Decentralized AI (DeAI) — la pile de valeur

Fiche-paysage : où se capture la valeur dans l’intersection IA × crypto, pas un catalogue de tokens. Source de départ : podcast CoinFund CEO (Jake Brookman) — The Rollup, 2026-06-11. Brookman parle son book (CoinFund est investisseur dans Pluralis et d’autres). Tous les faits structurants ci-dessous sont recoupés par des sources tierces ; les claims non vérifiés sont signalés.

1. La thèse en une phrase

Des réseaux décentralisés peuvent disrupter la supply chain de fabrication des produits IA — pas en concurrençant ChatGPT sur la qualité, mais en attaquant le maillon le plus cher et le plus centralisé : l’entraînement de gros modèles dans des data centers. Si l’entraînement devient décentralisé, le revenu d’inférence en aval devient capturable par les détenteurs de tokens plutôt que par OpenAI/Anthropic.

C’est une thèse de convergence (IA × blockchain), publiée par CoinFund dès septembre 2022, avant ChatGPT. Position dans le cycle : early, plusieurs preuves techniques en 2026 mais zéro modèle décentralisé encore commercialement compétitif avec les frontier labs.

2. Le problème central : entraîner en décentralisé

L’objection historique (« impossible → trop cher → ça scalera pas ») tombe pièce par pièce. Faits 2026 vérifiés :

Contre-intuitif et load-bearing : entraîner sur du hardware commodity (GPU gaming, MacBooks) serait moins cher qu’un data center, car ~50 % du coût d’un DC = facilities, cooling, capex — postes que le swarm n’a pas. La courbe du nombre de params entraînés en décentralisé part en exponentielle (10 → 40 → 72 → 100 Md en quelques mois).

⚠️ Aucun de ces modèles n’égale encore un frontier model (250-500 Md+). Le pari est sur la trajectoire, pas l’état actuel.

3. Où se capture la valeur

C’est le cœur de la fiche pour un investisseur. Quatre mécanismes, du plus défendable au plus commoditisé.

3.1 — Le training monétisable capte l’inférence (le mécanisme clé)

Un modèle open-weight ne se monétise pas (Meta, labos chinois le sortent, personne ne les paie). L’innovation de Pluralis (model-parallel) : le modèle est fragmenté entre providers, donc il « vit dans le réseau » → pour l’inférer, tu dois payer le réseau. Poids fermés (= business model) mais propriété tokenisée → les token holders touchent le revenu d’inférence.

Verbatim Brookman : « if we can win 10% of training, we also win the inference associated with that training ».

→ Atom : qui-entraine-le-modele-decentralise-capte-le-revenu-dinference ⚠️ Pluralis est pré-token, seed 7,6 M$ (USV + CoinFund, mars 2025, fondateur Alexander Long). Un seul acteur a cette techno selon Brookman — affirmation d’un investisseur, à surveiller.

3.2 — Le moat n’est pas le modèle, c’est la trace data

La donnée défendable n’est pas le modèle (commoditisé) mais les traces agentiques : comment un agent traverse le monde, ses erreurs, ses corrections. Inachetable, quasi infinie. Captée par les harnesses (interfaces : OpenClaw, Hermes, Claude Code), pas par les modèles open-weight. Anthropic capte tout via son API → avantage qui s’emballe. Angle décentralisé : diriger son agent vers un modèle co-owned → on donne ses traces volontiers.

→ Atom : le-moat-de-lia-nest-pas-le-modele-cest-la-trace-data-des-harnesses

3.3 — Subventionner l’inférence par le minage (merge mining)

Pearl (Pearl Research Labs, token PRL) — L1 Proof-of-Useful-Work : les multiplications matricielles de l’inférence minent simultanément la crypto (2-for-1). La valeur du token subventionne le calcul → l’inférence décentralisée devient moins chère. Partenariat annoncé avec Together AI. pearlresearch.ai ⚠️ Mécanisme réel mais jeune ; profitabilité du minage déjà sous pression (couverture Tom’s Hardware).

3.4 — Picks-and-shovels (capture plus faible)

Compute/GPU marketplaces — capture de valeur structurellement plus faible (concurrence AWS « assez cheap »). Important : ce ne sont pas du training décentralisé.

