Centre d'annonce
Résumé Principal
Chutes (SN64) est une plateforme de calcul IA serverless décentralisée construite sur le réseau Bittensor. Dans la course au calcul IA du Web3, son positionnement principal est similaire à celui d’une plateforme de VTC et d’un modèle PaaS (Platform as a Service). La plateforme agrège une puissance de calcul GPU inutilisée et distribuée à l’échelle mondiale, et combine des technologies avancées d’orchestration par conteneurisation afin de fournir aux développeurs des API d’inférence IA prêtes à l’emploi, avec un modèle de paiement à l’usage.
Au niveau de l’architecture sous-jacente, Chutes adopte un mécanisme classique à double rôle : les miners fournissent le matériel sous-jacent pour répondre à tout moment aux requêtes externes, tandis que les validators évaluent la qualité et attribuent des pondérations en temps réel, formant ainsi un réseau d’inférence de niveau industriel, à la fois à faible coût et à haute concurrence. Actuellement, Chutes se positionne comme un leader dans le domaine du calcul décentralisé en opérant une boucle commerciale réelle et fermée. La plateforme a traité plus de 9,1 trillions de tokens, compte plus de 400 000 utilisateurs actifs et est devenue le premier sous-réseau auto-déclaré de l’écosystème Bittensor à dépasser une valorisation de 100 millions de dollars. En réinjectant les revenus réels dans la valeur du token, Chutes possède le potentiel de devenir une infrastructure de niveau licorne dans le domaine de l’IA décentralisée à long terme.
Parcours du secteur : L’essor du raisonnement en IA et le dilemme du modèle Web2
2.1 Qu’est-ce que l’inférence de modèle ? Quelle est la différence essentielle avec le pré-entraînement ?
Avant d’aborder les plateformes de calcul, il est nécessaire de clarifier deux étapes clés du cycle de vie d’un modèle IA : le pré-entraînement (Training) et l’inférence (Inference).
Pré-entraînement du modèle : Il s’agit de la « phase d’apprentissage » des modèles IA. Les chercheurs doivent injecter des volumes massifs de données (comme l’ensemble du corpus textuel d’Internet) dans des réseaux neuronaux, et ajuster en continu des milliards, voire des trillions de paramètres via des opérations à grande échelle de multiplication matricielle. Ce processus est extrêmement chronophage et nécessite une puissance de calcul en cluster à très haut débit (comme NVLink), représentant un investissement lourd en infrastructures.
Inférence de modèle: Il s’agit de la « phase d’application » du modèle IA. Une fois le Model Training terminé, les paramètres sont figés. L’utilisateur saisit alors un prompt (Prompt), et le modèle génère le mot suivant avec la probabilité la plus élevée via un calcul de propagation avant (Forward Pass). Comparée au training, l’inférence nécessite moins de puissance de calcul par tâche, mais exige une capacité de traitement hautement concurrente, une latence extrêmement faible (Latency) et une stabilité du système 24h/24, 7j/7.
2.2 Logique de développement du secteur de la puissance de calcul et évolution du focus industriel
En revenant sur l’évolution de l’ensemble du secteur de la puissance de calcul, on peut clairement identifier une trajectoire : du calcul généraliste basé sur CPU à ses débuts, à l’essor du calcul parallèle via GPU (avec la structuration de l’écosystème CUDA), jusqu’à l’essor des puces TPU et ASIC spécifiquement conçues pour l’IA.
Au cours des dernières années, l’attention du capital et des avancées technologiques s’est presque entièrement concentrée sur « comment entraîner des modèles plus intelligents ». Cependant, avec les progrès significatifs des grands modèles open source tels que la série Llama et DeepSeek, l’écart de performance entre les modèles open source et les acteurs propriétaires (comme GPT-4) s’est rapidement réduit. Le centre de capture de valeur dans l’industrie de l’IA se déplace désormais de manière irréversible du « pré-entraînement des modèles » vers « l’inférence des modèles ». La raison est que, pour permettre une monétisation à grande échelle et une adoption transversale dans divers secteurs, les modèles doivent offrir une haute disponibilité ainsi qu’une faible latence 24h/24 et 7j/7.
2.3 Acteurs et limites fondamentales du raisonnement IA à l’ère Web2
Le secteur actuel du raisonnement IA en Web2 est principalement dominé par les acteurs suivants :
Fournisseurs d’API de modèles propriétaires: comme OpenAI (ChatGPT), Anthropic (Claude), Google (Gemini).Ils proposent des API très simples à utiliser, mais reposent sur des systèmes en boîte noire, sont coûteux et impliquent une forte dépendance à leur écosystème.
Géants traditionnels du Cloud as a Service: tels que AWS (Amazon Web Services), Microsoft Azure et Google Cloud. Ils proposent des machines virtuelles bas niveau ou de la location de GPU bare-metal, offrant une grande flexibilité mais avec des coûts d’exploitation et de maintenance extrêmement élevés.
Plateformes verticales de Reasoning as a Service (MaaS): telles que Together AI, Anyscale, HuggingFace Inference Endpoints. Elles se spécialisent dans la fourniture de services de gestion de l’inférence pour les modèles open source.
Cependant, lorsque les développeurs utilisent les services de ces géants du Web2 tels que les API OpenAI, AWS ou Together AI, ils sont toujours confrontés à trois défis majeurs difficilement surmontables :
Taxe élevée sur la puissance de calcul et granularité de facturation approximative: La dépréciation des infrastructures matérielles et logicielles (loyers des centres de données, systèmes de refroidissement, coûts élevés d’acquisition des serveurs) ainsi que les coûts de maintenance des centres de données centralisés sont extrêmement élevés, ce qui entraîne des coûts d’API importants répercutés sur les développeurs. De plus, les services Cloud traditionnels sont souvent facturés à l’heure ou à la machine complète, ce qui n’est pas adapté aux applications à grande échelle avec des besoins massifs en concurrence instantanée. Cela entraîne fréquemment un gaspillage important de ressources pendant les périodes creuses.
Complexité des “pièges d’infrastructure”": Pour les équipes early-stage qui tentent de contourner les API des fournisseurs Cloud et de louer leurs propres machines afin de déployer des modèles open source, la courbe d’apprentissage est extrêmement abrupte. Elles doivent gérer des problématiques complexes telles que le choix des GPU, la configuration des drivers bas niveau, l’optimisation des frameworks d’inférence (comme vLLM et TensorRT), la maintenance des nœuds ainsi que l’orchestration de clusters conteneurisés — avec un niveau d’exigence technique très élevé.
Vendor lock-in et risques liés à la confidentialité des données : Une fois qu’une entreprise s’intègre profondément aux services API d’un fournisseur Cloud spécifique, sa feuille de route technique future et sa structure de coûts deviennent entièrement dépendantes de ce fournisseur. Plus critique encore, pour les secteurs sensibles tels que la santé, la finance ou le droit, la transmission de données privées vers des serveurs API centralisés pour traitement expose à des risques élevés de fuite de données et de non-conformité réglementaire.
Solution : Chutes utilise le “network” pour reconstruire le raisonnement IA
3.1 Positionnement principal : “Ride-Hailing Platform” et PaaS décentralisé dans l’écosystème IA
Dans l’écosystème Bittensor, vaste et bien structuré, chaque subnet remplit un rôle spécifique. Par exemple, Templar (SN3) agit comme une « usine de production », dont la mission principale est de partir de zéro pour agréger de la puissance de calcul et entraîner des modèles open source de pointe ; tandis que Chutes (SN64) adopte un positionnement totalement différent, axé sur les « services opérationnels », en jouant le rôle d’une « ride-hailing platform » à l’ère du Web3.
Chutes ne produit pas lui-même des modèles. Grâce à son protocole réseau, il agrège efficacement des « véhicules » distribués à l’échelle mondiale (c’est-à-dire de la puissance de calcul GPU inutilisée), permettant à des modèles open source prêts à l’emploi et performants de fonctionner sur ces nœuds, afin de fournir des services d’inférence fluides aux développeurs externes.
Essentiellement, Chutes construit une infrastructure PaaS (Platform as a Service) décentralisée, compatible open source et hautement standardisée, reposant sur la blockchain.
3.2 Expérience Serverless réelle et avantage de coût ultime
Le changement fondamental apporté par Chutes pour les développeurs est la mise en place d’une véritable expérience Serverless. Lors de l’utilisation de Chutes, les développeurs n’ont pas à se soucier du choix du matériel sous-jacent, de la configuration des environnements ni de la maintenance des clusters. Il leur suffit de modifier quelques lignes de code pour s’intégrer facilement au réseau via des API entièrement compatibles avec le format OpenAI.
En matière de contrôle des coûts, Chutes s’appuie sur le mécanisme natif de micropaiements chiffrés (Micropayments) de la blockchain afin de permettre une facturation à granularité extrêmement fine, rare dans le secteur. Ce modèle de règlement disruptif élimine totalement le gaspillage de ressources lié à la facturation horaire des infrastructures Cloud traditionnelles.
