ChatGPT一周年を振り返る：生成AIの限界とWeb3の機会

2023.12.07

共有先

TechFlow厳選深潮セレクト

ChatGPT一周年を振り返る：生成AIの限界とWeb3の機会

生成AIとWeb3はなぜ互いに必要とされるのか？

2023.12.07 - 09:12:54

Web3業界の深掘り報道に専念し潮流を洞察

生成AIとWeb3はなぜ互いに必要とされるのか？

TL;DR:

生成式AIの商業利用は2022年に世界的に注目を集めたが、新鮮さが薄れつつある中で、その課題も徐々に明らかになってきた。一方で成熟しつつあるWeb3分野は、ブロックチェーンの完全な透明性、検証可能性、非中央集権性といった特性により、生成式AIの問題解決に新たな視点を提供している。
生成式AIは近年登場した新技術であり、ディープラーニングに基づくニューラルネットワークアーキテクチャを活用して開発されたもので、画像生成における拡散モデルやChatGPTに使われる大規模言語モデルなど、商用化の潜在能力が非常に高い。
Web3における生成式AIの実装アーキテクチャにはインフラ、モデル、アプリケーション、データがあり、特にデータ部分とWeb3の統合は重要で、大きな発展の余地がある。特にオンチェーンデータモデル、AIエージェント型プロジェクト、垂直領域アプリケーションは将来の主要な発展方向となる可能性がある。
現時点での市場におけるWeb3×AI分野の人気プロジェクトは、基本的な面での弱さやトークンによる価値獲得能力の低さといった特徴を示しており、今後の期待は新たな注目度またはトークン経済の刷新にある。
生成式AIはWeb3分野において大きな潜在能力を持ち、他のソフトウェア・ハードウェア技術との融合による新たなストーリーが多数期待される。

1. なぜ生成式AIとWeb3は互いに必要とされるのか？

2022年は文字通り生成式AI（Artificial Intelligence）が世界中で爆発的に広まった年といえる。それ以前の生成式AIは専門職の補助ツールに限られていたが、DALL-E 2、Stable Diffusion、Imagen、Midjourneyが次々と登場し、人工知能生成コンテンツ（AIGC）という最新のテクノロジーがソーシャルメディア上で一大潮流を生み出した。それに続くChatGPTのリリースはまさに衝撃的であり、この流れを頂点へと押し上げた。単純なテキスト指示（プロンプト）を入力するだけでほぼすべての質問に答えられる最初のAIツールとして、ChatGPTはすでに多くの人の日常業務アシスタントとなっている。文書作成、宿題指導、メール支援、論文校正、さらには感情カウンセラーまで多様なタスクをこなすことができ、ネット上ではChatGPTの出力を最適化するための神秘的なプロンプトを研究する熱も高まっている。人々は初めて、人工知能の「知性」を実感できるようになったのだ。ゴールドマンサックスのマクロチームの報告によれば、生成式AIは米国の労働生産性成長の推進器となり、10年間で全世界のGDPを7％（約7兆ドル）押し上げ、生産性成長率を1.5ポイント引き上げる可能性があるとされている。

Web3分野もAIGCの波を受け、2023年1月にはAI関連銘柄が全面的に上昇した；出典: https://www.coingecko.com/

しかし当初の新鮮さが落ち着きを見せると、ChatGPTの世界的トラフィックはリリース以来、2023年6月に初めて減少に転じた（データ元：SimilarWeb）。ここであらためて生成式AIの意義とその限界について考える時が来ている。現状では、生成式AIが直面している困難には以下のようなものが挙げられる。まず、SNS上に無断で使用され、出所不明のAIGCコンテンツが氾濫している。また、ChatGPTの高額な維持コストはOpenAIに対しても品質低下によるコスト削減を迫っており、さらに世界規模の大規模モデルであっても、特定の分野では依然として偏見を含む結果を出している。

