原作者: IOSG Ventures

1

一見すると、AI x Web3 は独立したテクノロジーのように見えますが、それぞれが根本的に異なる原理に基づいており、異なる機能を果たします。しかし、さらに深く掘り下げると、両方のテクノロジーが互いのトレードオフのバランスを取る機会があり、それぞれの独自の強みが相互に補完し強化できることがわかります。 Balaji Srinivasan 氏は、SuperAI カンファレンスでこの補完機能の概念を見事に説明し、これらのテクノロジーがどのように相互作用するかを詳細に比較しました。

ボトムアップのアプローチを採用する Token は、匿名のサイバーパンクによる分散化の取り組みから生まれ、世界中の多数の独立した組織の協力的な取り組みを通じて 10 年以上にわたって進化してきました。代わりに、AI は少数のテクノロジー巨人によって支配されるトップダウンのアプローチを通じて開発されます。これらの企業は業界のペースとダイナミクスを決定しており、参入障壁は技術的な複雑さよりもリソースの集中度によって決まります。

また、2 つのテクノロジーはまったく異なる性質を持っています。本質的に、トークンは、ハッシュ関数やゼロ知識証明の予測可能性など、不変の結果を生成する決定論的なシステムです。これは、人工知能の確率的で予測不可能な性質とは対照的です。

同様に、暗号化は検証、トランザクションの信頼性とセキュリティの確保、トラストレスなプロセスとシステムの確立に優れていますが、AI は生成に重点を置き、リッチなデジタル コンテンツを作成します。ただし、デジタル豊かさを生み出す過程では、コンテンツの出所を確認し、個人情報の盗難を防ぐことが課題となります。

幸いなことに、トークンはデジタルの豊かさの反対の概念、つまりデジタルの希少性を提供します。コンテンツ ソースの信頼性を確保し、個人情報の盗難の問題を回避するために、人工知能テクノロジーに拡張できる比較的成熟したツールを提供します。

トークンの大きな利点は、特定の目的を達成するために、調整されたネットワークに大量のハードウェアと資本を引き付けることができることです。この機能は、大量の計算能力を消費する人工知能にとって特に有益です。十分に活用されていないリソースを動員して、より安価なコンピューティング能力を提供することで、人工知能の効率を大幅に向上させることができます。

これら 2 つのテクノロジーを比較することで、それぞれの貢献を評価するだけでなく、それらが連携してテクノロジーと経済の新しい道をどのように創造できるかがわかります。それぞれのテクノロジーは互いの欠点を補い、より統合された革新的な未来を生み出すことができます。このブログ投稿では、新興 AI x Web3 業界の状況を調査し、これらのテクノロジーが交わる新興分野のいくつかに焦点を当てることを目的としています。

出典: IOSG ベンチャーズ

2

2.1 コンピューティングネットワーク

業界マップでは、まず、制約された GPU 供給の問題を解決し、さまざまな方法でコンピューティング コストの削減を試みるコンピューティング ネットワークを紹介します。次の項目に注目する価値があります。

• 非統合 GPU の相互運用性: これは、技術的なリスクと不確実性が高く、非常に野心的な取り組みですが、成功すれば、すべてのコンピューティング リソースが相互運用可能になり、大規模で影響力のある結果が生まれる可能性があります。基本的に、このアイデアは、供給側ではあらゆるハードウェア リソースを接続できるようにコンパイラとその他の前提条件を構築し、一方、需要側ではすべてのハードウェアの不均一性が完全に抽象化され、コンピューティング リクエストをルーティングできるようにするというものです。内の任意のリソースをネットワークに接続します。このビジョンが成功すれば、AI 開発者が完全に独占している現在の CUDA ソフトウェアへの依存が軽減されるでしょう。技術的なリスクが高いにもかかわらず、多くの専門家はこのアプローチの実現可能性に非常に懐疑的です。

• 高性能 GPU アグリゲーション: 不均一な GPU リソース間の相互運用性の問題を心配することなく、世界で最も人気のある GPU を分散型のパーミッションレス ネットワークに統合します。

• コモディティ消費者向け GPU の集約: 消費者向けデバイスで利用可能ないくつかの低パフォーマンスの GPU を集約することを指します。これらの GPU は、供給側で最も活用されていないリソースです。パフォーマンスと速度を犠牲にしても、より安価で長時間のトレーニング セッションを実現できるユーザーに適しています。

2.2 トレーニングと推論

計算ネットワークは主に、トレーニングと推論という 2 つの主要な機能に使用されます。これらのネットワークの必要性は、Web 2.0 および Web 3.0 プロジェクトから生じています。 Web 3.0 の世界では、Bittensor のようなプロジェクトがモデルの微調整にコンピューティング リソースを活用しています。推論の観点から見ると、Web 3.0 プロジェクトはプロセスの検証可能性を重視しています。この焦点により、垂直市場として検証可能な推論が生まれ、プロジェクトでは分散化の原則を維持しながら AI 推論をスマート コントラクトに統合する方法を模索しています。

2.3 インテリジェントエージェントプラットフォーム

次はインテリジェント エージェント プラットフォームです。グラフは、このカテゴリの新興企業が解決する必要がある中心的な問題の概要を示しています。

• エージェントの相互運用性と検出および通信機能: エージェントは相互に検出し、通信できます。

• エージェント クラスタの構築および管理機能: エージェントはクラスタを形成し、他のエージェントを管理できます。

• AI エージェントの所有権と市場: AI エージェントの所有権と市場を提供します。

これらの特性は、さまざまなブロックチェーンや人工知能アプリケーションにシームレスに統合できる、柔軟なモジュール式システムの重要性を強調しています。 AI エージェントは、インターネットとのやり取りに革命を起こす可能性を秘めており、エージェントはインフラストラクチャを活用して業務をサポートすると信じています。私たちは、AI エージェントが次のような方法でインフラストラクチャに依存することを想定しています。