Dans la pratique, cet avantage permet de réduire les coûts d’environ 85 % par rapport au Cloud as a Service traditionnel (comme AWS), et d’économiser au moins 40 % par rapport à la plupart des plateformes API centralisées du marché.
3.3 Amélioration de la confidentialité : l’architecture TEE construit un modèle de confiance
Dans les réseaux décentralisés, le principal défi a toujours été de protéger les prompts et les données métier envoyés par les utilisateurs vers des nœuds anonymes. Pour répondre aux exigences élevées de confidentialité des entreprises, Chutes déploie actuellement à grande échelle la technologie TEE (Trusted Execution Environments) dans son réseau.
La technologie TEE utilise un chiffrement au niveau matériel pour isoler une zone mémoire strictement sécurisée au sein du CPU/GPU. Cela signifie que les nœuds décentralisés peuvent traiter les requêtes d’inférence dans une « boîte noire » chiffrée, et même les miners fournissant la puissance de calcul ne peuvent pas accéder aux données sensibles des utilisateurs pendant l’ensemble du processus de calcul.
L’introduction de cette technologie fondamentale résout en profondeur les problématiques de conformité et de confidentialité des réseaux décentralisés dans des contextes d’usage entreprise, ouvrant la voie à une adoption à grande échelle par les acteurs du Web2.
Architecture principale : Comment l’inférence IA est réalisée dans le “network”
Dans l’architecture distribuée de couche basse de Chutes, le système répartit des tâches massives d’inférence sur le réseau mondial via des mécanismes complexes de routage et d’équilibrage de charge. Les participants principaux sont clairement divisés en deux catégories, et la qualité finale du service est garantie par une combinaison ingénieuse de cryptographie et de mécanismes économiques.
Miner (Fournisseur de services): Après avoir rejoint le système via le staking, les nœuds de calcul répartis dans le monde doivent charger les « Permanently Hot Models » spécifiés par le réseau. Les « Hot Models » signifient que les paramètres massifs des modèles sont préchargés dans la mémoire vidéo (VRAM) des GPU. Grâce à des technologies avancées d’orchestration par conteneurisation, ces nœuds doivent maintenir une haute disponibilité afin de gérer des requêtes API hautement concurrentes avec une latence de démarrage minimale.
Validateurs (Inspecteurs de qualité) : Dans un réseau décentralisé, il n’existe pas d’autorité centrale de supervision, d’où le rôle des validators. Ils envoient en continu des requêtes de test aléatoires aux miners et routent les requêtes réelles. Ils évaluent strictement les performances selon plusieurs critères clés : latence de réponse (temps de génération du premier token – TTFT), throughput (nombre de tokens générés par seconde) et précision des résultats. Les miners performants reçoivent des récompenses en tokens, tandis que ceux qui sous-performent ou adoptent des comportements malveillants sont éliminés du système et peuvent voir leur dépôt de staking confisqué.
Cette architecture de jeu décentralisé basée sur le consensus Bittensor transforme intelligemment les incitations économiques en garantie de qualité de service, permettant à un réseau distribué d’atteindre une stabilité comparable à celle des meilleurs data centers centralisés.
Moteur économique : passage d’un modèle « inflation-driven » à une création de valeur réelle"
Lors des cycles précédents du marché crypto, de nombreux projets Web3 de puissance de calcul sont tombés dans une spirale négative : dépendance excessive à l’inflation des tokens pour attirer la puissance de calcul (« mining »), entraînant une perte rapide de ressources en cas de baisse du marché.
À l’inverse, la compétitivité de Chutes repose sur un modèle économique vertueux et durable.
Le réseau traite aujourd’hui un volume important de requêtes API réelles, provenant à la fois du B-side (entreprises) et du C-side (utilisateurs finaux). Grâce à son système tokenisé, ces services sont monétisés. Plus important encore, via un mécanisme intégré d’auto-staking et de règlement, ces revenus issus du monde réel (y compris en fiat) sont convertis en demande pour les tokens du réseau.
Ce mécanisme redistribue la valeur aux détenteurs de tokens et aux participants du réseau, permettant une transition d’un modèle « brûler du capital pour acheter de la puissance de calcul » vers un modèle durable basé sur une génération réelle de revenus.
État actuel de l’écosystème et performances
Selon les données récentes on-chain et business, le réseau Chutes affiche des performances très solides en environnement à forte concurrence :
Percée du volume d’activité principal: Le réseau Chutes a traité plus de 9,1 trillions de Tokens, un chiffre significatif aussi bien dans le Web3 que parmi de nombreuses plateformes Web2 de taille intermédiaire. Sa capacité maximale de traitement quotidien peut atteindre 50 milliards de requêtes, servant plus de 400 000 utilisateurs finaux et développeurs.
