AI + Web3：分散型AIマーケットプレイスへの最良の挑戦
TechFlow厳選深潮セレクト
AI + Web3：分散型AIマーケットプレイスへの最良の挑戦
AIマーケットプレイスの最良の試みとは何だろうか？
Web3業界の深掘り報道に専念し潮流を洞察著者: Ian@Foresight Ventures
TL;DR
-
成功した分散型AIマーケットプレイスは、AIとWeb3の利点を緊密に統合し、分散性、資産の所有権確立、収益分配、分散型コンピューティングリソースといった付加価値を活かして、AIアプリケーションの導入ハードルを下げ、開発者がモデルをアップロード・共有することを促進すると同時に、ユーザーのデータプライバシーを保護し、開発者にとって使いやすく、ユーザーのニーズを満たすAIリソースの取引・共有プラットフォームを構築する必要がある。
-
データに基づくAIマーケットプレイスにはより大きな可能性がある。モデルに特化したマーケットプレイスは高品質なモデルの大量供給が必要だが、初期段階では利用者ベースや優れたリソースが不足しており、優秀なモデル提供者のインセンティブが不十分になりやすく、良質なモデルを引き寄せるのは難しい。一方、データに基づくマーケットプレイスは、分散的かつ分布的にデータを収集し、インセンティブ層を設計し、データの所有権を保証することで、特に貴重なパーソナルデータを含む大量の価値あるデータを蓄積できる。ただし、データ市場はデータプライバシーの課題も解決しなければならず、ユーザーがカスタマイズ可能なプライバシーレベル設定を許容するような柔軟な戦略の設計が求められる。
-
分散型AIマーケットプレイスの成功は、ユーザー資源の蓄積と強力なネットワーク効果に依存している。ユーザーおよび開発者は、市場外で得られる価値を超える価値を市場から得られなければならない。初期段階では、優れたモデルを蓄積してユーザーを惹きつけ維持することが重点となる。その後、高品質なモデルライブラリとデータの壁が構築されたら、次第にエンドユーザーの獲得と定着に焦点を移すべきである。また、優れたAIマーケットプレイスは、関係者の利益バランスを見出し、データ所有権、モデル品質、ユーザーのプライバシー、計算リソース、インセンティブアルゴリズムなどの要素を適切に処理する必要がある。
一、Web3におけるAIマーケットプレイス
1.1 Web3分野のAI分野の振り返り
まず、以前私が言及したAIとクリプトの融合方向としての二つの大枠——ZKMLと分散型コンピューティングネットワーク——を振り返ってみよう。
ZKML
ZKMLはAIモデルをtransparent + verifiable（透明かつ検証可能）にするものであり、つまりモデルアーキテクチャ、モデルパラメータと重み、モデル入力のこの三要素がネットワーク全体で検証可能になることを保証する。ZKMLの意義は、非中央集権性と信頼不要性（trustless）を損なうことなく、Web3世界に次の段階の価値を創出し、より広範な応用を支え、新たな可能性を生み出す能力を持つことにある。
コンピューティングネットワーク
計算リソースは今後10年間の大きな戦場となり、高性能計算インフラへの投資は指数関数的に増加していくだろう。分散型コンピューティングの応用シーンは、モデル推論とモデル学習の二方向に分けられるが、大規模AIモデルのトレーニングにおける需要が最も大きい一方で、技術的課題やボトルネックも最大である。複雑なデータ同期やネットワーク最適化の問題などがある。一方、モデル推論においては実用化のチャンスが高く、将来的な成長余地も十分に見込める。
1.2 AIマーケットプレイスとは何か？
AIマーケットプレイスという概念自体は新しいものではない。Hugging Faceは、取引・価格設定メカニズムがない点を除けば、最も成功したAIマーケットプレイスといえる。NLP分野において、Hugging Faceは非常に重要で活発なコミュニティプラットフォームを提供しており、開発者やユーザーがさまざまな事前学習済みモデルを共有・利用できる。
Hugging Faceの成功からわかるように、AIマーケットプレイスに必要な要素は以下の通り：
a. モデルリソース
