原作者: IOSG Ventures

Zhenyang@Upshot、Fran@Giza、Ashely@Neuronets、Matt@Valence、Dylan@Pond からのフィードバックに感謝します。

この研究の目的は、人工知能のどの分野が開発者にとって最も重要であるか、そしてどの分野が Web3 と人工知能の分野で爆発的に普及する次の機会となる可能性があるかを調査することです。

新しい研究の視点を共有する前に、まず、RedPill の総額 500 万米ドルの資金調達ラウンドに参加できることを非常にうれしく思い、将来的に RedPill とともに成長することを楽しみにしています。

TL;DR

仮想通貨の世界ではWeb3とAIの組み合わせが注目されており、仮想通貨の世界でもAIインフラの構築がブームとなっているが、実際にAIを活用したり、AI向けに構築したアプリケーションはそれほど多くない。 AI インフラストラクチャは徐々に出現しています。 RedPill の最初の資金調達ラウンドに最近参加したことで、より深い理解が生まれました。

• AI Dapp を構築するための主なツールには、分散型 OpenAI アクセス、GPU ネットワーク、推論ネットワーク、エージェント ネットワークが含まれます。

• 「ビットコイン マイニング期」よりも GPU ネットワークの人気が高まっている理由は、AI 市場が大きくなり、急速かつ着実に成長していること、AI が毎日数百万のアプリケーションをサポートしていること、および AI が多様な GPU モデルとサーバーの場所を必要としているためです。テクノロジーは以前よりも成熟しており、より幅広い顧客ベースを対象としています。

• 推論ネットワークとエージェント ネットワークは同様のインフラストラクチャを持ちますが、焦点は異なります。推論ネットワークは主に経験豊富な開発者が独自のモデルをデプロイするためのものであり、非 LLM モデルの実行には必ずしも GPU は必要ありません。エージェント ネットワークは LLM に重点を置いており、開発者は独自のモデルを持ち込む必要はありませんが、迅速なエンジニアリングとさまざまなエージェントの接続方法に重点を置いています。プロキシ ネットワークには常に高性能の GPU が必要です。

• AI インフラストラクチャ プロジェクトの期待は非常に大きく、新機能は現在も展開されています。

• ほとんどのネイティブ暗号化プロジェクトはまだテスト ネットワークの段階にあり、安定性が低く、構成が複雑で、機能が制限されているため、セキュリティとプライバシーを証明するにはまだ時間がかかります。

• AI Dapp が大きなトレンドになると仮定すると、モニタリング、RAG 関連のインフラストラクチャ、Web3 ネイティブ モデル、暗号化されたネイティブ API とデータが組み込まれた分散エージェント、評価ネットワークなど、未開発の領域がまだ多くあります。

• 垂直統合は重要なトレンドです。このインフラストラクチャ プロジェクトは、AI Dapp 開発者の作業を簡素化するワンストップ サービスを提供しようとしています。

• 未来はハイブリッドになるでしょう。推論の一部はフロントエンドで実行され、一部はオンチェーンで計算されるため、コストと検証可能性を考慮できます。

出典: IOSG

導入

• Web3 と AI の組み合わせは、現在の暗号化分野で最も人気のあるトピックの 1 つです。才能ある開発者は暗号通貨の世界のための AI インフラストラクチャを構築し、スマート コントラクトにインテリジェンスを導入することに取り組んでいます。 AI dApp の構築は非常に複雑なタスクであり、開発者はデータ、モデル、コンピューティング能力、運用、展開、ブロックチェーンとの統合に対処する必要があります。これらのニーズに応えて、Web3 創設者は、GPU ネットワーク、コミュニティ データ アノテーション、コミュニティでトレーニングされたモデル、検証可能な AI 推論とトレーニング、エージェント ストアなど、多くの予備的なソリューションを開発してきました。

• このインフラストラクチャの急成長を背景に、実際に AI を活用するアプリケーションや AI 用に構築されたアプリケーションはそれほど多くありません。開発者が AI dApp 開発チュートリアルを探すと、ネイティブの暗号化された AI インフラストラクチャに関連するチュートリアルがあまりないことがわかります。ほとんどのチュートリアルでは、フロントエンドで OpenAI API を呼び出すだけです。

出典: IOSG ベンチャーズ

• 現在のアプリケーションはブロックチェーンの分散化された検証可能な機能を最大限に活用できていませんが、これはすぐに変わるでしょう。現在、暗号化分野に重点を置いたほとんどの人工知能インフラストラクチャがテスト ネットワークを立ち上げており、今後 6 か月以内に正式に運用する予定です。

• この研究では、暗号空間の人工知能インフラストラクチャで利用可能な主なツールについて詳しく説明します。暗号通貨世界の GPT-3.5 の瞬間に備えましょう!

