DGrid AI : Analyse approfondie de la manière dont l'infrastructure AI décentralisée rend les services « appelables, vérifiables et réglables »

Un développeur souhaitant appeler Claude, GPT, Gemini et DeepSeek doit généralement s'inscrire sur quatre plateformes, gérer quatre ensembles de clés API, traiter quatre logiques de facturation et faire face à quatre règles de limitation de débit.

Lorsque l'un des fournisseurs de services de modèles rencontre un problème ou ajuste ses prix, le développeur doit passer manuellement à une solution de secours. En utilisant une plateforme tierce, il est difficile pour le développeur de vérifier si la plateforme centralisée a réellement appelé le modèle pour lequel il a payé — vous avez payé pour Claude Opus 5, mais la plateforme a-t-elle secrètement changé pour un modèle moins cher ? Cela est presque impossible à vérifier techniquement.

Le point de départ de DGrid AI est de résoudre ces trois problèmes d'infrastructure : rendre les services AI appelables, vérifiables et réglables.

À la mi-2026, DGrid AI avait déjà servi plus de 15 000 utilisateurs payants, générant 23 millions de dollars de revenus économiques, et AI Arena a attiré plus de 500 000 utilisateurs pour évaluer les modèles. Alors que la plupart des projets AI x Crypto en sont encore à la phase de livre blanc, DGrid a déjà validé la demande de paiement et sa capacité d'autofinancement grâce à des produits réels.

Avec la publication du modèle économique du token $DGAI et l'approche du TGE, DGrid évolue d'une « plateforme d'agrégation de services AI » vers un « réseau d'infrastructure AI décentralisé ». Cet article décompose systématiquement l'architecture produit, les mécanismes techniques, le modèle économique et les avantages concurrentiels de DGrid.

I. Quels problèmes DGrid résout-il ?

Le marché des services AI présente trois problèmes structurels :

1. Appels fragmentés : les développeurs doivent se connecter un par un aux fournisseurs de modèles

Chaque fournisseur de modèles a ses propres spécifications API, méthodes d'authentification, logiques de facturation et stratégies de limitation de débit. Les développeurs souhaitant changer de modèle de manière flexible ou réaliser des appels multi-modèles doivent maintenir une couche d'adaptation complexe, ce qui augmente les coûts de développement et la vulnérabilité du système.

La solution de DGrid : AI Gateway

DGrid AI Gateway fournit une interface API unifiée compatible avec OpenAI, permettant aux développeurs d'accéder à plus de 200 modèles avec une seule clé API, y compris Claude, GPT, Gemini, MiniMax, DeepSeek, Kimi, GLM et d'autres modèles commerciaux populaires. Il suffit de modifier le paramètre base_url, sans avoir besoin de restructurer le code existant pour effectuer la migration.

2. Boîte noire de qualité : impossible de vérifier l'authenticité du service et la qualité de la sortie

Les plateformes centralisées contrôlent l'ensemble du processus d'appel de modèle, et les utilisateurs ne peuvent pas vérifier :

• La plateforme a-t-elle réellement appelé le modèle pour lequel vous avez payé ?

• Les résultats retournés ont-ils été altérés ou dégradés ?

• La qualité du service (vitesse de réponse, stabilité, conformité au format) est-elle conforme ?

Cette asymétrie d'information donne aux plateformes le pouvoir de fixer les prix et d'expliquer la qualité, les utilisateurs n'ayant d'autre choix que d'accepter passivement.

La solution de DGrid : Proof of Quality (PoQ)

PoQ est le mécanisme de vérification de qualité sur chaîne unique à DGrid, et c'est le seul protocole de vérification de qualité actuellement mis en œuvre dans l'infrastructure AI, soutenu par cinq articles techniques spécialisés.

Le fonctionnement de PoQ :

• DGrid maintient une banque de questions, tirant au hasard des questions pour effectuer des tests à l'aveugle sur les services de modèles fournis par les nœuds.