Position de référence absolue sur le marché: Grâce à des données d’activité solides, Chutes est devenu le premier réseau de l’écosystème Bittensor à déclarer une valorisation dépassant le seuil des 100 millions de dollars.
Intégration profonde de l’écosystème et rôle de « ressources essentielles » : En externe, Chutes a réussi à servir de nombreuses applications couvrant différents segments. En interne, Chutes est progressivement devenu le principal fournisseur de puissance de calcul pour d’autres subnets de l’écosystème Bittensor, notamment ceux axés sur des applications verticales et le traitement de données, jouant un rôle clé comparable aux « ressources essentielles » de l’ensemble de l’écosystème IA décentralisé.
Indicateurs tokenomics solides: Au 7 avril 2026, le prix du token de subnet Alpha (alpha token) de Chutes était d’environ 0,085 TAO. Le réseau comptait environ 13 666 détenteurs, 244 nœuds miners actifs et 12 nœuds validators. Son taux d’émission était de 8,77 %. Par ailleurs, dans son pool de liquidité DEX, le TAO représentait 7,88 % et Alpha 92,12 %.
Que ce soit en termes de puissance de calcul ou de capital, Chutes s’impose comme un projet leader dans l’écosystème TAO. Ces données reflètent clairement son dynamisme réel sur le marché.
(Source des données : https://bittensormarketcap.com/subnets/64 )
Paysage concurrentiel, défis potentiels et perspectives finales
7.1 Avantage Fondamental et Barrière d’Avantage Concurrentiel
Le secteur actuel du calcul décentralisé (DePIN + AI) a définitivement quitté l’ère « sauvage » des concepts et des white papers pour entrer dans une phase avancée où la compétition se joue sur la capacité de livraison, les coûts et la stabilité.
Comparé aux plateformes proposant uniquement de la location de bare metal, l’avantage concurrentiel majeur de Chutes réside dans sa capacité de livraison d’inférence de niveau commercial, rigoureusement validée par des volumes massifs de données opérationnelles, ainsi que dans son avantage absolu en termes de coûts face aux géants traditionnels du Web2.
Combiné à l’architecture de chiffrement de confidentialité TEE qui sera entièrement déployée à l’avenir, Chutes fournit aux développeurs — soucieux d’éviter les monopoles et l’hégémonie des données des géants de la Silicon Valley — une infrastructure idéale, totalement permissionless et rentable.
7.2 Défis Potentiels et Points de Rupture à Surmonter
Bien que les données actuelles d’activité et la circulation des modèles soient impressionnantes, Chutes devra encore relever plusieurs défis majeurs pour passer du Web3 au marché mainstream :
Validation de la redondance et de la résilience sous concurrence extrême: lorsqu’une application AI « killer » atteignant des millions de DAU émergera et se connectera massivement en très peu de temps, la capacité du réseau décentralisé à maintenir une latence de l’ordre de la milliseconde sans interruption, malgré une explosion de la demande en puissance de calcul, constituera le test ultime de ses algorithmes d’ordonnancement.
Transformation des mentalités du marché enterprise: malgré le support de la technologie TEE, il reste nécessaire de mener un travail long et continu d’éducation du marché afin de dépasser les préjugés des entreprises Web2 traditionnelles et d’encourager davantage d’acteurs conformes à adopter à grande échelle des protocoles API décentralisés.
7.3 Simulation Finale
En résumé, avec l’émergence d’une ère caractérisée par des interactions à haute fréquence et autonomes entre les modèles de MultiModal Machine Learning et les agents AI, la demande en capacités de raisonnement entre machines va connaître une croissance exponentielle.
Dans ce contexte, une couche de raisonnement décentralisée, à faible coût, sans restriction et compatible avec des micropaiements à la demande deviendra une infrastructure essentielle pour la prochaine génération d’Internet.
Chutes ne représente pas seulement la décentralisation des mécanismes d’allocation des ressources de calcul, mais également une distribution universelle des ressources intellectuelles open-source à l’échelle de la société.
Si Chutes parvient à surmonter les barrières liées à la gestion du trafic et à combler le déficit de confiance des entreprises traditionnelles, il pourrait devenir, dans les prochaines années, une infrastructure fondamentale et une plateforme licorne capable de capter une valeur durable dans le secteur de l’AI décentralisée.
