AI+Web3: タワーとプラザ

TL; 博士

1. AIコンセプトのWeb3プロジェクトは、一級市場と二級市場で資金を集める対象となっています。

2. Web3のAI業界における機会は、分散型インセンティブを使用してロングテールの潜在的な供給を調整することに現れています------データ、ストレージ、計算を横断して；同時に、オープンソースモデルとAIエージェントの分散型市場を構築することです。

3. AI の Web3 業界における主な活躍の場は、オンチェーン金融（暗号支払い、取引、データ分析）および開発支援です。

4. AI+Web3の有用性は両者の相互補完に表れています：Web3はAIの集中化に対抗することが期待され、AIはWeb3の境界を突破するのを助けることが期待されています。

はじめに

ここ2年、AIの発展は加速ボタンが押されたようで、Chatgptが引き起こした蝶の羽は、生成的人工知能の新しい世界を開くだけでなく、対岸のWeb3でも大きな流れを引き起こしています。

AIの概念の後押しにより、緩やかになった暗号市場での資金調達が明らかに活性化しています。メディアの統計によると、2024年の上半期だけで、64のWeb3+AIプロジェクトが資金調達を完了しました。人工知能に基づくオペレーティングシステムZyber365は、Aラウンドで1億ドルの最高資金調達額を達成しました。

二次市場はより繁栄しており、暗号集約サイト Coingecko のデータによると、わずか1年余りで、AIトラックの総時価総額は485億ドルに達し、24時間取引量は近く86億ドルに達しています。主流のAI技術の進展がもたらす好材料は明らかで、ある会社のSoraテキストから動画へのモデルが発表された後、AIセクターの平均価格は151％上昇しました。AIの効果は同様に暗号通貨の資金吸引セクターの一つであるMemeにも影響を及ぼしています：初のAIエージェントコンセプトのMemeCoin------GOATは急速に人気を博し、14億ドルの評価を獲得し、AI Meme熱を成功裏に引き起こしました。

AI+Web3に関する研究や話題も同様に盛んで、AI+DepinからAI Memecoin、さらには現在のAIエージェントやAI DAOまで、FOMOの感情は新しいストーリーの交代の速度についていけなくなっています。

AI+Web3。この熱い資金、流行、未来の幻想に満ちた用語の組み合わせは、人々に資本によって結びつけられたお見合い結婚と見なされることは避けられません。この華やかな衣の下で、果たしてこれは投機家の舞台なのか、それとも夜明けが爆発する前夜なのか、私たちは見分けるのが難しいようです。

この質問に答えるために、双方にとって重要な考察は、相手がいることでより良くなるのか？相手のモデルから利益を得ることができるのか？この記事では、先人の肩に立ってこの状況を考察しようとしています：Web3 は AI 技術スタックの各段階でどのように機能することができ、AI は Web3 にどのような新しい活力をもたらすことができるのか？

! AI+Web3: タワー&プラザ

パート1 AIスタック下のWeb3にはどのような機会がありますか？

このトピックを展開する前に、AI大モデルの技術スタックを理解する必要があります：

より分かりやすい言葉で全体のプロセスを表現すると、「大モデル」は人間の脳のようなもので、初期段階ではこの脳はこの世に降り立ったばかりの赤ちゃんに属しています。この赤ちゃんは周囲の膨大な情報を観察し、取り入れることでこの世界を理解する必要があります。これがデータの「収集」段階です。計算機は人間の視覚や聴覚などの感覚を持たないため、トレーニングの前に外部の大規模な無標識情報は「前処理」を通じて計算機が理解できる利用可能な情報形式に変換される必要があります。

データを入力すると、AIは「トレーニング」を通じて理解と予測能力を持つモデルを構築します。これは、赤ちゃんが外界を理解し学習していく過程と見なすことができます。モデルのパラメータは、赤ちゃんが学習する過程で徐々に調整される言語能力のようなものです。学習の内容が分野ごとに分かれたり、人と交流してフィードバックを受け取り修正されたりすると、大規模モデルの「ファインチューニング」段階に入ります。

子供は成長し、話すことを学ぶと、新しい会話の中で意味を理解し、自分の感情や考えを表現できるようになります。この段階はAI大モデルの「推論」に似ており、モデルは新しい言語やテキスト入力に対して予測と分析を行うことができます。赤ちゃんは言語能力を通じて感情を表現し、物体を描写し、さまざまな問題を解決します。これは、AI大モデルが訓練を完了し、使用に投入された後に推論段階で特定のタスク、例えば画像分類や音声認識などに応用されることにも似ています。

