Faire tourner un LLM sur une blockchain : notre premier paper mesure le vrai prix de chaque jeton

En quelques mots. Faire tourner une IA directement sur une blockchain, c’est payer chaque calcul en « instructions » comptées une à une, pas en secondes de serveur. Notre paper mesure précisément ce que coûte chaque jeton généré par un modèle de langage sur l’Internet Computer (ICP), et montre trois choses : le coût dépend d’abord de la qualité du logiciel qui exécute le modèle, il se prédit avec une formule simple depuis la fiche technique du modèle, et il existe un plancher mesurable qu’un format de poids ternaire spécialement construit vient toucher. Le tout avec des sorties identiques au bit près d’un réseau à l’autre : c’est la définition même d’une IA vérifiable.

Ce que le paper montre

Trois résultats principaux, tous mesurés sur le réseau ICP réel, pas en simulation :

1. Le logiciel fait le prix. Le même modèle, sur le même canister, génère 10 jetons par appel avec l’implémentation communautaire et 29 avec la nôtre. Presque le triple, sans changer ni le modèle ni le matériel : le coefficient de coût est une propriété du logiciel d’exécution.
2. Le coût se prédit depuis la fiche du modèle. Sur 11 modèles récents de 8 familles, une loi simple relie le budget d’instructions au nombre de jetons générés, avec une erreur moyenne de 7,7 %. La multiplication de matrices représente environ 98,7 % du coût : c’est elle, et elle seule, qu’il faut optimiser.
3. Un plancher ternaire, vérifiable au bit près. Un chemin d’exécution construit sur mesure pour des poids ternaires atteint le plancher empirique du coût de décodage, avec des sorties byte-identiques entre une réplique locale, un sous-réseau suisse de 13 répliques et le mainnet ICP.

Pourquoi ça compte pour Meotis

Notre thèse est que le patrimoine cognitif d’une organisation doit être souverain et vérifiable. L’ancrage on-chain, nous le pratiquons déjà avec LAMS et la fondation ORIGYN sur ICP. Ce paper explore l’étape d’après : non plus seulement prouver l’intégrité des données on-chain, mais exécuter l’intelligence elle-même dans un environnement où chaque calcul est compté, reproductible et audité par consensus. Une IA dont chaque réponse peut être vérifiée au bit près par des machines indépendantes, c’est la version la plus stricte de « rien ne sort sans une trace ».

Le paper est signé Julien Aerni, Siméon Fluck et Dustin Becker, publié en accès libre (CC BY 4.0). Chaque chiffre du papier se retrace jusqu’à un fichier de mesure nommé, et le résultat principal se reproduit en une trentaine de minutes avec l’artefact joint.