# AI+Web3: タワーとプラザ### TL; 博士1. AIコンセプトのWeb3プロジェクトは、一次および二次市場で資金を引き寄せる対象となっています。2. Web3におけるAI業界の機会は、分散型インセンティブを使用して長尾の潜在的な供給を調整することに現れます------データ、ストレージ、計算を超えて；同時に、オープンソースモデルとAIエージェントの分散型マーケットプレイスを構築します。3. AIのWeb3業界における主な活用分野は、オンチェーン金融（暗号決済、取引、データ分析）および開発支援です。4. AI + Web3 の効用は両者の相補性に表れています：Web3 は AI の集中化に対抗することが期待され、AI は Web3 の境界を打破するのを助けることが期待されています。! [AI+Web3: タワー&プラザ](https://img-cdn.gateio.im/social/moments-25bce79fdc74e866d6663cf31b15ee55)### はじめにここ2年間、AIの発展は加速ボタンが押されたかのようで、ChatGPTが引き起こした蝶の羽は、生成的人工知能の新しい世界を開くだけでなく、対岸のWeb3でも潮流を巻き起こしています。AIの概念の後押しを受けて、相対的に鈍化している暗号市場の資金調達が明らかに活気を呈しています。メディアの統計によれば、2024年上半期だけで64のWeb3+AIプロジェクトが資金調達を完了し、人工知能に基づくオペレーティングシステムZyber365はAラウンドで1億ドルの最高資金調達額を達成しました。二次市場はさらに繁栄しており、暗号集約サイトのデータによれば、わずか一年余りの時間で、AI分野の総市場価値は485億ドルに達し、24時間の取引量は86億ドルに近づいています。主流のAI技術の進展がもたらす恩恵は明らかで、OpenAIのSoraテキストから動画へのモデルが発表された後、AIセクターの平均価格は151％上昇しました。AIの影響は暗号通貨の資金集めセクターの一つであるMemeにも波及しています：最初のAIエージェントコンセプトのMemeCoinであるGOATは急速に注目を集め、14億ドルの評価額を獲得し、AI Memeブームを成功裏に巻き起こしました。AI+Web3 に関する研究や話題も同様に盛り上がっており、AI+Depin から AI Memecoin、そして現在の AI Agent や AI DAO まで、FOMO の感情は新しいストーリーの回転速度についていけなくなっています。AI+Web3、この熱い資金、トレンド、未来の幻想に満ちた用語の組み合わせは、資本によって取り持たれた結婚として見なされるのは避けられず、私たちはこの華麗な衣の下で、果たして投機者の主場なのか、黎明の爆発の前夜なのかを見分けるのが非常に難しいようです。この問題に答えるために、双方にとって重要な考察は、相手が存在することでより良くなるのか？相手のモデルから利益を得ることができるのか？この記事では、先人の肩に立ってこの構造を考察しようとしています：Web3はAI技術スタックの各段階でどのように機能し、AIはWeb3にどのような新しい活力をもたらすことができるのか？### パート1 AI スタック下の Web3 にはどのような機会がありますか？この話題を展開する前に、AI大モデルの技術スタックを理解する必要があります。より分かりやすい言葉で全体のプロセスを表現すると、「大モデル」は人間の脳のようなもので、初期段階ではこの脳は新たに生まれたばかりの赤ちゃんに属し、周囲の膨大な情報を観察し、取り入れることでこの世界を理解する必要があります。これがデータの「収集」段階です。コンピュータは人間の視覚や聴覚などの感覚を持っていないため、訓練の前に外部の大規模な無標識情報は「前処理」を通じて、コンピュータが理解でき、利用可能な情報形式に変換する必要があります。データを入力すると、AIは「トレーニング」を通じて理解と予測能力を持つモデルを構築します。これは、赤ちゃんが外界を理解し学習する過程と見ることができます。モデルのパラメータは、赤ちゃんが学習する過程で不断に調整される言語能力のようなものです。学習内容が専門化し始めたり、人と交流してフィードバックを得て修正されると、大規模モデルの「ファインチューニング」段階に入ります。子供が徐々に成長し、話すことを学ぶと、新しい対話の中で意味を理解し、自分の感情や考えを表現できるようになる。この段階はAI大モデルの「推論」に似ており、モデルは新しい言語やテキスト入力に対して予測と分析を行うことができる。