# AI+Web3: タワーとプラザ## TL; 博士1. AI概念のWeb3プロジェクトは、一次および二次市場で資金を集めるターゲットとなっています。2. Web3 における AI 業界の機会は、分散型インセンティブを使用してロングテールの潜在的な供給を調整することに現れています------データ、ストレージ、計算を横断して；同時に、オープンソースモデルと AI エージェントの分散型市場を構築することです。3. AIのWeb3業界での主な活用分野は、オンチェーンファイナンス（暗号決済、取引、データ分析）および開発支援です。4. AI+Web3 の効用は、両者の相補性に現れます：Web3 は AI の集中化に対抗することが期待され、AI は Web3 の境界を破るのを助けることが期待されています。! [AI+Web3: タワー&プラザ](https://img-cdn.gateio.im/social/moments-25bce79fdc74e866d6663cf31b15ee55)## はじめにここ2年、AIの発展は加速ボタンが押されたかのようで、Chatgptによって煽られた蝶の羽は、生成的人工知能の新しい世界を開くだけでなく、対岸のWeb3でも潮流を引き起こしています。AIの概念の加持により、加速が鈍化している暗号市場の資金調達が明らかに活性化しています。メディアの統計によると、2024年上半期には、合計64のWeb3+AIプロジェクトが資金調達を完了しました。人工知能に基づくオペレーティングシステムZyber365は、Aラウンドで1億ドルの最高資金調達額を達成しました。二次市場はさらに繁栄しており、ある暗号集約サイトのデータによれば、わずか1年余りの間に、AIトラックの総時価総額は485億ドルに達し、24時間の取引量は86億ドルに近づいています。主流のAI技術の進展による好材料は明らかで、OpenAIのSoraテキストからビデオへのモデルが発表された後、AIセクターの平均価格は151%上昇しました。AIの影響は、暗号通貨の資金吸引セクターの一つであるMemeにも波及しています：最初のAIエージェント概念のMemeCoin------GOATは急速に人気を博し、14億ドルの評価を獲得し、AI Memeの熱を成功裏に巻き起こしました。AI+Web3 に関する研究や話題も同様に盛り上がっており、AI+Depin から AI Memecoin、そして現在の AI Agent や AI DAO に至るまで、FOMO の感情は新しいストーリーのローテーションのスピードについていけていない。AI+Web3。この熱い資金、流行、未来の幻想で満ちた用語の組み合わせは、資本によって結びつけられた手配結婚と見なされがちで、私たちはこの華やかな衣装の下で、果たして投機家の主場なのか、それとも夜明けの爆発の前夜なのかを見分けるのが難しいようです。この質問に答えるために、双方にとって重要な考察は、相手がいることでより良くなるのか？相手のモデルから利益を得られるのか？この記事では、先人の肩の上に立ってこのパターンを見つめ直そうとしています：Web3がAI技術スタックの各段階でどのように機能し、AIがWeb3にどのような新たな活力をもたらすのか？! [AI+Web3:タワー&スクエア](https://img-cdn.gateio.im/social/moments-cc3bf45e321f9b1d1280bf3bb827d9f4)## Part.1 AIスタック下のWeb3にはどのような機会があるか？この話題を展開する前に、AI大規模モデルの技術スタックを理解する必要があります：より簡単な言葉で全体のプロセスを表現すると、「大モデル」は人間の脳のようなもので、初期段階ではこの脳はこの世に降り立ったばかりの赤ちゃんに属しています。周囲の膨大な情報を観察し取り込むことでこの世界を理解する必要があります。これがデータの「収集」段階です。コンピュータは人間の視覚や聴覚などの感覚を持たないため、訓練前に外部の大規模な無標識情報は「前処理」を通じて、コンピュータが理解できる、かつ利用できる情報フォーマットに変換する必要があります。データを入力すると、AIは「訓練」を通じて理解と予測能力を持つモデルを構築します。これは、赤ちゃんが外界を徐々に理解し学ぶプロセスと見ることができます。モデルのパラメータは、赤ちゃんの学習過程で常に調整される言語能力のようなものです。学習内容が専門分野に分かれたり、人との交流を通じてフィードバックを得て修正されたりすると、大きなモデルの「微調整」段階に入ります。