深層分析：AIとWeb3はどのような火花を散らすのか？
TechFlow厳選深潮セレクト
深層分析：AIとWeb3はどのような火花を散らすのか？
AIとWeb3の融合は、将来の技術革新および経済発展に無限の可能性を提供する。
Web3業界の深掘り報道に専念し潮流を洞察執筆：Fred
一 序論：AI＋Web3 の発展
ここ数年で、人工知能（AI）とWeb3技術の急速な発展が世界的に大きな注目を集めている。AIは人間の知能を模倣・再現する技術として、顔認識、自然言語処理、機械学習などの分野で大きな進展を遂げてきた。AI技術の飛躍的進展は、あらゆる業界に劇的な変革と革新をもたらしている。
2023年におけるAI産業の市場規模は2000億ドルに達し、OpenAI、Character.AI、Midjourneyといった業界大手や優れたプレイヤーが次々と登場し、AIブームを牽引している。
一方、Web3は新たなネットワーク形態として、インターネットに対する私たちの認識や利用方法を変えつつある。Web3は、分散型のブロックチェーン技術を基盤とし、スマートコントラクト、分散ストレージ、分散ID認証などの機能を通じて、データの共有と制御、ユーザー主権、信頼メカニズムの構築を実現する。その核となる理念は、データを中央集権的な権威機関から解放し、ユーザー自身がデータの支配権と価値分配権を持つようにすることにある。
現在、Web3産業の時価総額は25兆ドルに達しており、Bitcoin、Ethereum、Solanaからアプリ層のUniswap、Stepnなどまで、新しいナラティブやユースケースが次々と登場し、ますます多くの人々がWeb3業界に参入している。
明らかに、AIとWeb3の融合は、東西のビルドラーとVCが極めて注目する領域であり、両者をどのように効果的に統合するかは、非常に価値のある探求課題である。
本稿では、AI＋Web3の現状について重点的に考察し、この融合がもたらす潜在的価値と影響を探る。まず、AIとWeb3の基本概念と特徴を紹介し、それらの相互関係を検討する。その後、現在のAI＋Web3プロジェクトの現状を分析し、直面する制約や課題について深く議論する。こうした研究を通じて、投資家および関連業界の専門家に有益な参考と洞察を提供することを目指す。
二 AIとWeb3の相互作用方式
AIとWeb3の発展は天秤の両側のようなもので、AIは生産力の向上をもたらし、Web3は生産関係の変革をもたらす。では、AIとWeb3はどのような火花を散らすことができるだろうか？以下では、まずAI業界とWeb3業界それぞれが抱える課題と改善の余地を分析し、その後、互いがこれらの課題解決にどう貢献できるかを考察する。
-
AI業界が直面する課題と潜在的な改善空間
-
Web3業界が直面する課題と潜在的な改善空間
2.1 AI業界が直面する課題
AI業界の課題を探究するには、まずその本質から考える必要がある。AI業界の核心は、「計算力」「アルゴリズム」「データ」という三つの要素から成り立っている。
-
まず計算力：計算力とは、大規模な計算や処理を行う能力を指す。AIタスクは通常、大量のデータ処理や複雑な計算を必要とする。例えば、ディープニューラルネットワークモデルの訓練などである。高度な計算能力は、モデルの学習や推論プロセスを加速させ、AIシステムの性能と効率を高める。近年、GPUやTPUといった専用AIチップの登場により、計算力の向上はAI業界の発展に重要な役割を果たしてきた。株価が急騰したNvidiaは、GPUサプライヤーとして大きな市場シェアを占め、莫大な利益を得ている。
-
アルゴリズムとは：アルゴリズムはAIシステムの中核をなす部分であり、問題を解決したりタスクを実行したりするための数学的・統計的手法である。AIアルゴリズムは伝統的な機械学習アルゴリズムとディープラーニングアルゴリズムに分けられ、後者は近年著しい進展を遂げている。アルゴリズムの選択と設計は、AIシステムの性能と成果にとって極めて重要である。継続的な改良と革新により、AIシステムの精度、ロバスト性、汎化能力が向上する。異なるアルゴリズムは異なる結果をもたらすため、アルゴリズムの改善はタスク遂行の効果に大きく影響する。
