製品と市場の適合性を起点に、この一連の暗号AIには他にどのようなプロジェクトにチャンスがあるのか？

2025.05.29

共有先

TechFlow厳選深潮セレクト

製品と市場の適合性を起点に、この一連の暗号AIには他にどのようなプロジェクトにチャンスがあるのか？

暗号技術とAIの次の大きな機会は、もう一つの投機的なトークンではなく、AIの発展を真に推進できるインフラです。

2025.05.29 - 03:36:51

Web3業界の深掘り報道に専念し潮流を洞察

暗号技術とAIの次の大きな機会は、もう一つの投機的なトークンではなく、AIの発展を真に推進できるインフラです。

著者：Evan ⨀

翻訳：TechFlow

暗号技術とAIの交差点は、まだ非常に初期の段階にある。市場にはすでに無数のスマートエージェントやトークンが登場しているが、ほとんどのプロジェクトは単なる数字遊びのように見え、各チームはできるだけ多く「シュート」を試みようとしている。

AIが我々の世代における技術革命である一方で、暗号技術との統合はむしろAI市場への流動性ツールとしての早期アクセス手段と見なされている。

そのため、この交差点ではすでに複数のサイクルを経験しており、多くのストーリーが「ジェットコースター式」の盛衰を繰り返してきた。

どうすれば過剰な注目サイクルを打破できるのか？

では、暗号技術とAIの次の大きな機会はどこから来るのか？どのようなアプリケーションやインフラが真に価値を生み出し、マーケットフィットを見いだせるだろうか？

本稿では以下の枠組みを通じて、この分野の主な関心事項を探る。

AIは暗号技術業界をどう支援できるか？
暗号技術業界はAIにどう貢献できるか？

特に後者のポイント――つまり分散型AIのチャンスについて、私は特に興味を持っており、いくつかの注目すべきプロジェクトを紹介する。

1. AIは暗号技術業界をどう支援できるか？

以下はCVが提供するより包括的なエコシステム図である。

https://x.com/cbventures/status/1923401975766355982/photo/1

コンシューマー向けAI、スマートエージェントフレームワーク、ローンチプラットフォームなど多くの垂直領域があるが、AIはすでに以下の3つの主要な面で暗号技術体験に影響を与えている。

1.開発者ツール

Web2と同様に、AIはノーコード（no-code）およびローコード（vibe-code）プラットフォームを通じて暗号プロジェクトの開発を加速している。多くのアプリケーションはLovable.devのような従来の領域と同じ目標を持っている。

@poofnewや@tryoharaAIといったチームは、非技術者がスマートコントラクトの知識を持たずとも迅速に立ち上げて反復できるように支援している。これは暗号プロジェクトの上市時間を短縮するだけでなく、市場理解者やクリエイターが技術的背景がなくても参入できるハードルを下げている。

さらに、スマートコントラクトのテストやセキュリティなど、開発者体験の他の側面も最適化されている。@AIWayfinder、@octane_security

2. ユーザーエクスペリエンス

ブリッジ、Sphere Pay、Turnkey、Privyなどのおかげで、暗号技術の導入プロセスやウォレット体験には大きな進展があったが、コアとなるユーザーエクスペリエンス（UX）には質的な変化はないままである。ユーザーは依然として複雑なブロックチェーンブラウザを手作業で確認し、多段階の取引を実行しなければならない。

AIスマートエージェントはこうした状況を変え、新たなインタラクション層となっている。

検索と発見：チームは「ブロックチェーン版Perplexity」のようなツールを開発するために競争している。これらのチャットベースの自然言語インターフェースにより、ユーザーはアルファ情報、スマートコントラクトの理解、オンチェーン行動の分析などを、生のトランザクションデータを処理することなく簡単に得られる。

より大きなチャンスは、エージェントが新規プロジェクト、収益機会、トークン発見の入り口になることだ。Kaitoが自身のローンチプラットフォーム上でプロジェクトに注目を集めるのと同様に、エージェントはユーザー行動を理解し、必要なコンテンツを能動的に提示できる。これにより持続可能なビジネスモデルが生まれ、分配やアフィリエイト報酬によって収益化も可能になる。

意図に基づく操作：ユーザーは複数の画面をクリックする代わりに、「ETH 1,000ドルを最も高い利回りのステーブルコインポジションに交換する」といった意図を表明するだけでよく、エージェントが複雑な多段階取引を自動実行する。

