# Web3-AI ステージ全景レポート：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のナラティブが進むにつれて、ますます多くの注目がこの分野に集まっています。Web3-AI分野の技術的論理、応用シナリオ、代表的なプロジェクトについて深く分析し、この分野の全景と発展傾向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 レーストラックの定義方法過去一年、AI ナarrティブは Web3 業界で異常に人気が高まり、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製品の特定の部分でのみ 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製品を提供すると同時に、Web3経済モデルに基づく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トラックに分類します。読者がWeb3-AI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の統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造するかについて詳しく説明します。### 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、自動運転などの様々な複雑なタスクを実行できるようになり、AIは私たちの生活と仕事の仕方を変えつつあります。人工知能モデルを開発するプロセスは通常、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、モデル選択と調整、モデルの訓練と推論。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(猫または)犬のカテゴリをラベル付けし、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、バリデーションセット、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する、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深さはAIタスクの複雑さに応じて調整できます。この簡単な分類の例では、浅いネットワークの深さ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、推論プロセスは訓練済み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または新しいデータを用いてモデルの分類性能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使用してモデルの有効性を評価します。図に示すように、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(probability)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。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することができます。この例では、猫と犬の分類AIモデルがモバイルアプリに統合され、ユーザーが猫または犬の画像をアップロードすると、分類結果を得ることができます。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: 中央集権的なシーンでは、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、モデルの調整に多額のコストをかけたりすることは難しい。算力の取得:個人開発者や小規模チームにとって、高額なGPU購入コストやクラウド算力のレンタル料金は、重要な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分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バイヤーとマッチングするのが難しい。中心化 AI シーンに存在する課題は、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であり、AI という新しい生産力を自然に適合させ、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ます。これにより、ユーザーはWeb2時代のAI利用者から参加者へと変わり、誰もが所有できるAIを創造します。また、Web3の世界とAI技術の融合は、さらなる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は保障され、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、共有された算力は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、公平な所得分配システムが実現され、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 シーンにおいて、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、セキュリティ検査、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ーンで作業効率を向上させることができます。生成的な AI は、ユーザーが「アーティスト」役を体験できるようにし、AI 技術を使用して自分の NFT を作成することができるだけでなく、GameFi において多様で豊かなゲームシーンや興味深い対話体験を創造することもできます。豊富なインフラはスムーズな開発体験を提供し、AI 専門家や AI 分野に入ろうとする初心者が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トラックの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以下の図に示されており、インフラストラクチャーレベル、中間レベル、アプリケーションレベルが含まれ、各レベル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。! [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](https://img-cdn.gateio.im/social/moments-c10336df2eaf71062b92590bb9d80a4c)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カバーし、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、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礎であり、この記事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ています。まさに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コンピューティングパワーを提供し、効率的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、ユーザーが低コストで計算パワーをレンタルしたり、共有して利益を得ることができる非中央集権型の計算パワー市場を提供しています。代表的なプロジェクトにはIO.NETやHyperbolicがあります。さらに、Compute Labsのような一部のプロジェクトは新しい遊び方を派生させ、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の実体を表すNFTを購入することで、さまざまな方法で計算パワーのレンタルに参加し、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、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エージェントの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、デプロイするのを助け、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：このレイヤーは、AIデータ、モデル、推論および検証に関連しており、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、プライバシーを保護しながら自分のデータを販売することができ、不正な業者によるデータの盗用や高額な利益の追求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広範な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として、Grassはユーザーの帯域幅を利用してWebデータを取得し、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おり、画像ラベリングやデータ分類などのタスクがあります。これらのタスクは、専門的な知識を必要とする金融および法律のデータ処理を必要とする場合があります。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マーケットプレイスは、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 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、異なるタイプのニーズ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、物体検出タスクにはYoloシリーズを選択できます。テキストタスクでは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。例えば、Sentientはモジュール化設計を通じて、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最適化を行うことを可能にしています。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、共同訓練の能力も備えています。- 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、またはその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。推論プロセスには通常、推論モデルの出所が正しいか、悪意のある行為がないかなどを検証するための検証メカニズムが伴います。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チェーン上の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の公式ウェブサイトでは、ZKMLとopp/ai(ZKMLをOPML)と組み合わせた研究についても言及されています。アプリケーション層:この層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を生み出します。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ます。- AIGC: AIGCを通じて拡張できます
Web3-AI分野の全景：技術統合、応用シーンとトッププロジェクトの分析
