Tether lance une IA locale décentralisée inspirée de la Psychohistoire d'Isaac Asimov, tirée directement de Fondation

Le deuxième actif de réserve de Tether, c'est l'intelligence

Le nouveau projet QVAC de Tether commence par une formule inhabituelle pour une société de Stablecoin. La société décrit « QVAC Psy » comme une famille de modèles fondamentaux « ancrés dans les principes de la psychohistoire ».

La référence à la psychohistoire appartient à l'univers de Fondation d'Isaac Asimov, où Hari Seldon utilise les mathématiques, les statistiques et la dynamique sociale pour prévoir le comportement de très grandes populations et raccourcir l'âge sombre qui suit l'effondrement de l'Empire Galactique.

L'Encyclopédie de la science-fiction décrit la psychohistoire asimovienne comme une « science imaginaire », tandis que l'œuvre de Seldon est un plan qui prédit les événements futurs et préserve la connaissance à travers l'effondrement systémique.

La formulation de Tether fonctionne comme une déclaration de mission enveloppée dans un langage de science-fiction.

La société a construit le plus grand Stablecoin du secteur crypto en transformant les réserves, la liquidité et la distribution en une infrastructure monétaire. QVAC applique le même instinct à l'intelligence.

Le premier actif de réserve de Tether reste le passif de type dollar au cœur de l'USDt. Son deuxième actif de réserve devient la puissance de calcul, les modèles, les ensembles de données et la capacité à faire fonctionner l'IA en dehors des clouds centralisés.

Des réserves en dollars aux réserves en intelligence

L'expansion de Tether dans l'IA suit la mécanique de son activité principale. L'USDt convertit la demande de dollars offshore en une pile de réserves dominée par des instruments souverains à courte durée.

Dans sa mise à jour d'attestation du T1 2026, Tether a déclaré un bénéfice net de 1,04 milliard de dollars, un tampon de réserve de 8,23 milliards de dollars, environ 183 milliards de dollars de passifs liés aux tokens, et environ 141 milliards de dollars d'exposition directe et indirecte aux bons du Trésor américain. Cette base de réserves offre à

Tether des revenus récurrents, une capacité de bilan et la marge nécessaire pour financer des paris d'infrastructure à long terme à partir de sa solidité opérationnelle.

CryptoSlate a déjà suivi la manière dont ce moteur de réserves peut transformer l'échelle d'un Stablecoin en allocation stratégique. En janvier, l'achat de 8 888 BTC par Tether a montré comment les revenus d'intérêts et les bénéfices d'exploitation peuvent se traduire en demande récurrente de Bitcoin. QVAC pousse la même logique vers une classe d'actifs différente.

Aux côtés du Bitcoin, de l'or, des startups, de l'énergie, du mining, des communications et d'autres positions infrastructurelles, Tether investit dans l'intelligence elle-même. Cette démarche étend l'image que la société a d'elle-même, passant d'émetteur de liquidités en dollars privés à bâtisseur d'infrastructure numérique privée.

Le langage de la « psychohistoire » correspond à cette direction, car Tether présente l'IA comme une couche civilisationnelle plutôt que comme un segment logiciel. Les supports publics de QVAC décrivent une « Plateforme d'Intelligence Stable Infinie », un système local-first pour l'« esprit décentralisé » et une réponse à l'IA centralisée.

La page de vision de QVAC soutient que faire transiter chaque pensée par des serveurs centralisés est trop lent, fragile et contrôlé, puis positionne QVAC comme une fondation edge-native pour l'intelligence que possèdent les utilisateurs.

Ce cadrage reflète le discours plus large de Tether sur les Stablecoins. L'argent doit circuler sans permission. Les données doivent rester chez l'utilisateur. L'intelligence doit fonctionner là où se trouve l'utilisateur.

L'affirmation la plus sérieuse, cependant, se situe sous la référence à Asimov. Tether affirme que l'IA devient plus durable lorsqu'elle se comporte comme une infrastructure résiliente.

Un modèle cloud peut être plus performant, mais il comporte des risques liés au fournisseur, à la tarification, à la politique, à la latence et au routage des données.

