Avec l'évolution de la technologie AI, de plus en plus de données sont alimentées à des entités centralisées, ce qui suscite des préoccupations chez les utilisateurs et d'autres entités concernant la souveraineté et la sécurité des données. Parallèlement, l'application d'agents AI dans des scénarios spécifiques se développe, certains scénarios pouvant impliquer la vie privée des utilisateurs. Par conséquent, les données privées décentralisées deviendront le pilier de la plus grande industrie de l'avenir. Ainsi, Nillion a lancé son premier réseau de calcul aveugle décentralisé, qui dispose de son propre ensemble d'infrastructures, permettant à ces outils d'aider les constructeurs à créer des applications puissantes capables d'utiliser en toute sécurité des données de grande valeur. Les premiers constructeurs de la communauté Nillion créent des outils pour des solutions de stockage et de calcul sécurisées pour l'AI prédictive privée, le stockage sécurisé des données de santé, des certificats et des flux de travail sécurisés pour les données de transaction. En ce qui concerne le financement, Nillion a complété en octobre 2024 un financement de 25 millions de dollars dirigé par Hack VC, avec des investisseurs tels que HashKey Capital, Animoca Brands, ainsi que des investisseurs providentiels de projets comme Arbitrum, Worldcoin et Sei. En fait, dès 2022, Nillion avait déjà levé 20 millions de dollars, avec Distributed Global comme principal investisseur. Ces deux tours de financement ont permis à Nillion d'atteindre un montant total de financement de 45 millions de dollars, fournissant ainsi des ressources suffisantes pour le développement du projet. Le réseau Nillion se divise en deux parties : la couche de coordination (Coordination Layer) nilChain et Petnet (réseau de technologie de protection de la vie privée, Privacy Enhancing Technology Network). Petnet permet aux constructeurs d'utiliser des technologies de protection de la vie privée (PET) pour stocker et calculer des données tout en maintenant leur cryptage.

Que ce soit pour les agents AI de Web2 ou Web3, ils reposent tous sur des modèles de langage de grande taille (LLM) comme technologie fondamentale. On peut dire que l'essor des LLM a rendu les agents AI réels et a ouvert la voie à leur commercialisation. Après une accumulation précoce de technologies, les LLM ont connu une explosion d'applications en 2022. OpenAI a lancé GPT-3.5, qui a de nouveau réalisé des avancées significatives dans le domaine du traitement du langage naturel, mais à ce moment-là, l'AGI n'avait pas encore atteint le niveau d'"Agent". À partir de 2023, de nombreuses entreprises à travers le monde ont commencé à publier plusieurs modèles de langage de grande taille (LLM) open source, y compris LLaMA, BLOOM, StableLM, ChatGLM, etc. Des plateformes de création d'agents AI comme Voiceflow ont également vu le jour, et en août 2023, plus de 130 000 équipes construisaient des agents AI sur Voiceflow. Après 2024, la concurrence entre les LLM est devenue de plus en plus intense, avec le lancement constant de versions améliorées de LLM, y compris Gemini 2.0 et DeepSeek R1, entraînant une baisse progressive des coûts d'utilisation, des capacités d'analyse de plus en plus puissantes et davantage d'outils pour les agents AI, incitant ainsi de plus en plus de personnes à s'y essayer. Avec l'amélioration continue des performances des LLM, les agents AI ne sont plus seulement un concept dans le domaine de la recherche, mais sont devenus des outils réels. En 2024, Microsoft a intégré 10 agents AI autonomes dans Dynamics 365, capables d'automatiser des processus tels que le service client, les ventes, la finance et la logistique. Google a publié à la fin de la même année le modèle multimodal Gemini 2.0 et a lancé trois nouveaux prototypes d'agents basés sur celui-ci, y compris l'assistant général de grand modèle Project Astra et l'assistant de programmation Jules. En 2025, OpenAI a lancé le premier agent AI Operator, capable d'effectuer automatiquement des opérations complexes telles que la rédaction de code, la réservation de voyages et les achats en ligne. Avec les entreprises de LLM lançant directement des agents AI, leur objectif principal est d'attirer les développeurs et les créateurs à utiliser leur technologie LLM, d'élargir les cas d'utilisation et d'augmenter les revenus. Cette transition de la recherche à l'application marque également l'entrée de la technologie des agents AI dans une nouvelle phase de développement.

Depuis longtemps, la technologie des preuves à divulgation nulle de connaissance (ZK) était considérée comme une technologie "théoriquement parfaite, mais pratiquement lente" en raison de son coût computationnel élevé et de sa lenteur dans le processus de génération, ce qui rendait difficile de répondre aux exigences strictes de temps de blocage de la blockchain, entravant ainsi son application dans des scénarios réels. Cependant, en 2025, cette situation a été complètement renversée, et les performances ZK ne sont plus le principal obstacle à leur application. Une percée emblématique est le système de preuve SP1 Hypercube développé par l'équipe Succinct. Il a réussi à démontrer la capacité de générer des preuves ZK pour plus de 93 % des blocs de la chaîne principale Ethereum dans un créneau de 12 secondes, avec un temps de preuve moyen de seulement 10,3 secondes. Quant à la raison pour laquelle Succinct SP1 Hypercube a pu réaliser un tel progrès technique, cela peut être compris simplement comme étant principalement dû à deux améliorations : 🔹 Le processus de génération de preuves ZK nécessite d'encoder les données de transaction de la blockchain dans un polynôme mathématique, ce résultat d'encodage aidant à former la preuve finale. On peut l'imaginer comme le fait de mettre un grand nombre de bagages en désordre dans une valise. Le polynôme utilisé auparavant s'appelait Polynômes Univariés, qui ne correspondait pas bien à la structure des données de la blockchain, comme utiliser une valise ronde pour des objets carrés, il y a toujours des espaces vides ou des compressions, rendant le travail de préparation de l'encodage long et inefficace. SP1 Hypercube a inventé un nouveau polynôme (Polynômes Multilinaires), qui correspond mieux aux caractéristiques multidimensionnelles des données de transaction, ce qui équivaut à concevoir une valise rectangulaire, capable de remplir parfaitement les bagages. Cela a considérablement réduit le temps de préparation de l'encodage des données, permettant à la génération de preuves de passer de minutes à secondes, réalisant ainsi un traitement en temps réel ; 🔹 Auparavant, la génération de preuves était comme un emballage manuel par une seule personne, tout le processus se déroulant étape par étape, sans possibilité de décomposition. Maintenant, SP1 Hypercube utilise de nouveaux algorithmes (y compris l'agrégation récursive et les protocoles d'optimisation), permettant de décomposer une grande preuve en plusieurs petites tâches de preuve, chaque petite tâche étant traitée indépendamment, puis facilement fusionnée en une preuve complète. L'avantage de la décomposition est qu'elle permet de tirer pleinement parti des calculs parallèles sur des CPU ou GPU multicœurs, comme si plusieurs personnes emballaient des bagages en même temps, ce qui fait que la vitesse globale s'envole, capable de suivre le rythme d'Ethereum avec un bloc toutes les 12 secondes, réalisant ainsi des preuves en temps réel.