Résumé Principal
Chutes (SN64) est une plateforme de calcul IA serverless décentralisée construite sur le réseau Bittensor. Dans la course au calcul IA du Web3, son positionnement principal est similaire à celui d’une plateforme de VTC et d’un modèle PaaS (Platform as a Service). La plateforme agrège une puissance de calcul GPU inutilisée et distribuée à l’échelle mondiale, et combine des technologies avancées d’orchestration par conteneurisation afin de fournir aux développeurs des API d’inférence IA prêtes à l’emploi, avec un modèle de paiement à l’usage.
Au niveau de l’architecture sous-jacente, Chutes adopte un mécanisme classique à double rôle : les miners fournissent le matériel sous-jacent pour répondre à tout moment aux requêtes externes, tandis que les validators évaluent la qualité et attribuent des pondérations en temps réel, formant ainsi un réseau d’inférence de niveau industriel, à la fois à faible coût et à haute concurrence. Actuellement, Chutes se positionne comme un leader dans le domaine du calcul décentralisé en opérant une boucle commerciale réelle et fermée. La plateforme a traité plus de 9,1 trillions de tokens, compte plus de 400 000 utilisateurs actifs et est devenue le premier sous-réseau auto-déclaré de l’écosystème Bittensor à dépasser une valorisation de 100 millions de dollars. En réinjectant les revenus réels dans la valeur du token, Chutes possède le potentiel de devenir une infrastructure de niveau licorne dans le domaine de l’IA décentralisée à long terme.
Parcours du secteur : L’essor du raisonnement en IA et le dilemme du modèle Web2
2.1 Qu’est-ce que l’inférence de modèle ? Quelle est la différence essentielle avec le pré-entraînement ?
Avant d’aborder les plateformes de calcul, il est nécessaire de clarifier deux étapes clés du cycle de vie d’un modèle IA : le pré-entraînement (Training) et l’inférence (Inference).
Pré-entraînement du modèle : Il s’agit de la « phase d’apprentissage » des modèles IA. Les chercheurs doivent injecter des volumes massifs de données (comme l’ensemble du corpus textuel d’Internet) dans des réseaux neuronaux, et ajuster en continu des milliards, voire des trillions de paramètres via des opérations à grande échelle de multiplication matricielle. Ce processus est extrêmement chronophage et nécessite une puissance de calcul en cluster à très haut débit (comme NVLink), représentant un investissement lourd en infrastructures.
Inférence de modèle: Il s’agit de la « phase d’application » du modèle IA. Une fois le Model Training terminé, les paramètres sont figés. L’utilisateur saisit alors un prompt (Prompt), et le modèle génère le mot suivant avec la probabilité la plus élevée via un calcul de propagation avant (Forward Pass). Comparée au training, l’inférence nécessite moins de puissance de calcul par tâche, mais exige une capacité de traitement hautement concurrente, une latence extrêmement faible (Latency) et une stabilité du système 24h/24, 7j/7.
2.2 Logique de développement du secteur de la puissance de calcul et évolution du focus industriel
En revenant sur l’évolution de l’ensemble du secteur de la puissance de calcul, on peut clairement identifier une trajectoire : du calcul généraliste basé sur CPU à ses débuts, à l’essor du calcul parallèle via GPU (avec la structuration de l’écosystème CUDA), jusqu’à l’essor des puces TPU et ASIC spécifiquement conçues pour l’IA.
Au cours des dernières années, l’attention du capital et des avancées technologiques s’est presque entièrement concentrée sur « comment entraîner des modèles plus intelligents ». Cependant, avec les progrès significatifs des grands modèles open source tels que la série Llama et DeepSeek, l’écart de performance entre les modèles open source et les acteurs propriétaires (comme GPT-4) s’est rapidement réduit. Le centre de capture de valeur dans l’industrie de l’IA se déplace désormais de manière irréversible du « pré-entraînement des modèles » vers « l’inférence des modèles ». La raison est que, pour permettre une monétisation à grande échelle et une adoption transversale dans divers secteurs, les modèles doivent offrir une haute disponibilité ainsi qu’une faible latence 24h/24 et 7j/7.
2.3 Acteurs et limites fondamentales du raisonnement IA à l’ère Web2
Le secteur actuel du raisonnement IA en Web2 est principalement dominé par les acteurs suivants :
Fournisseurs d’API de modèles propriétaires: comme OpenAI (ChatGPT), Anthropic (Claude), Google (Gemini).Ils proposent des API très simples à utiliser, mais reposent sur des systèmes en boîte noire, sont coûteux et impliquent une forte dépendance à leur écosystème.
