AIとWeb3の融合と発展:現状・課題・展望

I. イントロダクション:AI+Web3の発展

近年、人工知能(AI)とWeb3技術の急速な進展は、世界中で広範な関心を呼び起こしています。AIは顔認識、自然言語処理、機械学習などの分野で大きなブレークスルーを果たし、さまざまな業界に巨大な変革と革新をもたらしました。2023年には、AI業界の市場規模が2000億ドルに達し、OpenAI、Character.AI、Midjourneyなどの優れた企業が登場しています。

同時に、Web3は新興のネットワークモデルとして、人々のインターネットに対する認識と使用方法を変えつつあります。Web3は、非中央集権のブロックチェーン技術を基盤とし、スマートコントラクト、分散ストレージ、非中央集権の本人確認などの機能を通じて、データの共有と制御、ユーザーの自治、信頼メカニズムの構築を実現します。Web3の核心理念は、データを中央集権的な機関から解放し、ユーザーにデータの制御権と価値共有権を与えることです。現在、Web3業界の時価総額は25兆ドルに達しており、Bitcoin、Ethereum、Solanaなどのプロジェクトが次々と登場しています。

AIとWeb3の結合は、東西の開発者や投資家が共に注目している分野であり、両者をうまく融合させる方法は探求に値する問題です。本稿では、AI+Web3の発展状況に重点を置き、この融合がもたらす潜在的な価値と影響について考察します。まず、AIとWeb3の基本概念を紹介し、それらの相互関係を探ります。次に、現在のAI+Web3プロジェクトの現状を分析し、直面している限界や課題について深く議論します。投資家や業界関係者にとって価値のある参考や洞察を提供できることを期待しています。

! 新参者科学の普及丨詳細分析:AIとWeb3はどんな火花と衝突できるのか?

二、AIとWeb3のインタラクションの方法

AIとWeb3の発展は天秤の両端のようです。AIは生産性を向上させ、Web3は生産関係を変革します。それでは、両者はどのような火花を散らすことができるのでしょうか？まずは、それぞれが直面している困難と向上の余地を分析し、次にどのように互いに助け合ってこれらの困難を解決するかを探ります。

2.1 AI業界が直面している困難

AI業界の困難を探求するには、まずAIの三つの核心要素である計算力、アルゴリズム、データを理解する必要があります。

1. 計算力: 大規模な計算と処理を行う能力を指します。AIタスクは通常、膨大なデータと複雑な計算を処理する必要があり、深層神経ネットワークモデルのトレーニングなどが含まれます。高強度の計算能力はモデルのトレーニングと推論を加速し、AIシステムの性能と効率を向上させます。近年、GPUや専用のAIチップの発展はAI業界の進歩を大いに促進しました。GPUプロバイダーであるNvidiaは多くの市場シェアを占め、高額な利益を得ています。

2. アルゴリズム: AIシステムの核心要素であり、従来の機械学習アルゴリズムと深層学習アルゴリズムを含む。アルゴリズムの選択と設計はAIシステムの性能にとって極めて重要である。絶えず改善され、革新されるアルゴリズムは、システムの精度、堅牢性、一般化能力を向上させることができる。

3. データ:AIシステムのコアタスクは、学習とトレーニングを通じてデータの中からパターンや法則を抽出することです。豊富なデータセットは、より包括的で多様な情報を提供し、モデルが未見のデータに対してより良く一般化し、現実世界の問題をより良く理解し解決するのに役立ちます。

AIの核心要素を理解した後、私たちはAIがこの3つの側面で直面している課題を見ていきましょう:

計算能力の面では、AIタスクはモデルのトレーニングと推論に大量の計算リソースを必要とします。大規模な計算能力を取得し管理することは高コストで複雑であり、特にスタートアップ企業や個人開発者にとっては困難です。

アルゴリズムの面では、深層学習は大きな成功を収めているものの、依然として課題があります。深層神経ネットワークを訓練するには膨大なデータと計算リソースが必要であり、特定のタスクにおいてモデルの解釈性が不足しています。アルゴリズムの堅牢性や一般化能力も重要な問題であり、モデルは未見のデータに対して不安定なパフォーマンスを示す可能性があります。

データの面では、高品質で多様なデータを取得することが依然として課題です。医療などの特定の分野では、機密データの取得が困難です。データの品質、正確性、ラベル付けにも問題があり、不完全または偏ったデータはモデルの誤動作やバイアスを引き起こす可能性があります。同時に、データのプライバシーとセキュリティ保護も重要な考慮事項です。

さらに、AIモデルの説明可能性と透明性も公共の関心事です。金融や医療などの特定のアプリケーションでは、説明可能で追跡可能な意思決定プロセスが必要ですが、既存の深層学習モデルはしばしば透明性に欠けています。

それに加えて、多くのAIスタートアッププロジェクトのビジネスモデルは明確ではなく、多くのAI起業家が困惑しています。

! 新参者科学の普及丨詳細分析:AIとWeb3はどんな火花と衝突できるのか?