Hugging Faceは多数の事前学習済みモデルを提供しており、これらは多様なNLPタスクに対応している。このような豊富なリソースは多くのユーザーを惹きつけ、活発なコミュニティ形成とユーザーの蓄積の基盤となる。
b. オープンソース精神＋共有・拡散
Hugging Faceは、開発者が自身のモデルをアップロード・共有することを奨励している。このオープンで共有志向の文化はコミュニティの活性化を促し、最新の研究成果が迅速に多くのユーザーに利用されるようになる。これは優れた開発者やモデルの蓄積を土台に、研究成果の検証と普及の効率を高めることにつながる。
c. 開発者フレンドリー＋使いやすさ
Hugging Faceは使いやすいAPIとドキュメントを提供し、開発者が素早く理解してモデルを利用できるようにしている。これにより利用のハードルが下がり、ユーザーエクスペリエンスが向上し、より多くの開発者が集まる。
Hugging Faceは取引メカニズムを持っていないが、それでもAIモデルの共有と利用に重要なプラットフォームとなっている。つまり、AIマーケットプレイスは業界全体にとって貴重なリソースになりうることが示されている。
短く言えば分散型AIマーケットプレイスとは：
上記の要素を踏まえ、分散型AIマーケットプレイスはブロックチェーン技術を基盤とし、ユーザーが自身のデータやモデル資産の所有権を持つことを可能にする。Web3がもたらす価値は、インセンティブと取引メカニズムにも現れている。ユーザーは自由に適切なモデルを選択したり、システムによるマッチングを受けたりでき、自身が訓練したモデルを出品して収益を得ることもできる。
ユーザーは自身のAI資産に対して所有権を持ち、マーケットプレイス自体はデータやモデルを支配しない。むしろ、市場の発展はユーザー数とそれに伴うモデル・データの蓄積に依存している。この蓄積は長期的なプロセスであり、製品の参入障壁を徐々に築いていくものだ。市場の発展を支えるのは、ユーザー数およびユーザーがアップロードするモデルやデータの量・質である。
1.3 なぜWeb3のAIマーケットプレイスに注目するのか？
1.3.1 コンピューティング応用の大方向と一致
通信負荷などの理由から、分散型コンピューティングはベースモデルの学習では実用化が難しいかもしれないが、ファインチューニングでは負荷がずっと小さくなるため、中央集権型コンピューティングネットワークの実用化に最も適したシナリオの一つになりうる。
AIモデルの学習はプリトレーニングとファインチューニングに分けられる。プリトレーニングは大量のデータと膨大な計算を要し、前述の分析を参照されたい。一方、ファインチューニングはベースモデルを基に特定タスクのデータを使ってモデルパラメータを調整し、特定タスクでの性能を向上させるもので、必要な計算リソースはプリトレーニングよりもはるかに少ない。主に以下の二つの理由からである：
-
データ量：プリトレーニング段階では、モデルは汎用的な言語表現を学ぶために大規模データセット上で学習する必要がある。例えば、BERTモデルのプリトレーニングは数十億語に及ぶWikipediaやBookCorpus上で行われる。一方、ファインチューニングでは、通常は特定タスク向けの小規模データセットで十分である。例えば、感情分析タスクのファインチューニングデータセットは数千〜数万件のコメントしか含まれない。
-
学習ステップ数：プリトレーニングは数百万〜数十億ステップの学習が必要だが、ファインチューニングは数千〜数万ステップで済む。これは、プリトレーニングが言語の基本構造や意味を学ぶ必要があるのに対し、ファインチューニングは一部のパラメータを調整して特定タスクに適応させるだけだからである。
例としてGPT-3を挙げると、プリトレーニングには45TBのテキストデータが使用されたが、ファインチューニングでは約5GBのデータで十分である。プリトレーニングの学習時間は数週間〜数ヶ月かかるが、ファインチューニングは数時間〜数日で完了する。
1.3.2 AIとクリプトの交差点の起点
Web3プロジェクトが妥当かどうかを判断する際の重要なポイントの一つは、「クリプトのためにクリプトをしている」わけではないか、つまりWeb3がもたらす価値を最大化しているか、Web3の追加価値が差別化要因になっているかということだ。明らかに、Web3はこうしたAIマーケットプレイスに代替不可能な所有権確立、収益分配、計算リソースの付加価値をもたらす。