Un modèle local abandonne une partie de la courbe de capacité frontière en échange de la propriété, de la confidentialité et de la continuité.

L'échange est familier dans le secteur crypto. L'auto-garde est moins pratique qu'une plateforme d'échange jusqu'à ce que celle-ci fasse faillite. L'IA locale est moins pratique qu'un modèle frontier hébergé jusqu'à ce que le réseau tombe, que l'API change, que le compte soit fermé, ou que les données ne puissent pas quitter l'appareil.

QVAC est une pile edge conçue autour d'une course différente

La distinction clé de QVAC est architecturale. OpenAI, Anthropic, Google DeepMind et xAI se disputent la capacité générale maximale, le codage, la multimodalité, le raisonnement à long contexte, le comportement agentique et la distribution cloud en entreprise.

QVAC vise un axe différent : la déployabilité, la confidentialité, la latence, la composabilité et la survie en dehors d'un seul fournisseur.

La documentation d'accueil de QVAC définit le projet comme un écosystème open-source et multiplateforme pour les applications IA local-first et peer-to-peer sur Linux, macOS, Windows, Android et iOS. La même documentation indique que les utilisateurs peuvent exécuter des LLM, effectuer de la reconnaissance vocale et de la génération augmentée par récupération, et gérer d'autres tâches IA localement, ou déléguer l'inférence à des pairs via des capacités P2P intégrées.

Cela donne à QVAC un référentiel différent de celui des laboratoires frontier. L'IA frontier optimise le modèle général le plus puissant disponible via un service centralisé. QVAC optimise l'endroit où l'inférence se produit, qui contrôle l'environnement d'exécution, quelles données quittent l'appareil, et si une application peut continuer à fonctionner lorsque les services centralisés deviennent indisponibles.

Le lancement du SDK d'avril 2026 de Tether décrit un kit de développement unifié permettant aux développeurs de construire, d'exécuter et d'affiner l'IA sur n'importe quel appareil, avec des applications conçues pour fonctionner de manière identique sur iOS, Android, Windows, macOS et Linux.

Il indique également que le SDK QVAC utilise une couche d'abstraction unifiée sur les moteurs d'inférence locaux, incluant QVAC Fabric, un fork de llama.cpp, ainsi que des intégrations avec whisper.cpp, Parakeet et Bergamot pour la parole et la traduction.

C'est davantage une couche opérationnelle qu'une simple sortie de modèle. L'écosystème IA open-source dispose déjà de composants puissants : Llama, Qwen, Mistral, Gemma, DeepSeek, Hugging Face, llama.cpp, Ollama, vLLM, LM Studio, et une longue liste de projets d'inférence locale.

Le pari de QVAC est que les développeurs ont besoin d'un framework edge cohérent qui relie le chargement de modèles, l'inférence, la parole, l'OCR, la traduction, la génération d'images, le RAG, la distribution de modèles P2P, l'inférence déléguée et l'affinage local via une seule interface.

QVAC se positionne comme une couche de distribution pour l'intelligence, en supposant que les modèles locaux suffisamment performants continueront à s'améliorer.

QVAC Fabric est le centre technique de cette affirmation. Tether indique que Fabric prend en charge l'affinage sur le matériel grand public moderne via les backends Vulkan et Metal, notamment les appareils Android équipés de GPU Qualcomm Adreno ou ARM Mali, les appareils Apple Silicon, et les configurations Windows ou Linux standard avec du matériel AMD, Intel ou NVIDIA.

Il décrit également le tuilage dynamique pour les limites de mémoire GPU mobile et un workflow LoRA avec accélération GPU et réglage des instructions par perte masquée.

Si ce workflow résiste à l'utilisation par des développeurs externes, la distinction par rapport aux sorties de modèles open-source typiques devient significative. Les poids du modèle constituent une couche. L'adaptation locale devient la couche suivante.

MedPsy est le premier test difficile de QVAC

MedPsy donne à QVAC son premier point de preuve concret au niveau du modèle. Le rapport technique de Hugging Face, publié le 7 mai, présente QVAC MedPsy comme une famille de modèles de langage médicaux et de santé en texte uniquement, conçus pour un déploiement edge à 1,7 milliard et 4 milliards de paramètres.

