Web3-AI サイド全景レポート：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のナラティブが盛り上がる中、この分野に対する関心が高まっています。私たちはWeb3-AI分野の技術的論理、アプリケーションシーン、代表的なプロジェクトを深く分析し、この分野の全体像と発展動向を総合的にお届けします。

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

過去一年間、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一部でのみ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製品とは実質的に関連していないため、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焦点を当てています。これらのプロジェクト自体はAI製品を提供し、同時にWeb3経済モデルを生産関係のツールとして基盤としています。両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の開発プロセスと課題、およびWeb3とAIの統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展開して紹介します。

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、強化することを可能にする技術です。それにより、コンピュータは言語翻訳、画像分類、顔認識、自動運転などの様々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。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。その後、各画像にカテゴリー（猫または犬）にラベルを付け、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。

2. モデルの選択と調整：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深さは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深さで十分かもしれません。

3. 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、すでにトレーニングされたモデルを使用して新しいデータの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性能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。

図のように、データ収集とデータ前処理、モデル選択と調整、そして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）を得ることができます。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

トレーニングされた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、猫と犬の分類を行うAIモデルがモバイルアプリに統合され、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：中央集権的なシナリオでは、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、モデルを調整するために多額の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購入コストやクラウド算力のレンタル費用は、重大な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、また 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。

中央集権型 AI シーンで存在する課題は、Web3 との結合によって解決できます。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 の結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、ユーザーが Web2 時代の AI 使用者から参加者に変わり、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します。

Web3技術に基づいて、AIの開発と応用は新しい協力経済システムを迎えます。人々のデータプライバシーが守られ、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となり、共有された計算能力を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「アーティスト」の役割を体験できるだけでなく、AI技術を使用して自分のNFTを作成したり、GameFiの中で多様なゲームシーンや興味深いインタラクティブ体験を創造したりすることもできます。豊富なインフラストラクチャはスムーズな開発体験を提供し、AIの専門家であれ、AI分野に入ろうとする初心者であれ、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構造の解読

私たちは主に Web3-AI の分野における 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います。基盤層、中間層、アプリケーション層のそれぞれは、さらに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コンピューティングリソースと技術アーキテクチャをカバーし、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：

インフラ層は AI ライフサイクルの基盤であり、本文ではコンピューティングパワー、AI チェーン、および開発プラットフォームをインフラ層に分類しています。これらのインフラ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分散コンピュータリソースを提供し、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コンピューティング市場を提供しており、ユーザーは低コストでコンピューティングリソースをレンタルしたり、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、Compute Labsはトークン化プロトコルを提案しました。ユーザーはGPU実体を表すNFTを購入することで、異なる方法でコンピューティングリソース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。チェーン上の分散型AIマーケットでは、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はSahara AIです。AI Chain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、展開するのを助け、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。

ミドルレイヤー：

このレイヤーはAIデータ、モデル、推論および検証に関わっており、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。

• データ：データの質と量はモデルのトレーニング効果に影響を与える重要な要因です。Web3の世界では、クラウドソーシングデータと協調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して、不良業者によるデータの盗用や高額利益の追求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幅広い選択肢と非常に低いコストを提供します。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データを取得し、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、これらのタスクは金融および法務の専門知識を必要とするデータ処理の場合があります。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提供し、多様なデータシーンをカバーできます。一方、AIT Protocolt 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。

• モデル：これまで言及したAI開発プロセスでは、異なるタイプのニーズ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ではRNNやTransformerなどのモデルがよく見られ、もちろん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デプスのモデルが必要であり、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の方法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はモジュラーデザインを通じて、ユーザーが信頼できるモデルデータをストレージ層や配布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、共同訓練の能力も備えています。

• 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、分類、予測、または他の特定のタスクを直接実行するために使用できます。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どうか、悪意のある行動がないかどう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実行します。一般的な検証方法には、ZKML、OPML、および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レイヤーとしてOPMLを導入しています。また、ORAの公式ウェブサイトでは、ZKMLとopp/ai（ZKMLとOPMLの統合）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、より面白く革新的なプレイ方法を創造します。本記事では、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プロジェクトを整理しました。

• AIGC:AIGC経由で利用可能