# Web3-AI分野の全景レポート：技術論理、シーンアプリケーションとトッププロジェクトのデプス分析AIのナラティブがますます注目される中、この分野に対する関心が高まっています。本稿では、Web3-AI分野の技術的ロジック、アプリケーションシーン、および代表的なプロジェクトを深く分析し、この分野の全体像と発展トレンドを包括的に提示します。## I. Web3-AI:テクニカルロジックと新興市場の機会分析### 1.1 Web3とAIの融合ロジック：Web-AIジャンルをどのように定義するか過去1年間、AIナラティブはWeb3業界で異常に人気を博し、AIプロジェクトが雨後の筍のように次々と登場しました。多くのプロジェクトがAI技術を取り入れていますが、いくつかのプロジェクトはその製品の特定の部分でのみAIを使用しており、基盤となるトークンエコノミクスはAI製品と実質的な関連がないため、このようなプロジェクトは本稿でのWeb3-AIプロジェクトの議論には含まれません。この記事の焦点は、ブロックチェーンを使用して生産関係の問題を解決し、AIが生産力の問題を解決するプロジェクトにあります。これらのプロジェクト自体はAI製品を提供し、同時にWeb3経済モデルを生産関係のツールとして基盤としており、両者は相互に補完し合っています。このようなプロジェクトをWeb3-AIトラックに分類します。読者がWeb3-AIトラックをより良く理解できるようにするために、AIの開発プロセスと課題、そしてWeb3とAIの組み合わせがどのように問題を完璧に解決し、新しいアプリケーションシーンを創造するかについて紹介します。### 1.2 AIの開発プロセスと課題：データ収集からモデル推論までAI技術は、コンピュータが人間の知能を模倣、拡張、強化することを可能にする技術です。これにより、コンピュータは言語翻訳、画像分類、顔認識、自動運転などのさまざまな複雑なタスクを実行できるようになり、AIは私たちの生活や仕事の仕方を変えつつあります。人工知能モデルの開発プロセスは通常、以下のいくつかの重要なステップを含みます：データ収集とデータ前処理、モデルの選択とチューニング、モデルのトレーニングと推論。簡単な例として、猫と犬の画像を分類するモデルを開発する場合、あなたは以下が必要です：1. データ収集とデータ前処理：猫と犬の画像データセットを収集します。公開データセットを使用するか、実際のデータを自分で収集することができます。次に、各画像にカテゴリ（猫または犬）をラベル付けし、ラベルが正確であることを確認します。画像をモデルが認識できる形式に変換し、データセットを訓練セット、検証セット、およびテストセットに分割します。2. モデル選択と調整：適切なモデルを選択します。例えば、畳み込みニューラルネットワーク（CNN）は画像分類タスクに適しています。異なるニーズに応じてモデルのパラメータやアーキテクチャを調整します。一般的に、モデルのネットワークの階層はAIタスクの複雑さに応じて調整できます。この単純な分類の例では、浅いネットワークの階層で十分かもしれません。3. モデルのトレーニング：GPU、TPU、または高性能計算クラスタを使用してモデルをトレーニングすることができ、トレーニング時間はモデルの複雑さと計算能力の影響を受けます。4. モデル推論：モデルを訓練したファイルは通常モデルウェイトと呼ばれ、推論プロセスは訓練済みモデルを使用して新しいデータに対して予測または分類を行うプロセスを指します。このプロセスでは、テストセットや新しいデータを使用してモデルの分類効果をテストすることができ、通常は精度、再現率、F1スコアなどの指標を用いてモデルの有効性を評価します。図に示すように、データ収集とデータ前処理、モデル選択とチューニング、そしてトレーニングを経て、トレーニングされたモデルをテストセットで推論すると、猫と犬の予測値P（確率）が得られます。これは、モデルが猫または犬である確率を推論したものです。訓練されたAIモデルは、さまざまなアプリケーションに統合され、異なるタスクを実行できます。この例では、猫と犬を分類するAIモデルがモバイルアプリに統合され、ユーザーが猫または犬の画像をアップロードすると、分類結果が得られます。しかし、センタライズされたAI開発プロセスには以下のシナリオにおいていくつかの問題があります：ユーザーのプライバシー：中央集権的なシーンでは、AIの開発プロセスは通常不透明です。ユーザーデータは知らないうちに盗まれ、AIのトレーニングに使用される可能性があります。