• Les dimensions d'évaluation incluent : qualité de sortie, vitesse de réponse, stabilité, conformité au format.

• Les résultats de vérification sont enregistrés sur la chaîne, servant de base pour l'évaluation de la réputation des nœuds et la répartition des incitations.

• Si un nœud ment (prétendant fournir GPT-5 mais appelant en réalité GPT-4), il sera détecté et puni.

PoQ ne touche pas aux données réelles d'appel des utilisateurs, mais effectue des échantillonnages sur les services que les nœuds prétendent fournir, protégeant ainsi la vie privée tout en établissant des normes de qualité vérifiables.

3. Valeur fermée : les développeurs et les utilisateurs ne peuvent pas participer à la distribution de la valeur sous-jacente

Les plateformes centralisées contrôlent l'accès aux modèles, le pouvoir de fixation des prix et le contrôle des données. Les fournisseurs de modèles ne peuvent accepter que les prix d'achat fixés par la plateforme, les développeurs ne peuvent pas se connecter directement aux ressources en amont, et les utilisateurs ne peuvent pas participer à la distribution des bénéfices de l'écosystème.

La solution de DGrid : règlement sur chaîne + marché ouvert

• DGrid Model Marketplace : tout fournisseur de modèles peut mettre en ligne des modèles, fixer ses propres prix et obtenir directement des revenus d'appel, le règlement étant effectué via des contrats intelligents sur la chaîne.

• Réseau de nœuds décentralisés : les opérateurs de nœuds participent au réseau en mettant en jeu des $DGAI, recevant des incitations en fonction de la qualité du service et du volume d'appels.

• Boucle économique de token : paiement par les utilisateurs → revenus des nœuds → incitations écologiques → participation à la gouvernance, tous les liens étant connectés par $DGAI.

Ces trois solutions constituent le positionnement central de DGrid : pas seulement une plateforme d'agrégation de modèles AI, mais un réseau d'infrastructure décentralisé permettant aux services AI d'être appelables, vérifiables et réglables.

II. Matrice de produits : des outils pour développeurs à l'écosystème de services AI

L'architecture produit de DGrid n'est pas un outil unique, mais un écosystème multi-niveaux construit autour de différents participants :

1. DGrid AI Gateway : point d'entrée unifié pour les développeurs

Utilisateurs cibles : développeurs et entreprises ayant besoin d'appeler plusieurs modèles AI de manière flexible.

Capacités clés :

• API unifiée compatible avec OpenAI, un seul point d'appel pour plus de 200 modèles.

• Routage intelligent : sélection automatique du modèle optimal en fonction du type de tâche, du budget et des exigences de latence.

• Équilibrage de charge et tolérance aux pannes : basculement automatique vers un nœud de secours en cas de défaillance d'un fournisseur en amont.

• Facturation transparente : normalisation des méthodes de tarification des différents modèles via le mécanisme Compute Unit.

Scénarios typiques :

• Les produits SaaS doivent prendre en charge Claude (génération de code), GPT (dialogue) et DeepSeek (optimisation des coûts) simultanément.

• Les agents AI doivent choisir dynamiquement le modèle le plus approprié en fonction de la tâche.

• Les entreprises souhaitent éviter le verrouillage par un fournisseur unique et maintenir la flexibilité de la chaîne d'approvisionnement.

2. DGrid Model Marketplace : étagère ouverte pour les fournisseurs de modèles

Utilisateurs cibles : fournisseurs ayant des ressources de calcul inutilisées, des modèles ajustés pour des domaines verticaux ou des ressources de modèles exclusifs.

Capacités clés :

• Tout le monde peut mettre en ligne des modèles, fixer ses propres prix et définir des règles d'appel.

• Règlement sur chaîne : les revenus d'appel sont automatiquement répartis via des contrats intelligents, sans besoin de gestion par la plateforme.

