AI+Crypto 最終レポート：どのような AI+Crypto が製品に高いリターンをもたらすのか？
TechFlow厳選深潮セレクト
AI+Crypto 最終レポート：どのような AI+Crypto が製品に高いリターンをもたらすのか？
AIアプリケーションのより合理的なポイントは、ユーザー体験の向上と開発効率の改善、あるいはAI市場における重要な一環としての役割にある。
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
AIと暗号資産の融合領域を数ヶ月にわたり深く研究した結果、この分野に対する理解がさらに深まった。本稿では初期の見解と現在の業界動向を比較分析しており、すでにこの分野に詳しい読者は2番目のセクションから読み進めることを推奨する。
-
分散型計算資源ネットワーク：市場需要の面で課題に直面しており、特に「分散化」の最終目的はコスト削減にある。Web3のコミュニティ属性とトークンは無視できない価値をもたらすが、計算資源のトラック自体にとってはむしろ付加価値に過ぎず、破壊的な変革ではない。重要なのはユーザーのニーズと結びつく方法を見つけることであり、単に分散型ネットワークを集中型計算リソースの補完として盲目的に位置づけるべきではない。
-
AIマーケットプレイス：全工程金融化されたAIマーケットの構想について考察。コミュニティおよびトークンがもたらす価値は極めて重要である。このような市場は基盤となる計算力やデータだけでなく、モデルそのものや関連アプリケーションも含む。モデルの金融化はAIマーケットの中核要素であり、一方でユーザーがAIモデルの価値創造プロセスに直接参加できるようにし、他方で下層の計算力とデータに需要を創出する。
-
オンチェーンAI：ZKMLは需要と供給の両面で課題を抱えており、OPMLはコストと効率のバランスを取ったより現実的な代替案を提供している。技術的にはOPMLは画期的だが、根本的な問題——すなわち「そもそも需要がない」という点——を解決できるわけではない。
-
アプリケーション層：現存するWeb3のAIアプリプロジェクトの多くはあまりにも素朴であり、AIの真の価値はユーザーエクスペリエンスの向上・開発効率の改善、あるいはAIマーケット内での重要な一環としての役割にある。
一、AI分野の振り返り
過去数ヶ月間、AI＋Cryptoというテーマについて深く調査・研究してきた。数ヶ月の熟成を経て、比較的早い段階でいくつかのトレンドを予見できたことに満足している一方で、今となっては正しくないと考える見解も存在する。
本記事は導入なしでいきなり核心に迫る。Web3におけるAIの主な方向性をカバーし、筆者が当初持っていた見解と現在の認識を対比して提示する。異なる視点からの考察により新たな気づきを得られるかもしれない。双方を批判的に検討していただきたい。
まず、今年上半期に設定したAI＋Cryptoの主要な方向性を振り返ろう。
1.1 分散型計算リソース
「分散型計算ネットワークを冷静に見る」において、「計算能力は将来最も価値あるリソースになる」という大前提のもと、Cryptoが計算ネットワークにどのような価値をもたらせるかを分析した。
AI大規模モデルの学習において、分散型計算ネットワークの需要は最大級だが、同時に最大の技術的課題にも直面している。複雑なデータ同期やネットワーク最適化の問題があり、データのプライバシーとセキュリティも重要な制約要因である。既存技術はある程度の解決策を提示しているものの、大規模な分散学習タスクでは計算・通信オーバーヘッドが大きすぎてまだ実用化には至っていない。そのため、分散型計算ネットワークが現実的に活用されるのはむしろ「推論（inference）」の場面だろう。将来的な成長余地も十分に大きいと考えられる。ただし、通信遅延、データのプライバシー、モデルの安全性といった課題も残っている。学習に比べて推論は計算の複雑さとデータのやり取りが少なく、分散環境に適している。
1.2 分散型AIマーケットプレイス
