パート1

一見すると、AIとWeb3は独立した技術のように見えますが、基本的に異なる原則に基づき、異なる機能を果たしています。しかし、より深く探求すると、これらの2つの技術がお互いのトレードオフをバランスさせる潜在能力を持ち、それぞれの独自の強みが相互補完し合い、互いを高め合う可能性があることが明らかになります。バラジ・スリニバサンは、スーパーAIカンファレンスでこの補完的な能力の概念を見事に表現し、これによってこれらの技術がどのように相互作用するかについて詳細に比較が行われました。

トークンは、匿名のネットワーク愛好家の分散化された取り組みから生まれ、数多くの独立したエンティティによる協力的な取り組みを経て、10年以上にわたり進化してきました。それに対して、人工知能は、数少ないテックジャイアントによって主導され、業界のペースとダイナミクスを決定するトップダウンのアプローチを通じて開発されてきました。AIへの参入障壁は、技術的複雑さよりもリソースの集中度によってより決定される傾向にあります。

これらの2つの技術は本質的に異なる性質を持っています。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、不変な結果を出力する確定的なシステムです。これはAIの確率的で予測しづらい性質とははっきりと対照的です。

同様に、暗号技術は検証において優れており、取引の真正性とセキュリティを確保し、信頼性のないプロセスとシステムを確立します。一方、AIは生成に焦点を当て、豊かなデジタルコンテンツを作成します。しかし、デジタルコンテンツの起源の保証とアイデンティティ盗難の防止は、課題となっています。

幸運なことに、トークンはデジタルの豊富さに対する対照点であり、デジタルの希少性を提供します。トークンは比較的成熟したツールを提供し、AI技術に適用することで、コンテンツの起源を保証し、身元盗難の問題に対処することができます。

トークンの顕著な利点は、特定の目標を達成するために、大量のハードウェアと資本を結集する能力です。この能力は特にAIにとって有益であり、AIは大量の計算能力を消費するためです。未使用のリソースを動員して、より手頃な計算能力を提供することは、AIの効率を大幅に向上させることができます。

これら2つの技術を比較することで、それぞれの貢献を認めるだけでなく、それらが一緒に技術と経済の新しい道を築く方法を見ることができます。各技術は他の技術の欠点に対処し、より統合された革新的な未来を創造することができます。このブログ投稿の目的は、これらの技術の交差点にあるいくつかの新しい垂直分野に焦点を当て、新興AI x Web3業界の景色を探ることです。

source: iosg ventures

パート2

2.1 コンピューティングネットワーク

• 業界の景観はまず、限られたGPU供給の問題に対処し、コンピューティングコストを削減するさまざまな方法を探るコンピューティングネットワークを紹介します。注目すべき側面には、次のようなものがあります。
• 画一的でないGPUの相互運用性:この野心的な試みは、高い技術的リスクと不確実性を伴いますが、成功すれば、すべてのコンピューティングリソースを交換可能にすることで、大きな規模と影響を生み出す可能性があります。この考え方は、需要側でハードウェアの不均一性を抽象化しながら、供給側で任意のハードウェアリソースを使用できるようにするコンパイラやその他の前提条件を開発することです。これにより、コンピューティング要求をネットワーク内の任意のリソースにルーティングできるようになり、現在AI開発者の間で主流となっているCUDAソフトウェアへの依存度が低下する可能性があります。潜在的な利点にもかかわらず、多くの専門家は、このアプローチの実現可能性について非常に懐疑的です。
• 高性能GPU集約化: この手法は、最も人気のあるGPUをグローバルに集約し、非統一なGPUリソース間の相互運用性の問題を気にせずに、分散型の許可なしネットワークに統合することに焦点を当てています。
• 商品用コンシューマグレードGPUの集約：これは、供給側で最も活用されていないリソースの1つであるコンシューマデバイスで利用可能な性能の低いGPUを集約することを含みます。これは、安価で長時間のトレーニングプロセスを求める人々に対応しています。

2.2 トレーニングと推論

コンピューティング 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需要は、Web 2.0 と Web 3.0 の両方のプロジェクトから来ています。Web 3.0 の分野では、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 リソースを利用しています。推論のために、Web 3.0プロジェクトはプロセスの検証可能性を強調します。この焦点は、市場バーティカルとしての検証可能な推論の出現につながり、プロジェクト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、このカテゴリーのスタートアップが取り組むべき中核的な問題を概説している。
• エージェントの相互運用性や検出、通信機能: エージェントはお互いを検出し、通信することができます。
• エージェントクラスターの構築と管理機能：エージェントはクラスターを形成し、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。
• これらの機能は、さまざまなブロックチェーンおよびAIアプリケーションにシームレスに統合できる柔軟でモジュール式のシステムの重要性を強調しています。AIエージェントは、私たちがインターネットと対話する方法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利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。
• 分散型のクローリングネットワークを使用してリアルタイムのWebデータにアクセスする
• デフィ・チャネルを使用してエージェント間の支払いを実施する
• 不正行為を罰するだけでなく、エージェントの発見可能性を向上させるために経済的なデポジットが必要です（すなわち、発見プロセス中にデポジットを経済的なシグナルとして使用します）。
• スラッシングにつながるイベントを決定するために共識を使用する
• 相互運用性の高い規格およびエージェントフレームワークをオープンにし、コンポジット集合体の構築をサポートします
• 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団をリアルタイムで選択します