• Approbation PoQ : les modèles mis en ligne seront vérifiés par PoQ, le signal de qualité étant public et transparent.

• Découverte de modèles de longue traîne : les utilisateurs peuvent filtrer les modèles en fonction de la performance, du prix, de l'utilisation et des évaluations de la communauté.

Scénarios typiques :

• Équipes de modèles ajustés pour des domaines verticaux tels que la santé, le droit et la finance, atteignant directement des utilisateurs payants via le Marketplace.

• Institutions ou particuliers disposant de GPU inutilisés déployant leur puissance de calcul en tant que service d'inférence et monétisant.

• Développeurs recherchant des petits modèles optimisés pour des tâches spécifiques, plutôt que des modèles généraux.

3. DGrid AI Arena : évaluation des modèles et rétroaction des données du côté utilisateur

Utilisateurs cibles : utilisateurs ordinaires, passionnés d'AI, décideurs souhaitant comprendre les différences de capacité des modèles.

Capacités clés :

• Confrontation anonyme de modèles : les utilisateurs saisissent le même prompt, deux modèles retournent simultanément des résultats, et les utilisateurs votent pour la meilleure réponse.

• Données de préférence réelles : plus de 500 000 utilisateurs ont participé, générant une grande quantité de données annotées par des préférences humaines.

• Rétroaction pour PoQ : les données collectées par l'Arena peuvent être utilisées pour optimiser la stratégie de routage des modèles et le système d'évaluation de la qualité de DGrid.

Scénarios typiques :

• Avant d'acheter des services AI, les entreprises comparent les performances de différents modèles dans des scénarios commerciaux réels via l'Arena.

• Les utilisateurs ordinaires participent à l'évaluation des modèles, contribuant ainsi aux données de l'écosystème et recevant des incitations.

• DGrid utilise les retours d'utilisateurs réels pour optimiser en continu les algorithmes de recommandation et les normes de qualité.

4. DClaw : déploiement d'Agent personnel en un clic et identité sur chaîne

Utilisateurs cibles : développeurs individuels et utilisateurs non techniques souhaitant créer et déployer rapidement des Agents AI.

Capacités clés :

• Déploiement d'Agent personnel en un clic, sans gestion de serveurs ni configuration API.

• Connexion à la norme d'identité d'Agent ERC-8004 de BNB Chain, permettant à l'Agent d'avoir une identité sur chaîne.

• L'Agent peut appeler de manière autonome les services de modèles de DGrid, payer des frais et accumuler une réputation.

Scénarios typiques :

• Créateurs individuels déployant des assistants AI dédiés pour gérer des e-mails, générer du contenu, analyser des données, etc.

• Les Agents établissent des relations de confiance via des identités sur chaîne, formant un réseau de collaboration d'Agents.

• En tant que membre du paysage AI de BNB Chain, DClaw étend les capacités de service de DGrid à l'écosystème des Agents sur chaîne.

D'un point de vue logique produit, AI Gateway résout le problème d'appel des développeurs, Model Marketplace résout le problème d'ouverture de l'offre et de distribution de la valeur, AI Arena résout le problème d'évaluation de la qualité et de retour d'utilisateur, et DClaw Deployment résout le problème de déploiement d'Agent et d'identité sur chaîne. Ces quatre produits ne sont pas des modules isolés, mais forment un écosystème fermé construit autour de « permettre aux services AI de circuler dans un réseau ouvert ».

III. DGrid vs. Concurrents : où se situe la différenciation ?

Le secteur des infrastructures AI a déjà vu l'émergence de plusieurs acteurs, et l'avantage différentiel de DGrid se manifeste à trois niveaux :

1. vs. OpenRouter : marché ouvert vs. transfert fermé

OpenRouter est actuellement la plateforme d'agrégation de modèles AI la plus mature, ayant récemment annoncé son acquisition par Stripe pour 7 milliards de dollars.

