著者：@chenyangjamie, @GryphsisAcademy
TL;DR:
2022 年には生成 AI の商業応用が世界中で普及すると予想されますが、目新しさが薄れるにつれて、生成 AI の現在の問題点が徐々に表面化しています。ますます成熟しつつある Web3 分野は、完全に透明で検証可能で分散化されたブロックチェーンの特性に依存しており、生成的な AI の問題を解決するための新しいアイデアを提供しています。
生成AIは、深層学習のニューラルネットワークフレームワークに基づいて開発された近年の新興技術であり、画像生成に使用される拡散モデルとChatGPTに使用される大規模言語モデルは、大きな商業的可能性を示しています。
Web3 における生成 AI の実装アーキテクチャには、インフラストラクチャ、モデル、アプリケーション、データが含まれます。データ部分は、Web3 と組み合わせる場合に特に重要であり、特に開発の余地が大きくあります。オンチェーン データ モデル、AI エージェント プロジェクト、垂直分野のアプリケーション将来的には開発の重要な方向性となる可能性があります。
現在、市場に出回っているWeb3のAIトラックの人気プロジェクトはどれもファンダメンタルズが不十分でトークン価値の獲得能力が弱いことが示されていますが、今後は主に新たな人気やトークンエコノミーのアップデートに期待しています。
生成 AI は Web3 分野で大きな可能性を秘めており、将来的には他のソフトウェアおよびハードウェア テクノロジと組み合わせられる、期待に値する新しい物語がたくさんあります。
1. なぜ生成 AI と Web3 がお互いを必要とするのでしょうか?
2022年は生成AI（人工知能）が世界を席巻する年と言えますが、それまでは生成AIは専門職の補助ツールに過ぎませんでしたが、Dalle-2、Stable Diffusion、Imagen、Midjourneyと続いて誕生しました。 、人工知能が生成したコンテンツAI 生成コンテンツ (AI-Generated Content、以下 AIGC) は、最新のテクノロジー アプリケーションとして、ソーシャル メディア上でトレンディなコンテンツの大きな波を生み出しました。直後にリリースされた ChatGPT は大ヒットとなり、この傾向は最高潮に達しました。 ChatGPT は、簡単なテキスト コマンド (プロンプト) を入力するだけで、ほぼすべての質問に答えることができる初の AI ツールとして、すでに多くの人々の日常業務のアシスタントとなっています。文書作成、宿題の個別指導、電子メールアシスタント、論文の改訂、さらには感情的な個別指導など、さまざまな日常タスクを実行できます。インターネット上では、ChatGPT によって生成された結果を最適化するために使用されるさまざまな謎のプロンプトを研究するという熱意がさらに高まっています。時間、人 人工知能の「知性」を感じられます。ゴールドマンサックスのマクロチームのレポートによると、生成型 AI は米国の労働生産性の向上を促進する可能性があり、生成型 AI の開発から 10 年以内に、世界の GDP 成長率を 10 年以内に 7% (またはほぼ 7 兆ドル) 押し上げる可能性があります。年を経て、生産性の伸びが 1.5 パーセントポイント増加します。
Web3分野にもAIGCの春風が感じられ、2023年1月のAI分野は軒並み上昇した。
Source: https://www.coingecko.com/
しかし、当初の目新しさは徐々に薄れ、2023 年 6 月にはリリース以来初めて ChatGPT の世界的なトラフィックが減少しました (データ ソース: SamelWeb)。また、生成 AI の意味とその限界を再考する時期でもあります。現状から判断すると、生成 AI が直面するジレンマ含まれるもの (ただし、これらに限定されません): まず、ソーシャル メディアにはライセンスのない追跡不可能な AIGC コンテンツが氾濫しています。次に、ChatGPT の高額なメンテナンス コストにより、OpenAI はコストを削減し効率を高めるために生成品質を下げることも選択せざるを得なくなります。最後に、世界の大規模なモデルであっても、生成された結果のいくつかの側面には依然としてバイアスが存在します。
ChatGPT のグローバルなデスクトップおよびモバイル トラフィック
Source: Similarweb
同時に、徐々に成熟しつつある Web3 は、その分散型、完全に透明性、検証可能な特性により、生成 AI の現在のジレンマに新しいソリューションを提供します。
Web3 の完全な透明性とトレーサビリティにより、生成 AI によってもたらされるデータの著作権とプライバシーの課題を解決できます。Web3 のこれら 2 つの機能により、コンテンツのソースと信頼性を効果的に検証できるため、AI によって生成された虚偽のコンテンツや侵害コンテンツのコストが大幅に増加します。紛らわしい著作権を含む短いリミックスビデオ、または他人のプライバシーを侵害するディープフェイクの顔を変えるビデオ。さらに、コンテンツ管理におけるスマート コントラクトの適用により、著作権問題が解決され、コンテンツ作成者が創造的なコンテンツに対してより公平な報酬を確実に受け取ることができるようになると期待されています。
DeepFake Video: This is not Morgan Freeman
Source: Youtube
Web3 の分散型の性質により、AI のコンピューティング能力が集中化するリスクを軽減できます。。生成 AI の開発には膨大なコンピューティング リソースが必要で、GPT-3 ベースの ChatGPT のトレーニング費用は少なくとも 200 万米ドルと推定されており、同時に 1 日あたりの電気代は約 47,000 米ドルであり、この数字はテクノロジーの発展と規模に応じて指数関数的に増加し、レベルが上昇します。現在のところコンピューティングリソースは依然として集中している大企業にとっては、これにより莫大な研究開発、保守、運用コストがかかるだけでなく、集中化のリスクも生じ、中小企業の競争が困難になります。大規模モデルのトレーニングには多くのコンピューティング リソースが必要となるため、大規模モデルのトレーニングは短期的には依然として集中環境で実行する必要があるかもしれませんが、Web3 ではブロックチェーン テクノロジーにより次のことが可能になります。分散モデル推論、コミュニティ投票ガバナンス、モデルのトークン化待機が可能になります。既存の分散型取引所を成熟したケースとして考えると、大規模モデルの所有権がコミュニティに属し、コミュニティによって管理される、コミュニティ主導型の分散型 AI 大規模モデル推論システムを設計できます。
最新の H 100 トレーニング GPT-3 を使用しても、FLOP あたりのコストは依然として高い
Source: substake.com
Web3 の機能を活用すると、AI データセットの多様性と AI モデルの解釈可能性を最適化できます。従来のデータ収集方法は基本的に公開データセットまたはモデルメーカーによる自己収集に基づいており、収集されるデータは地理や文化によって制限されることがよくあります。これにより、AIGC プログラムによって生成されたコンテンツや ChatGPT によって生成された回答に、対象タスクの肌の色が変わるなど、特定の民族グループからの主観的なバイアスが含まれる可能性があります。 Web3 のトークン インセンティブ モデルを通じて、データ収集方法を最適化し、世界の隅々からデータを収集し、重み付けを割り当てることができます。同時に、Web3 の完全な透明性とトレーサビリティにより、モデルの解釈可能性がさらに向上し、モデルを強化するために多様な背景の出力が促進されます。
解像度を向上させるために設計された AI はオバマを白人に変えるだろう
