前書き

過去1年間、ChatGPTのような大規模な生成AIモデルの出現により、AIは基本的な自動化ツールを超えて洗練された意思決定および予測システムへと推進し、これにより社会の進歩を推進する重要な要素として確立されました。この進化により、ChatGPTはGPTやSoraなどの注目すべき製品を導入し、AI製品やアプリケーションの急増をもたらしました。AIインフラストラクチャの主要なプレイヤーであるNVIDIAは、2024会計年度第4四半期に収益の83%以上をデータセンタービジネスが貢献し、驚異的な409%の成長を達成し、期待を大きく上回りました。特に、この収益の40%が大規模モデルの推論シナリオに帰属しており、堅牢なコンピューティングパワーインフラストラクチャへの需要の急増を裏付けています。

現在、AIはヨーロッパとアメリカの資本界から大きな関心を集めていますが、Web3市場はブルマーケットで復活しています。AIとWeb3の収束は、2つの非常に求められている技術トレンドの交差点を表しています。このテーマを中心としたプロジェクトの最近の出現は、市場がこの収束に対する強い関心と高い期待を示しています。

ハイプや価格バブルを置いておくと、AI+Web業界の現在の開発状況はどうなっていますか？具体的なアプリケーションシナリオはありますか？将来を見据えて、価値を生み出し、物語を確立し、産業を形作ることはできますか？AI+Web3業界は生態パターンの観点からどのように進化し、どのような潜在的な方向があるのでしょうか？

Future3 Campusは、AI+Web3業界チェーンのあらゆる側面を解剖する一連の記事を通じて、これらのトピックに掘り下げていきます。この最初の記事では、業界の景色とAI+Web3の物語の枠組みについて概説します。

AI作業の製造プロセス

基本的に、AI+Web3の統合は2つの主要な側面で展開されます。第一に、Web3の役割はAIの開発を推進することであり、第二に、Web3アプリケーションとAI技術の融合です。現在、主要な焦点は様々なプロジェクトでのWeb3技術と概念を通じたAIの強化にあります。したがって、分析はモデルトレーニングから本番環境まで、AIとWeb3の統合を掘り下げることができます。LLMの登場により、従来の機械学習プロセスとは異なる点がいくつか導入されていますが、効率的なAI本番環境構築プロセスは通常、次の段階を含みます。

1 データ収集

データは、AIモデルトレーニングライフサイクル全体での基盤として機能し、探索的データ分析（EDA）のために再現可能で編集可能、共有可能なデータセット、テーブル、および視覚化を確立するための高品質のデータセットが必要とされます。

2 データ前処理および特徴エンジニアリング/ヒントエンジニアリング

データ取得後、前処理は不可欠であり、機械学習における特徴量エンジニアリングと大規模モデルにおける迅速なエンジニアリングを含みます。 これには、複雑な特徴量を特定するための繰り返し分類、集約、重複排除が必要であり、LLMにおける構造化クエリのためのプロンプトの繰り返し開発が必要です。さらに、信頼性のある特徴量/プロンプトの保管と共有が不可欠です。

3 モデルのトレーニングと調整

多様なモデルライブラリを活用してAIモデルをトレーニングし、継続的な繰り返しと調整を通じてパフォーマンス、効率、精度を向上させる。特にLLMでは、人間のフィードバック強化学習（RLHF）を通じて継続的なモデルチューニングが実現されています。

4 モデルレビューとガバナンス

MLOps/LLMOpsプラットフォームを活用して、モデルの発見、追跡、共有、および協力を含むモデル開発プロセスを最適化します。これにより、エシカルおよびコンプライアンス基準に準拠しながら、モデルの品質と透明性が確保されます。

5 モデル推論

学習済みAIモデルを展開し、学習されたパラメータを利用して入力データを処理し、分類や回帰予測などの予測結果を生成することにより、新しい、見たことのないデータに対して予測を行う。

6 モデルの展開と監視

設定基準に対するパフォーマンス検証を行った後、モデルを実世界のアプリケーションに展開し、進化する環境の中で最適なパフォーマンスを維持するために継続的なモニタリングとメンテナンスを施す。

Throughout this process, numerous opportunities exist for integrating Web3 technologies. Presently, challenges in AI development like model transparency, bias, and ethical application have garnered widespread attention. In this context, the amalgamation of Web3 technology with cryptographic solutions like ZK can enhance trust in AI systems. Furthermore, the escalating demand for AI applications underscores the need for cost-effective and open infrastructure and data networks. Web3’s distributed network and incentive models can foster more open-source AI networks and communities.