データソースの取得：小規模なチームや個人が特定の分野のデータ（例えば医療データ）を取得する際、データがオープンソースでない制限に直面する可能性があります。モデルの選択と調整：小規模なチームにとって、特定の分野のモデルリソースを取得したり、モデルの調整に多大なコストをかけたりするのは難しい。算力取得：個人開発者や小規模なチームにとって、高額なGPU購入費用やクラウド算力レンタル費用は、かなりの経済的負担となる可能性があります。AIアセット収入：データアノテーション作業者はしばしば自分の努力に見合った収入を得ることができず、AI開発者の研究成果も需要のあるバイヤーとマッチするのが難しい。中心化AIシーンで存在する課題は、Web3と結びつけることで解決できる。Web3は新しい生産関係の一形態であり、新しい生産力を代表するAIに自然に適合するため、技術と生産能力の同時進歩を促進する。### 1.3 Web3とAIの協働効果：役割の変化と革新アプリケーションWeb3とAIの統合はユーザーの主権を強化し、ユーザーにオープンなAI協力プラットフォームを提供し、ユーザーがWeb2時代のAI利用者から参加者へと移行し、誰もが所有できるAIを創造します。同時に、Web3の世界とAI技術の融合は、より多くの革新的なアプリケーションシーンや遊び方を生み出すことができます。Web3技術に基づき、AIの開発と応用は新しい協力経済システムを迎えることになります。人々のデータプライバシーは保障され、データのクラウドソーシングモデルがAIモデルの進歩を促進し、多くのオープンソースのAIリソースがユーザーに提供され、共有された計算力は低コストで取得できます。分散型の協力的クラウドソーシングメカニズムとオープンなAI市場を活用することで、公平な収入分配システムを実現し、より多くの人々がAI技術の進歩を推進することを奨励できます。Web3のシーンでは、AIが複数のトラックで積極的な影響を与えることができます。たとえば、AIモデルはスマートコントラクトに統合され、市場分析、安全検出、ソーシャルクラスタリングなど、さまざまなアプリケーションシーンで作業効率を向上させることができます。生成的AIは、ユーザーがAI技術を使用して自分のNFTを作成するなど、「アーティスト」の役割を体験できるだけでなく、GameFiにおいて多様なゲームシーンや興味深いインタラクション体験を創造することもできます。豊富なインフラストラクチャはスムーズな開発体験を提供し、AIの専門家でもAI分野に入りたい初心者でも、この世界で適切な入口を見つけることができます。## 二、Web3-AIエコシステムプロジェクトの全体像とアーキテクチャの解読私たちは主にWeb3-AI分野の41のプロジェクトを研究し、これらのプロジェクトを異なるレベルに分類しました。各レベルの分類ロジックは以下の図に示されており、インフラストラクチャレベル、中間レベル、アプリケーションレベルに分かれ、それぞれが異なるセクターに分かれています。次の章では、いくつかの代表的なプロジェクトについてデプスな解析を行います。インフラストラクチャ層は、AIライフサイクル全体の運用をサポートするコンピューティングリソースと技術アーキテクチャを含み、中間層はインフラストラクチャとアプリケーションを接続するデータ管理、モデル開発、検証推論サービスを含み、アプリケーション層はユーザーに直接向けられたさまざまなアプリケーションとソリューションに焦点を当てています。インフラ層：インフラ層はAIライフサイクルの基盤であり、本記事では算力、AI Chain、および開発プラットフォームをインフラ層に分類しています。これらのインフラのサポートによって、AIモデルのトレーニングと推論が実現され、強力で実用的なAIアプリケーションがユーザーに提供されます。- 分散型コンピューティングネットワーク：AIモデルのトレーニングのために分散した計算能力を提供し、高効率かつ経済的な計算資源の利用を確保します。一部のプロジェクトでは分散型の計算能力市場を提供しており、ユーザーは低コストで計算能力をレンタルしたり、計算能力を共有して利益を得たりできます。代表的なプロジェクトにはIO.NETやHyperbolicがあります。さらに、一部のプロジェクトでは新しい遊び方が派生しており、Compute Labsはトークン化プロトコルを提案し、ユーザーはGPU実体を代表するNFTを購入することで、様々な方法で計算能力のレンタルに参加し、利益を得ることができます。- AIチェーン：ブロックチェーンをAIライフサイクルの基盤として利用し、オンチェーンとオフチェーンのAIリソースのシームレスな相互作用を実現し、業界エコシステムの発展を促進します。