「分散型AIマーケットプレイスの最良の試み」では、成功する分散型AIマーケットプレイスはAIとWeb3の強みを緊密に統合すべきだと述べた。分散性、資産の所有権保証、収益分配、分散型計算の付加価値を活かし、AIアプリの利用ハードルを下げ、開発者がモデルをアップロード・共有することを促進しつつ、ユーザーのデータプライバシーを守り、開発者に優しく、ユーザーのニーズに応えるAIリソースの取引・共有プラットフォームを構築すべきだとした。
当時の考え（今見ると完全には正確ではない可能性がある）は、「データに基づくAIマーケットプレイスの方がより大きなポテンシャルを持つ」というものだった。モデル中心のマーケットプレイスは大量の高品質モデルを必要とするが、初期段階ではユーザー数や質の高いリソースが不足しており、優れたモデル提供者のインセンティブが弱く、高品質モデルを惹きつけにくい。一方、データ中心のマーケットプレイスは、分散型によるデータ収集、インセンティブ設計、データ所有権の保証を通じて、多くの価値あるデータ（特にプライベートデータ）を蓄積できる。
分散型AIマーケットプレイスの成功は、ユーザーが蓄積したリソースと強力なネットワーク効果に依存している。ユーザーと開発者が市場内で得られる価値が、市場外で得られるものを上回ることが求められる。初期段階では、高品質モデルの蓄積によりユーザーを惹きつけ・定着させ、その後、優れたモデルライブラリとデータの壁を築いた上で、エンドユーザーの獲得と維持に重点を移すべきだ。
1.3 ZKML
ZKMLが広く議論される前から、「AI + Web3 = ？」の中でオンチェーンAIの価値について言及していた。
非中央集権性と信頼不要性（trustless）を損なうことなく、オンチェーンAIはWeb3世界を「次のレベル」へ引き上げる可能性を秘めている。現在のWeb3はWeb2の初期段階のように、より広範なアプリケーションを支えたり、より大きな価値を生み出す能力を持っていない。オンチェーンAIはまさに透明で信頼不要なソリューションを提供するための手段となる。
1.4 AIアプリケーション
「AI＋Cryptoから考えるWeb3女性向けゲーム『HIM』」では、ポートフォリオプロジェクト『HIM』を取り上げ、大規模モデルがWeb3アプリに与える価値を分析した。「どのようなAI＋Cryptoの組み合わせが製品に高いリターンをもたらすのか？」という問いに対し、基盤インフラからアルゴリズムまで徹底的にオンチェーンで信頼不要なLLMを開発する以外に、もう一つの方向性として、「推論プロセスのブラックボックス性」の影響を製品設計で軽減し、大規模モデルの強力な推論力を活かせる適切なシナリオを見つけることが挙げられる。
二、現在のAI分野の分析
2.1 計算ネットワーク：可能性は大きいが参入障壁も高い
計算ネットワークの基本的なロジックは変わっていないが、依然として市場需要の面で課題がある。誰が効率と安定性が低いソリューションを選ぶだろうか？ したがって、以下の点を明確にする必要がある。
分散化の目的とは何か？
もし今、分散型計算ネットワークの創業者に尋ねれば、おそらくこう答えるだろう。「当社のネットワークはセキュリティと攻撃耐性を高め、透明性と信頼性を向上させ、リソースの最適利用を可能にし、データのプライバシーとユーザーのコントロールを強化し、検閲や干渉に抵抗できる…」。
これらはどれも常識的な主張であり、どんなWeb3プロジェクトでも「検閲耐性」「信頼不要」「プライバシー保護」などを掲げられる。しかし筆者の見解では、これらの理由は重要ではない。よく考えてみれば、セキュリティにおいて中央サーバーの方が優れていることはないか？ 分散型計算ネットワークは本質的にプライバシー問題を解決していない。このような矛盾点は他にも多い。したがって、分散化の究極目的はあくまでコストの低下である。分散化の度合いが高ければ高いほど、計算リソースの利用コストは下がるべきだ。
つまり、「未使用の計算リソースを活用する」というのは長期的なストーリーにすぎず、分散型計算ネットワークが成功するかどうかは、以下の点をしっかり理解しているかにかかっている。
Web3が提供する価値
