Web3-AI全景解析：技術融合ロジックとトッププロジェクトのデプス剖析

2025-07-25 10:55:13

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デプス分析

AIのナラティブが引き続き注目される中、この分野への関心が高まっています。Web3-AI分野の技術的論理、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詳細に分析し、この領域の全体像と発展傾向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 トラックの定義方法

過去1年間、AIのナラティブは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、基盤となるトークンエコノミクスはAI製品と実質的な関連性がないため、これらのプロジェクトは本稿におけるWeb3-AIプロジェクトの議論には含まれません。

この記事のポイントは、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います。この種のプロジェクトを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造するのかを紹介します。

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は私たちの生活や働き方を変えつつあります。

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、自分で実際のデータを収集できます。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。
モデル選択と調整：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。一般的に、モデルのネットワークの層は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：モデルがトレーニングされたファイルは通常モデルウェイトと呼ばれ、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し、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。

図に示すように、データ収集とデータ前処理、モデル選択とチューニング、そして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。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。

! 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

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、猫と犬を分類する 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。

データソース取得：小規模チームまたは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、データがオープンソースでない制限に直面することがあります。

モデルの選択とチューニング：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チューニングしたりすることは難しい。

計算力の取得：個人開発者や小規模チームにとって、高額なGPUの購入コストやクラウド計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：データアノテーション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、AI開発者の研究成果も需要のある買い手とマッチするのが難しい。

センター化 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であり、新しい生産力を代表する AI に自然に適応し、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 の統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 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、さらに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ることになる。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で、共有されたコンピューティングパワーが低コストで入手できる。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する。

Web3のシーンでは、AIは複数のトラックで積極的な影響をもたらすことができます。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"の役割を体験することができるだけでなく、GameFiの中で多様なゲームシーンや面白いインタラクション体験を生み出すこともできます。豊富なインフラストラクチャーは、AIの専門家でもAI分野に入ろうとする初心者でも、この世界で適切な入口を見つけることができるスムーズな開発体験を提供します。

二、Web3-AI エコシステムプロジェクトの全体像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、インフラ層、中間層、アプリケーション層に含まれ、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な解析を行います。

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、および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レイヤー：

インフラ層はAIライフサイクルの基盤であり、この記事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に分類しています。これらのインフラのサポートによって、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コンピューティングパワーを提供し、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コンピューティング市場を提供しており、ユーザーは低コストでコンピューティングパワーをレンタルしたり、共有することで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、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、ユーザーはGPU実体を表すNFTを購入することで、異なる方法でコンピューティングパワーのレンタルに参加し、利益を得ることができるトークン化プロトコルを提案しています。
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資産が取引され、AI開発フレームワークや関連の開発ツールが提供されます。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さまざまな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 などのように AI エージェントの取引も実現できます。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、デプロイできるように支援し、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、プライバシー保護の下で自分のデータを販売することができ、不良業者によるデータの盗用や高額な利益を得ることを防ぐことができます。データの需要側にとって、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、ドメイン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。これには、画像ラベリングやデータ分類が含まれ、金融や法律の専門知識を必要とするデータ処理タスクもあります。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は人間と機械の協力によってデータにラベルを付けます。

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は異なるモデルデプスが必要であり、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。たとえば、Sentientはモジュール化されたデザインを通じて、ユーザーが信頼できるモデルデータをストレージ層や配信層に置くことを可能にし、モデルの最適化を行います。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、共同訓練の能力を持っています。

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を直接実行するために使用できます。このプロセスを推論と呼びます。推論プロセスは通常、推論モデルの出所が正しいかどうか、悪意のある行動がないかどう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、モデルを呼び出すことで推論を行います。一般的な検証方法には、ZKML、OPML、および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を導入しています。また、ORAの公式ウェブサイトでは、ZKMLとopp/ai（ZKMLとOPMLの組み合わせ）に関する研究も言及されています。