Web3-AI ステージ全景レポート：技術ロジック、シーンアプリケーションとトッププロジェクトのデプス分析

AIのナラティブが継続的に熱を帯びる中、ますます多くの注目がこの分野に集中しています。私たちはWeb3-AI分野の技術論理、アプリケーションシーン、代表プロジェクトについて深く分析し、この分野の全体像と発展トレンドを包括的にお届けします。

I. Web3-AI:テクニカルロジックと新興市場の機会分析

1.1 Web3 と AI の融合ロジック：Web-AI トラックをどのように定義するか

過去一年、AIのナラティブはWeb3業界で異常に人気を博し、AIプロジェクトが雨後の筍のように次々と現れました。多くのプロジェクトがAI技術に関わっていますが、一部のプロジェクトはその製品の一部にのみAIを使用しており、基盤のトークンエコノミクスはAI製品とは実質的な関連がないため、この記事ではこのようなプロジェクトはWeb3-AIプロジェクトの議論には含まれません。

この記事の重点は、ブロックチェーンを使用して生産関係の問題を解決し、AIが生産力の問題を解決するプロジェクトにあります。これらのプロジェクト自体はAI製品を提供し、同時にWeb3経済モデルに基づいて生産関係のツールとして機能し、両者は相互に補完し合います。我々はこの種のプロジェクトをWeb3-AIトラックに分類します。読者がWeb3-AIトラックをよりよく理解できるように、AIの開発プロセスと課題、そしてWeb3とAIがどのように完璧に問題を解決し、新しいアプリケーションシーンを創造するのかを紹介します。

1.2 AIの開発プロセスと課題：データ収集からモデル推論まで

AI技術は、コンピュータが人間の知能を模倣、拡張、強化することを可能にする技術です。それは、コンピュータが言語翻訳、画像分類、さらには顔認識、自動運転といったさまざまな複雑なタスクを実行できるようにします。AIは私たちの生活や仕事の仕方を変えています。

人工知能モデルを開発するプロセスは通常、以下のいくつかの重要なステップを含みます：データ収集とデータ前処理、モデル選択と調整、モデルのトレーニングと推論。簡単な例を挙げると、猫と犬の画像を分類するモデルを開発するには、次のことが必要です：

1. データ収集とデータ前処理：猫と犬の画像データセットを収集します。公開データセットを使用するか、自分で実際のデータを収集できます。次に、それぞれの画像にカテゴリ（猫または犬）をラベル付けし、ラベルが正確であることを確認します。画像をモデルが認識できる形式に変換し、データセットを訓練セット、検証セット、テストセットに分割します。

2. モデル選択と調整：適切なモデルを選択する。例えば、畳み込みニューラルネットワーク（CNN）は画像分類タスクに適しています。異なるニーズに応じてモデルのパラメータやアーキテクチャを調整します。一般的に、モデルのネットワークの層はAIタスクの複雑さに応じて調整できます。この単純な分類の例では、浅いネットワークの層が十分かもしれません。

3. モデルのトレーニング：GPU、TPU、または高性能計算クラスターを使用してモデルをトレーニングできます。トレーニング時間は、モデルの複雑さと計算能力の影響を受けます。

4. モデル推論：モデルが訓練されたファイルは通常モデルの重みと呼ばれ、推論プロセスは訓練済みモデルを使用して新しいデータに対して予測または分類を行うプロセスを指します。このプロセスでは、テストセットや新しいデータを使用してモデルの分類効果をテストすることができ、通常は精度、再現率、F1スコアなどの指標を使用してモデルの有効性を評価します。

図に示すように、データ収集とデータ前処理、モデル選択と調整、トレーニングを経て、トレーニングされたモデルをテストセットで推論すると、猫と犬の予測値P（確率）が得られます。すなわち、モデルが猫または犬である確率を推論します。

訓練された AI モデルは、さまざまなアプリケーションに統合され、異なるタスクを実行することができます。この例では、猫と犬を分類する AI モデルをモバイルアプリに統合することができ、ユーザーが猫や犬の画像をアップロードすると、分類結果を得ることができます。

しかし、中央集権的なAI開発プロセスには以下のシナリオでいくつかの問題があります：

ユーザーのプライバシー：中央集権的なシーンでは、AI の開発プロセスは通常不透明です。ユーザーデータは知らないうちに盗まれ、AI のトレーニングに使用される可能性があります。

