La prochaine décennie de l'industrie de l'IA : de la puissance de calcul aux données
La taille des paramètres et la puissance de calcul des modèles d'intelligence artificielle (IA) ont connu une croissance exponentielle ces dernières années, mais un goulot d'étranglement central négligé commence à se manifester : les données. Alors que la taille des modèles dépasse les mille milliards de paramètres et que la puissance de calcul est mesurée en billions d'opérations par seconde (FLOPS), le plus grand défi auquel l'industrie de l'IA est confrontée n'est plus l'architecture des modèles ou la puissance de calcul des puces, mais comment transformer les données de comportement humain fragmentées en ressources vérifiables, structurées et prêtes pour l'IA.
Cette analyse révèle les contradictions structurelles du développement actuel de l'IA, tout en esquissant un tout nouveau paysage de l'"ère DataFi". Dans cette ère, les données ne sont plus un sous-produit de la technologie, mais deviennent des facteurs de production essentiels, mesurables, échangeables et valorisables, à l'instar de l'électricité et de la Puissance de calcul.
Les contradictions structurelles de l'industrie de l'IA : de la compétition de puissance de calcul à la famine de données
Le développement de l'IA a longtemps été propulsé par le double noyau "modèle-Puissance de calcul". Depuis la révolution de l'apprentissage profond, les paramètres des modèles sont passés de millions (comme AlexNet en 2012) à des trillions (comme GPT-4), et la demande de puissance de calcul a augmenté de manière exponentielle. Le coût de l'entraînement d'un modèle de langage avancé a déjà dépassé 100 millions de dollars, dont 90% sont consacrés à la location de clusters GPU. Cependant, alors que l'industrie se concentre sur "des modèles plus grands" et "des puces plus rapides", une crise du côté de l'offre de données est en train de se profiler.
Les "données organiques" générées par l'homme ont atteint un plafond de croissance. Prenons les données textuelles comme exemple : la quantité totale de textes de haute qualité accessibles sur Internet (livres, articles, nouvelles) est d'environ 10^12 mots, tandis qu'un modèle de mille milliards de paramètres nécessite environ 10^13 mots de données pour son entraînement. Cela signifie que le pool de données existant ne peut soutenir l'entraînement que de 10 modèles de taille équivalente. Plus préoccupant encore, la proportion de données répétées et de contenus de faible qualité dépasse 60%, ce qui réduit encore l'offre de données efficaces. Lorsque le modèle commence à "dévorer" les données générées par lui-même, la dégradation des performances du modèle due à la "pollution des données" est devenue une préoccupation dans l'industrie.
Cette contradiction trouve sa source dans le fait que l'industrie de l'IA a longtemps considéré les données comme une "ressource gratuite" plutôt que comme un "actif stratégique" nécessitant un soin particulier. Les modèles et la Puissance de calcul ont formé un système de marché mature, mais la production, le nettoyage, la validation et la transaction des données restent à l'ère "sauvage". La prochaine décennie de l'IA sera celle des "infrastructures de données", et les données on-chain des réseaux cryptographiques sont la clé pour déverrouiller cette impasse.
Données on-chain : la "base de données sur le comportement humain" la plus nécessaire pour l'IA
Dans le contexte de la famine de données, les données on-chain des réseaux cryptographiques présentent une valeur irremplaçable. Par rapport aux données d'Internet traditionnel, les données on-chain possèdent intrinsèquement une authenticité de "l'alignement des incitations". Chaque transaction, chaque interaction contractuelle et chaque comportement d'adresse de portefeuille sont directement liés à un capital réel et sont immuables. Ces données sont définies comme "les données d'alignement des incitations humaines les plus concentrées sur Internet", concrètement illustrées dans trois dimensions :
Signaux d'intention "réels" : les données on-chain enregistrent les comportements décisionnels votés avec de l'argent réel, reflétant directement le jugement des utilisateurs sur la valeur du projet, leur appétence au risque et leurs stratégies de répartition des fonds. Ces données "soutenues par le capital" ont une valeur extrêmement élevée pour former la capacité décisionnelle de l'IA.
Chaîne de "comportements" traçable : La transparence de la blockchain permet de retracer complètement les comportements des utilisateurs. L'historique des transactions d'une adresse de portefeuille, les protocoles avec lesquels elle a interagi, et les changements d'actifs détenus forment une "chaîne de comportements" cohérente. Ces données comportementales structurées sont précisément les "échantillons de raisonnement humain" les plus rares pour les modèles d'IA actuels.
