# Web3-AI サーキット全景レポート：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のナラティブが引き続き熱を帯びる中、この分野への関心が高まっています。Web3-AI分野の技術論理、アプリケーションシーン、代表的なプロジェクトについて深く分析し、この領域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登場しました。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その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性がないため、この記事ではこの種のプロジェクトはWeb3-AIプロジェクトの議論には含まれません。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自体はAI製品を提供し、同時にWeb3経済モデルに基づいた生産関係のツールとして機能します。この2つは相互に補完し合います。私たちは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し、拡張し、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、人顔認識、自動運転などの様々な複雑なタスクを実行することができ、AIは私たちの生活や仕事の方法を変えています。人工知能モデルの開発プロセスには、通常、以下のいくつかの重要なステップが含まれます：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：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。画像をモデルが識別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、およびテストセットに分割します。2. モデルの選択と調整：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、浅いネットワークの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性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、推論プロセスは既に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効果をテストすることができ、通常、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。図のように、データ収集とデータ前処理、モデル選択と調整、ならびに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（確率）が得られます。これは、モデルが猫または犬であると推論した確率です。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、猫と犬の分類を行う AI モデルがスマートフォン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（例えば医療データ）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。モデルの選択とチューニング：小規模なチームにとって、特定の領域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。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バイヤーとマッチするのが難しい。中央集権的な AI シーンに存在する課題は、Web3 と結びつけることによって解決できます。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 の協働効果：役割の変化と革新アプリケーション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の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の開発と応用は新たな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提供され、共有される計算能力は低コストで得られます。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、公平な収入分配体系が実現され、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のシーンでは、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、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、さまざまな機能を提供します。生成的AIは、ユーザーがAI技術を利用して自分のNFTを作成するなど、"アーティスト"の役割を体験できるだけでなく、GameFiの中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生み出すこともできます。豊富なインフラはスムーズな開発体験を提供し、AIの専門家だけでなく、AI分野に入ろうとする初心者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分かれており、各層はまた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、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、この記事では計算力、AIチェーン、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。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。* 分散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能力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するか、計算能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。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はトークン化プロトコルを提案しており、ユーザーはGPU実体を代表するNFTを購入することで、異なる方法で計算能力のレンタルに参加して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の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技術の進歩も促進できます。* 開発プラットフォーム：いくつかのプロジェクトは AI エージェントの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、訓練、展開するのを助け、代表的なプロジェクトには Nimble が含まれます。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力的なデータ処理を通じて、資源の利用を最適化し、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、不良業者にデータを盗まれ、高額な利益を得られるのを防ぎます。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を実行できるようになっています。例えば、画像ラベル付けやデータ分類など、これらのタスクは金融および法律の専門知識を必要とするデータ処理が含まれる可能性があります。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マーケットは、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は人間と機械の協調によりデータにラベルを付けています。* 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、一般的にRNNやTransformerなどのモデルが使われ、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の方法で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と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。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うことができます。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には、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）に関する彼らの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方法を生み出します。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ターのプロジェクトを整理しています。* AIGC:AIGC経由
Web3-AIトラック全景：技術融合、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解析
Web3-AI サーキット全景レポート：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のナラティブが引き続き熱を帯びる中、この分野への関心が高まっています。Web3-AI分野の技術論理、アプリケーションシーン、代表的なプロジェクトについて深く分析し、この領域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登場しました。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その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性がないため、この記事ではこの種のプロジェクトはWeb3-AIプロジェクトの議論には含まれません。
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自体はAI製品を提供し、同時にWeb3経済モデルに基づいた生産関係のツールとして機能します。この2つは相互に補完し合います。私たちは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し、拡張し、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、人顔認識、自動運転などの様々な複雑なタスクを実行することができ、AIは私たちの生活や仕事の方法を変えています。
人工知能モデルの開発プロセスには、通常、以下のいくつかの重要なステップが含まれます：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。画像をモデルが識別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、およびテストセットに分割します。
モデルの選択と調整：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、浅いネットワークの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性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、推論プロセスは既に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効果をテストすることができ、通常、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。
図のように、データ収集とデータ前処理、モデル選択と調整、ならびに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（確率）が得られます。これは、モデルが猫または犬であると推論した確率です。
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、猫と犬の分類を行う AI モデルがスマートフォン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（例えば医療データ）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。
モデルの選択とチューニング：小規模なチームにとって、特定の領域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。
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バイヤーとマッチするのが難しい。
中央集権的な AI シーンに存在する課題は、Web3 と結びつけることによって解決できます。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 の協働効果：役割の変化と革新アプリケーション
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の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の開発と応用は新たな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提供され、共有される計算能力は低コストで得られます。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、公平な収入分配体系が実現され、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のシーンでは、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、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、さまざまな機能を提供します。生成的AIは、ユーザーがAI技術を利用して自分のNFTを作成するなど、"アーティスト"の役割を体験できるだけでなく、GameFiの中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生み出すこともできます。豊富なインフラはスムーズな開発体験を提供し、AIの専門家だけでなく、AI分野に入ろうとする初心者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分かれており、各層はまた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、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、この記事では計算力、AIチェーン、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。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。
分散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能力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するか、計算能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。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はトークン化プロトコルを提案しており、ユーザーはGPU実体を代表するNFTを購入することで、異なる方法で計算能力のレンタルに参加して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の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技術の進歩も促進できます。
開発プラットフォーム：いくつかのプロジェクトは AI エージェントの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、訓練、展開するのを助け、代表的なプロジェクトには Nimble が含まれます。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。
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なっています。例えば、画像ラベル付けやデータ分類など、これらのタスクは金融および法律の専門知識を必要とするデータ処理が含まれる可能性があります。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マーケットは、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は人間と機械の協調によりデータにラベルを付けています。
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と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。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。
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方法を生み出します。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ターのプロジェクトを整理しています。