# 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の物語が続々と注目を集める中、この分野に対する関心が高まっています。本稿では、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を深く分析し、この分野の全景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の収束ロジック:Web-AIトラックの定義方法過去1年間、AIナarrtiveはWeb3業界で異常に人気があり、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技術に関与していますが、一部のプロジェクトは製品の一部でのみAIを使用しており、基盤のトークンエコノミクスはAI製品とは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製品を提供するだけでなく、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、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、この記事では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創造するかを詳しく紹介します。### 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、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場合、あなたは以下が必要です：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。次に、各画像に(猫または犬)のカテゴリをラベル付けして、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。さまざまな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、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、トレーニングされた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、テストセットや新しいデータを使用してモデルの分類性能をテストすることができ、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。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、データのオープンソース化に関する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、モデルの調整に多大な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レンタル費用は重大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、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買い手とマッチングするのが難しい。中心化AIシーンで存在する課題はWeb3と組み合わせ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、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コラボレーション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使用者から参加者へと変わり、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、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技術に基づいて、AIの開発と応用は新しい協力経済システムを迎えます。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市場を利用することで、公平な収入分配システムを実現し、より多くの人々がAI技術の進歩を促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、マーケット分析、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AIは、ユーザーが「アーティスト」の役割を体験できるだけでなく、AI技術を使用して自分自身のNFTを作成することや、GameFiで豊かで多様なゲームシーンや興味深いインタラクション体験を創造することができます。豊富なインフラストラクチャーはスムーズな開発体験を提供し、AIの専門家でもAI分野に入ろうとしている初心者でも、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イヤー、中間レイヤー、アプリケーションレイヤーが含まれており、各レイヤー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をサポートする計算リソースと技術アーキテクチャを網羅しており、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、本文ではコンピューティングパワー、AIチェーン、開発プラットフォームをインフラ層として分類します。これらのインフラの支援によって、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。- 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に分散型の計算力を提供し、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、計算力を共有して収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プレイスタイルを派生させており、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力のレンタルに参加し、収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活用し、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マーケットでは、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ており、Fetch.aiやChainMLなどのAIエージェントの取引を実現できます。ワンストップのツールは、開発者がAIモデルをより便利に作成、トレーニング、デプロイできるように支援します。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技術の広範な利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わっており、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た状態で自分のデータを販売することができ、不正な業者にデータを盗まれ、高額な利益を得られるのを避けることができます。データの需要者にとって、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データを収集し、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（画像ラベリング、データ分類など）を実行できるようにしています。これらのタスクには、専門知識を要する金融や法律関連のデータ処理が含まれることがあります。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。例えば、Sahara AIのようなAIマーケットは、さまざまな分野のデータタスクを提供し、多様なデータシーンをカバーできます。一方、AIT Protocoltは人間と機械の協力によってデータをラベリングします。- 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。画像タスクでよく使われるモデルには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。テキストタスクでは一般的にRNNやTransformerなどのモデルがありますし、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も異なり、時にはモデルの調整が必要です。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を通じ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はモジュール化された設計を通じて、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信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。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、共同訓練の能力も備えています。- 推論と検証：モデルがトレーニングされた後、モデルウェイト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を直接実行するために使用できます。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、悪意のある行為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され、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、ORAブロックチェーン上のAIオラクル(OAO)は、AIオラクルの検証可能な層としてOPMLを導入しました。ORAの公式ウェブサイトでは、ZKMLとopp/ai(ZKMLがOPML)と組み合わさ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ションのプロジェクトを整理しました。- AIGC：AIGCを通じてWeb3のNFT、ゲームなどのトラックに拡張できます。ユーザーはPrompt(ユーザーが提供したプロンプト)を直接使用して、テキスト、画像、音声を生成することができ、さらにはゲーム内で自分の好みに応じたカスタマイズされたプレイスタイルを生成することも可能です。NFTプロジェクトのNFPromptでは、ユーザーはAIを通じて生成されたNFTを市場で取引できます。ゲームのSleeplessでは、ユーザーは対話を通じて仮想パートナーの性格を形成し、自分の好みにマッチさせます；- AIエージェント：自主的にタスクを実行し、意思決定を行うことができる人工知能システムを指します。AIエージェントは通常、感知、推論、学習、行動の能力を備えており、さまざまな環境で複雑なタスクを実行できます。一般的なAIエージェントには、言語翻訳、言語学習、画像からテキストへの変換などがあり、Web3のシーンでは取引ロボットの生成、memeの生成、チェーン上のセキュリティ検出などが可能です。MyShellはAIエージェントプラットフォームとして、教育学習、バーチャルパートナー、取引エージェントなど、さまざまなタイプのエージェントを提供し、ユーザーフレンドリーなエージェント開発ツールを提供しており、コード不要で自分自身のエージェントを構築できます。- データ分析：AI技術と関連分野のデータベースを取り入れることで、データの分析、判断、予測などを実現します。Web3では、市場データやスマートマネーの動向を分析することで、ユーザーの投資判断をサポートします。トークン予測もWeb3の独特なアプリケーションシーンで、代表的なプロジェクトとしてOceanがあり、公式に設定された代
Web3-AI分野の全景：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分析
