DGrid AI : Reconstructing AI Infrastructure with On-Chain Verification and Open Markets

Les plateformes d'IA centralisées présentent des points douloureux tels que la boîte noire de qualité. DGrid AI reconstruit l'infrastructure décentralisée de l'IA grâce à la vérification sur la chaîne.

Rédigé par : Le Journal de l'IA de M. Zhang

Les modèles d'IA sont déjà suffisamment puissants, mais l'infrastructure de l'IA reste peu fiable.

Lorsque vous appelez Claude Opus 5 ou GPT-5.6 via une plateforme tierce, vous ne pouvez pas vérifier si la plateforme a réellement appelé ces modèles de pointe ou si elle a discrètement remplacé par une version moins chère ; vous ne pouvez pas confirmer si les résultats retournés sont des sorties brutes ou ont été traités d'une certaine manière ; vous ne pouvez pas non plus savoir si la tarification de la plateforme est raisonnable, car toute la chaîne d'approvisionnement est complètement opaque pour vous.

Ce n'est pas un problème de confiance, mais un problème de mécanisme.

Aujourd'hui, alors que les services d'IA sont devenus une infrastructure clé, trois problèmes - la boîte noire de qualité, le verrouillage des fournisseurs et la fermeture de la valeur - n'ont toujours pas été résolus de manière fondamentale. La plupart des développeurs et des entreprises dépendent encore des plateformes centralisées, faisant des compromis entre transparence, flexibilité et pouvoir de négociation.

La position de DGrid AI est la suivante : grâce à la vérification de la qualité sur la chaîne, à un marché de modèles ouvert et à une économie de jetons, rendre les services d'IA véritablement appelables, vérifiables et réglables.

À la mi-2026, DGrid aura servi plus de 15 000 utilisateurs payants, générant 23 millions de dollars de revenus de vérification, et AI Arena aura attiré plus de 500 000 utilisateurs pour participer à l'évaluation des modèles. Avec la publication du modèle économique du jeton $DGAI et le lancement du TGE, DGrid évolue d'un « produit de service IA » vers un « protocole d'infrastructure IA décentralisée ».

Cet article analysera l'architecture technique, la conception des mécanismes, la validation commerciale et le positionnement sur le marché de DGrid à partir de trois problèmes fondamentaux.

I. Trois problèmes fondamentaux de l'infrastructure IA

Problème 1 : Boîte noire de qualité - Vous ne pouvez pas vérifier si les services fournis par la plateforme sont authentiques

Scénario : Une entreprise appelle Claude Opus 5 via une plateforme d'agrégation pour traiter des documents sensibles, en payant le prix d'un modèle de pointe. Mais en réalité, la plateforme a-t-elle réellement appelé Opus 5 ? Passera-t-elle automatiquement à un modèle moins cher en période de pointe ? Les résultats retournés ont-ils été traités ou examinés d'une certaine manière ?

Essence du problème : La plateforme centralisée contrôle l'ensemble du processus d'appel de modèle, laissant l'utilisateur dans une position d'information totalement désavantageuse. La plateforme est à la fois le fournisseur de services et l'arbitre de la qualité, l'utilisateur n'a d'autre choix que de « croire » ou de « ne pas utiliser ».

Pourquoi ce problème est-il grave ?

• Pour les développeurs : Impossible de vérifier la qualité du service, difficile d'optimiser l'expérience produit.
• Pour les entreprises : En ce qui concerne les données sensibles et les activités clés, le coût de la confiance est extrêmement élevé.
• Pour l'industrie : Manque de normes de qualité, entraînant « l'élimination des bonnes monnaies par les mauvaises » - les plateformes frauduleuses ont en fait des coûts plus bas.

Problème 2 : Verrouillage des fournisseurs - Vous êtes piégé dans quelques points d'entrée centralisés

Scénario : Un produit SaaS choisit initialement un fournisseur de modèle et intègre profondément l'API dans sa logique commerciale. Six mois plus tard, ce fournisseur augmente considérablement ses prix ou modifie ses conditions de service, mais le coût de migration est extrêmement élevé - nécessitant une reconstruction du code, de nouveaux tests et un nouveau déploiement.