-
なぜデータが重要なのか：AIシステムの中核的任務は、学習と訓練を通じてデータ内のパターンや法則を抽出することである。
-
データはモデルの訓練と最適化の基礎であり、大規模なデータサンプルを通じて、AIシステムはより正確かつ賢明なモデルを学習できる。豊富なデータセットは、より包括的で多様な情報を提供し、モデルが未観測データに対してもうまく汎化できるようにし、AIシステムが現実世界の問題をよりよく理解・解決するのを助ける。
以上のようにAIの三要素を理解した上で、これら各側面における課題と挑戦を見てみよう。まず計算力に関して、AIタスクは特にディープラーニングモデルにおいて、膨大な計算リソースを必要とする。しかし、大規模な計算力を確保・管理することは高コストで複雑な課題である。高性能コンピュータのコスト、エネルギー消費、メンテナンスなどすべてが問題となる。特にスタートアップ企業や個人開発者にとっては、十分な計算力の取得は困難である。
アルゴリズム面では、ディープラーニングが多くの分野で大きな成功を収めているものの、依然課題がある。例えば、ディープニューラルネットワークの学習には大量のデータと計算資源が必要であり、特定のタスクではモデルの説明性や解釈可能性が不十分である。また、モデルのロバスト性や汎化能力も重要な問題であり、未観測データに対する性能が不安定になることがある。多数のアルゴリズムの中から最適なものを選び、最高のサービスを提供するのは、継続的な探求が必要なプロセスである。
データ面では、データはAIの原動力だが、高品質かつ多様なデータの取得は依然困難である。医療分野のセンシティブな健康データなど、入手が難しい分野もある。また、データの品質、正確性、アノテーションも問題であり、不完全または偏ったデータはモデルの誤動作やバイアスを引き起こす可能性がある。同時に、データのプライバシーとセキュリティ保護も重要な考慮事項である。
さらに、AIモデルの「ブラックボックス性」に関する説明可能性と透明性の問題も、一般社会の関心事となっている。金融、医療、司法などの分野では、モデルの意思決定プロセスが説明可能かつ追跡可能であることが求められるが、既存のディープラーニングモデルは往々にして透明性に欠ける。モデルの判断プロセスを説明し、信頼できる根拠を提供することは依然課題である。
加えて、多くのAIスタートアップのビジネスモデルが不明確であり、これにより多くの起業家が戸惑っている。
2.2 Web3業界が直面する課題
一方、Web3業界も、データ分析、ユーザーエクスペリエンスの悪さ、スマートコントラクトのコード脆弱性やハッキング攻撃など、さまざまな課題を抱えており、改善の余地は大きい。AIは生産性を高めるツールとして、これらの分野でも大きな活用の余地を持っている。
まず、データ分析と予測能力の向上：AI技術の分析・マイニング能力は、Web3業界に大きな影響を与えている。AIアルゴリズムにより、Web3プラットフォームは膨大なデータから価値ある情報を抽出し、より正確な予測と意思決定が可能になる。これは、DeFi分野でのリスク評価、市場予測、資産管理などに重要である。
次に、ユーザーエクスペリエンスとパーソナライズドサービスの改善：AI技術により、Web3プラットフォームはより良いUXと個別対応サービスを提供できる。ユーザーのデータを分析・モデリングすることで、パーソナライズされたおすすめ、カスタマイズされたサービス、インテリジェントなインタラクション体験を提供でき、ユーザー参加度と満足度の向上につながり、Web3エコシステムの発展を促進する。例えば、多くのWeb3プロトコルがChatGPTなどのAIツールを導入してユーザー支援を行っている。
セキュリティとプライバシー保護においても、AIの応用は深い影響を持つ。AIはネット攻撃の検出・防御、異常行動の識別を行い、より強固なセキュリティを提供できる。また、データプライバシー保護にも応用され、データ暗号化やプライバシーコンピューティングなどを通じて、ユーザーの個人情報を守る。スマートコントラクト監査では、コード作成・監査中に存在する脆弱性やセキュリティリスクに対し、AIは自動監査や脆弱性検出に活用され、契約の安全性と信頼性を高める。
このように、Web3業界が直面する課題と改善の余地において、AIは多くの面で貢献できる。
三 AI＋Web3プロジェクト現状分析
AIとWeb3を結合するプロジェクトは主に二方向から取り組んでいる：ブロックチェーン技術を活用してAIプロジェクトの性能を向上させる、あるいはAI技術を活用してWeb3プロジェクトを支援する。
この二方向を中心に、Io.net、Gensyn、Ritualなど多様なプロジェクトが登場している。以下では、AIがWeb3を支援するケースとWeb3がAIを支援するケースに分け、それぞれの現状と発展状況を分析する。
3.1 Web3がAIを支援
3.1.1 分散型計算力
OpenAIが2022年末にChatGPTをリリースして以来、AIブームが爆発的に広がった。公開後わずか5日でユーザー数が100万人に達し、Instagramが同じ数字に到達するのに約2か月半かかったのとは対照的である。その後も勢いは衰えず、2ヶ月で月間アクティブユーザーが1億人、2023年11月には週間アクティブユーザーも1億人に達した。ChatGPTの登場により、AI分野は小規模な分野から一気に注目の業界へと変貌した。
Trendforceの報告によると、ChatGPTの稼働には3万枚のNVIDIA A100 GPUが必要であり、将来的なGPT-5はさらに桁違いの計算力が必要になるとされている。これにより、各AI企業は軍拡競争に突入し、十分な計算力を確保することがAI競争での優位性を握る鍵となった。その結果、GPUの供給不足が深刻化している。
AI台頭以前、GPU最大手のNVIDIAの顧客はAWS、Azure、GCPという三大クラウドサービスに集中していた。しかしAIの隆盛とともに、Meta、Oracle、その他データプラットフォームやAIスタートアップなど、新たな買い手が大量に登場し、AIモデル訓練用のGPUを大量購入するようになった。Teslaなどの大手テック企業も、カスタムAIモデルと内部研究のためにGPU購入を大幅に増やしている。基礎モデル企業のAnthropicやデータプラットフォームのSnowflake、Databricksなども、AIサービス提供の支援のため、GPU購入を進めている。
昨年のSemi Analysisが指摘した「GPU持ち」「GPU貧乏」の話だ。少数の企業が2万枚以上のA100/H100 GPUを保有しており、チームは100～1000枚のGPUを使ってプロジェクトを推進できる。これらの企業はクラウドプロバイダや自社LLMを開発しており、OpenAI、Google、Meta、Anthropic、Inflection、Tesla、Oracle、Mistralなどが該当する。
しかし、大多数の企業は「GPU貧乏」であり、限られたGPU数で苦闘し、時間をかけてもエコシステム発展に貢献しづらい状況にある。この問題はスタートアップに限らない。Hugging Face、Databricks (MosaicML)、Together、Snowflakeといった有名AI企業も、A100/H100保有数は2万台未満である。一流の技術人材を持ちながら、GPU供給量に制限され、大手とのAI競争で不利な立場に置かれている。
このように、AIの急成長に伴うGPU需要と供給のミスマッチが深刻化しており、需給バランスの崩れは喫緊の課題である。
この問題を解決するため、いくつかのWeb3プロジェクトがWeb3技術の特性を活かし、分散型計算力サービスを提供しようとしている。Akash、Render、Gensynなどが代表例だ。これらの共通点は、トークン報酬を通じて、ユーザーが持つ空きGPUリソースを提供し、AI向けの計算力供給サイドとして機能させることである。
供給側の構成は主に三種類：クラウドプロバイダ、暗号通貨マイナー、企業である。
クラウドプロバイダには、AWS、Azure、GCPなどの大手と、Coreweave、Lambda、CrusoeといったGPU特化型クラウドが含まれ、ユーザーは空きリソースを転売して収益を得られる。また、EthereumがPoWからPoSへ移行したことで、空きGPUリソースを持つ暗号通貨マイナーも重要な供給源となる。さらに、Tesla、Metaなど戦略的に大量GPUを購入した大企業も、空きリソースを供給側に回すことが可能である。
現在のプレイヤーはおおむね二種類に分けられる：分散型計算力をAI推論に使うタイプと、AI訓練に使うタイプだ。前者にはRender（レンダリング中心だがAI計算にも利用可能）、Akash、Aethirなどがあり、後者にはio.net（推論・訓練両方対応）、Gensynが該当する。最大の違いは計算力の要求レベルにある。
まずAI推論向けプロジェクトについて。これらのプロジェクトはトークン報酬でユーザーを計算力提供者として呼び込み、そのネットワークを需要側に提供することで、空き計算力のマッチングを実現する。この種のプロジェクトについては、Ryze Labsの過去のDePINレポートでも触れている。詳細はこちら。
最も重要なのは、トークン報酬によるインセンティブ設計により、まず供給者を獲得し、次いでユーザーを惹きつけ、プロジェクトの冷始動と中核メカニズムを成立させ、さらなる拡大発展を可能にすることである。この循環により、供給側はより価値あるトークン報酬を得られ、需要側は安価で高コストパフォーマンスのサービスを受けられる。プロジェクトのトークン価値と参加者の成長が一致し、トークン価格上昇によりさらに多くの参加者や投機者が流入し、価値獲得が実現される。
もう一つのタイプは、分散型計算力をAI訓練に使うもので、Gensyn、io.net（推論・訓練両方対応）が該当する。実際、これらの運営ロジックはAI推論向けと本質的に大きくは変わらず、トークン報酬で計算力提供者を惹きつけ、需要側に提供する仕組みである。
特にio.netは分散型計算力ネットワークとして、現在50万枚以上のGPUを保有し、同分野で突出した存在である。また、すでにRenderやFilecoinの計算力も統合し、エコシステムの発展を進めている。
また、Gensynはスマートコントラクトによって機械学習タスクの配分と報酬を促進し、AI訓練を実現する。下図のように、Gensynの機械学習訓練の時間単位コストは約0.4ドルで、AWSやGCPの2ドル超に比べて大幅に安い。
Gensynのシステムには四つの参加主体がいる：提出者、実行者、検証者、告発者。
-
提出者：需要ユーザー。タスクの消費者であり、計算対象のタスクを提供し、AI訓練タスクに支払いを行う。
-
実行者：モデル訓練タスクを実行し、検証者のチェック用の完了証明を生成する。
-
検証者：非決定的な訓練プロセスと決定的な線形計算を結びつけ、実行者の証明を期待閾値と比較する。
-
告発者：検証者の作業をチェックし、問題を発見した際に異議を唱えて報酬を得る。
つまりGensynは、グローバルなディープラーニングモデル向けに、超大規模かつ経済的な計算プロトコルの実現を目指している。しかし、この分野全体を見渡すと、なぜ多くのプロジェクトがAI訓練ではなくAI推論を選んでいるのか？
ここで、AI訓練と推論の違いを簡単に説明しておく：
-
AI訓練：AIを学生に例えるなら、訓練は大量の知識や例（＝データ）を与えて学ばせることに相当する。学習は大量情報の理解・記憶を要するため、膨大な計算力と時間がかかる。
-
AI推論：推論とは、学んだ知識を使って問題を解いたり試験を受けたりすること。この段階では新知識を獲得せず、既存知識を適用するため、必要な計算量は小さい。
両者の計算力要求には大きな差があり、分散型計算力がAI推論・訓練に使えるかどうかについては、後述のチャレンジ章で詳しく分析する。