Source: Twitter
Web3 の膨大なオンチェーン データを使用して、独自の AI モデルをトレーニングできます。現在の AI モデルの設計およびトレーニング方法は、多くの場合、ターゲットとなるデータ構造 (テキスト、音声、画像、またはビデオ) に基づいて構築されます。 Web3 と AI の組み合わせの独自の将来の開発方向は、自然言語大規模モデルの構築およびトレーニング方法を参照し、Web3 チェーン上のデータの独自のデータ構造を使用して確立することです。チェーン上の大規模なデータ モデル。これにより、他のデータ分析では到達できない独自の視点（スマートマネーの追跡、プロジェクトの資金調達の方向性など）をユーザーに提供できると同時に、手動によるオンチェーン分析と比較して、AIは膨大なデータを処理できるという利点があります。同時のデータ量。
オンチェーン分析を自動化し、オンチェーン情報を監視して直接情報を取得します
Source: nansen.ai
生成 AI は、人々が Web3 の世界に参加する敷居を下げる強力な助けとなることが期待されています。 Web3 プロジェクトの現在の主流の参加モデルでは、参加者はさまざまな複雑なオンチェーン概念とウォレット操作ロジックを十分に理解する必要があり、ユーザーの学習コストと誤操作のリスクが大幅に増加します。対照的に、Web2 の同様のアプリケーションはすでに「製品設計の「怠惰の原則」は長年にわたって実装されており、ユーザーはリスクなく簡単に始めることができます。生成 AI は、Web3 のユーザーとプロトコルの間の「インテリジェントなアシスタント」として機能することで、インテント中心のプロジェクトを支援すると期待されています。 Web3 製品のユーザー エクスペリエンスが大幅に向上します。
Web3 はコンテンツに対する膨大な需要も生み出しており、生成 AI はこの需要を満たす重要な手段となっています。Generative AI は、Web3 用の大量の記事、画像、オーディオ、ビデオ コンテンツを作成し、分散型アプリケーションの開発を推進することができ、NFT マーケットからスマート コントラクト ドキュメントに至るまで、すべてが AI によって生成された多様なコンテンツから恩恵を受けることができます。
生成 AI と Web3 にはそれぞれ独自の課題がありますが、相互のニーズと共同ソリューションがデジタル世界の未来を形作ることが期待されています。このコラボレーションにより、コンテンツ作成の品質と信頼性が向上し、デジタル エコシステムのさらなる発展が促進され、より価値のあるデジタル エクスペリエンスがユーザーに提供されます。生成 AI と Web3 の共進化は、デジタル時代のエキサイティングな新たな章を描くことになります。
2. 生成AIの技術概要
2.1 生成AIの技術的背景
AI の概念は 1950 年代に提案されて以来、何度かの浮き沈みを経験し、主要技術の革新のたびに新たな波が起こりますが、今回の生成型 AI も例外ではありません。生成 AI は、過去 10 年間に提案されたばかりの新しい概念ですが、最近のテクノロジーや製品の目覚ましいパフォーマンスにより、AI の多くの研究のサブ方向から際立っており、一夜にして世界の注目を集めました。生成 AI の技術アーキテクチャについてさらに詳しく説明する前に、まずこの記事で説明する生成 AI の具体的な意味を説明し、最近普及している生成 AI の中核となる技術コンポーネントを簡単に復習する必要があります。
生成型人工知能は、新しいコンテンツやアイデア (会話、ストーリー、画像、ビデオ、音楽など) を作成するために使用できる人工知能の一種であり、深層学習のニューラル ネットワーク フレームワーク上に構築され、大量のデータを使用してトレーニングされます。データには、膨大な数のパラメータを持つモデルが含まれています。最近注目されている生成 AI 製品は、単純に 2 つのカテゴリに分類できます。1 つはテキストまたはスタイル入力のための画像 (ビデオ) 生成製品で、もう 1 つはテキスト入力のための ChatGPT 製品です。これら 2 種類の製品は、実際には同じコア テクノロジ、つまり Transformer アーキテクチャに基づいた事前トレーニング済みの大規模言語モデル (Large Language Model) を使用しています。LLM）。これに基づいて、前者のタイプの製品は、テキスト入力を組み合わせて高品質の画像またはビデオを生成する拡散モデルを追加します。一方、後者のタイプの製品は、人間のフィードバックに基づいた強化学習トレーニングを追加します (人間のフィードバックからの強化学習、RLHF) 人間の論理レベルに近い出力結果を実現します。
2.2 生成 AI の現在の技術アーキテクチャ:
過去の多くの優れた記事では、既存の技術アーキテクチャに対する生成 AI の重要性をさまざまな角度から論じてきました。たとえば、A16z の記事「生成 AI プラットフォームは誰が所有していますか?」がその例です。 》は、生成 AI の現在の技術アーキテクチャを包括的に要約しています。
生成 AI の主な技術アーキテクチャ
Source: 生成 AI プラットフォームの所有者は誰ですか?
この研究記事では、現在の Web2 生成 AI アーキテクチャを次のように分けています。3 つのレベル: インフラストラクチャ (計算能力)、モデル、アプリケーション、また、これら 3 つのレベルの現在の発展についての見解も示します。
インフラ向け、現時点では Web2 のインフラストラクチャのロジックがまだ主流ですが、Web3 と AI を真に組み合わせたインフラストラクチャ プロジェクトはまだほとんどありません。同時に、インフラストラクチャはこの段階で最も価値を生み出す部分でもあります。Web2 のテクノロジー寡頭勢力は、数十年にわたるストレージの深耕のおかげで、現在の AI 探求段階で「シャベルを売る」ことで多額の利益を上げてきました。そしてコンピューティング分野。
モデル用AI の真の作成者および所有者は、本来は AI であるべきですが、現段階では、モデルの作成者が相応の商業的価値を得るのをサポートできるビジネス モデルはほとんどありません。
申請用いくつかの垂直分野では、収益が数億ドルを超えるアプリケーションが蓄積されていますが、高額なメンテナンスコストと低いユーザー維持率では、長期的なビジネスモデルをサポートするには十分ではありません。
2.3 生成AIとWeb3の応用例
2.3.1 AIを活用してWeb3の膨大なデータを分析
データは、将来の AI 開発分野において技術的な障壁を確立するための核となります。その重要性を理解するために、まず大規模モデルのパフォーマンスの源に関する研究を見てみましょう。この研究は、大規模な AI モデルが独自の特性を示すことを示しています。創発能力：つまり、モデルのサイズを大きくし続けていくと、ある閾値を超えるとモデルの精度が急激に高まります。以下の図に示すように、各図はトレーニング タスクを表し、各ポリラインは大規模モデルのパフォーマンス (精度率) を満たします。さまざまな大規模モデルでの実験では、一貫した結論に達しました。モデルのサイズが特定のしきい値を超えると、さまざまなタスクのパフォーマンスが画期的な向上を示します。
モデルのサイズとモデルのパフォーマンスの関係
Source: Emergent Analogical Reasoning in Large Language Models