Différence clé :

• OpenRouter est une station de transfert fermée : la plateforme décide quels modèles intégrer et comment fixer les prix, les utilisateurs ne peuvent choisir que parmi les options existantes.

• DGrid est un marché ouvert : tout le monde peut mettre en ligne des modèles, fixer ses propres prix et concurrencer publiquement, la limite d'offre dépend de combien de personnes dans le monde sont prêtes à fournir des services.

Vérification de la qualité :

• OpenRouter n'a pas de mécanisme de vérification de la qualité, les utilisateurs doivent se fier à la réputation de la plateforme.

• DGrid vérifie indépendamment tous les modèles mis en ligne via PoQ, les résultats étant publiés sur la chaîne.

2. vs. Akash / Render : inférence AI vs. puissance de calcul générale

Akash et Render sont des projets représentatifs de réseaux de puissance de calcul décentralisés, se concentrant sur le calcul général et les tâches de rendu.

Différence clé :

• Akash fournit des ressources de calcul brutes (location de CPU/GPU), les utilisateurs doivent déployer eux-mêmes des modèles et gérer des services d'inférence.

• DGrid fournit des services AI encapsulés (appel direct des API de modèles), les développeurs n'ont pas à se soucier de la gestion des ressources sous-jacentes.

Scénarios d'utilisation :

• Akash convient aux équipes ayant besoin de louer des ressources de calcul à long terme et de construire leurs propres services de modèles.

• DGrid convient aux développeurs ayant besoin d'appels à la demande, d'intégration rapide et de changement de modèle flexible.

3. vs. Plateformes d'IA centralisées (OpenAI, Anthropic) : Transparence et pouvoir de négociation

Différences clés :

• Les plateformes centralisées détiennent le pouvoir de tarification, d'explication des services et de contrôle des données, offrant une gamme de modèles relativement limitée.

• DGrid permet de vérifier la qualité des services via PoQ, de ramener le pouvoir de tarification sur le marché grâce à son Marketplace, et d'assurer la transparence de la distribution des revenus grâce à des règlements sur la chaîne.

Avantages à long terme :

• À mesure que le nombre de modèles d'IA augmente et que les modèles verticaux deviennent de plus en plus importants, le plafond d'approvisionnement d'un marché ouvert est bien plus élevé que celui d'un modèle d'achat de plateforme.

• Lorsque la réglementation exige une plus grande transparence des services d'IA, des mécanismes vérifiables comme PoQ pourraient devenir des normes de conformité.

Équipe et validation commerciale : Accumulation technique + Preuve de revenus

Équipe et accumulation de recherche

L'équipe de DGrid AI est composée de membres clés ayant un doctorat d'institutions telles que l'Université de Stony Brook, se concentrant sur la recherche des mécanismes sous-jacents des infrastructures d'IA décentralisées.

L'équipe a publié 5 articles évalués par des pairs, couvrant les domaines suivants :

• Mécanisme de vérification de qualité (PoQ)

• Architecture de raisonnement vérifiable Optimistic TEE-Rollups

• Évaluation des services décentralisés et conception d'incitations

Ces résultats de recherche ne restent pas au niveau académique, mais sont directement intégrés dans l'architecture produit de DGrid : le mécanisme PoQ fonctionne déjà dans le Model Marketplace, fournissant un soutien technique pour la vérification de la qualité et la distribution des incitations.

Financement et investisseurs

En 2026, DGrid AI a complété un financement de démarrage de 5 millions de dollars, avec des investisseurs comprenant :

• Waterdrip Capital

• IoTeX

• Paramita VC

• Zenith Capital

• CatcherVC

• 4EVER Research

• Abraca Research

Les investisseurs couvrent les infrastructures Web3, DePIN (réseaux d'infrastructure physique décentralisés) et l'écosystème de recherche en cryptographie, reflétant la reconnaissance du marché pour le positionnement de DGrid « IA + infrastructures décentralisées ».