2.2 Web3業界が直面している困難

Web3業界には、データ分析、ユーザーエクスペリエンス、スマートコントラクトのコードの脆弱性やセキュリティ問題など、解決すべきさまざまな課題が存在しており、大きな改善の余地があります。生産性を向上させるツールとしてのAIは、これらの分野で多くの潜在的な活用スペースがあります。

まず、データ分析と予測能力の向上に関することです: AI技術のデータ分析と予測への応用は、Web3業界に巨大な影響をもたらしています。AIアルゴリズムのインテリジェントな分析と発掘を通じて、Web3プラットフォームは膨大なデータから価値ある情報を抽出し、より正確な予測と意思決定を行うことができます。これは、分散型金融(DeFi)分野におけるリスク評価、市場予測、資産管理などにおいて重要な意義を持っています。

次に、AIはユーザーエクスペリエンスとパーソナライズされたサービスを改善できます：AI技術の応用により、Web3プラットフォームはより良いユーザーエクスペリエンスとパーソナライズされたサービスを提供できるようになります。ユーザーデータの分析とモデリングを通じて、ユーザーに対してパーソナライズされた推奨、カスタマイズされたサービス、およびインテリジェントなインタラクションエクスペリエンスを提供し、ユーザーの参加度と満足度を向上させ、Web3エコシステムの発展を促進します。

安全性とプライバシー保護の観点から、AIの応用はWeb3業界にも深い影響を与えています。AI技術は、ネットワーク攻撃の検出と防御、異常行動の識別に利用され、より強力なセキュリティを提供します。同時に、AIはデータプライバシー保護にも応用され、データ暗号化やプライバシー計算などの技術を通じて、ユーザーの個人情報を保護します。スマートコントラクトの監査において、AI技術は契約の自動監査や脆弱性検出に利用され、契約の安全性と信頼性を向上させます。

Web3業界が直面している困難と潜在的な向上の余地について、AIは多くの面で参加し、支援を提供できることがわかります。

! 新参者科学の普及丨詳細分析:AIとWeb3はどんな火花と衝突できるのか?

三、AI+Web3プロジェクトの現状分析

AIとWeb3を組み合わせたプロジェクトは主に2つの側面からアプローチします: ブロックチェーン技術を利用してAIプロジェクトのパフォーマンスを向上させること、そしてAI技術を利用してWeb3プロジェクトの向上に寄与することです。

この2つの側面を中心に、多くのプロジェクトがこの道を探索しています。Io.net、Gensyn、Ritualなどが含まれます。次に、AIがWeb3を助けることとWeb3がAIを助けることの異なるサブトラックについて、現状と発展状況を分析します。

3.1 Web3がAIを支援する

3.1.1 分散型コンピューティング

OpenAIは2022年末にChatGPTを発表した後、AIブームを引き起こし、発表から5日後にはユーザー数が100万に達し、2ヶ月以内に月間アクティブユーザー数が1億に達しました。2023年11月には週間アクティブユーザー数が1億に達しました。ChatGPTの登場により、AI分野はニッチな領域から急速に注目される産業へと成長しました。

Trendforceの報告によると、ChatGPTは動作するために30000個のNVIDIA A100 GPUを必要とし、将来的にはGPT-5がさらに多くの計算能力を必要とすることになります。これにより、各AI企業は軍備競争を開始し、十分な計算能力を掌握することがAI戦争での優位性を維持するための条件となります。そのため、GPUの不足現象が発生しています。

AIの台頭前、GPUの最大の提供者であるNVIDIAの顧客はAWS、Azure、GCPの三大クラウドサービスプロバイダーに集中していました。AIの台頭とともに、Meta、オラクルなどの大手テクノロジー企業や他のデータプラットフォーム、AIスタートアップを含む多くの新しい買い手が現れ、AIモデルを訓練するためのGPUの争奪戦に参加しています。

昨年のSemi Analysisが言及した「GPUの富者とGPUの貧者」のように、少数の企業が2万を超えるA100/H100 GPUを所有し、チームメンバーはプロジェクトのために100から1000個のGPUを使用できます。これらの企業は、OpenAI、Google、Meta、Anthropic、Inflection、Tesla、Oracle、Mistralなどのクラウドプロバイダーまたは自社でLLMを構築しています。

しかし、ほとんどの企業はGPUの貧乏人であり、はるかに少ない数のGPUで苦しむしかありません。この状況はスタートアップに限らず、Hugging Face、Databricks、Together、さらにはSnowflakeのような著名なAI企業でも、A100/H100の数は20K未満です。これらの企業は世界一流の技術者を擁していますが、GPUの供給数に制限され、AI競争で不利な立場にあります。

この不足は「GPU貧乏者」に限らず、2023年末にはAIのリーダーであるOpenAIが十分なGPUを確保できず、数週間の有料登録を停止せざるを得ず、同時により多くのGPU供給を調達することになりました。