エラー防止：AIは間違った金額の入力、詐欺トークンの購入、悪意のあるコントラクトの承認といった一般的なミスを防ぐこともできる。

詳細はHey AnonによるDeFAI自動化について：

3. 取引ツールとDeFi自動化

現在、多くのチームがユーザーに賢明な取引シグナルを提供し、取引を代行したり、戦略を最適化・管理するためのスマートエージェントの開発に取り組んでいる。

収益最適化

エージェントは金利の変化やリスク状況に応じて、資金を貸出プロトコル、DEX、ファーミング機会の間で自動移動できる。

取引実行

AIは市場データをより迅速に処理し、感情を管理して事前設定されたフレームワークに従うことで、人間よりも優れた戦略を実行できる。

ポートフォリオ管理

エージェントはポートフォリオのリバランス、リスク露出の管理、異なるチェーンやプロトコル間での裁定機会の獲得を行うことができる。

もしエージェントが人間よりも一貫して優れた資産運用を実現できれば、現存のDeFi AIエージェントに対する飛躍的な進化となるだろう。現時点のDeFi AIはユーザーの既定の意図を実行するサポートが中心だが、これは完全自動化された資産管理へと進む道筋である。しかし、このような変化に対するユーザーの受容度は電気自動車の普及過程に似ており、大規模な検証が行われるまでは信頼のギャップが大きい。だが成功すれば、この技術はこの分野で最大の価値を獲得する可能性を秘めている。

この分野の勝者は誰か？

独立したアプリケーションが配布において優位に立つ可能性もあるが、より可能性が高いのは既存のプロトコルが直接AI技術を取り入れることである。

DEX（分散型取引所）：よりスマートなルーティングと詐欺保護を実現。
貸出プロトコル：ユーザーのリスクプロファイルに応じて収益を自動最適化し、ローン健康係数が一定基準を下回った際に返済を行い、清算リスクを低減。
ウォレット：AIアシスタントへ進化し、ユーザーの意図を理解。
取引プラットフォーム：AI支援ツールを提供し、ユーザーが取引戦略を維持できるように支援。

最終展望

暗号技術のインタフェースは対話型AIと融合し、ユーザーの財務目標を理解して、ユーザー自身よりも効率的にそれらを遂行する方向へ進化していくだろう。

2. 暗号技術がAIを支援する：分散型AIの未来

私見では、暗号技術がAIに与える潜在的影響は、AIが暗号技術に与えるものよりも遥かに大きい。分散型AIに取り組むチームは、AIの将来に関する根本的かつ現実的な問題を探求している。

巨大テック企業の大規模な資本支出に依存せずに、最先端のモデルを開発することは可能か？
世界中の分散した計算リソースを調整し、効率的にモデルを訓練またはデータを生成することは可能か？
人類が最も強力な技術を少数の企業に支配された場合、何が起こるのか？

分散型AI（DeAI）について詳しく知るために、@yb_effect の記事を強くおすすめする。

氷山の一角にすぎないが、暗号技術とAIの次の波は、研究主導の学術AIチームから生まれる可能性がある。これらは主にオープンソースAIコミュニティに由来し、分散型AIの実用的意義と哲学的価値を深く理解しており、AIの拡張にとって最良の方法だと考えている。

AIが直面している課題とは何か？

2017年、画期的な論文『Attention Is All You Need』がTransformerアーキテクチャを提唱し、ディープラーニング分野の数十年にわたる重要な難題を解決した。2019年のChatGPTの普及以降、Transformerは大規模言語モデル（LLM）のほとんどを支える基礎となり、計算能力競争の波を引き起こした。

それ以来、AI訓練に必要な計算能力は毎年4倍に増加している。この結果、事前学習にはより高性能なGPUが必要であり、そのようなリソースは最大手のテック企業にしか存在しないため、AI開発は極めて集中化されている。

イデオロギー的観点から、集中型AIは問題である。なぜなら、人類が最も強力な道具をいつでもその資金提供者に支配または撤回される可能性があるからだ。したがって、オープンソースチームが集中型ラボの進展速度に直接競争できないとしても、この状況に挑戦することが重要なのである。

暗号技術はオープンモデル構築のための経済的調整の基盤を提供する。しかし、それを実現する前に、次の問いに答える必要がある。分散型AIは理想を満たす以外に、どのような実際の問題を解決できるのか？なぜ人々が協働することがそれほど重要なのか？