Validation commerciale : 23 millions de dollars de revenus + 15 000 utilisateurs payants

Pour le secteur AI x Crypto, la plupart des projets en sont encore à la phase « raconter une histoire », les données de revenus réelles étant extrêmement rares.

DGrid a déjà validé la demande payante par le biais de revenus produits :

• Revenus du premier semestre 2026 : 23 millions de dollars

• Nombre d'utilisateurs payants : plus de 15 000

• Utilisateurs participant à l'AI Arena : plus de 500 000

Ces données montrent :

1. Les services AI Gateway et Premium de DGrid ont déjà été adoptés par de vrais utilisateurs et entreprises.

2. Le projet possède une capacité d'autofinancement, ne dépendant pas uniquement du financement et des incitations par jetons pour maintenir ses opérations.

3. Avec une échelle de financement relativement limitée (5 millions de dollars), DGrid a montré une efficacité capitalistique élevée.

La question clé est : DGrid peut-elle transformer ces revenus et utilisateurs en un volume d'appels continu pour le réseau décentralisé, en un flux d'offre et de demande sur le Marketplace, et en des scénarios d'utilisation réels pour le $DGAI dans les paiements, les incitations et la gouvernance ? Ce sera l'indicateur central pour évaluer le succès de la transformation de DGrid d'un « produit centralisé » à un « réseau décentralisé ».

Modèle économique du $DGAI : Pourquoi ce design ?

$DGAI est le jeton natif du réseau DGrid AI, avec une offre totale de 1 milliard de jetons.

Structure de distribution des jetons

Quatre fonctions du $DGAI

1. Staking des nœuds

Les opérateurs de nœuds et les fournisseurs de modèles doivent staker des $DGAI comme garantie de service. Le mécanisme de staking garantit :

• Les nœuds ont un coût de malveillance (fournir un service de mauvaise qualité entraînera la confiscation du staking)

• Les résultats de vérification PoQ influenceront le poids des incitations des nœuds

• Les utilisateurs peuvent déléguer des $DGAI à des nœuds de qualité, partageant ainsi les revenus.

2. Paiement de services

Lorsqu'un utilisateur appelle un service d'IA, il peut utiliser des $DGAI pour payer, bénéficiant généralement d'une remise.

Cela crée une demande réelle pour le jeton :

• Les développeurs, pour réduire les coûts, détiendront et utiliseront des $DGAI.

• Les flux de paiement iront vers les nœuds, les fournisseurs de modèles et le trésor du protocole.

• Plus il y a d'utilisation, plus la vitesse de circulation et la demande pour le jeton augmentent.

3. Incitations écologiques

Les opérateurs de nœuds, les fournisseurs de modèles, les développeurs d'agents et les contributeurs communautaires reçoivent des récompenses en $DGAI selon les dimensions suivantes :

• Volume et stabilité des appels de service

• Évaluation de qualité PoQ

• Contributions communautaires (participation à l'Arena, création de contenu, soutien technique, etc.)

La distribution des incitations n'est pas « égalitaire », mais se fait selon des contributions réelles et la qualité.

4. Gouvernance du protocole

Les détenteurs de $DGAI peuvent participer aux décisions clés du protocole :

• Ajustement de la structure tarifaire

• Règles de vérification PoQ

• Soutien à de nouveaux modèles

• Plans d'incitation écologiques

• Utilisation des fonds du trésor

À mesure que DGrid évolue vers la décentralisation, le poids de la gouvernance sera progressivement transféré de l'équipe à la communauté.

