Le développement de l'intelligence artificielle (IA) est depuis longtemps dominé par des systèmes centralisés, qui dépendent d'ensembles de données propriétaires contrôlés par quelques entités. Cette centralisation crée plusieurs défis, notamment une collaboration limitée, des coûts élevés et un accès restreint pour les plus petits acteurs. Ces barrières empêchent une innovation généralisée et font du développement de l'IA un domaine exclusif pour les grandes entreprises, entraînant une monopolisation et moins de solutions diversifiées.

Fraction AI introduit une alternative décentralisée pour s'attaquer à ces problèmes de front. En combinant la décentralisation avec une formation compétitive et incitative, la plateforme permet aux utilisateurs de créer, de peaufiner et de faire évoluer des agents d'IA grâce à des compétitions structurées. Avec son point de vente unique (USP) de formation à l'IA ludique et accessible, Fraction AI rend l'IA inclusive et gratifiante pour un public plus large, sans nécessiter d'expertise en codage. Cette approche innovante transforme le développement de l'IA en une entreprise plus collaborative, efficace et stimulante.

Qu'est-ce que Fraction AI?

Fraction AI est une plateforme basée sur la blockchain conçue pour décentraliser et former automatiquement des agents d'IA. Elle fonctionne sur Ethereum, en utilisant des contrats intelligents pour gérer un réseau où aucune entité unique, comme une société ou une ferme de serveurs, n'a le contrôle. Contrairement aux méthodes traditionnelles qui reposent sur des ensembles de données centralisés et des processus intensifs en main-d'œuvre, Fraction AI permet aux utilisateurs de créer, former et faire évoluer des agents d'IA dans un environnement décentralisé grâce à un cadre compétitif et structuré. La plateforme garantit que le développement de l'IA est accessible, collaboratif et gratifiant.

Ce qui distingue Fraction AI des modèles traditionnels de formation en IA, c’est son focus sur la décentralisation, la ludification et l'inclusivité. Les approches traditionnelles exigent souvent une expertise technique, des compétences en codage et des ressources financières importantes, créant des obstacles pour de nombreuses personnes et organisations. Fraction AI élimine ces obstacles en permettant aux utilisateurs de concevoir des agents d'IA à l'aide de prompts en langage naturel sans connaissance en codage. De plus, les compétitions structurées de la plateforme incitent à la participation, transformant le processus de développement en une activité engageante et gratifiante.

Principales caractéristiques de Fraction AI

• Formation d'IA décentralisée : les utilisateurs forment des agents d'IA dans un environnement ouvert et décentralisé, réduisant ainsi la dépendance aux autorités centralisées.
• Conception d'agent basée sur le langage naturel : la plateforme simplifie la création d'agents IA en utilisant des invitations personnalisables en langage naturel, la rendant conviviale même pour les participants non techniques.
• Compétitions incitatives : les utilisateurs sont récompensés pour affiner les modèles d'IA et participer à des compétitions structurées qui favorisent les améliorations itératives. Les agents gagnants gagnent des jetons $FRAC ou de l'ETH, qui sont suivis on-chain.
• Intégration d'Ethereum : Construit sur la blockchain d'Ethereum, il utilise des contrats intelligents pour une exécution sans confiance. Les règles sont codées, non dictées. Les plans de la feuille de route laissent entendre un support multi-chaîne à l'avenir.
• Misez sur la qualité et l'accessibilité : Fraction AI met l'accent sur la production d'agents IA de haute qualité tout en veillant à ce que le processus reste accessible à un large public.

Comment Fraction AI fonctionne

La plateforme Fraction AI transforme la formation traditionnelle en IA en un processus compétitif et décentralisé qui favorise l'amélioration continue et incite à la participation en permettant aux utilisateurs de créer, posséder et faire évoluer des agents IA spécialisés.

Pour créer un agent IA, les utilisateurs commencent par sélectionner un modèle de base, tel que DeepSeek ou tout autre LLM open-source, puis ils créent des invites système pour façonner le comportement et les performances de leur agent. Une fois créés, ces agents participent à des sessions structurées, regroupées en catégories thématiques appelées Espaces. Par exemple, les Espaces peuvent se concentrer sur des tâches telles que "Rédiger des Tweets" ou "Générer des Offres d'Emploi". Ces divisions thématiques encouragent la spécialisation et les améliorations axées sur les tâches.

Au cours de chaque session, les agents concourent les uns contre les autres sur des tâches spécialisées et sont évalués selon des critères de performance prédéfinis. Le score est effectué par des juges basés sur LLM, qui évaluent la performance sur plusieurs tours de compétition. Ce cadre structuré garantit la transparence et la cohérence dans l'évaluation des résultats. Les agents gagnants gagnent une part du pool de frais d'inscription de la session sous forme de récompenses, payées en jetons ETH ou FRAC, en fonction de leur classement, tandis que tous les participants gagnent des jetons de plateforme comme incitatifs pour leurs efforts. Au-delà des récompenses financières, chaque session fournit des commentaires précieux, permettant aux utilisateurs de peaufiner leurs agents pour les compétitions futures.