簡単に言うと、モデル スケールの量的な変化は、モデルのパフォーマンスの質的な変化につながります。モデルのサイズは、モデル パラメーターの数、トレーニング時間、トレーニング データの品質に関連します。現段階では、モデル パラメーターの数 (すべての大手企業が設計を担当するトップの RD チームを抱えている) とトレーニング時間 (コンピューティング ハードウェアは NVIDIA から購入している) の差を広げることができない場合、先行する製品を構築する 1 つの方法が考えられます。優れたニッチ領域を見つけるには、キラー アプリケーションを作成するために苦労点が必要ですが、これにはターゲット領域に対する深い理解と優れた洞察が必要です。もう 1 つの方法は、より現実的で実現可能であり、競合他社よりも優れたデータを収集することです。ますます包括的なデータ。
これは、大規模な生成 AI モデルが Web3 分野に参入するための優れたエントリ ポイントともなります。既存のAIの大規模モデルや基本モデルは、さまざまな分野の膨大なデータに基づいてトレーニングされており、Web3のオンチェーンデータの独自性により、チェーン上の大規模なデータ モデル実現可能な道となることを楽しみにしています。現在、Web3 のデータ階層には 2 つの製品ロジックがあります。1 つ目は、データプロバイダーにインセンティブを提供することです。、データ所有者のプライバシーと所有権を保護しながら、ユーザーがデータ使用権を相互に共有することを奨励します。 Ocean Protocol は優れたデータ共有モデルを提供します。2 つ目は、プロジェクト当事者がデータとアプリケーションを統合して、特定のタスクに特化したサービスをユーザーに提供することです。例えば、Trusta Labはユーザーのオンチェーンデータを収集・分析し、独自のMEDIAスコアリングシステムを通じてウィッチアカウント分析やオンチェーン資産リスク分析などのサービスを提供できる。
2.3.2 Web3 AIエージェントアプリケーション
上で述べたオンチェーン AI エージェント アプリケーションも勢いを増しています。これは、大規模な言語モデルの助けを借りて、ユーザーのプライバシーを確保することを前提として、定量化可能なオンチェーン サービスをユーザーに提供します。OpenAI の人工知能研究ディレクター、Lilian Weng のブログ投稿によると、AI エージェントは 4 つのコンポーネント、つまりエージェント = LLM + プランニング + メモリ + ツールの使用に分割できます。 LLM は AI エージェントの中核として、外部と対話し、大量のデータを学習し、それを自然言語で論理的に表現する責任を負います。計画 + 記憶の部分は、AlphaGo をトレーニングするための強化学習テクノロジーにおけるアクション、ポリシー、報酬の概念に似ています。タスクの目標を小さな目標に分解し、複数回のトレーニングの結果とフィードバックから、あるタスクの目標に対する最適な解決策を段階的に学習し、同時に得られた情報をさまざまな種類のメモリに保存します。さまざまな機能。ツールの使用に関しては、モジュラー ツールの呼び出し、インターネット情報の取得、独自の情報ソースや API へのアクセスなど、エージェントによるツールの使用を指します。この情報のほとんどは、事前トレーニング後に変更するのが難しいことは注目に値します。 . .
AIエージェントの全体図
Source: LLM Powered Autonomous Agents
AI エージェントの具体的な実装ロジックと組み合わせると、Web3 + AI エージェントの組み合わせによって次のような無限の想像力がもたらされると大胆に想像できます。
AIエージェントモデルは現在の取引アプリケーションに追加可能、価格予測、取引戦略、ストップロス戦略、レバレッジの動的な調整、KOLインテリジェントなフォローアップ、融資などを含むがこれらに限定されない取引機能のための自然言語レベルの対話型インターフェイスを顧客に提供できます。
定量的戦略を実行する場合、戦略はさらに次のように分解できます。各サブタスクは異なる AI エージェントによって実装されます、各 AI エージェントが相互に連携することで、プライバシー保護のセキュリティが向上するだけでなく、対戦相手が脆弱性を利用してロボットに反撃するのを防ぐリアルタイムの監視も提供されます。
連鎖ゲームの多数の NPCAI Agentとの親和性も高いアプリケーションの方向性であり、すでにGPTを利用してゲームキャラクターの対話内容を動的に生成するプロジェクトも存在しており、今後はプリセットテキストだけでなく、より現実的なリアルタイム ゲーム NPC (またはデジタル ヒューマン) インタラクションにアップグレードされ、プレイヤーの介入を必要とせずに独自にインタラクションできるようになります。スタンフォード大学が発行仮想都市」は優れた応用例です。
現在のWeb3+AIエージェントのプロジェクトセンターはまだプライマリーマーケットやAIインフラ側に集中しており、ToCキラーアプリケーションもまだありませんが、ブロックチェーンの様々な特徴を組み合わせることで、分散型オンチェーンガバナンス、ゼロ知識証明推論、モデル配布、解釈可能性向上など待ってください、将来のゲームを変える Web3 + AI プロジェクトに期待する価値があります。
2.3.3 Web3 + AI の垂直分野への応用の可能性
A. 教育分野への応用
Web3 と AI の組み合わせにより、教育分野は革命を迎えました。中でも、生成型仮想現実教室は目覚ましいイノベーションです。 AI テクノロジーをオンライン学習プラットフォームに組み込むことで、学生はパーソナライズされた学習体験を得ることができ、システムは学生の学習履歴や興味に基づいてカスタマイズされた教育コンテンツを生成します。このパーソナライズされたアプローチにより、生徒の学習意欲と学習効果が向上し、教育がより個人のニーズに合ったものになることが期待されます。
学生は没入型 VR 機器を使用して仮想現実の授業に参加します
Source: V-SENSE Team
また、トークンモデルのクレジットインセンティブこれは教育の分野でも革新的な実践です。ブロックチェーン技術を通じて、学生の単位と成績をトークンにエンコードし、デジタル単位システムを形成できます。このようなインセンティブの仕組みは、学生が学習活動に積極的に参加することを奨励し、より参加型でモチベーションの高い学習環境を作り出します。
同時に、最近人気のある SocialFi プロジェクト FriendTech からインスピレーションを得て、ID に関連付けられた同様の主要な価格設定ロジックをクラスメート間の相互評価システムの確立にも使用でき、これにより教育にさらにソーシャルな要素がもたらされます。ブロックチェーンの改ざん不可能性を活用することで、クラスメート間の評価がより公平かつ透明になります。この相互評価の仕組みは、学生のチームワークや社会的スキルの育成に役立つだけでなく、学生の成績をより包括的かつ多角的に評価し、より多様で包括的な評価方法を教育システムに導入します。
B. 医療分野への応用
医療分野ではWeb3とAIの組み合わせが推進連合学習そして分散型推論開発。分散コンピューティングと機械学習を統合することで、医療専門家は非常に大規模なデータを共有して、より深く、より包括的なグループ学習を行うことができます。この集合知のアプローチにより、病気の診断と治療の選択肢の開発が加速され、医療分野の進歩が促進されます。
プライバシー保護これは医療分野での応用において無視できない重要な問題です。 Web3 の分散化とブロックチェーンの不変性により、患者の医療データをより安全に保存および送信できます。スマート コントラクトは、医療データの正確な制御と許可管理を実現し、許可された担当者のみが患者の機密情報にアクセスできるようにすることで、医療データのプライバシーを維持します。
C. 保険分野への応用