巧妙なトークン設計とそれに伴うインセンティブ／ペナルティ機構は、分散型コミュニティが提供できる強力な付加価値である。従来のインターネットと比べ、トークンは単なる取引媒体ではなく、スマートコントラクトと組み合わせることで、プロトコルがより複雑なインセンティブ設計やガバナンスを実現できる。また、取引の透明性、コスト削減、効率向上もCryptoがもたらす価値のおかげである。こうした独自の価値は、貢献者へのインセンティブ付与に柔軟性と革新性を与える。
しかし、こうした一見合理的な「適合性」に対しては冷静な視点も持ちたい。分散型計算ネットワークにとって、Web3やブロックチェーン技術がもたらす価値は、別の視点からは単なる「付加価値」にすぎず、根本的な変革ではない。ネットワークの基本的な動作方式や現在の技術的課題を突破することはできない。
つまり、これらのWeb3の価値は分散型ネットワークの魅力を高めるが、そのコア構造や運営モードを完全に変えることはできない。AIの波の中で本当に一席を占めるには、Web3の価値だけでは不十分である。後述するように、適切な技術を適切な問題に適用することが肝要であり、分散型計算ネットワークの戦略は、単にAIの計算リソース不足を解決することではない。むしろ、長年停滞したこの分野に新しい視点とアプローチをもたらすことにある。
例えばPoWマイニングやストレージマイニングのように、計算リソースを資産として貨幣化する方法がある。このモデルでは、計算資源を提供する者が自分のコンピューティングパワーを貢献することで報酬としてトークンを受け取れる。この仕組みの魅力は、計算リソースを直接経済的収益に変換できることにあり、これにより多くの参加者がネットワークに加わるインセンティブが生まれる。あるいは、Web3を利用して計算リソースを消費する市場を創出し、モデルなどの上流リソースを金融化することで、不安定かつ低速な計算リソースでも受け入れ可能な需要ポイントを生み出すことも可能だ。
ユーザーの実際のニーズとどう結びつけるかを考えなければならない。ユーザーと参加者のニーズは必ずしも「高速な計算リソース」だけではなく、「お金を稼げる」というのは常に最も説得力のある動機の一つである。
分散型計算ネットワークの競争力は価格にある
分散型計算の実際の価値を語るのであれば、Web3が最大の想像空間を与えるのは、計算コストをさらに圧縮できる可能性である。
ノードの分散化度合いが高いほど、単位計算力あたりの価格は低くなる。以下のような方向性で推察できる：
-
トークンの導入により、ノード提供者への支払いが現金からプロトコルのネイティブトークンに変わる。これが運用コストの根本的削減につながる；
-
パーミッションレスな参入とWeb3の強力なコミュニティ効果が、市場主導のコスト最適化を促進する。個人ユーザーや中小企業が既存のハードウェアを使ってネットワークに参加することで、計算リソースの供給が増加し、市場の価格が下がる。自律的かつコミュニティ主導の運営体制のもとで。
-
プロトコルが創出するオープンな計算市場は、提供者間の価格競争を促進し、コストをさらに引き下げる。
事例：ChainML
簡単に言えば、ChainMLは推論（inference）やファインチューニングに計算リソースを提供する分散型プラットフォームである。短期的には、ChainMLはオープンソースのAIエージェントフレームワークCouncilをベースに、チャットボット（さまざまなアプリケーションに統合可能）を通じて分散型計算ネットワークの需要を拡大していく。長期的には、モデルマーケットと計算リソースマーケットを含む完全なAI＋Web3プラットフォームを目指す（後述）。
筆者はChainMLの技術ロードマップが非常に妥当だと考える。前述の問題について彼らもよく理解しており、分散型計算の目的は中央集権型計算と肩を並べてAI業界に豊富な計算リソースを提供することではなく、徐々にコストを下げて、品質がやや劣る計算リソースでも受け入れてくれる需要側を見つけ出すことにある。したがって、プロジェクト初期にプロトコルが大量の分散型ノードを獲得できない状況では、まずは安定かつ効率的な計算リソースを確保することが重要となる。製品開発の観点から言えば、最初は中央集権的な方式で始め、早期にプロダクトの流れを確立し、強力なビジネスデベロップメントによって顧客を積み重ね、市場を拡大した上で、次第に中央集権的な計算提供者を中小規模の企業に分散させ、最終的に計算ノードを広範囲に展開していく。まさにChainMLの「分割統治（divide and conquer）」戦略である。