子供は徐々に成長し、話すことを学ぶと、新しい対話の中で意味を理解し、自分の感情や考えを表現できるようになります。この段階はAI大モデルの「推論」に似ており、モデルは新しい言語やテキストの入力に対して予測と分析を行うことができます。赤ちゃんは言語能力を通じて感情を表現し、物体を描写し、さまざまな問題を解決します。これは、AI大モデルが訓練を終え、使用に投入された後、推論段階で特定のタスク（例えば、画像分類や音声認識など）に応用されることにも似ています。AIエージェントは、タスクを独立して実行し、複雑な目標を追求することができる次の形態の大規模モデルに近づいています。思考能力を持つだけでなく、記憶、計画を行い、ツールを使って世界と相互作用することも可能です。現在、AIのさまざまなスタックの痛点に対処するために、Web3は現在、AIモデルのプロセスの各段階をカバーする多層的で相互接続されたエコシステムを初歩的に形成しています。### 1. 基本レイヤー: Airbnb (計算能力とデータ)#### ハッシュレート現在、AIの最高コストの1つは、モデルのトレーニングと推論モデルに必要な計算力とエネルギーです。一例として、MetaのLLAMA3は、NVIDIAが製造したH100GPUを16000個必要とし（これはAIおよび高性能計算のワークロード用に設計された最高のグラフィックプロセッサユニットです）、トレーニングを完了するのに30日かかります。後者の80GBバージョンの単価は30,000ドルから40,000ドルの間で、これには4億から7億ドルの計算ハードウェア投資（GPU+ネットワークチップ）が必要です。また、毎月のトレーニングには16億キロワット時を消費し、エネルギー支出は毎月約2000万ドルです。AIの計算力の解放は、Web3が最初にAIと交差する領域であり------DePin（分散型物理インフラネットワーク）現在、あるデータサイトでは1400以上のプロジェクトが掲載されています。その中でGPU計算力共有の代表的なプロジェクトには、io.net、Aethir、Akash、Render Networkなどがあります。その主な論理は、プラットフォームが余剰のGPUリソースを持つ個人や実体が許可なしに分散型の方法で計算能力を提供できるようにすることです。UberやAirbnbのようなバイヤーと売り手のオンラインマーケットを通じて、十分に活用されていないGPUリソースの使用率を向上させ、最終ユーザーはより低コストで効率的な計算リソースを得ることができます。同時に、ステーキングメカニズムは、品質管理メカニズムに違反したりネットワークが中断された場合に、リソース提供者に相応の罰則があることを保証します。その特徴は次の通りです：* 余ったGPUリソースを集める：供給者は主に第三者の独立した中小型データセンターや暗号マイニングファームなどの運営者の余剰計算リソース、コンセンサスメカニズムはPoSのマイニングハードウェア（FileCoinやETHマイナーなど）です。現在、exolabがMacBook、iPhone、iPadなどのローカルデバイスを利用して、大モデル推論の計算ネットワークを構築するような、より低い参入障壁を持つデバイスを立ち上げるプロジェクトもあります。* AI計算能力のロングテール市場に直面して：a.「技術的な観点から見ると」分散型コンピューティング市場は推論プロセスにより適しています。トレーニングは超大規模なクラスターのGPUによるデータ処理能力により依存度が高いが、推論はGPUの計算性能に対する依存度が相対的に低いです。Aethirは低遅延のレンダリング作業とAI推論アプリケーションに焦点を当てています。b.「需要側から見ると」中小規模の計算能力を持つ需要者は、自らの大規模モデルを単独で訓練することはなく、むしろ少数の主要な大規模モデルを中心に最適化や微調整を行うことを選択します。これらのシーンは、分散型の余剰計算資源に自然に適しています。* 分散型所有権：ブロックチェーンの技術的意義は、リソースの所有者が常にリソースに対するコントロールを保持し、需要に応じて柔軟に調整しながら、利益を得ることができることです。#### データデータは、AIの基盤です。データがなければ、計算は浮草のように無用であり、データとモデルの関係は「ゴミが入れば、ゴミが出る」ということわざのようです。データの量と入力の質が最終的なモデルの出力の質を決定します。現在のAIモデルのトレーニングにおいて、データはモデルの言語能力、理解力、さらには価値観や人間らしさを決定します。現在、AIのデータニーズの課題は主に以下の四つの側面に集中しています：* データ飢餓：AIモデルのトレーニングは大量のデータ入力に依存しています。