保険分野では、Web3 と AI の統合により、従来のビジネスにより効率的でインテリジェントなソリューションがもたらされることが期待されています。たとえば、自動車保険や住宅保険では、コンピュータ ビジョン テクノロジの使用により、保険会社は画像を通じて分析し、価格を見積もることができます。、資産価値とリスクレベルをより効率的に評価します。これにより、保険会社はより洗練されたパーソナライズされた価格設定戦略を実現し、保険業界のリスク管理レベルが向上します。
AI技術を活用した保険金査定
Source: Tractable Inc
同時に、チェーン上の自動保険金決済これは保険業界におけるイノベーションでもあります。スマート コントラクトとブロックチェーン テクノロジーに基づいて、請求プロセスの透明性と効率性を高め、煩雑な手順と人的介入の可能性を軽減します。これにより、保険金請求の決済速度が向上するだけでなく、運用コストも削減され、保険会社と顧客にとってより良いエクスペリエンスが生まれます。
動的保険料調整それは革新的な実践のもう一つの側面です。リアルタイムのデータ分析と機械学習アルゴリズムを通じて、保険会社は保険料をより正確かつタイムリーに調整し、被保険者の実際のリスクプロファイルに基づいて個別の価格設定を行うことができます。これにより、保険料がより公平になるだけでなく、被保険者がより健康的で安全な行動を取るよう奨励され、社会全体のリスク管理と予防策が促進されます。
D. 著作権分野への応用
著作権分野では、Web3とAIの組み合わせにより、デジタルコンテンツの制作、企画提案、コード開発に新たなパラダイムがもたらされます。スマートコントラクトと分散ストレージを通じて、デジタルコンテンツの著作権情報より適切な保護が実現され、作品の作成者は自分の知的財産をより簡単に追跡および管理できるようになります。同時に、ブロックチェーン技術を通じて、透明で改ざん不可能な創作記録を確立することができ、作品のトレーサビリティと認証のためのより信頼性の高い手段を提供します。
作業モデルの革新も、著作権分野における重要な変化です。トークンによるインセンティブのある仕事のコラボレーション作品への貢献とトークン インセンティブを組み合わせることで、クリエイター、プランナー、開発者が一緒にプロジェクトに参加することが奨励されます。これにより、クリエイティブチーム間のコラボレーションが促進されるだけでなく、参加者がプロジェクトの成功から直接恩恵を受ける機会が得られ、より優れた作品の誕生につながります。
一方で、著作権の証明としてのトークンこのアプリケーションは、利益分配のモデルを再構築しました。スマートコントラクトによって自動的に実行される配当メカニズムを通じて、作品の各参加者は、作品が使用、販売、または譲渡されたときに、対応する利益分配をリアルタイムで取得できます。この分散型配当モデルは、従来の著作権モデルの不透明性と遅れの問題を効果的に解決し、クリエイターに、より公平で効率的な利益分配メカニズムを提供します。
E. メタバース分野での応用
メタバースの分野では、Web3とAIの融合が注目されています。低コストの AIGC を作成してチェーン ゲーム コンテンツを埋める新たな可能性を提供します。 AIアルゴリズムによって生成された仮想環境とキャラクターは、チェーンゲームのコンテンツを豊かにし、ユーザーにより鮮やかで多様なゲーム体験を提供すると同時に、制作プロセスにおける人件費と時間コストを削減します。
デジタルマンクラフトはメタバース アプリケーションにおける革新です。組み合わせる大規模な言語モデルに基づいた髪の詳細な外観生成と思考構築、生成されたデジタル ピープルは、メタバース内でさまざまな役割を果たし、ユーザーと対話し、実際のシーンのデジタル ツインに参加することもできます。これにより、仮想現実の開発により現実的で奥深い体験が提供され、エンターテインメント、教育、その他の分野でのデジタルバーチャルヒューマン技術の広範な応用が促進されます。
チェーン上のユーザーのポートレートに基づいて広告コンテンツを自動的に生成メタバース分野のインテリジェントな広告クリエイティブ アプリケーションです。 AI アルゴリズムは、メタバースにおけるユーザーの行動と好みを分析することで、よりパーソナライズされた魅力的な広告コンテンツを生成し、広告のクリック率とユーザー エンゲージメントを向上させることができます。この広告生成方法は、ユーザーの関心により沿っているだけでなく、広告主により効率的なプロモーション アプローチを提供します。
生成的インタラクティブ NFTこれはメタバース分野で注目を集めるテクノロジーです。 NFT とジェネレーティブ デザインを組み合わせることで、ユーザーはメタバース内で独自の NFT アートワークの作成に参加でき、インタラクティブ性と独自性が得られます。これにより、デジタル資産の作成と取引に新たな可能性がもたらされ、メタバースにおけるデジタル アートと仮想経済の発展が促進されます。
3. Web3関連のターゲット
ここで著者は 5 つのプロジェクトを選択しました。Render NetworkそしてAkash一般的な AI インフラストラクチャおよび AI トラックのベテラン リーダーとして、Bittensor モデルカテゴリーの注目アイテムとして、Alethea.ai生成AI関連性の高い応用プロジェクトとして、Fetch.aiAIエージェント分野における画期的なプロジェクトとして、Web3分野における生成AIプロジェクトの現状を見てみましょう。
3.1 Render Network（$RNDR）
Render Network は、親会社 OTOY の創設者 Jules Urbach によって 2017 年に設立されました。 OTOY の中核事業はクラウド グラフィック レンダリングであり、オスカー受賞映画やテレビのプロジェクトの制作に参加し、Google と Mozilla の共同創設者をコンサルタントとして迎え、Apple との多くの協力プロジェクトに参加してきました。 OTOY から Web3 分野に拡張するレンダー ネットワークは、ブロックチェーン テクノロジーの分散型の性質を利用して、小規模なレンダリングと AI のニーズとリソースを分散型プラットフォームに接続し、それによって小規模なワークショップの賃料を節約するために作成されました。高価な集中型コンピューティング リソース (AWS、MS Azure、Alibaba Cloud など) も、アイドル状態のコンピューティング リソースを持つ当事者に収入をもたらします。
Render は、高性能レンダラ Octane Render を独自に開発した OTOY 企業であり、一定のビジネス ロジックを備えているため、開始当初は独自の要件と基礎を備えた Web3 プロジェクトと見なされていました。生成 AI が大流行している時期に、需要が大幅に増加した分散検証タスクと分散推論タスクは、Render 独自の技術アーキテクチャに完全に適合しており、今後の開発の方向性の 1 つとして期待に値すると考えられています。同時に、Renderは近年Web3分野におけるAIトラックにおいて主導的地位を占めており、ある程度のミーム性を導き出しており、AI、メタバース、ナラティブブームが起こるたびに、分散コンピューティングなど、常に増加する配当を得ることができ、より汎用性が高いと言えます。
Render Network は 2023 年 2 月に、新しいバージョンを更新すると発表しました。価格グレーディングシステムおよびコミュニティによって投票された $RNDR価格安定メカニズム（ただし、オンライン化の時期は未定）、プロジェクトをPolygonからSolanaに移管することも発表（同時に、$RNDRトークンは、 Solana SPL 標準。プロジェクトは 2023 年 11 月に移管を完了しました）。
レンダーネットワーク発行新しい価格階層システムチェーン上のサービスは、さまざまな価格と品質のレンダリング サービスに対応して、高レベルから低レベルまで 3 つのレベルに分かれており、レンダリング需要者が選択できます。
