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分析

AIのナラティブが続々と注目される中、ますます多くの関心がこの分野に集中しています。Web3-AI分野の技術論理、アプリケーションシーン、および代表的なプロジェクトについて深く分析し、この分野の全体像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 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現れました。多くのプロジェクトが AI 技術に関わっているものの、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、基盤のトークンエコノミクスは AI 製品と実質的な関連がないため、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はAI製品を提供するとともに、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分野に分類します。読者がWeb3-AI分野をより良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ーンを創出するかを紹介します。

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。これにより、コンピュータは言語翻訳、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実行できるようになり、AIは私たちの生活や仕事の仕方を変えています。

人工知能モデルの開発プロセスは通常、次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、実際のデータを自分で収集できます。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チューニングします。一般的に、モデルのネットワークの階層は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階層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ー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、推論プロセスはトレーニング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、通常は正確率、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、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、トレーニング済みの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て異なるタスクを実行することができます。この例では、猫と犬を分類する 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領域のデータ（例：医学データ）を取得する際、データがオープンソースでない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ことは難しい。

算力取得：個人開発者や小規模チームにとって、高額な GPU 購入コストやクラウド算力レンタル費用は、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自らの努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ングすることが難しい。

中央集権的なAIシーンに存在する課題は、Web3との結合によって解決できる。Web3は新しい生産関係の一種であり、自然に新しい生産力を代表するAIに適合し、技術と生産能力の同時進歩を促進する。

1.3 Web3 と AI の協同効果：役割の変化と革新アプリケーション

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 使用者から参加者に転換し、誰もが所有できる AI を創造します。同時に、Web3 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遊び方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る。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、共有された計算能力は低コストで取得できる。分散型の協力的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、公平な収入分配システムを実現し、より多くの人々が AI 技術の進歩を推進することを奨励する。

Web3 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、さまざまな機能を持っています。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" の役割を体験させるだけでなく、GameFi で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生み出すことができます。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 専門家であろうと AI 分野に入ろうとする初心者であろうと、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層に分類しました。各層の分類ロジックは以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、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についてデプス解析を行います。

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、および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られ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。

インフラストラクチャーレイヤー：

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、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サポートにより、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。

• 分散型計算ネットワーク：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力市場を提供しており、ユーザーは低コストで計算力をレンタルしたり、計算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 はトークン化されたプロトコルを提案しています。ユーザーはGPU実体を代表するNFTを購入することで、異なる方法で計算力のレンタルに参加して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や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 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 エージェントによる取引も実現可能です。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、トレーニング、展開できるよう支援し、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調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、不良商人によるデータの盗用や高額な利益の獲得を避けることができます。データ需要者にとって、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には、Grassがユーザーの帯域幅を利用してWebデータを収集し、xDataが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、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、これらのタスクは専門知識を必要とする金融および法的タスクのデータ処理を含みます。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マーケットプレイスは、異なる分野のデータタスクを提供し、複数の分野にわたるデータシナリオをカバーできます。一方、AIT Protocolは人間と機械の協力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にはCNNやGANがあり、オブジェクト検出タスクでは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存在します。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。

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によってモデルを共同訓練することをサポートしています。例えば、Sentientはモジュール式のデザインを通じて、ユーザーが信頼できるモデルデータをストレージ層と配信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組み込まれており、共同訓練の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、分類、予測、または他の特定のタスクに直接使用できます。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上のAIオラクル（OAO）があり、AIオラクルの検証可能なレイヤーとしてOPMLを導入しました。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、より面白く革新的なプレイスタイルを創造しています。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セクターのプロジェクトを整理しています。

• AIGC:AIGCを通じて