チェーン上の非中央集権的AIマーケットでは、データ、モデル、エージェントなどのAI資産を取引でき、AI開発フレームワークや関連する開発ツールを提供します。代表的なプロジェクトとしてはSahara AIがあります。AIチェーンは、Bittensorの革新的なサブネットインセンティブメカニズムを通じて、異なるAIタイプのサブネット競争を促進するなど、異なる分野のAI技術の進歩も促進できます。- 開発プラットフォーム：いくつかのプロジェクトはAIエージェント開発プラットフォームを提供しており、Fetch.aiやChainMLなどのAIエージェントの取引を実現できます。一括のツールは開発者がAIモデルをより便利に作成、トレーニング、デプロイするのを助け、代表的なプロジェクトにはNimbleがあります。これらのインフラはWeb3エコシステムにおけるAI技術の広範な応用を促進しています。ミドルレイヤー：この層はAIデータ、モデル、推論および検証に関係し、Web3技術を使用することでより高い作業効率を実現できます。- データ：データの質と量はモデルのトレーニング効果に影響を与える重要な要素です。Web3の世界では、クラウドソーシングデータと協力的なデータ処理を通じて、リソースの利用を最適化し、データコストを削減できます。ユーザーはデータの自主権を持ち、プライバシー保護の下で自分のデータを販売することで、不良商人にデータを盗まれ、高額な利益を得られるのを避けることができます。データ需要者にとって、これらのプラットフォームは幅広い選択肢と非常に低いコストを提供します。代表的なプロジェクトとして、Grassはユーザーの帯域幅を利用してWebデータを収集し、xDataはユーザーフレンドリーなプラグインを通じてメディア情報を収集し、ユーザーがツイート情報をアップロードすることをサポートしています。さらに、一部のプラットフォームでは、分野の専門家や一般ユーザーがデータ前処理タスクを実行することを許可しています。これには、画像ラベリングやデータ分類が含まれ、これらのタスクは金融や法的な専門知識を必要とするデータ処理を伴う場合があります。ユーザーはスキルをトークン化し、データ前処理の協力的なクラウドソーシングを実現できます。例えば、Sahara AIのようなAIマーケットは、異なる分野のデータタスクを持ち、多様なデータシーンをカバーできます。一方、AIT Protocoltは人間と機械の協働によってデータにラベリングを行います。- モデル：以前に言及したAI開発プロセスでは、異なるタイプのニーズに適したモデルをマッチングする必要があります。画像タスクで一般的に使用されるモデルはCNNやGANであり、物体検出タスクではYoloシリーズを選択できます。テキスト関連のタスクではRNNやTransformerなどのモデルが一般的で、もちろん特定のものや汎用の大規模モデルも存在します。異なる複雑さのタスクに必要なモデルのデプスも異なり、時にはモデルの調整が必要です。いくつかのプロジェクトは、ユーザーが異なるタイプのモデルを提供したり、クラウドソーシングによってモデルを共同で訓練したりすることをサポートしています。例えば、Sentientはモジュール化された設計を通じて、ユーザーが信頼できるモデルデータをストレージ層と配布層に置いてモデルの最適化を行うことを可能にしています。また、Sahara AIが提供する開発ツールには、先進的なAIアルゴリズムと計算フレームワークが組み込まれており、共同訓練の能力も備えています。- 推論と検証：モデルがトレーニングされた後、モデルの重みファイルが生成され、これを使用して分類、予測、またはその他の特定のタスクを直接行うことができます。このプロセスは推論と呼ばれます。推論プロセスには通常、推論モデルの出所が正しいか、悪意のある行動がないかを検証するための検証メカニズムが伴います。Web3の推論は通常、スマートコントラクトに統合され、モデルを呼び出して推論を行います。一般的な検証方法にはZKML、OPML、TEEなどの技術が含まれます。代表的なプロジェクトにはORAチェーン上のAIオラクル（OAO）があり、AIオラクルの検証可能なレイヤーとしてOPMLを導入しています。また、ORAの公式ウェブサイトでは、ZKMLとopp/ai（ZKMLとOPMLの統合）に関する研究についても言及されています。アプリケーション層：このレイヤーは主にユーザー向けのアプリケーションであり、AIとWeb3を組み合わせて、より多くの面白く、革新的な遊び方を生み出します。