需要側の戦略としては、ChainMLは移植可能な設計思想を持つ、中央集権的なインフラプロトコルのMVPを構築した。今年2月から顧客とともにシステムを運用し、4月から本番環境で使用を開始している。現在はGoogle Cloud上で稼働しているが、Kubernetesやその他のオープンソース技術を活用しているため、AWS、Azure、Coreweaveなど他の環境への移行も容易である。今後、このプロトコルを段階的に分散化し、小規模クラウド事業者へ分散させ、最終的には計算リソースを提供するマイナーへと移行していく予定だ。
2.2 AIマーケット：さらに大きな可能性
この分野を「AIマーケットプレイス」と呼ぶのは、やや想像力を制限している。厳密に言えば、真に大きな可能性を持つ「AIマーケット」とは、基盤の計算力・データからモデル、さらには関連アプリケーションまでを全工程金融化した中間プラットフォームであるべきだ。先に述べたように、分散型計算ネットワークが直面する初期の主な課題は需要の創出であるが、AIの全工程を金融化した閉ループ型の市場こそ、そのような需要を生み出す好機となる。
具体的には次の通り：
Web3が支援するAIマーケットは、計算力とデータを基盤とし、開発者がより価値あるデータを使ってモデルを構築・微調整することを促進し、それらのモデルに基づくアプリケーションを育成する。これらのアプリケーションとモデルは、開発・利用の過程で同時に計算リソースへの需要を生み出す。トークンとコミュニティのインセンティブにより、報酬付きのリアルタイムデータ収集タスクや、データ提供に対する恒常的なインセンティブが活性化され、市場内のデータレイヤーの独自の優位性が拡大される。同時に、アプリの普及がデータ層にさらに価値あるデータを還元する。
コミュニティ
前述のトークンがもたらす価値に加え、コミュニティはWeb3がもたらす最大の付加価値の一つであり、プラットフォーム発展の原動力である。コミュニティとトークンの支援により、貢献者と貢献内容の質が中央集権機関を上回る可能性がある。例えば、データの多様性はこうしたプラットフォームの強みの一つであり、正確で偏りのないAIモデルを構築するために不可欠であり、同時に現在のデータ分野のボトルネックでもある。
このプラットフォームの核心はモデルにある。我々は早くから気づいていたが、AIマーケットプレイスの成功は高品質なモデルの存在と、開発者がなぜ分散型プラットフォームでモデルを提供するインセンティブを持つかにかかっている。しかし、我々は逆の問題を考えるのを忘れてしまっていた。基盤インフラでは従来のプラットフォームに劣り、開発者コミュニティも成熟しておらず、ブランド力でも先行されていないWeb3プロジェクトが、膨大なユーザー数と整備されたインフラを持つ伝統的AIプラットフォームに対抗するには、むしろ「斜めの道」を走るしかないのだ。
その答えはAIモデルの金融化にあるかもしれない。
-
モデルを商品として扱い、AIモデルを投資可能な資産と見なすことは、Web3と分散型マーケットの興味深いイノベーションかもしれない。この市場では、ユーザーがAIモデルの価値創造プロセスに直接参加し、利益を得ることができる。この仕組みは、より高品質なモデルの追求とコミュニティ貢献を促進する。なぜなら、ユーザーの収益はモデルの性能と実用効果に直接連動するからである；
-
ユーザーはモデルにステーキングを行い投資できる。収益分配メカニズムの導入は、ユーザーが有望なモデルを選んで支援するインセンティブを高め、開発者がより優れたモデルを作ることへの経済的インセンティブを提供する。一方、ステーキング参加者にとって、モデルの評価基準（特に画像生成モデルの場合）は実際に何度もテストを行うことであり、これによりプラットフォームの分散型計算リソースに需要が生まれる。これは先述の「なぜ低効率で不安定な計算リソースを使うのか？」という疑問に対する一つの解答になり得る。
