Résumé technique : Intelligence des risques agissante et consciente du contexte dans l'Internet de la Valeur

1. Énoncé du problème

L'Internet de la Valeur (IoV) se caractérise comme un réseau hétérogène et partiellement de confiance, où le risque marginal dominant n'est plus isolé à une seule blockchain mais est composite. Ce risque comprend quatre vecteurs interdépendants : la santé des routes, le sentiment de marché, la fragmentation de la liquidité et les contraintes politiques du système d'exécution.

Les outils d'évaluation des risques actuels fonctionnent selon un paradigme « chaîne unique », échouant à capturer quatre modes de défaillance critiques qui sont devenus conséquents ces dernières années :

1. Fragmentation des ponts : Les ponts inter-chaînes servent à la fois de route principale de capital et de surface d'exploitation dominante.
2. Fragmentation de la liquidité : Les actifs logiques s'échangent à des prix divergents à travers les chaînes ; une route peut sembler liquide dans l'ensemble mais illiquide au niveau de la tranche d'exécution spécifique.
3. Contagion narrative : Les chocs de sentiment se propagent plus vite que les changements d'état sur la chaîne, rendant les moteurs de risques aveugles aux événements pilotés par la dérive textuelle hors chaîne.
4. Risque d'exécution agissante : Les agents médiés par les grands modèles de langage (LLM) introduisent de nouvelles surfaces d'attaque que les mitigations purement sur chaîne ne peuvent pas traiter.

L'article soutient que la littérature existante sur la sécurité des ponts ne répond pas à la question fondamentale : qu'est-ce qu'un primitif de risque conscient du contexte doit réellement faire, et comment est-il maintenu honnête ?

2. Méthodologie : L'architecture à cinq moteurs

La solution proposée est une architecture composite de cinq moteurs opérant sur un tissu d'intelligence partagé. La conception met l'accent sur la vérification décentralisée et les contraintes constitutionnelles sur les actions des agents.

A. Les cinq moteurs

1. Moteur de prédiction : Émet des prévisions ponctuelles et distributionnelles pour les prix, la profondeur de liquidité, la volatilité, la distribution des volumes et la santé des routes. Il sert d'entrée pour tous les autres moteurs.
2. Sous-réseau de vérification Bittensor : Décentralise la couche de prédiction. Une population hétérogène de mineurs génère des prévisions, tandis que des validateurs les notent par rapport aux résultats réalisés en utilisant une règle d'allocation de récompenses (consensus Yuma). Cela crée une surface de recherche économiquement incitée et vérifiable.
3. Moteur de fusion sentimentale : Combine les flux textuels hors chaîne (actualités, réseaux sociaux, littérature grise) avec les signaux de flux sur chaîne. Le système utilise une stratégie de fusion tardive avec empilement, validée contre un ensemble de caractéristiques multimodales incluant 12 adaptateurs d'actualités et 3 adaptateurs de flux sociaux.
4. Moteur agissant : Une couche de décision médiée par un LLM qui sélectionne des actions à partir d'un menu contraint. Crucialement, il opère sous un cadre d'IA constitutionnelle (selon la spécification d'Anthropic), où les actions sont vérifiées par rapport à une liste écrite de principes (par exemple, « achat uniquement », « jamais utiliser le portefeuille du déploiement ») plutôt que par rapport à des objectifs libres. Le moteur est « mis en pause par défaut », nécessitant une approbation explicite du conseil pour les basculements en direct.
5. Moteur de risque et de scénario API : Convertit les distributions de prévisions en programmes d'action pré-engagés. Ces programmes suivent une logique de « règle d'arrêt » : Si le scénario $\Sigma$ se réalise avec une probabilité $>p$, exécutez le programme $P$ dans la limite de ressources $B$.

B. Mécanisme de vérification formelle

L'article définit une décomposition de la perte du validateur pour noter les mineurs. La perte $L_i$ pour un mineur $i$ est une combinaison convexe de trois composantes :
$$L_i = \alpha \cdot \text{Brier}(p_i, y) + \beta \cdot \text{Incohérence}(m_i) + \gamma \cdot \text{Calibration}(c_i)$$

• Composante Brier : Pénalise les prédictions erronées et la surconfiance.
• Composante Incohérence : Pénalise la dérive des prévisions pour des requêtes partageant le même contexte d'état de chaîne.
• Composante Calibration : Mesure l'écart entre la confiance déclarée et la précision réalisée sur une fenêtre glissante.

C. Orchestration

Le système sépare la gestion des tâches des agents (définition des rôles, permissions et pistes d'audit) de l'orchestration d'exécution (exécution de la machine d'état). L'exécution utilise LangGraph et impose une règle stricte : elle ne peut pas contourner la limite politique. Toutes les invocations de modèles passent par un AiRouter interne pour garantir l'auditabilité et empêcher les chemins HTTP directs vers les LLM.