4. Cartographie des acteurs (vérifiée)

graph TD
  A[Decentralized AI] --> B[Training décentralisé]
  A --> C[Inférence privée / user-owned]
  A --> D[Compute / GPU]
  A --> E[Agents / harnesses]

  B --> B1[Pluralis — model-parallel, pré-token]
  B --> B2[Macrocosmos — Orion-100B, Bittensor SN9]
  B --> B3[Templar — Covenant-72B, Bittensor SN3]
  B --> B4[Gensyn — token AI, mainnet live]
  B --> B5[Nous Research — Psyche sur Solana]

  C --> C1[Venice — VVV, inférence non-censurée]
  C --> C2[Near AI — user-owned, confidential compute]
  C --> C3[Pearl — PRL, merge mining]

  D --> D1[Akash AKT]
  D --> D2[Render RENDER]
  D --> D3[Bittensor TAO — coordination]

  E --> E1[Hermes / Nous]
  E --> E2[OpenClaw]

⚠️ Le ticker du token Nous Research n’est pas confirmé (pré-TGE) — ne pas l’affirmer.

5. Le marché (TAM) — avec garde-fous

• L’inférence EST le revenu de l’IA. Anthropic a franchi ~30 Md$ ARR (avril 2026, dépasse OpenAI). analyticsinsight.net
• OpenAI : ~24-25 Md$ ARR (⚠️ Brookman disait ~30 — exagéré).
• Total marché inférence ~55-60 Md$ → estimation par addition, pas un chiffre publié.
• TAM long terme : ⚠️ la projection « 500 Md$-1 T$ d’ici 2031 » du podcast n’est pas attribuable. Le chiffre sourçable est genAI à 1,3 T$ d’ici 2032 (Bloomberg Intelligence, depuis ~64 Md$ en 2023, CAGR ~43 %). bloomberg.com
• Signal de demande propriétaire : Kirkland & Ellis consacre 500 M$ à sa propre plateforme IA (Reuters, 28 mai 2026) — « plateforme propriétaire », pas littéralement « foundation model from scratch ». reuters.com

6. Objections / risques

• Talk-his-book : la source primaire est un VC investi dans Pluralis. Pondérer ses claims de leadership techno.
• Scaling non prouvé : aucun modèle décentralisé n’atteint la zone frontier (250-500 Md+). Les loss curves tiennent jusqu’ici mais la marche reste à franchir.
• Précédent DePIN : les réseaux de ressources décentralisées (storage Filecoin/Arweave) ont buté sur la demande. La DeAI s’en distingue par une demande de compute/intelligence structurellement insatiable — argument à valider, pas acquis.
• Open-weight = pas de moat : tout le pari repose sur le model-parallel (poids fermés mais tokenisés). Si cette techno ne tient pas, la capture de valeur s’effondre côté training.
• Pré-token partout : Pluralis et Nous sont pré-TGE → exposition publique seulement via TAO (Bittensor) et tokens picks-and-shovels pour l’instant.

7. Angle d’investissement

• Capture max : training monétisable (model-parallel) → mais pré-token (Pluralis). Surveiller le TGE.
• Exposition liquide aujourd’hui : TAO (Bittensor) comme couche de coordination des runs Macrocosmos/Templar ; AI (Gensyn, mainnet) ; tokens d’inférence/access (VVV, NEAR).
• Spéculatif/jeune : PRL (Pearl, merge mining) — mécanisme élégant, exécution à prouver.
• Lentille de screening : appliquer qui-entraine-le-modele-decentralise-capte-le-revenu-dinference + le ratio fees/émissions (cf. mémoire P&L token-as-business) avant toute position.
• Candidat /protocol-research : Pluralis (le pari le plus différencié + cas-test de la refonte Phase 27 du skill).

8. Liens KB

Notes atomiques liees

• qui-entraine-le-modele-decentralise-capte-le-revenu-dinference — le mécanisme de capture de valeur central de cette narrative
• le-moat-de-lia-nest-pas-le-modele-cest-la-trace-data-des-harnesses — pourquoi la donnée (pas le modèle) est le moat
• le-contexte-personnel-documente-est-lavantage-competitif-de-lere-agentique — version individuelle de l’argument trace data
• monetiser-tout-internet-cest-peut-etre-pas-le-progres-quon-imagine — autre modèle de capture de valeur (paywall x402 vs propriété tokenisée)

Fiches liées

• Protocoles adjacents déjà en KB : Venice, Near, Virtuals, Nillion (privacy compute), OpenServ
• Source brute : wiki/crypto/raw/youtube/the-rollup/2026-06-11-coinfund-ceo-the-decentralized-ai-bull-thesis-in-2026-massive-tam

9. Sources

Podcast The Rollup (CoinFund CEO, 2026-06-11) + vérifications externes : pluralis.ai, macrocosmosai.substack.com, tao.media, gensyn.ai, nousresearch.com, venice.ai, near.ai, pearlresearch.ai, together.ai, analyticsinsight.net, bloomberg.com, reuters.com (toutes liées en sections 2-5).

Ceci n’est pas un conseil financier. DYOR.