2.3 オンチェーンAI：OPMLが逆転するか？
ZKML：需要と供給の両面で失敗
オンチェーンAIは確かに想像力に富み、深く研究に値する分野である。オンチェーンAIの突破はWeb3に前例のない価値をもたらすだろう。しかし、ZKMLは非常に高い学術的ハードルと基盤インフラへの要求があるため、大多数のスタートアップが命をかけて取り組むには適していない。多くのプロジェクトにとって、信頼不要なLLMのサポートを組み込むことが価値の飛躍につながるわけでもない。
すべてのAIモデルをZKで信頼不要化してオンチェーンに移す必要はない。多くの人はチャットボットがどのようにクエリを処理して結果を出すかを気にせず、使っているStable Diffusionが特定のアーキテクチャやパラメータ設定かどうかにも関心がない。ほとんどのシナリオで、ユーザーが気にするのはモデルが出す結果が満足できるかどうかであり、推論プロセスが信頼不要か透明かではない。
もし証明システムが百倍のオーバーヘッドや高い推論コストを生まなければ、ZKMLにも勝機はあるかもしれない。しかし、高額なオンチェーン推論コストと追加費用の前に、需要側はオンチェーンAIの必要性を当然疑問視するだろう。
需要側から見た場合
ユーザーが気にするのは、モデルが出す結果が妥当かどうかだけである。結果が理にかなっていれば、ZKMLがもたらす信頼不要性などは全く意味をなさない。次のシナリオを想像してみよう：
-
ニューラルネットワークベースの取引ロボットが毎サイクルユーザーに100倍のリターンをもたらすなら、誰がそのアルゴリズムが中央集権的か検証可能かを気にするだろうか？
-
同様に、この取引Botがユーザーに損失を出し始めたなら、プロジェクトチームはモデルの検証可能性に時間を費やすよりも、まずモデルの能力を向上させるべきである。これがZKMLの需要における矛盾点である。つまり、多くの場面でモデルの検証可能性は、人々がAIに対して抱く疑念を根本的に解決しない。まるで的外れな努力をしているようだ。
供給側から見た場合
大規模言語モデルを支える証明システムの開発は困難を極め、現在の主要プロジェクトの進捗を見る限り、大規模モデルのオンチェーン化は到底見えない。
以前のZKMLに関する記事を参考にすると、技術的にはZKMLの目標はニューラルネットワークをZK回路に変換することだが、難しさは以下の通り：
-
ZK回路は浮動小数点数をサポートしていない；
-
大規模なニューラルネットワークの変換が困難。
現在の進展：
-
最新のZKMLライブラリは簡単なニューラルネットワークのZK化をサポートしており、基本的な線形回帰モデルをオンチェーン化できるという。しかし、実際のデモはほとんどない。
-
理論上は～1億パラメータまで可能だが、あくまで理論上。
ZKMLの進展は期待に届いていない。現在のリードプロジェクトであるmodulus labやEZKLが発表した証明システムの進捗を見ても、簡単なモデルをZK回路に変換し、モデルをオンチェーン化したり推論の証明をオンチェーン化することは可能になった。しかし、これはZKML本来の価値には程遠く、技術的課題を突破する原動力も見られない。需要が深刻に欠如する分野は、学術界からの注目も得られず、優れたPoCを作ることも難しい。それがわずかな需要さえ満たせない負のスパイラルを生み出し、ZKMLを殺してしまう可能性がある。
OPML：過渡期の技術か、それとも最終解か？
OPMLとZKMLの違いは、ZKMLが完全な推論プロセスを証明するのに対し、OPMLは推論に異議が唱えられたときにのみ一部の推論を再実行する点にある。明らかに、OPMLが解決した最大の問題はコスト／オーバーヘッドの高さであり、非常に現実的な最適化といえる。
OPMLの提唱者であるHyperOracleチームは、「opML is All You Need: Run a 13B ML Model in Ethereum」で、one-phaseからmulti-phase opMLへのアーキテクチャと進化プロセスを示している：