1. RedPill: OpenAI に分散型認証を提供する

前述したように私たちが参加した RedPill は良い導入ポイントです。

OpenAI には、GPT-4-vision、GPT-4-turbo、GPT-4 o などの世界クラスの強力なモデルがいくつかあり、高度な人工知能 Dapps を構築するための最初の選択肢となります。

開発者は、オラクルまたはフロントエンド インターフェイスを通じて OpenAI API を呼び出し、dApps に統合できます。

RedPill は、さまざまな開発者が提供する OpenAI API を 1 つのインターフェイスに統合し、迅速かつ手頃な価格で検証可能な人工知能サービスを世界中のユーザーに提供することで、トップの人工知能モデル リソースへのアクセスを民主化します。 RedPill のルーティング アルゴリズムは、開発者のリクエストを単一の投稿者に送信します。 API リクエストはその配信ネットワークを通じて実行されるため、OpenAI からのあらゆる制限が回避され、暗号通貨開発者が直面する次のような一般的な問題が解決されます。

• TPM (1 分あたりのトークン数) を制限する: 新しいアカウントではトークンの使用が制限されており、人気のある AI 依存の dApp のニーズを満たすことができません。

• アクセス制限: 一部のモデルでは、新しいアカウントや特定の国へのアクセスに制限が設けられています。

同じリクエスト コードを使用してホスト名を変更することで、開発者は低コストで、高い拡張性を備え、制限なく OpenAI モデルにアクセスできます。

2. GPUネットワーク

OpenAI の API を使用することに加えて、多くの開発者は自宅で独自のモデルをホストすることを選択しています。 io.net、Aethir、Akash、その他の一般的なネットワークなどの分散型 GPU ネットワークを利用して、GPU クラスターを構築し、さまざまな強力な内部モデルまたはオープンソース モデルを展開して実行できます。

このような分散型 GPU ネットワークでは、個人または小規模データセンターのコンピューティング能力を利用して、柔軟な構成、より多くのサーバーの場所のオプション、およびコストの削減を実現できるため、開発者は限られた予算内で AI 関連のタスクを簡単に実行できます。ただし、分散型の性質により、このような GPU ネットワークには機能、使いやすさ、データ プライバシーの点で依然として一定の制限があります。

GPU の需要は過去数か月にわたって急増しており、以前のビットコイン マイニング ブームを上回っています。この動作の理由には次のようなものがあります。

• 対象顧客の数が増加し、GPU ネットワークは AI 開発者にサービスを提供するようになりました。AI 開発者は数が多いだけでなく、より忠誠心が高く、暗号通貨の価格変動の影響を受けません。

• マイニング専用の機器と比較して、分散型 GPU はより多くのモデルと仕様を提供し、要件をよりよく満たすことができます。特に、大規模なモデルの処理にはより高い VRAM が必要ですが、小規模なタスクにはより適切な GPU オプションが必要です。同時に、分散型 GPU は近距離でエンド ユーザーにサービスを提供し、遅延を短縮できます。

• テクノロジーがますます成熟するにつれて、GPU ネットワークは Solana 決済、Docker 仮想化テクノロジー、Ray コンピューティング クラスターなどの高速ブロックチェーンに依存します。

• 投資収益率の観点から見ると、AI 市場は拡大しており、新しいアプリケーションやモデルの開発の機会が数多くありますが、H 100 モデルの期待収益率は 60 ～ 70% ですが、ビットコイン マイニングはより複雑であり、勝者です。全てを消費し、生産には限りがあります。