データソースの取得：小規模なチームや個人が特定の分野のデータ（例えば医学データ）を取得する際に、データがオープンソースでないという制約に直面する可能性があります。

モデル選択とチューニング：小規模なチームにとって、特定の分野のモデルリソースを取得したり、モデルのチューニングに多大なコストをかけたりすることは難しい。

算力の取得：個人開発者や小規模チームにとって、高額なGPUの購入コストやクラウド算力のレンタル費用は、かなりの経済的負担となる可能性があります。

AI資産収入：データラベリング作業者はしばしば自分の労力に見合った収入を得ることができず、またAI開発者の研究成果も需要のあるバイヤーとマッチするのが難しい。

集中型 AI シーンに存在する課題は、Web3 との結合を通じて解決できます。Web3 は新しい生産関係の一形態であり、新しい生産力を代表する AI に自然に適合し、技術と生産能力の同時進歩を推進します。

1.3 Web3とAIのシナジー:役割の変化と革新的なアプリケーション

Web3とAIの融合は、ユーザーの主権を強化し、ユーザーにオープンなAI協力プラットフォームを提供します。これにより、ユーザーはWeb2時代のAI使用者から参加者へと変わり、誰もが所有できるAIを創造します。同時に、Web3の世界とAI技術の融合は、より多くの革新的なアプリケーションシーンやプレイスタイルを生み出すことができます。

Web3技術に基づいて、AIの開発と応用は新しい協働経済システムを迎えることになります。人々のデータプライバシーは保障され、データクラウドソーシングモデルはAIモデルの進歩を促進し、多くのオープンソースのAIリソースがユーザーに利用可能で、共有された計算能力は低コストで取得できます。分散型の協働クラウドソーシングメカニズムとオープンなAI市場を活用することで、公平な収入分配システムを実現し、より多くの人々がAI技術の進歩を促進するように奨励することができます。

Web3のシーンでは、AIは複数のトラックで積極的な影響を生むことができます。例えば、AIモデルはスマートコントラクトに統合され、マーケット分析、安全検査、ソーシャルクラスタリングなどのさまざまな機能において、異なるアプリケーションシナリオで作業効率を向上させることができます。生成的AIは、ユーザーに「アーティスト」としての役割を体験させるだけでなく、AI技術を使用して自分のNFTを作成することができ、GameFiでは豊かで多様なゲームシナリオや興味深いインタラクション体験を生み出すこともできます。豊富なインフラはスムーズな開発体験を提供し、AI専門家でもAI分野に入りたい初心者でも、この世界で適切な入り口を見つけることができます。

! Web3-AIトラックパノラマレポート:テクニカルロジック、シナリオアプリケーション、トッププロジェクトの詳細な分析

二、 Web3-AI エコシステムプロジェクトの地図とアーキテクチャの解読

私たちは主に Web3-AI トラックの 41 のプロジェクトを研究し、これらのプロジェクトを異なる層に分類しました。各層の分類ロジックは以下の図に示されており、インフラ層、中間層、アプリケーション層が含まれ、各層はさらに異なるセクションに分かれています。次の章では、いくつかの代表的なプロジェクトをデプスに解析します。

インフラストラクチャ層は、AIライフサイクル全体の運用を支える計算リソースと技術アーキテクチャをカバーしています。中間層は、インフラストラクチャとアプリケーションを接続するデータ管理、モデル開発、検証推論サービスを含み、アプリケーション層はユーザーに直接向けたさまざまなアプリケーションとソリューションに焦点を当てています。

インフラ層：

インフラストラクチャ層はAIライフサイクルの基盤であり、本稿では計算力、AIチェーン、開発プラットフォームをインフラストラクチャ層に分類します。これらのインフラストラクチャのサポートによって、AIモデルのトレーニングと推論が実現され、強力で実用的なAIアプリケーションがユーザーに提供されます。

• 分散型計算ネットワーク：AIモデルのトレーニングに分散型の計算能力を提供し、高効率かつ経済的な計算リソースの利用を確保します。いくつかのプロジェクトは分散型の計算能力市場を提供しており、ユーザーは低コストで計算能力をレンタルしたり、計算能力を共有して収益を得ることができます。代表的なプロジェクトにはIO.NETやHyperbolicがあります。さらに、一部のプロジェクトは新しい遊び方を派生させており、Compute Labsはトークン化されたプロトコルを提案しています。ユーザーはGPU実体を代表するNFTを購入することで、さまざまな方法で計算能力のレンタルに参加し、収益を得ることができます。

