Alors que les développeurs discutent de la probabilité d’une apocalypse de l’IA et que les régulateurs mettent en garde contre la menace des crypto-monnaies pour le système financier, les technologies de blockchain et d’intelligence numérique sont déjà utilisées en médecine et dans la recherche scientifique.
ForkLog a rassemblé les projets les plus intéressants qui montrent comment les bases de données distribuées et l'IA aident à résoudre des problèmes pratiques bien au-delà du secteur financier.
Transfert de données privées pour la réanimation
Dans les unités de soins intensifs, la prévision de la mortalité à l’hôpital joue un rôle important, permettant aux médecins de lancer un traitement agressif plus tôt et d’allouer plus efficacement des ressources limitées. Des modèles d’intelligence artificielle sont déjà utilisés pour résoudre ce problème, mais nombre d’entre eux sont formés à partir des données d’une seule clinique.
Par conséquent, lorsqu'elle est transférée à d'autres institutions médicales, l'IA perd en précision : les données démographiques, les protocoles de documentation et les pratiques cliniques varient trop. L'apprentissage collaboratif à partir de données combinées provenant de sources multiples pourrait résoudre ce problème, mais HIPAA Et RGPD interdire catégoriquement le transfert de dossiers médicaux « bruts » entre établissements.
L’apprentissage fédéré (FL) contourne théoriquement cette interdiction. Les hôpitaux n'échangent pas de données sur les patients, mais uniquement des mises à jour des gradients des réseaux neuronaux.
Mais même dans les systèmes FL existants, quatre problèmes restaient non résolus : l'absence de garantie cryptographique du consentement du patient, l'incapacité de vérifier l'intégrité des mises à jour envoyées, la vulnérabilité aux attaques d'intrus et l'absence d'audit des dépenses en matière de confidentialité. La plateforme BlockFedMed veut résoudre tous ces problèmes d’un seul coup.
Le système d'IA orchestré par blockchain est construit sur Hyperledger Fabric v2.5 et utilise des LSTM‑modèle avec confidentialité différentielle gaussienne.
Au lieu de s’appuyer sur l’intégrité de la direction de l’hôpital, BlockFedMed transforme la confidentialité en une piste d’audit cryptographiquement vérifiable. Trois contrats intelligents gèrent le consentement vérifiable, l'intégrité des mises à jour et les incitations aux participants.
L’agrégateur FedMed‑Bft intégré résiste aux Attaques byzantines – il n'accepte que les mises à jour qui ont réussi le contrôle d'intégrité du contrat.
La formation a été réalisée sur MIMIC-IV (base de données de 52 167 admissions en USI) et une validation externe a été réalisée sur un ensemble eICU entièrement indépendant (200 859 dossiers de patients provenant de 208 hôpitaux dans le monde).
Avec une validation externe de la mortalité hospitalière, la solution obtenue AUROC 0,841 – 7,4 points de plus que les modèles locaux. La valeur n'est que de 3,1 points inférieure au maximum théorique atteint avec une formation centralisée, qui est interdite.
Dans une étude indépendante, BlockFedMed a réduit de 71 % la vitesse de traitement des consentements des données des patients.
Aujourd’hui, les hôpitaux du monde entier ont accumulé une quantité impressionnante de dossiers numériques, idéaux pour la formation en IA, mais dont la loi interdit le partage. BlockFedMed permet à des centaines de cliniques de former conjointement un puissant réseau neuronal pour prédire la mortalité en soins intensifs, et la blockchain est utilisée pour vérifier les informations transmises.
Pour l'instant, il s'agit d'un projet indépendant dont le but est de démontrer la possibilité d'un apprentissage fédéré. Cependant, le succès de l’étude pourrait ouvrir la voie à d’autres solutions similaires.
IA vérifiable en pharmacogénomique
En médecine personnalisée, les modèles d’IA sont déjà efficaces pour prédire quel médicament sera efficace pour un patient particulier en fonction de son génome. Mais les médecins et les régulateurs ne peuvent pas vérifier de manière indépendante si la prédiction a été honnêtement dérivée du modèle et des données correctes ou si elle a été modifiée après coup. Dans les décisions médicales, où le coût d’une erreur est la vie du patient, cela est inacceptable.