Accès "sans autorisation" à un écosystème ouvert : les données en chaîne sont ouvertes et sans autorisation. Tout développeur peut accéder aux données brutes via un explorateur de blockchain ou une API de données, fournissant une source de données "sans barrières" pour l'entraînement des modèles d'IA. Cependant, les données en chaîne existent sous forme de "journaux d'événements", qui sont des "signaux bruts" non structurés, nécessitant un nettoyage, une normalisation et une association avant de pouvoir être utilisées par les modèles d'IA. Actuellement, le "taux de conversion structuré" des données en chaîne est inférieur à 5 %, et une grande quantité de signaux de haute valeur est enfouie parmi des milliards d'événements fragmentés.
Hyperdata Network : le "système d'exploitation" des données on-chain
Pour résoudre le problème de la fragmentation des données sur la chaîne, le secteur a proposé le concept de Hyperdata Network - un "système d'exploitation intelligent sur la chaîne" conçu spécifiquement pour l'IA. Son objectif principal est de transformer les signaux dispersés sur la chaîne en données prêtes pour l'IA, structurées, vérifiables et réelles.
Manuscrit : Normes de données ouvertes
L'un des principaux problèmes des données sur la chaîne est le "format chaotique". Les formats de journaux d'événements des différentes blockchains varient, et la structure des données de différentes versions du même protocole peut également changer. Manuscript, en tant que norme de schéma de données ouverte, unifie la définition et la description des données sur la chaîne. Par exemple, il standardise le "comportement de mise en jeu des utilisateurs" en une structure de données structurée contenant des champs tels que staker_address, protocol_id, amount, timestamp, reward_token, garantissant que les modèles d'IA n'ont pas besoin de s'adapter aux formats de données de différentes chaînes ou protocoles, mais peuvent directement "comprendre" la logique commerciale derrière les données.
Cette normalisation de la valeur réside dans la réduction des coûts de friction liés au développement de l'IA. Basé sur Manuscript, toutes les données on-chain ont été prétraitées selon une norme unifiée, permettant aux développeurs d'appeler directement des données structurées telles que "enregistrements de mise en jeu des utilisateurs" et "enregistrements de fourniture de liquidités", ce qui réduit considérablement le cycle d'entraînement des modèles.
garantie de la crédibilité des données
L'exigence fondamentale des modèles d'IA pour les données est "la confiance". Le réseau Hyperdata garantit l'authenticité des données grâce au mécanisme AVS (Active Validator Set) d'Ethereum. L'AVS est un composant d'extension de la couche de consensus d'Ethereum, composé de nœuds validateurs responsables de la vérification de l'intégrité et de l'exactitude des données sur la chaîne. Lorsque le réseau Hyperdata traite un événement sur la chaîne, les nœuds AVS croisent les valeurs de hachage des données, les informations de signature et l'état sur la chaîne pour s'assurer que les données structurées produites correspondent exactement aux données d'origine sur la chaîne.
Ce mécanisme de vérification de "garantie de l'économie cryptographique" résout le problème de confiance des validations traditionnelles centralisées. La véracité des données est soutenue par un réseau de validateurs décentralisés, et toute tentative de falsification déclenchera le mécanisme de pénalité des contrats intelligents.
Couche de disponibilité des données à haut débit
Les modèles d'IA, en particulier les applications d'IA interactives en temps réel, nécessitent une fourniture de données à faible latence et à haut débit. La couche de disponibilité des données (DA) est conçue spécifiquement pour ce besoin, en optimisant les algorithmes de compression des données et les protocoles de transmission, permettant le traitement en temps réel de centaines de milliers d'événements sur la chaîne par seconde. Par exemple, lorsqu'une grande transaction a lieu sur une plateforme, la DA peut extraire, normaliser et valider les données en une seconde, puis pousser le "signal de grande transaction" structuré aux modèles d'IA abonnés, leur permettant d'ajuster rapidement leur stratégie de trading.
Derrière le haut débit se cache une architecture modulaire. Le DA sépare le stockage de données et le calcul, le stockage de données étant assuré par un réseau de nœuds distribués, tandis que le calcul est réalisé via des Rollups hors chaîne, évitant ainsi les goulets d'étranglement de performance de la blockchain elle-même. Cette conception permet à Hyperdata Network de soutenir les besoins en données en temps réel des applications AI à grande échelle.