ChatGPTの世界全体のデスクトップおよびモバイルトラフィック；出典: Similarweb

一方で、成熟に向かいつつあるWeb3は、非中央集権性、完全な透明性、検証可能性といった特性によって、生成式AIの現在の課題に対する新しい解決策を提供している：

1. Web3の完全な透明性とトレーサビリティは、生成式AIが引き起こす著作権やプライバシーに関する課題を解決できる。これらの特性により、コンテンツの出所や真正性を有効に検証でき、AIが虚偽または権利侵害コンテンツを生成するコストを大幅に引き上げることができる。例えば、著作権が曖昧なミックス動画や個人のプライバシーを侵害するDeepFake動画などが該当する。また、スマートコントラクトのコンテンツ管理への応用は著作権問題の解決に寄与し、クリエイターが自身の作品からより公正な報酬を得ることを可能にする。

DeepFake動画：これはモーガン・フリーマンではない；出典: Youtube

2. Web3の非中央集権性により、AI計算資源の集中リスクを軽減できる。生成式AIの開発には膨大な計算リソースが必要であり、GPT-3ベースのChatGPTを1回訓練するだけでも少なくとも200万ドル以上のコストがかかり、毎日の電気代は約47,000ドルと見積もられている。しかもこの数値は技術や規模の発展とともに指数関数的に増加する。現在、計算資源は依然として大手企業に集中しており、これにより開発・維持・運用コストが極めて高くつき、中小企業にとっては競争が難しい状況だ。短期的には大規模モデルの学習が依然として中央集権環境で行われる必要があるかもしれないが、Web3においては、ブロックチェーン技術により分散型のモデル推論、コミュニティ投票によるガバナンス、モデルのトークン化などが可能になる。既存の分散型取引所を成熟した事例として参考にすれば、大規模モデルの所有権がコミュニティに属し、コミュニティが運営する分散型AIモデル推論システムを設計できる。

H100を使用してもGPT-3の学習には1FLOPsあたりのコストが依然として高額；出典: substake.com

3. Web3の特性を活用することで、AIデータセットの多様性とAIモデルの説明可能性を向上させられる。従来のデータ収集は公開データセットやモデル開発者が独自に収集したものに依存しており、地域や文化の制限を受けることが多い。そのため、AIGCプログラムが出力する内容やChatGPTが生成する回答に特定の民族的主観的バイアスが含まれる可能性がある（例えば、対象人物の肌の色を変更するなど）。しかし、Web3のトークン報酬モデルを用いれば、データ収集方法を改善し、世界中のあらゆる場所からデータを集め、重み付けを行うことができる。さらに、Web3の完全な透明性とトレーサビリティにより、モデルの説明可能性が高まり、多様なバックグラウンドを持つ出力を促進し、モデルを豊かにできる。

解像度向上を目指したAIがオバマ氏を白人に変えてしまう；出典: Twitter

4. Web3の大量なオンチェーンデータを利用して独自のAIモデルを訓練できる。現在のAIモデルの設計・訓練手法は、通常、目的とするデータ構造（テキスト、音声、画像、動画など）に基づいて構築される。Web3とAIの統合におけるユニークな将来の方向性の一つとして、自然言語大規模モデルの構築・訓練手法を参考に、Web3のオンチェーンデータが持つ独自のデータ構造を活かして、オンチェーンデータ大規模モデルを構築することが挙げられる。これにより、他では得られない独自の視点（賢い資金の追跡、プロジェクトの資金の流れなど）を提供でき、人間によるオンチェーン分析よりも、AIは大量のデータを並列処理できるという利点を持つ。

自動化されたオンチェーン分析により、リアルタイム情報を取得可能；出典: nansen.ai

5. 生成式AIは、ユーザーがWeb3世界に参加する際のハードルを下げる強力な手段となる可能性がある。現在のWeb3プロジェクトへの参加には、複雑なオンチェーン概念やウォレット操作の理解が求められ、学習コストと誤操作リスクが高くなる。一方、Web2の同種アプリは長年にわたり製品設計の「楽チン原則」を徹底しており、誰でも簡単に安全に使い始められる。生成式AIは、「インテント中心型（intent-centric）」プロジェクトを支援し、Web3内でユーザーとプロトコルの間に立つ「スマートアシスタント」として機能することで、Web3製品のユーザーエクスペリエンスを飛躍的に向上させられる。