Des chercheurs de l'Université du Danemark du Sud ont proposé un modèle décentralisé qui intègre la prévision de l'IA à la vérification de la blockchain, garantissant ainsi l'intégrité, la traçabilité et la reproductibilité des résultats.
Le système calcule les prévisions, puis génère des hachages cryptographiques des données d'entrée du modèle et des données elles-mêmes, après quoi il les stocke invariablement dans la blockchain via un contrat intelligent.
Le modèle utilise une tokenisation déterministe et un hachage canonique, qui lient chaque paire entrée-prédiction dans une validation en chaîne vérifiable.
Toute partie prenante – médecin, régulateur, assureur ou patient – peut confirmer de manière indépendante que la prévision est bien dérivée d’un modèle connu et d’une source fiable. Dans le même temps, les données génomiques elles-mêmes ne sont pas divulguées : seule la signature est vérifiée pour préserver la confidentialité.
Des expériences sur l'ensemble de données GDSCv2 (Données génomiques sur la sensibilité aux médicaments) ont montré que le modèle Random Forest Regressor démontrait un coefficient de détermination de 0,979 pour prédire la sensibilité aux médicaments. Une validation croisée quintuple a démontré une valeur de 0,977, confirmant une fiabilité et une généralisabilité élevées (avec un maximum de 1).
Un test d'intégrité de la piste d'audit sur 10 échantillons a confirmé la vérifiabilité et la transparence à un niveau allant jusqu'à 70 %. Il s’agit de la première étape pour que l’IA en médecine devienne non seulement précise, mais également un outil juridiquement fiable, combinant l’apprentissage automatique avec les exigences réglementaires de transparence.
Marchés du carbone sur blockchain
Les écosystèmes de carbone bleu – mangroves, marais salants et herbiers marins – absorbent le CO₂ cinq à dix fois plus efficacement que la forêt amazonienne. Ils sont essentiels à l’atténuation du changement climatique, mais leur implication dans marchés du carbone encore limité.
Les raisons en sont des pratiques disparates de suivi, de reporting et de vérification (MRV), une auditabilité insuffisante et les coûts élevés des mesures sur le terrain. Les projets eux-mêmes souffrent du manque de transparence, de la double facturation et écoblanchiment.
Des chercheurs de l’Université d’études internationales de Shanghai, de l’Université de Changzhou et de Foote Technology ont dévoilé une architecture qui change la façon dont nous abordons les données sur le carbone. Au lieu de collecter un rapport une fois par an, le système assure un suivi continu.
IdO-des capteurs (compteurs électriques, capteurs industriels, systèmes de surveillance continue des émissions) transmettent des informations sur l'environnement 24 heures sur 24. Dans le même temps, la blockchain sur Hyperledger Fabric garantit l’immuabilité et la traçabilité de chaque événement.
De cette manière, les données carbone cessent d’être de simples chiffres sur un rapport et deviennent un actif numérique géré en permanence.
Le Carbon Data Interface Standard (CDIS) garantit la lisibilité des informations provenant de n’importe quelle source. La gestion de la solution repose sur le principe d'un DAO, où les entreprises, les vérificateurs et les régulateurs fixent conjointement les règles.
Le mécanisme dynamique de sélection des autorités distribue le droit de participer au consensus en fonction de l'efficacité vérifiable du participant – c'est-à-dire que plus les données sont bonnes, plus l'influence est grande.
L'architecture permet également d'accéder aux blockchains publiques comme Ethereum via une couche de tokenisation, permettant la création de « RWA carbone », ouvrant des opportunités de prêt CO₂.
Conception de cristaux photoniques
Les cristaux photoniques sont des matériaux artificiels dotés d'une structure périodique qui contrôlent le mouvement des photons au niveau nanométrique. Ils sont essentiels pour les ordinateurs optiques, les biocapteurs ultra-sensibles et les dispositifs quantiques.
Le problème est qu’il est presque impossible de concevoir manuellement une telle structure. L'échelle sub-longueur d'onde des cristaux photoniques ne permet pas l'utilisation de modèles analytiques d'optique géométrique ou ondulatoire. Les méthodes de conception traditionnelles s'appuient sur des bibliothèques prêtes à l'emploi avec un ensemble limité de configurations ou nécessitent des simulations intensives en calcul.