私は、優れたWeb3 AIマーケットプレイスはAIとクリプトを緊密に融合すべきだと考える。理想的な融合とは、AI市場がWeb3に何をもたらすかではなく、むしろWeb3がAI市場に何をもたらせるかということだ。たとえば、各ユーザーが自身のAIモデルやデータの所有権を持てること（AIモデルやデータをNFTとしてカプセル化）、それらを商品として取引できることは、Web3が発揮できる価値をうまく活用している好例である。これはAI開発者やデータ提供者のインセンティブを高めるだけでなく、AIの応用範囲をさらに広げる。もしモデルが十分に優れており使い勝手が良ければ、所有者はそれを共有する強い動機を持つだろう。
同時に、分散型AIマーケットプレイスはモデルやデータの販売・レンタル、タスクのクラウドソーシングなど、全く新しいビジネスモデルを導入する可能性もある。
1.3.3 AI応用のハードル低下
誰もが、そして誰もが能力を持って自身の人工知能モデルを訓練すべきであり、そのためにはベースモデル、ツール、データ、計算リソースなどを提供する、十分に低いハードルのプラットフォームが必要となる。
1.3.4 需要と供給
大規模モデルは推論能力こそ高いが、万能ではない。特定のタスクやシナリオに対してファインチューニングを行うことで、より良い結果と実用性が得られることが多い。したがって、需要側から見れば、ユーザーはさまざまなシーンで使える良いモデルを入手できるAIモデル市場を必要としている。一方、開発者にとっては、豊富なリソースを提供し、専門知識で収益を得られるプラットフォームが必要である。
二、モデルベース vs. データベース
2.1 モデル市場
モデル
ツーリングを売りにし、チェーンの第一環として、プロジェクトは早期に十分な数のモデル開発者を惹きつけて高品質なモデルを展開し、市場に供給を確立する必要がある。
このモデルでは、開発者を惹きつける主な魅力は使いやすく便利なインフラとツーリングであり、データは開発者の能力次第である。これが特定分野の経験を持つ人々が価値を創造できるポイントでもある。この分野のデータは開発者が自ら収集し、微調整によって性能の高いモデルを作り出す必要がある。
考察
最近、AIマーケットプレイスとWeb3の結合に関する多くのプロジェクトを見てきたが、私にはこうした分散型AIモデル市場の構築が偽命題ではないかと思われる。
まず、根本的な問いを考えるべきだ。Web3が提供できる価値とは何か？
単なるトークン報酬やモデル所有権の物語だけでは、到底不十分である。現実的に見れば、高品質なモデルこそが製品の核心であり、優れたモデルは極めて高い経済価値を意味する。モデル提供者の視点から見れば、彼らが自らの高品質モデルをAIマーケットプレイスに展開するには十分な動機が必要だが、トークンや所有権がもたらすインセンティブは、モデル価値に対する期待に見合うだろうか？初期段階でユーザー数が乏しいプラットフォームでは、明らかにそれは足りない。極めて優れたモデルがなければ、ビジネスモデル自体が成立しない。つまり問題は、エンドユーザーがいない初期段階で、モデル提供者が十分な収益を得られる仕組みをどう構築するか、ということになる。
2.2 データ市場
モデル
分散型データ収集を基盤とし、インセンティブ層の設計とデータ所有権の物語を通じて、より多くのデータ提供者やデータにラベルを付けるユーザーを獲得する。クリプトの支援により、プラットフォームは短期間で大量の価値あるデータ、特に現在不足しているパーソナルデータを蓄積できる可能性がある。
私にとって最も興奮するのは、このbottom-upの発展モデルが一種のクラウドファンディングのような形態であることだ。どんなに経験豊かな人でも、特定分野の完全なデータセットを持つことはできない。Web3が提供できる価値の一つは、無許可かつ分散的にデータを収集できることである。このモデルは各分野の専門知識とデータを集約できるだけでなく、より広いユーザー層にAIサービスを提供できる。個々のユーザーのデータと比べ、こうしたクラウドソースされたデータは大量の実際のユーザーのシナリオから収集されるため、単一ソースのデータよりも現実世界の複雑さと多様性をよく反映し、モデルの汎化能力とロバスト性を大幅に高め、さまざまな環境で高性能を発揮できるAIモデルを可能にする。