AIエージェントは、大規模モデルの次の形態に近づいています------独立してタスクを実行し、複雑な目標を追求できるだけでなく、思考能力を持ち、記憶や計画を行い、ツールを使用して世界とインタラクトすることができます。

現在、AIの各スタックにおける課題に対して、Web3は現在、AIモデルプロセスの各段階を網羅する多層的で相互接続されたエコシステムを初めて形成しました。

! AI+Web3:タワー&スクエア

####1.基本レイヤー:計算能力とデータ用のAirbnb

▎ハッシュレート

現在、AIの最高のコストの一つは、モデルのトレーニングと推論に必要な計算力とエネルギーです。

ある例として、ある会社のLLAMA3は、16000個の同社製H100GPU（これはAIおよび高性能計算ワークロード用に設計された最高級のグラフィックスプロセッサユニット）を必要とし、トレーニングを完了するのに30日かかります。後者の80GBバージョンの単価は30,000ドルから40,000ドルの間で、4億から7億ドルの計算ハードウェア投資（GPU+ネットワークチップ）が必要です。同時に、毎月のトレーニングには16億キロワット時を消費し、エネルギー支出は毎月約2000万ドルです。

AIの計算能力の解放は、Web3が最初にAIと交差した分野であり------DePin（分散型物理インフラネットワーク）です。現在、DePin Ninjaデータサイトには1400以上のプロジェクトが掲載されており、その中にはGPU計算能力共有を代表するプロジェクトとしてio.net、Aethir、Akash、Render Networkなどがあります。

その主な論理は、プラットフォームが余剰のGPUリソースを持つ個人や団体が、許可なしに分散型の方法で計算能力を提供できることにあります。これは、ある配車プラットフォームや宿泊プラットフォームのバイヤーと売り手のオンラインマーケットプレイスに似ていて、十分に活用されていないGPUリソースの使用率を向上させ、エンドユーザーはより低コストで効率的な計算リソースを得ることができます。同時に、ステーキングメカニズムは、品質管理メカニズムの違反やネットワークの中断が発生した場合に、リソース提供者が相応の罰を受けることを保証します。

その特徴は次のとおりです：

• 余剰GPUリソースを集める：供給側は主に第三者の独立した中小型データセンター、暗号マイニングファームなどのオペレーターの過剰な計算力リソースであり、コンセンサスメカニズムはPoSのマイニングハードウェア、例えばFileCoinやETHマイナーです。現在、exolabのように、MacBook、iPhone、iPadなどのローカルデバイスを利用して、大規模モデル推論の計算ネットワークを構築するための、より低い参入障壁を持つデバイスを起動することに取り組んでいるプロジェクトもあります。

• AI算力のロングテール市場に直面する：

a.「技術的な観点から見ると」分散型計算力市場は推論ステップにより適しています。トレーニングは非常に大規模なクラスターの GPU によるデータ処理能力に依存しており、推論は GPU の計算性能に対する依存度が相対的に低く、Aethir は低遅延のレンダリング作業と AI 推論アプリケーションに特化しています。

b.「需要側から見ると」中小規模の計算力を必要とする者は、自分自身の大規模モデルを単独で訓練することはせず、少数の主要な大規模モデルを中心に最適化や微調整を行うことを選ぶ。そのようなシーンは、分散した未使用の計算力資源に自然に適している。

• 非中央集権的所有権：ブロックチェーンの技術的意義は、リソースの所有者が常にリソースに対するコントロールを保持し、需要に応じて柔軟に調整し、同時に利益を得ることができることです。

▎データ

データはAIの基盤です。データがなければ、計算は浮草のように無意味になり、データとモデルの関係は「ガベージ・イン、ガベージ・アウト」ということわざのようです。データの量と入力の質が最終的なモデルの出力の質を決定します。現在のAIモデルのトレーニングにおいて、データはモデルの言語能力、理解能力、さらには価値観や人間らしさを決定します。現在、AIのデータ需要の困難は主に以下の4つの側面に焦点を当てています：

• データの渇望：AIモデルのトレーニングは大量のデータ入力に依存しています。公開されている資料によると、ある企業がGPT-4をトレーニングする際のパラメータ数は兆のレベルに達しました。