AI+Web3産業景観とナラティブロジック

上記のAI製造プロセスを統合し、Web3との統合を通じて現在の市場における主要なAI+Web3プロジェクトを検証することで、AI+Web3業界の景観を明らかにしました。この業界チェーンは、インフラストラクチャ層、中間層、アプリケーション層の3つのレイヤーに分割されます。

1. インフラストラクチャレイヤー

インフラストラクチャーレイヤーは主に、AIワークフロー全体と製造プロセスに不可欠なコンピューティングおよびストレージインフラストラクチャーを包括しています。これにより、AIモデルのトレーニング、推論、およびライフサイクル全体でのデータストレージに必要な計算能力が提供されます。

AIアプリケーションの急速な拡大により、特に高性能コンピューティング能力に対する需要が急増しています。したがって、強化されたパフォーマンス、コスト効率、ロバストなコンピューティングおよびストレージインフラの提供がAI開発の初期段階で画期的なトレンドとして登場し、業界価値の50%以上を占めることが予想されています。

Web3技術は、アイドルと分散されたリソースを活用して、インフラコストを大幅に削減し、幅広いAIアプリケーション要件に対応する分散型のコンピューティングおよびストレージリソースネットワークを確立する可能性があります。その結果、分散型AIインフラストラクチャが主流のナラティブとして存在します。

この分野の注目すべきプロジェクトには、レンダーネットワーク（レンダリングサービスに焦点を当てている）、分散型クラウドサービスおよびコンピューティングハードウェアネットワークを提供するアカシュとジェンシンなどがあります。ストレージ部門では、FilecoinやArweaveなどの著名なプロジェクトが最近、AI分野向けのストレージおよびコンピューティングサービスを導入しています。

1. 中間層：

中間層は主に、現在の課題に対処し、AIプロダクション内のプロセスを向上させるためにWeb3テクノロジーを活用することに関与しています。主な側面には次の点が含まれます:

1) データ取得ステージ：分散データアイデンティティを利用してオープンデータネットワーク/取引プラットフォームを確立し、暗号化とブロックチェーン機能を通じてユーザーのプライバシーとデータの整合性を保護します。このアプローチにより、ユーザーが高品質なデータを共有することを奨励し、データソースを拡大し、データ取得効率を向上させます。この領域の注目すべきプロジェクトには、AIアイデンティティのWorldcoinやAspecta、データ取引のOcean Protocol、低参加閾値のデータネットワークのGrassなどがあります。

2) データ前処理段階: 分散型AIデータ注釈および処理プラットフォームの構築、経済的インセンティブを用いて、効率的かつコスト効率の良いデータ前処理のためのクラウドソーシングモデルを奨励し、後続のモデルトレーニングに利益をもたらします。代表的なプロジェクトにはPublic AIが含まれます。

3) モデル検証および推論段階: AIの不透明なデータやモデルプロセスの課題に対処するために、ZKや全画面暗号化などのWeb3テクノロジーを統合してモデルの推論を検証し、入力データのプライバシーを保護しながらモデルの正確性を確保することができます。典型的なアプリケーションシナリオはZKMLです。モデル検証および推論段階でWeb3テクノロジーを組み合わせた代表的なプロジェクトには、Bittensor、Privasea、Modulusなどがあります。

中間層のプロジェクトは、開発者ツールに重点を置いており、開発者やプロジェクト関係者に補足サービスを提供しています。人工知能の市場需要と商業実装は、まだ開発の初期段階で進化を遂げています。

3 アプリケーション層

アプリケーションレベルでは、焦点がWeb3コンテキスト内でのAI技術の活用に移ります。Web3アプリケーションとAI技術の統合は、効率を向上させ製品体験を向上させることを目的としています。コンテンツ生成、分析、予測などのAI機能は、ゲーム、ソーシャルネットワーキング、データ分析、財務予測などで多様な応用が見られます。現在、AI+Web3アプリケーションは、主に3つのタイプに分類されます。

1) AIGC タイプ：AI生成技術を活用して、ユーザーが対話を通じてテキスト、画像、ビデオ、アバター、その他のコンテンツを作成できるようにする。このAI機能は、単独のAIエージェントとして提示することも、製品にシームレスに統合することもできます。このカテゴリーの注目すべきプロジェクトには、NFPrompt と SleeplessAI があります。

2) AI分析カテゴリ: プロジェクトチームは独自のデータ、知識ベース、分析能力を活用して、分析、意思決定、予測タスクのための垂直AIモデルを訓練します。これらのAIモデルは、データ分析、情報追跡、コード監査、財務予測などのタスクにおいて、ユーザーに製品として提供され、AI分析能力へのアクセスが提供されます。代表的なプロジェクトにはKaitoとDuneがあります。

3) AIエージェントハブ: さまざまなAIエージェントのハブとして機能し、通常、ユーザーがコーディングなしでGPTに似たカスタマイズされたAIエージェントを作成できるようにします。この分野の注目すべきプロジェクトには、My ShellとFetch.aiがあります。

アプリケーション層にはまだ目立つプロジェクトはありませんが、長期的にはかなりの成長ポテンシャルを秘めています。AI+Web3アプリケーションの分野での成功は、技術革新だけでなく、製品能力と技術的専門知識の蓄積にかかっています。特にAI領域では、優れたユーザーエクスペリエンスを提供する製品が、この進化する景気において競争上の優位性を獲得します。

**免責事項:

1. この記事は[から転載されましたmarsbit], 元のタイトルは"AI+Web3（1）の将来の開発パス：産業の景観と語りの論理”, 著作権は元の著者に帰属します[万象区块链]、再版に異議がある場合は、お問い合わせくださいGate Learn Team, チームは関連手続きに従ってできるだけ早く対応します。

2. 免責事項：この記事で表現されている見解および意見は、著者個人の見解を表すものであり、投資アドバイスを構成するものではありません。

3. その他の言語バージョンの記事は、Gate Learnチームによって翻訳されています。Gate.io、翻訳された記事の転載、配布、または盗用はできません。