Essence du problème : Chaque fournisseur de modèle a ses propres spécifications d'API, méthodes d'authentification, logiques de facturation et stratégies de limitation. Une fois qu'un développeur choisit une plateforme, le coût de changement augmente de manière exponentielle avec la profondeur de l'intégration.

Pourquoi ce problème est-il grave ?

• La plateforme détient le pouvoir de tarification, les utilisateurs ont peu de pouvoir de négociation.
• Risque de point de défaillance unique : l'interruption du service de la plateforme affecte directement l'activité.
• Innovation limitée : impossible d'essayer de nouveaux modèles ou d'ajuster des modèles dans des domaines verticaux de manière flexible.

Problème 3 : Fermeture de la valeur - Vous ne pouvez pas participer à la distribution de la valeur sous-jacente des services d'IA

Scénario : Une équipe d'IA médicale ajuste un modèle pour des scénarios de diagnostic clinique, avec des performances bien supérieures à celles des modèles généraux. Mais ils manquent de canaux de distribution et ne peuvent que mettre le modèle sur une plateforme centralisée, acceptant les taux de partage et les règles de distribution de trafic définis par la plateforme. La plupart des revenus générés par l'appel du modèle sont prélevés par la plateforme.

Essence du problème : La plateforme centralisée contrôle l'entrée du modèle, le pouvoir de tarification et le contrôle des données. Les fournisseurs de modèles, les développeurs et les utilisateurs ne peuvent pas participer directement à la distribution de la valeur ni influencer les règles de la plateforme.

Pourquoi ce problème est-il grave ?

• Les modèles verticaux de qualité ont du mal à atteindre les véritables demandeurs.
• Les institutions et les particuliers disposant de puissance de calcul inutilisée ne peuvent pas monétiser leurs ressources.
• Combien des frais payés par les utilisateurs vont réellement aux fournisseurs de services ? Impossible de vérifier.

Ces trois problèmes ont en commun que les plateformes centralisées sont à la fois les décideurs des règles et les parties prenantes, les utilisateurs et les fournisseurs de services étant dans une position passive.

La réponse de DGrid est : reconstruire l'infrastructure de l'IA avec des mécanismes décentralisés, rendant la qualité vérifiable, l'offre ouverte et la valeur traçable.

II. La réponse de DGrid : Panorama de l'architecture technique

DGrid AI n'est pas simplement « mettre l'IA sur la chaîne », mais construire une infrastructure décentralisée de l'IA autour de trois capacités clés :

1. Couche d'appel unifiée : AI Gateway

Problème résolu : Verrouillage des fournisseurs

DGrid AI Gateway fournit une interface API compatible avec OpenAI, permettant aux développeurs d'accéder à plus de 200 modèles avec une seule clé API, y compris Claude Opus 5, GPT-5.6, Gemini Pro, MiniMax, DeepSeek, Kimi, GLM et d'autres modèles commerciaux populaires.

Mécanisme clé :

• Routage intelligent : sélection automatique du modèle optimal en fonction du type de tâche, du budget de coût et des exigences de latence.
• Équilibrage de charge : basculement automatique vers un nœud de secours en cas de défaillance d'un fournisseur en amont.
• Facturation unifiée : standardisation des méthodes de tarification des différents modèles via le mécanisme Compute Unit.
• Coût de migration nul : il suffit de modifier le paramètre base_url, le code existant n'a pas besoin d'être reconstruit.

Valeur clé : Les développeurs ne sont plus bloqués par un fournisseur unique, ils peuvent changer de modèle à tout moment, comparer les performances et optimiser les coûts, tout en maintenant une flexibilité maximale.

2. Couche de vérification de la qualité : Proof of Quality (PoQ)

Problème résolu : Boîte noire de qualité

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

Mécanisme clé :

• Test à l'aveugle aléatoire : DGrid maintient une banque de questions, tirant au hasard des questions pour effectuer des tests à l'aveugle sur les services de modèle fournis par les nœuds.
• Évaluation multidimensionnelle : évaluation de la qualité de sortie, de la vitesse de réponse, de la stabilité, de la conformité au format, etc.
• Preuve sur la chaîne : les résultats de vérification sont enregistrés sur la chaîne, servant de base pour le score de réputation des nœuds et la distribution des incitations.
• Mécanisme de sanction : si un nœud triche (prétendant fournir GPT-5.6 mais appelant en réalité une version inférieure), il sera détecté et sa mise en gage sera confisquée.