L'ère DataFi : Quand les données deviennent un "capital" négociable
L'objectif ultime de Hyperdata Network est de propulser l'industrie de l'IA dans l'ère DataFi - les données ne sont plus des "matériaux d'entraînement" passifs, mais des "capitaux" actifs, pouvant être tarifés, échangés et valorisés. La réalisation de cette vision repose sur la transformation des données par Hyperdata Network en quatre attributs clés :
Structuré : de "signal brut" à "actif utilisable". Les données brutes de la chaîne sont comme du "pétrole brut", elles doivent être raffinées pour devenir "essence". Le réseau Hyperdata les transforme en données structurées grâce à des normes, permettant aux modèles d'IA d'accéder directement aux données, tout aussi simplement que d'appeler une interface API.
Combinable : les "blocs LEGO" des données. Les données structurées peuvent être combinées librement comme des blocs LEGO. Par exemple, les développeurs peuvent combiner les "enregistrements de staking des utilisateurs" avec les "données de fluctuation des prix" et le "nombre de mentions sur les réseaux sociaux" pour entraîner un "modèle de prévision de l'humeur du marché DeFi". Cette combinabilité élargit considérablement les limites d'application des données.
Vérifiable : le "soutien de crédit" des données. Les données structurées vérifiées génèrent un "empreinte de données" (valeur de hachage) unique, qui est stockée sur la blockchain. Toute application ou développeur d'IA utilisant ces données peut confirmer l'authenticité des données en vérifiant la valeur de hachage.
Monétisation : la "monétisation de la valeur des données". À l'ère de DataFi, les fournisseurs de données peuvent monétiser directement les données structurées. Par exemple, une équipe a développé un "signal d'alerte sur les vulnérabilités des contrats intelligents" en analysant des données sur la chaîne, et peut emballer ce signal en tant que service API, facturant par nombre d'appels. Les utilisateurs ordinaires peuvent également autoriser le partage de leurs données anonymisées sur la chaîne et recevoir des récompenses en jetons de données.
Conclusion : Révolution des données, la prochaine décennie de l'IA
Lorsque nous parlons de l'avenir de l'IA, nous avons souvent tendance à nous concentrer sur le "niveau d'intelligence" des modèles, tout en négligeant le "sol de données" qui soutient cette intelligence. Le Hyperdata Network révèle une vérité fondamentale : l'évolution de l'IA est en réalité l'évolution de l'infrastructure des données. De la "limitation" des données générées par l'homme à la "découverte de valeur" des données sur la chaîne, du "désordre" des signaux fragmentés à "l'ordre" des données structurées, de la "ressource gratuite" des données à "l'actif de capital" de DataFi, le Hyperdata Network est en train de redéfinir la logique sous-jacente de l'industrie de l'IA.
À l'ère du DataFi, les données deviendront le pont reliant l'IA au monde réel. Les agents de transaction perçoivent le sentiment du marché grâce aux données on-chain, les dApps autonomes optimisent leurs services via les données de comportement des utilisateurs, et les utilisateurs ordinaires obtiennent des revenus continus en partageant des données. Tout comme le réseau électrique a engendré la révolution industrielle, le Puissance de calcul réseau a engendré la révolution d'Internet, le Hyperdata Network est en train de susciter la "révolution des données" de l'IA.
Les applications natives d'IA de nouvelle génération nécessitent non seulement des modèles ou des portefeuilles, mais aussi des données programmables, sans confiance et à fort signal. Lorsque les données sont enfin dotées de la valeur qu'elles méritent, l'IA peut vraiment libérer le pouvoir de changer le monde.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
12 J'aime
Récompense
12
7
Reposter
Partager
Commentaire
0/400
GateUser-3824aa38
· 08-15 14:01
C'est difficile à supporter, les données ont commencé à être enroulées.
Voir l'originalRépondre0
SmartContractPlumber
· 08-14 16:58
La fuite de données privées est également une énorme vulnérabilité, tout aussi dangereuse que la réentrance des smart contracts.
Voir l'originalRépondre0
governance_ghost
· 08-14 16:53
Les données sont le nouveau pétrole, n'est-ce pas ?