AIの急速な発展により、GPUの需要側と供給側の深刻な不一致が見られ、供給不足の問題が差し迫っています。

この問題を解決するために、一部のWeb3プロジェクトがWeb3技術の特性を組み合わせて、Akash、Render、Gensynなどの分散型コンピューティングサービスを提供し始めています。これらのプロジェクトの共通点は、トークンを通じて多くのユーザーにアイドルGPUコンピューティングパワーを提供させ、コンピューティングパワーの供給側となり、AIクライアントにコンピューティングサポートを提供することです。

供給側のプロファイルは主に3つのカテゴリに分かれます: クラウドサービスプロバイダー、暗号通貨マイナー、企業。

クラウドサービスプロバイダーには、大型クラウドサービスプロバイダー(のAWS、Azure、GCP)や、GPUクラウドサービスプロバイダー(のCoreweave、Lambda、Crusoeなどがあります)。ユーザーは、余剰のクラウドサービスプロバイダーの計算能力を再販して収入を得ることができます。暗号マイナーは、EthereumがPoWからPoSに移行するにつれて、余剰GPU計算能力も重要な潜在的供給側となりました。さらに、テスラやMetaのような戦略的な配置のために大量のGPUを購入した大企業も、余剰GPU計算能力を供給側として活用できます。

現在、競技場のプレーヤーは大きく二つのカテゴリーに分かれます。一つは分散型の計算能力をAI推論に使用するもので、もう一つはAI訓練に使用するものです。前者の例としてはRender(があり、レンダリングに焦点を当てていますが、AI計算能力の提供にも使用可能です)、Akash、Aethirなどが含まれます。後者の例としてはio.net(があり、推論と訓練の両方をサポートしています)、Gensyn。両者の最大の違いは計算能力の要求が異なる点です。

まずはAI推論プロジェクトについて話しましょう。このようなプロジェクトは、トークンインセンティブを通じてユーザーの参加を促し、計算力を提供し、需要側に計算力ネットワークサービスを提供して、未使用の計算力の供給と需要をマッチングさせます。この種のプロジェクトの核心は、トークンインセンティブメカニズムを通じて供給者を引き付け、次にユーザーを引き付け、プロジェクトのクールスタートとコア運営メカニズムを実現し、さらなる拡張と発展を図ることです。この循環の中で、供給側はより多く、より価値のあるトークン報酬を得られ、需要側はより安価でコストパフォーマンスの高いサービスを受けることができます。プロジェクトのトークンの価値と供給・需要の両者の参加者の増加は一致し、トークン価格が上昇することで、より多くの参加者や投機者を引き付け、価値の捕獲を形成します。

もう一つのタイプは、分散型計算能力をAIトレーニングに使用することであり、Gensynやio.net(などがあります。AIトレーニングと推論の両方が)をサポートしています。このようなプロジェクトの運営ロジックは、AI推論系プロジェクトと本質的には大きな違いはなく、依然としてトークンインセンティブを通じて供給側を惹きつけ、計算能力を提供し、需要側がそれを使用します。

io.netは分散型コンピューティングネットワークとして、現在GPUの数が50万を超え、優れたパフォーマンスを発揮しており、RenderとFilecoinのコンピューティングパワーを統合し、エコシステムプロジェクトを不断に発展させています。

Gensynは、スマートコントラクトを通じて機械学習タスクの割り当てと報酬を促進し、AIトレーニングを実現します。Gensynの機械学習トレーニングの作業コストは、1時間あたり約0.4ドルで、AWSやGCPの2ドルを超えるコストよりもはるかに低いです。

Gensynシステムは、提出者、実行者、検証者、通報者の4つの参加主体を含んでいます。

• 提出者:需要ユーザーはタスクの消費者であり、計算されるタスクを提供し、AIトレーニングタスクのために支払います。
• 実行者: モデル訓練タスクを実行し、検証者が確認するためのタスク完了証明を生成する
• バリデーター: 非決定的なトレーニングプロセスを決定的な線形計算に関連付け、実行者の証明を期待される閾値と比較する
• 通報者: 検証者の作業をチェックし、問題を発見した場合に異議を唱えて利益を得る

Gensynは、グローバルな深層学習モデル向けの超大規模で経済的に効率的な計算プロトコルになることを目指しています。

しかし、この分野を見渡すと、なぜほとんどのプロジェクトがAI推論のために分散型コンピューティングを選択し、トレーニングではないのか?

ここでは、AIのトレーニングと推論を理解していない友人のために、両者の違いを紹介します。

• AIトレーニング: 人工知能を学生に例えるなら、トレーニングはAIに大量の知識や例(、すなわちデータ)を提供することに似ています。AIはそこから学びます。学習の本質は大量の情報を理解し記憶する必要があるため、このプロセスには大量の計算能力と時間が必要です。

-人工知能