• Iris Energy、Core Scientific、Bitdeer などのビットコイン マイニング会社も、GPU ネットワークのサポート、AI サービスの提供、H 100 などの AI 用に設計された GPU の積極的な購入を開始しています。

推奨事項: SLA にあまり注意を払わない Web2 開発者にとって、io.net はシンプルで使いやすいエクスペリエンスを提供し、コスト効率の高い選択肢となります。

3. 推論ネットワーク

これは暗号ネイティブ AI インフラストラクチャの中核です。将来的には数十億の AI 推論操作をサポートする予定です。多くの AI レイヤー 1 またはレイヤー 2 は、開発者にチェーン上で AI 推論をネイティブに呼び出す機能を提供します。市場のリーダーには、Ritual、Valence、Fetch.ai などがあります。

これらのネットワークは次の点で異なります。

• パフォーマンス (レイテンシ、計算時間)

• 対応機種

• 検証可能性

• 価格（オンチェーン消費コスト、推論コスト）

• 開発経験

3.1 目的

理想的な状況は、開発者が、統合プロセスにほとんど障害がなく、あらゆる形式の証明を通じて、どこでも、カスタマイズされた AI 推論サービスに簡単にアクセスできることです。

推論ネットワークは、オンデマンドでの証明の生成と検証、推論計算の実行、推論データの中継と検証、Web2 および Web3 インターフェイスの提供、ワンクリックのモデル展開、システム監視、クロスチェーン操作など、開発者が必要とするすべての基本的なサポートを提供します。同期統合とスケジュール実行機能。

出典: IOSG ベンチャーズ

これらの機能により、開発者は推論サービスを既存のスマート コントラクトにシームレスに統合できます。たとえば、DeFi取引ロボットを構築する場合、これらのロボットは機械学習モデルを使用して特定の取引ペアの売買機会を見つけ、基本的な取引プラットフォームで対応する取引戦略を実行します。

完全に理想的な世界では、すべてのインフラストラクチャがクラウドでホストされることになります。開発者は取引戦略モデルを torch などの共通形式でアップロードするだけで、推論ネットワークがそのモデルを保存し、Web2 および Web3 クエリに提供します。

すべてのモデル展開手順が完了すると、開発者は Web3 API またはスマート コントラクトを通じてモデル推論を直接呼び出すことができます。推論ネットワークはこれらの取引戦略を継続的に実行し、その結果を基礎となるスマート コントラクトにフィードバックします。開発者が多額のコミュニティ資金を管理している場合は、推論結果の検証も提供する必要があります。推論結果を受信すると、スマート コントラクトはこれらの結果に基づいてトランザクションを実行します。

出典: IOSG ベンチャーズ

3.1.1 非同期と同期

理論的には、推論操作を非同期に実行するとパフォーマンスが向上しますが、このアプローチは開発エクスペリエンスの観点からは不便な場合があります。

非同期メソッドを使用する場合、開発者は最初にタスクを推論ネットワークのスマート コントラクトに送信する必要があります。推論タスクが完了すると、推論ネットワークのスマート コントラクトは結果を返します。このプログラミング モデルでは、ロジックは推論呼び出しと推論結果処理の 2 つの部分に分割されます。

出典: IOSG ベンチャーズ

開発者が推論呼び出しと多数の制御ロジックを入れ子にしている場合、状況はさらに悪化します。

出典: IOSG ベンチャーズ

非同期プログラミング モデルにより、既存のスマート コントラクトとの統合が困難になります。このため、開発者は大量の追加コードを作成し、エラーを処理し、依存関係を管理する必要があります。

対照的に、同期プログラミングは開発者にとってより直観的ですが、応答時間とブロックチェーン設計に問題が生じます。たとえば、入力データがブロック時間や価格などの急速に変化するデータである場合、推論が完了するとデータはもはや新鮮ではなくなり、特定の状況下ではスマート コントラクトの実行がロールバックされる可能性があります。あなたが時代遅れの価格で取引していると想像してください。