Voir l'originalRépondre0
MultiSigFailMaster
· 08-14 16:50
Ne l'écoute pas trop, les données ne sont-elles pas le médicament de prolongation de vie pour les cartes graphiques dont on parle actuellement ?
Voir l'originalRépondre0
airdrop_whisperer
· 08-14 16:48
Les données et la puissance de calcul se battent, la puissance de calcul ne peut pas gagner.
Voir l'originalRépondre0
ThreeHornBlasts
· 08-14 16:35
Les données sont le grand frère, la puissance de calcul est le petit frère.
Révolution des données AI : l'émergence des données off-chain et de l'ère DataFi
La prochaine décennie de l'industrie de l'IA : de la puissance de calcul aux données
La taille des paramètres et la puissance de calcul des modèles d'intelligence artificielle (IA) ont connu une croissance exponentielle ces dernières années, mais un goulot d'étranglement central négligé commence à se manifester : les données. Alors que la taille des modèles dépasse les mille milliards de paramètres et que la puissance de calcul est mesurée en billions d'opérations par seconde (FLOPS), le plus grand défi auquel l'industrie de l'IA est confrontée n'est plus l'architecture des modèles ou la puissance de calcul des puces, mais comment transformer les données de comportement humain fragmentées en ressources vérifiables, structurées et prêtes pour l'IA.
Cette analyse révèle les contradictions structurelles du développement actuel de l'IA, tout en esquissant un tout nouveau paysage de l'"ère DataFi". Dans cette ère, les données ne sont plus un sous-produit de la technologie, mais deviennent des facteurs de production essentiels, mesurables, échangeables et valorisables, à l'instar de l'électricité et de la Puissance de calcul.
Les contradictions structurelles de l'industrie de l'IA : de la compétition de puissance de calcul à la famine de données
Le développement de l'IA a longtemps été propulsé par le double noyau "modèle-Puissance de calcul". Depuis la révolution de l'apprentissage profond, les paramètres des modèles sont passés de millions (comme AlexNet en 2012) à des trillions (comme GPT-4), et la demande de puissance de calcul a augmenté de manière exponentielle. Le coût de l'entraînement d'un modèle de langage avancé a déjà dépassé 100 millions de dollars, dont 90% sont consacrés à la location de clusters GPU. Cependant, alors que l'industrie se concentre sur "des modèles plus grands" et "des puces plus rapides", une crise du côté de l'offre de données est en train de se profiler.
Les "données organiques" générées par l'homme ont atteint un plafond de croissance. Prenons les données textuelles comme exemple : la quantité totale de textes de haute qualité accessibles sur Internet (livres, articles, nouvelles) est d'environ 10^12 mots, tandis qu'un modèle de mille milliards de paramètres nécessite environ 10^13 mots de données pour son entraînement. Cela signifie que le pool de données existant ne peut soutenir l'entraînement que de 10 modèles de taille équivalente. Plus préoccupant encore, la proportion de données répétées et de contenus de faible qualité dépasse 60%, ce qui réduit encore l'offre de données efficaces. Lorsque le modèle commence à "dévorer" les données générées par lui-même, la dégradation des performances du modèle due à la "pollution des données" est devenue une préoccupation dans l'industrie.
Cette contradiction trouve sa source dans le fait que l'industrie de l'IA a longtemps considéré les données comme une "ressource gratuite" plutôt que comme un "actif stratégique" nécessitant un soin particulier. Les modèles et la Puissance de calcul ont formé un système de marché mature, mais la production, le nettoyage, la validation et la transaction des données restent à l'ère "sauvage". La prochaine décennie de l'IA sera celle des "infrastructures de données", et les données on-chain des réseaux cryptographiques sont la clé pour déverrouiller cette impasse.
Données on-chain : la "base de données sur le comportement humain" la plus nécessaire pour l'IA
Dans le contexte de la famine de données, les données on-chain des réseaux cryptographiques présentent une valeur irremplaçable. Par rapport aux données d'Internet traditionnel, les données on-chain possèdent intrinsèquement une authenticité de "l'alignement des incitations". Chaque transaction, chaque interaction contractuelle et chaque comportement d'adresse de portefeuille sont directement liés à un capital réel et sont immuables. Ces données sont définies comme "les données d'alignement des incitations humaines les plus concentrées sur Internet", concrètement illustrées dans trois dimensions :
Signaux d'intention "réels" : les données on-chain enregistrent les comportements décisionnels votés avec de l'argent réel, reflétant directement le jugement des utilisateurs sur la valeur du projet, leur appétence au risque et leurs stratégies de répartition des fonds. Ces données "soutenues par le capital" ont une valeur extrêmement élevée pour former la capacité décisionnelle de l'IA.