本稿では、AIGC（AI生成コンテンツ）、AIエージェント、データ分析のいくつかのセクションのプロジェクトを整理しました。- AIGC：AIGCを通じてWeb3のNFT、ゲームなどの分野に拡張できます。ユーザーはPrompt（ユーザーが提供するヒント）を通じてテキスト、画像、音声を生成でき、さらにはゲーム内で自分の好みに応じたカスタマイズされたプレイスタイルを生成することもできます。NFTプロジェクトであるNFPromptでは、ユーザーはAIを使ってNFTを生成し、市場で取引できます；ゲームSleeplessでは、ユーザーが対話を通じて仮想パートナーの性格を形成し、自分の好みにマッチさせます；- AIエージェント：自律的にタスクを実行し、意思決定を行うことができる人工知能システムを指します。AIエージェントは通常、感知、推論、学習、行動の能力を備えており、さまざまな環境で複雑なタスクを実行できます。一般的なAIエージェントには、言語翻訳などがあります。
Web3-AI分野の全景解析：技術的論理とトッププロジェクトのデプス分析
Web3-AI分野の全景レポート：技術論理、シーンアプリケーションとトッププロジェクトのデプス分析
AIのナラティブがますます注目される中、この分野に対する関心が高まっています。本稿では、Web3-AI分野の技術的ロジック、アプリケーションシーン、および代表的なプロジェクトを深く分析し、この分野の全体像と発展トレンドを包括的に提示します。
I. Web3-AI:テクニカルロジックと新興市場の機会分析
1.1 Web3とAIの融合ロジック：Web-AIジャンルをどのように定義するか
過去1年間、AIナラティブはWeb3業界で異常に人気を博し、AIプロジェクトが雨後の筍のように次々と登場しました。多くのプロジェクトがAI技術を取り入れていますが、いくつかのプロジェクトはその製品の特定の部分でのみAIを使用しており、基盤となるトークンエコノミクスはAI製品と実質的な関連がないため、このようなプロジェクトは本稿でのWeb3-AIプロジェクトの議論には含まれません。
この記事の焦点は、ブロックチェーンを使用して生産関係の問題を解決し、AIが生産力の問題を解決するプロジェクトにあります。これらのプロジェクト自体はAI製品を提供し、同時にWeb3経済モデルを生産関係のツールとして基盤としており、両者は相互に補完し合っています。このようなプロジェクトをWeb3-AIトラックに分類します。読者がWeb3-AIトラックをより良く理解できるようにするために、AIの開発プロセスと課題、そしてWeb3とAIの組み合わせがどのように問題を完璧に解決し、新しいアプリケーションシーンを創造するかについて紹介します。
1.2 AIの開発プロセスと課題：データ収集からモデル推論まで
AI技術は、コンピュータが人間の知能を模倣、拡張、強化することを可能にする技術です。これにより、コンピュータは言語翻訳、画像分類、顔認識、自動運転などのさまざまな複雑なタスクを実行できるようになり、AIは私たちの生活や仕事の仕方を変えつつあります。
人工知能モデルの開発プロセスは通常、以下のいくつかの重要なステップを含みます：データ収集とデータ前処理、モデルの選択とチューニング、モデルのトレーニングと推論。簡単な例として、猫と犬の画像を分類するモデルを開発する場合、あなたは以下が必要です：
データ収集とデータ前処理：猫と犬の画像データセットを収集します。公開データセットを使用するか、実際のデータを自分で収集することができます。次に、各画像にカテゴリ（猫または犬）をラベル付けし、ラベルが正確であることを確認します。画像をモデルが認識できる形式に変換し、データセットを訓練セット、検証セット、およびテストセットに分割します。
モデル選択と調整：適切なモデルを選択します。例えば、畳み込みニューラルネットワーク（CNN）は画像分類タスクに適しています。異なるニーズに応じてモデルのパラメータやアーキテクチャを調整します。一般的に、モデルのネットワークの階層はAIタスクの複雑さに応じて調整できます。この単純な分類の例では、浅いネットワークの階層で十分かもしれません。
モデルのトレーニング：GPU、TPU、または高性能計算クラスタを使用してモデルをトレーニングすることができ、トレーニング時間はモデルの複雑さと計算能力の影響を受けます。
モデル推論：モデルを訓練したファイルは通常モデルウェイトと呼ばれ、推論プロセスは訓練済みモデルを使用して新しいデータに対して予測または分類を行うプロセスを指します。このプロセスでは、テストセットや新しいデータを使用してモデルの分類効果をテストすることができ、通常は精度、再現率、F1スコアなどの指標を用いてモデルの有効性を評価します。