また、Ritualは分散ネットワークとモデル作成者を結びつけ、分散性と安全性を維持することを目指している。その最初の製品Infernetは、ブロックチェーン上のスマートコントラクトがオフチェーンのAIモデルにアクセスできるようにし、検証性、分散性、プライバシー保護を維持したままAIを利用できるようにする。
Infernetのコーディネーターは、ノードのネットワーク内での振る舞いや、消費者からの計算リクエストへの応答を管理する。ユーザーがInfernetを使うと、推論や証明などの作業はオフチェーンで行われ、結果が出力され、コーディネーターを経由して最終的にオンチェーンの消費者に送られる。
分散型計算力ネットワーク以外にも、Grassのような分散型帯域幅ネットワークもあり、データ転送速度と効率を高める。総じて、分散型計算力ネットワークの出現は、AIの計算力供給に新たな可能性を提供し、AIのさらなる発展を後押ししている。
3.1.2 分散型アルゴリズムモデル
第2章で述べたように、AIの三要素は計算力、アルゴリズム、データである。計算力が分散化により供給ネットワークを形成できるなら、アルゴリズムも同様にネットワークを形成できるだろうか？
まず、分散型アルゴリズムモデルの意義を理解しよう。多くの人が疑問に思うかもしれない。「OpenAIがあるのに、なぜ分散型アルゴリズムネットワークが必要なのか？」
本質的に、分散型アルゴリズムネットワークは、分散型AIアルゴリズムサービス市場であり、さまざまなAIモデルが接続される。各モデルは得意とする知識やスキルを持っており、ユーザーの質問に対して、最も適切なモデルが答えを選ぶ。一方、ChatGPTはOpenAIが開発した一種のAIモデルであり、人間のようなテキストを理解・生成できる。
簡単に言えば、ChatGPTは非常に能力の高い生徒がさまざまな問題を解決するのに対し、分散型アルゴリズムネットワークは多くの生徒を持つ学校が問題を解決するようなものだ。今のところその生徒は優秀だが、長期的には世界中の「生徒」を募集できる学校には非常に大きな可能性がある。
現在、分散型アルゴリズムモデル分野でもいくつかのプロジェクトが試行錯誤している。以下では代表的なBittensorを取り上げ、この細分化領域の発展状況を理解する。
Bittensorでは、アルゴリズムモデルの供給側（＝マイナー）が自身の機械学習モデルをネットワークに提供する。これらのモデルはデータ分析や知見提供が可能で、提供者には暗号資産トークンTAOが報酬として与えられる。
回答の品質を保つため、Bittensorは独自の合意メカニズムを用いて、ネットワーク内で最良の回答に合意する。質問が投げかけられると、複数のモデルマイナーが回答を提供する。その後、ネットワーク内の検証者が働き、最良の回答を決定し、ユーザーに送り返す。
BittensorのトークンTAOは、主に二つの役割を果たす。一つはマイナーに報酬を与えてネットワークにモデルを提供させるインセンティブ、もう一つはユーザーが質問やタスク実行に代金として使用する手段である。
Bittensorは分散型であるため、インターネット接続さえあれば誰でも参加でき、質問者としても、回答提供者（マイナー）としても参加できる。これにより、より多くの人々が強力なAIを利用できるようになる。
まとめると、Bittensorのようなネットワークは、より開放的・透明な状況を創出する可能性がある。このエコシステムでは、AIモデルが安全かつ分散的に訓練・共有・利用できる。BasedAIのような他の分散型アルゴリズムモデルネットワークも似たことを試みており、特にZKを利用してユーザーとモデル間のやり取りのデータプライバシーを守る点が興味深い。これは第4節でさらに議論する。
分散型アルゴリズムモデルプラットフォームの発展により、中小企業も大組織と同等のトップクラスのAIツールを使えるようになり、各業界に大きな影響を与える可能性がある。
3.1.3 分散型データ収集