Pour accélérer le processus, l’Université Tsinghua a développé un mécanisme photonique généré par l’IA (AIGP) basé sur des modèles de diffusion latente. Contrairement aux méthodes traditionnelles qui nécessitent des simulations itératives à chaque étape, l'AIGP mappe directement les propriétés optiques aux structures.
Les paramètres spécifiés agissent comme une invite (par exemple, « ne laisse passer que la lumière d'une longueur d'onde de 1 550 nm »), sur la base de laquelle un cristal photonique est créé.
Des simulations et des expériences ont confirmé que cette méthode génère des structures fonctionnelles avec une grande précision, en suivant des paramètres spécifiés : puissance de transmission, caractéristiques de phase et de polarisation.
La blockchain dans ce modèle résout un problème tout aussi important de confidentialité. Les laboratoires souhaitent partager et échanger des données de formation en IA, mais ne veulent pas révéler le fonctionnement de leur technologie à leurs concurrents. Le grand livre distribué leur permet de partager les mises à jour des modèles tout en gardant secrètes les approches propriétaires.
Chaque mise à jour de l'AIGP est vérifiée et les informations la concernant sont enregistrées dans un registre distribué, garantissant la transparence de l'historique des modifications pour les participants au réseau.
Les cristaux photoniques sont à la base de la prochaine génération de puces d’IA, qui consomment beaucoup moins d’énergie et fonctionnent plus rapidement que les puces électroniques. Par conséquent, cette étude n’est pas simplement une expérience, mais la première étape vers une étude plus approfondie de la nanophotonique.
Recharge de voiture fédérée
Le passage massif aux véhicules électriques pose trois défis interdépendants pour les systèmes électriques. Le premier concerne les pointes de charge : lorsque tout le monde rentre du travail et recharge sa voiture en même temps, le réseau est surchargé.
Le deuxième est la confidentialité : les systèmes commerciaux de gestion des recharges voient qui facture, où et quand, ce qui crée des risques de fuite de données personnelles. Le troisième est la sécurité et la confiance dans les solutions centralisées.
Le projet PETAL-Grid (Privacy-preserving Edge-Trust-Adaptive Learning Framework) vise à résoudre ces problèmes avec un cadre d'IA fédéré basé sur la blockchain pour la coordination énergétique adaptative et privée dans les réseaux intelligents.
Le système intègre l'IA fédérée (apprentissage collaboratif sans transfert de données sources), l'intelligence sur les appareils périphériques (les appareils de pointe prédisent la demande locale en temps réel) et la gestion de la confiance blockchain (transactions transparentes et inviolables via des contrats intelligents).
Le flux de travail PETAL-Grid comprend cinq étapes :
- Collecte de données locales à partir des bornes de recharge.
- Prévision de la demande de périphériques.
- Agrégation de modèles fédérés (partage de prévisions agrégées plutôt que de données brutes).
- Coordination de charge adaptative.
- Validation des transactions blockchain.
Le grand livre distribué répond à un double objectif. Premièrement, il garantit l’immuabilité et la transparence de toutes les transactions énergétiques, et deuxièmement, grâce aux contrats intelligents, il automatise les calculs et la priorisation.
Les simulations ont montré que PETAL-Grid réduit la charge de pointe du réseau de 18 % et améliore l'efficacité énergétique de 17 %. La sécurité des transactions a atteint 98 à 99 %, ce qui est nettement supérieur aux modèles centralisés et de base.
Le système proposé résout simultanément les trois problèmes de l'électromobilisation de masse : il allège la charge sur les réseaux énergétiques, protège la vie privée des conducteurs et offre une garantie cryptographique de l'intégrité des transactions. De plus, le modèle est décentralisé et ne présente aucun point de défaillance.
***
Les nouvelles technologies ont toujours attiré toutes sortes de spéculateurs. Et souvent, le bruit de l’information qu’ils créent cache le véritable avantage derrière le gain financier.
Dans un tel environnement, il est important de rappeler que tous les développements ne sont pas nécessairement monétisables ; certains ont simplement besoin de travailler pour le bien des gens.
Voir l’article original en russe
