Qu’est-ce que l’inférence d’IA on-chain ? Comparaison des modèles économiques de calcul d’Orbio, Surplus et Antseed

L’inférence IA on-chain désigne un modèle technique qui combine l’inférence de modèles d’intelligence artificielle avec des mécanismes de paiement, d’identité, d’incitation ou de vérification fondés sur la blockchain. Contrairement à l’exécution complète des calculs des modèles au sein d’une machine virtuelle blockchain, l’inférence IA à grande échelle est généralement toujours effectuée en pratique par des GPU, des CPU ou des accélérateurs spécialisés situés hors chaîne. La blockchain enregistre principalement les transactions, coordonne les participants ou fournit des relations économiques vérifiables.

À mesure que les agents IA, le trading automatisé et les applications d’IA générative se développent, l’inférence devient un service qui consomme en continu des ressources informatiques. L’entraînement des modèles est généralement périodique, tandis que l’inférence s’effectue en continu, à mesure que les utilisateurs soumettent des requêtes et que les agents effectuent des appels. Cette évolution déplace progressivement l’attention des marchés de l’informatique de « qui possède les GPU » vers « qui peut fournir des résultats d’inférence à des prix, des vitesses et un niveau de qualité stables ».

Orbio, Surplus et Antseed représentent des approches de l’infrastructure IA décentralisée qui méritent d’être suivies. En partant des principes techniques de l’inférence IA, cet article examine les relations entre l’offre de ressources informatiques, la coordination des tâches et la monétisation, tout en comparant le positionnement de marché, les avantages potentiels et les indicateurs clés à vérifier pour ces trois projets.

Points clés à retenir

• L’inférence IA on-chain ne signifie pas que les modèles doivent s’exécuter directement sur la blockchain. La plupart des solutions pratiques utilisent une architecture hybride combinant exécution hors chaîne et paiement ou vérification on-chain afin d’éviter les coûts d’exécution et les limites de débit de la blockchain.

• Les marchés décentralisés de calcul IA visent à mettre en relation les ressources informatiques inutilisées et la demande des applications IA. Leurs principaux défis ne concernent pas uniquement le niveau de capacité informatique disponible, mais aussi la planification des tâches, la qualité de service, la latence d’inférence et l’utilisation des ressources.

• Orbio, Surplus et Antseed peuvent être comparés sur différents segments d’activité. Il est nécessaire de distinguer l’offre de ressources informatiques, la fourniture de services d’inférence et les mécanismes de coordination du réseau, plutôt que d’évaluer leurs modèles économiques uniquement à travers les labels IA ou DePIN.

• La valeur commerciale des services d’inférence dépend de la demande réelle. Le nombre de GPU, le nombre de nœuds du réseau et le volume de transactions des tokens ne représentent pas directement les revenus réels issus de l’inférence. Le nombre d’utilisateurs payants actifs et la marge brute des services reflètent mieux la qualité de l’activité.

• L’inférence décentralisée reste confrontée à des défis techniques et économiques. Le chargement des modèles, l’hétérogénéité du matériel, la vérification des résultats, la confidentialité des données et la stabilité des services influencent tous sa capacité à concurrencer les services cloud centralisés.

Qu’est-ce que l’inférence IA on-chain et pourquoi devient-elle un point de convergence entre l’IA et le Web3 ?

L’inférence IA est le processus par lequel un modèle entraîné reçoit des données d’entrée et génère des prédictions, du texte, des images ou d’autres résultats. Lorsqu’un utilisateur pose une question à un grand modèle de langage et que celui-ci génère une réponse, lorsqu’un agent IA analyse des données de marché et détermine sa prochaine action, ou lorsqu’une application appelle l’API d’un modèle pour classer du contenu, il s’agit dans tous les cas de scénarios d’inférence.

Contrairement à l’entraînement des modèles, la demande d’inférence est généralement plus distribuée, continue et fréquente. L’entraînement peut mobiliser d’importantes ressources informatiques pendant certaines périodes, tandis que les coûts d’inférence continuent d’augmenter avec le nombre d’utilisateurs, d’appels de modèles et la longueur du contexte. Pour les agents IA qui doivent fonctionner en permanence, les dépenses d’inférence peuvent même devenir un facteur de coût important pour leur modèle économique.