赤ちゃんは言語能力を通じて感情を表現し、物体を描写し、さまざまな問題を解決する。これは、AI大モデルがトレーニングを完了し、使用を開始した後、推論段階で特定のタスクに適用されることに似ている。例えば、画像分類や音声認識など。AIエージェントは、次の大規模モデルの形態に近づいています------独立してタスクを実行し、複雑な目標を追求できるだけでなく、思考能力を持ち、記憶、計画を行い、ツールを使用して世界と相互作用することができます。現在、AIの各スタックにおける痛点に対処するために、Web3は現在、AIモデルプロセスの各段階をカバーする多層的で相互接続されたエコシステムを初めて形成しています。! [AI+Web3:タワー&スクエア](https://img-cdn.gateio.im/social/moments-cc3bf45e321f9b1d1280bf3bb827d9f4)####1.基本レイヤー:計算能力とデータ用のAirbnb**▎ハッシュレート**現在、AIの最高コストの一つは、モデルのトレーニングと推論に必要な計算能力とエネルギーです。一例として、MetaのLLAMA3は、NVIDIAが製造したH100GPUを16000個必要とし（これはAIや高性能計算のワークロードに特化したトップクラスのグラフィックスプロセッサユニットです）、トレーニングには30日かかります。後者の80GBバージョンの単価は30,000ドルから40,000ドルの間で、これには4億から7億ドルの計算ハードウェア投資（GPU+ネットワークチップ）が必要です。また、毎月のトレーニングには16億キロワット時の電力を消費し、エネルギー支出は毎月約2000万ドルに上ります。AIの計算力の解放は、Web3が最初にAIと交差する分野である------DePin（分散型物理インフラネットワーク）です。現在、データサイトには1400以上のプロジェクトが掲載されており、GPU計算力共有を代表するプロジェクトにはio.net、Aethir、Akash、Render Networkなどがあります。その主な論理は、プラットフォームが余剰のGPUリソースを持つ個人や実体が許可なしに分散型の方法で計算能力を提供することを許可し、UberやAirbnbのようなバイヤーとサプライヤーのオンライン市場を通じて未活用のGPUリソースの使用率を向上させることにあります。その結果、エンドユーザーはより低コストで効率的な計算リソースを得ることができます。同時に、ステーキングメカニズムは、品質管理メカニズムの違反やネットワークの中断が発生した場合には、リソース提供者に適切な罰則があることを保証します。その特徴は：* 余剰GPUリソースを集める：供給側は主に第三者の独立した中小型データセンターや暗号マイニングファームなどのオペレーターの余剰計算力リソースであり、コンセンサス機構はPoSのマイニングハードウェア、例えばFileCoinやETHマイナーなどです。現在、exolabがMacBook、iPhone、iPadなどのローカルデバイスを利用して、大規模モデル推論の計算ネットワークを構築することを目指すプロジェクトもあります。* AI計算力のロングテール市場に直面して:a.「技術的な観点から見ると」分散型計算力市場は推論ステップにより適しています。トレーニングは超大規模なGPUクラスタによるデータ処理能力に大きく依存しますが、推論はGPUの計算性能に対する依存度が比較的低いです。例えば、Aethirは低遅延のレンダリング作業とAI推論アプリケーションに焦点を当てています。b.「需要サイドにおいて」中小規模の計算力需要者は自分自身の大規模モデルを単独で訓練することはなく、むしろ少数の主要な大規模モデルを中心に最適化や微調整を行うことを選択します。これらのシナリオは、分散された未使用の計算リソースに自然に適しています。* 分散型所有権：ブロックチェーンの技術的意義は、リソースの所有者が常にリソースのコントロール権を保持し、需要に応じて柔軟に調整し、同時に利益を得ることができる点です。**▎データ**データはAIの基盤です。データがなければ、計算は浮き草のように無意味であり、データとモデルの関係は「ガベージイン、ガベージアウト」という古い格言のようです。データの量と入力の質は最終的なモデルの出力の質を決定します。現在のAIモデルのトレーニングにおいて、データはモデルの言語能力、理解能力、さらには価値観や人間味のある表現を決定します。現在、AIのデータ需要の困難は主に以下の4つの側面に集中しています：* データの渇望：AIモデルの訓練は大量のデータ入力に依存しています。