Web3-AI分野の全景：技術的論理、シーンの応用と代表プロジェクトのデプス分析

2025-07-23 12:42:40

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のナラティブが続々と注目を集める中、ますます多くの関心がこの分野に集中しています。Web3-AI分野の技術的論理、応用シーン、代表的なプロジェクトについて深く分析し、この分野の全体像と発展動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 レースの定義

過去一年間、AIナラティブはWeb3業界で異常に人気を博し、AIプロジェクトは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その製品の一部でのみ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記事における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自らAI製品を提供し、同時にWeb3経済モデルを生産関係のツールとして基盤としています。この二つ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がどのように完璧に問題を解決し、新しいアプリケーションシーンを創出するかを紹介します。

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し、拡張し、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は私たちの生活や働き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、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、モデル選択とチューニング、モデルのトレーニングと推論。簡単な例として、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、実際のデータを自分で収集できます。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、データセットを訓練セット、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、テストセットまたは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開発プロセスは、以下のシーン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：小規模なチームや個人が特定の分野のデータ（例：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することは困難です。

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買い手とマッチングするのが難しい。

中央集権型AIシーンで存在する課題は、Web3と結びつけることで克服できます。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 の結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。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技術に基づき、AIの開発と応用は新たな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入手できます。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技術の進歩を推進することを奨励します。

Web3のシーンにおいて、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、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、さまざまな機能があります。生成的AIは、ユーザーが「アーティスト」役割を体験できるだけでなく、AI技術を使用して自分のNFTを作成することができ、GameFiでは豊かで多様なゲームシーンや興味深いインタラクティブな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分野に入りたい初心者でも、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構造の解読

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に分かれており、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についてデプスに解析します。

インフラストラクチャ層は、AIライフサイクル全体の運営をサポートす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。

基盤レイヤー：

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ます。これらのインフラのサポートにより、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能力を提供し、高効率で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したり、計算能力を共有して利益を得たりできます。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います。ユーザーはGPU実体を代表するNFTを購入することで、さまざまな方法で計算能力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はSahara AIです。AIチェーンは、Bittensorが革新的なサブネット報酬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、異なる分野でのAI技術の進歩をも促進できます。
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することもできます。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、訓練、展開するのを支援し、代表的なプロジェクトは Nimble です。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、および推論と検証に関するもので、Web3技術を利用することで、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調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、悪質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幅広い選択肢と極めて低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ウェブデータを収集し、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集め、ユーザーによるツイート情報のアップロード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います。これには、画像ラベリングやデータ分類などが含まれ、これらのタスクは専門知識を必要とする金融や法律のデータ処理を含む場合があります。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。例えば、Sahara AIのようなAIマーケットでは、さまざまな分野のデータタスクがあり、多様なデータシナリオをカバーできます。一方、AITプロトコルは、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、異なる種類の要求に対して適切なモデルをマッチングする必要があります。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、オブジェクト検出タスクにはYoloシリーズを選択できます。テキスト関連のタスクでは、一般的なRNNやTransformerなどのモデルがあります。もちろん、特定のまたは汎用の大規模モデルも存在します。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協力してトレーニング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の最適化を行うことを可能にします。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、協力トレーニング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、モデル重みファイルが生成され、これを使って分類、予測、またはその他の特定のタスクを直接行うことができます。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層として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。