公開された資料によると、OpenAIはGPT-4のトレーニングにおいてパラメータの量が兆のレベルに達しています。* データ品質：AIと各業界の統合が進むにつれ、データのタイムリーさ、データの多様性、特定の業界におけるデータの専門性、ソーシャルメディアの感情などの新しいデータソースの取り込みが、その品質に対して新しい要求を突きつけています。* プライバシーとコンプライアンスの問題：現在、各国や企業は質の高いデータセットの重要性に徐々に気づき、データセットのクローリングに制限をかけています。* データ処理コストが高い：データ量が多く、処理プロセスが複雑です。公開された資料によると、AI企業の30％以上の研究開発コストは基礎データの収集と処理に使用されています。現在、web3 のソリューションは以下の四つの側面に現れています：1、データ収集：無料で取得できるリアルワールドデータは急速に枯渇しており、AI企業のデータへの支出は年々増加しています。しかし同時に、この支出はデータの真の貢献者に還元されておらず、プラットフォームはデータから生まれる価値創造を完全に享受しています。たとえば、あるソーシャルプラットフォームはAI企業とのデータライセンス契約を通じて合計2.03億ドルの収入を得ています。真に貢献するユーザーがデータの価値創造に参加し、分散型ネットワークとインセンティブメカニズムを通じて、低コストでよりプライベートで価値のあるデータを取得することがWeb3のビジョンです。* Grassは分散型のデータ層とネットワークであり、ユーザーはGrassノードを運営することで、余剰帯域幅と中継トラフィックを提供し、インターネット全体からリアルタイムデータをキャッチし、トークン報酬を得ることができます。* Vanaは独自のデータ流動性プール（DLP）概念を導入しました。ユーザーは自分のプライベートデータ（購入履歴、ブラウジング習慣、ソーシャルメディア活動など）を特定のDLPにアップロードし、これらのデータを特定の第三者に使用を許可するかどうかを柔軟に選択できます；* PublicAIでは、ユーザーはX上で#AI 或#Web3をカテゴリタグとして使用し、@PublicAIを指定することでデータ収集を実現できます。2、データ前処理：AIのデータ処理過程では、収集されたデータが通常ノイズが多く、誤りを含んでいるため、モデルのトレーニング前にそれをクリーンアップし、使用可能な形式に変換する必要があります。これには、標準化、フィルタリング、欠損値の処理などの重複するタスクが含まれます。この段階はAI業界で数少ない人手による部分であり、データラベリング専門家という職業が生まれました。モデルがデータの質に対する要求を高めるにつれて、データラベリング専門家のハードルも上がっています。そして、このタスクはWeb3の分散型インセンティブメカニズムに自然に適しています。* 現在、GrassとOpenLayerはデータアノテーションという重要な要素の追加を検討しています。* Synesisは「Train2earn」の概念を提唱し、データの質を強調しています。ユーザーは、アノテーションデータやコメント、その他の形式の入力を提供することで報酬を得ることができます。* データラベリングプロジェクトSapienは、マークタスクをゲーム化し、ユーザーがポイントをステーキングしてより多くのポイントを獲得できるようにします。3、データプライバシーとセキュリティ：明確にすべき点は、データプライバシーとセキュリティは異なる概念であるということです。データプライバシーはセンシティブなデータの取り扱いに関連し、データセキュリティはデータ情報を無許可のアクセス、破壊、盗難から保護します。したがって、Web3プライバシー技術の利点と潜在的な応用シーンは二つの側面に現れます：（1）センシティブデータのトレーニング；（2）データコラボレーション：複数のデータ所有者が原データを共有することなくAIトレーニングに共同参加できます。現在の Web3 で一般的なプライバシー技術には、* Trusted Execution Environment (TEE) (例: Super Protocol);* BasedAI、Fhenix.io、Inco Networkなどの完全準同型暗号化(FHE)。* ゼロ知識技術（zk）、例えば Reclaim Protocol は zkTLS 技術を使用して、HTTPS トラフィックのゼロ知識証明を生成し、ユーザーが外部ウェブサイトから活動、評判、アイデンティティデータを安全にインポートできるようにし、敏感な情報を開示することなく行います。しかし、現在この分野はまだ初期段階にあり、大部分のプロジェクトはまだ探求中です。現在の一つのジレンマは計算コストが高すぎることで、いくつかの例は次の通りです：* zkMLフレームワーク
AIとWeb3の融合：オープンマーケットと価値共創