Chaîne de "comportements" traçable : La transparence de la blockchain permet de retracer complètement les comportements des utilisateurs. L'historique des transactions d'une adresse de portefeuille, les protocoles avec lesquels elle a interagi, et les changements d'actifs détenus forment une "chaîne de comportements" cohérente. Ces données comportementales structurées sont précisément les "échantillons de raisonnement humain" les plus rares pour les modèles d'IA actuels.
Accès "sans autorisation" à un écosystème ouvert : les données en chaîne sont ouvertes et sans autorisation. Tout développeur peut accéder aux données brutes via un explorateur de blockchain ou une API de données, fournissant une source de données "sans barrières" pour l'entraînement des modèles d'IA. Cependant, les données en chaîne existent sous forme de "journaux d'événements", qui sont des "signaux bruts" non structurés, nécessitant un nettoyage, une normalisation et une association avant de pouvoir être utilisées par les modèles d'IA. Actuellement, le "taux de conversion structuré" des données en chaîne est inférieur à 5 %, et une grande quantité de signaux de haute valeur est enfouie parmi des milliards d'événements fragmentés.
Hyperdata Network : le "système d'exploitation" des données on-chain
Pour résoudre le problème de la fragmentation des données sur la chaîne, le secteur a proposé le concept de Hyperdata Network - un "système d'exploitation intelligent sur la chaîne" conçu spécifiquement pour l'IA. Son objectif principal est de transformer les signaux dispersés sur la chaîne en données prêtes pour l'IA, structurées, vérifiables et réelles.
Manuscrit : Normes de données ouvertes
L'un des principaux problèmes des données sur la chaîne est le "format chaotique". Les formats de journaux d'événements des différentes blockchains varient, et la structure des données de différentes versions du même protocole peut également changer. Manuscript, en tant que norme de schéma de données ouverte, unifie la définition et la description des données sur la chaîne. Par exemple, il standardise le "comportement de mise en jeu des utilisateurs" en une structure de données structurée contenant des champs tels que staker_address, protocol_id, amount, timestamp, reward_token, garantissant que les modèles d'IA n'ont pas besoin de s'adapter aux formats de données de différentes chaînes ou protocoles, mais peuvent directement "comprendre" la logique commerciale derrière les données.
Cette normalisation de la valeur réside dans la réduction des coûts de friction liés au développement de l'IA. Basé sur Manuscript, toutes les données on-chain ont été prétraitées selon une norme unifiée, permettant aux développeurs d'appeler directement des données structurées telles que "enregistrements de mise en jeu des utilisateurs" et "enregistrements de fourniture de liquidités", ce qui réduit considérablement le cycle d'entraînement des modèles.
garantie de la crédibilité des données
L'exigence fondamentale des modèles d'IA pour les données est "la confiance". Le réseau Hyperdata garantit l'authenticité des données grâce au mécanisme AVS (Active Validator Set) d'Ethereum. L'AVS est un composant d'extension de la couche de consensus d'Ethereum, composé de nœuds validateurs responsables de la vérification de l'intégrité et de l'exactitude des données sur la chaîne. Lorsque le réseau Hyperdata traite un événement sur la chaîne, les nœuds AVS croisent les valeurs de hachage des données, les informations de signature et l'état sur la chaîne pour s'assurer que les données structurées produites correspondent exactement aux données d'origine sur la chaîne.
Ce mécanisme de vérification de "garantie de l'économie cryptographique" résout le problème de confiance des validations traditionnelles centralisées. La véracité des données est soutenue par un réseau de validateurs décentralisés, et toute tentative de falsification déclenchera le mécanisme de pénalité des contrats intelligents.
Couche de disponibilité des données à haut débit
Les modèles d'IA, en particulier les applications d'IA interactives en temps réel, nécessitent une fourniture de données à faible latence et à haut débit. La couche de disponibilité des données (DA) est conçue spécifiquement pour ce besoin, en optimisant les algorithmes de compression des données et les protocoles de transmission, permettant le traitement en temps réel de centaines de milliers d'événements sur la chaîne par seconde. Par exemple, lorsqu'une grande transaction a lieu sur une plateforme, la DA peut extraire, normaliser et valider les données en une seconde, puis pousser le "signal de grande transaction" structuré aux modèles d'IA abonnés, leur permettant d'ajuster rapidement leur stratégie de trading.