Le marché de l’inférence IA on-chain cherche à déterminer comment organiser et traiter les transactions liées aux services d’inférence, sans nécessairement déplacer les calculs IA eux-mêmes sur la blockchain. Le processus réel comprend généralement quatre étapes : le demandeur soumet une requête d’appel de modèle, le marché trouve un fournisseur capable de fournir le service, un environnement de calcul hors chaîne effectue l’inférence, puis le mécanisme de paiement ou de règlement associé traite les frais.

Cette structure combine les capacités de paiement programmables de la blockchain avec les calculs IA hors chaîne, permettant à différents participants d’établir des relations de marché autour des appels de modèles, des ressources informatiques et de la tarification des services.

Il convient toutefois de distinguer deux concepts : l’inférence IA coordonnée par la blockchain et l’inférence IA vérifiable. Le premier met l’accent sur les paiements, les incitations et l’organisation du marché, tandis que le second porte sur la possibilité de prouver qu’un modèle a fonctionné comme prévu. Le fait qu’une plateforme prenne en charge les paiements en USDC ou les identifiants on-chain ne signifie pas qu’elle a atteint la vérification cryptographique des résultats d’inférence.

Pourquoi les marchés décentralisés de l’inférence IA peuvent-ils proposer des services moins coûteux ?

Les services d’API IA traditionnels sont généralement tarifés directement par les fournisseurs de modèles ou les prestataires de services cloud. Après avoir payé des frais, les utilisateurs appellent les modèles via une interface unifiée et reçoivent les résultats d’inférence correspondants. Ce modèle offre une stabilité de service et une intégration simple, mais les prix et les conditions d’approvisionnement sont principalement déterminés par les prestataires de services.

À l’inverse, les marchés décentralisés de l’inférence IA cherchent à introduire davantage de fournisseurs. Différents prestataires peuvent proposer des quotas d’API de modèles, des ressources GPU inutilisées ou des services d’inférence déployés par leurs propres soins, et se faire concurrence pour répondre aux requêtes des utilisateurs.

La baisse des prix peut principalement provenir de trois mécanismes.

Le premier est l’agrégation et la revente de quotas d’API. Le marché regroupe la capacité d’appel de modèles provenant de différents canaux et propose des remises grâce aux écarts de coûts d’approvisionnement, à la concurrence entre fournisseurs ou aux subventions de la plateforme. L’avantage est qu’il n’est pas nécessaire de construire une infrastructure de modèles à partir de zéro, mais les coûts réels dépendent toujours des services en amont.

Le deuxième est l’utilisation de capacités informatiques inutilisées. Les particuliers ou les institutions qui possèdent des GPU peuvent fournir une capacité d’inférence pendant les périodes où elle n’est pas utilisée, afin d’améliorer le taux d’utilisation du matériel. Cependant, ce modèle doit gérer les différences de performances des appareils, de déploiement des modèles et de stabilité des services.

Le troisième repose sur les incitations en tokens et les subventions de marché. Les plateformes peuvent réduire en apparence le prix payé par les utilisateurs grâce à des récompenses, des points ou des identifiants on-chain afin d’attirer la demande initiale. Toutefois, si les remises reposent principalement sur des subventions plutôt que sur une amélioration de l’efficacité informatique, l’avantage tarifaire à long terme risque d’être difficile à maintenir.

Par conséquent, déterminer si une plateforme réduit réellement les coûts d’inférence exige davantage qu’une simple comparaison des prix affichés des API. Il faut également examiner les sources des subventions, les coûts en amont, la qualité du service et la viabilité du modèle après la baisse des subventions.

Qu’est-ce qu’Orbio et comment permet-il aux agents IA d’acheter eux-mêmes des crédits d’inférence ?

Orbio se positionne comme un marché de ressources d’inférence destiné aux agents IA. En plus de fournir des points d’accès aux modèles, le projet cherche à transformer les crédits d’inférence en ressources pouvant être achetées et gérées au moyen d’actifs on-chain, afin de permettre aux agents d’allouer des budgets d’inférence en fonction de leurs propres tâches.

Contrairement aux modèles traditionnels d’abonnement aux API, Orbio introduit des identifiants CREDIT. Selon sa conception, chaque CREDIT correspond à 1 $ de crédits d’appel de modèles au sein de la passerelle de la plateforme. Les utilisateurs ou les agents peuvent obtenir des services d’inférence en achetant et en échangeant des CREDIT.