AI+Web3: タワーとプラザ
TL; 博士
AI概念のWeb3プロジェクトは、一次および二次市場で資金を集めるターゲットとなっています。
Web3 における AI 業界の機会は、分散型インセンティブを使用してロングテールの潜在的な供給を調整することに現れています------データ、ストレージ、計算を横断して；同時に、オープンソースモデルと AI エージェントの分散型市場を構築することです。
AIのWeb3業界での主な活用分野は、オンチェーンファイナンス（暗号決済、取引、データ分析）および開発支援です。
AI+Web3 の効用は、両者の相補性に現れます：Web3 は AI の集中化に対抗することが期待され、AI は Web3 の境界を破るのを助けることが期待されています。
! AI+Web3: タワー&プラザ
はじめに
ここ2年、AIの発展は加速ボタンが押されたかのようで、Chatgptによって煽られた蝶の羽は、生成的人工知能の新しい世界を開くだけでなく、対岸のWeb3でも潮流を引き起こしています。
AIの概念の加持により、加速が鈍化している暗号市場の資金調達が明らかに活性化しています。メディアの統計によると、2024年上半期には、合計64のWeb3+AIプロジェクトが資金調達を完了しました。人工知能に基づくオペレーティングシステムZyber365は、Aラウンドで1億ドルの最高資金調達額を達成しました。
二次市場はさらに繁栄しており、ある暗号集約サイトのデータによれば、わずか1年余りの間に、AIトラックの総時価総額は485億ドルに達し、24時間の取引量は86億ドルに近づいています。主流のAI技術の進展による好材料は明らかで、OpenAIのSoraテキストからビデオへのモデルが発表された後、AIセクターの平均価格は151%上昇しました。AIの影響は、暗号通貨の資金吸引セクターの一つであるMemeにも波及しています：最初のAIエージェント概念のMemeCoin------GOATは急速に人気を博し、14億ドルの評価を獲得し、AI Memeの熱を成功裏に巻き起こしました。
AI+Web3 に関する研究や話題も同様に盛り上がっており、AI+Depin から AI Memecoin、そして現在の AI Agent や AI DAO に至るまで、FOMO の感情は新しいストーリーのローテーションのスピードについていけていない。
AI+Web3。この熱い資金、流行、未来の幻想で満ちた用語の組み合わせは、資本によって結びつけられた手配結婚と見なされがちで、私たちはこの華やかな衣装の下で、果たして投機家の主場なのか、それとも夜明けの爆発の前夜なのかを見分けるのが難しいようです。
この質問に答えるために、双方にとって重要な考察は、相手がいることでより良くなるのか？相手のモデルから利益を得られるのか？この記事では、先人の肩の上に立ってこのパターンを見つめ直そうとしています：Web3がAI技術スタックの各段階でどのように機能し、AIがWeb3にどのような新たな活力をもたらすのか？
! AI+Web3:タワー&スクエア
Part.1 AIスタック下のWeb3にはどのような機会があるか？
この話題を展開する前に、AI大規模モデルの技術スタックを理解する必要があります：
より簡単な言葉で全体のプロセスを表現すると、「大モデル」は人間の脳のようなもので、初期段階ではこの脳はこの世に降り立ったばかりの赤ちゃんに属しています。周囲の膨大な情報を観察し取り込むことでこの世界を理解する必要があります。これがデータの「収集」段階です。コンピュータは人間の視覚や聴覚などの感覚を持たないため、訓練前に外部の大規模な無標識情報は「前処理」を通じて、コンピュータが理解できる、かつ利用できる情報フォーマットに変換する必要があります。
データを入力すると、AIは「訓練」を通じて理解と予測能力を持つモデルを構築します。これは、赤ちゃんが外界を徐々に理解し学ぶプロセスと見ることができます。モデルのパラメータは、赤ちゃんの学習過程で常に調整される言語能力のようなものです。学習内容が専門分野に分かれたり、人との交流を通じてフィードバックを得て修正されたりすると、大きなモデルの「微調整」段階に入ります。