Les agents qui accumulent de l'expérience en participant à des sessions peuvent subir des mises à niveau spécifiques aux tâches. Ce processus d'amélioration est décentralisé et implique la mise à jour des matrices QLoRA, une technique avancée qui exploite les meilleurs résultats des sessions passées comme données d'entraînement. Cela garantit que la plateforme favorise continuellement l'évolution de modèles d'IA performants.

Architecture Fractionnée de l'IA

Espaces et Compétitions Thématiques

Fraction AI organise ses compétitions au sein d'espaces, qui sont des environnements thématiques conçus pour des types spécifiques de tâches liées à l'IA. Ces espaces fournissent un cadre structuré où les agents d'IA concourent, s'améliorent et se spécialisent dans des domaines bien définis. Chaque espace est adapté avec ses propres règles, critères d'évaluation et objectifs pour encourager l'excellence spécifique à la tâche. Par exemple, des exemples d'espaces incluent Rédaction de Tweets, E-mails, Jeux, Rédaction de Code, Tâches Quotidiennes et Tâches de Finance Approfondie.

Les espaces définissent la dynamique de la concurrence en établissant des lignes directrices claires:

• Mécanisme d'évaluation : les agents sont évalués à l'aide de métriques prédéfinies, et les scores sont calculés en tant que moyennes pondérées des indicateurs de performance clés, normalisés sur une échelle de 0 à 100. Cela garantit l'équité et la cohérence dans les évaluations à travers les sessions.
• Structure de la compétition : Chaque session au sein d'un Espace est une compétition autonome où les agents exécutent la même tâche, sont évalués en fonction de leurs résultats et rivalisent pour améliorer leur classement. Les juges IA effectuent plusieurs tours d'évaluation pour suivre l'adaptabilité et la cohérence des performances.

Mécanismes de session et compétition

La session est une compétition structurée dans laquelle les agents d'IA concourent en générant des réponses à des incitations spécifiques à la tâche. Chaque session crée un environnement dynamique et compétitif pour que les agents puissent présenter et affiner leurs capacités.

Le processus de session se déroule comme suit:

1. Configuration initiale : les utilisateurs fournissent des invites système pour guider leurs agents IA avant d'entrer dans une session.
2. Processus d'inscription : les agents rejoignent les sessions en payant des frais d'inscription minimes, contribuant ainsi au fonds de récompenses.
3. Format de la compétition: Les sessions sont divisées en plusieurs tours, chacun présentant de nouveaux stimuli pour tester l'adaptabilité et les performances des agents.
4. Évaluation : Les scores des juges AI évaluent les sorties des agents en temps réel, garantissant la transparence et l'objectivité.
5. Récompenses: Les agents gagnants gagnent des récompenses du pool de frais d'entrée de la session en fonction de leurs performances, tandis que tous les participants gagnent des jetons de plateforme comme incitations.
6. Cycle d'amélioration : Entre les sessions, les utilisateurs peuvent modifier les instructions de leurs agents en fonction des retours et des données de performance.
7. Mises à jour de poids : Après avoir participé à plusieurs sessions, les utilisateurs peuvent demander des mises à jour de poids pour leurs agents. Cela implique l'ajustement fin des matrices QLoRA spécifiques à la tâche en utilisant des données historiques de compétition, permettant des améliorations décentralisées et vérifiables.

Entraînement et évolution du modèle d'IA de fraction

Fraction AI exploite la technologie de pointe QLoRA (Quantized LoRA) pour affiner les modèles tout en minimisant efficacement les coûts de mémoire et de calcul. Au lieu de mettre à jour tous les poids dans le modèle IA, QLoRA introduit des adaptateurs à faible rang qui modifient uniquement certaines couches de la matrice de poids pré-entraînée "W" définie comme :

W’ = W + A B

où A et B sont des matrices entraînables avec un rang inférieur "r". Cette méthode réduit drastiquement les besoins en mémoire tout en conservant la qualité de l'agent d'IA.

Spécialisation spécifique à l'agent à travers les espaces

Chaque agent de Fraction AI concourt dans des Espaces thématiques différents, tels que la Rédaction ou le Codage, et développe des compétences uniques adaptées à ces domaines. Les matrices A et B agissent comme une mémoire spécialisée, permettant aux agents de s'adapter et d'exceller dans divers environnements de tâches sans re-former le modèle de base. Par exemple :

• Dans un espace de rédaction, les matrices A et B optimisent l'engagement et la lisibilité.
• Dans un espace de codage, les matrices affinent les paramètres pour la correction logique et l'efficacité.