Render Network の新しい価格階層システムの 3 階層
そして、$RNDR はコミュニティによって投票されました。価格安定メカニズム、以前の不定期な買戻しから「バーン・アンド・ミント均衡（BME）」モデルの使用への変更により、$RNDRは長期保有資産ではなく、価格安定した支払いトークンとしてより明確になります。 BME エポックの具体的なビジネス プロセスは次の図に示されています。
プロダクトクリエーション「プロダクトクリエーション」。 Render の「プロダクト クリエーター」はレンダリング リソース プロバイダーであり、アイドル状態のレンダリング リソースをプロダクト (ノード) にパッケージ化し、ネットワーク上でオンラインで使用されるのを待ちます。
「商品購入」より商品をご購入ください。レンダリングが必要な顧客が $RNDR トークンを持っている場合は、サービスの支払いとしてトークンを直接書き込むことができますが、そうでない場合は、まず DEX の法定通貨で $RNDR を購入してからトークンを書き込むことができます。サービスに対して支払われた価格は、オンチェーン上に公的に記録されます。
ミントトークン「ミントトークン」。事前に設定されたルールに従って新しいトークンを割り当てます。
注: Render Network は、プロジェクト運営の各トランザクションから製品購入者の手数料の 5% を徴収します。
Burn-and-Mint Equilibrium Epoch
Credit to Petar Atanasovski
Source: Medium
事前に設定されたルールに従って、BME によって実行される各エポックで、事前に設定された数の新しいトークンが鋳造されます (事前に設定された数は時間の経過とともに徐々に減少します)。新しく鋳造されたトークンは次の 3 つの当事者に配布されます。
プロダクトクリエイター。製品作成者には次の 2 つのメリットがあります。
タスクを完了すると報酬が得られます。報酬は各製品ノードによって完了したレンダリング タスクの数に基づいており、理解しやすいです。
オンライン特典。各製品ノードは、オンラインでスタンバイしている市場に応じて報酬が与えられ、より多くの作業をオンラインで行うためにリソースを制限することが奨励されます。
製品購入者。ショッピング モールの製品リベートと同様に、購入者は $RNDR トークン リベートの最大 100% を受け取ることができ、将来のレンダー ネットワークの継続使用を奨励します。
DEX (分散型取引所) 流動性プロバイダー。協調型 DEX の流動性プロバイダーは、$RNDR をバーンする必要があるときに十分な量の $RNDR を妥当な価格で購入できることを保証するため、約束された $RNDR の額に基づいて報酬を受け取ることができます。
Source: coingecko.com
過去 1 年間の $RNDR の価格傾向から、$RNDR が長年にわたって Web3 の AI トラックの主要プロジェクトとして、ChatGPT によって牽引された AI ブームの波の恩恵を享受してきたことがわかります。同時に、新世代の通貨メカニズムのリリースにより、$RNDR の価格は 2023 年前半に最高点に達しました。新しい OpenAI カンファレンスによってもたらされた AI の回復と、レンダー ネットワークが Solana に移行し、新しいトークン メカニズムがすぐに実装されるという前向きな期待により、今年後半は横ばいに進みましたが、$RNDR の価格は近年ではさらに高いレベルに達し、最高点に達しています。 $RNDR のファンダメンタルズはほとんど変わっていないため、投資家にとって $RNDR への将来の投資にはより慎重なポジション管理とリスク管理が必要です。
レンダーネットワークの月間ノード数
レンダリング ネットワーク 1 か月あたりのレンダリングされたシーンの数
Source: Dune.com
同時に、Dune データ ダッシュボードから、2023 年の初め以降、レンダリング タスクの総数は増加していますが、レンダリング ノードは増加していないことがわかります。これは、追加されたユーザーが (レンダリング リソースを持つユーザーではなく) レンダリング ニーズを持つすべてのユーザーであることを示しています。2022 年末の生成 AI の流行と組み合わせると、追加されたレンダリング タスクはすべて生成 AI 関連のタスクであると推測するのが合理的です。 。現時点では、この部分の需要が長期的な需要であるかどうかを判断することは困難であり、さらなる観察が必要です。
3.2 Akash Network ($AKT)
Akash Network は、開発者や企業に、より柔軟で効率的かつ経済的なクラウド コンピューティング ソリューションを提供するように設計された分散型クラウド コンピューティング プラットフォームです。本プロジェクトにより構築された「スーパークラウド」プラットフォームは、分散型ブロックチェーン技術をベースに構築されており、ブロックチェーンの分散型特性を活用し、アプリケーションをグローバルに展開・実行できる分散型クラウドをユーザーに提供します。ストレージ。
Akash Network の創設者である Greg Osuri と Adam Bozanich は、長年にわたって一緒に働いてきた連続起業家です。それぞれが長年のプロジェクト経験を持っています。彼らは協力して Over Clock Labs プロジェクトを設立しました。このプロジェクトは現在も Akash Network の中心的な参加者です。豊富な経験により、創設チームは、クラウド コンピューティングのコストを削減し、可用性を向上させ、コンピューティング リソースに対するユーザーの制御を強化するという、Akash Network の主な使命を明確に設定することができました。公開入札を通じて、リソース プロバイダーはネットワーク内の遊休コンピューティング リソースを開放することが奨励され、Akash Network はリソースのより効率的な利用を実現し、リソース需要者により競争力のある価格を提供します。
Akash Network は、現在のトークン エコノミーの次のような多くの欠点を解決することを目的として、2023 年 1 月に Akash Network Economy 2.0 更新計画を開始しました。
$AKT トークンの市場価格の変動により、長期契約の価格とその価値の不一致が発生しました
リソースプロバイダーに対するインセンティブは、彼らが手にしている大量のコンピューティングパワーを解放するには十分ではありません
コミュニティのインセンティブが不十分だと、アカシュ プロジェクトの長期的な発展に役立たない
$AKT トークンの価値の獲得が不十分な場合、プロジェクトの安定性に影響を与えるリスクがあります
公式ウェブサイトで提供されている情報によると、アカッシュ ネットワーク エコノミクス 2.0 計画によって提案されている解決策には、安定通貨支払いの導入、プロトコル収入を増やすために卵を食べる注文に手数料を追加する、リソースプロバイダーのインセンティブを増加する、およびコミュニティインセンティブの額など安定した通貨決済機能そして受発注手数料機能すでにオンラインでインストールされています。
Akash Network のネイティブ トークンとして、$AKT は、誓約検証 (セキュリティ)、インセンティブ、ネットワーク ガバナンス、取引手数料の支払いなど、プロトコル内で複数の用途があります。公式ウェブサイトで提供されているデータによると、$AKT の総供給量は 3 億 8,800 万です。2023 年 11 月の時点で、2 億 2,900 万がロック解除されており、約 59% を占めています。プロジェクトの開始時に配布された創設トークンは、2023 年 3 月に完全にロック解除され、流通市場に流通しました。ジェネシストークンの配布割合は以下の通りです。
