Web3-AI セクター全景レポート：技術論理、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のナラティブが盛り上がる中、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、代表的なプロジェクトを深く分析し、この領域の全体像と発展トレンド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 トラックをどのように定義するか

昨年、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一部にのみ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自体はAI製品を提供し、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、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のトラックに分類します。読者がWeb3-AIの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、そして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作り出す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、AIは私たちの生活や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（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. モデルの選択と調整：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。一般的には、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レイヤーで十分かもしれません。

3. 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。

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ウェイトと呼ばれ、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効果をテストできます。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、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。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

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モデルをスマートフォンアプリに統合することができ、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はないという制約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、大量のコストをかけてモデルを調整したりするのは難しい。

算力の取得：個人開発者や小規模チームにとって、高価なGPUの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バイヤーとマッチさせるのが難しい。

センター化された AI シーンで存在する課題は、Web3 と結びつく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、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、Web2時代のAI使用者から参加者へと変わることを可能にし、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、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方法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利用可能で、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市場の助けを借りて、公平な収入分配システムを実現できるため、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のシーンでは、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、安全検知、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"の役割を体験できるだけでなく、GameFiで多様なゲームシナリオ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の専門家でもAI分野に参入したい初心者でも、この世界で適切な入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図とアーキテクチャの解読

私たちは主にWeb3-AI分野の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ており、それぞれの層は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についてデプスに分析します。

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んでおり、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。

インフラストラクチャ層：

インフラ層は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、および開発プラットフォームをインフラ層に分類します。これらのインフラの支援によってこそ、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借りたり、計算能力を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プレイスタイルを生み出しており、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の実体を表す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、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はまた、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、展開できるように支援し、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。

###中間層:

この層は、AIデータ、モデル、推論および検証に関係しており、Web3技術を使用することで、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して、不正な業者にデータを盗まれたり、高額な利益を得られることを避けることができます。データの需要側にとって、これらのプラットフォームは幅広い選択肢と極めて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 データをキャッチし、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の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、画像ラベリングやデータ分類など、これらのタスクは金融や法律業務のデータ処理に専門知識が必要な場合があります。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。また、AIT Protocolt は人間と機械の協調によってデータにラベリングを行います。

• モデル：以前に言及したAI開発プロセスでは、異なるタイプの要求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、RNNやTransformerなどのモデルが一般的です。もちろん、特定または汎用の大規模モデルもあります。異なる複雑さのタスクに必要なモデルのデプスは異なり、時にはモデルのチューニングが必要です。

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で協力してモデルを訓練したりすることをサポートしています。例えば、Sentientはモジュラー設計を通じて、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の最適化を行うことを可能にしています。また、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内蔵されており、協力的な訓練能力を備えています。

• 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、これを使って分類、予測、またはその他の特定のタスクを直接行うことができます。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を導入しています。また、ORAの公式サイトでは、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を組み合わせて創造します。