Géants traditionnels du Cloud as a Service: tels que AWS (Amazon Web Services), Microsoft Azure et Google Cloud. Ils proposent des machines virtuelles bas niveau ou de la location de GPU bare-metal, offrant une grande flexibilité mais avec des coûts d’exploitation et de maintenance extrêmement élevés.
Plateformes verticales de Reasoning as a Service (MaaS): telles que Together AI, Anyscale, HuggingFace Inference Endpoints. Elles se spécialisent dans la fourniture de services de gestion de l’inférence pour les modèles open source.
Cependant, lorsque les développeurs utilisent les services de ces géants du Web2 tels que les API OpenAI, AWS ou Together AI, ils sont toujours confrontés à trois défis majeurs difficilement surmontables :
Taxe élevée sur la puissance de calcul et granularité de facturation approximative: La dépréciation des infrastructures matérielles et logicielles (loyers des centres de données, systèmes de refroidissement, coûts élevés d’acquisition des serveurs) ainsi que les coûts de maintenance des centres de données centralisés sont extrêmement élevés, ce qui entraîne des coûts d’API importants répercutés sur les développeurs. De plus, les services Cloud traditionnels sont souvent facturés à l’heure ou à la machine complète, ce qui n’est pas adapté aux applications à grande échelle avec des besoins massifs en concurrence instantanée. Cela entraîne fréquemment un gaspillage important de ressources pendant les périodes creuses.
Complexité des “pièges d’infrastructure”": Pour les équipes early-stage qui tentent de contourner les API des fournisseurs Cloud et de louer leurs propres machines afin de déployer des modèles open source, la courbe d’apprentissage est extrêmement abrupte. Elles doivent gérer des problématiques complexes telles que le choix des GPU, la configuration des drivers bas niveau, l’optimisation des frameworks d’inférence (comme vLLM et TensorRT), la maintenance des nœuds ainsi que l’orchestration de clusters conteneurisés — avec un niveau d’exigence technique très élevé.
Vendor lock-in et risques liés à la confidentialité des données : Une fois qu’une entreprise s’intègre profondément aux services API d’un fournisseur Cloud spécifique, sa feuille de route technique future et sa structure de coûts deviennent entièrement dépendantes de ce fournisseur. Plus critique encore, pour les secteurs sensibles tels que la santé, la finance ou le droit, la transmission de données privées vers des serveurs API centralisés pour traitement expose à des risques élevés de fuite de données et de non-conformité réglementaire.
Solution : Chutes utilise le “network” pour reconstruire le raisonnement IA
3.1 Positionnement principal : “Ride-Hailing Platform” et PaaS décentralisé dans l’écosystème IA
Dans l’écosystème Bittensor, vaste et bien structuré, chaque subnet remplit un rôle spécifique. Par exemple, Templar (SN3) agit comme une « usine de production », dont la mission principale est de partir de zéro pour agréger de la puissance de calcul et entraîner des modèles open source de pointe ; tandis que Chutes (SN64) adopte un positionnement totalement différent, axé sur les « services opérationnels », en jouant le rôle d’une « ride-hailing platform » à l’ère du Web3.
Chutes ne produit pas lui-même des modèles. Grâce à son protocole réseau, il agrège efficacement des « véhicules » distribués à l’échelle mondiale (c’est-à-dire de la puissance de calcul GPU inutilisée), permettant à des modèles open source prêts à l’emploi et performants de fonctionner sur ces nœuds, afin de fournir des services d’inférence fluides aux développeurs externes.
Essentiellement, Chutes construit une infrastructure PaaS (Platform as a Service) décentralisée, compatible open source et hautement standardisée, reposant sur la blockchain.
3.2 Expérience Serverless réelle et avantage de coût ultime
Le changement fondamental apporté par Chutes pour les développeurs est la mise en place d’une véritable expérience Serverless. Lors de l’utilisation de Chutes, les développeurs n’ont pas à se soucier du choix du matériel sous-jacent, de la configuration des environnements ni de la maintenance des clusters. Il leur suffit de modifier quelques lignes de code pour s’intégrer facilement au réseau via des API entièrement compatibles avec le format OpenAI.
En matière de contrôle des coûts, Chutes s’appuie sur le mécanisme natif de micropaiements chiffrés (Micropayments) de la blockchain afin de permettre une facturation à granularité extrêmement fine, rare dans le secteur. Ce modèle de règlement disruptif élimine totalement le gaspillage de ressources lié à la facturation horaire des infrastructures Cloud traditionnelles.