• AIチェーン：ブロックチェーンをAIライフサイクルの基盤として利用し、オンチェーンとオフチェーンのAIリソースのシームレスな相互作用を実現し、業界エコシステムの発展を促進します。チェーン上の分散型AI市場では、データ、モデル、エージェントなどのAI資産を取引でき、AI開発フレームワークと関連する開発ツールを提供します。代表的なプロジェクトにはSahara AIがあります。AIチェーンは、Bittensorが革新的なサブネット報酬メカニズムを通じて異なるAIタイプのサブネット競争を促進するように、異なる分野のAI技術の進歩を促進することもできます。

• 開発プラットフォーム：いくつかのプロジェクトは AI エージェント開発プラットフォームを提供しており、Fetch.ai や ChainML などの AI エージェントの取引も実現できます。ワンストップツールは開発者が AI モデルをより便利に作成、トレーニング、デプロイするのを助け、代表的なプロジェクトとしては Nimble があります。これらのインフラは Web3 エコシステムにおける AI 技術の広範な応用を促進しています。

ミドルレイヤー：

このレイヤーは、AI データ、モデル、および推論と検証に関連しており、Web3 テクノロジーを採用することで、より高い作業効率を実現できます。

• データ：データの質と量はモデルの訓練効果に影響を与える重要な要素です。Web3の世界では、クラウドソーシングデータと協力的なデータ処理を通じて、リソースの利用を最適化し、データコストを削減できます。ユーザーはデータの自主権を持ち、プライバシーを保護した状態で自分のデータを販売することで、不正な業者にデータを盗まれ、高額な利益を得られるのを避けることができます。データの需要者にとって、これらのプラットフォームは広範な選択肢と非常に低いコストを提供しています。代表的なプロジェクトとして、Grassはユーザーの帯域幅を利用してWebデータを収集し、xDataはユーザーフレンドリーなプラグインを通じてメディア情報を収集し、ユーザーがツイート情報をアップロードすることをサポートしています。

さらに、一部のプラットフォームでは、分野の専門家や一般のユーザーがデータ前処理タスクを実行できるようにしています。例えば、画像ラベリングやデータ分類などのタスクは、専門的な知識を要する金融や法律関連のデータ処理が必要な場合があります。ユーザーはスキルをトークン化し、データ前処理の協力的なクラウドソーシングを実現できます。Sahara AIのようなAIマーケットプレイスは、さまざまな分野のデータタスクを持ち、多様なデータシーンをカバーできます。一方、AIT Protocolは人間と機械の協調によってデータにラベル付けを行います。

• モデル：これまでに言及されたAI開発プロセスでは、異なるタイプの要求に適したモデルをマッチングする必要があります。画像タスクで一般的に使用されるモデルにはCNNやGANがあり、物体検出タスクではYoloシリーズを選択できます。テキスト関連のタスクにはRNNやTransformerなどのモデルが一般的です。また、特定の大規模モデルや汎用モデルもあります。異なる複雑さのタスクには異なるモデルデプスが必要であり、時にはモデルの調整が必要です。

いくつかのプロジェクトは、ユーザーが異なるタイプのモデルを提供したり、クラウドソーシング方式でモデルを共同訓練することをサポートしています。たとえば、Sentientはモジュール化された設計を通じて、ユーザーが信頼できるモデルデータをストレージ層および配信層に置くことを可能にし、モデルの最適化を行います。Sahara AIが提供する開発ツールには、先進的なAIアルゴリズムと計算フレームワークが組み込まれており、共同訓練の能力を備えています。

• 推論と検証：モデルが訓練された後、モデルの重みファイルが生成され、これを直接分類、予測、またはその他の特定のタスクに使用できます。このプロセスは推論と呼ばれます。推論プロセスは通常、推論モデルの出所が正しいか、悪意のある行動がないかを検証する検証メカニズムを伴います。Web3の推論は通常、スマートコントラクトに統合でき、モデルを呼び出して推論を行います。一般的な検証方法には、ZKML、OPML、TEEなどの技術が含まれます。代表的なプロジェクトとしては、ORAチェーン上のAIオラクル（OAO）があり、AIオラクルの検証可能な層としてOPMLを導入しています。また、ORAの公式サイトでは、ZKMLおよびopp/ai（ZKMLとOPMLの組み合わせ）に関する研究についても言及されています。

アプリケーション層：

このレイヤーは主にユーザー向けのアプリケーションであり、AIとWeb3を組み合わせて、より良いものを創造します。