Derrière le haut débit se cache une architecture modulaire. Le DA sépare le stockage de données et le calcul, le stockage de données étant assuré par un réseau de nœuds distribués, tandis que le calcul est réalisé via des Rollups hors chaîne, évitant ainsi les goulets d'étranglement de performance de la blockchain elle-même. Cette conception permet à Hyperdata Network de soutenir les besoins en données en temps réel des applications AI à grande échelle.
L'ère DataFi : Quand les données deviennent un "capital" négociable
L'objectif ultime de Hyperdata Network est de propulser l'industrie de l'IA dans l'ère DataFi - les données ne sont plus des "matériaux d'entraînement" passifs, mais des "capitaux" actifs, pouvant être tarifés, échangés et valorisés. La réalisation de cette vision repose sur la transformation des données par Hyperdata Network en quatre attributs clés :
Structuré : de "signal brut" à "actif utilisable". Les données brutes de la chaîne sont comme du "pétrole brut", elles doivent être raffinées pour devenir "essence". Le réseau Hyperdata les transforme en données structurées grâce à des normes, permettant aux modèles d'IA d'accéder directement aux données, tout aussi simplement que d'appeler une interface API.
Combinable : les "blocs LEGO" des données. Les données structurées peuvent être combinées librement comme des blocs LEGO. Par exemple, les développeurs peuvent combiner les "enregistrements de staking des utilisateurs" avec les "données de fluctuation des prix" et le "nombre de mentions sur les réseaux sociaux" pour entraîner un "modèle de prévision de l'humeur du marché DeFi". Cette combinabilité élargit considérablement les limites d'application des données.
Vérifiable : le "soutien de crédit" des données. Les données structurées vérifiées génèrent un "empreinte de données" (valeur de hachage) unique, qui est stockée sur la blockchain. Toute application ou développeur d'IA utilisant ces données peut confirmer l'authenticité des données en vérifiant la valeur de hachage.
Monétisation : la "monétisation de la valeur des données". À l'ère de DataFi, les fournisseurs de données peuvent monétiser directement les données structurées. Par exemple, une équipe a développé un "signal d'alerte sur les vulnérabilités des contrats intelligents" en analysant des données sur la chaîne, et peut emballer ce signal en tant que service API, facturant par nombre d'appels. Les utilisateurs ordinaires peuvent également autoriser le partage de leurs données anonymisées sur la chaîne et recevoir des récompenses en jetons de données.
Conclusion : Révolution des données, la prochaine décennie de l'IA
Lorsque nous parlons de l'avenir de l'IA, nous avons souvent tendance à nous concentrer sur le "niveau d'intelligence" des modèles, tout en négligeant le "sol de données" qui soutient cette intelligence. Le Hyperdata Network révèle une vérité fondamentale : l'évolution de l'IA est en réalité l'évolution de l'infrastructure des données. De la "limitation" des données générées par l'homme à la "découverte de valeur" des données sur la chaîne, du "désordre" des signaux fragmentés à "l'ordre" des données structurées, de la "ressource gratuite" des données à "l'actif de capital" de DataFi, le Hyperdata Network est en train de redéfinir la logique sous-jacente de l'industrie de l'IA.
À l'ère du DataFi, les données deviendront le pont reliant l'IA au monde réel. Les agents de transaction perçoivent le sentiment du marché grâce aux données on-chain, les dApps autonomes optimisent leurs services via les données de comportement des utilisateurs, et les utilisateurs ordinaires obtiennent des revenus continus en partageant des données. Tout comme le réseau électrique a engendré la révolution industrielle, le Puissance de calcul réseau a engendré la révolution d'Internet, le Hyperdata Network est en train de susciter la "révolution des données" de l'IA.
Les applications natives d'IA de nouvelle génération nécessitent non seulement des modèles ou des portefeuilles, mais aussi des données programmables, sans confiance et à fort signal. Lorsque les données sont enfin dotées de la valeur qu'elles méritent, l'IA peut vraiment libérer le pouvoir de changer le monde.