幸運にも、この分野に取り組むチームは非常に現実的である。オープンソースは技術拡張の核となる理念を表している：小規模な協力を通じて、各チームは自らの局所的最大値を最適化し、それに基づいて段階的に構築することで、規模と組織的慣性に制限される集中型アプローチよりも速くグローバル最大値に到達できる。
同時に、特にAI分野では、オープンソースは知能を創出するための必須条件でもある――道徳的という意味ではなく、個人が付与するさまざまな役割や人格に適応できる知能のことである。

実際には、オープンソースは非常に現実的なインフラ制約を解決するための革新的な扉を開く可能性がある。

計算リソースの逼迫状況

AIモデルの訓練にはすでに巨大なエネルギーインフラが必要とされている。現在、1～5ギガワット規模のデータセンターを建設する複数のプロジェクトが進行中である。しかし、先端モデルの継続的な拡張には単一のデータセンターが供給できる以上のエネルギーが必要となり、時には都市全体の消費レベルに匹敵する規模になる。問題はエネルギー出力だけでなく、単一データセンターの物理的制限にも及ぶ。

参考資料

先端モデルの事前学習段階を超えたとしても、推論（Inference）段階のコストは新しい推論モデルやDeepSeekの登場により大幅に増加する。例えば@fortytwonetworkチームが述べているように：

「従来のLLMとは異なり、推論モデルはよりスマートな応答を得るために処理時間を多く割くことを重視する。しかし、この変化にはトレードオフが伴う：同じ計算リソースでは処理できるリクエスト数が減るのだ。こうした有意義な改善を実現するには、モデルがより多くの「思考」時間が必要となり、計算リソースの希少性がさらに高まる。

計算リソースの不足はすでに顕著である。たとえば、OpenAIはAPI呼び出しを1分あたり1万回に制限しており、これはAIアプリケーションが同時に約3,000人のユーザーにしかサービスを提供できないことを意味する。Stargateのように野心的なプロジェクト――最近トランプ大統領が発表した5,000億ドル規模のAIインフラ計画――であっても、この問題を一時的に緩和するにとどまるかもしれない。

ジェヴォンズのパラドックス（Jevons’ Paradox）によれば、効率の向上は需要の増加につながり、資源消費が増える傾向がある。AIモデルがより強力で効率的になれば、新しいユースケースや広範な採用により、計算需要が急増する可能性がある。

では、暗号技術はどこから来るのか？ブロックチェーンはどのようにAIの探索と発展に真に意味ある貢献ができるのか？

暗号技術は全く異なるアプローチを提供する：グローバル分散＋分散型訓練と経済的調整。新しいデータセンターを建設する代わりに、ゲーム機器、暗号マイニング装置、企業サーバーなど、大部分の時間がアイドル状態にある数百万のGPUを利用するのである。同様に、ブロックチェーンは消費者デバイスの未使用計算リソースを利用して分散型推論を実現できる。

分散型訓練の主な課題の一つはレイテンシである。暗号要素に加えて、Prime IntellectやNousなどのチームはGPU間の通信要件を減らす技術的突破に取り組んでいる。

DiLoCo（Prime Intellect）：Prime Intellectの実装により通信要件が500倍削減され、大陸間の訓練が可能になり、90～95％の計算利用率を達成。
DisTrO/DeMo（Nous Research）：Nous Researchのオプティマイザー群は離散コサイン変換圧縮技術により、通信要件を857倍削減。

しかし、伝統的な調整メカニズムでは、分散型AI訓練に内在する信頼の課題に対処できない。ここでブロックチェーンの固有特性が製品市場適合（PMF）を見出す可能性がある。

検証と耐障害性： 分散型訓練では参加者が悪意のあるまたは誤った計算を提出するリスクがある。暗号技術は暗号学的検証スキーム（例：Prime IntellectのTOPLOC）と経済的罰則メカニズムを提供し、不正行為を防止する。
無許可参加： 従来の分散型コンピューティングプロジェクトは審査プロセスを必要とするが、暗号技術は真の無許可貢献を可能にする。未使用の計算リソースを持つ誰もが即座に参加して収益を得ることができ、利用可能なリソースプールを最大化する。
経済的インセンティブの一致： ブロックチェーンに基づくインセンティブメカニズムは個々のGPU所有者の利益を集団的訓練目標と一致させ、以前は放置されていた計算リソースを経済的に生産的とする。