L’intérêt de ce modèle est de transformer les budgets d’inférence en ressources programmables. Par exemple, un agent IA disposant d’un wallet et d’autorisations de dépense peut acheter des crédits en fonction des exigences d’une tâche, puis utiliser des interfaces de modèles pour effectuer des analyses d’informations, générer du contenu ou exécuter d’autres tâches automatisées.

Orbio cherche également à connecter les services d’inférence à la création d’agents, à l’émission de tokens et aux fonctions de trading. Les développeurs peuvent créer des applications et des actifs associés autour des agents, en établissant des liens entre les appels de modèles, les opérations des agents et le trading on-chain.

Cependant, cette conception soulève une question importante : l’émission et le trading de crédits d’inférence ne représentent pas nécessairement une consommation réelle d’inférence.

Si le prix de marché de CREDIT est inférieur à la valeur de crédit d’appel annoncée, les utilisateurs peuvent l’acheter en raison de la remise ou le conserver dans l’espoir de le trader ou de réaliser un arbitrage. Dans ce cas, l’activité de trading des identifiants et le volume réel d’appels de modèles peuvent différer considérablement.

En outre, si les remises reposent principalement sur des récompenses générées par les frais de trading, elles nécessitent une activité de trading continue. Lorsque l’activité du marché diminue, le montant des subventions et le niveau des remises peuvent évoluer.

Par conséquent, pour évaluer Orbio, les principaux indicateurs à examiner sont notamment le taux réel d’échange des CREDIT, le volume d’appels de modèles, le nombre d’utilisateurs récurrents et la capacité de la consommation d’inférence à continuer de progresser sans incitations liées au trading.

TechFlow

Qu’est-ce que Surplus Intelligence et comment réduit-il les coûts des appels IA grâce à l’agrégation des ressources informatiques ?

Surplus Intelligence s’apparente davantage à un marché d’agrégation de services d’inférence IA. Il permet à différents fournisseurs de proposer des interfaces d’appel de modèles et aux utilisateurs d’obtenir des services d’inférence auprès de plusieurs sources d’approvisionnement, grâce à une tarification et à un routage indépendants des requêtes.

Contrairement à l’accent mis par Orbio sur l’économie des agents et les identifiants on-chain, Surplus repose sur une logique commerciale relativement directe : intégrer des services de modèles fragmentés dans un marché d’appel unifié et améliorer les choix de prix et de services grâce à la concurrence entre fournisseurs.

Les fournisseurs peuvent proposer différentes interfaces de modèles, et la plateforme affecte les requêtes aux fournisseurs correspondants selon des règles de routage. Les utilisateurs n’ont pas besoin de mettre en place des processus d’appel distincts avec chaque fournisseur de services de modèles ; ils peuvent accéder aux services via le marché agrégé.

L’avantage de ce modèle est qu’il est facile à comprendre et se rapproche davantage des activités traditionnelles d’agrégation d’API. La compétitivité fondamentale de la plateforme ne dépend pas du nombre de tokens qu’elle émet, mais de sa capacité à attirer en continu des fournisseurs fiables, à traiter de véritables requêtes d’appel et à maintenir des prix bas ainsi que des vitesses de réponse stables.

Surplus introduit également le masquage des informations sensibles et cherche à remplacer certains identifiants d’API ou autres champs sensibles par des marqueurs avant l’envoi des requêtes à des fournisseurs externes de services de modèles. Cela contribue à réduire le risque d’exposition directe d’informations sensibles aux fournisseurs.

Cependant, le masquage ne constitue pas une protection de la confidentialité de bout en bout. La plateforme chargée de traiter les requêtes originales peut toujours accéder au contenu sensible, et les utilisateurs doivent prêter attention aux autorisations d’accès aux données, à la conservation des journaux et aux limites de sécurité des fournisseurs tiers.

Une autre caractéristique de Surplus est que le lien entre l’utilisation du produit et la valeur du token est relativement limité. Les informations publiques disponibles indiquent que le token SURPLUS ne remplit pas encore directement des fonctions essentielles telles que le paiement des frais d’inférence, le routage des requêtes ou la distribution des revenus du marché.

Cela signifie que même si les requêtes d’inférence de la plateforme continuent d’augmenter, il n’est pas possible d’en déduire directement que la demande de tokens augmentera parallèlement. Les revenus de l’activité de la plateforme et la capture de valeur par le token sont deux questions qui doivent être vérifiées séparément.

TechFlow

Qu’est-ce qu’Antseed et comment fonctionne un réseau informatique P2P ouvert ?