L'affirmation est ambitieuse : des modèles plus petits, entraînés via un pipeline de post-entraînement médical étroitement contrôlé, peuvent surpasser des modèles médicaux de référence plus grands tout en restant pratiques pour les ordinateurs portables, les appareils mobiles haut de gamme et les applications de classe smartphone.

QVAC indique que MedPsy-1.7B obtient un score de 62,62 sur sept benchmarks médicaux à réponses fermées, au-dessus du MedGemma-1.5-4B-it de Google à 51,20, malgré une taille inférieure à la moitié.

Il indique également que MedPsy-4B obtient un score de 70,54, légèrement au-dessus du MedGemma-27B-text-it à 69,95, tout en étant près de sept fois plus petit.

Sur HealthBench et HealthBench Hard, QVAC rapporte un écart plus large, avec MedPsy-4B obtenant 74,00 et 58,00 contre MedGemma-27B-text-it à 65,00 et 42,67 selon l'évaluation CompassJudger présentée dans le rapport.

Ces résultats, s'ils sont reproduits de manière indépendante, soutiendraient la thèse centrale de QVAC : les modèles spécifiques à un domaine et à l'échelle edge peuvent défier des systèmes bien plus grands dans des catégories contraintes à haute valeur ajoutée.

La recette d'entraînement montre également comment QVAC envisage de concurrencer. Le rapport indique que MedPsy utilise des architectures de base Qwen3, puis applique un affinage supervisé multi-étapes et un apprentissage par renforcement aux tâches de questions-réponses médicales.

Il a généré plus de 30 millions de lignes synthétiques pendant l'expérimentation, utilisé un curriculum en deux étapes, et sélectionné Baichuan-M3-235B comme unique modèle enseignant pour la supervision du raisonnement en forme longue. QVAC précise également que le corpus d'entraînement n'a pas encore été publié. Cette mise en garde est centrale.

Les affirmations de benchmark public les plus solides proviennent encore de QVAC lui-même, et les données d'entraînement nécessaires pour interroger pleinement la contamination, la couverture, la construction des prompts et l'influence du modèle enseignant restent indisponibles.

L'angle edge devient plus précis dans la quantification. QVAC indique que les variantes GGUF sont publiées pour llama.cpp et le SDK QVAC, avec Q4_K_M réduisant la taille du fichier de 69 % tout en perdant moins d'un point de score moyen pour les deux tailles de MedPsy.

Le rapport recommande Q4_K_M avec calibration imatrix comme compromis taille-qualité : 2,72 Go pour le modèle 4B et 1,28 Go pour le modèle 1,7B. La FAQ des modèles QVAC avertit également que MedPsy est uniquement textuel, uniquement en anglais, inadapté aux urgences, vulnérable aux hallucinations et dépendant des développeurs pour préserver la confidentialité sur l'ensemble de l'architecture applicative. Cela donne au centre technique sa forme appropriée.

MedPsy est prometteur parce que la médecine a de bonnes raisons de préférer l'inférence locale. Il reste non prouvé jusqu'à ce que des chercheurs externes reproduisent l'échelle de benchmarks et le testent sous de vraies contraintes de workflow clinique.

Le débat non résolu est la commodité contre le contrôle

Le débat IA locale contre cloud est généralement présenté comme un choix entre confidentialité et performance. QVAC le recadre comme la commodité contre le contrôle.

L'IA cloud gagne en facilité. L'utilisateur ouvre une application, envoie un prompt, reçoit une réponse et évite la charge opérationnelle des poids de modèles, de la mémoire de l'appareil, de la quantification, des embeddings ou de la compatibilité du runtime.

Le fournisseur absorbe la complexité. Cette commodité est puissante, et elle explique pourquoi les plateformes d'IA centralisées ont évolué si rapidement. L'utilisateur obtient des capacités frontier avec une configuration minimale.