価値の獲得という点では、$AKT が実装しようとしており、まだ発効していないもののホワイトペーパーで言及されている機能の 1 つが、Akash がリースが成功するたびに「回収料金」を請求する予定であることは注目に値します。次に、これらの手数料をテイクインカムプールに送信し、保有者に分配します。このプログラムでは、$AKT 取引には 10% の手数料がかかり、他の暗号通貨を使用した取引には 20% の手数料がかかります。さらに、Akash は、$AKT 保有資産を長期間ロックした保有者に報酬を与える予定です。したがって、より長く保有する投資家は、より寛大な報酬を受け取る資格があります。将来この計画がうまく立ち上がれば、間違いなく通貨価格上昇の大きな原動力となり、プロジェクトの価値をより正確に見積もるのにも役立つだろう。
Source: coingecko.com
Coincko.com に表示されている価格傾向から、$AKT の価格も 2023 年 8 月中旬と 11 月下旬に上昇したことがわかりますが、それでも、他のプロジェクトの同時期の上昇ほどではありませんでした。これは現在と同じかもしれませんが、金融センチメントの傾向に関係しています。全体として、Akash のプロジェクトは、AI トラックのいくつかの高品質プロジェクトの 1 つであり、その基礎は AI トラックのほとんどの競合他社よりも優れています。その潜在的なビジネス収入は、プロトコルの将来の利益の機会をもたらす可能性があります. AI産業の発展とクラウドコンピューティングリソースの需要の増加に伴い、将来的には次のAIでAkash Networkが急上昇することが期待されています波。
3.3 Bittensor （$TAO）
読者が $BTC の技術アーキテクチャに精通していれば、Bittensor の設計を理解するのは非常に簡単です。実際、Bittensor を設計する際、その作成者は、仮想通貨のベテランである $BTC の多くの特徴を利用しました。その中には、トークンの総数が 2,100 万であること、生産量が約 4 年ごとに半減すること、PoW コンセンサス メカニズムが含まれていることなどがあります。等具体的には、初期のビットコイン出力プロセスを想定し、実際の価値を生み出すことができない乱数を計算する「マイニング」プロセスをAIモデルのトレーニングと検証に置き換え、AIモデルの性能と信頼性をもとに考えてみます。 Bittensor ($TAO) のプロジェクト構造を簡単にまとめたものです。
Bittensor プロジェクトは、2 人の AI 研究者であるジェイコブ・スティーブス氏とアラ・シャアバナ氏によって 2019 年に初めて設立され、その主な枠組みは謎の作家ユマ・ラオ氏が書いた白書の内容に基づいています。簡単に要約すると、ライセンス不要のオープンソース プロトコルを設計し、さまざまなタスク (機械翻訳、画像認識と生成、大規模な言語モデルなど) を担当するさまざまなサブネットを持つ多くのサブネットで接続されたネットワーク アーキテクチャを構築し、優れたタスク完了を実現します。サブネットが相互に対話して学習できるようにしながら、報酬が得られます。
現在市場に出回っている大規模な AI モデルを振り返ってみると、例外なく、それらはすべてテクノロジー大手が投資した膨大なコンピューティング リソースとデータから派生しています。確かにこのように訓練されたAI製品は驚くべきパフォーマンスを発揮しますが、この形態は悪が集中化する非常に高いリスクももたらします。 Bittensor インフラストラクチャ設計により、通信専門家のネットワークが相互に通信し、学習できるようになります。大規模モデルの分散トレーニング基礎が築かれました。 Bitensor の長期的なビジョンは、モデルの分散型特性を維持しながら、OpenAI、Meta、Google などの巨大企業のクローズドソース モデルと競合して、一致する推論パフォーマンスを達成することです。
Bittensor ネットワークの技術的中核は、Yuma Rao によって独自に設計されたコンセンサス メカニズム (Yuma コンセンサスとも呼ばれる) に由来しています。これは、PoW と PoS を混合したコンセンサス メカニズムです。供給側の主な参加者は「サーバー」（つまりマイナー）と「バリデータ」（つまり検証者）に分けられますが、デマンド側の参加者はネットワーク内のモデルを使用する「クライアント」（つまり顧客）です。マイナーは現在のサブネット タスク用に事前トレーニングされたモデルを提供する責任があり、マイナーが受け取るインセンティブは提供されたモデルの品質によって異なりますが、検証者はモデルのパフォーマンスを検証し、マイナーと顧客の間の仲介者として機能する責任があります。具体的なプロセスは次のとおりです。
クライアントは、特定のサブネットでモデルを使用するための要件と計算されるデータを検証者に送信します。
バリデーターは、サブネット内のさまざまなマイナーにデータを配布します。
マイナーは独自のモデルと受信したデータを使用してモデル推論を実行し、結果を返します。
検証者は受け取った推論結果を品質に従ってソートし、ソート結果はチェーン上に保存されます。
最適な推論結果がユーザーに返され、マイナーは順序に従ってソートされ、検証者には作業負荷に応じて報酬が与えられます。
大部分のサブネットでは、Bitensor 自体はモデルをトレーニングしません、その役割はモデルプロバイダーとモデルデマンダーをリンクすることに似ており、これに基づいて、小さなモデル間の相互作用をさらに使用して、さまざまなタスクのパフォーマンスを向上させます。現在、オンラインになっている (またはオンラインになっていた) サブネットが 30 個あり、さまざまなタスク モデルに対応しています。
Bittensor のネイティブ トークンとしての $TAO の機能には、サブネットの作成、サブネットへの登録、支払いサービス、バリデーターへのステーキングなどが含まれ、エコシステムで極めて重要な役割を果たします。同時に、BTC の精神に敬意を表する Bittensor プロジェクト チームのアプローチにより、$TAO は順調なスタートつまり、すべてのトークンはネットワークに貢献することで生成されます。現在、$TAO の 1 日の生産量は約 7,200 で、マイナーとバリデーターに均等に分配されます。プロジェクトの開始以来、生成された総量は 2,100 万枚の約 26.3% で、このうちトークンの 87.21% が誓約と検証に使用されました。同時に、このプロジェクトは約4年に1回（BTCと同じ）生産量を半減することを計画しており、最新の半減期は2025年9月20日に発生し、これも価格上昇の大きな原動力となるだろう。
Credit: taostats.io
価格動向から、$TAOの価格が2023年10月末から急騰していることがわかります。その主な原動力は、OpenAIの開始によってもたらされた新たなAIブームであると推測されます。資本セクターが AI セクターに切り替わる原因となっています。同時に、Web3 + AI トラックの新興プロジェクトである $TAO の優れたプロジェクト品質と長期的なプロジェクト ビジョンも、資金を集める大きな理由となっています。ただし、他の AI トラック プロジェクトと同様、Web3 + AI の組み合わせには大きな可能性がありますが、実際のビジネスへの適用だけでは、長期的に収益性の高いプロジェクトをサポートするには十分ではないことを認めなければなりません。
3.4 Alethea.ai（$ALI）