Antseed utilise une architecture différente de celles d’Orbio et de Surplus. Le projet met davantage l’accent sur un réseau ouvert de découverte de ressources informatiques peer-to-peer (P2P), permettant aux utilisateurs du côté de la demande de trouver directement les fournisseurs de services d’inférence disponibles, plutôt que de dépendre entièrement d’une passerelle unifiée pour l’allocation des requêtes.

Selon ce modèle, les fournisseurs de ressources informatiques peuvent rejoindre le réseau de manière indépendante et publier les services de modèles qu’ils sont en mesure de proposer, tandis que les utilisateurs du côté de la demande sélectionnent les fournisseurs en fonction du type de modèle, du prix et d’autres critères. La plateforme se charge principalement de la découverte des services et de la coordination du réseau.

L’un des avantages potentiels de cette architecture est qu’elle réduit la dépendance à l’égard d’une passerelle unique et permet à des fournisseurs de ressources informatiques de tailles et de types différents d’entrer en concurrence. Pour les développeurs ayant des besoins spécifiques en matière de modèles, un réseau ouvert peut également offrir davantage de choix du côté de l’offre.

Cependant, une architecture P2P introduit des défis supplémentaires en matière de qualité de service. Les performances du matériel, la latence du réseau et la stabilité opérationnelle peuvent varier considérablement d’un fournisseur à l’autre. Même lorsqu’un fournisseur affirme proposer un modèle donné, il reste nécessaire de déterminer comment vérifier que le modèle effectivement exécuté correspond bien au modèle annoncé.

La conception d’Antseed comprend donc également des mécanismes de réputation et de staking. Son token ANTS est destiné à la réputation du marché et aux incitations des participants. Les fournisseurs de services peuvent participer au système de réputation associé grâce au staking et chercher à remplir les conditions requises pour recevoir des récompenses.

Contrairement à Orbio, qui s’appuie sur les récompenses issues des frais de trading, le modèle de récompenses actuellement rendu public par Antseed repose principalement sur les fonds de la trésorerie du projet plutôt que sur une distribution directe des revenus des transactions d’inférence. Il peut donc encore exister un écart entre la distribution des récompenses et les revenus réels de l’activité.

À la fin du mois d’octobre 2026, ANTS n’était pas coté publiquement, et la viabilité à long terme de ses mécanismes liés au token doit encore être vérifiée.

TechFlow

En quoi les modèles économiques liés au calcul d’Orbio, de Surplus et d’Antseed diffèrent-ils ?

Bien que les trois projets cherchent à réduire le coût d’accès à l’inférence IA, ils répondent en réalité à des problématiques différentes.

Orbio se concentre sur la manière dont les agents IA peuvent acheter et gérer des ressources d’inférence ; Surplus met l’accent sur la concurrence tarifaire et l’allocation des requêtes entre différents fournisseurs de services de modèles ; et Antseed cherche à mettre en relation l’offre et la demande de ressources informatiques au moyen d’un réseau ouvert.

Du point de vue du modèle économique, les trois projets peuvent également être répartis selon leurs structures de revenus et d’incitations.

Orbio se rapproche davantage d’une combinaison de crédits d’inférence et d’une économie d’actifs liés aux agents. Le projet cherche à relier la consommation d’inférence et les actifs on-chain grâce à CREDIT, mais doit démontrer que la consommation réelle peut soutenir les activités du marché, plutôt que de reposer principalement sur le trading.

Surplus se rapproche davantage d’un service traditionnel d’agrégation d’API. Son opportunité commerciale principale réside dans l’agrégation de l’offre, le traitement des requêtes d’appel et la fourniture de fonctionnalités à valeur ajoutée, mais les revenus réels de la plateforme, ses marges bénéficiaires et leur relation avec le token doivent encore être évalués séparément.

Antseed se rapproche davantage d’un réseau ouvert de découverte de services informatiques. Le projet cherche à coordonner l’offre et la demande grâce à des mécanismes de réputation et de staking, mais doit vérifier la qualité des fournisseurs, le volume réel des transactions et la possibilité de créer des sources de revenus stables au-delà des incitations financées par la trésorerie.

La concurrence entre les trois projets ne porte donc pas simplement sur celui qui propose le prix d’inférence le plus bas, mais sur celui qui peut établir un réseau d’approvisionnement plus stable, attirer durablement des utilisateurs payants et créer une structure économique capable de couvrir les coûts opérationnels.