6. Web3は巨大なコンテンツ需要を創出し、生成式AIはそれを満たす鍵となる手段となる。生成式AIは、Web3のために大量の文章、画像、音声、動画コンテンツを生成でき、NFTマーケットからスマートコントラクトのドキュメントまで、さまざまな分散型アプリケーションの発展を後押しできる。

生成式AIとWeb3はそれぞれ課題を抱えているが、互いに必要とされ、協働することでデジタル世界の未来を形作っていくだろう。このような協業は、コンテンツ制作の品質と信頼性を高め、デジタルエコシステムのさらなる発展を推進し、ユーザーにより価値あるデジタル体験を提供する。生成式AIとWeb3の共進化は、デジタル時代に刺激的な新章を切り開くだろう。

2. 生成式AIの技術概要

2.1 生成式AIの技術的背景

AIという概念が1950年代に提唱されて以来、何度かの隆盛期と低迷期を繰り返してきた。各段階の技術革新が新たな波を生み出してきたが、今回の生成式AIも例外ではない。生成式AIはここ10年ほどで登場した新しい概念であり、最近の技術的・製品的成果によって、AIの多くの研究分野の中から飛び抜けた存在となり、一晩にして世界中の注目を集めた。生成式AIの技術構造に深く踏み込む前に、本稿で扱う生成式AIの具体的な意味合いを明らかにし、最近話題となった生成式AIの核心技術を簡単に振り返っておく必要がある。

生成式人工知能とは、会話、物語、画像、動画、音楽などの新しいコンテンツやアイデアを作成できるAIのことである。これは大量のデータで学習した、多数のパラメータを持つ、ディープラーニングに基づくニューラルネットワークモデルである。最近人々の目に触れるようになった生成式AI製品は大きく二つに分けられる。一つはテキストやスタイル入力による画像（動画）生成製品、もう一つはテキスト入力によるChatGPTタイプの製品である。実はこれら二つの製品は同じ核心技术を利用している。それはTransformerアーキテクチャに基づく大規模言語モデル（Large Language Model, LLM）である。前者にはテキスト入力から高品質な画像や動画を生成する拡散モデル（Diffusion Model）が追加され、後者には人間からのフィードバックによる強化学習（Reinforcement Learning from Human Feedback, RLHF）が組み込まれ、出力結果が人間の論理レベルに近づけるようになっている。

2.2 現在の生成式AIの技術アーキテクチャ：

過去の優れた記事の多くは、生成式AIが既存の技術構造に与える意義をさまざまな角度から論じてきた。例えばA16zの記事『誰が生成式AIプラットフォームを所有するのか？』では、生成式AIの現在の技術構造が包括的にまとめられている：

生成式AIの主要な技術構造；出典: 誰が生成式 AI プラットフォーム‌？

この調査記事では、現在のWeb2における生成式AIの構造を三つの層に分けている。すなわち、インフラ（計算資源）、モデル、アプリケーションの三層であり、それぞれの層の現状についても述べている。

インフラについては、現在のところまだWeb2のインフラロジックが主流であり、Web3とAIを結びつける真のインフラプロジェクトはほとんど存在しない。同時に、インフラ層は現時点で最も多くの価値を獲得している部分でもあり、ストレージと計算分野で長年培ってきたWeb2のテック寡占企業が、AI探求段階で「シャベルを売る」ことで着実な利益を得ている。

モデルについては、本来はAIの真の創造者・所有者となるべきだが、現段階ではモデル開発者が適切な商業価値を得られるビジネスモデルがほとんどない。

アプリケーションについては、いくつかの垂直領域ですでに1億ドル以上の収益を上げているが、高額な維持費と低いユーザー定着率では長期的なビジネスモデルを支えるには不十分である。

2.3 生成式AIとWeb3の応用例

2.3.1 AIによるWeb3の大量データ分析

AIの将来の発展において、データは技術的壁を築く核となる。その重要性を理解するために、大規模モデルの性能の源泉に関する研究を見てみよう。この研究では、AI大規模モデルが独特の「出現能力（emergent ability）」を持っていることを示している。つまり、モデルの規模を増やすことで、ある閾値を超えた瞬間、モデルの精度が急激に上昇するのである。以下の図では、各グラフが一つの訓練タスクを表し、各折れ線が一つの大規模モデルの性能（正確度）を表している。さまざまな大規模モデルでの実験結果は一貫して、モデル規模がある一定の閾値を超えると、異なるタスクでの性能が突破的に向上することを示している。