AIの物語が続々と注目を集める中、この分野に対する関心が高まっています。本稿では、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を深く分析し、この分野の全景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の収束ロジック:Web-AIトラックの定義方法
過去1年間、AIナarrtiveはWeb3業界で異常に人気があり、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技術に関与していますが、一部のプロジェクトは製品の一部でのみAIを使用しており、基盤のトークンエコノミクスはAI製品とは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製品を提供するだけでなく、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、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、この記事では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創造するかを詳しく紹介します。
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、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場合、あなたは以下が必要です：
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。次に、各画像に(猫または犬)のカテゴリをラベル付けして、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。
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。さまざまな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、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。
モデル訓練：GPU、TPU、または高性能計算クラスタ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。
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、トレーニングされた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、テストセットや新しいデータを使用してモデルの分類性能をテストすることができ、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。
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、データのオープンソース化に関する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、モデルの調整に多大な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レンタル費用は重大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、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買い手とマッチングするのが難しい。
中心化AIシーンで存在する課題はWeb3と組み合わせ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、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コラボレーション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使用者から参加者へと変わり、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、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技術に基づいて、AIの開発と応用は新しい協力経済システムを迎えます。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市場を利用することで、公平な収入分配システムを実現し、より多くの人々がAI技術の進歩を促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、マーケット分析、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AIは、ユーザーが「アーティスト」の役割を体験できるだけでなく、AI技術を使用して自分自身のNFTを作成することや、GameFiで豊かで多様なゲームシーンや興味深いインタラクション体験を創造することができます。豊富なインフラストラクチャーはスムーズな開発体験を提供し、AIの専門家でもAI分野に入ろうとしている初心者でも、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イヤー、中間レイヤー、アプリケーションレイヤーが含まれており、各レイヤー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をサポートする計算リソースと技術アーキテクチャを網羅しており、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、本文ではコンピューティングパワー、AIチェーン、開発プラットフォームをインフラ層として分類します。これらのインフラの支援によって、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。
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に分散型の計算力を提供し、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、計算力を共有して収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プレイスタイルを派生させており、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力のレンタルに参加し、収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活用し、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マーケットでは、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ており、Fetch.aiやChainMLなどのAIエージェントの取引を実現できます。ワンストップのツールは、開発者がAIモデルをより便利に作成、トレーニング、デプロイできるように支援します。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技術の広範な利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わっており、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（画像ラベリング、データ分類など）を実行できるようにしています。これらのタスクには、専門知識を要する金融や法律関連のデータ処理が含まれることがあります。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。例えば、Sahara AIのようなAIマーケットは、さまざまな分野のデータタスクを提供し、多様なデータシーンをカバーできます。一方、AIT Protocoltは人間と機械の協力によってデータをラベリングします。
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を通じ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はモジュール化された設計を通じて、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信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。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、共同訓練の能力も備えています。
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、より面白く革新的なプレイスタイルを創造します。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ションのプロジェクトを整理しました。
AIGC：AIGCを通じてWeb3のNFT、ゲームなどのトラックに拡張できます。ユーザーはPrompt(ユーザーが提供したプロンプト)を直接使用して、テキスト、画像、音声を生成することができ、さらにはゲーム内で自分の好みに応じたカスタマイズされたプレイスタイルを生成することも可能です。NFTプロジェクトのNFPromptでは、ユーザーはAIを通じて生成されたNFTを市場で取引できます。ゲームのSleeplessでは、ユーザーは対話を通じて仮想パートナーの性格を形成し、自分の好みにマッチさせます；
AIエージェント：自主的にタスクを実行し、意思決定を行うことができる人工知能システムを指します。AIエージェントは通常、感知、推論、学習、行動の能力を備えており、さまざまな環境で複雑なタスクを実行できます。一般的なAIエージェントには、言語翻訳、言語学習、画像からテキストへの変換などがあり、Web3のシーンでは取引ロボットの生成、memeの生成、チェーン上のセキュリティ検出などが可能です。MyShellはAIエージェントプラットフォームとして、教育学習、バーチャルパートナー、取引エージェントなど、さまざまなタイプのエージェントを提供し、ユーザーフレンドリーなエージェント開発ツールを提供しており、コード不要で自分自身のエージェントを構築できます。
データ分析：AI技術と関連分野のデータベースを取り入れることで、データの分析、判断、予測などを実現します。Web3では、市場データやスマートマネーの動向を分析することで、ユーザーの投資判断をサポートします。トークン予測もWeb3の独特なアプリケーションシーンで、代表的なプロジェクトとしてOceanがあり、公式に設定された代