Conception clé : PoQ ne vérifie que les services que les nœuds prétendent fournir, sans toucher aux données réelles d'appel des utilisateurs, protégeant ainsi la vie privée tout en établissant des normes de qualité.

Cela résout le problème le plus fondamental du marché ouvert : comment empêcher « la qualité inférieure de se faire passer pour de la qualité supérieure » lorsque n'importe qui peut mettre un modèle en ligne ?

3. Couche de marché ouvert : Model Marketplace

Problème résolu : Fermeture de la valeur

Le DGrid Model Marketplace permet à tout fournisseur de modèle de mettre en ligne des modèles, de fixer leurs propres prix et de recevoir directement les revenus d'appel, le règlement étant effectué via des contrats intelligents sur la chaîne.

Mécanisme clé :

• Mise en ligne libre : toute personne ou institution disposant de ressources de modèle ou de puissance de calcul peut devenir fournisseur.
• Tarification autonome : les fournisseurs fixent leurs prix en fonction des coûts, des performances et de la demande du marché.
• Approbation par PoQ : les modèles mis en ligne seront vérifiés par PoQ, le signal de qualité étant public et transparent.
• Règlement sur la chaîne : les revenus d'appel sont automatiquement répartis via des contrats intelligents, sans besoin de gestion par la plateforme.

Valeur clé :

• Les modèles ajustés pour des domaines verticaux (médical, juridique, financier) peuvent atteindre directement des utilisateurs payants.
• Les institutions disposant de GPU inutilisés peuvent déployer leur puissance de calcul en tant que service d'inférence et la monétiser.
• Les utilisateurs peuvent sélectionner le modèle le plus adapté en fonction des performances, des prix et des usages.

D'un point de vue architectural, DGrid est une pile de protocole à trois niveaux :

• Niveau supérieur : interface d'appel unifiée (AI Gateway), résolvant les problèmes d'expérience des développeurs.
• Niveau intermédiaire : mécanisme de vérification de la qualité (PoQ), résolvant les problèmes de confiance du marché ouvert.
• Niveau inférieur : protocole de marché ouvert (Marketplace + $DGAI), résolvant les problèmes d'offre et de distribution de valeur.

III. Analyse approfondie du mécanisme PoQ : Comment établir des normes de qualité dans un réseau ouvert ?

PoQ est l'innovation technique la plus essentielle de DGrid et la clé de la viabilité de l'ensemble du marché ouvert. Cette partie mérite une analyse approfondie.

Pourquoi avoir besoin de PoQ ?

Dans une plateforme centralisée, le contrôle de la qualité est de la responsabilité de la plateforme, l'utilisateur n'a d'autre choix que de « faire confiance à la plateforme ». Mais dans un marché ouvert, n'importe qui peut mettre un modèle en ligne, et sans mécanisme de vérification, le marché se dégrade rapidement :

• Certains prétendent fournir Claude Opus 5, mais appellent en réalité un modèle moins cher.
• Certains réduisent délibérément la stabilité du service, se déconnectant en période de pointe.
• Certains retournent des résultats non conformes au format, augmentant les coûts de traitement en aval.

Le problème central que PoQ doit résoudre : comment vérifier la qualité des services fournis par les nœuds sans toucher à la vie privée des utilisateurs ?

Comment fonctionne PoQ ?

Première étape : Construction de la banque de questions

DGrid maintient une banque de questions couvrant divers types de tâches :

• Génération de code
• Compréhension de texte
• Analyse de raisonnement
• Conversion de format
• Traduction multilingue

Chaque question a une réponse standard ou un critère de notation.

Deuxième étape : Échantillonnage aléatoire

Le système extrait régulièrement des questions de la banque de questions, lançant des « appels à l'aveugle » aux nœuds. Les nœuds ne savent pas s'il s'agit d'une demande de test ou d'une demande d'utilisateur réelle.