このように、分散型AIスタックのチームはAIの拡張問題をどう解決し、ブロックチェーンをどう活用しているのか？どのような実績があるのか？

Prime Intellect：分散型および去中心化訓練
1. DiLoCo：通信要件を500倍削減し、大陸間訓練を可能にした。
2. PCCL：動的メンバー参加、ノード故障に対応し、大陸間で45 Gbit/sの通信速度を実現。
3. 現在、世界中に分散するワーカーノードで320億パラメータのモデルを訓練中。
4. 実稼働環境で90～95％の計算利用率を達成。
5. 成果： INTELLECT-1（100億パラメータ） および INTELLECT-2（320億パラメータ） の訓練に成功し、大陸間の大規模モデル訓練を実現。
Nous Research：分散型訓練と通信最適化
1. DisTrO/DeMo： 離散コサイン変換（Discrete Cosine Transform）技術により、通信要件を857倍削減。
2. Psyche Network： ブロックチェーン調整メカニズムを利用し、耐障害性とインセンティブを提供して計算リソースの起動を促進。
3. インターネット上で最大規模の事前学習の一つを完了し、Consilience（400億パラメータ） を訓練。
Pluralis：プロトコル学習（Protocol Learning）とモデル並列

Pluralisは従来のオープンソースAIとは異なるアプローチを採用しており、これをプロトコル学習（Protocol Learning）と呼んでいる。Prime IntellectやNousのような他の分散型訓練プロジェクトが採用するデータ並列法とは異なり、Pluralisはデータ並列には経済的欠陥があり、計算リソースのプール化だけでは最先端モデルの訓練には不十分だと考える。例えば、Llama3（4,000億パラメータ）の訓練には16,000台の80GB H100 GPUが必要である。

出典：リンク

プロトコル学習（Protocol Learning）の核心は、モデル訓練者に真の価値獲得メカニズムを導入し、大規模訓練に必要な計算リソースを集約することにある。このメカニズムは訓練への貢献に比例して部分的なモデル所有権を分配することで実現される。このアーキテクチャでは、ニューラルネットワークは協調的に訓練されるが、完全な重みセットはいかなる単一の参加者にも抽出されない（プロトコルモデル Protocol Modelsと呼ばれる）。この設定では、参加者が完全なモデル重みを取得しようとする場合、再訓練に必要なコストを上回る計算コストが発生する。

プロトコル学習の具体的な仕組みは以下の通り。

モデルの断片化： 各参加者は完全な重みではなく、モデルの一部の断片（shards）のみを保持する。
協調訓練： 訓練プロセスでは活性値（activations）を参加者間でやり取りするが、誰にも完全なモデルを見せることはない。
推論証憑： 推論には証憑が必要であり、これは参加者の訓練貢献に応じて分配される。この方法により、貢献者はモデルの実使用から収益を得ることができる。

プロトコル学習の意義は、モデルを経済的資源または商品に変え、完全に金融化できるようにすることにある。このようにして、プロトコル学習は真に競争力のある訓練タスクを支える計算規模の実現を目指している。Pluralisは、閉源開発の持続可能性（安定した収益をもたらす閉源モデルのリリースなど）とオープンソース協働の利点を組み合わせ、分散型AIの発展に新たな可能性を提供する。

Fortytwo：分散型群知推論

出典：リンク

他のチームが分散型および分散型訓練の課題に注力する一方で、Fortytwoは分散型推論に焦点を当て、群知（Swarm Intelligence）を通じて推論段階の計算リソース不足を解決する。
Fortytwoは推論に関連するますます深刻な計算不足問題を解決する。M2チップ搭載MacBook Airなどのコンシューマーハードウェアの未使用計算能力を活用するために、Fortytwoは専用の小型言語モデルをネットワーク接続する。
Fortytwoは複数の小型言語モデルをネットワーク化し、これらのノードが相互の貢献を評価することで、ピアツーピアの評価を通じてネットワークの効率を増幅する。最終的な応答はネットワーク内で最も価値のある貢献に基づき、推論効率を支える。
興味深いことに、Fortytwoの推論ネットワークアプローチは、分散型／分散型訓練プロジェクトと相補的になり得る。将来のシナリオとして、Fortytwoノード上で動作する小型言語モデル（SLMs）が、Prime Intellect、Nous、Pluralisによって訓練されたモデルである可能性がある。これらの分散型訓練プロジェクトが共同でオープンソースの基盤モデル（Foundation Models）を作り、特定分野向けにファインチューニングを行い、最終的にFortytwoのネットワークによって推論タスクを調整する。