NEARはAIの波に乗るには？
TechFlow厳選深潮セレクト
NEARはAIの波に乗るには？
高性能なブロックチェーン機能をバックボーンとして、NEARがAI分野への技術的展開やストーリーテリングの誘導を行うことは、純粋にブロックチェーンの抽象化だけを行うよりも、より明確で説得力のあるものとなるように思われる。
Web3業界の深掘り報道に専念し潮流を洞察執筆：Haotian
最近、NEARの創業者であるIllia Polosukhin氏がNVIDIAのAIカンファレンスに登壇すると報じられ、NEARブロックチェーンは大きな注目を集めており、市場価格も好調に推移しています。しかし多くの人々が疑問を抱いています。「NEARは『チェーン抽象化（Chain Abstraction）』に全振りしているはずなのに、なぜ突然AI分野のトップレイヤーのブロックチェーンになったのか？」
以下、私の観察と併せて、AIモデルのトレーニングに関する基礎知識もご紹介します。
1）NEARの創業者Illia Polosukhin氏には長年のAI分野での経歴があり、Transformerアーキテクチャの共同開発者の一人でもあります。このTransformerアーキテクチャは、現在のLLM（大規模言語モデル）であるChatGPTの基盤技術であり、NEAR設立以前から彼がAI大規模モデルシステムの構築・リード経験を持っていることは確かな証拠です。
2）NEARはNEARCON 2023において「NEAR Tasks」というプラットフォームを発表しました。これは人工知能モデルのトレーニングや改善を目的としたもので、簡単に言うと、モデルのトレーニングを必要とする企業（Vendor）がタスクをプラットフォーム上に投稿し、ベースとなるデータ素材をアップロードします。ユーザー（Tasker）はそのタスクに回答することで、テキストのラベリングや画像認識など人手によるデータ処理を行い、完了後にはNEARトークンが報酬として支払われます。こうして得られた人間によるラベリング済みデータは、AIモデルのトレーニングに活用されます。
例えば、AIモデルが画像内の物体を識別する能力を高めたい場合、企業はさまざまな物体を含む多数の画像をTasksプラットフォームにアップロードし、ユーザーが手動で各画像内の物体の位置をマークすることで、「画像－物体位置」の大量データセットが生成されます。このデータを使ってAIは自主的に学習し、画像認識能力を向上させることができるのです。
一見すると、NEAR Tasksは単にAIモデル向けに人間による作業を社会全体に分散させる仕組みに思えるかもしれません。本当にそれほど重要なのでしょうか？ここであらためてAIモデルに関する基礎知識を補足しましょう。
通常、AIモデルの完全なトレーニングプロセスには、データ収集、前処理およびラベリング、モデル設計とトレーニング、チューニング、ファインチューニング、検証テスト、デプロイ、モニタリングと更新などが含まれます。このうち、データのラベリングと前処理は人間が行う部分であり、モデルのトレーニングと最適化は機械が担う部分です。
多くの人が考えるところでは、機械による処理のほうが圧倒的に重要で、よりハイテクに見えるかもしれませんが、実際には人間によるラベリングがモデルトレーニング全体において極めて重要な役割を果たしています。
人間によるラベリングは、画像内の対象物（人物、場所、物品など）にタグを付けることでコンピュータの視覚モデルの学習を促進します。また、音声の内容をテキストに変換し、特定の音節や単語フレーズにラベルを付けることで音声認識モデルのトレーニングを支援します。さらに、テキストに「喜び」「悲しみ」「怒り」などの感情ラベルを付けることで、AIの感情分析能力を強化することも可能です。
つまり、人間によるラベリングは機械学習、特にディープラーニングの基盤であると言えます。高品質なラベリングデータがなければ、モデルは効率よく学習できず、データ量が不足すれば性能も制限されてしまいます。
現在、ChatGPTのような大規模モデルをベースに二次的なファインチューニングや専門分野向けのトレーニングを行うAIスタートアップが多数存在しています。これらは本質的にOpenAIのデータに加えて、新たなデータソース、特に人間がラベリングしたデータを追加することでモデルを訓練しているのです。
例えば、医療企業が医学画像診断用のAIモデルを開発し、病院向けにオンラインAI診察サービスを提供したい場合、膨大な量の元の医学画像データをTasksプラットフォームにアップロードし、ユーザーにラベリングタスクを完了させることで人間によるラベリングデータを取得できます。このデータを使ってChatGPTの大規模モデルをファインチューニング・最適化すれば、汎用的なAIツールを特定分野の専門家へと変貌させることができるのです。
ただし、NEARがTasksプラットフォームだけを頼りにAIブロックチェーンのトッププレイヤーになるのはまだ不十分です。実際、NEARはエコシステム内でAI Agentサービスも展開しており、ユーザーが承認するだけで、あらゆるオンチェーンの行動や操作を自動的に実行できるようにしています。これは市場での資産売買なども自由に行えるようになり、Intent-centric（意図中心型）のUXに近く、AIによる自動化によってオンチェーン体験を大幅に向上させています。さらに、NEARの強力なDA（データ可用性）機能により、AIモデルのトレーニングデータの出所を追跡可能となり、データの有効性と真偽を確認することもできます。
結論として、高性能なブロックチェーン機能を背景に、NEARがAI分野への技術的拡張とストーリーテリングを行っている点は、単なるチェーン抽象化よりもはるかにインパクトがあるように見えます。
約2週間前、私がNEARのチェーン抽象化について分析した際、すでにNEARの高いチェーン性能と、優れたWeb2リソース統合能力という強みに気づいていました。まさか、チェーン抽象化が広く普及する前に、今度はAIとの融合によってさらに想像力を広げてくるとは思いもよりませんでした。
Note：長期的な注目は引き続き「チェーン抽象化」におけるNEARの戦略と製品開発の進捗に注目すべきですが、AIは明らかに良いプラスアルファ要素であり、将来の好況期を加速させる触媒となるでしょう！
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
Haotian | CryptoInsight