QVAC demande aux développeurs et aux utilisateurs d'accepter plus de responsabilité en échange d'un modèle de sécurité différent. La récompense est l'exécution locale, le fonctionnement hors ligne, la réduction de l'exposition des données, une moindre dépendance à l'accès à l'API, et un chemin vers l'inférence et la distribution de modèles peer-to-peer.

Le lancement du SDK de Tether indique que les applications propulsées par QVAC peuvent continuer à fonctionner dans des environnements à faible connectivité et que « si Internet tombe en panne, l'IA continue de fonctionner ». Son annonce QVAC de 2025 allait plus loin, décrivant des Agents d'IA s'exécutant directement sur des appareils locaux, des réseaux peer-to-peer pour la collaboration appareil à appareil, et une intégration WDK permettant aux Agents d'IA d'effectuer des transactions en Bitcoin et en USDt.

C'est la thèse complète de Tether : l'argent, le calcul et les agents autonomes doivent partager le même schéma de conception souverain.

L'affirmation de décentralisation n'est pas aussi simple que certains le souhaiteraient. QVAC est significativement décentralisé au niveau de la couche d'inférence lorsqu'un utilisateur peut télécharger un modèle, l'exécuter localement et conserver les données sensibles sur l'appareil.

C'est plus décentralisé qu'une API hébergée car le fournisseur ne se trouve plus au cœur de chaque prompt.

Il ajoute également des primitives peer-to-peer via la pile Holepunch, y compris l'inférence déléguée et la distribution décentralisée de modèles, selon les documents SDK de Tether. Ce sont des choix de conception substantiels.

La gouvernance est une couche distincte. QVAC est financé, nommé, coordonné et promu par Tether. Les applications phares, la famille de modèles, la feuille de route du SDK et le langage « Stable Intelligence » proviennent tous d'un seul sponsor d'entreprise.

Cette structure coexiste avec la proposition de valeur local-first. Elle restreint la revendication de décentralisation là où les preuves sont les plus solides.

QVAC décentralise l'endroit où l'inférence peut se produire. L'écosystème plus large a encore besoin de preuves d'un contrôle distribué sur les registres par défaut, les canaux de publication, les conventions de sécurité, l'inclusion des modèles et la gouvernance à long terme.

La réplication est le prochain seuil

La crédibilité de QVAC repose désormais sur la réplication. Si les résultats de MedPsy se reproduisent en dehors du propre dispositif d'évaluation de QVAC, Tether disposera d'un premier exemple crédible de sa thèse de réserve d'intelligence : des modèles petits, ouverts et déployables localement capables de concurrencer des systèmes cloud plus grands dans un domaine sensible.

Si les tests indépendants réduisent ou inversent l'écart de benchmark, QVAC a encore un argument d'infrastructure, tandis que sa revendication de modèle pèse moins. Le débat plus large revient alors à l'échange le plus ancien de la technologie : la commodité concentre le pouvoir, tandis que le contrôle impose du travail.

C'est là que le discours d'Asimov devient utile. La psychohistoire dans Fondation s'intéressait aux grands systèmes sous pression. La version de Tether se concentre sur l'infrastructure sous centralisation. Le langage est grand, et la preuve technique reste précoce, mais la direction est cohérente.

Tether exploite les flux de trésorerie du plus grand Stablecoin du monde pour construire une pile IA axée sur l'exécution locale, les réseaux peer-to-peer, les outils ouverts et les modèles à l'échelle edge. Il étend la prémisse du Stablecoin de l'argent à l'intelligence.

La question n'est plus de savoir si une société de Stablecoin peut se permettre de construire de l'IA. Tether le peut clairement.

La question est de savoir si QVAC peut produire des modèles et une infrastructure suffisamment solides pour amener les utilisateurs à accepter la friction du contrôle local.

MedPsy est le premier seuil mesurable. La réplication indépendante déterminera si le langage psychohistorique de QVAC reste une métaphore ou commence à ressembler à la logique opérationnelle initiale d'une pile edge-IA sérieuse.

The post Tether launches decentralized local AI using Isaac Asimov's Psychohistory straight out of Foundation appeared first on CryptoSlate.