Comment déterminer si un projet décentralisé d’inférence IA répond à une demande réelle ?

Les projets d’inférence IA mettent souvent en avant le nombre de modèles, de fournisseurs pris en charge, de requêtes d’inférence ou l’activité de trading des tokens, mais ces indicateurs ne peuvent pas être directement assimilés aux revenus réels de l’activité.

• Concentrez-vous sur le volume réel d’appels payants. Une plateforme qui traite un grand nombre de requêtes ne signifie pas que toutes proviennent d’utilisateurs payants indépendants. Les requêtes de test, les appels motivés par des incitations ou le trafic automatisé à faible coût peuvent tous gonfler les données d’utilisation.

• Observez la fidélisation des utilisateurs et la récurrence des dépenses. Si les développeurs utilisent une plateforme uniquement en raison des subventions initiales et se tournent vers d’autres services lorsque les remises disparaissent, l’utilisation actuelle peut ne pas être durable. À l’inverse, les agents IA qui fonctionnent en continu, les applications qui appellent régulièrement des API et les développeurs disposés à payer les prix du marché sont de meilleurs indicateurs de la demande réelle pour le produit.

• Analysez le coût réel des services d’inférence. Des prix affichés plus bas peuvent résulter d’avantages liés à l’approvisionnement en amont ou de subventions en tokens. Ce n’est qu’en tenant compte des coûts de calcul, de la bande passante, du routage, des paiements et des dépenses d’exploitation et de maintenance qu’il est possible d’évaluer la rentabilité durable d’une plateforme.

• Distinguez les revenus de la plateforme de la valeur du token. Une plateforme peut compter de nombreux utilisateurs alors que son token ne participe ni aux paiements, ni au staking, ni à la distribution des revenus. À l’inverse, une activité de trading élevée du token ne signifie pas que les services d’inférence ont été adoptés par le marché.

• Accordez de l’importance à la qualité du service. La latence d’inférence, le taux de réussite des requêtes, la cohérence des modèles et la sécurité des données sont autant de facteurs importants pour les développeurs qui choisissent une infrastructure. Si une plateforme ne peut pas fournir des services stables, il peut être difficile pour elle d’intégrer des environnements de production, même à des prix plus bas.

Ensemble, ces indicateurs constituent un cadre de base pour évaluer les marchés décentralisés de l’inférence IA. Par rapport à une seule mesure telle que le volume de trading ou le prix du token, la demande payante durable et les capacités réelles de fourniture de services méritent davantage d’attention.

À quels risques les marchés décentralisés de l’inférence IA sont-ils confrontés ?

Le principal défi de l’inférence IA décentralisée ne consiste pas simplement à trouver des GPU peu coûteux, mais à fournir des services de modèles de manière stable, vérifiable et sécurisée.

Sur le plan technique, des différences de performances peuvent exister entre les matériels et les fournisseurs de services. Les temps de chargement des modèles, la latence des réponses, la capacité de traitement simultané et les mécanismes de reprise après incident influencent tous l’expérience applicative. Pour les agents IA qui doivent exécuter des tâches en continu, un seul échec d’inférence peut interrompre l’ensemble du flux de travail.

Sur le plan de la sécurité, les requêtes adressées aux modèles peuvent contenir des données utilisateur, des informations commerciales ou même des identifiants sensibles. Même lorsqu’une plateforme utilise le masquage, des environnements d’exécution de confiance ou d’autres mesures de protection, elle doit toujours définir clairement quels participants peuvent accéder aux données d’entrée originales et si les données sont enregistrées ou conservées.

Sur le plan économique, les récompenses en tokens peuvent aider un marché à obtenir une liquidité initiale, mais elles peuvent également masquer l’offre et la demande réelles. Si les récompenses reposent principalement sur les fonds de la trésorerie ou sur l’activité de trading, les projets doivent expliquer comment les prix des services et les revenus des fournisseurs seront maintenus après la baisse des subventions.

Sur le plan du marché, les plateformes décentralisées doivent également concurrencer les services cloud établis et les fournisseurs d’API IA. Les services centralisés proposent généralement des normes de service uniformes, des outils pour développeurs matures et un service client plus complet. Les marchés décentralisés doivent démontrer pourquoi les utilisateurs devraient modifier leurs méthodes d’approvisionnement existantes, en s’appuyant sur les prix, l’ouverture, la composabilité ou des avantages propres à certains scénarios.