Troisième étape : Évaluation multidimensionnelle

Les résultats retournés sont notés selon plusieurs dimensions :

• Évaluation de la qualité : précision, exhaustivité, logique des réponses
• Évaluation de la vitesse : latence de réponse, temps jusqu'au premier octet
• Évaluation de la stabilité : taux de réussite, taux d'erreur
• Évaluation de la conformité : format de sortie conforme aux spécifications de l'API

Étape 4 : Preuve sur la chaîne

Les résultats de l'évaluation sont enregistrés sur la chaîne, formant un score de réputation pour les nœuds. Ce score :

• Public et transparent : tout le monde peut le consulter
• Immuable : les enregistrements historiques sont conservés de manière permanente
• Incitatif : les nœuds de haute qualité reçoivent plus de récompenses en $DGAI
• Pénalisation : les nœuds frauduleux verront leur mise en gage confisquée

Trois conceptions clés de PoQ

1. Protection de la vie privée : vérification des nœuds sans toucher aux données des utilisateurs

Les demandes de vérification de PoQ sont initiées par le système, utilisant des données de la base de questions, sans utiliser les données réelles des utilisateurs pour la vérification ou l'enregistrement sur la chaîne. Cela garantit la confidentialité des utilisateurs.

2. Anti-triche : aléatoire + test à l'aveugle

Les nœuds ne peuvent pas savoir à l'avance quelle demande est un test, ni prédire le contenu des questions. Pour obtenir un taux de réussite élevé, la seule méthode est de fournir en continu des services de haute qualité.

3. Compatibilité des incitations : qualité liée aux bénéfices

Le score PoQ n'est pas simplement « acceptable / non acceptable », mais influence le poids des incitations pour les nœuds. Plus la qualité est élevée, plus les nœuds reçoivent de récompenses en $DGAI, formant un cycle positif.

PoQ est essentiellement une combinaison de « audits aléatoires continus + réputation sur la chaîne + incitations économiques », rendant la qualité des services sur le marché ouvert quantifiable, traçable et punissable.

C'est aussi pourquoi DGrid se distingue techniquement des projets comme OpenRouter et Infura : ces derniers dépendent de la réputation de la plateforme, tandis que DGrid repose sur un mécanisme vérifiable.

Quatrième, matrice de produits : un écosystème complet autour de différents participants

Les produits de DGrid ne sont pas des outils isolés, mais un écosystème complet construit autour de quatre types de participants :

1. Pour les développeurs : AI Gateway

Valeur centrale : un appel API pour 200+ modèles, zéro coût de migration, routage intelligent

Scénarios d'application :

• Les produits SaaS nécessitent un changement flexible de modèles (génération de code avec Claude Opus 5, conversation avec GPT-5.6, optimisation des coûts avec DeepSeek)
• Les agents AI doivent choisir dynamiquement le modèle optimal en fonction de la tâche
• Les entreprises souhaitent éviter le verrouillage des fournisseurs et maintenir la flexibilité de leur pile technologique

2. Pour les fournisseurs de modèles : Model Marketplace

Valeur centrale : mise en vente libre, tarification autonome, règlement sur la chaîne, validation PoQ

Scénarios d'application :

• Équipes de modèles ajustés dans des domaines verticaux tels que la santé, le droit, la finance
• Institutions ou particuliers disposant de GPU inutilisés
• Fournisseurs ayant des ressources de modèles exclusifs ou des capacités de calcul à faible coût

3. Pour les utilisateurs ordinaires : AI Arena

Valeur centrale : combats de modèles anonymes, données de préférences réelles, participation rémunérée

Scénarios d'application :

• Les entreprises comparent les performances de différents modèles dans des scénarios réels avant d'acheter des services AI
• Les utilisateurs ordinaires participent à l'évaluation des modèles, contribuant des données à l'écosystème et recevant des incitations
• DGrid utilise les retours d'utilisateurs réels pour optimiser les stratégies de routage et les normes de qualité

Données actuelles : plus de 500 000 utilisateurs participent, générant une grande quantité de données annotées sur les préférences humaines.