公開された資料によると、OpenAIはGPT-4のパラメータ数を兆単位に達しました。* データ品質：AIと各業界の結合に伴い、データのタイムリー性、データの多様性、特定分野のデータの専門性、ソーシャルメディアの感情などの新興データソースの取り入れが、その品質に新たな要求を突きつけています。* プライバシーとコンプライアンスの問題：現在、各国や企業は高品質なデータセットの重要性に徐々に気づき、データセットのクローリングに制限を設けています。* データ処理コストが高い：データ量が多く、処理プロセスが複雑です。公開された資料によると、AI会社の30％以上の研究開発コストは基礎データの収集と処理に使用されています。現在、web3 のソリューションは以下の四つの側面に現れています：1、データ収集：無料で提供される実世界のデータの収集が急速に枯渇しており、AI企業がデータに支払う支出は年々増加しています。しかし同時に、この支出はデータの真の貢献者に還元されておらず、プラットフォームはデータによって生み出される価値の創造を完全に享受しています。例えば、RedditはAI企業とのデータライセンス契約を通じて合計2.03億ドルの収入を実現しました。真に貢献するユーザーがデータから生まれる価値創造に参加し、分散型ネットワークとインセンティブメカニズムを通じて、低コストでよりプライベートで価値のあるデータを取得することがWeb3のビジョンです。* Grassは分散型のデータ層とネットワークであり、ユーザーはGrassノードを運営することによって、余剰の帯域幅と中継トラフィックを提供し、インターネット全体のリアルタイムデータをキャッチし、トークン報酬を獲得することができます；* Vanaは独自のデータ流動性プール（DLP）概念を導入しており、ユーザーは自分のプライベートデータ（購買履歴、ブラウジング習慣、ソーシャルメディア活動など）を特定のDLPにアップロードし、これらのデータを特定の第三者に使用許可を与えるかどうかを柔軟に選択できます；* あるAIプラットフォームでは、ユーザーはソーシャルプラットフォーム上で#AI 或#Web3をカテゴリタグとして使用し、@そのプラットフォームをすることでデータ収集を実現できます。2、データ前処理：AI のデータ処理プロセスでは、収集されたデータが通常雑音を含んでおり、エラーが含まれているため、モデルをトレーニングする前にデータをクリーンアップし、使用可能な形式に変換する必要があります。これには、標準化、フィルタリング、および欠損値の処理に関する繰り返しの作業が含まれます。この段階は AI 業界において数少ない手作業の部分であり、データアノテーターという職業が生まれました。モデルがデータの質に対する要求を高めるにつれて、データアノテーターのハードルも上昇し、この作業は自然に Web3 の分散型インセンティブメカニズムに適しています。* 現在、GrassとOpenLayerはデータ注釈という重要なプロセスに参加することを検討しています。* Synesisは「Train2earn」の概念を提唱し、データの質を強調しています。ユーザーは、ラベル付きデータ、注釈、またはその他の形式の入力を提供することで報酬を得ることができます。* データラベリングプロジェクトSapienは、ラベリングタスクをゲーム化し、ユーザーがポイントをステーキングしてより多くのポイントを獲得できるようにします。3、データプライバシーとセキュリティ：明確にする必要があるのは、データプライバシーとセキュリティは二つの異なる概念であるということです。データプライバシーは敏感なデータの取り扱いに関わり、データセキュリティはデータ情報を不正アクセス、破壊、盗難から保護します。このように、Web3のプライバシー技術の利点と潜在的なアプリケーションシーンは二つの側面に表れます：（1）敏感データのトレーニング；（2）データ協力：複数のデータ所有者がその原データを共有することなくAIトレーニングに共同参加することができます。現在のWeb3で一般的なプライバシー技術には、* Trusted Execution Environment (TEE) (例: Super Protocol);* BasedAI、Fhenix.io、Inco Networkなどの完全準同型暗号化(FHE)。* ゼロ知識技術（zk）、例えば Reclaim Protocol は zkTLS 技術を使用して、HTTPSトラフィックのゼロ知識証明を生成し、ユーザーが外部サイトから安全に活動、評判、身分データをインポートできるようにし、敏感な情報を開示することなく行います。ただし、現在この分野はまだ初期段階にあり、大部分のプロジェクトはまだ探索中です。現在の一つのジレンマは計算コストが高すぎることです。いくつかの例は次のとおりです：* zkMLフレームワークE
AIとWeb3の相乗効果：分散化されたAIエコシステムの構築