La décentralisation n’implique donc pas nécessairement des coûts plus faibles, une meilleure confidentialité ou des services plus fiables. Les différentes architectures impliquent des compromis, et les utilisateurs doivent choisir les services d’inférence adaptés à leurs besoins réels.

Résumé

Les marchés de l’inférence IA on-chain cherchent à réorganiser l’offre et la demande liées aux appels de modèles et aux ressources informatiques. Leur valeur fondamentale ne vient pas nécessairement du fait de placer les calculs IA sur la blockchain, mais de permettre à davantage de participants de fournir et d’accéder à des services d’inférence grâce aux paiements on-chain, à la coordination du marché, aux identifiants et aux mécanismes d’incitation.

Orbio, Surplus Intelligence et Antseed illustrent trois voies de développement différentes : Orbio met l’accent sur l’achat autonome de crédits d’inférence par les agents IA, Surplus met en relation l’offre et la demande grâce à l’agrégation d’API et à la concurrence tarifaire, tandis qu’Antseed cherche à établir un réseau ouvert de découverte de ressources informatiques P2P.

Chaque modèle présente ses propres avantages et difficultés, qui doivent être vérifiés. Orbio doit démontrer l’existence d’une demande réelle de consommation de CREDIT, Surplus doit établir une relation économique claire entre les activités de la plateforme et son token, et Antseed doit répondre aux enjeux de qualité des services et de viabilité des incitations.

Pour l’ensemble du secteur, la clé de la concurrence future pourrait ne plus être simplement la proposition du prix d’inférence le plus bas, mais la capacité d’un projet à établir une fourniture de services stable, à attirer une demande payante durable et à créer un modèle économique qui ne dépend pas de subventions à court terme.

FAQ

Que signifie l’inférence IA on-chain ?

L’inférence IA on-chain désigne généralement la combinaison de l’inférence de modèles IA avec des mécanismes de paiement, d’incitation, d’identité ou de vérification fondés sur la blockchain. Dans la plupart des cas, les calculs réels des modèles sont toujours effectués hors chaîne.

Quelle est la différence entre l’inférence IA on-chain et la capacité de calcul GPU décentralisée ?

La capacité de calcul GPU décentralisée met l’accent sur l’offre et la location de ressources informatiques, tandis que les marchés de l’inférence IA on-chain se concentrent davantage sur les appels de modèles, le routage des requêtes, le règlement des frais et la fourniture de services. Les deux domaines peuvent se recouper, mais ils ne sont pas exactement identiques.

À quoi servent les CREDIT sur Orbio ?

CREDIT est conçu comme un identifiant de crédit d’inférence au sein de la plateforme Orbio. Chaque unité correspond à une valeur annoncée de 1 $ en crédits d’appel de modèles et peut être utilisée pour échanger les services associés.

Quel est le principal avantage de Surplus Intelligence ?

En agrégeant différents fournisseurs de services de modèles, en permettant une tarification indépendante et en répartissant les requêtes d’inférence, Surplus offre aux développeurs davantage de choix en matière de prix et de services.

Pourquoi Antseed utilise-t-il une architecture P2P ?

Antseed cherche à permettre aux utilisateurs du côté de la demande de découvrir et de sélectionner directement des fournisseurs indépendants de ressources informatiques, afin de réduire la dépendance à l’égard d’une passerelle unifiée tout en coordonnant les participants du marché au moyen de mécanismes de réputation.

L’inférence IA décentralisée est-elle toujours moins chère que les API traditionnelles ?

Pas nécessairement. Certaines plateformes peuvent proposer des prix plus bas grâce à la concurrence du marché, tandis que d’autres peuvent dépendre de récompenses en tokens ou de subventions temporaires. Les coûts réels dépendent également du modèle, de la qualité du service et du volume d’appels.

La croissance de l’utilisation d’une plateforme d’inférence IA fera-t-elle augmenter le prix des tokens ?

Il n’existe pas de lien nécessaire. Il faut d’abord vérifier si le token remplit une fonction réelle en matière de paiement, de staking ou autre, et si la croissance de la plateforme peut se traduire par une demande correspondante de tokens.

Comment déterminer si un projet d’inférence IA possède une valeur à long terme ?

Les principaux facteurs à prendre en compte sont notamment le volume réel d’appels payants, les taux d’utilisation récurrente, la stabilité des services, les coûts d’inférence, les revenus des fournisseurs et les performances de l’activité après la baisse des incitations liées aux tokens.