Acquisition et contexte
S&P Global a annoncé l’acquisition d’OpenZeppelin, un acteur majeur de la sécurité des contrats intelligents. Les conditions financières n’ont pas été divulguées. Cette opération permet à S&P d’étendre son infrastructure de notation, de benchmark et d’évaluation des risques aux marchés on‑chain, alors que la tokenisation des actifs gagne en importance. Le groupe indique que l’équipe d’audit et d’ingénierie d’OpenZeppelin restera en place, assurant la continuité des services déjà utilisés par de nombreux protocoles DeFi.
OpenZeppelin : portée et performances
OpenZeppelin fournit une bibliothèque de contrats open‑source qui sous‑tend la majorité des protocoles DeFi, des stablecoins et des fonds tokenisés. Depuis sa création en 2015, la société a réalisé plus de 900 engagements de sécurité et identifié plus de 10 000 vulnérabilités en phase pré‑production. Les contrats d’OpenZeppelin ont permis le transfert cumulé de plus de 37 000 milliards de dollars, ce qui illustre leur adoption à grande échelle. Ces chiffres offrent à S&P un socle de données quantifiables pour calibrer ses modèles de risque on‑chain.
Intégration on‑chain et perspectives pour la finance tokenisée
En intégrant les outils d’OpenZeppelin, S&P pourra appliquer ses méthodologies de notation directement aux smart contracts déployés sur des blockchains publiques. La disponibilité de métriques telles que le nombre d’audits, la gravité des vulnérabilités détectées et le volume de valeur transférée facilite la construction d’indicateurs de solidité technique. Cette capacité à mesurer la « santé » d’un contrat en temps réel ouvre la voie à des notations dynamiques, potentiellement utilisables par les plateformes de trading, les gestionnaires d’actifs et les régulateurs qui cherchent à surveiller les risques systémiques des actifs tokenisés.
LLM entièrement on‑chain via Solana SVM
Parallèlement, le même article décrit la première exécution d’un modèle de langage large (LLM) entièrement sur la blockchain Solana, en utilisant le Solana Virtual Machine (SVM). Chaque étape – chargement des poids, calcul des activations, opérations d’attention et génération de tokens – a été réalisée comme un appel de programme SVM, sans recours à un calcul hors‑chaîne. Le résultat de chaque inférence apparaît ainsi comme une entrée de registre vérifiable, éliminant le besoin d’un oracle ou d’une attestation post‑hoc. Le texte souligne que la viabilité économique dépendra de la compression des coûts par inférence, mais le prototype montre que le SVM peut servir de substrat de calcul général pour le machine learning, offrant une traçabilité native et une résistance à la falsification.