• 分散スクレイピング ネットワークを使用してリアルタイム Web データにアクセスする

• エージェント間の支払いに DeFi チャネルを使用する

• 金銭的な保証金の要求は、不正行為が発生したときに罰することを目的としているだけでなく、エージェントの発見可能性を高めることも目的としています（つまり、証拠開示プロセス中に財務上のシグナルとして保証金を利用する）。

• コンセンサスを活用して、どのイベントが削減の対象となるかを決定します

• コンポーザブルコレクティブの構築を可能にするオープンな相互運用性標準とエージェンシーフレームワーク

• 不変のデータ履歴に基づいて過去のパフォーマンスを評価し、適切なエージェント集合体をリアルタイムで選択します

出典: IOSG ベンチャーズ

2.4 データ層

AI x Web3 の融合において、データは中核的なコンポーネントです。データは AI 競争における戦略的資産であり、コンピューティング リソースとともに重要なリソースを構成します。ただし、業界の関心のほとんどがコンピューティング レベルに集中しているため、このカテゴリは見落とされがちです。実際、プリミティブはデータ取得プロセスにおいて多くの興味深い値の方向を提供します。これには、主に次の 2 つの高レベルの方向が含まれます。

• 公共のインターネット データにアクセスする

• 保護されたデータにアクセスする

パブリック インターネット データにアクセスする: この方向性は、数日でインターネット全体をクロールしたり、大量のデータ セットを取得したり、非常に特定のインターネット データにリアルタイムでアクセスしたりできる分散型クローラー ネットワークを構築することを目的としています。ただし、インターネット上の大規模なデータ セットをクロールするには、ネットワーク要件が非常に高く、意味のある作業を開始するには少なくとも数百のノードが必要です。幸いなことに、分散型クローラー ノード ネットワークである Grass には、インターネット全体をクロールすることを目的として、インターネット帯域幅をネットワークとアクティブに共有するノードがすでに 200 万個以上あります。これは、貴重なリソースを引き寄せるための金銭的インセンティブの大きな可能性を示しています。

Grass は公開データに関して競争の場を平等にしていますが、基礎となるデータの活用、つまり独自のデータセットへのアクセスには依然として課題があります。具体的には、機密性が高いため、プライバシーを保護する方法で保管されているデータが依然として大量にあります。多くのスタートアップ企業は、AI 開発者が機密情報を非公開にしながら、独自のデータセットの基礎となるデータ構造を使用して大規模な言語モデルを構築および微調整できるようにする暗号化ツールを活用しています。

フェデレーテッド ラーニング、差分プライバシー、信頼できる実行環境、完全準同型計算およびマルチパーティ計算などのテクノロジーは、さまざまなレベルのプライバシー保護とトレードオフを提供します。 Bagel の研究記事 (https://blog.bagel.net/p/with-great-data-comes-great-responsibility-d67) には、これらの手法の優れた概要がまとめられています。これらのテクノロジーは、機械学習プロセス中にデータのプライバシーを保護するだけでなく、コンピューティング レベルでの包括的なプライバシー保護 AI ソリューションも可能にします。

2.5 データとモデルのソース

データとモデルの来歴技術は、ユーザーが意図したモデルとデータを操作していることを保証できるプロセスを確立することを目的としています。さらに、これらのテクノロジーは信頼性と出所の保証を提供します。透かし技術を例に挙げると、透かし技術はモデル ソース テクノロジの 1 つであり、署名を機械学習アルゴリズム、具体的にはモデルの重みに直接埋め込むため、推論が期待されるモデルからのものであるかどうかを取得中に検証できます。 。

2.6 アプリケーション

アプリケーションに関しては、デザインの可能性は無限です。上記の業界マップでは、Web 3.0 分野での AI テクノロジーの応用に関する特にエキサイティングな開発事例をいくつかリストアップしました。これらの使用例はほとんど自己記述的なものであるため、ここでは追加のコメントは行いません。ただし、AI と Web 3.0 が交差することで、この分野の多くの業種が再構築される可能性があることは注目に値します。これらの新しいプリミティブにより、開発者は革新的なユース ケースを作成し、既存のユース ケースを最適化する自由度が高まるからです。

要約する

AI x Web3 の融合は、革新と可能性に満ちた約束をもたらします。それぞれの技術が持つ独自の強みを活用することで、さまざまな課題を解決し、新たな技術の道を創造します。この新興産業を探索する際、AI x Web3 の相乗効果は、将来のデジタル エクスペリエンスと Web 上でのやり取りの方法を再構築する進歩を促進する可能性があります。

デジタルの不足とデジタルの豊富さの融合、計算効率を達成するための十分に活用されていないリソースの動員、および安全でプライバシーを保護するデータ慣行の確立が、技術進化の次の時代を定義します。

ただし、この業界はまだ初期段階にあり、現在の業界の状況は短期間で時代遅れになる可能性があることを認識する必要があります。イノベーションのペースが速いということは、今日の最先端のソリューションがすぐに新しい画期的なソリューションに取って代わられる可能性があることを意味します。それにもかかわらず、コンピューティング ネットワーク、エージェント プラットフォーム、データ プロトコルなど、検討された基本的な概念は、人工知能と Web 3.0 を統合するための広大な可能性を浮き彫りにしています。