出典: IOSG ベンチャーズ

ほとんどの AI インフラストラクチャは非同期処理を使用しますが、Valence はこれらの問題を解決しようとしています。

3.2 現実

実際、Ritual ネットワークなど、多くの新しい推論ネットワークはまだテスト段階にあります。公開文書によると、これらのネットワークは現在、機能が制限されています（検証や証明などの機能はまだオンラインになっていません）。現在、オンチェーン AI 計算をサポートするクラウド インフラストラクチャは提供されていませんが、代わりにセルフホスティング AI 計算と結果をオンチェーンに渡すためのフレームワークを提供しています。

これは AIGC NFT を実行するアーキテクチャです。拡散モデルはNFTを生成し、Arweaveにアップロードします。推論ネットワークは、この Arweave アドレスを使用して NFT をオンチェーンで作成します。

出典: IOSG ベンチャーズ

このプロセスは非常に複雑であり、開発者は、Ritual ノード、Stable Diffusion ノード、カスタマイズされたサービス ロジックを備えた NFT スマート コントラクトなど、ほとんどのインフラストラクチャを自分で展開して保守する必要があります。

推奨事項: 現在の推論ネットワークはカスタム モデルの統合と展開が非常に複雑であり、現段階ではほとんどのネットワークは検証機能をまだサポートしていません。 AI テクノロジーをフロントエンドに適用すると、開発者は比較的簡単な選択肢を得ることができます。本当に検証機能が必要な場合は、ZKML プロバイダー Giza が適しています。

4. プロキシネットワーク

プロキシ ネットワークを使用すると、ユーザーはプロキシを簡単にカスタマイズできます。このようなネットワークは、人間が直接介入することなく、自律的にタスクを実行し、相互に通信し、ブロックチェーン ネットワークと対話できるエンティティまたはスマート コントラクトで構成されます。主に LLM テクノロジーを対象としています。たとえば、GPT チャットボットにイーサリアムに関する深い知識を提供できます。この種のチャットボット用の現在のツールは比較的限られており、開発者はこれに基づいて複雑なアプリケーションを開発することはまだできません。

出典: IOSG ベンチャーズ

しかし、将来的には、エージェント ネットワークは、知識だけでなく、外部 API を呼び出したり、特定のタスクを実行したりする機能など、エージェントが使用できるツールをさらに提供することになります。開発者は複数のエージェントを接続してワークフローを構築できるようになります。たとえば、Solidity スマート コントラクトの作成には、プロトコル設計エージェント、Solidity 開発エージェント、コード セキュリティ レビュー エージェント、Solidity 導入エージェントなど、複数の専門エージェントが関与します。

出典: IOSG ベンチャーズ

私たちは、プロンプトとシナリオを使用してこれらのエージェントの協力を調整します。

プロキシ ネットワークの例には、Flock.ai、Myshell、Theoriq などがあります。

推奨: 現在のほとんどのプロキシの機能は比較的制限されています。特定の使用例では、Web2 プロキシの方が優れたサービスを提供し、Langchain や Llamaindex などの成熟したオーケストレーション ツールを備えています。

5. エージェントネットワークと推論ネットワークの違い

エージェント ネットワークは LLM に重点を置き、複数のエージェントを統合するための Langchain などのツールを提供します。通常、開発者は機械学習モデルを自分で開発する必要はなく、エージェント ネットワークによってモデルの開発と展開のプロセスが簡素化されています。必要なエージェントとツールをリンクするだけです。ほとんどの場合、エンド ユーザーはこれらのプロキシを直接使用します。

推論ネットワークは、エージェント ネットワークのインフラストラクチャ サポートです。開発者に下位レベルのアクセス権を提供します。通常の状況では、エンドユーザーは推論ネットワークを直接使用しません。開発者は独自のモデルをデプロイする必要がありますが、これは LLM に限定されず、オフチェーンまたはオンチェーンのアクセス ポイントを通じて使用できます。

エージェント ネットワークと推論ネットワークは完全に独立した製品ではありません。すでにいくつかの垂直統合型製品が登場し始めています。これらはエージェント機能と推論機能の両方を提供します。これは、両方の機能が同様のインフラストラクチャに依存しているためです。