4. Pour les développeurs d'agents : DClaw

Valeur centrale : déploiement d'agents en un clic, identité sur la chaîne, appels de services autonomes

Scénarios d'application :

• Créateurs individuels déployant des assistants AI dédiés
• Les agents établissent des relations de confiance via des identités sur la chaîne
• En tant que membre du paysage AI de BNB Chain, intégration dans l'écosystème des agents sur la chaîne

DClaw intègre la norme d'identité des agents ERC-8004 de BNB Chain, permettant aux agents d'avoir une identité sur la chaîne, une découvrabilité et une capacité d'accumulation de réputation.

D'un point de vue logique produit :

• AI Gateway résout les problèmes d'appel
• Model Marketplace résout les problèmes d'offre et de distribution
• AI Arena résout les problèmes d'évaluation de la qualité et de rétroaction des données
• DClaw résout les problèmes de déploiement d'agents et d'identité sur la chaîne

Ces quatre produits construisent un cycle fermé autour de « permettre aux services AI de circuler sur un réseau ouvert ».

Cinq, économie des tokens $DGAI : pas seulement une incitation, mais aussi un niveau de coordination

$DGAI est le token natif du réseau DGrid AI, avec un approvisionnement total de 1 milliard d'unités.

Distribution des tokens

Lors du TGE, seulement 15 % sont débloqués (Airdrops + Liquidité), l'équipe et les investisseurs sont complètement verrouillés pendant un an.

Quatre fonctions de $DGAI

1. Mise en gage des nœuds

Les opérateurs de nœuds mettent en gage des $DGAI comme garantie de service, le score PoQ influence le poids des incitations. Les utilisateurs peuvent déléguer des $DGAI à des nœuds de qualité pour partager les bénéfices.

2. Paiement des services

Lorsqu'un utilisateur appelle un service AI, il utilise des $DGAI pour payer et bénéficier de réductions. Cela crée une demande réelle pour le token.

3. Incitations écologiques

Les nœuds, les fournisseurs de modèles, les développeurs d'agents et les participants à l'arène reçoivent des récompenses en $DGAI en fonction de leurs contributions. La distribution des incitations n'est pas égalitaire, mais basée sur des récompenses différenciées en fonction de la qualité et du volume d'appels.

4. Gouvernance du protocole

Les détenteurs de $DGAI peuvent voter pour décider : structure des frais, règles de PoQ, quels nouveaux modèles soutenir, programmes d'incitation écologique, utilisation du trésor.

Cycle de valeur

L'utilisateur appelle un service (paye en $DGAI)

↓

Le nœud fournit des inférences (reçoit des $DGAI)

↓

PoQ vérifie la qualité (influence le poids des incitations)

↓

Les nœuds de haute qualité obtiennent plus d'incitations

↓

Plus de nœuds → meilleur service → plus d'utilisateurs

↓

Augmentation de la demande de tokens → expansion de l'écosystème

Question clé : $DGAI peut-il passer d'un « actif d'incitation » à un « actif d'utilisation » ? C'est-à-dire que la valeur du token ne provient pas seulement de la distribution des incitations, mais aussi de la demande de paiement générée par les appels réels de services AI.

Six, validation commerciale et positionnement sur le marché : que signifie un revenu de 23 millions de dollars ?

Données vérifiées

• Revenus du premier semestre 2026 : 23 millions de dollars
• Nombre d'utilisateurs payants : plus de 15 000
• Utilisateurs participant à AI Arena : plus de 500 000
• Montant du financement : 5 millions de dollars en tour de semences

Que signifient ces données ?

1. La demande de produit a été vérifiée

Alors que la plupart des projets AI x Crypto racontent encore des histoires, DGrid a déjà prouvé la demande payante par des revenus réels. AI Gateway et les services Premium ont déjà été adoptés par de vrais utilisateurs et entreprises.

2. Efficacité du capital extrêmement élevée

Avec 5 millions de dollars de financement, DGrid a généré 23 millions de dollars de revenus, l'efficacité du capital est bien supérieure à la moyenne du secteur. Cela montre que le projet a la capacité de s'auto-financer, ne dépendant pas entièrement du financement et des incitations par tokens pour maintenir ses opérations.

3. Forte participation de la communauté

Avec 500 000 utilisateurs participant à AI Arena, cela montre que DGrid a non seulement des utilisateurs payants, mais aussi des participants communautaires actifs contribuant des données à l'écosystème.

