Ce qui a attiré mon attention au sujet d’OpenGradient $OPG , ce n’est pas la promesse principale d’une IA sans confiance — c’est l’aveu discret enfoui dans la documentation technique que la vérifiabilité a un coût : les preuves ZKML tournent de 1 000 à 10 000 fois plus lentement que l’inférence standard. #OPG @OpenGradient se présente comme une solution au problème de la « boîte noire » de l’IA pour tout le monde, mais dans les faits, cette solution est d’abord surtout exploitable par un ensemble restreint d’applications — des décisions financières à forts enjeux, des agents on-chain, des modèles de risque DeFi — où le compromis de latence est acceptable et où l’exigence d’audit n’est pas négociable. L’inférence « vanilla », le mode qui impose presque aucun surcoût de vérification, se trouve à l’autre extrémité du spectre et est, fonctionnellement, indiscernable de ce qu’offre déjà n’importe quel fournisseur centralisé. Ce que le projet construit réellement, du moins pour l’instant, c’est une couche de confiance pour les cas limites qui comptent le plus pour des acteurs sophistiqués, plutôt qu’un remplacement généraliste de l’IA cloud. La promesse plus large — faire de l’IA vérifiable une exigence standard dans les applications — dépend de la mesure dans laquelle la génération de preuves deviendra plus économique et plus rapide au fil du temps, ce qui relève d’un problème de compression, et non d’une fonctionnalité prête dès le lancement. Dans combien de temps les réglages par défaut et les modes avancés cesseront-ils de donner l’impression d’être des produits différents ?