子供は徐々に成長し、話すことを学ぶと、新しい対話の中で意味を理解し、自分の感情や考えを表現できるようになります。この段階はAI大モデルの「推論」に似ており、モデルは新しい言語やテキストの入力に対して予測と分析を行うことができます。赤ちゃんは言語能力を通じて感情を表現し、物体を描写し、さまざまな問題を解決します。これは、AI大モデルが訓練を終え、使用に投入された後、推論段階で特定のタスク（例えば、画像分類や音声認識など）に応用されることにも似ています。
AIエージェントは、タスクを独立して実行し、複雑な目標を追求することができる次の形態の大規模モデルに近づいています。思考能力を持つだけでなく、記憶、計画を行い、ツールを使って世界と相互作用することも可能です。
現在、AIのさまざまなスタックの痛点に対処するために、Web3は現在、AIモデルのプロセスの各段階をカバーする多層的で相互接続されたエコシステムを初歩的に形成しています。
1. 基本レイヤー: Airbnb (計算能力とデータ)
ハッシュレート
現在、AIの最高コストの1つは、モデルのトレーニングと推論モデルに必要な計算力とエネルギーです。
一例として、MetaのLLAMA3は、NVIDIAが製造したH100GPUを16000個必要とし（これはAIおよび高性能計算のワークロード用に設計された最高のグラフィックプロセッサユニットです）、トレーニングを完了するのに30日かかります。後者の80GBバージョンの単価は30,000ドルから40,000ドルの間で、これには4億から7億ドルの計算ハードウェア投資（GPU+ネットワークチップ）が必要です。また、毎月のトレーニングには16億キロワット時を消費し、エネルギー支出は毎月約2000万ドルです。
AIの計算力の解放は、Web3が最初にAIと交差する領域であり------DePin（分散型物理インフラネットワーク）現在、あるデータサイトでは1400以上のプロジェクトが掲載されています。その中でGPU計算力共有の代表的なプロジェクトには、io.net、Aethir、Akash、Render Networkなどがあります。
その主な論理は、プラットフォームが余剰のGPUリソースを持つ個人や実体が許可なしに分散型の方法で計算能力を提供できるようにすることです。UberやAirbnbのようなバイヤーと売り手のオンラインマーケットを通じて、十分に活用されていないGPUリソースの使用率を向上させ、最終ユーザーはより低コストで効率的な計算リソースを得ることができます。同時に、ステーキングメカニズムは、品質管理メカニズムに違反したりネットワークが中断された場合に、リソース提供者に相応の罰則があることを保証します。
その特徴は次の通りです：
余ったGPUリソースを集める：供給者は主に第三者の独立した中小型データセンターや暗号マイニングファームなどの運営者の余剰計算リソース、コンセンサスメカニズムはPoSのマイニングハードウェア（FileCoinやETHマイナーなど）です。現在、exolabがMacBook、iPhone、iPadなどのローカルデバイスを利用して、大モデル推論の計算ネットワークを構築するような、より低い参入障壁を持つデバイスを立ち上げるプロジェクトもあります。
AI計算能力のロングテール市場に直面して：
a.「技術的な観点から見ると」分散型コンピューティング市場は推論プロセスにより適しています。トレーニングは超大規模なクラスターのGPUによるデータ処理能力により依存度が高いが、推論はGPUの計算性能に対する依存度が相対的に低いです。Aethirは低遅延のレンダリング作業とAI推論アプリケーションに焦点を当てています。
b.「需要側から見ると」中小規模の計算能力を持つ需要者は、自らの大規模モデルを単独で訓練することはなく、むしろ少数の主要な大規模モデルを中心に最適化や微調整を行うことを選択します。これらのシーンは、分散型の余剰計算資源に自然に適しています。
データ
データは、AIの基盤です。データがなければ、計算は浮草のように無用であり、データとモデルの関係は「ゴミが入れば、ゴミが出る」ということわざのようです。データの量と入力の質が最終的なモデルの出力の質を決定します。現在のAIモデルのトレーニングにおいて、データはモデルの言語能力、理解力、さらには価値観や人間らしさを決定します。現在、AIのデータニーズの課題は主に以下の四つの側面に集中しています：
データ飢餓：AIモデルのトレーニングは大量のデータ入力に依存しています。公開された資料によると、OpenAIはGPT-4のトレーニングにおいてパラメータの量が兆のレベルに達しています。