図に示すように、データ収集とデータ前処理、モデル選択とチューニング、そしてトレーニングを経て、トレーニングされたモデルをテストセットで推論すると、猫と犬の予測値P（確率）が得られます。これは、モデルが猫または犬である確率を推論したものです。
訓練されたAIモデルは、さまざまなアプリケーションに統合され、異なるタスクを実行できます。この例では、猫と犬を分類するAIモデルがモバイルアプリに統合され、ユーザーが猫または犬の画像をアップロードすると、分類結果が得られます。
しかし、センタライズされたAI開発プロセスには以下のシナリオにおいていくつかの問題があります：
ユーザーのプライバシー：中央集権的なシーンでは、AIの開発プロセスは通常不透明です。ユーザーデータは知らないうちに盗まれ、AIのトレーニングに使用される可能性があります。
データソースの取得：小規模なチームや個人が特定の分野のデータ（例えば医療データ）を取得する際、データがオープンソースでない制限に直面する可能性があります。
モデルの選択と調整：小規模なチームにとって、特定の分野のモデルリソースを取得したり、モデルの調整に多大なコストをかけたりするのは難しい。
算力取得：個人開発者や小規模なチームにとって、高額なGPU購入費用やクラウド算力レンタル費用は、かなりの経済的負担となる可能性があります。
AIアセット収入：データアノテーション作業者はしばしば自分の努力に見合った収入を得ることができず、AI開発者の研究成果も需要のあるバイヤーとマッチするのが難しい。
中心化AIシーンで存在する課題は、Web3と結びつけることで解決できる。Web3は新しい生産関係の一形態であり、新しい生産力を代表するAIに自然に適合するため、技術と生産能力の同時進歩を促進する。
1.3 Web3とAIの協働効果：役割の変化と革新アプリケーション
Web3とAIの統合はユーザーの主権を強化し、ユーザーにオープンなAI協力プラットフォームを提供し、ユーザーがWeb2時代のAI利用者から参加者へと移行し、誰もが所有できるAIを創造します。同時に、Web3の世界とAI技術の融合は、より多くの革新的なアプリケーションシーンや遊び方を生み出すことができます。
Web3技術に基づき、AIの開発と応用は新しい協力経済システムを迎えることになります。人々のデータプライバシーは保障され、データのクラウドソーシングモデルがAIモデルの進歩を促進し、多くのオープンソースのAIリソースがユーザーに提供され、共有された計算力は低コストで取得できます。分散型の協力的クラウドソーシングメカニズムとオープンなAI市場を活用することで、公平な収入分配システムを実現し、より多くの人々がAI技術の進歩を推進することを奨励できます。
Web3のシーンでは、AIが複数のトラックで積極的な影響を与えることができます。たとえば、AIモデルはスマートコントラクトに統合され、市場分析、安全検出、ソーシャルクラスタリングなど、さまざまなアプリケーションシーンで作業効率を向上させることができます。生成的AIは、ユーザーがAI技術を使用して自分のNFTを作成するなど、「アーティスト」の役割を体験できるだけでなく、GameFiにおいて多様なゲームシーンや興味深いインタラクション体験を創造することもできます。豊富なインフラストラクチャはスムーズな開発体験を提供し、AIの専門家でもAI分野に入りたい初心者でも、この世界で適切な入口を見つけることができます。
二、Web3-AIエコシステムプロジェクトの全体像とアーキテクチャの解読
私たちは主にWeb3-AI分野の41のプロジェクトを研究し、これらのプロジェクトを異なるレベルに分類しました。各レベルの分類ロジックは以下の図に示されており、インフラストラクチャレベル、中間レベル、アプリケーションレベルに分かれ、それぞれが異なるセクターに分かれています。次の章では、いくつかの代表的なプロジェクトについてデプスな解析を行います。
インフラストラクチャ層は、AIライフサイクル全体の運用をサポートするコンピューティングリソースと技術アーキテクチャを含み、中間層はインフラストラクチャとアプリケーションを接続するデータ管理、モデル開発、検証推論サービスを含み、アプリケーション層はユーザーに直接向けられたさまざまなアプリケーションとソリューションに焦点を当てています。
インフラ層：