6. 新たなチャンスの地

モデル推論、トレーニング、エージェント ネットワークに加えて、Web3 分野には検討する価値のある新しい領域が数多くあります。

• データセット: ブロックチェーン データを機械学習に使用できるデータセットに変えるにはどうすればよいですか?機械学習開発者が必要としているのは、より具体的で時事的なデータです。たとえば、Giza は、機械学習トレーニングに特化した高品質の DeFi データセットをいくつか提供しています。理想的なデータは、単純な表データを超え、ブロックチェーンの世界での相互作用を説明できるグラフィック データを含む必要があります。現時点では、この点に関してはまだ不十分です。現在、Bagel や Sahara など、個人データのプライバシーの保護を約束する新しいデータセットを作成した個人に報酬を与えることで、この問題に対処しているプロジェクトもあります。

• モデルのストレージ: 一部のモデルはサイズが大きくなります。これらのモデルをどのように保存、配布、バージョン管理するかが、オンチェーン機械学習のパフォーマンスとコストに関係します。この分野では、Filecoin、AR、0g などの先駆的なプロジェクトがすでに進歩しています。

• モデルのトレーニング: 分散されたテスト可能なモデルのトレーニングは難しい問題です。 Gensyn、Bittensor、Flock、Allora は大きな進歩を遂げました。

• モニタリング: モデル推論はチェーン上とチェーン外の両方で発生するため、Web3 開発者がモデルの使用状況を追跡し、潜在的な問題や逸脱をタイムリーに発見できるようにする新しいインフラストラクチャが必要です。適切な監視ツールを使用すると、Web3 機械学習開発者はタイムリーな調整を行い、モデルの精度を継続的に最適化できます。

• RAG インフラストラクチャ: 分散 RAG には、データのプライバシーとセキュリティを確保しながら、ストレージ、組み込みコンピューティング、ベクトル データベースに対するより高い要件を備えた新しいインフラストラクチャ環境が必要です。これは、Firstbatch や Bagel など、RAG を完成させるために主にサードパーティに依存している現在の Web3 AI インフラストラクチャとは大きく異なります。

• Web3 向けに調整されたモデル: すべてのモデルが Web3 シナリオに適しているわけではありません。ほとんどの場合、価格予測や推奨などの特定のアプリケーションに適応するためにモデルを再トレーニングする必要があります。 AI インフラストラクチャが繁栄するにつれて、将来的にはより多くの Web3 ネイティブ モデルが AI アプリケーションに対応すると予想されます。たとえば、Pond は、価格予測、推奨、詐欺検出、マネーロンダリング対策などのさまざまなシナリオ向けにブロックチェーン GNN を開発しています。

• ネットワークを評価する: 人間のフィードバックがない中でエージェントを評価するのは簡単ではありません。エージェント作成ツールの人気が高まるにつれ、無数のエージェントが市場に登場することになります。これには、これらのエージェントの機能を実証し、特定の状況でどのエージェントが最もパフォーマンスを発揮するかをユーザーが判断できるようにするシステムが必要です。たとえば、Neurnets はこの分野のプレーヤーです。

• コンセンサスメカニズム: AI タスクの場合、PoS が必ずしも最良の選択であるとは限りません。計算の複雑さ、検証の困難さ、確実性の欠如が、PoS が直面する主な課題です。 Bittensor は、機械学習モデルと出力に貢献するネットワーク内のノードに報酬を与える新しいスマート コンセンサス メカニズムを作成します。

7. 今後の見通し

現在、垂直統合への傾向が高まっていることが観察されています。基本的なコンピューティング層を構築することにより、ネットワークはトレーニング、推論、エージェント ネットワーク サービスなどのさまざまな機械学習タスクのサポートを提供できます。このモデルは、Web3 機械学習開発者に包括的なワンストップ ソリューションを提供することを目的としています。

現在、オンチェーン推論はコストが高く時間がかかりますが、優れた検証可能性とスマート コントラクトなどのバックエンド システムとのシームレスな統合を提供します。将来はハイブリッドアプリケーションになると思います。推論処理の一部はフロントエンドまたはオフチェーンで実行されますが、重要な意思決定の推論はオンチェーンで完了します。このモデルはすでにモバイルデバイスで使用されています。モバイル デバイスの性質を活用することで、小規模なモデルをローカルで迅速に実行し、より複雑なタスクをクラウドに移動して、大規模な LLM 処理を活用することができます。