Véhicules autonomes
À la fin de 2025, une flotte de véhicules connectés pourrait générer 10 exabytes de données dans le monde chaque mois, avec une seule voiture entièrement autonome capable de produire jusqu’à 19 téraoctets par heure[1]. Pour déployer en toute sécurité les véhicules autonomes, les modèles doivent être formés et actualisés avec des données couvrant différentes géographies, météo et cultures de conduite – une échelle qu’aucune entreprise ne peut gérer.
Des projets comme Hivemapper, Rovr et Natix comblent cette lacune en transformant les conducteurs de tous les jours en cartouches décentralisées. Le partenariat de Natix avec Grab, le premier SuperApp de l’Asie du Sud-Est, est une démonstration en direct: des milliers de conducteurs contribuent à la vidéo routière en temps réel pour mettre à jour continuellement les données de cartographie, avec plus de 250 000 pilotes cartographiant collectivement 170 millions de kilomètres jusqu’à présent. Grab est un client payant, pas seulement un partenaire de recherche – un signe que DePin peut offrir à la fois l’informatique et la valeur commerciale.
Ce sont souvent des ensembles de données complémentaires et non compétitifs. Dans ce cas:
- Natix se concentre sur un appareil qui retire les données des caméras Tesla existantes
- Hivemapper installe de nouvelles caméras de dash net sur les voitures et les camions
- Rovr collecte des données LiDAR, pas la collecte basée sur la caméra
Drones et détection de précision
Les drones révolutionnent l’agriculture, la logistique et la surveillance des infrastructures critiques. Leur analyse de rentabilisation dépend de données précises, hyperlocales et constamment rafraîchies. Des réseaux distribués comme Geodnet et ONOCOY transforment les collectifs ruraux, les agriculteurs et les entrepreneurs en contributeurs à des réseaux de capteurs et de localisation excités et décentralisés mondiaux. Raad Labs adopte une approche différente, en permettant aux fournisseurs d’infrastructures critiques de demander une surveillance régulière et sur mesure de systèmes tels que des tableaux solaires et des chantiers de construction. Cette approche réduit les coûts de surveillance agricole jusqu’à 73% tout en rendant le réseau d’épine dorsale pour les drones de livraison, AG-Bots et la surveillance évolutifs même dans les zones reculées[3].
Robots humanoïdes et automatisation industrielle
Le marché des robots humanoïdes explose. Certaines prévisions ont la mise à l’échelle du marché de 3 500 robots en 2024 à 1,4 million en 2035. Morgan projette que le marché des robots humanoïdes atteindra 5 billions de dollars d’ici 2050[4]. Chaque robot déployé dans une nouvelle tâche nécessite des données uniques de mouvement, environnemental et de traitement.
Des startups comme Bitrobot, Prismax et Reborn expérimentent des réseaux décentralisés, où les robots ou les opérateurs humains «enseignent» d’autres en téléchargeant des données sur des plateformes ouvrir. Les revenus actuels sont modestes – la clientèle totale des données de robotique reste à une poignée d’acheteurs comme Google Deepmind, Figure Robotics et Tesla – et les modèles de distribution deviennent plus généralisables. Certaines équipes envisagent de capturer plus de valeur en formant leurs propres modèles.
Une catégorie adjacente est la perception spatiale, un sous-ensemble de projets qui sont des cartes 3D de crowdsourcing, principalement pour les robots. Les laboratoires Auki, la surraréalité et le maillage se construisent dans cet espace. Il y a aussi la possibilité d’une catégorie de perception géospatiale plus large (essentiellement, chatppt pour la Terre) qui est moins mature mais qui a le potentiel de casser les marchés ouverts d’une valeur de 100 milliards de dollars seuls.
Données de moteurs de jeu
Les données du moteur de jeu sont simulées, mais nous l’incluons ici car elle démontre une autre approche de la façon dont DePin peut être utilisé pour former des modèles physiques – à travers les jeux vidéo.
Il y a maintenant des décennies de recherche sur la façon de simuler efficacement l’activité du monde réel, raffiné à travers des millions d’heures de jeu. Aujourd’hui, des modèles mondiaux comme Genie3 sont utilisés pour simuler les actions d’un robot avant d’être promulgués dans le monde réel, s’entraînant souvent sur des millions d’heures de jeu. (Ou, consultez cet article sur l’utilisation de Grand Theft Auto pour former des voitures autonomes).
Les incitations de dépoi permettent de bien plus de possibilités et des millions d’heures de gameplay supplémentaires pour aider à former ces modèles. Les jeux ont l’avantage de simuler des réponses aux événements auxquels nous voulons être préparés, mais j’espère que nous n’aurons jamais à affronter (attaques terroristes, incendies, grands tremblements de terre, etc.). Shaga, par exemple, est une plate-forme de jeu entre pairs à la latence ultra-faible qui récompense également les utilisateurs de leur gameplay. Leur sortie est un corpus de données marqué à l’action, combinant des commandes, des cadres et des événements de moteur.
Dimensionnement du marché
Projeter la taille du marché physique de l’IA et de DePin est en partie la science, en partie l’optimisme éclairé. Voici où le consensus émerge: