GTCカンファレンス終了後に――Web3はAIの計算能力を救えるのか？
TechFlow厳選深潮セレクト
GTCカンファレンス終了後に――Web3はAIの計算能力を救えるのか？
GPUの計算能力を巡る競争が分散型プラットフォームに到来した。計算能力が多ければ多いほど、それだけ計算効果も強くなる。
Web3業界の深掘り報道に専念し潮流を洞察著者：佐爺
ファッションはループする。Web3も同様だ。
Nearは「再び」AIパブリックチェーンとして注目を集めている。創設者の一人がTransformerの開発者であるという背景から、NVIDIAのGTCカンファレンスに出席し、革ジャンの黄氏と生成AIの未来について語るまでになった。一方Solanaは、io.net、Bittensor、Render Networkなどが集積する場となり、成功裏にAI関連チェーンへと転換を果たした。その他にも、GPUコンピューティング分野で急浮上したAkash、GAIMIN、Gensynなどが存在する。
視点をもう少し高くして、トークン価格の上昇以上の部分に注目すると、いくつか興味深い事実が見えてくる。
-
GPU算力の争奪戦が分散型プラットフォームに移行しており、算力が多いほど計算性能が高くなる。CPU、ストレージ、GPUが相互にバンドル販売されている。
-
クラウドから分散型への計算パラダイムの移行は、AIのトレーニングから推論（インフェレンス）への需要変化を背景としており、オンチェーンモデルはもはや空論ではない。
-
インターネットアーキテクチャのハードウェア・ソフトウェア基盤および動作ロジックには根本的な変化がなく、分散型算力レイヤーは主にインセンティブによるネットワーク構築を担っている。
まず概念の整理をしておく。Web3におけるクラウド算力は、クラウドマイニング時代に生まれたもので、マイニングマシンの算力をパッケージ化して販売し、ユーザーの高額な購入コストを回避する仕組みだった。しかし算力プロバイダーはしばしば「過剰販売」を行い、例えば100台のマシンの算力を105人に販売することで超過利潤を得ていたため、この言葉は最終的に詐欺の同義語と化してしまった。
本稿で言うクラウド算力とは、GPUベースのクラウドベンダーが提供するリソースを指す。ここでの問題は、分散型算力プラットフォームが従来のクラウドベンダーの表舞台の操り人形なのか、それとも次世代のアップデート版なのかということだ。
伝統的クラウドベンダーとブロックチェーンの結びつきは、私たちが想像する以上に深く、パブリックチェーンのノード運営、開発、日常的なデータ保存などは、ほぼすべてAWS、阿里雲（アリババクラウド）、華為雲（ファーウェイクラウド）を中心に展開されており、物理ハードウェア購入の高コストを回避している。しかし、その代償も無視できない。極端な場合、ネット回線を切断されればパブリックチェーンがダウンしてしまうリスクがあり、これは分散化の理念に大きく反する。
一方、分散型算力プラットフォームは、ネットワークの安定性を保つために自前で「データセンター」を構築するか、またはインセンティブネットワークを構築する。例えば、IO.NETがGPU台数増加を促進するために行ったエアドロップ戦略は、Filecoinがストレージ提供に対してFILトークンを報酬として配布するのと同じ発想だ。出発点は使用ニーズの充足ではなく、あくまでトークンの価値向上にある。証拠として、大手企業、個人、学術機関などが実際にMLのトレーニング、推論、グラフィックレンダリングにこれらを利用することは極めて稀であり、結果として大きなリソースの浪費が生じている。
だが、トークン価格の高騰とFOMO（恐怖による駆動）の感情の前では、分散型算力がクラウド算力の詐欺に過ぎないという批判はすべて煙のように消え去ってしまう。
二種類の☁️算力、同じ名前でも同じ運命か？
推論とFLOPS：GPU計算能力の定量評価
AIモデルの算力需要は、トレーニングから推論へと進化しつつある。
OpenAIのSoraを例に挙げよう。これもTransformer技術に基づいているが、GPT-4の兆単位のパラメータに比べ、学界の推定では千億単位以下とされ、楊立昆ですらわずか30億だと述べており、つまりトレーニングコストは比較的低い。これは当然のことだ。パラメータ数が少ないほど、必要な計算リソースも比例して減少する。
逆に、Soraはより強力な「推論」能力を必要とする可能性がある。推論とは、指示に応じて特定の動画を生成する能力であり、動画は長らくクリエイティブコンテンツとされてきたため、AIにはより高度な理解力が求められる。一方、トレーニングは相対的にシンプルで、既存のコンテンツから法則を抽出する作業であり、「ひたすら算力を投入すれば奇跡が起きる」とも言える。
過去にはAIの算力は主にトレーニングに使われ、推論用途は少数派だった。また、これらの需要はほぼすべてNVIDIAの製品によって吸収されていた。しかしGroqのLPU（Language Processing Unit）が登場して以降、状況は変わり始めている。優れた推論性能に加え、大規模モデルのスリム化と精度向上が進み、「理屈を理解しながら処理する」方式が主流になりつつある。
補足として、GPUの分類について触れておく。「ゲーム用GPUがAIを救った」という言説には一理ある。高性能GPUに対するゲーム市場の強い需要が、開発コストをカバーしてきたのだ。例えばRTX 4090は、ゲーマーにもAI開発者にも利用される。ただし注意すべきは、今後ゲーム用GPUと計算専用GPUが徐々に分離していくことだ。これはビットコインマイナーがPCから専用マシンへと進化したプロセスと似ており、搭載チップもCPU→GPU→FPGA→ASICの順で進化してきた。
LLM専用カード、開発中…
AI技術、特にLLM路線の成熟とともに、TPU、DPU、LPUのような代替試みがますます増えていくだろう。もちろん現時点での主力製品は依然としてNVIDIAのGPUだが、以下の議論はすべてGPUを前提とする。LPUなどはあくまで補完的存在であり、完全に置き換わるにはまだ時間がかかる。
分散型算力競争はGPUの調達ルート争いではなく、新たなビジネスモデルの構築を目指している。
ここでNVIDIAがまるで主役のように見えるのも無理はない。NVIDIAはグラフィックスカード市場の80％を占めており、「Nカード vs Aカード」の議論は理論上しか存在せず、現実には誰もが内心でNVIDIAを受け入れている。
この絶対的独占的地位ゆえに、各社がGPUの確保に躍起になっている。消費向けのRTX 4090から企業向けのA100/H100まで、クラウドベンダーが大量に在庫を抱えている。しかしGoogle、Meta、テスラ、OpenAIなどのAI関連企業は、いずれも独自チップの開発計画を持っている。中国企業もすでに華為（ファーウェイ）など国産ベンダーへとシフトしつつあり、GPU市場は依然として混戦状態だ。
伝統的クラウドベンダーにとって、販売しているのは算力とストレージ空間そのものであり、自社チップの開発はAI企業ほど切実ではない。一方、分散型算力プロジェクトは現在、クラウドベンダーから算力ビジネスを奪うという前半戦にあり、安価さと入手の容易さを武器としている。将来的にビットコインマイニングのようにWeb3専用のAIチップが登場する可能性は低いだろう。
余談だが、イーサリアムがPoSに移行して以降、暗号資産業界における専用ハードウェアはますます減少している。Sagaスマホ、ZKハードウェアアクセラレーション、DePINなども市場規模が小さく、分散型算力がWeb3流の専用AI計算カードの道を切り拓いてくれることを願っている。
分散型算力はクラウドの次のステップか、あるいは補完か。
GPUの演算能力は、業界標準としてFLOPS（Floating Point Operations Per Second：1秒あたりの浮動小数点演算回数）で評価される。これが最も一般的な計算速度の指標であり、GPUのスペックや並列処理の最適化なども、最終的にはFLOPSで測られる。
ローカル計算からクラウドへの移行には約半世紀かかったが、分散型コンピューティングという概念自体はコンピュータ誕生時から存在している。LLMの発展により、分散化と算力の融合はかつてのような空論ではなくなりつつある。以下では、可能な限り多くの分散型算力プロジェクトをまとめ、評価の視点は二つだけに絞る。
-
GPUなどのハードウェア台数：すなわち計算速度。モアの法則に従えば、新しいGPUほど計算能力が高く、同スペック下では台数が多いほど計算能力が強い。
-
インセンティブ層の組織方式：これはWeb3業界特有の要素で、デュアルトークン、ガバナンス機能、エアドロップなどがあり、各プロジェクトの長期的価値を短期的なトークン価格ではなく、どれだけのGPUを保有・調整できるかで判断する。
この観点から言えば、分散型算力は依然として「既存ハードウェア＋インセンティブネットワーク」に基づくDePIN路線の延長線上にあり、あるいはインターネットアーキテクチャの底辺に位置し、分散型算力層は「ハードウェアの仮想化」後の貨幣化と言える。重点はアクセスの非許可性（permissionless access）にあり、実際にネットワークを構成するにはハードウェアの協力が必要不可欠だ。
算力は分散化、GPUは集中化
ブロックチェーンの三難問題の枠組みを借りれば、分散型算力のセキュリティは特別に考慮する必要はなく、主に「分散化」と「スケーラビリティ」のバランスが問われる。後者はGPUネットワークの用途に関係し、現時点ではAIが圧倒的に先行している。
あるパラドックスから始める。分散型算力プロジェクトが成功するためには、ネットワーク上のGPU台数を可能な限り多く確保しなければならない。理由は簡単。GPTのような大規模モデルのパラメータが爆発的に増加しており、一定規模のGPUがなければトレーニングや推論の効果が得られないからだ。
もちろん、クラウドベンダーのような絶対的支配に対し、現段階では少なくとも無許可アクセスやGPUリソースの自由な移動といった仕組みを設けることができる。しかし資本効率の向上を目指せば、将来的にマイニングプールのような存在が出現する可能性もある。
スケーラビリティに関して、GPUはAIだけでなくクラウドPCやレンダリングにも活用可能だ。例えばRender Networkはレンダリング専門であり、Bittensorはモデルトレーニングに特化している。より明確に言えば、スケーラビリティとは用途や使用シーンの多様性に等しい。
そこで、GPU台数とインセンティブネットワークに加え、「分散化」と「スケーラビリティ」の二つのパラメータを追加し、四つの軸で比較してみよう。ただし、これは技術比較ではなく、あくまで参考程度のものである。
上記プロジェクトの中で、Render Networkは非常に特殊だ。本質的に分散型レンダリングネットワークであり、AIとの直接的な関係は薄い。AIのトレーニングや推論では、SGD（確率的勾配降下法）やバックプロパゲーションなどのアルゴリズムが順序を要求するが、レンダリング作業は必ずしもそうではなく、画像や動画を分割してタスクを分散することが多い。
そのAIトレーニング能力は主にio.netとのネットワーク接続を通じて得られており、io.netのプラグインとして存在している。どちらにしてもGPUを使うのだから、何に使っても同じことだ。さらに先見性のあるのは、Solanaがまだ低評価だった時期に参画したことだ。後にSolanaがレンダリングネットワークの高性能要件に適していたことが証明された。
次に、io.netの「暴力的」なGPU台数拡大戦略がある。公式サイトによると、現在18万枚のGPUを掲載しており、分散型算力プロジェクトとしてはトップクラスの規模で、他プロジェクトとは桁違いの差をつけている。スケーラビリティにおいても、io.netはAI推論に焦点を当てており、AIトレーニングは副次的な位置付けだ。
厳密に言えば、AIトレーニングは分散型配置に適していない。軽量級のLLMであっても、絶対的なパラメータ数は十分に大きい。経済的コストの面では、中央集権的な計算方式の方が有利だ。Web3とAIのトレーニング分野の接点はむしろデータプライバシーや暗号化計算（ZKやFHEなど）にあり、一方でAI推論ではWeb3が大きく貢献できる。第一に、GPU性能に対する要求が比較的低く、ある程度の損失を許容できる。第二に、AI推論はアプリケーション側に近く、ユーザー視点からのインセンティブ設計がより現実的である。
また、マイニングでトークンを獲得するFilecoinもio.netとGPU利用の提携を締結した。Filecoinは自前の1000枚のGPUをio.netネットワークに接続する。これは世代を超えた協働とも言えるだろう。二人の幸運を祈る。
次に未上場のGensynについても「クラウド評価」してみよう。ネットワーク構築の初期段階であるためGPU台数は未公表だが、主な用途はAIトレーニングである。個人的には高性能GPUの台数要件は決して少なくないと思われる。少なくともRender Networkの水準は超える必要があるだろう。AI推論に比べ、AIトレーニングはクラウドベンダーと直接競合するため、仕組み設計もより複雑になる。
具体的には、Gensynはモデルトレーニングの有効性を保証しつつ、トレーニング効率を高めるために大規模なオフチェーン計算を採用している。そのため、モデル検証と不正防止システムには複数の役割間のゲーム理論的駆け引きが必要となる。
-
Submitters（提出者）：タスクの発信者であり、最終的にトレーニングコストを支払う。
-
Solvers（解答者）：モデルをトレーニングし、有効性の証明を提供する。
-
Verifiers（検証者）：モデルの有効性を検証する。
-
Whistleblowers（内部告発者）：検証者の作業を監視する。
全体として、PoWマイニング＋オプティミスティックプローブの仕組みに類似しており、アーキテクチャは非常に複雑だ。オフチェーンに計算を移すことでコスト削減は図れるかもしれないが、アーキテクチャの複雑さが新たな運用コストを生む。現時点で主要な分散型算力プロジェクトがAI推論に集中している中、Gensynの健闘を祈る。
最後に老舗のAkash。基本的にRender Networkと同時期にスタートした。Akashは当初CPUの分散化に注力し、Render NetworkはGPUの分散化を主眼に置いていた。だがAIの爆発的普及後、両者はいずれもGPU＋AI計算の領域に進出してきた。違いは、Akashが特に推論に注目している点だ。
Akashが復活を遂げた鍵は、イーサリアムのアップグレード後に発生した旧マイニング施設の問題に着目したことにある。不要になったGPUは、女子大生のセカンドハンド品としてフリマアプリに出品するだけでなく、今やAIのために活用できる。どちらにしても人類文明に貢献しているわけだ。
ただ、Akashの良い点はトークンがほぼ完全に流通していることだ。古参プロジェクトならではの特徴で、PoSでよく使われるステーキングシステムも積極的に導入している。だがチームの姿勢はどこか気ままであり、io.netのような攻めの印象はない。
その他にも、エッジクラウドコンピューティングのTHETA、AI算力の細分化ソリューションを提供するPhoenix、そしてBittensorやRitualといった計算分野の古参・新興プレイヤーも存在するが、紙面の都合上全てを列挙することはできない。特にGPU台数などのパラメータが見つからないものも多い。
おわりに
コンピュータの歴史を振り返ると、あらゆる計算パラダイムに対して分散型のバージョンを構築できる。唯一の残念なのは、それが主流アプリケーションに一切影響を与えていないことだ。現在のWeb3コンピューティングプロジェクトは主に業界内での自己満足に留まっており、Nearの創設者がGTCカンファレンスに出席したのも、Nearの代表としてではなく、Transformerの開発者としての肩書によるものだ。
さらに悲観的に言えば、現在のクラウド市場の規模とプレイヤーはあまりに強大であり、io.netがAWSに取って代わることは可能だろうか？GPU台数が十分に多ければ、本当に可能かもしれない。AWSも長年オープンソースのRedisを基盤部品として使ってきたのだから。
ある意味で、オープンソースと分散化のパワーは未だ同等に評価されていない。分散型プロジェクトはDeFiなどの金融分野に過度に集中しており、AIは主流市場に切り込むための重要な突破口となるかもしれない。
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
@zuoyeweb3
