過去一年間、AI 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登場しました。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がありませんので、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。
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伴う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を実現することもできます。ワンストップのツールは、開発者が AI モデルをより便利に作成、トレーニング、デプロイできるように支援します。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。
Web3-AI分野の全景：技術融合と革新アプリケーションのデプス解析
Web3-AI トラック全景レポート：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のナラティブの高まりとともに、この分野に対する関心が高まっています。Web3-AI分野の技術論理、アプリケーションシナリオ、および代表的なプロジェクトに関する詳細な分析を行い、この分野の全体像と発展傾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 トラックの定義方法
過去一年間、AI 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登場しました。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がありませんので、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。
本稿の重点は、ブロックチェーンを用い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、AI製品を提供すると同時に、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、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の融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出するかを詳しく紹介します。
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、強化することを可能にする技術です。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することができ、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。簡単な例として、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することができます。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。
モデル選択と調整：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。異なる要件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。
モデル訓練：GPU、TPU、または高性能計算クラスターを使用してモデルを訓練できます。訓練時間はモデルの複雑性と計算能力の影響を受けます。
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、推論プロセスはトレーニング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または新しいデータを使用してモデルの分類性能をテストし、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、データの収集とデータの前処理、モデルの選択とチューニング、学習を行った後、テストセット上で学習したモデルを推論すると、ネコやイヌの予測値P(確率)、つまりモデルがネコやイヌであると推論した確率が得られます。
! 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さらに統合され、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モデルは、ユーザーが猫または犬の画像をアップロードすると、分類結果を得ることができるモバイルアプリに統合できます。
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。ユーザーの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算力のレンタル費用は、著しい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支出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買い手にマッチすることが難しい。
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の組み合わせ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を作成します。同時に、Web3の世界とAI技術の融合は、さらに革新的なアプリケーションシーンや遊び方を生み出すことができます。
Web3技術に基づき、AIの開発と応用は新しい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が保障され、データの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提供され、共有されたコンピューティングパワーは低コストで入手できます。非中央集権的な協力的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技術の進歩を推進することを奨励します。
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、安全検査、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」の役割を体験させるだけでなく、ゲーム内で多様なゲームシーンや興味深いインタラクション体験を創出することもできます。豊富なインフラはスムーズな開発体験を提供し、AIの専門家であれ、AI分野に入りたい初心者であれ、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、インフラ層、中間層、アプリケーション層に分かれ、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サポートする計算リソースと技術アーキテクチャを含み、中間層はインフラストラクチャとアプリケーションをつなぐデータ管理、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。
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、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があるからこそ、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のために分散型の計算能力を提供し、高効率かつ経済的な計算資源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賃貸したり、計算能力を共有して利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、Compute Labsのように、ユーザーが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賃貸に参加して利益を得ることができるトークン化プロトコルを提案しています。
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伴う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を実現することもできます。ワンストップのツールは、開発者が AI モデルをより便利に作成、トレーニング、デプロイできるように支援します。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。
中間：
このレイヤーは、AIデータ、モデル、推論および検証に関わり、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、いくつか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しています。例えば、画像ラベリングやデータ分類などは、専門知識を必要とする金融や法律関連のデータ処理タスクがあります。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マーケットは、異なる分野のデータタスクを持ち、多様な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りデータ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を通じてモデルを共同でトレーニングすることをサポートしています。例えば、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布層に置くことを可能にし、モデルの最適化を行います。また、Sahara AIが提供する開発ツールには高度なAIアルゴリズムと計算フレームワークが内蔵されており、共同トレーニングの能力を持っています。
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、AIとWeb3を組み合わせて、より多くの面白く、革新的なものを創造します。