例として、栄養学に深い知識とデータを持っている人がいたとしても、個人のデータだけでは優れたモデルを訓練するには到底不十分だ。ユーザーがデータを共有する中で、同じ分野の他のユーザーが貢献した貴重なデータにもアクセス・活用でき、より良いファインチューニング効果が得られる。
考察
この観点からすれば、分散型データ市場の構築も有望な試みと言える。データはハードルが低く、生産ラインが短く、提供者密度が高い「商品」であり、Web3が提供できる価値をよりよく活かせる。インセンティブアルゴリズムとデータ所有権の仕組みは、ユーザーがデータをアップロードする動機づけとなる。現行のモデルではデータは一度使えば価値がほとんどなくなるが、分散型AIモデル市場では、ユーザーのデータは繰り返し利用され、利益を得られ、その価値が長期的に実現される。
データを入り口としてユーザーを蓄積することは良い選択のように思える。大規模モデルのコアと壁の一つは高品質で多面的なデータであり、大量のデータ提供者を獲得した後、彼らはエンドユーザーまたはモデル提供者へと転換する可能性がある。この基盤を持つAIマーケットプレイスは、優れたモデルに基礎的な価値を提供でき、アルゴリズムエンジニアがプラットフォームにモデルを貢献する動機づけとなる。
この動機は0から1への変化である。 現在、大企業は膨大なデータを持っているため、より正確なモデルを訓練でき、中小企業や個人開発者は競争が難しい。たとえユーザーが特定分野で非常に価値あるデータを持っていても、それが大規模データセットと組み合わなければ価値を発揮しにくい。しかし、分散型市場では、誰もがデータを取得・利用でき、これらの専門家は価値ある追加データを持ってプラットフォームに参加するため、プラットフォームのデータの質と量がさらに向上し、誰もが優れたモデルを訓練できる可能性があり、AIの革新を推進できる。
データ自体はまさにこの種のAIマーケットプレイスの競争的壁としてふさわしい。まず、優れたインセンティブ層と安全なプライバシー保護により、より多くの一般ユーザーがプロトコルに参加してデータを貢献できる。さらに、ユーザー数が増えるにつれ、データの質と量も継続的に向上する。これによりコミュニティとネットワーク効果が生まれ、市場が提供できる価値が大きくなり、次元が広がり、新規ユーザーの吸引力も高まる。これが市場の壁を築くプロセスである。
結局のところ、データ駆動型AIマーケットプレイスを成功させるには、以下の4点が最も重要である：
-
インセンティブ層：高品質なデータ提供を促す効果的なインセンティブアルゴリズムを設計し、インセンティブの強度と市場の持続可能性のバランスを取る必要がある。
-
プライバシー：データのプライバシーを保護しつつ、データ利用効率を確保する。
-
ユーザー：初期段階でユーザーを急速に蓄積し、より多くの価値あるデータを収集する。
-
データ品質：データはさまざまな出所から来るため、効果的な品質管理メカニズムを設計する必要がある。
なぜモデル提供者がこのシナリオで主要因とされていないのか？
主な理由は、上記4点があれば、優れたモデル提供者の参加は自然な成り行きだからである。
2.3 データ市場の価値と課題
パーソナルデータ
パーソナルデータの価値は、特定分野に特有で入手困難な情報を含んでいる点にある。こうした情報はAIモデルのファインチューニングに特に重要であり、パーソナルデータを使用することで、より正確かつパーソナライズされたモデルを構築でき、特定シナリオでのパフォーマンスがパブリックデータセットで訓練されたモデルを上回る。
現在、基礎モデルの構築過程では大量のパブリックデータを取得できるため、Web3データ市場の注力ポイントはそこではない。トレーニング中にいかにパーソナルデータを取得・統合するかが現在のボトルネックである。パーソナルデータとパブリックデータセットを組み合わせることで、モデルの多様な問題やユーザーのニーズへの適応能力と精度を高めることができる。
例として医療健康分野を挙げると、パーソナルデータを使用したAIモデルは予測精度で通常10～30％向上する。スタンフォード大学の研究によると、パーソナル医療データを使用したディープラーニングモデルは、パブリックデータを使用したモデルよりも肺癌予測精度で15％以上高い。