AI+Web3: タワーとプラザ
TL; 博士
AIコンセプトのWeb3プロジェクトは、一次および二次市場で資金を引き寄せる対象となっています。
Web3におけるAI業界の機会は、分散型インセンティブを使用して長尾の潜在的な供給を調整することに現れます------データ、ストレージ、計算を超えて；同時に、オープンソースモデルとAIエージェントの分散型マーケットプレイスを構築します。
AIのWeb3業界における主な活用分野は、オンチェーン金融（暗号決済、取引、データ分析）および開発支援です。
AI + Web3 の効用は両者の相補性に表れています：Web3 は AI の集中化に対抗することが期待され、AI は Web3 の境界を打破するのを助けることが期待されています。
! AI+Web3: タワー&プラザ
はじめに
ここ2年間、AIの発展は加速ボタンが押されたかのようで、ChatGPTが引き起こした蝶の羽は、生成的人工知能の新しい世界を開くだけでなく、対岸のWeb3でも潮流を巻き起こしています。
AIの概念の後押しを受けて、相対的に鈍化している暗号市場の資金調達が明らかに活気を呈しています。メディアの統計によれば、2024年上半期だけで64のWeb3+AIプロジェクトが資金調達を完了し、人工知能に基づくオペレーティングシステムZyber365はAラウンドで1億ドルの最高資金調達額を達成しました。
二次市場はさらに繁栄しており、暗号集約サイトのデータによれば、わずか一年余りの時間で、AI分野の総市場価値は485億ドルに達し、24時間の取引量は86億ドルに近づいています。主流のAI技術の進展がもたらす恩恵は明らかで、OpenAIのSoraテキストから動画へのモデルが発表された後、AIセクターの平均価格は151％上昇しました。AIの影響は暗号通貨の資金集めセクターの一つであるMemeにも波及しています：最初のAIエージェントコンセプトのMemeCoinであるGOATは急速に注目を集め、14億ドルの評価額を獲得し、AI Memeブームを成功裏に巻き起こしました。
AI+Web3 に関する研究や話題も同様に盛り上がっており、AI+Depin から AI Memecoin、そして現在の AI Agent や AI DAO まで、FOMO の感情は新しいストーリーの回転速度についていけなくなっています。
AI+Web3、この熱い資金、トレンド、未来の幻想に満ちた用語の組み合わせは、資本によって取り持たれた結婚として見なされるのは避けられず、私たちはこの華麗な衣の下で、果たして投機者の主場なのか、黎明の爆発の前夜なのかを見分けるのが非常に難しいようです。
この問題に答えるために、双方にとって重要な考察は、相手が存在することでより良くなるのか？相手のモデルから利益を得ることができるのか？この記事では、先人の肩に立ってこの構造を考察しようとしています：Web3はAI技術スタックの各段階でどのように機能し、AIはWeb3にどのような新しい活力をもたらすことができるのか？
パート1 AI スタック下の Web3 にはどのような機会がありますか？
この話題を展開する前に、AI大モデルの技術スタックを理解する必要があります。
より分かりやすい言葉で全体のプロセスを表現すると、「大モデル」は人間の脳のようなもので、初期段階ではこの脳は新たに生まれたばかりの赤ちゃんに属し、周囲の膨大な情報を観察し、取り入れることでこの世界を理解する必要があります。これがデータの「収集」段階です。コンピュータは人間の視覚や聴覚などの感覚を持っていないため、訓練の前に外部の大規模な無標識情報は「前処理」を通じて、コンピュータが理解でき、利用可能な情報形式に変換する必要があります。
データを入力すると、AIは「トレーニング」を通じて理解と予測能力を持つモデルを構築します。これは、赤ちゃんが外界を理解し学習する過程と見ることができます。モデルのパラメータは、赤ちゃんが学習する過程で不断に調整される言語能力のようなものです。学習内容が専門化し始めたり、人と交流してフィードバックを得て修正されると、大規模モデルの「ファインチューニング」段階に入ります。