2020 年に設立された Alethea.ai は、ブロックチェーン技術を使用して生成コンテンツに分散型所有権と分散型ガバナンスをもたらすことに特化したプロジェクトです。 Alethea.ai の創設者は、生成 AI によって、生成コンテンツが情報の冗長性をもたらす時代が来ると信じています。大量の電子コンテンツは、単純にコピー アンド ペーストするか、ワンクリックで生成するだけで済みますが、最初に作成した人々は、価値のある収入を得ることができません。オンチェーンのプリミティブ（NFT など）を生成 AI に接続することで、生成 AI とそのコンテンツの所有権が確保され、これに基づいてコミュニティ ガバナンスを実行できます。
このコンセプトに基づいて、初期の Alethea.ai は新しい NFT 標準、つまり iNFT を立ち上げました。iNFT は、Intelligence Pod を使用して埋め込み AI アニメーション、音声合成、さらには生成 AI を画像に作成することができます。さらに、Alethea.ai はアーティストと協力してアートワークを iNFT に変換し、サザビーズで 47 万 8,000 米ドルの高値で競売にかけられました。
NFTに魂を注入する
Source: Alethea.ai
その後、Alethea.ai は、生成 AI 開発者やクリエイターが許可なく iNFT 標準を使用して作成できるようにする AI プロトコルを開始しました。同時に、Alethea.ai は、他のプロジェクトが独自の AI プロトコルを使用する例を示すために、GPT ラージ モデルの理論を利用して、インタラクティブな NFT を作成するツールである CharacterGPT を起動しました。さらに、Alethea.ai は最近、市場のあらゆる ERC-721 NFT をインテリジェンスと組み合わせて AI プロトコルにリリースできるようにする Open Fusion をリリースしました。
Alethea.ai のネイティブ トークンは $ALI で、主に 4 つの用途があります。
一定量の $ALI をロックして iNFT を作成する
ロックの数が多いほど、インテリジェンス ポッドのレベルは高くなります。
$ALI 保有者はコミュニティ ガバナンスに参加します
$ALI は、iNFT 間の対話に参加するための認証情報として使用できます (実際の使用例はまだありません)
Source: coingecko.com
$ALI のユースケースから、このトークンの現在価値のキャプチャが依然としてナラティブ レベルに留まっていることがわかります。この推論は、1 年以内の通貨価格の変化からも確認できます。$ALI はトレンド主導を利用しています。 ChatGPT による 2022 年 12 月開始。生成 AI ブーム ボーナス。同時に、今年 6 月に Alethea.ai が最新の Open Fusion 機能のリリースを発表したときも、大きな利益の波をもたらしました。さらに、$ALIの価格は下落傾向にあり、2023年後半のAIブームでも価格を同じ軌道にあるプロジェクトの平均的な上昇水準まで押し上げることができていない。
ネイティブトークンに加えて、NFT市場におけるNFTプロジェクトのパフォーマンスとAlethea.aiのiNFT（正式にリリースされたコレクションを含む）のパフォーマンスを見てみましょう。
Opensea でのインテリジェンス ポッドの毎日の売上
Opensea での Revenants Collection の毎日のセール
Source: Dune.com
Dune ダッシュボードの統計から、サードパーティに販売された Intelligence Pod と Alethea.ai のファーストパーティが発行した Revenants コレクションの両方が、最初のリリース期間後に徐々に消滅したことがわかります。この主な理由は、最初の目新しさが薄れた後は、ユーザーを維持するための実際の価値やコミュニティでの人気がなくなることだと思います。
3.5 Fetch.ai（$FET）
Fetch.ai は、人工知能とブロックチェーン技術の統合を促進することに特化したプロジェクトです。同社の目標は、機械学習、ブロックチェーン、分散台帳テクノロジーを組み合わせて、スマートエージェント間の経済活動をサポートする分散型スマートエコノミーを構築することです。
Fetch.ai は、英国の科学者であるフマユーン シェイク、トビー シンプソン、トーマス ヘインによって 2019 年に設立されました。 3 人の創設者は非常に豊富な経歴を持っており、フマユーン シェイク氏はディープマインドの初期投資家、トビー シンプソン氏はいくつかの企業で役員を務め、トーマス ヘイン氏はシェフィールド大学の人工知能の教授です。 Fetch.ai の創設チームの深い経歴により、伝統的な IT 企業、ブロックチェーンのスター プロジェクト、医療およびスーパーコンピューティング プロジェクト、その他の分野をカバーする豊富な業界リソースが同社にもたらしられています。
Fetch.ai の使命は、自律型経済エージェントと AI アプリケーションで構成される分散型ネットワーク プラットフォームを構築し、開発者が自律型エージェントを作成することで事前に設定されたターゲット タスクを完了できるようにすることです。プラットフォームの中核テクノロジーは、独自の 3 層アーキテクチャです。
最下層: PoS-uD (許可不要のプルーフオブステークコンセンサスメカニズム) に基づく基盤となるスマートコントラクトネットワークは、マイナー間のコラボレーションと、基本的な機械学習のトレーニングと推論をサポートします。
中間層: OEF (オープン経済フレームワーク、オープン経済フレームワーク)、AEA が相互に対話するための共有スペースを提供し、AEA が基礎となるプロトコルと対話できるようにし、AEA 間の相互検索、検出、およびトランザクションもサポートします。
上位層: Fetch.ai のコアコンポーネントである AEA (Autonomous Economy Agent)。各 AEA は、さまざまなスキル モジュールを通じてさまざまな機能を実装し、ユーザーに代わって事前に設定されたタスクを完了できるインテリジェント エージェント ソフトウェアです。エージェント ソフトウェアはブロックチェーン上で直接実行されませんが、中間層の OEF を通じてブロックチェーンおよびスマート コントラクトと対話します。この種のインテリジェント エージェント ソフトウェアは、純粋なソフトウェアである場合もあれば、携帯電話、コンピュータ、自動車などの実際のハードウェアにバインドされている場合もあります。公式は、Python ベースの開発キットである AEA フレームワークを提供しています。これは構成可能であり、開発者はそれを使用して独自のインテリジェント エージェント ソフトウェアを構築できます。
このアーキテクチャに基づいて、Fetch.ai は、そのプラットフォームでユーザーをサポートするための Co-Learn (エージェント間の共有機械学習モデル) や Metaverse (インテリジェント エージェント クラウド ホスティング サービス) など、多くのフォローアップ製品とサービスも開始しました。あなた自身の知的なエージェント。
トークンに関しては、$FET は Fetch.ai のネイティブ トークンとして、Gas の支払い、検証のステーキング、ネットワーク内でのサービスの購入といった通常の機能をカバーします。 $FET は現在、トークンの 90% 以上をロック解除しており、具体的な分布は次のとおりです。
プロジェクトの立ち上げ以来、Fetch.ai は希薄化トークン保有という形で複数回の資金調達を受けており、最も最近のものは 2023 年 3 月 29 日で、Fetch.ai は DWF Lab から 3,000 万米ドルの資金調達を受けました。 $FET トークンはプロジェクト収入の観点から価値を捉えていないため、価格上昇の原動力は主にプロジェクトの更新と AI トラックに対する市場センチメントから来ています。 AI セクターの 2 つの人気を利用して、Fetch.ai の価格は 2023 年の初めと 2023 年の終わりに 100% 以上急騰したことがわかります。