3. Artefacts empiriques et résultats

L'architecture est ancrée par deux évaluations empiriques spécifiques, l'article distinguant explicitement entre les résultats mesurés et les propositions architecturales.

Artefact 1 : Réponse au stress de liquidité contrainte par la politique (Section 5)

• Configuration : Une expérience de 27 heures sur un pool micro-cap Solana (token RYA) utilisant une constitution de type « rôle de trader ».
• Exécution : Le système a exécuté 52 achats pondérés par le temps, totalisant 5,2 SOL, répartis sur deux événements de stress et un événement de stop-loss.
• Observations clés :
  • Le circuit de sécurité (stop-loss) s'est déclenché automatiquement lors d'une baisse de prix de 46 %, mettant le moteur en pause comme prévu.
  • Les escalades humaines dans la boucle ont été enregistrées sur la même piste d'audit que l'autorisation initiale, permettant une reconstruction complète de la chaîne de décision.
  • Le contrat de rôle a été maintenu tout au long de tous les événements sans violer les règles strictes (par exemple, aucun ordre de vente, aucune utilisation du portefeuille de déploiement).
• Résultat : A démontré la déployabilité d'un moteur de scénario contraint par la politique, bien que l'agent ait été une politique déterministe, et non encore le moteur complet médié par LLM.

Artefact 2 : Arc de calibration de production (Section 6)

• Configuration : Une évaluation de 168 heures du moteur de prédiction sur le déploiement Blue us-east-1.
• Résultats :
  • Précision principale : 99,34 % sur une cohorte spécifique de 168 heures restreinte aux 1 000 premiers actifs par capitalisation boursière.
  • Précision de base : ~53 % sur la cohorte de production plus large (décrite comme « à peine au-dessus du hasard »).
  • Calibration : Le score Brier était de 0,1335.
• Mises en garde : L'article indique explicitement que le chiffre de 99 % est trompeur sans contexte. Il est entraîné par un déséquilibre de classe (faible taux de base des effondrements dans les actifs de grande capitalisation) et une restriction de cohorte. La contribution architecturale n'est pas la précision de 99 %, mais l'existence d'une surface de télémétrie de production contre laquelle un sous-réseau de vérification peut noter les mineurs.

4. Contributions clés

1. Architecture à cinq moteurs : Un flux de données cohérent pour la prédiction des risques agissante et consciente du contexte, intégrant la prédiction, la vérification décentralisée, la fusion sentimentale, l'action agissante constitutionnelle et l'exécution basée sur des scénarios.
2. Spécification falsifiable de la perte du validateur : Une définition formelle du mécanisme de notation (Brier + Incohérence + Calibration) permettant la vérification économique des sorties de prédiction.
3. Validation empirique des contraintes : Un test de stress de 27 heures démontrant qu'un agent constitutionnel peut opérer sous un stress de liquidité, des déclencheurs de stop-loss et des escalades de gouvernance sans violer ses limites politiques.
4. Rapport honnête de la calibration : Un arc de calibration de production qui associe une précision principale élevée (99 %) à ses mises en garde nécessaires (base de 53 %, déséquilibre de classe), présentant le primitif de vérification comme la proposition de valeur principale plutôt que la performance prédictive brute.

5. Signification et revendications

L'article revendique modestement fournir une architecture falsifiable pour l'IoV plutôt qu'un système entièrement résolu et validé à l'échelle.

• Déployabilité : Le système est montré comme déployable et capable de gérer le stress de liquidité réel et les escalades de gouvernance.
• Falsifiabilité : Les auteurs définissent des conditions spécifiques dans lesquelles leurs revendications échoueraient (par exemple, si un deuxième pool ne parvient pas à se reconverger sous la même politique, ou si l'erreur Brier de la cohorte large dépasse 0,20).
• Primitif de vérification : La contribution principale est le mécanisme de vérification des prévisions de risques (le sous-réseau Bittensor et la fonction de perte), et non la performance prédictive actuelle des modèles.
• Limites : L'article admet que les composantes de la perte du validateur n'ont pas encore été mesurées à grande échelle contre un métagraph multi-mineurs en direct (seule une exécution fantôme sur testnet existe). De plus, l'étude de cas a utilisé une politique déterministe, et non le moteur agissant complet médié par LLM, qui reste une construction ultérieure.

En résumé, l'article propose un passage d'une évaluation des risques sur chaîne unique à un cadre composite et conscient du contexte où le risque est géré par une combinaison de vérification décentralisée, de fusion de sentiment hors chaîne et d'exécution d'agent contrainte constitutionnellement.