子供が徐々に成長し、話すことを学ぶと、新しい対話の中で意味を理解し、自分の感情や考えを表現できるようになる。この段階はAI大モデルの「推論」に似ており、モデルは新しい言語やテキスト入力に対して予測と分析を行うことができる。赤ちゃんは言語能力を通じて感情を表現し、物体を描写し、さまざまな問題を解決する。これは、AI大モデルがトレーニングを完了し、使用を開始した後、推論段階で特定のタスクに適用されることに似ている。例えば、画像分類や音声認識など。
AIエージェントは、次の大規模モデルの形態に近づいています------独立してタスクを実行し、複雑な目標を追求できるだけでなく、思考能力を持ち、記憶、計画を行い、ツールを使用して世界と相互作用することができます。
現在、AIの各スタックにおける痛点に対処するために、Web3は現在、AIモデルプロセスの各段階をカバーする多層的で相互接続されたエコシステムを初めて形成しています。
! AI+Web3:タワー&スクエア
####1.基本レイヤー:計算能力とデータ用のAirbnb
▎ハッシュレート
現在、AIの最高コストの一つは、モデルのトレーニングと推論に必要な計算能力とエネルギーです。
一例として、MetaのLLAMA3は、NVIDIAが製造したH100GPUを16000個必要とし（これはAIや高性能計算のワークロードに特化したトップクラスのグラフィックスプロセッサユニットです）、トレーニングには30日かかります。後者の80GBバージョンの単価は30,000ドルから40,000ドルの間で、これには4億から7億ドルの計算ハードウェア投資（GPU+ネットワークチップ）が必要です。また、毎月のトレーニングには16億キロワット時の電力を消費し、エネルギー支出は毎月約2000万ドルに上ります。
AIの計算力の解放は、Web3が最初にAIと交差する分野である------DePin（分散型物理インフラネットワーク）です。現在、データサイトには1400以上のプロジェクトが掲載されており、GPU計算力共有を代表するプロジェクトにはio.net、Aethir、Akash、Render Networkなどがあります。
その主な論理は、プラットフォームが余剰のGPUリソースを持つ個人や実体が許可なしに分散型の方法で計算能力を提供することを許可し、UberやAirbnbのようなバイヤーとサプライヤーのオンライン市場を通じて未活用のGPUリソースの使用率を向上させることにあります。その結果、エンドユーザーはより低コストで効率的な計算リソースを得ることができます。同時に、ステーキングメカニズムは、品質管理メカニズムの違反やネットワークの中断が発生した場合には、リソース提供者に適切な罰則があることを保証します。
その特徴は：
余剰GPUリソースを集める：供給側は主に第三者の独立した中小型データセンターや暗号マイニングファームなどのオペレーターの余剰計算力リソースであり、コンセンサス機構はPoSのマイニングハードウェア、例えばFileCoinやETHマイナーなどです。現在、exolabがMacBook、iPhone、iPadなどのローカルデバイスを利用して、大規模モデル推論の計算ネットワークを構築することを目指すプロジェクトもあります。
AI計算力のロングテール市場に直面して:
a.「技術的な観点から見ると」分散型計算力市場は推論ステップにより適しています。トレーニングは超大規模なGPUクラスタによるデータ処理能力に大きく依存しますが、推論はGPUの計算性能に対する依存度が比較的低いです。例えば、Aethirは低遅延のレンダリング作業とAI推論アプリケーションに焦点を当てています。
b.「需要サイドにおいて」中小規模の計算力需要者は自分自身の大規模モデルを単独で訓練することはなく、むしろ少数の主要な大規模モデルを中心に最適化や微調整を行うことを選択します。これらのシナリオは、分散された未使用の計算リソースに自然に適しています。
▎データ
データはAIの基盤です。データがなければ、計算は浮き草のように無意味であり、データとモデルの関係は「ガベージイン、ガベージアウト」という古い格言のようです。データの量と入力の質は最終的なモデルの出力の質を決定します。現在のAIモデルのトレーニングにおいて、データはモデルの言語能力、理解能力、さらには価値観や人間味のある表現を決定します。現在、AIのデータ需要の困難は主に以下の4つの側面に集中しています：
データの渇望：AIモデルの訓練は大量のデータ入力に依存しています。公開された資料によると、OpenAIはGPT-4のパラメータ数を兆単位に達しました。