モデル規模とモデル性能の関係；出典: Emergent Analogical Reasoning in Large Language Models

簡単に言えば、モデル規模の量的変化がモデル性能の質的変化を引き起こす。このモデル規模は、モデルのパラメータ数、学習時間、学習データの質に関係している。現状では、モデルのパラメータ数（各社に最高の研究チームが設計担当）や学習時間（計算ハードウェアはNVIDIA製）で差をつけるのは難しいため、ライバルに勝る製品を作るには、二つの道がある。一つは、優れたニッチ市場のニーズを見つけ、殺しのアプリを作る方法だが、これは対象分野への深い理解と卓越した洞察力が求められる。もう一つは、もっと現実的で実行可能な方法で、競合よりも多く、より包括的なデータを集める方法である。

これが生成式AI大規模モデルがWeb3分野に参入する好機となっている。現在のAI大規模モデルや基盤モデルは、さまざまな分野の大量データで訓練されているが、Web3のオンチェーンデータの独自性により、オンチェーンデータ大規模モデルの開発が現実的な有望な道となっている。Web3におけるデータレイヤーには現在二つの製品ロジックがある。第一は、データ提供者にインセンティブを与え、データ所有者のプライバシーと所有権を保護しながら、ユーザー同士でデータの利用権を共有することを奨励する。Ocean Protocolは優れたデータ共有モデルを提供している。第二は、プロジェクト側がデータとアプリケーションを統合し、特定のタスクに対してユーザーにサービスを提供する。例えばTrusta Labはユーザーのオンチェーンデータを収集・分析し、独自のMEDIA score評価システムを通じて、シル詐欺アカウント分析、オンチェーン資産リスク分析などのサービスを提供している。

2.3.2 Web3のAIエージェントアプリケーション

前述のオンチェーンAIエージェント（Agent）アプリケーションも勢いに乗っている。大規模言語モデルの支援のもと、ユーザーのプライバシーを守りながら、ユーザーに定量化可能なオンチェーンサービスを提供する。OpenAIのAI研究責任者リリアン・ウェンのブログによれば、AIエージェントは四つの構成要素に分けられる。すなわち「エージェント＝LLM＋プランニング＋メモリ＋ツール利用」である。LLMはAIエージェントの核であり、外部とのインタラクション、大量データの学習、自然言語による論理的な表現を担う。プランニング＋メモリの部分は、AlphaGoの強化学習技術における行動（action）、方針（policy）、報酬（reward）の概念に似ている。タスク目標を小さな目標に分解し、何度も繰り返される訓練とフィードバックの中で、各タスク目標の最適解法を学び、得られた情報を異なる機能に応じて異なるタイプのメモリに保存する。ツール利用とは、モジュール化されたツールの呼び出し、インターネット情報の検索、専用情報源やAPIへの接続など、エージェントがツールを使うことを指す。注意すべきは、この部分の情報は事前学習後に変更が難しいことが多いことだ。

AIエージェントの全体像；出典: LLM Powered Autonomous Agents

AIエージェントの具体的な実装ロジックを踏まえると、Web3＋AIエージェントの組み合わせが無限の想像空間を開くことが予想できる。例えば：

現在の取引アプリにAIエージェントのモードを導入し、価格予測、成行戦略、損切り戦略、レバレッジの動的調整、KOLのスマートコピー、貸借など、自然言語レベルのインターフェースで取引機能を提供できる。
定量戦略を実行する際、戦略をさらに細かいサブタスクに分解し、異なるAIエージェントに割り当てて実施させる。エージェント同士が協力することで、プライバシー保護の安全性を高めると同時に、相手方がバグを悪用してボットを攻撃するのをリアルタイムで監視・防止できる。
チェーンゲーム内の大量NPCも、AIエージェントと天然に相性が良い。すでにGPTを用いてゲームキャラクターの会話を動的に生成するプロジェクトが登場しており、将来的には事前設定されたテキストに限らず、よりリアルなリアルタイムNPC（あるいはデジタルヒューマン）とのインタラクションが可能になり、プレイヤーの介入なしに自ら相互作用できるようになる。スタンフォード大学が発表した「バーチャルタウン」はまさに素晴らしい応用例である。