データプライバシー
プライバシーはAI＋Web3の発展を制限するボトルネックになるだろうか？現在の発展状況を見ると、AIのWeb3における応用方向は徐々に明確になってきたが、どのアプリケーションもプライバシー問題を避けられない。分散型コンピューティングはモデル学習でも推論でも、データとモデルのプライバシーを保証する必要がある。ZKMLが成立する条件の一つも、悪意のあるノードによるモデルの悪用を防ぐことにある。
AIマーケットプレイスはユーザーが自身のデータをコントロールすることを前提としているため、分散的・分布的にユーザーのデータを収集しても、すべてのノードが収集・処理・保存・利用の各段階で生データに直接アクセスすべきではない。現在の暗号化手法はいずれも使用上のボトルネックがある。完全準同型暗号（FHE）を例に挙げると：
-
計算複雑性：FHEは従来の暗号方式より複雑であり、FHE下でのAIモデル学習の計算コストが大幅に増加し、モデル学習が極めて非効率的になり、実行不能になる可能性がある。したがって、深層学習モデルの学習など大量の計算リソースを要するタスクでは、FHEは理想の選択ではない。
-
計算誤差：FHEの計算過程では、誤差が計算の進行とともに累積し、最終的に計算結果に影響を与え、AIモデルの性能を損なう。
プライバシーにもレベルがあり、過剰に心配する必要はない
データの種類によってプライバシーの必要度は異なる。医療記録、金融情報、センシティブな個人情報などのみが高度なプライバシー保護を必要とする。
したがって、分散型AIマーケットプレイスの議論ではデータの多様性を考慮する必要があり、最も重要なのはバランスを取ることである。ユーザーの参加度とプラットフォームのリソース豊かさを最大化するために、ユーザーがカスタマイズ可能なプライバシーレベル設定を許容する柔軟な戦略を設計することは不可欠であり、すべてのデータが最高レベルのプライバシーを必要とするわけではない。
三、分散型AIマーケットプレイスへの再考
3.1 ユーザーが資産を自由に管理できる場合、ユーザーの撤退はプラットフォーム崩壊を招くか？
分散型AIマーケットプレイスの利点はユーザーがリソースを所有できることにある。ユーザーは確かにいつでも自分のリソースを撤去できるが、一旦ユーザーとリソース（モデル、データ）がある程度蓄積されれば、プラットフォームは影響を受けないと考える。もちろん、これはプロジェクト初期にユーザーとリソースを安定させるために多額の資金を費やす必要があることを意味し、スタートアップチームにとっては非常に厳しい。
コミュニティ合意
分散型AIマーケットプレイスが強力なネットワーク効果を形成すれば、より多くのユーザーと開発者がそこに依存するようになる。また、ユーザー数の増加はデータとモデルの質・量を高め、市場を成熟させる。異なる利益動機を持つユーザーは市場からより大きな価値を得られる。少数のユーザーが離脱しても、新規ユーザーの流入速度は理論的には減速せず、市場は継続的に発展し、より大きな価値を提供できる。
インセンティブメカニズム
インセンティブ層が適切に設計されていれば、参加人数の増加と各種リソースの蓄積に応じて、関係者の利益も相応に上昇する。分散型AIマーケットプレイスは、データやモデルの取引を可能にするだけでなく、ユーザーが自身のデータやモデルから利益を得られる仕組みを提供する可能性もある。例えば、データを販売したり、他人に自分のモデルを使わせることで報酬を得たりできる。
モデル開発者の視点：他のプラットフォームでは、より良い性能のモデルをファインチューニングするのに十分なデータが得られない可能性がある；
データ提供者の視点：他のプラットフォームではデータ基盤がこれほど整っていないため、ユーザーの小さなデータ断片は価値を発揮できず、使用量や収益も得られない可能性がある；
まとめ
確かに分散型AIマーケットプレイスでは、プロジェクト側は仲介とプラットフォーム提供という役割しか果たさないが、真の壁はユーザー数の蓄積によってもたらされるデータとモデルの蓄積にある。ユーザーは確かに市場から退出する自由があるが、成熟したAIマーケットプレイスでは、市場外で得られる価値を大きく超える価値を得られるため、ユーザーには退出する動機がなくなる。
ただし、大多数のユーザーまたは一部の高品質モデル／データ提供者が退出を選択すれば、市場に影響が出る可能性はある。これはあらゆる経済システムに存在するユーザーの出入りのダイナミクスと調整に合致している。
3.2 チキン・アンド・エッグ問題
上記二つのアプローチから見て、どちらが最終的に成功するかは不明だが、明らかにデータベースのAIマーケットプレイスの方が整合性が高く、天井もはるかに高い。最大の違いは、データベースの市場が常に壁を厚くし、ユーザーを蓄積する過程がそのままデータ蓄積の過程になる点にある。最終的にWeb3が与える価値は、巨大な分散型データベースをさらに充実させることであり、これはポジティブなスパイラルである。また、本質的にこうしたプラットフォームはデータを保持する必要はなく、データ貢献の市場を提供するだけで軽量である。結局のところ、これは巨大なデータ市であり、こうした壁は代替が極めて困難である。
供給と需要の観点から、AIマーケットプレイスは以下の二点を同時に備える必要がある：
-
大量の優れたモデル
-
エンドユーザー
ある意味で、この二つの条件は互いに依存している。一方では、プラットフォームはモデル・データ提供者に利用の動機を与えるために十分なユーザー数を必要とする。十分なユーザーが蓄積されなければ、インセンティブ層は最大限の価値を発揮できず、データのフライホイールも回らない。そうなると、より多くのモデル提供者がモデルを展開する動機も生まれない。他方、多くのエンドユーザーは必ず「使いやすいモデル」を求めている。ユーザーのプラットフォーム選択は、本質的にプラットフォームのモデル品質と能力の選択である。したがって、一定数の優れたモデルが蓄積される前に、この需要は存在しない。ルーティングアルゴリズムがどれほど先進的でも、良いモデルがなければ空論に終わる。これはApple Storeが存在する前提がAppleであることと同じである。
したがって、より良い発展戦略は以下の通り：
初期戦略
-
高品質モデルの蓄積：初期段階で最も注力すべきは、高品質なモデルライブラリの構築である。理由は、エンドユーザーがどれだけ多くても、選べる・使える高品質なモデルがなければ、プラットフォームに魅力はなく、ユーザーの定着も期待できない。高品質モデルライブラリの構築に集中することで、初期ユーザーが必要なモデルを見つけられるようにし、ブランドの評判とユーザーの信頼を築き、徐々にコミュニティとネットワーク効果を形成できる。
拡張戦略
-
エンドユーザーの獲得：高品質モデルライブラリが構築された後は、より多くのエンドユーザーの獲得と定着に重点を移す。大量のユーザーはモデル開発者に十分な動機と利益を提供し、彼らが継続的にモデルを提供・改善するようになる。さらに、大量のユーザーは大量のデータを生成し、モデルの学習と最適化をさらに促進する。
まとめ
AIマーケットプレイスの最良のアプローチとは何か？一言で言えば、プラットフォームが十分な数の高品質モデルを提供し、ユーザーに適切なモデルを効率的にマッチングして問題を解決できるようにすることである。この一文は二つの矛盾を解決する。まず、プラットフォームが開発者（モデル開発者と利用者）に十分な価値を提供し、高品質モデルが十分に存在すること。次に、これらの「商品」がユーザーに効率的なソリューションを提供し、より多くのユーザーを蓄積し、関係者の利益を守ること。
分散型AIマーケットプレイスは、AI＋Web3が容易に実現できる方向の一つだが、プロジェクトはこのプラットフォームが本当に提供できる価値が何かを明確にし、初期段階で大量のユーザーを獲得する方法を考えなければならない。鍵は、関係者の利益バランスを見つけ、データ所有権、モデル品質、ユーザーのプライバシー、計算リソース、インセンティブアルゴリズムなどの要素を適切に扱い、最終的にデータ、モデル、計算リソースの共有・取引プラットフォームとなることである。
TechFlow公式コミュニティへようこそ
Telegram購読グループ：https://t.me/TechFlowDaily
Twitter公式アカウント：https://x.com/TechFlowPost
Twitter英語アカウント：https://x.com/BlockFlow_News
Foresight Ventures