データ品質：AIと各業界の統合が進むにつれ、データのタイムリーさ、データの多様性、特定の業界におけるデータの専門性、ソーシャルメディアの感情などの新しいデータソースの取り込みが、その品質に対して新しい要求を突きつけています。
プライバシーとコンプライアンスの問題：現在、各国や企業は質の高いデータセットの重要性に徐々に気づき、データセットのクローリングに制限をかけています。
データ処理コストが高い：データ量が多く、処理プロセスが複雑です。公開された資料によると、AI企業の30％以上の研究開発コストは基礎データの収集と処理に使用されています。
現在、web3 のソリューションは以下の四つの側面に現れています：
1、データ収集：無料で取得できるリアルワールドデータは急速に枯渇しており、AI企業のデータへの支出は年々増加しています。しかし同時に、この支出はデータの真の貢献者に還元されておらず、プラットフォームはデータから生まれる価値創造を完全に享受しています。たとえば、あるソーシャルプラットフォームはAI企業とのデータライセンス契約を通じて合計2.03億ドルの収入を得ています。
真に貢献するユーザーがデータの価値創造に参加し、分散型ネットワークとインセンティブメカニズムを通じて、低コストでよりプライベートで価値のあるデータを取得することがWeb3のビジョンです。
Grassは分散型のデータ層とネットワークであり、ユーザーはGrassノードを運営することで、余剰帯域幅と中継トラフィックを提供し、インターネット全体からリアルタイムデータをキャッチし、トークン報酬を得ることができます。
Vanaは独自のデータ流動性プール（DLP）概念を導入しました。ユーザーは自分のプライベートデータ（購入履歴、ブラウジング習慣、ソーシャルメディア活動など）を特定のDLPにアップロードし、これらのデータを特定の第三者に使用を許可するかどうかを柔軟に選択できます；
PublicAIでは、ユーザーはX上で#AI 或#Web3をカテゴリタグとして使用し、@PublicAIを指定することでデータ収集を実現できます。
2、データ前処理：AIのデータ処理過程では、収集されたデータが通常ノイズが多く、誤りを含んでいるため、モデルのトレーニング前にそれをクリーンアップし、使用可能な形式に変換する必要があります。これには、標準化、フィルタリング、欠損値の処理などの重複するタスクが含まれます。この段階はAI業界で数少ない人手による部分であり、データラベリング専門家という職業が生まれました。モデルがデータの質に対する要求を高めるにつれて、データラベリング専門家のハードルも上がっています。そして、このタスクはWeb3の分散型インセンティブメカニズムに自然に適しています。
現在、GrassとOpenLayerはデータアノテーションという重要な要素の追加を検討しています。
Synesisは「Train2earn」の概念を提唱し、データの質を強調しています。ユーザーは、アノテーションデータやコメント、その他の形式の入力を提供することで報酬を得ることができます。
データラベリングプロジェクトSapienは、マークタスクをゲーム化し、ユーザーがポイントをステーキングしてより多くのポイントを獲得できるようにします。
3、データプライバシーとセキュリティ：明確にすべき点は、データプライバシーとセキュリティは異なる概念であるということです。データプライバシーはセンシティブなデータの取り扱いに関連し、データセキュリティはデータ情報を無許可のアクセス、破壊、盗難から保護します。したがって、Web3プライバシー技術の利点と潜在的な応用シーンは二つの側面に現れます：（1）センシティブデータのトレーニング；（2）データコラボレーション：複数のデータ所有者が原データを共有することなくAIトレーニングに共同参加できます。
現在の Web3 で一般的なプライバシー技術には、
Trusted Execution Environment (TEE) (例: Super Protocol);
BasedAI、Fhenix.io、Inco Networkなどの完全準同型暗号化(FHE)。
ゼロ知識技術（zk）、例えば Reclaim Protocol は zkTLS 技術を使用して、HTTPS トラフィックのゼロ知識証明を生成し、ユーザーが外部ウェブサイトから活動、評判、アイデンティティデータを安全にインポートできるようにし、敏感な情報を開示することなく行います。
しかし、現在この分野はまだ初期段階にあり、大部分のプロジェクトはまだ探求中です。現在の一つのジレンマは計算コストが高すぎることで、いくつかの例は次の通りです：