-
オフチェーンで実行し、オンチェーンで検証する仮想マシン（VM）を構築し、オフラインVMとオンチェーンスマートコントラクト内のVMの等価性を保証する。
-
VM内でのAIモデル推論効率を確保するため、TensorFlowやPyTorchのような一般的なMLフレームワークに依存しない、専用の軽量DNNライブラリを実装。また、TensorFlowやPyTorchのモデルをこの軽量ライブラリに変換するスクリプトも提供している。
-
AIモデルの推論コードをVMプログラム命令にクロスコンパイルする。
-
VMイメージはMerkleツリーで管理。VM状態を表すMerkleルートのみがオンチェーンスマートコントラクトにアップロードされる。
しかし、このような設計には致命的な欠陥がある。すべての計算をVM内で実行しなければならないため、GPU／TPUによる高速化や並列処理が利用できない。効率が制限される。そこでmulti-phase opMLが登場する。
-
最終フェーズでのみ、計算がVM内で行われる。
-
それ以外のフェーズでは、状態遷移の計算がネイティブ環境で行われるため、CPU、GPU、TPUの能力を利用でき、並列処理も可能になる。これによりVMへの依存が減少し、実行性能が大幅に向上し、ネイティブ環境と同等のレベルに達する。
Reference: https://mirror.xyz/hyperoracleblog.eth/Z__Ui5I9gFOy7-da_jI1lgEqtnzSIKcwuBIrk-6YM0Y
現実を見よう
OPMLは全面的なZKML実現までの過渡期技術だとする意見もあるが、より現実的に見れば、コスト構造と実用化の期待に基づく妥協点と捉えるべきだろう。全面的なZKMLの実現は永遠に訪れず、少なくとも筆者は悲観的である。ならば、オンチェーンAIの熱狂も最終的には現実の実用化とコストに向き合わざるを得ず、OPMLこそがオンチェーンAIの最善の実践例かもしれない。ちょうどOPとZKのエコシステムが相互に代替関係ではないように。
とはいえ、前述の需要不足という根本的課題は依然として存在する。コストと効率の最適化は技術的には画期的だが、価値の観点からは「ユーザーが結果の妥当性だけを気にするなら、なぜAIをオンチェーンにして信頼不要にするのか」という的外れな問題を根本的に解決していない。透明性、所有権、信頼不要性——こうした機能がいくら華やかでも、ユーザーは本当に気にするのだろうか？ むしろ、価値はモデルの推論能力そのものにあるべきだ。
筆者は、このコスト最適化は技術的には革新的で堅実な試みだが、価値の観点からはむしろ苦しい正当化に見える。
あるいは、オンチェーンAIという分野自体が「ハンマーを持って釘を探している」のかもしれない。しかし、それも間違いではない。初期段階の産業発展には、異分野技術の結合を不断に探求し、磨き合いながら最適な接点を見つけるプロセスが必要なのだ。間違っているのは技術の衝突や試みそのものではなく、独立思考を欠いた盲目的な追随である。
2.4 アプリケーション層：99％が縫い合わせ怪獣
率直に言って、Web3におけるAIアプリの試みはまさに次々と登場しており、皆がFOMOに駆られているようだ。しかし、その99％は単なる「統合」にとどまり、GPTの推論能力を借りてプロジェクト自体の価値を誇張する必要はない。
アプリケーション層から見ると、おおよそ二つの方向性がある：
-
AIの能力でユーザーエクスペリエンスを向上させ、開発効率を高める：この場合、AIは主役ではなく、むしろ裏方として静かに貢献し、ユーザーには無自覚のまま恩恵をもたらすことが多い。例えば、Web3ゲーム『HIM』のチームはゲームコンテンツ、AI、Cryptoの融合において非常に賢い戦略を取っており、価値を生み出す最適なポイントを捉えている。一方でAIを生産性ツールとして活用し、開発の効率と品質を高め、他方でAIの推論能力でユーザーのゲーム体験を向上させている。AIとCryptoは確かに重要な価値
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