インフラ層はAIライフサイクルの基盤であり、本記事では算力、AI Chain、および開発プラットフォームをインフラ層に分類しています。これらのインフラのサポートによって、AIモデルのトレーニングと推論が実現され、強力で実用的なAIアプリケーションがユーザーに提供されます。
分散型コンピューティングネットワーク：AIモデルのトレーニングのために分散した計算能力を提供し、高効率かつ経済的な計算資源の利用を確保します。一部のプロジェクトでは分散型の計算能力市場を提供しており、ユーザーは低コストで計算能力をレンタルしたり、計算能力を共有して利益を得たりできます。代表的なプロジェクトにはIO.NETやHyperbolicがあります。さらに、一部のプロジェクトでは新しい遊び方が派生しており、Compute Labsはトークン化プロトコルを提案し、ユーザーはGPU実体を代表するNFTを購入することで、様々な方法で計算能力のレンタルに参加し、利益を得ることができます。
AIチェーン：ブロックチェーンをAIライフサイクルの基盤として利用し、オンチェーンとオフチェーンのAIリソースのシームレスな相互作用を実現し、業界エコシステムの発展を促進します。チェーン上の非中央集権的AIマーケットでは、データ、モデル、エージェントなどのAI資産を取引でき、AI開発フレームワークや関連する開発ツールを提供します。代表的なプロジェクトとしてはSahara AIがあります。AIチェーンは、Bittensorの革新的なサブネットインセンティブメカニズムを通じて、異なるAIタイプのサブネット競争を促進するなど、異なる分野のAI技術の進歩も促進できます。
開発プラットフォーム：いくつかのプロジェクトはAIエージェント開発プラットフォームを提供しており、Fetch.aiやChainMLなどのAIエージェントの取引を実現できます。一括のツールは開発者がAIモデルをより便利に作成、トレーニング、デプロイするのを助け、代表的なプロジェクトにはNimbleがあります。これらのインフラはWeb3エコシステムにおけるAI技術の広範な応用を促進しています。
ミドルレイヤー：
この層はAIデータ、モデル、推論および検証に関係し、Web3技術を使用することでより高い作業効率を実現できます。
さらに、一部のプラットフォームでは、分野の専門家や一般ユーザーがデータ前処理タスクを実行することを許可しています。これには、画像ラベリングやデータ分類が含まれ、これらのタスクは金融や法的な専門知識を必要とするデータ処理を伴う場合があります。ユーザーはスキルをトークン化し、データ前処理の協力的なクラウドソーシングを実現できます。例えば、Sahara AIのようなAIマーケットは、異なる分野のデータタスクを持ち、多様なデータシーンをカバーできます。一方、AIT Protocoltは人間と機械の協働によってデータにラベリングを行います。
いくつかのプロジェクトは、ユーザーが異なるタイプのモデルを提供したり、クラウドソーシングによってモデルを共同で訓練したりすることをサポートしています。例えば、Sentientはモジュール化された設計を通じて、ユーザーが信頼できるモデルデータをストレージ層と配布層に置いてモデルの最適化を行うことを可能にしています。また、Sahara AIが提供する開発ツールには、先進的なAIアルゴリズムと計算フレームワークが組み込まれており、共同訓練の能力も備えています。
アプリケーション層：
このレイヤーは主にユーザー向けのアプリケーションであり、AIとWeb3を組み合わせて、より多くの面白く、革新的な遊び方を生み出します。本稿では、AIGC（AI生成コンテンツ）、AIエージェント、データ分析のいくつかのセクションのプロジェクトを整理しました。
AIGC：AIGCを通じてWeb3のNFT、ゲームなどの分野に拡張できます。ユーザーはPrompt（ユーザーが提供するヒント）を通じてテキスト、画像、音声を生成でき、さらにはゲーム内で自分の好みに応じたカスタマイズされたプレイスタイルを生成することもできます。NFTプロジェクトであるNFPromptでは、ユーザーはAIを使ってNFTを生成し、市場で取引できます；ゲームSleeplessでは、ユーザーが対話を通じて仮想パートナーの性格を形成し、自分の好みにマッチさせます；
AIエージェント：自律的にタスクを実行し、意思決定を行うことができる人工知能システムを指します。AIエージェントは通常、感知、推論、学習、行動の能力を備えており、さまざまな環境で複雑なタスクを実行できます。一般的なAIエージェントには、言語翻訳などがあります。