Logique de cycle de valeur

Un modèle économique de jeton sain doit former un cycle de valeur fermé :

L'utilisateur appelle un service d'IA (paye avec des $DGAI)

↓

Le nœud fournit un service de raisonnement (gagne des revenus en $DGAI)

↓

PoQ vérifie la qualité du service (influence la distribution des incitations)

↓

Les nœuds de haute qualité reçoivent plus d'incitations (attirent plus de nœuds à rejoindre)

↓

Plus de nœuds → Meilleur service → Plus d'appels d'utilisateurs

↓

Augmentation de la demande de jetons → Augmentation des revenus des nœuds → Expansion de l'écosystème

Le défi clé pour DGrid : Peut-elle faire passer le $DGAI d'un « actif d'incitation » à un « actif d'utilisation », c'est-à-dire que la valeur du jeton dépend non seulement de la distribution des incitations, mais aussi de la demande de paiement générée par de réels appels de services d'IA ?

État actuel et feuille de route future

État actuel : De la validation du produit au lancement du réseau

DGrid est actuellement à un tournant clé :

• Côté produit : AI Gateway, Arena, DClaw sont en ligne et ont accumulé de vrais utilisateurs.

• Côté commercial : 23 millions de dollars de revenus prouvent la demande payante.

• Côté technique : le mécanisme PoQ est en place, 5 articles soutiennent la crédibilité technique.

• Côté jeton : le modèle économique du $DGAI a été publié, le TGE est sur le point de commencer.

Les actions clés à venir comprennent :

1. Lancement du réseau de nœuds : ouverture du staking de nœuds et des services de raisonnement.

2. Expansion du Model Marketplace : attirer plus de fournisseurs de modèles à lister.

3. Lancement de la gouvernance : ouverture progressive des droits de gouvernance communautaire.

Vision à long terme : Réseau de services d'IA décentralisés

L'objectif à long terme de DGrid est de devenir la couche d'infrastructure décentralisée pour les services d'IA :

• Tout le monde peut fournir des services d'IA et en tirer des revenus.

• Tout le monde peut appeler des services d'IA et vérifier la qualité.

• Tout le monde peut participer à la gouvernance du protocole et à la distribution de la valeur.

La réalisation de cette vision dépend de trois indicateurs clés :

1. Volume d'appels du réseau : les appels réels de services d'IA continuent-ils d'augmenter ?

2. Diversité de l'offre : le Marketplace attire-t-il suffisamment de fournisseurs de modèles ?

3. Taux d'utilisation des jetons : le $DGAI est-il réellement utilisé pour les paiements, le staking et la gouvernance, et non seulement comme un actif spéculatif ?

Conclusion

DGrid AI offre un échantillon unique pour observer le secteur AI x Crypto :

Il ne part pas d'un jeton pour rétro-pédaler vers un scénario, mais commence par une demande produit réelle, validant la demande d'appels des développeurs via AI Gateway (23 millions de dollars de revenus), validant la volonté de participation des utilisateurs via AI Arena (500 000 utilisateurs), et validant la faisabilité du mécanisme de vérification de qualité via PoQ (5 articles + déploiement réel).

Maintenant, avec le lancement du $DGAI, DGrid intègre ces capacités validées dans un réseau décentralisé.

La question centrale est : DGrid peut-elle transformer « appelable, vérifiable, liquidable » d'une caractéristique produit en un protocole réseau, permettant aux services d'IA de circuler réellement sur le marché ouvert ?

C'est non seulement le défi de DGrid, mais aussi la question incontournable de la décentralisation de l'infrastructure IA.

Ce contenu est fourni à titre informatif uniquement et ne constitue pas un conseil financier, d'investissement, juridique ou fiscal. Les événements, récompenses, promotions en ligne ou informations mentionnées ici ne doivent pas être considérés comme une recommandation, une sollicitation ou une invitation à acheter, vendre, trader ou effectuer toute autre opération sur des actifs crypto. Les actifs crypto sont très volatils et peuvent entraîner des pertes. La disponibilité des services, produits et événements liés à WEEX peut varier selon les régions. Veuillez vous assurer que votre participation respecte les lois et réglementations locales applicables.