Dans la pratique, cet avantage permet de réduire les coûts d’environ 85 % par rapport au Cloud as a Service traditionnel (comme AWS), et d’économiser au moins 40 % par rapport à la plupart des plateformes API centralisées du marché.
3.3 Amélioration de la confidentialité : l’architecture TEE construit un modèle de confiance
Dans les réseaux décentralisés, le principal défi a toujours été de protéger les prompts et les données métier envoyés par les utilisateurs vers des nœuds anonymes. Pour répondre aux exigences élevées de confidentialité des entreprises, Chutes déploie actuellement à grande échelle la technologie TEE (Trusted Execution Environments) dans son réseau.
La technologie TEE utilise un chiffrement au niveau matériel pour isoler une zone mémoire strictement sécurisée au sein du CPU/GPU. Cela signifie que les nœuds décentralisés peuvent traiter les requêtes d’inférence dans une « boîte noire » chiffrée, et même les miners fournissant la puissance de calcul ne peuvent pas accéder aux données sensibles des utilisateurs pendant l’ensemble du processus de calcul.
L’introduction de cette technologie fondamentale résout en profondeur les problématiques de conformité et de confidentialité des réseaux décentralisés dans des contextes d’usage entreprise, ouvrant la voie à une adoption à grande échelle par les acteurs du Web2.
Architecture principale : Comment l’inférence IA est réalisée dans le “network”
Dans l’architecture distribuée de couche basse de Chutes, le système répartit des tâches massives d’inférence sur le réseau mondial via des mécanismes complexes de routage et d’équilibrage de charge. Les participants principaux sont clairement divisés en deux catégories, et la qualité finale du service est garantie par une combinaison ingénieuse de cryptographie et de mécanismes économiques.
Miner (Fournisseur de services): Après avoir rejoint le système via le staking, les nœuds de calcul répartis dans le monde doivent charger les « Permanently Hot Models » spécifiés par le réseau. Les « Hot Models » signifient que les paramètres massifs des modèles sont préchargés dans la mémoire vidéo (VRAM) des GPU. Grâce à des technologies avancées d’orchestration par conteneurisation, ces nœuds doivent maintenir une haute disponibilité afin de gérer des requêtes API hautement concurrentes avec une latence de démarrage minimale.
Validateurs (Inspecteurs de qualité) : Dans un réseau décentralisé, il n’existe pas d’autorité centrale de supervision, d’où le rôle des validators. Ils envoient en continu des requêtes de test aléatoires aux miners et routent les requêtes réelles. Ils évaluent strictement les performances selon plusieurs critères clés : latence de réponse (temps de génération du premier token – TTFT), throughput (nombre de tokens générés par seconde) et précision des résultats. Les miners performants reçoivent des récompenses en tokens, tandis que ceux qui sous-performent ou adoptent des comportements malveillants sont éliminés du système et peuvent voir leur dépôt de staking confisqué.
Cette architecture de jeu décentralisé basée sur le consensus Bittensor transforme intelligemment les incitations économiques en garantie de qualité de service, permettant à un réseau distribué d’atteindre une stabilité comparable à celle des meilleurs data centers centralisés.
Moteur économique : passage d’un modèle « inflation-driven » à une création de valeur réelle"
Lors des cycles précédents du marché crypto, de nombreux projets Web3 de puissance de calcul sont tombés dans une spirale négative : dépendance excessive à l’inflation des tokens pour attirer la puissance de calcul (« mining »), entraînant une perte rapide de ressources en cas de baisse du marché.
À l’inverse, la compétitivité de Chutes repose sur un modèle économique vertueux et durable.
Le réseau traite aujourd’hui un volume important de requêtes API réelles, provenant à la fois du B-side (entreprises) et du C-side (utilisateurs finaux). Grâce à son système tokenisé, ces services sont monétisés. Plus important encore, via un mécanisme intégré d’auto-staking et de règlement, ces revenus issus du monde réel (y compris en fiat) sont convertis en demande pour les tokens du réseau.
Ce mécanisme redistribue la valeur aux détenteurs de tokens et aux participants du réseau, permettant une transition d’un modèle « brûler du capital pour acheter de la puissance de calcul » vers un modèle durable basé sur une génération réelle de revenus.
État actuel de l’écosystème et performances
Selon les données récentes on-chain et business, le réseau Chutes affiche des performances très solides en environnement à forte concurrence :
Percée du volume d’activité principal: Le réseau Chutes a traité plus de 9,1 trillions de Tokens, un chiffre significatif aussi bien dans le Web3 que parmi de nombreuses plateformes Web2 de taille intermédiaire. Sa capacité maximale de traitement quotidien peut atteindre 50 milliards de requêtes, servant plus de 400 000 utilisateurs finaux et développeurs.