Source: coingecko.com
他のブロックチェーン プロジェクトが開発され注目を集めている方法と比較すると、Fetch.ai の開発経路は Web2.0 AI スタートアップ プロジェクトに似ており、技術レベルを磨き、継続的な資金調達と広範な協力を通じて評判を築き、利益点を探すことに重点を置いています。 。このアプローチは、将来的に Fetch.ai に基づいて開発されたアプリケーションの開発のための広い余地を残しますが、開発モデルは他のブロックチェーン プロジェクトにとっても魅力的ではないため、生態学的活力を活性化することができません (Fetch.ai の創設者の 1 人が個人的に構築しました) Fetch.ai をベースにした DEX プロジェクト Metaltalex DEX でしたが、結果的には何もありませんでした。)インフラ指向のプロジェクトである Fetch.ai プロジェクトの本質的な価値は、エコシステムの衰退により増加することが困難です。
4. 生成 AI には有望な未来がある
Nvidia CEO のジェンセン・フアン氏は、生成的な大型モデルのリリースを AI の「iPhone」の瞬間と呼び、この段階で AI を生み出すための希少なリソースは、高性能コンピューティング チップを中心としたインフラストラクチャです。 Web3 で最も多くの資金がロックアップされている AI サブトラックとして、AI インフラストラクチャ プロジェクトは常に投資家の長期調査の焦点となってきました。チップ大手が徐々に計算能力設備をアップグレードし、AIの計算能力が徐々に向上し、より多くのAI機能が解放されるにつれ、将来的にはWeb3の下位分野でより多くのAIインフラストラクチャプロジェクトが生まれることが予測されます。将来的には、Web3 での AI トレーニング用に特別に設計および製造されたチップの登場も期待できます。
現在の To C 生成 AI 製品の開発はまだ実験段階にありますが、ToB 産業グレード製品の一部は大きな可能性を示しています。その 1 つは、現実世界のシーンをデジタル領域に移行することです。デジタルツイン」テクノロジーを、メタバース ビジョンのために NVIDIA がリリースしたデジタル ツイン科学コンピューティング プラットフォームと組み合わせると、業界にはまだリリースされていない膨大なデータ価値があることを考慮すると、生成 AI は産業シナリオにおけるデジタル ツインにとって重要な支援となるでしょう。さらに、メタバースを含む Web3 分野、デジタル コンテンツ作成、現実世界の資産、その他の側面は、AI を活用したデジタル ツイン テクノロジーの影響を受けることになります。
新しいインタラクティブ ハードウェア開発も無視できない要素です。歴史を振り返ると、今日では当たり前になったコンピューターのマウスや、マルチタッチ容量性スクリーンを備えた iPhone 4 など、コンピューター分野におけるあらゆるハードウェアの革新は、地球を揺るがす変化と新たな開発の機会をもたらします。すでに2024年第1四半期に発売予定と発表されているApple Vision Proは、その見事なデモで世界中から注目を集めており、実際に販売が開始されると、様々な業界に予期せぬ変化とチャンスをもたらすはずです。コンテンツの迅速な制作と幅広い普及という利点により、大規模なエンターテインメント分野は多くの場合、あらゆるハードウェア テクノロジのアップデートから最初に恩恵を受けることができます。もちろん、これには、メタバース、チェーンゲーム、Web3のNFTなど、読者の長期的な注目と将来の研究に値するさまざまなビジュアルエンターテインメントトラックも含まれています。
長期的には、生成 AI の開発は量的な変化は質的な変化を生むのプロセス。 ChatGPT の本質は推論 QA の問題の解決策であり、推論 QA は長い間学術界で幅広い注目と研究を集めてきた問題です。データとモデルの長期にわたる反復を経て、ついに驚くべき GPT-4 レベルに到達しました。 Web3 における AI アプリケーションも同様で、まだ Web2 のモデルを Web3 に導入する段階にあり、完全に Web3 のデータに基づいて開発されたモデルはまだ登場していません。将来的には、Web3 独自の ChatGPT レベルのキラー アプリに徐々に近づくことができるように、先見の明のあるプロジェクト関係者と大量のリソースが Web3 の実際的な問題の研究に投資する必要があるでしょう。
現段階では、生成 AI の基盤技術にも検討すべき方向性が数多くありますが、その 1 つがロジック実装手法です。思考の連鎖(思考連鎖) テクノロジー。簡単に言うと、思考連鎖テクノロジーを通じて、大規模な言語モデルは複数ステップの推論において質的飛躍を達成できます。しかし、思考連鎖の使用は、複雑なロジックにおける大規模モデルの推論能力が不十分であるという問題を解決していないか、ある程度は引き起こしています。この側面に興味のある読者は、思考連鎖を読んでください。オリジナルの著者の論文。
ChatGPT の成功により、Web3 ではさまざまな人気の GPT チェーンが登場しましたが、GPT とスマート コントラクトの単純かつ粗雑な組み合わせでは、ユーザーのニーズを真に解決することはできません。 ChatGPT のリリースから約 1 年が経ちましたが、長い目で見れば、それはほんの一瞬です。今後の製品も、Web3 ユーザー自身の真のニーズから出発する必要があります。Web3 テクノロジーがますます成熟するにつれて、生成 AI は、 Web3 では重要な役割を果たしており、アプリケーションの可能性は無限であり、期待に値します。
参考文献
Google Cloud Tech - Introduction to Generative AI
The Economics of Large Language Models
普及モデルが普及したらGANは時代遅れになるのでしょうか？ ? ?
Illustrating Reinforcement Learning from Human Feedback (RLHF)
Who Owns the Generative AI Platform?
Apple Vision Pro が「Full Moon Rethink: XR、RNDR、そして空間コンピューティングの未来」をリリース
AI はどのようにして NFT として鋳造されるのでしょうか?
Emergent Analogical Reasoning in Large Language Models
Akash Network Token (AKT) Genesis Unlock Schedule and Supply Estimates
声明
このレポートを作成したのは、@GryphsisAcademy学生@chenyangjamie、存在する@CryptoScott_ETH，@Zou_Blockの指導のもと完成したオリジナル作品。著者はすべての内容に対して単独で責任を負いますが、必ずしもグリフシスアカデミーの見解やレポートを委託した組織の見解を反映しているわけではありません。編集内容と決定は読者の影響を受けません。著者はこのレポートで言及されている暗号通貨を所有している可能性があることに注意してください。この文書は情報提供のみを目的としており、投資決定のために信頼されるべきではありません。投資に関する決定を下す前に、ご自身で調査を行い、公平な財務、税務、または法律のアドバイザーに相談することを強くお勧めします。資産の過去のパフォーマンスは将来の収益を保証するものではないことに注意してください。
IOS
Android