Web3-AI ステージ全景レポート：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のナラティブが進むにつれて、ますます多くの注目がこの分野に集まっています。Web3-AI分野の技術的論理、応用シナリオ、代表的なプロジェクトについて深く分析し、この分野の全景と発展傾向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 レーストラックの定義方法
過去一年、AI ナarrティブは Web3 業界で異常に人気が高まり、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製品の特定の部分でのみ 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製品を提供すると同時に、Web3経済モデルに基づく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トラックに分類します。読者がWeb3-AI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の統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造するかについて詳しく説明します。
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、自動運転などの様々な複雑なタスクを実行できるようになり、AIは私たちの生活と仕事の仕方を変えつつあります。
人工知能モデルを開発するプロセスは通常、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、モデル選択と調整、モデルの訓練と推論。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、自分で実際のデータを収集できます。その後、各画像に(猫または)犬のカテゴリをラベル付けし、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、バリデーションセット、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する、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深さはAIタスクの複雑さに応じて調整できます。この簡単な分類の例では、浅いネットワークの深さ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の影響を受けます。
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、推論プロセスは訓練済み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または新しいデータを用いてモデルの分類性能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使用してモデルの有効性を評価します。
図に示すように、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(probability)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。
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することができます。この例では、猫と犬の分類AIモデルがモバイルアプリに統合され、ユーザーが猫または犬の画像をアップロードすると、分類結果を得ることができます。
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: 中央集権的なシーンでは、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、モデルの調整に多額のコストをかけたりすることは難しい。
算力の取得:個人開発者や小規模チームにとって、高額なGPU購入コストやクラウド算力のレンタル料金は、重要な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分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バイヤーとマッチングするのが難しい。
中心化 AI シーンに存在する課題は、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であり、AI という新しい生産力を自然に適合させ、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ます。これにより、ユーザーはWeb2時代のAI利用者から参加者へと変わり、誰もが所有できるAIを創造します。また、Web3の世界とAI技術の融合は、さらなる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は保障され、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、共有された算力は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、公平な所得分配システムが実現され、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 シーンにおいて、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、セキュリティ検査、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ーンで作業効率を向上させることができます。生成的な AI は、ユーザーが「アーティスト」役を体験できるようにし、AI 技術を使用して自分の NFT を作成することができるだけでなく、GameFi において多様で豊かなゲームシーンや興味深い対話体験を創造することもできます。豊富なインフラはスムーズな開発体験を提供し、AI 専門家や AI 分野に入ろうとする初心者が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トラックの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以下の図に示されており、インフラストラクチャーレベル、中間レベル、アプリケーションレベルが含まれ、各レベル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。
! 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
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カバーし、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、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礎であり、この記事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ています。まさに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コンピューティングパワーを提供し、効率的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、ユーザーが低コストで計算パワーをレンタルしたり、共有して利益を得ることができる非中央集権型の計算パワー市場を提供しています。代表的なプロジェクトにはIO.NETやHyperbolicがあります。さらに、Compute Labsのような一部のプロジェクトは新しい遊び方を派生させ、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の実体を表すNFTを購入することで、さまざまな方法で計算パワーのレンタルに参加し、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、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エージェントの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、デプロイするのを助け、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：
このレイヤーは、AIデータ、モデル、推論および検証に関連しており、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。
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おり、画像ラベリングやデータ分類などのタスクがあります。これらのタスクは、専門的な知識を必要とする金融および法律のデータ処理を必要とする場合があります。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マーケットプレイスは、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 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。
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。例えば、Sentientはモジュール化設計を通じて、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最適化を行うことを可能にしています。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、共同訓練の能力も備えています。
アプリケーション層:
この層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を生み出します。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ます。