AIモデルの訓練には、大量のデータ供給が不可欠である。しかし、現状ではほとんどのWeb2企業がユーザーのデータを独占している。X、Reddit、TikTok、Snapchat、Instagram、YouTubeなどのプラットフォームは、AI訓練目的のデータ収集を禁止している。これはAI業界の発展にとって大きな障害である。
一方で、一部のWeb2プラットフォームはAI企業にユーザーのデータを販売しているが、その利益をユーザーに還元していない。RedditはGoogleと6000万ドルの契約を結び、投稿データをAIモデル訓練に使わせている。これにより、データ収集権が大資本と大手データ企業に独占され、業界が過剰に資本集中型の方向に進んでいる。
このような状況に対し、いくつかのプロジェクトがWeb3とトークン報酬を組み合わせ、分散型データ収集を実現しようとしている。PublicAIを例にすると、ユーザーは二つの役割で参加できる：
-
一つはAIデータ提供者。X上で価値あるコンテンツを見つけ、@PublicAI公式に付けて見解を添え、#AIや#Web3のタグを付けることで、コンテンツをPublicAIデータセンターに送信し、データ収集を実現する。
-
もう一つはデータ検証者。PublicAIデータセンターにログインし、AI訓練に最も価値あるデータに投票する。
その見返りとして、ユーザーはこれらの貢献を通じてトークン報酬を受け取り、データ提供者とAI産業開発のWin-Win関係を促進する。
PublicAIのようにAI訓練専用のデータ収集を行うプロジェクト以外にも、Oceanはデータトークン化でユーザーのデータをAI用途に収集し、Hivemapperは車載カメラで地図データを収集し、Dimoは車両データ、WiHiは気象データなどを収集している。こうした分散型データ収集プロジェクトは、いずれもAI訓練の潜在的供給源となり得るため、広義にはWeb3がAIを支援する枠組みに含めることができる。
3.1.4 ZKでAIにおけるユーザーのプライバシーを保護
ブロックチェーン技術がもたらす分散化の利点に加え、ゼロ知識証明（ZK）も非常に重要である。ZK技術により、プライバシーを守りながら情報の検証が可能になる。
一方、従来の機械学習では、データを集中保管・処理する必要があり、プライバシー漏洩のリスクが高まる。一方で、データ暗号化や匿名化といったプライバシー保護手法は、機械学習モデルの精度や性能を制限する可能性がある。
ZK技術はまさにこのジレンマを解決し、プライバシー保護とデータ共有の衝突に対処できる。
ZKML（Zero-Knowledge Machine Learning）は、ゼロ知識証明技術を用いて、元データを公開せずに機械学習モデルの訓練と推論を可能にする。ゼロ知識証明により、データの特徴やモデルの結果が正しくあることが証明できるが、実際のデータ内容は明かされない。
ZKMLの核となる目標は、プライバシー保護とデータ共有のバランスを取ることである。医療データ分析、金融データ分析、組織間協業など、さまざまなシーンに応用できる。ZKMLを活用することで、個人は敏感なデータのプライバシーを守りつつ、他者とデータを共有してより広範な知見や協業の機会を得られ、プライバシー漏洩のリスクを気にする必要がなくなる。
現在この分野は初期段階にあり、ほとんどのプロジェクトが探索中である。例えば、BasedAIはFHEとLLMをシームレスに統合する分散型アプローチを提案している。ゼロ知識大型言語モデル（ZK-LLM）を用いてプライバシーを分散ネットワーク基盤の核に組み込み、ネットワーク全体の運用過程でユーザーのデータが秘匿されることを保証する。
ここで全準同型暗号（FHE）について簡単に説明する。FHEは、暗号化された状態でデータを計算できる暗号技術であり、復号なしに演算が可能である。つまり、FHEで暗号化されたデータに対して加算や乗算などの数学演算を暗
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
@RyzeLabs