ソース：iosgベンチャーズ

2.4データレイヤー

aiとweb3の統合において、データは核心的な要素です。データはai競争において戦略的な資産であり、計算リソースと並んで重要なリソースを構成しています。しかし、このカテゴリは、産業の関心が主に計算レイヤーに集中しているため、しばしば見過ごされます。実際には、プリミティブはデータ取得のプロセスで多くの興味深い価値の方向性を提供しており、主に以下の2つの高レベルの方向性があります:

公開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

公共のインターネットデータへのアクセス:この方向性は、数日以内にインターネット全体をクロールし、大規模な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、ネットワークの需要が非常に高く、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、すでに200万を超えるノードがネットワークとインターネット帯域幅を積極的に共有しており、インターネット全体をクロールすることを目指しています。これは、貴重な資源を誘致する経済的インセンティブの大きな可能性を示しています。

公共データに対して草は公正な競争環境を提供しますが、潜在的なデータ、特に専有データセットへのアクセスという課題は依然として存在しています。具体的には、その敏感な性質のため、多くのデータがプライバシー保護の方法でまだ保存されています。多くのスタートアップは、機械学習開発者が機密情報を保持しながら専有データセットの基礎データ構造を利用して大規模な言語モデルを構築および微調整することを可能にする暗号化ツールを使用しています。

フェデレーテッドラーニング、差分プライバシー、信頼性のある実行環境、完全同型暗号、およびマルチパーティ計算などの技術は、異なる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の研究論文は、これらの技術の優れた概要をまとめています。これらの技術は、機械学習プロセス中のデータプライバシーを保護するだけでなく、計算レイヤーで包括的なプライバシー保護AIソリューションを実現します。

2.5データとモデルソース

データおよびモデルの来歴テクノロジーは、ユーザーが意図したモデルやデータと対話していることを保証するプロセスを確立することを目的としています。さらに、これらの技術は、真正性と出所を保証します。たとえば、モデルの来歴技術の一種であるウォーターマークは、署名を機械学習アルゴリズム、より具体的にはモデルの重みに直接埋め込むため、検索中に、推論が意図したモデルに由来するかどうかを検証できます。

2.6アプリケーション

アプリケーションの観点からは、設計の可能性は無限です。上記の業界の景色では、Web 3.0フィールドにAI技術が適用されるにつれて、いくつか特に期待される開発事例をリストアップしました。これらのユースケースはほとんど説明不要ですので、さらにコメントすることはありません。ただし、AIとWeb 3.0の交差点がフィールド内の多くの垂直を再構築する可能性があることに注意する価値があります。これらの新しいプリミティブは、開発者に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ためのより多くの自由を提供します。

part three

概要

AIとWeb3の統合は、革新と潜在性に満ちた景観をもたらします。各技術の独自の利点を活用することで、さまざまな課題に取り組み、新たな技術的道筋を開拓することができます。この新興産業を探求する中で、AIとWeb3のシナジーは進歩を推進し、将来のデジタル体験を再構築し、オンラインでの相互作用の方法を変革することができます。

デジタルの希少性とデジタルの豊富さの融合、計算効率を達成するための未利用リソースの活用、そして安全でプライバシーを保護するデータの慣行の確立が、次世代技術進化の時代を定義するでしょう。

しかしながら、この産業がまだ幼いことを認識する必要があり、現在の状況はすぐに時代遅れになる可能性があります。急速な革新のペースは、今日の最先端ソリューションがすぐに新しいブレークスルーに置き換えられる可能性を意味します。それにもかかわらず、計算ネットワーク、エージェントプラットフォーム、データプロトコルなどの基本的な概念は、AIをWeb3に統合するという膨大な可能性を示しています。

免責事項：

1. この記事は[から転載されています深潮TechFlow], 著作権は元の著者に帰属します [iosgベンチャー], if you have any objections to the reprint, please contact the Gate learnチームはそれに関連する手続きに従ってできるだけ早く対応します。

2. 免責事項：この記事で表現されている見解や意見は、著者個人の見解を表すものであり、投資アドバイスを構成するものではありません。

3. 他の言語版の記事はGate learnチームによって翻訳され、言及されていませんGate.io、翻訳された記事は、複製、配布、盗作されない可能性があります。