データ品質：AIと各業界の結合に伴い、データのタイムリー性、データの多様性、特定分野のデータの専門性、ソーシャルメディアの感情などの新興データソースの取り入れが、その品質に新たな要求を突きつけています。
プライバシーとコンプライアンスの問題：現在、各国や企業は高品質なデータセットの重要性に徐々に気づき、データセットのクローリングに制限を設けています。
データ処理コストが高い：データ量が多く、処理プロセスが複雑です。公開された資料によると、AI会社の30％以上の研究開発コストは基礎データの収集と処理に使用されています。
現在、web3 のソリューションは以下の四つの側面に現れています：
1、データ収集：無料で提供される実世界のデータの収集が急速に枯渇しており、AI企業がデータに支払う支出は年々増加しています。しかし同時に、この支出はデータの真の貢献者に還元されておらず、プラットフォームはデータによって生み出される価値の創造を完全に享受しています。例えば、RedditはAI企業とのデータライセンス契約を通じて合計2.03億ドルの収入を実現しました。
真に貢献するユーザーがデータから生まれる価値創造に参加し、分散型ネットワークとインセンティブメカニズムを通じて、低コストでよりプライベートで価値のあるデータを取得することがWeb3のビジョンです。
Grassは分散型のデータ層とネットワークであり、ユーザーはGrassノードを運営することによって、余剰の帯域幅と中継トラフィックを提供し、インターネット全体のリアルタイムデータをキャッチし、トークン報酬を獲得することができます；
Vanaは独自のデータ流動性プール（DLP）概念を導入しており、ユーザーは自分のプライベートデータ（購買履歴、ブラウジング習慣、ソーシャルメディア活動など）を特定のDLPにアップロードし、これらのデータを特定の第三者に使用許可を与えるかどうかを柔軟に選択できます；
あるAIプラットフォームでは、ユーザーはソーシャルプラットフォーム上で#AI 或#Web3をカテゴリタグとして使用し、@そのプラットフォームをすることでデータ収集を実現できます。
2、データ前処理：AI のデータ処理プロセスでは、収集されたデータが通常雑音を含んでおり、エラーが含まれているため、モデルをトレーニングする前にデータをクリーンアップし、使用可能な形式に変換する必要があります。これには、標準化、フィルタリング、および欠損値の処理に関する繰り返しの作業が含まれます。この段階は AI 業界において数少ない手作業の部分であり、データアノテーターという職業が生まれました。モデルがデータの質に対する要求を高めるにつれて、データアノテーターのハードルも上昇し、この作業は自然に Web3 の分散型インセンティブメカニズムに適しています。
現在、GrassとOpenLayerはデータ注釈という重要なプロセスに参加することを検討しています。
Synesisは「Train2earn」の概念を提唱し、データの質を強調しています。ユーザーは、ラベル付きデータ、注釈、またはその他の形式の入力を提供することで報酬を得ることができます。
データラベリングプロジェクトSapienは、ラベリングタスクをゲーム化し、ユーザーがポイントをステーキングしてより多くのポイントを獲得できるようにします。
3、データプライバシーとセキュリティ：明確にする必要があるのは、データプライバシーとセキュリティは二つの異なる概念であるということです。データプライバシーは敏感なデータの取り扱いに関わり、データセキュリティはデータ情報を不正アクセス、破壊、盗難から保護します。このように、Web3のプライバシー技術の利点と潜在的なアプリケーションシーンは二つの側面に表れます：（1）敏感データのトレーニング；（2）データ協力：複数のデータ所有者がその原データを共有することなくAIトレーニングに共同参加することができます。
現在のWeb3で一般的なプライバシー技術には、
Trusted Execution Environment (TEE) (例: Super Protocol);
BasedAI、Fhenix.io、Inco Networkなどの完全準同型暗号化(FHE)。
ゼロ知識技術（zk）、例えば Reclaim Protocol は zkTLS 技術を使用して、HTTPSトラフィックのゼロ知識証明を生成し、ユーザーが外部サイトから安全に活動、評判、身分データをインポートできるようにし、敏感な情報を開示することなく行います。
ただし、現在この分野はまだ初期段階にあり、大部分のプロジェクトはまだ探索中です。現在の一つのジレンマは計算コストが高すぎることです。いくつかの例は次のとおりです：