Point de basculement clé

DGrid est actuellement à un point critique de transition d'un « produit centralisé » à un « réseau décentralisé » :

• 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 opérationnel, avec 5 articles soutenant sa crédibilité
• Côté token : le modèle économique de $DGAI a été publié, le TGE est sur le point de commencer

Le défi à venir : peut-on transformer les revenus et utilisateurs existants en un volume d'appels continu pour le réseau décentralisé, en un flux d'offre et de demande pour le Marketplace, et en des scénarios d'utilisation réels pour $DGAI ?

Sept, matrice de comparaison des concurrents : où se situe la différenciation de DGrid ?

Différenciation clé

vs. OpenRouter

• OpenRouter vient d'être acquis par Stripe pour 7 milliards de dollars, prouvant la valeur marchande des plateformes d'agrégation AI
• Mais OpenRouter est une station de transit fermée, DGrid est un marché ouvert
• OpenRouter n'a pas de vérification de qualité, DGrid a une vérification sur la chaîne PoQ

vs. Akash/Render

• Akash fournit de la puissance de calcul brute, DGrid fournit des services AI encapsulés
• Akash convient aux équipes qui construisent leurs propres services, DGrid convient aux développeurs cherchant une intégration rapide
• Akash est un réseau de puissance de calcul général, DGrid est une infrastructure dédiée à l'AI

vs. OpenAI/Anthropic

• Les plateformes centralisées détiennent le pouvoir de tarification et d'explication de la qualité
• DGrid rend la qualité vérifiable grâce à PoQ et ramène la tarification au marché via le Marketplace
• À mesure que les modèles AI se multiplient et que les modèles verticaux deviennent de plus en plus importants, le plafond d'offre du marché ouvert est bien plus élevé que celui d'un fournisseur unique

Huit, prochaines étapes et indicateurs d'observation

Prochaines actions clés

1. Lancement du réseau de nœuds : services de staking et d'inférence ouverts
2. Extension du Model Marketplace : attirer davantage de fournisseurs de modèles
3. Lancement de la gouvernance : ouverture progressive des droits de gouvernance communautaire

### Trois indicateurs clés pour évaluer les progrès de DGrid
**1. Volume d'appels réseau**
La demande réelle pour les services d'IA continue-t-elle de croître ? Cela détermine si la demande de paiement en $DGAI est réellement présente.
Mode d'observation : surveiller les données mensuelles / trimestrielles d'appels divulguées par l'officiel.
**2. Diversité de l'offre sur le Marketplace**
Combien de fournisseurs de modèles sont répertoriés ? Quelle est la proportion de modèles dans des domaines verticaux ? Cela détermine si le marché ouvert fonctionne réellement.
Mode d'observation : surveiller le nombre de modèles répertoriés sur le Marketplace, le nombre de fournisseurs et la distribution des volumes d'appels.
**3. Taux d'utilisation des tokens**
Le $DGAI est-il réellement utilisé pour les paiements, le staking et la gouvernance, ou n'est-il qu'un actif spéculatif ?
Mode d'observation : surveiller les données on-chain --- nombre de transactions de paiement, taux de staking, taux de participation aux propositions de gouvernance.
Conclusion ---
L'infrastructure IA subit une transformation de paradigme : d'une domination des plateformes centralisées à une évolution vers des protocoles ouverts.
DGrid AI fournit un échantillon complet : * Résoudre les problèmes d'appel des développeurs avec AI Gateway * Résoudre les problèmes de validation de qualité du marché ouvert avec PoQ * Résoudre les problèmes d'ouverture de l'offre et de répartition de la valeur avec Model Marketplace * Connecter tous les participants avec $DGAI, formant une couche de coordination
Ce n'est pas une approche qui part des tokens pour rétroconcevoir des scénarios, mais une approche qui part des besoins réels des produits --- 23 millions de dollars de revenus prouvent la demande d'appels, 500 000 utilisateurs d'Arena prouvent la participation communautaire, 5 articles et déploiements réels prouvent la faisabilité de PoQ.
La question centrale est : DGrid peut-il transformer "appelable, vérifiable, liquidable" d'une caractéristique produit en un protocole réseau ?
Avec le lancement de $DGAI et le démarrage du réseau de nœuds, cette question sera bientôt vérifiée.