NEAR Cible Sécurité Protocole Après Essai IA 112 Dollars

Imaginez un instant que la sécurité d’un protocole blockchain entier puisse être prouvée mathématiquement pour une somme ridiculement basse, presque dérisoire face aux budgets colossaux habituellement dédiés aux audits. C’est précisément ce que NEAR Protocol vient d’évoquer après avoir franchi une étape symbolique avec son agent d’intelligence artificielle. Dans un secteur où les failles dans les contrats intelligents ont déjà causé des pertes se chiffrant en milliards, cette annonce soulève une question cruciale : sommes-nous à l’aube d’une démocratisation de la vérification formelle grâce à l’IA ?

NEAR Annonce un Virage Vers la Vérification Formelle Assistée par IA

Le 16 octobre 2026, NEAR Protocol a détaillé ses ambitions concernant l’application de techniques de vérification formelle alimentées par l’intelligence artificielle à son propre protocole et à ses contrats intelligents fondamentaux. Cette démarche intervient après un résultat remarquable obtenu par NEAR AI : la résolution de 672 problèmes issus du benchmark PutnamBench pour un coût de modèle de seulement 111,85 dollars au moment de la soumission. Le montant moyen par problème avoisinait alors 0,17 dollar, un chiffre qui interpelle dans un domaine où les preuves formelles restent traditionnellement l’apanage d’experts hautement spécialisés.

L’annonce précise que l’objectif est de réduire à la fois le travail des spécialistes et les coûts de calcul nécessaires pour démontrer qu’un logiciel respecte des règles prédéfinies. NEAR insiste sur le fait que la vérification formelle complète les tests classiques et les revues de code, sans jamais les remplacer. Les garanties obtenues restent limitées aux propriétés spécifiées et aux hypothèses formulées en amont.

Un Résultat Mathématique qui Ouvre des Perspectives

Le benchmark PutnamBench repose sur des problèmes tirés de la célèbre compétition de mathématiques Putnam destinée aux étudiants de premier cycle. NEAR AI a réussi à en résoudre 672, dont 670 problèmes upstream et deux versions corrigées de formalisations défectueuses. Ce score place l’équipe en première position sur le leaderboard Lean Eval v1 selon le critère du nombre total de résolutions, une distinction importante par rapport aux premières résolutions ou aux résolutions uniques.

Le dépôt public du projet souligne que ces résultats excluent le coût complet de développement du système. Une relecture au tarif hors pointe de DeepSeek porterait le total à environ 331 dollars. La méthodologie intègre également les tentatives infructueuses, tandis qu’une expérience parallèle avec Kimi a été écartée du calcul. La plus longue exécution a dépassé trois jours, ce qui illustre le caractère itératif du processus.

Les Trois Étapes Essentielles Vers une Vérification de Production

Selon l’annonce de NEAR, passer de la génération de preuves mathématiques à la vérification de logiciels en production implique trois étapes distinctes. D’abord, les développeurs doivent représenter le programme sous forme mathématique. Ensuite, ils définissent les propriétés que le logiciel doit respecter. Enfin, ils construisent des preuves démontrant que ces propriétés sont effectivement vérifiées.

NEAR AI a principalement progressé sur la troisième étape. Le travail de production exige encore des modèles précis du comportement du logiciel et un lien clair entre les preuves et l’implémentation réellement déployée. Une preuve concernant une règle comptable particulière ne garantit pas la sécurité globale d’une application. Un contrat peut préserver les soldes lors des transferts tout en nécessitant une preuve séparée sur les comptes autorisés à initier ces opérations.

L’avenir de l’IA et du code généré par IA est passionnant, mais seulement une fois que nous aurons obtenu des garanties vérifiables et mathématiques de son comportement.

Illia Polosukhin, co-fondateur de NEAR

Cette citation, reprise dans l’annonce, met en lumière le lien établi par Illia Polosukhin entre les risques liés au code généré par intelligence artificielle et les outils qui aident les attaquants à identifier des faiblesses. NEAR considère que la vérification formelle doit s’intégrer dans un ensemble plus large comprenant tests, revues de code et pratiques de sécurité opérationnelle.

Comment Fonctionne Concrètement la Vérification avec Lean

NEAR s’appuie sur Lean, un langage de programmation open source couplé à un assistant de preuve. Un agent d’IA propose une preuve, exécute Lean, analyse le retour fourni et revise sa tentative. Le noyau de Lean vérifie ensuite si la preuve respecte les règles logiques du système. Une tentative infructueuse ne signifie pas nécessairement qu’une faille existe dans le logiciel : l’exigence formulée peut être incorrecte, l’implémentation peut la violer, ou l’agent peut simplement échouer à trouver une preuve valide.

Dans un exemple de transfert de tokens, un test classique vérifie une transaction sélectionnée, comme le déplacement de cinq tokens entre deux comptes. Une preuve formelle peut établir que chaque transfert réussi, dans le cadre du modèle mathématique, préserve le solde combiné des comptes. Les développeurs choisissent d’abord une exigence, expriment mathématiquement le comportement logiciel pertinent, puis soumettent une preuve proposée à un vérificateur. La garantie finale dépend des définitions et des hypothèses retenues.

Des Applications Déjà Documentées dans l’Écosystème NEAR

La vérification formelle n’est pas totalement nouvelle au sein de l’écosystème NEAR. En mars 2026, Certora a publié une évaluation de Templar, un protocole de prêt déployé sur NEAR. Cette évaluation combine une revue manuelle des contrats Rust et une spécification formelle avec vérification du contrat de marché. Le rapport complet détaille les propriétés prouvées et les problèmes identifiés.

D’autres équipes blockchain explorent également l’assistance par IA. En mai, Aptos Labs a décrit un support pour la vérification formelle assistée par IA concernant le dispatch dynamique dans les contrats Move. Le flux de travail utilise des spécifications générées par IA avec Move Prover. Vitalik Buterin a lui aussi évoqué la combinaison d’outils d’IA et de preuves vérifiées par machine, en identifiant des applications possibles sur la feuille de route d’Ethereum, notamment le consensus, la cryptographie résistante quantique et les systèmes zero-knowledge.

Buterin a toutefois rappelé qu’une preuve sur une couche ne garantit pas que l’ensemble du système se comporte comme prévu. Sa réflexion couvre la vérification depuis les spécifications de haut niveau jusqu’à l’implémentation de bas niveau. Ces approches convergentes montrent que le secteur cherche collectivement à renforcer les garanties mathématiques face à la complexité croissante des protocoles.

Les Limites Inhérentes aux Garanties Mathématiques

NEAR insiste sur le fait qu’une preuve formelle dépend étroitement des règles choisies par les développeurs. Une propriété peut être correctement prouvée tout en laissant d’autres aspects non couverts. Dans le cas d’un contrat de transfert, préserver le solde total ne dit rien sur les droits d’accès ou sur d’éventuelles conditions d’arrêt d’urgence. Les équipes doivent donc définir précisément le périmètre des exigences et accepter que certaines dimensions restent hors du champ de la preuve.

Cette limitation explique pourquoi NEAR présente la vérification formelle comme un complément plutôt qu’une solution exhaustive. Les tests dynamiques, les revues manuelles et les mesures de sécurité opérationnelle conservent toute leur pertinence. L’IA accélère la génération de preuves candidates, mais le jugement humain reste indispensable pour formuler les bonnes propriétés et interpréter les résultats.

Vers une Résistance Quantique et des Outils pour l’Écosystème

En parallèle de ces travaux sur la vérification, NEAR poursuit des recherches de sécurité distinctes. Near One a proposé en mai le support de signatures conformes à FIPS-204, utilisant le standard ML-DSA approuvé par le National Institute of Standards and Technology américain. L’objectif affiché était un déploiement sur testnet à la fin du deuxième trimestre 2026. Les portefeuilles logiciels, matériels, endpoints et API nécessiteront des adaptations coordonnées pour prendre en charge les nouveaux schémas de signature.

L’annonce actuelle précise que l’application de la recherche couvre le protocole réseau et les contrats fondamentaux, ainsi que des outils destinés aux développeurs de l’écosystème. NEAR décrit la vérification de production comme un objectif, tandis que le travail de benchmark accompli concerne la génération automatisée de preuves mathématiques. Les mathématiques servent de terrain d’entraînement car les développeurs traduisent les exigences logicielles en énoncés mathématiques avant de les prouver.

Ce que Cela Change pour les Développeurs et les Utilisateurs

Si NEAR parvient à rendre ces outils accessibles, les développeurs de l’écosystème pourraient bénéficier de moyens plus abordables pour renforcer la confiance dans leurs contrats. Aujourd’hui, les audits formels restent coûteux et réservés aux projets disposant de budgets importants. Une baisse significative des coûts pourrait élargir le cercle des applications capables d’offrir des garanties mathématiques sur certaines propriétés critiques, comme la conservation des fonds ou le respect des règles d’accès.