Position de référence absolue sur le marché: Grâce à des données d’activité solides, Chutes est devenu le premier réseau de l’écosystème Bittensor à déclarer une valorisation dépassant le seuil des 100 millions de dollars.
Intégration profonde de l’écosystème et rôle de « ressources essentielles » : En externe, Chutes a réussi à servir de nombreuses applications couvrant différents segments. En interne, Chutes est progressivement devenu le principal fournisseur de puissance de calcul pour d’autres subnets de l’écosystème Bittensor, notamment ceux axés sur des applications verticales et le traitement de données, jouant un rôle clé comparable aux « ressources essentielles » de l’ensemble de l’écosystème IA décentralisé.
Indicateurs tokenomics solides: Au 7 avril 2026, le prix du token de subnet Alpha (alpha token) de Chutes était d’environ 0,085 TAO. Le réseau comptait environ 13 666 détenteurs, 244 nœuds miners actifs et 12 nœuds validators. Son taux d’émission était de 8,77 %. Par ailleurs, dans son pool de liquidité DEX, le TAO représentait 7,88 % et Alpha 92,12 %.
Que ce soit en termes de puissance de calcul ou de capital, Chutes s’impose comme un projet leader dans l’écosystème TAO. Ces données reflètent clairement son dynamisme réel sur le marché.
(Source des données : https://bittensormarketcap.com/subnets/64 )
Paysage concurrentiel, défis potentiels et perspectives finales
7.1 Avantage Fondamental et Barrière d’Avantage Concurrentiel
Le secteur actuel du calcul décentralisé (DePIN + AI) a définitivement quitté l’ère « sauvage » des concepts et des white papers pour entrer dans une phase avancée où la compétition se joue sur la capacité de livraison, les coûts et la stabilité.
Comparé aux plateformes proposant uniquement de la location de bare metal, l’avantage concurrentiel majeur de Chutes réside dans sa capacité de livraison d’inférence de niveau commercial, rigoureusement validée par des volumes massifs de données opérationnelles, ainsi que dans son avantage absolu en termes de coûts face aux géants traditionnels du Web2.
Combiné à l’architecture de chiffrement de confidentialité TEE qui sera entièrement déployée à l’avenir, Chutes fournit aux développeurs — soucieux d’éviter les monopoles et l’hégémonie des données des géants de la Silicon Valley — une infrastructure idéale, totalement permissionless et rentable.
7.2 Défis Potentiels et Points de Rupture à Surmonter
Bien que les données actuelles d’activité et la circulation des modèles soient impressionnantes, Chutes devra encore relever plusieurs défis majeurs pour passer du Web3 au marché mainstream :
Validation de la redondance et de la résilience sous concurrence extrême: lorsqu’une application AI « killer » atteignant des millions de DAU émergera et se connectera massivement en très peu de temps, la capacité du réseau décentralisé à maintenir une latence de l’ordre de la milliseconde sans interruption, malgré une explosion de la demande en puissance de calcul, constituera le test ultime de ses algorithmes d’ordonnancement.
Transformation des mentalités du marché enterprise: malgré le support de la technologie TEE, il reste nécessaire de mener un travail long et continu d’éducation du marché afin de dépasser les préjugés des entreprises Web2 traditionnelles et d’encourager davantage d’acteurs conformes à adopter à grande échelle des protocoles API décentralisés.
7.3 Simulation Finale
En résumé, avec l’émergence d’une ère caractérisée par des interactions à haute fréquence et autonomes entre les modèles de MultiModal Machine Learning et les agents AI, la demande en capacités de raisonnement entre machines va connaître une croissance exponentielle.
Dans ce contexte, une couche de raisonnement décentralisée, à faible coût, sans restriction et compatible avec des micropaiements à la demande deviendra une infrastructure essentielle pour la prochaine génération d’Internet.
Chutes ne représente pas seulement la décentralisation des mécanismes d’allocation des ressources de calcul, mais également une distribution universelle des ressources intellectuelles open-source à l’échelle de la société.
Si Chutes parvient à surmonter les barrières liées à la gestion du trafic et à combler le déficit de confiance des entreprises traditionnelles, il pourrait devenir, dans les prochaines années, une infrastructure fondamentale et une plateforme licorne capable de capter une valeur durable dans le secteur de l’AI décentralisée.