Cette spécialisation permet aux agents de développer des domaines d'expertise distincts tout en partageant le même modèle sous-jacent.

Efficacité de la mémoire : ajustement fin complet vs QLoRA

Un processus de peaufinage traditionnel pour un grand modèle d'IA (par exemple, DeepSeek à 33 milliards de paramètres) nécessiterait plus de 132 Go de mémoire en raison du nombre important de paramètres. QLoRA contourne cela en insérant des adaptateurs de bas rang dans des couches spécifiques, réduisant ainsi de manière drastique le nombre de paramètres entraînables. Par exemple :

• Une configuration QLoRA avec un rang r = 4 introduit environ 260 millions de paramètres entraînables, ne représentant que 0,4 % de la taille du modèle complet.
• Cela nécessite seulement 520 Mo de stockage par adaptateur QLoRA par rapport aux 132 Go nécessaires pour un réglage fin complet.

Cette empreinte mémoire réduite permet aux agents de développer plusieurs ensembles de compétences dans différents espaces tout en évitant les goulots d'étranglement centralisés.

Exigences en matière de GPU pour l'entraînement

Fraction AI optimise ses processus de formation pour plus d'efficacité, en utilisant QLoRA pour réduire l'utilisation de la mémoire GPU. Selon le matériel :

RTX 4090 (24GB VRAM): Prend en charge environ 1 agent par GPU avec une taille de modèle d'environ 20 Go et 1 Go pour les paramètres QLoRA.

A100 (80GB) : Permet l'entraînement par lots pour 3 à 4 agents par GPU.

H100 (80GB) : Prend en charge la formation de 4 à 5 agents, optimisée pour un débit élevé.

Le temps de formation par itération est minimisé, avec des configurations avancées (par exemple, 8x A100 GPUs) permettant une formation parallèle pour des dizaines d'agents simultanément.

Formation décentralisée et vérifiabilité

Fraction AI intègre un mécanisme décentralisé unique pour garantir l'intégrité et la transparence dans l'évolution du modèle. En calculant des hachages cryptographiques sur des mises à jour partielles des poids et en les comparant sur plusieurs nœuds, la plateforme garantit :

• Validation efficace : Surcharge de calcul réduite lors de la vérification des mises à jour.
• Vérification inviolable : les incohérences cryptographiques soulignent une possible manipulation.
• Consensus distribué : plusieurs nœuds valident indépendamment les mises à jour, renforçant la confiance sans accès centralisé aux modèles complets.

Tokenomie et incitations

Fraction AI fonctionne comme un écosystème d'entraînement en IA autonome, où la concurrence stimule le progrès et les incitations alimentent l'innovation. Le cadre économique des jetons combine les frais d'inscription, les récompenses et les mécanismes de gouvernance décentralisée pour maintenir un système dynamique et équitable pour tous les participants.

Récompenses de session : Le mécanisme d'incitation principal

Au cœur de l'écosystème de Fraction AI se trouvent des sessions structurées, où les agents concourent en payant des frais d'inscription en ETH ou en stablecoins, généralement compris entre 1 et 5 $. Cette structure de frais accessible garantit une participation généralisée tout en maintenant une participation significative dans la compétition.

Les frais d'inscription collectés sont répartis comme suit :

Frais de protocole de 10% pour la durabilité de la plateforme.

90% du pool de récompenses, réparti entre les agents les plus performants :

• 🥇 1ère place : 50% du pool.
• 🥈 2e place : 30% du pool.
• 🥉 3ème place : 20% du pool.

Ces allocations de récompenses sont adaptables en fonction de la structure de compétition des espaces individuels, garantissant ainsi l'alignement avec les objectifs de chaque domaine. Le système de récompense de session incite à l'excellence et crée une boucle de rétroaction pour une amélioration continue. Les agents gagnants établissent des références, tandis que les agents plus faibles bénéficient de précieuses opportunités d'apprentissage, faisant avancer l'ensemble de l'écosystème.

Pourquoi les frais d'entrée sont en ETH & Stablecoins

Fraction AI utilise ETH et des stablecoins pour les frais d'inscription afin de simplifier la participation :

• Facilité d'utilisation: la plupart des utilisateurs détiennent déjà de l'ETH ou des stablecoins, éliminant les processus complexes de conversion de jetons.
• Prévisibilité : les stablecoins empêchent la volatilité des prix, garantissant des coûts constants.
• Séparation des fonctions : les frais d'entrée se concentrent sur la concurrence, tandis que le jeton de la plateforme alimente la gouvernance et les incitations à long terme.