Pour les utilisateurs, cela pourrait se traduire par une réduction progressive des risques liés aux bugs de logique dans les contrats intelligents. Néanmoins, la prudence reste de mise : aucune technologie ne supprime entièrement le besoin de diligence. Les équipes devront continuer à communiquer clairement sur le périmètre exact des propriétés prouvées afin d’éviter toute interprétation excessive des garanties fournies.

L’approche itérative de l’agent IA, qui propose, teste et corrige des preuves en s’appuyant sur le retour de Lean, illustre un mode de travail hybride. L’humain définit les objectifs et valide les hypothèses, tandis que la machine explore un espace de preuves potentiellement vaste. Cette complémentarité pourrait s’avérer particulièrement utile face à la complexité croissante des protocoles DeFi et des applications multi-chaînes.

Contexte Industriel et Enjeux de Long Terme

Le secteur blockchain fait face à une tension permanente entre innovation rapide et exigence de sécurité. Les incidents passés ont montré que des failles apparemment mineures peuvent avoir des conséquences systémiques lorsque les fonds sont immobilisés dans des contrats. La formalisation mathématique offre un levier pour réduire cette surface d’attaque sur les propriétés jugées essentielles, à condition que le modèle reste fidèle à la réalité du code déployé.

L’intégration progressive de l’IA dans ce processus ne résout pas magiquement le problème de la spécification. Formuler correctement ce que le logiciel doit faire reste une étape humaine exigeante. Les équipes qui investissent dans cette discipline en amont pourront mieux exploiter les capacités de génération de preuves. Celles qui se contentent d’automatiser sans clarifier leurs exigences risquent d’obtenir des résultats formellement corrects mais peu pertinents pour la sécurité réelle.

NEAR positionne donc sa recherche comme une contribution à la réduction des coûts et du temps nécessaire pour obtenir des garanties sur des propriétés ciblées. Le passage à la production sur son propre protocole constituera un test grandeur nature. Les retours d’expérience qui en découleront intéresseront l’ensemble de l’industrie, qu’il s’agisse des équipes travaillant sur Move, sur Solidity ou sur d’autres environnements de contrats intelligents.

Perspectives et Prochaines Étapes Annoncées

L’annonce de NEAR indique que la prochaine étape consiste à appliquer ces avancées au protocole et aux contrats fondamentaux. Les outils destinés aux développeurs de l’écosystème font également partie du périmètre. Aucun calendrier précis n’est communiqué pour une vérification de production complète, ce qui laisse entendre que des travaux intermédiaires de modélisation et de spécification restent à accomplir.

Le coût extrêmement bas observé sur le benchmark mathématique ne se transpose pas directement au coût de vérification d’un contrat de production. NEAR le souligne explicitement. Les modèles logiciels, les exigences à formaliser et les itérations nécessaires pour relier preuves et implémentation introduisent des variables supplémentaires. Les équipes qui souhaitent s’engager dans cette voie devront prévoir des ressources pour ces étapes préparatoires.

Dans un environnement où le code généré par IA se multiplie, la capacité à vérifier mathématiquement certaines propriétés devient un enjeu de confiance. NEAR, en documentant publiquement ses résultats et ses limites, contribue à rendre le débat plus concret. Les développeurs et les utilisateurs peuvent désormais évaluer plus clairement ce que la vérification formelle assistée par IA peut et ne peut pas encore garantir aujourd’hui.

La démarche s’inscrit dans une évolution plus large du secteur vers des méthodes de développement qui intègrent dès le départ des exigences vérifiables. Plutôt que de corriger des failles après déploiement, les équipes cherchent à démontrer en amont que certaines classes d’erreurs sont absentes. Si les coûts continuent de baisser et que les outils s’améliorent, cette pratique pourrait progressivement se généraliser au-delà des protocoles les mieux financés.

Pour l’instant, l’annonce de NEAR constitue un signal fort sur la direction prise par au moins un acteur majeur de l’écosystème. Les mois à venir permettront de mesurer la rapidité avec laquelle ces travaux de recherche se traduiront en outils et en garanties concrètes pour les utilisateurs du réseau. La combinaison de progrès mathématiques, de modèles logiciels précis et de spécifications claires reste le véritable défi à relever.