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、Fetch.ai や ChainML などの AI エージェントの取引も実現できます。一体型のツールは開発者が AI モデルをより簡単に作成、訓練、展開するのを助け、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 技術の広範な適用を促進しています。
さらに、いくつか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、例えば画像ラベル付けやデータ分類を実行できるようになっており、これらのタスクは専門的な金融および法的知識を要するデータ処理を含む可能性があります。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 市場は、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。一方、AIT Protocol は人間と機械が協力してデータにラベルを付ける方法を提供しています。
モデル：以前に述べた 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は CNN や GAN であり、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必要なモデルのデプスも異なり、時にはモデルのチューニングが必要です。
Web3-AIエコシステム全景：技術ロジック、アプリケーションシーンとトッププロジェクトのデプス分析
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剖析
AIのナラティブの高まりに伴い、ますます多くの注目がこの分野に集中しています。本記事では、Web3-AI分野の技術的論理、応用シーンおよび代表的なプロジェクトについて詳細に分析し、この分野の全体像と発展トレンドを包括的にご紹介します。
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 のトラックをどのように定義するか
過去一年、AIナラティブは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技術を扱っていますが、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経済学はAIプロダクトと実質的な関連がないため、この記事ではこのようなプロジェクトはWeb3-AIプロジェクトの議論には含まれません。
本稿の焦点は、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います。私たちは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トラックをより良く理解できるように、本稿ではAIの開発プロセスと課題、さらにWeb3とAIの結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ナリオ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、強化する技術です。これにより、コンピュータは言語翻訳、画像分類から顔認識、自動運転などのさまざまな複雑なタスクを実行できるようになり、AIは私たちの生活や働き方を変えています。
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：
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、実際のデータを自分で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）をタグ付けし、タグ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。
モデル選択とチューニング：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。通常、モデルのネットワーク層はAIタスクの複雑さに応じて調整できます。このシンプルな分類の例では、浅いネットワーク層で十分かもしれません。
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。
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、通常は精度、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。
データ収集とデータ前処理、モデル選択とチューニング、そしてトレーニングを経て、トレーニング済みモデルをテストセットで推論すると、猫と犬の予測値 P（probability）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ものです。
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、猫と犬の分類の AI モデルがモバイルアプリに統合されており、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において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）を取得する際には、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、モデルの調整に多く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、しばしばその労力に見合った収入を得ることができず、またAI開発者の研究成果も需要のある買い手とマッチすることが難しい。
センター化されたAIシーンで存在する課題は、Web3と結びつけることで解決できます。Web3は新しい生産関係の一形態として、自然に新しい生産力を代表するAIに適応し、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の融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転換し、誰もが所有できるAIを創造することを可能にします。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経済体系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となり、共有された計算能力が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、公正な収入分配体系を実現し、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、安全検出、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AI技術を使って自分の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で豊かで多様なゲームシーンと興味深いインタラクション体験を創造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アーキテクチャの解読
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おり、インフラストラクチャ層、中間層、アプリケーション層に分かれており、各層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含み、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、本稿ではコンピューティングパワー、AI Chain、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ます。これらのインフラストラクチャの支援によって、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。
非中央集権型計算ネットワーク：AIモデルのトレーニングに分散型計算能力を提供し、高効率かつ経済的な計算リソースの利用を確保します。一部のプロジェクトは非中央集権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。また、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、さまざまな方法で計算能力のレンタルに参加して利益を得ることができます。
AIチェーン：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にはSahara AIがあります。AIチェーンはまた、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技術の進歩を促進することができます。
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、Fetch.ai や ChainML などの AI エージェントの取引も実現できます。一体型のツールは開発者が AI モデルをより簡単に作成、訓練、展開するのを助け、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 技術の広範な適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。
さらに、いくつか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、例えば画像ラベル付けやデータ分類を実行できるようになっており、これらのタスクは専門的な金融および法的知識を要するデータ処理を含む可能性があります。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 市場は、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。一方、AIT Protocol は人間と機械が協力してデータにラベルを付ける方法を提供しています。
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はモジュール化された設計を通じて、信頼できるモデルデータをストレージ層と配布層に置くことでモデルの最適化を可能にします。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、共同訓練の能力を備えています。
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、より興味深く革新的なプレイスタイルを創出します。本稿では、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セクションのプロジェクトを整理します。