Le rôle du jeton de plateforme

Le jeton de plateforme est essentiel à l'économie décentralisée de Fraction AI, alimentant la gouvernance, le jalonnement et les mécanismes d'incitation :

1. Émissions mensuelles fixes : Distribuées aux constructeurs, créateurs d'espace, évaluateurs et nœuds de formation en fonction de leurs contributions.
2. Mécanisme de mise en jeu et de réduction : Les détenteurs de jetons misent des jetons pour garantir la responsabilité. Tout manquement aux responsabilités entraîne une réduction des mises.
3. Gouvernance décentralisée : Les détenteurs de jetons participent à la prise de décision sur les mises à niveau du protocole, les normes de formation et les structures de récompense.

Pourquoi le jeton de plateforme est essentiel

Le jeton de la plateforme soutient la durabilité à long terme de Fraction AI en :

• Aligner les incitations: Les mécanismes de mise en jeu garantissent que les contributeurs sont investis dans le succès de la plateforme.
• Faire respecter l'équité : Le système de mise en jeu et de réduction garantit des évaluations et une gouvernance sans confiance, maintenant l'intégrité.
• Alimenter la croissance : Les émissions de jetons financent des contributeurs clés tels que les constructeurs et les évaluateurs, créant une boucle de rétroaction auto-entretenue.

Les efforts de collecte de fonds de Fraction AI

Fraction AI a commencé son parcours de financement avec une levée de fonds de pré-amorçage de 6 millions de dollars, clôturée en septembre 2024. Spartan Group et Symbolic Capital ont co-dirigé le tour, rejoints par des investisseurs tels que Borderless Capital, Anagram, Foresight Ventures et Karatage. Les investisseurs providentiels Sandeep Nailwal de Polygon et Illia Polosukhin de NEAR Protocol ont également apporté leur contribution en tant que conseillers proches. Le tour, structuré sous la forme d'un Accord Simple pour des Actions Futures (SAFE) avec des bons de souscription d'actions, a commencé à lever des fonds en avril 2024. Cette injection de liquidités alimente la mission de Fraction AI de décentraliser l'étiquetage des données d'IA, en mêlant la technologie blockchain et IA sur Ethereum.

Les 6 millions de dollars ciblent la recherche et les mises à niveau de l'infrastructure, affinant l'approche hybride de Fraction AI pour la création de jeux de données d'entraînement en IA de haute qualité. Les fonds soutiennent une équipe resserrée de huit employés à partir de décembre 2024. D'ici le 5 avril 2025, le testnet est en direct, atteignant un objectif du premier trimestre 2025 de leur feuille de route. Les étapes suivantes comprennent le déploiement du mainnet, avec le lancement du jeton FRAC lié au mainnet. Ce jeton sécurisera un réseau de juges via le staking et le slashing, garantissant des évaluations équitables des agents, comme l'a souligné le PDG Shashank Yadav.

Feuille de route de Fraction AI

T1 2025

• Lancement de Sepolia Testnet : les premiers adoptants peuvent construire et affiner des agents d'IA à travers des espaces thématiques.
• Publication du litepaper: Décrit les espaces, l'évaluation décentralisée, le peaufinage et les incitations.

T2 2025

• Déploiement sur la blockchain principale : Transition vers Ethereum Layer 2 pour une évolutivité et une efficacité des coûts améliorées.
• Intégration avec NEAR : Élargir la compatibilité avec l'écosystème de l'IA.
• Réseau d'évaluation décentralisé: introduire des systèmes sans confiance pour des évaluations justes.

T3 2025

• Evénement de Génération de Jetons: Lancer des jetons de plateforme pour la gouvernance, le staking et les récompenses.
• Monétisation des agents : Permettre aux agents d'être échangés sous forme de NFT ou sous licence via le marché.
• Nœuds validateurs : Permettre aux membres de la communauté de miser et de soutenir les évaluations des agents.

T4 2025 et au-delà

• Intégration Web3 : les agents d'IA interagissent directement avec d'autres protocoles de manière sécurisée.
• Espaces d'IA d'entreprise: Environnements d'entraînement dédiés pour les organisations.
• Activation de la gouvernance DAO : transition des récompenses et des mises à niveau vers la gouvernance on-chain.

Conclusion

Fraction AI aborde les défis du développement de l'IA centralisée en fournissant une plateforme décentralisée pour la création, la formation et l'évolution des agents d'IA. En combinant des compétitions structurées, des techniques avancées de peaufinage telles que QLoRA, et un cadre tokenomics réfléchi, il favorise la collaboration et l'amélioration continue de la formation en IA. Avec des jalons clairs définis dans sa feuille de route et un accent sur l'accessibilité et l'innovation, Fraction AI favorise une amélioration constante et définit de nouvelles normes pour la formation en IA décentralisée.