AI, cette voie, a en réalité déjà changé discrètement sa logique de compétition. Avant, tout le monde comparait la taille des modèles, le nombre de paramètres, la rapidité de génération ; mais aujourd'hui, la véritable différence n'est plus la capacité, mais la question de savoir si l'on ose être digne de confiance.

Ce n'est pas l'industrie qui se cherche une nouvelle narration, l'attitude du monde extérieur est en réalité très claire.

Dans le « Rapport sur les tendances technologiques pour les cinq prochaines années » publié récemment par China Web, un trend est directement mis en avant : le monde entre dans l'ère des intelligences artificielles. Et ce n'est pas pour discuter, rédiger des textes ou faire du service client, mais pour entrer dans des scénarios à haute sensibilité comme la gestion des risques financiers, l'approbation administrative, la gouvernance publique, voire commencer à participer à des décisions réelles.

Mais le rapport insiste à plusieurs reprises sur un prérequis : si l'IA n'est pas digne de confiance, elle n'a même pas le droit d'être intégrée dans ces systèmes.

Une étude du IIT Delhi va encore plus droit au but : la structure en boîte noire, les hallucinations, l'absence d'explicabilité, constituent actuellement le plus grand fossé de confiance dans l'IA. Plus un modèle est puissant, plus en cas de problème, le risque n'est pas linéaire, mais directement amplifié.

Et c'est précisément face à cette réalité que l'on observe un phénomène très divisé : d'un côté, une multitude d'« IA + plugins » ou « IA + applications empaquetées », qui semblent de plus en plus fonctionnelles ; de l'autre, la question de savoir si l'IA peut ou non être utilisée dans des scénarios clés repose toujours sur la confiance, mais presque personne ne s'attaque frontalement à ce problème.

Et @inference_labs, avec une série d'actions récentes, s'attaque justement à ce point le plus difficile.

Ils ont lancé la saison 2 de TruthTensor, tout en renommant l'ancien Subnet-2 en DSperse. Le changement de nom n'est pas important, ce qui compte c'est que la direction devient très claire : ils ne se contentent plus de « faire un sous-réseau », mais construisent une infrastructure décentralisée et vérifiable pour l'IA.

L'idée centrale de DSperse n'est pas compliquée : ne plus laisser un seul modèle, un seul nœud ou un seul système certifier « la correction » seul. La preuve est réalisée par plusieurs, la validation par plusieurs, la confiance ne vient pas de l'autorité, mais du processus lui-même, qui doit être vérifiable, quantifiable et traçable.

Il exécute à la fois des modèles et les audite ; ce n'est pas « tu me fais confiance », mais « tu peux vérifier toi-même ».

Ce qui est encore plus crucial, c'est que DSperse sépare complètement « inférence » et « validation », en les exécutant de manière distribuée. Ce n'est pas très efficace, mais en termes de sécurité du système, cela évite directement le problème le plus fatal de l'IA centralisée : si un nœud échoue, tout le système peut s'effondrer.

Ce chemin est franchement très difficile, et même peu apprécié à court terme. Mais si l'on se place du point de vue de « l'IA doit entrer dans le monde réel », il est presque incontournable.

À mon avis, 2026 sera une étape très critique. À ce moment-là, l'IA ne manquera plus de capacité de modèle, ce qui sera réellement rare, ce seront trois choses : la vérifiabilité, la auditabilité, et une infrastructure de base digne de confiance.

D'après le rythme actuel, Inference Labs choisit d'attaquer d'abord la partie la plus difficile. Parmi tous ces projets qui se battent encore pour les paramètres, la compression de modèles ou le changement d'emballage d'applications, DSperse ressemble plus à cette variable discrète mais potentiellement déterminante pour la prochaine étape, même si elle n'est pas encore très visible.

@KaitoAI #Yapping #MadewithMoss @MossAI_Official #Starboard @Galxe @RiverdotInc @River4fun