Web3-AI トラック全景レポート：技術的論理、シーンの応用とトッププロジェクトのデプス分析

AIのナラティブの継続的な高まりに伴い、ますます多くの注目がこの分野に集まっています。Web3-AI分野の技術的ロジック、アプリケーションシーン、代表的なプロジェクトについて深く分析し、この分野の全景と発展動向を包括的に示します。

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

過去一年において、AIのナラティブはWeb3業界で異常に盛り上がり、AIプロジェクトが雨後の筍のように現れました。多くのプロジェクトがAI技術を取り入れていますが、一部のプロジェクトはその製品の特定の部分でのみAIを使用しており、基盤となるトークンエコノミクスはAI製品と実質的な関連性がないため、このようなプロジェクトは本記事のWeb3-AIプロジェクトの議論には含まれません。

この記事のポイントは、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は自らAI製品を提供し、同時にWeb3経済モデルに基づく生産関係のツールとして機能し、相互に補完し合います。このようなプロジェクトをWeb3-AIトラックに分類します。読者がWeb3-AIトラックをより良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の組み合わせがどのように問題を完璧に解決し、新しいアプリケーションシーンを創造するかについて詳しく紹介します。

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、強化する技術です。これにより、コンピュータは言語翻訳、画像分類、顔認識、自動運転などのさまざまな複雑なタスクを実行できるようになり、AIは私たちの生活と仕事の方法を変えています。

人工知能モデルの開発プロセスは通常、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、モデルの選択と調整、モデルのトレーニングと推論。単純な例を挙げると、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。その後、各画像にカテゴリ（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。画像をモデルが識別できる形式に変換し、データセットをトレーニングセット、検証セット、テストセットに分割します。

2. モデルの選択とチューニング：適切なモデルを選択します。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チューニングします。一般的に、モデルのネットワークの階層は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階層で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：モデルのトレーニングが完了し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の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、精度、再現率、F1スコアなどの指標を用い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、モデルの選択と調整、そしてトレーニングを経て、トレーニング済みのモデルをテストセットで推論させると、猫と犬の予測値 P（probability）が得られます。つまり、モデルが猫または犬である確率を推論します。

! 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

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、猫と犬の分類AIモデルがモバイルアプリに統合され、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、センター化されたAI開発プロセスには以下のシーン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、データがオープンソースでない制限に直面する可能性があります。

モデルの選択と調整：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、モデルの調整に多大なコストをかけたりすることは困難です。

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購入コストやクラウドコンピューティングのレンタル費用は、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らの努力に見合った収入を得ることができず、AI開発者の研究成果も需要のあるバイヤーとマッチさせるのが難しい。

センタライズドAIシーンに存在する課題は、Web3との統合を通じて解決される可能性があります。Web3は新しい生産関係の一形態として、自然に新しい生産力を代表するAIに適合し、技術と生産能力の同時進歩を促進します。

1.3 Web3 と AI の相乗効果：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コラボレーション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、さらに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技術に基づき、AIの開発と応用は新たな協力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守られ、データクラウドソーシングモデルが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。分散型の協力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奨励されます。

Web3のシーンでは、AIは複数のトラックで積極的な影響を与えることができます。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、安全検知、ソーシャルクラスタリングなど、さまざまなアプリケーションシーンで作業効率を向上させることができます。生成的AIは、ユーザーがAI技術を使用して自分のNFTを作成するなど、「アーティスト」としての役割を体験できるだけでなく、GameFiにおいて多様なゲームシーンや面白いインタラクション体験を創造することもできます。豊富なインフラストラクチャーはスムーズな開発体験を提供し、AIの専門家でも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。

二、 Web3-AI エコシステムプロジェクトのマップとアーキテクチャの解読

私たちは主にWeb3-AI分野の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レベルに分類しました。各レベルの分類ロジックは以下の図に示されており、インフラストラクチャーレベル、中間レベル、アプリケーションレベルに分かれ、それぞれのレベルは異なるセクターに分かれています。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サポートする計算リソースと技術アーキテクチャを含んでおり、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んでいます。アプリケーション層は、ユーザー向けのさまざまなアプリケーションとソリューションに直接焦点を当てています。

! 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、およびトッププロジェクトの詳細な分析

インフラストラクチャレイヤー：

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、この記事ではコンピューティングパワー、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ています。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。

• 分散型コンピューティングネットワーク：AIモデルのトレーニングに対して分散型のコンピューティングパワーを提供し、高効率かつ経済的な計算リソースの利用を確保します。一部のプロジェクトは分散型の計算市場を提供しており、ユーザーは低コストで計算力をレンタルしたり、計算力を共有して収益を得たりできます。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はトークン化プロトコルを提案しています。ユーザーはGPU実体を表すNFTを購入することによって、さまざまな方法で計算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それに付随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インセンティブ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技術の進歩も促進できます。

• 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 エージェントによる取引も実現できます。一体型のツールは、開発者が AI モデルをより便利に作成、訓練、展開できるようにします。代表的なプロジェクトは Nimble です。これらのインフラは、Web3 エコシステムにおける AI 技術の広範な適用を促進します。

###中間層:

この層はAIデータ、モデル、推論と検証に関与しており、Web3技術を用い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、プライバシー保護の下で自分のデータを販売することができ、悪質な業者によるデータの盗用や高額な利益の追求を避けることができます。データ需要者にとって、これらのプラットフォームは幅広い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は、Grassがユーザーの帯域幅を利用してWebデータを取得し、xDataが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、画像のラベル付けやデータ分類などのタスクは、専門的な知識を必要とする金融や法律のデータ処理が含まれる場合があります。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提供し、多様なデータシナリオをカバーすることができます。一方、AIT Protocolは人間と機械の協調によってデータにラベルを付けています。

• モデル：以前に言及した AI 開発プロセスでは、異なる種類の要求に適したモデルをマッチさせる必要があります。画像タスクに一般的に使用されるモデルには CNN や GAN があり、物体検出タスクには Yolo シリーズを選択できます。テキスト関連のタスクでは RNN や Transformer などのモデルが一般的です。もちろん、特定または汎用の大規模モデルもあります。異なる複雑さのタスクには異なるモデルのデプスが必要であり、場合によって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の方法でモデルを協力してトレーニング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と配布層に置いてモデルの最適化を行うことを可能にしています。また、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、協力してトレーニングする能力も備えています。

• 推論と検証：モデルがトレーニングされた後、モデルの重みファイルが生成され、分類、予測、またはその他の特定のタスクに直接使用できます。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、悪意のある行為がないかを検証するための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の公式ウェブサイトでは、ZKMLや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を組み合わせて創造します。