現時点では、Web3＋AIエージェントのプロジェクトは依然としてプライベートマーケットまたはAIインフラ側に集中しており、To C向けの殺しのアプリはまだ登場していない。しかし、ブロックチェーンの分散型オンチェーンガバナンス、ゼットナレッジ証明推論、モデル配布、説明可能性の向上など、さまざまな特性と組み合わせることで、将来ゲームルールを変えるWeb3＋AIプロジェクトが生まれることが期待される。

2.3.3 Web3＋AIの潜在的垂直領域アプリケーション

A. 教育分野への応用

Web3とAIの統合により、教育分野は変革を迎えている。その中でも、生成型バーチャルリアリティ授業は注目すべき革新である。AI技術をオンライン学習プラットフォームに組み込むことで、学生は個別化された学習体験を得られる。システムは学生の学習履歴や興味に基づいて、カスタマイズされた教育コンテンツを生成する。この個別化アプローチにより、学習意欲と効果が高まり、教育が個人のニーズにより近づくことが期待される。

学生が没入型VR機器を使ってバーチャル授業に参加；出典: V-SENSE Team

さらに、トークン化された学分インセンティブ制度も教育分野の革新的な試みである。ブロックチェーン技術により、学生の学分や成績をトークンとしてコード化し、デジタル学分制度を構築できる。このインセンティブ制度により、学生の学習活動への積極的参加が促され、より参加型で動機付けされた学習環境が創出される。

また、最近人気のSocialFiプロジェクトFriendTechに触発され、類似のIDバインドキーの価格決定ロジックを用いて、クラスメート間の相互評価システムを構築することもできる。これにより教育に新たなソーシャル要素が加わる。ブロックチェーンの改ざん不可能性により、クラスメート同士の評価がより公正・透明になる。この相互評価制度は、学生のチームワーク能力や社交性の育成に貢献するだけでなく、学生のパフォーマンス評価をより包括的かつ多角的にし、教育制度に多様性と包括性のある評価方法を導入する。

B. 医療分野への応用

医療分野において、Web3とAIの統合はフェデレーテッドラーニング（連合学習）と分散推論の発展を推進している。分散コンピューティングと機械学習を統合することで、医療専門家は広範囲にわたりデータを共有し、より深く包括的な集団学習を可能にする。この集合知的アプローチにより、疾患診断や治療法の研究開発が加速し、医学分野の進歩が促進される。

プライバシー保護も医療分野の応用において無視できない重要な課題である。Web3の非中央集権性とブロックチェーンの改ざん不可能性により、患者の医療データをより安全に保管・転送できる。スマートコントラクトにより、医療データへの正確な制御とアクセス権管理が可能となり、承認された者だけが患者の機密情報を閲覧できるようにすることで、医療データのプライバシーを守ることができる。

C. 保険分野への応用

保険分野では、Web3とAIの統合により、伝統的なビジネスにさらに効率的でスマートなソリューションがもたらされると期待されている。例えば、自動車保険や住宅保険において、コンピュータビジョン技術を活用することで、保険会社は画像分析と評価を通じて財産価値とリスク水準をより効率的に評価できる。これにより、保険会社はより精緻で個別化された料金戦略を立てることができ、保険業界のリスク管理水準が向上する。

AI技術を用いた損害保険の査定；出典: Tractable Inc

同時に、オンチェーン自動請求処理も保険業界の革新の一つである。スマートコントラクトとブロックチェーン技術に基づき、請求プロセスはより透明で効率的になり、煩雑な手続きや人的干渉の可能性が減る。これにより請求処理のスピードが上がり、運用コストが削減され、保険会社と顧客双方にとってより良い体験が提供される。

動的保険料調整ももう一つの革新的な取り組みであり、リアルタイムのデータ分析と機械学習アルゴリズムにより、保険会社は被保険者の実際のリスク状況に基づいて、より正確かつ迅速に保険料を調整できる。これにより保険料がより公平になり、被保険者がより健康的で安全な行動を取るよう促され、社会全体のリスク管理と予防措置が促進される。

