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解析

AIのナラティブが続々と注目を集める中、ますます多くの関心がこの分野に集中しています。本稿では、Web3-AI分野の技術的論理、応用シーン、代表的なプロジェクトを深く分析し、この領域の全景と発展トレンドを包括的に提示します。

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、AIの物語は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、いくつか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経済はAI製品と実質的な関連がないため、これらのプロジェクトは本記事におけるWeb3-AIプロジェクトの議論には含まれません。

この記事の焦点は、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、AI製品を提供するとともに、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トラックをよりよく理解できるように、この記事ではAIの開発プロセスと課題、さらに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出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、強化することを可能にする技術です。それは、言語翻訳、画像分類、顔認識、自動運転などのアプリケーションシーンに至るまで、さまざまな複雑なタスクをコンピュータが実行できるようにします。AIは私たちの生活と働き方を変えています。

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、モデル選択とチューニング、モデルのトレーニングと推論。例えば、猫と犬の画像を分類するモデルを開発する場合、あなたは以下のことが必要です：

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。

2. モデル選択とチューニング：適切なモデルを選択すること、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、推論プロセスは訓練済みの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効果をテストすることができ、通常は精度、再現率、F1-score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、データ前処理、モデル選択と調整、および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）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結果です。

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）を取得する際には、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：個人の開発者や小規模なチームにとって、高額なGPUの購入コストやクラウド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自分の労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種であり、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 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 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、より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 技術に基づいて、AI の開発と応用は新しい協力型経済システムを迎えます。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で、共有の計算能力は低コストで入手できます。分散型の協力型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、公平な所得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のシーンでは、AIが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、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。市場分析、安全検査、ソーシャルクラスタリングなどの多様な機能があります。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を作成することができ、GameFiでは豊かで多様なゲームシーンや面白いインタラクティブ体験を創造することができます。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全体像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、インフラストラクチャレイヤー、中間レイヤー、アプリケーションレイヤーに分かれ、各レイヤー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、この記事では計算力、AI チェーン、および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こそ、AI モデルのトレーニングと推論が実現し、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のために分散した計算能力を提供し、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で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を購入することで、異なる方法で計算能力のレンタルに参加し、利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も実現できます。ワンストップツールは、開発者が AI モデルをより便利に作成、訓練、展開できるよう支援し、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 技術の広範な応用を促進します。

###中間層:

この層は 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。

• 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、不正な業者によるデータの盗用や高額な利益を得ることを避けられます。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、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。たとえば、画像のラベリングやデータの分類など、これらのタスクは金融や法律に関する専門知識を必要とするデータ処理が含まれています。ユーザーはスキルをトークン化して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マーケットが代表的で、さまざまな分野のデータタスクを持ち、複数の分野のデータシーンをカバーできます。一方、AIT Protocoltは人間と機械の協調によってデータにラベル付けを行います。

• モデル：以前に言及された 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させる必要があります。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、一般的に RNN や Transformer などのモデルがあります。もちろん、特定のまたは一般的な大規模モデルもあります。異なる複雑さのタスクには必要なモデルのデプスも異なり、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や配布層に置いてモデル最適化を行うことを許可しています。Sahara AIが提供する開発ツールは、先進的なAIアルゴリズムと計算フレームワークを内蔵しており、共同訓練の能力を持っています。

• 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行う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、悪意のある行動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を導入しました。また、ORAの公式ウェブサイトでは、ZKMLと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、より面白くて革新的なプレイ方法を生み出します。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す。

• AIGC:AIGCを通じて