automatisée des modèles, ainsi qu'une place de marché ouverte où les développeurs fixent indépendamment le prix de leurs agents.

L'écosystème intègre également l'Arena récemment lancée sur la chaîne BNB, facilitant le déploiement rapide en chaîne via la norme de jeton ERC-8004.

Les assistants IA personnels fonctionnent localement en quelques minutes grâce au matériel hôte Openclaw gratuit. Les utilisateurs de DGrid accèdent à des modèles de pointe comme Claude, GPT et Gemini avec une réduction de 55 % par rapport aux tarifs du marché standard.

« Les réseaux physiques spéculatifs agrègent souvent une capacité de calcul massive sans assurer une utilité organique pour le consommateur », a commenté Frank, chercheur chez Abraca Research.

DGrid établit une viabilité immédiate du marché en associant l'offre brute de matériel à une demande structurée des développeurs.

Frank
Chercheur chez Abraca Research

Cette croissance pilotée par l'utilisateur se reflète dans la traction active du réseau, avec plus de 50 000 utilisateurs actifs quotidiens et 500 000 utilisateurs actifs mensuels sur les interfaces de la plateforme.

Passage à l'échelle pour l'intégration en entreprise

L'intégration en entreprise met à l'épreuve la vitesse, la convivialité, les outils pour développeurs et la surcharge cryptographique. Les workflows d'apprentissage automatique standard nécessitent une vérification en chaîne pour s'intégrer dans les systèmes existants sans ajouter de friction excessive.

Une latence élevée freine souvent l'adoption par les développeurs dans les environnements Web3.

Les protocoles de consensus complexes peuvent ralentir la génération d'inférence à des niveaux inacceptables. DGrid doit faire évoluer les processus de PoQ pour une vitesse de niveau entreprise.

Les ingénieurs réseau devront réduire la surcharge cryptographique tout en conservant une expérience développeur fluide.

Les fonds natifs DePIN donnent à DGrid une marge de manœuvre pour la recherche et le développement. Le capital d'amorçage peut soutenir l'équipe pour surmonter les premiers obstacles d'intégration et poursuivre une alternative transparente aux plateformes d'IA centralisées.

L'adoption à long terme dépendra d'une itération continue des modèles de consensus et d'une expérience développeur qui reste fiable sous charge de production.

L'article intitulé « Le capital structurel de DePIN se tourne vers l'IA : les VC soutiennent l'infrastructure d'IA vérifiable de DGrid » est publié en premier sur Invezz.