D. 著作権分野への応用

著作権分野において、Web3とAIの統合は、デジタルコンテンツの創作、企画提案、コード開発に新たなパラダイムをもたらしている。スマートコントラクトと非中央集権的ストレージにより、デジタルコンテンツの著作権情報がより適切に保護され、創作者が自分の知的財産を容易に追跡・管理できる。同時に、ブロックチェーン技術により、透明で改ざん不可能な創作記録を構築でき、作品の出所確認や認証に信頼性の高い手段を提供できる。

働き方の革新も著作権分野の重要な変革である。貢献に応じたトークン報酬による共同作業により、創作者、企画者、開発者がプロジェクトに共同で参加することが奨励される。これにより創作チーム間の協働が促進され、参加者がプロジェクトの成功から直接利益を得られる機会が提供され、より優れた作品の創出が促される。

一方、著作権証明としてのトークン活用は、利益分配の仕組みを再構築している。スマートコントラクトによる自動分配メカニズムにより、作品が使用、販売、譲渡される際に、各関係者はリアルタイムで対応する利益配分を受け取れる。この非中央集権的な分配モデルは、従来の著作権制度における不透明性や遅延問題を効果的に解決し、創作者により公平で効率的な利益分配を提供する。

E. メタバース分野への応用

メタバース分野では、Web3とAIの統合により、安価なAIGCによるチェーンゲームのコンテンツ充填が可能になる。AIアルゴリズムによって生成された仮想環境やキャラクターは、チェーンゲームのコンテンツを豊かにし、ユーザーにより生き生きとした多様なゲーム体験を提供すると同時に、制作における人的・時間的コストを削減できる。

デジタルヒューマンの制作はメタバース応用におけるもう一つの革新である。毛髪まで細部にわたる外見生成と大規模言語モデルに基づく思考構築を組み合わせることで、生成されたデジタルヒューマンはメタバース内でさまざまな役割を演じ、ユーザーとインタラクションし、現実世界のデジタルツインにも参加できる。これにより、バーチャルリアリティの発展にさらにリアルで深い体験を提供し、デジタルヒューマン技術の娯楽、教育、その他分野への幅広い応用が推進される。

ユーザーのオンチェーンプロファイルに基づいた広告コンテンツの自動生成は、メタバース分野におけるインテリジェントな広告クリエイティブの応用である。ユーザーのメタバース内での行動や好みを分析することで、AIアルゴリズムはより個別化され魅力的な広告コンテンツを生成し、クリック率とユーザー参加度を高められる。この広告生成方式はユーザーの興味により合致するだけでなく、広告主に効率的なプロモーション手段を提供する。

生成型インタラクティブNFTは、メタバース分野において注目すべき技術である。NFTと生成デザインを組み合わせることで、ユーザーはメタバース内で自分自身のNFTアート作品を創作し、インタラクティブ性と独自性を付与できる。これにより、デジタル資産の創作と取引にまったく新しい可能性が生まれ、メタバース内のデジタルアートと仮想経済の発展が推進される。

3. Web3関連プロジェクト

筆者はここに5つのプロジェクトを選んだ。汎用AIインフラとAI分野の老舗リーダーであるRender NetworkとAkash Network、モデルカテゴリの人気プロジェクトBittensor、生成式AIと強く関連するアプリケーションプロジェクトAlethea.ai、AIエージェント分野の代表的プロジェクトFetch.aiを通じて、現在のWeb3分野における生成式AIプロジェクトの現状を垣間見る。

3.1 Render Network（$RNDR）

Render Networkは、母体であるOTOY社の創業者Jules Urbachが2017年に設立した。OTOY社の主な事業はクラウド上のグラフィックレンダリングであり、アカデミー賞受賞作品の制作にも携わり、GoogleやMozillaの共同創業者をアドバイザーに迎え、Appleとの共同プロジェクトにも複数回参加している。OTOYがWeb3分野に進出したのがRender Networkであり、その目的はブロックチェーンの分散特性を活用し、小規模なレンダリングやAIの需要とリソースをつなぐ非中央集権的プラットフォームを構築することで、小規模スタジオがAWS、MS Azure、阿里雲などの高価な中央集権的計算リソースを借りる費用を節約できるようにすること、そして一方で余剰計算リソースを持つ者に収益のチャンスを提供することである。

