AI+Web3: タワーとプラザ

TL; 博士

1. AIコンセプトのWeb3プロジェクトが一次市場と二次市場で資金を集めるターゲットとなる。

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、データ、ストレージ、計算にまたがるロングテールの潜在的な供給を調整することにあります。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マーケットを構築します。

3. AIのWeb3業界での主な活躍の場は、オンチェーン金融（暗号支払い、取引、データ分析）および開発支援です。

4. AI+Web3の有用性は、両者の補完に現れます：Web3はAIの集中化に対抗することが期待され、AIはWeb3の壁を破るのに役立つと期待されています。

! AI+Web3: タワー&プラザ

はじめに

ここ2年、AIの発展は加速キーが押されたかのようで、Chatgptによって引き起こされたバタフライ効果は、生成型人工知能の新しい世界を開くだけでなく、対岸のWeb3でも大きな波を引き起こしています。

AIの概念の支えのもと、緩やかになった暗号市場において資金調達が明らかに活発化しています。統計によると、2024年上半期だけで、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、暗号集約データによると、わずか1年余りで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技術の進展がもたらす好材料は明らかで、OpenAIのSoraテキストからビデオへのモデルが公開された後、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調達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であるGOATは急速に人気を博し、14億ドルの評価額を獲得し、AI Memeブームを成功裏に引き起こしました。

AI+Web3 に関する研究と話題も同様に熱く、AI+Depin から AI Memecoin、そして現在の AI Agent と AI DAO まで、FOMO の感情は新しい物語のローテーションの速度についていけていない。

AI+Web3、この熱い資金、トレンド、未来の幻想に満ちた用語の組み合わせは、資本によって仲介された強制的な結婚として見る人も少なくなく、この華やかな衣装の下で一体何が展開されているのか、投機家の主場なのか、それとも黎明の爆発の前夜なのかを見分けるのは難しいようです。

この質問に答えるには、双方にとって重要な考察が一つあります。それは、相手がいることでより良くなるのか？相手のパターンから利益を得ることができるのか？この記事では、先人の肩の上に立ってこの構図を考察しようとしています：Web3 は AI 技術スタックの各段階でどのように機能し、AI は Web3 にどのような新しい活力をもたらすことができるのか？

Part.1 AIスタック下のWeb3にはどんな機会があるのか？

この話題を展開する前に、AI大モデルの技術スタックを理解する必要があります：

より分かりやすい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、この脳は生まれたばかりの赤ちゃんのものであり、周囲の膨大な情報を観察し取り入れて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、トレーニングの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、利用できる情報形式に変換される必要があります。

データを入力すると、AIは「トレーニング」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過程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絶えず調整される言語能力のようなものです。学習内容が専門分化し始めたり、人と交流してフィードバックを受け取り修正が行われると、大モデルの「ファインチューニング」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することができる。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入力に対して予測や分析を行うことができる。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する。これは、AI大モデルがトレーニングを完了し、使用される段階で特定のタスクに推論を適用することに似ており、例えば画像分類や音声認識などが含まれる。

AIエージェントは、タスクを独立して実行し、複雑な目標を追求できるという大規模モデルの次の形態に近づいています。思考能力を備えているだけでなく、記憶、計画を行い、ツールを使用して世界と相互作用することができます。

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モデルプロセスの各段階を網羅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。

! AI+Web3:タワー&スクエア

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 製の H100GPU を 16,000 個必要とし（これは人工知能と高性能計算のワークロード向けに設計された最高級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、4〜7 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。同時に、毎月のトレーニングには 16 億キロワット時の消費が必要で、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と交差した分野であるDePin（分散型物理インフラネットワーク）に関連しています。現在、データ統計サイトには1400以上のプロジェクトが列挙されており、その中にはGPU計算力共有を代表するプロジェクトとして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し、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、未活用のGPUリソースの利用率を向上させることにあります。その結果、エンド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の違反やネットワークの中断が発生した場合に、リソース提供者に相応の罰則があることを保証します。

その特徴は次のとおりです：

• 余剰GPUリソースの集約：供給側は主に第三者の独立した中小規模データセンター、暗号マイニングファームなどの運営者による過剰な計算能力リソースであり、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です。例としてはFileCoinやETHマイニングマシンがあります。現在、exolabのように、MacBook、iPhone、iPadなどのローカルデバイスを利用して、大規模モデル推論の計算ネットワークを構築することを目指すプロジェクトもあります。

• AI算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」分散型計算力市場は推論ステップにより適しています。学習は超大規模なクラスターによるGPUのデータ処理能力に大きく依存していますが、推論はGPUの計算性能に対して比較的低いです。例えば、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.「需要側の観点から見ると」中小の計算力を必要とする側は、自分自身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だけであり、これらのシーンは自然に分散型のアイドル計算力リソースに適しています。

• 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、同時に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、計算は無意味であり、データとモデルの関係は「ゴミが入ればゴミが出る」という俗語のようです。データの量と入力の質が最終的なモデルの出力品質を決定します。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、理解能力、さらには価値観や人間的表現を決定します。現在、AIのデータ需求の困難は主に以下の四つの側面に焦点を当てています：

• データ飢渇：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。公開情報によれば、OpenAIはGPT-4のトレーニングに万億レベルのパラメータを使用しました。

• データ品質：AIと各業界の結合に伴い、データの時効性、データの多様性、垂直データの専門性、ソーシャルメディアの感情などの新興データソースの取り込みが、その品質に新たな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、各国や企業は高品質な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4つの側面に現れています：

1、データ収集：無料で提供されるリアルワールドデータの収集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、その一方で、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得られる価値創造を全く享受しています。例えば、Reddit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実現しました。

本当に貢献しているユーザーがデータによる価値創造に参加できるようにし、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、低コストでユーザーに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は分散型のデータレイヤーとネットワークであり、ユーザーはGrassノードを実行することで、未使用の帯域幅や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）コンセプトを導入しており、ユーザーは自分のプライベートデータ（ショッピング履歴、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 を分類ラベルとして使用し、@PublicAI を利用してデータ収集を実現できます。

2、データ前処理：AIのデータ処理プロセスにおいて、収集されたデータは通常ノイズが多く、誤りを含んでいるため、モデルを訓練する前にクリーンアップし、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、欠損値の処理といった繰り返しの作業が含まれます。この段階はAI業界で数少ない手作業の部分であり、データアノテーターという職業が生まれました。モデルがデータの質に対して高い要求を持つようになるにつれて、データアノテーターのハードルも上がっています。この作業はWeb3の分散型インセンティブメカニズムに非常に適しています。

• 現在、Grass と OpenLayer はデータアノテーションという重要なプロセスへの参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。ユーザーはラベル付きデータ、注釈、またはその他の形式の入力を提供することにより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、ラベリング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さらに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：明確にする必要があるのは、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機密データの取り扱いに関するものであり、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。これにより、Web3プライバシー技術の利点と潜在的な応用シーンは次の2つの側面に現れます：（1）機密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その原データを共有することなく、AIトレーニングに共同で参加できます。

現在のWeb3で一般的なプライバシー技術には、以下が含まれます：

• 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、機密情報を公開することなく実現します。

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索中です。現在の一つのジレンマは計算コストが高すぎることであり、いくつかの例は次の通りです：

• zkMLフレームワークEZKLには約80分かかります