• データ品質：AIと各業界の結合が進むにつれて、データの最新性、データの多様性、特定分野のデータの専門性、ソーシャルメディアの感情などの新興データソースの取り込みが、その品質に新たな要求を突きつけています。

• プライバシーとコンプライアンスの問題：現在、各国や企業は高品質なデータセットの重要性に徐々に気づき、データセットのクロールに制限をかけています。

• データ処理コストが高い：データ量が多く、処理プロセスが複雑です。公開資料によると、AI企業の30%以上の研究開発コストは基礎データの収集と処理に使われています。

現在、web3のソリューションは以下の4つの側面に表れています：

1、データ収集：無料で提供される実世界のデータの収集が急速に枯渇しており、AI企業のデータ支出は年々増加しています。しかし同時に、この支出はデータの本当の貢献者には還元されておらず、プラットフォームはデータによる価値創造を享受しています。例えば、あるソーシャルプラットフォームはAI企業とのデータライセンス契約を通じて合計2.03億ドルの収入を得ています。

真に貢献するユーザーがデータによる価値創造に参加でき、分散型ネットワークとインセンティブメカニズムを通じて、低コストでよりプライベートでより価値のあるデータを取得することが、Web3 のビジョンです。

• Grassは分散型データ層とネットワークであり、ユーザーはGrassノードを運営することで、余剰帯域幅と中継トラフィックを提供し、インターネット全体のリアルタイムデータをキャプチャし、トークン報酬を得ることができます；

• Vanaは独自のデータ流動性プール（DLP）コンセプトを導入し、ユーザーは自分のプライベートデータ（購入履歴、閲覧習慣、ソーシャルメディア活動など）を特定のDLPにアップロードし、これらのデータを特定の第三者に使用することを許可するかどうかを柔軟に選択できます；

• PublicAIでは、ユーザーは特定のソーシャルプラットフォーム上で#AI 或#Web3をカテゴリタグとして使用し、@PublicAIを指定することでデータ収集を実現できます。

2、データ前処理：AI のデータ処理プロセスでは、収集されたデータが通常ノイズが多く、エラーを含むため、モデルをトレーニングする前にデータをクリーンアップし、利用可能な形式に変換する必要があります。これには、標準化、フィルタリング、および欠損値の処理などの繰り返し作業が含まれます。この段階は、AI 業界における数少ない手動プロセスであり、データアノテーターという職業が生まれました。モデルがデータの質に対して要求するレベルが高まるにつれて、データアノテーターのハードルも上がっています。このタスクは、Web3 の分散型インセンティブメカニズムに自然に適しています。

• 現在、GrassとOpenLayerはデータアノテーションという重要なプロセスの導入を検討しています。

• Synesisは「Train2earn」という概念を提唱し、データの質を強調しています。ユーザーは、注釈データやコメント、その他の形式の入力を提供することで報酬を得ることができます。

• データラベリングプロジェクトSapienは、ラベリングタスクをゲーム化し、ユーザーがポイントをステーキングしてより多くのポイントを獲得できるようにします。

3、データプライバシーとセキュリティ：明確にする必要があるのは、データプライバシーとセキュリティは2つの異なる概念であるということです。データプライバシーはセンシティブデータの取り扱いに関わり、データセキュリティはデータ情報が無許可のアクセス、破壊、盗難から保護されることを意味します。したがって、Web3プライバシー技術の利点と潜在的な応用シーンは2つの側面に表れます：（1）センシティブデータのトレーニング；（2）データ協力：複数のデータ所有者が自分の原データを共有することなくAIトレーニングに共同で参加できます。

現在のWeb3で一般的なプライバシー技術には、次のものが含まれます：

• Trusted Execution Environment (TEE) (例: Super Protocol);

• BasedAI、Fhenix.io、Inco Networkなどの完全準同型暗号化(FHE)。

• ゼロ知識技術（zk）、例えば Reclaim Protocol は zkTLS 技術を使用し、HTTPSトラフィックのゼロ知識証明を生成します。これにより、ユーザーは外部サイトから活動、評判、身元データを安全にインポートすることができ、敏感な情報を公開する必要がありません。

しかし、現在この分野はまだ初期段階にあり、大部分のプロジェクトはまだ探索中です。現在のひとつのジレンマは計算コストです。