Renderは高性能レンダリングエンジンOctane Renderを独自開発したOTOY社であり、明確なビジネスロジックを持っているため、開始当初から需要と基本面を兼ね備えたWeb3プロジェクトとして認識されていた。生成式AIが流行した時期、分散検証と分散推論の需要が大幅に増加し、Renderの技術アーキテクチャと完璧に一致したことから、将来的な発展方向の一つとしても期待された。また、Renderは近年常にWeb3分野のAI部門でリーダー的立場を占めており、ある程度のmeme的性質も備えている。AI、メタバース、分散計算などの叙事詩的ブームのたびに上昇の恩恵を受け、非常に多才な存在と言える。

Render Networkは2023年2月、新たな価格ランク制度とコミュニティ投票で選ばれた$RNDRの価格安定化メカニズム（ただし実施時期未定）の導入を発表し、同時にプロジェクトをPolygonからSolanaに移行することを発表した（$RNDRトークンもSolana SPL標準の$RENDERにアップグレード。2023年11月に移行完了）。

Render Networkが発表した新たな価格ランク制度は、オンチェーンサービスを三つのレベルに分け、高から低へと対応する価格と品質のレンダリングサービスを提供し、レンダリング需要者が自由に選択できるようにする。

Render Network 新価格ランク制度の三段階

コミュニティ投票で選ばれた$RNDRの価格安定化メカニズムは、従来の不定期買い取りから、「Burn-and-Mint Equilibrium (BME)」モデルに変更され、$RNDRが長期保有資産ではなく、価格安定型支払いトークンとしての位置づけが明確になった。BME Epochにおける具体的な業務プロセスは以下の通りである：

製品生成「Product Creation」。Render上の製品クリエイター（＝レンダリングリソース提供者）が、空きレンダリングリソースを製品（ノード）としてパッケージ化し、ネットワーク上で稼働待機させる。
製品購入「Purchasing Product」。レンダリング需要があるクライアントが$RNDRトークンを持っていれば、サービス料金として直接トークンをバーンする。持っていなければDEXで法定通貨で$RNDRを購入してからバーンする。サービス料金は公開され、オンチェーンに記録される。
トークン発行「Mint Token」。事前に設定されたルールに従い、新しいトークンを分配する。

注：Render Networkは各取引から、購入者が支払った料金の5%をプロジェクト運営費として徴収する。

Burn-and-Mint Equilibrium Epoch；Credit to Petar Atanasovski；出典: Medium

事前に設定されたルールに従い、BMEが実行される各Epochで、事前に決められた数量の新規トークンが発行される（この数量は時間とともに徐々に減少）。新しく発行されたトークンは以下の三者に分配される：

製品クリエイター。二つの観点から報酬を得る：
タスク完了報酬。各製品ノードがレンダリングタスクを完了した数に応じて報酬を得る。
オンライン報酬。各製品ノードがオンラインで待機していた時間に応じて報酬を得る。リソースを常時オンラインにして仕事を受けやすいように促進する。
製品購入者。百貨店の商品券還元に似ており、購入者は最大100％の$RNDRトークン還元を受けられる。将来もRender Networkを使い続けるよう促進する。
DEX（分散型取引所）流動性提供者。協力DEXで流動性を提供した者は、$RNDRをバーンする際に適正価格で十分な量を購入できるよう確保するため、提供した$RNDRの量に応じて報酬を得られる。

出典: coingecko.com

$RNDRの過去1年の価格傾向を見ると、Web3分野のAI部門で長年リーダー的存在だった$RNDRは、2022年末から2023年初頭のChatGPTが巻き起こしたAIブームの恩恵を受け、新たなトークンメカニズム発表と共に2023年前半に高値をつけた。その後、後半は横ばいで推移したが、OpenAIの新発表会によるAI復活の動きと、Render NetworkのSolana移行、新たなトークンメカニズムの実装期待により、$RNDRの価格はさらに上昇し、近年の最高値に達した。$RNDRの基本面はほとんど変わっていないため、投資家にとっては今後、ポジション管理とリスク管理をより慎重に行う必要がある。