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、そして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があってこそ、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。
AI Chain：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。チェーン上の非中央集権的な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や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 Chain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、異なる分野におけるAI技術の進歩も促進します。
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。一元化されたツールは、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、代表的なプロジェクトには Nimble があります。これらのインフラストラクチャは、Web3 エコシステムにおける AI 技術の幅広い応用を促進します。
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わり、Web3 技術を採用することでより高い作業効率を実現できます。
Web3-AI分野の全景：技術融合、アプリケーションシーンと代表プロジェクトのデプス分析
Web3-AI サーキット全景レポート：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デプス分析
AIのナラティブが高まる中、ますます多くの関心がこの分野に集中しています。Web3-AI分野の技術的論理、アプリケーションシーンおよび代表的なプロジェクトについて深く分析し、この分野の全体像と発展の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 トラックの定義方法
過去1年間、AIナラティブはWeb3業界で異常に人気があり、AIプロジェクトが雨後の竹の子のように次々と現れました。多くのプロジェクトがAI技術に関与していますが、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稿での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は自らAI製品を提供し、同時にWeb3経済モデルを生産関係のツールとして基盤としています。この二者は相互に補完し合っています。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トラックをよりよく理解できるように、AIの開発プロセスと挑戦、そしてWeb3とAIの結合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には、通常、以下のいくつかの重要なステップが含まれます：データ収集とデータ前処理、モデルの選択とチューニング、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：
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、実際のデータを自分で収集できます。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。画像をモデルが認識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。
モデル選択とチューニング：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チューニングします。一般的に、モデルのネットワークの深さはAIタスクの複雑さに応じて調整できます。このシンプルな分類の例では、浅いネットワークの深さで十分かもしれません。
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に影響されます。
モデル推論：モデルの訓練が完了したファイルは通常モデルの重みと呼ばれ、推論プロセスはすでに訓練されたモデルを使用して新しいデータを予測または分類する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、モデルの選択とチューニング、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すると、猫と犬の予測値 P（probability）が得られます。これは、モデルが猫または犬である確率を推論したものです。
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できます。この例では、猫と犬を分類する AI モデルがモバイルアプリに統合されており、ユーザーが猫または犬の画像をアップロードすると、分類結果が得られます。
しかし、中央集権的なAI開発プロセスは以下のシナリオにおいて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（例えば医療データ）を取得する際、データがオープンソースでないという制限に直面する可能性があります。
モデル選択と調整：小規模チームにとって、特定の分野のモデルリソースを取得したり、モデルの調整に多額のコストをかけたりすることは困難です。
計算力の取得：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計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その労力に見合った収入を得られず、AI開発者の研究成果も需要のある買い手とマッチングするのが難しい。
中心化 AI シーンで存在する課題は、Web3 と組み合わせることで解決できます。Web3 は新しい生産関係の一形態であり、AI を代表する新しい生産力に自然に適合し、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利用者から参加者に変わり、誰もが所有できるAIを創造します。また、Web3の世界とAI技術の融合は、さらなる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保障され、データの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となり、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に奨励されます。
Web3のシーンにおいて、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、安全検出、ソーシャルクラスタリングなどの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技術を使って自分のNFTを作成するなど、"アーティスト"の役割を体験するだけでなく、GameFiにおいて豊かで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ができます。豊富なインフラはスムーズな開発体験を提供し、AIの専門家でもAIの分野に入ろうとする初心者でも、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 の分野で 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イヤー、中間レイヤー、アプリケーションレイヤーの 3 つのレイヤーに分かれ、それぞれが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についてデプスな解析を行います。
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、ユーザーに直接向けられた各種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、この記事ではコンピューティングパワー、AI チェーン、そして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があってこそ、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された計算能力を提供し、高効率かつ経済的な計算リソースの利用を確保します。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プレイスタイルを派生させており、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 Chain：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。チェーン上の非中央集権的な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や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 Chain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、異なる分野におけるAI技術の進歩も促進します。
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。一元化されたツールは、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、代表的なプロジェクトには Nimble があります。これらのインフラストラクチャは、Web3 エコシステムにおける AI 技術の幅広い応用を促進します。
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わり、Web3 技術を採用することでより高い作業効率を実現できます。
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ユーザーがデータ前処理タスクを実行できるようになっており、例えば画像のラベリングやデータ分類などがあります。これらのタスクは、金融や法律の専門知識を必要とするデータ処理を含む場合があります。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、異なる分野のデータタスクを提供しており、複数の分野のデータシナリオをカバーできます。一方、AIT Protocolは人間と機械の協力によってデータにラベリングを行います。
いくつかのプロジェクトは、ユーザーがさまざまな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したり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信層に置いてモデル最適化を行えるようにしています。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。
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、より面白く、革新的なプレイスタイルを生み出します。本稿では、AIGC（AI生成コンテンツ）、AIエージェント、データ分析のいくつかのセクションのプロジェクトを整理します。