Web3-AI分野の全景：技術の融合、アプリケーションシーンとトッププロジェクトの分析

2025-08-10 18:01:13

Web3-AI スポーツ全景レポート：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のナラティブの高まりとともに、この分野への関心が高まっています。本記事では、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を詳しく分析し、この分野の全体像と発展のトレンドを包括的にお届けします。

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

過去一年、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技術を取り入れていますが、一部のプロジェクトは製品の一部のみでAIを使用しており、基盤となるトークンエコノミクスとAI製品には実質的な関連がないため、この記事ではこのようなプロジェクトはWeb3-AIプロジェクトの議論には含まれません。

本文の重点は、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、AI製品を提供するだけでなく、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、以下ではAIの開発プロセスと課題、さらにWeb3とAIの融合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造するかについて詳しく紹介します。

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、拡張、強化することを可能にする技術です。これは、コンピュータが言語翻訳、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し、AIは私たちの生活と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、モデル選択とチューニング、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、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、浅いネットワークの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の影響を受けます。
モデル推論：モデルのトレーニング済み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。

図のように、データ収集とデータ前処理、モデル選択と調整、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させると、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確率を推論したものです。

トレーニングされたAIモデルは、さまざまなアプリケーションにさらに統合され、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、中央集権型のAI開発プロセスには以下のシナリオ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 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という制限に直面する可能性があります。

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のチューニングを行ったりするのは難しい。

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費用は、かなりの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らの努力に見合う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ングするのが難しい。

中心化 AI シーンでの課題は Web3 と組み合わせ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、さらに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の開発と応用は新しい協力経済システムを迎えます。人々のデータプライバシーは保護され、データ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、共有された計算能力は低コストで取得できます。非中央集権的な協力クラウドソーシングメカニズムとオープンなAIマーケットを活用することで、公平な収入分配システムを実現し、より多くの人々がAI技術の進歩を促進することを奨励します。

Web3のシーンでは、AIが複数の分野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ナリオ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の多くの機能です。生成型AIは、ユーザーがAI技術を使用して自分のNFTを作成する「アーティスト」役を体験させるだけでなく、GameFiで多様なゲームシーンや面白いインタラクティブ体験を創造することもできます。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、インフラストラクチャーレベル、中間レベル、アプリケーションレベルに分かれています。各レベル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み、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。

! 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、およびトッププロジェクトの詳細な分析

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 Chain、および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サポートがあってこそ、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 アプリケーションをユーザーに提供することができます。

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力を提供し、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の計算力市場を提供しており、ユーザーは低コストで計算力をレンタルしたり、計算力を共有して収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。また、一部のプロジェクトは新しいプレイスタイルを派生させており、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実体を表すNFTを購入することで、さまざまな方法で計算力のレンタルに参加し、収益を得ることができます。
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。チェーン上の非中央集権的AI市場では、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それに伴う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 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異なるAIタイプのサブネット競争を促進するなど、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 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、デプロイできるのを助け、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共同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することができます。ユーザーはデータの自主権を持ち、プライバシーを保護した状態で自分のデータを販売することができ、不正な業者によるデータの盗用や高額な利益を避けることができます。データの需要者にとって、これらのプラットフォームは幅広い選択肢と非常に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、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。例えば、画像のラベリングやデータ分類など、これらのタスクは金融や法律などの専門知識を必要とするデータ処理を含む可能性があります。ユーザーはスキルをトークン化し、データ前処理の協力型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代表し、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ってデータにラベリングを行います。

モデル：以前言及した 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ングする必要があります。画像タスクに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 RNN や Transformer などのモデルが一般的です。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は異なるモデルのデプスが必要であり、時にはモデルのチューニングが必要です。

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 はモジュール化された設計により、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布層に置くことを許可し、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、モデルの重みファイルが生成され、直接的な分類、予測、またはその他の特定のタスクに使用されます。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、悪意のある行為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。ORAの公式ウェブサイトでは、彼らのZKMLおよびopp/ai（ZKMLとOPMLの組み合わせ）に関する研究についても言及されています。