暗号化 × AI：今サイクルのプロジェクト全貌を解体する
TechFlow厳選深潮セレクト
暗号化 × AI：今サイクルのプロジェクト全貌を解体する
AIインフラの全スタックエコシステムを1枚の図で理解する。
Web3業界の深掘り報道に専念し潮流を洞察著者：cookies
翻訳：TechFlow
これは、暗号とAIインフラの成熟がいかに革新アプリケーションを推進するかについての私の見解です。
ユーザーおよび構築者として、この新時代においてどのように進むべきか、深く掘り下げてみましょう。
エージェントの種類
機能的価値エージェント（Functionally Valuable Agents）
これらのエージェントは、実際の価値や成果を生み出すことができます。
-
(1a) DeFAI エージェント
-
(1b) 予測市場エージェント（Prediction Market Agents, PMAs）
-
(1c) コンピュータ利用エージェント（Computer Use Agents, CUAs）
DeFAI エージェント
これらのエージェントは取引、利回り農耕（Yield Farming）、または流動性提供（LP）を行うことができます。
関連プロジェクト：@symphonyio、@almanac、@gizatechxyz
DeFAIに関する包括的な紹介は以下のツイートで確認できます：元ツイートリンク
予測市場エージェント（PMAs）
これらのエージェントは予測市場に参加し、特定の市場（例：サッカー）向けのエージェントまたは汎用エージェントである可能性があります。
私は計算リソースの消費が少ないため、小型言語モデル（SLM）に基づく市場特化型エージェントを好みます。
関連プロジェクト：@sire_agent、@BillyBets_ai
DeFAI および PMAs における暗号技術の役割
暗号技術は以下の役割を果たしています：
-
決済手段
-
プログラム可能な実行
-
改ざん不可能な取引記録
コンピュータ利用エージェント（CUAs）
このタイプのエージェントは、画面を制御してExcelでDCF表を作成するなどのタスクを完了できます。
暗号技術は、高品質データを貢献してモデル改善に寄与したユーザーへのインセンティブとして機能できます。
関連プロジェクト：@chakra_ai、@getoro_xyz
進化型エージェント（Evolving Agents）
将来、誰もが個別化された生産性エージェントを持つようになると考えています。
大規模言語モデル（LLM）での会話、ソーシャルメディア閲覧、日常会話から得られるコンテキスト情報を基に、これらのエージェントは環境モードで研究や計画を行うことができます。
時間とともに、これらのエージェントは進化し、特定分野での専門家となるでしょう。@the_nof1 は金融市場に特化したAI研究ラボであり、6つの取引エージェントを持ち、それぞれが1万ドルの資金を運用しています。これらのモデルは熟練トレーダーへと進化する可能性があります。
伴侶型エージェント（Companion Agents）
将来的には、孤独に対抗するための人々を支援するエージェントが一般的になるでしょう。より多くのインタラクションがデジタル世界に移行するにつれ、人間同士の接触は徐々に減少します。
エージェントインフラ
エージェント決済（Agentic Payment）
支払い可能なエージェント。エージェントの商用化を現実にするために、テック大手はすでにエージェント決済標準を策定しています：
エージェント決済の主流化に必要な核心要素：
-
インフラ：さまざまなエージェント決済規格によって解決されます。
-
需要：私たちは本当に支払い可能なエージェントを必要としているでしょうか？
ChatGPTは最近、プラットフォーム内にアプリケーションを導入し、ユーザーが直接ChatGPT内部で機能を構築できるようにしました。
これによりパラダイムシフトが起こり、生産的な操作が直接ChatGPT上で完結可能になります。
以下の内容でこれを理解できます：関連ツイートリンク
エージェントのアイデンティティと評判（Agent Identity and Reputation）
エージェントの存在は避けられないものになります：ほとんどのタスクは特定タスク指向のエージェントによって実行されるでしょう。
どのエージェントが適切で信頼できるか、どうやって知るのでしょうか？
GoogleレビューまたはPageRankのようなシステムをエージェント用に設計し、特定タスク遂行時のパフォーマンスに基づいてランク付けや認証を付与することを想像してください。
履歴書のように、評価4.6の取引エージェントがヘッジファンドに「雇用」されるかもしれません。
イーサリアム財団はすでにこの機能を支えるインフラ—ERC-8004—の構築を始めています。
ERC-8004を通じて、エージェント同士が相互にやり取りでき、例えばエージェントAからエージェントBへの送金が可能です。
マルチエージェントシステム（Multi-Agent System）
F1に例えると：
-
目的：タイヤ交換
-
メインエージェント：タイヤ交換が必要なドライバー
-
ワーカーエージェント：タイヤ交換を担当するメカニック
この概念は、調整役のエージェントと並列的にタスクを実行できる複数のワーカーエージェントから構成されます。
@monad プラットフォームで最も適しており、その並列実行機能により、全体のワークフローを単一ブロック（0.4秒）内で完了できる可能性があります。
ソーシャルエージェント・ハニーメッシュ（Social Agent Hivemesh）
誰もが自身のデジタルツインを持つ未来を想像しています。
これらのデジタルツインが相互接続し、知識交換や取引を行うことを可能にするインフラが存在します。
デジタルツインのインタラクションはブロックチェーン上に保存され、エージェントソーシャルグラフ（Agent Social Graph）が形成されます。
エージェントのインタラクションは完全にランダムであってはなりません。そのため、@indexnetwork_ のようなディスカバリネットワークが、ユーザー固有のコンテキストを取り込み、ユーザーの意図をつなぐ重要なインフラとなります。
ロボティクス
ロボティクス業界は急速に成長しており、2025年1月から7月までの間に60億ドルの資金調達を達成しました。
本セクションでは3つのコア支柱を分解し、ブロックチェーンの役割を詳細に説明します。
本セクションに入る前に、こちらのロボティクス入門ガイドをご覧ください。
ロボティクスデータ（Robotics Data）
大規模言語モデル（LLM）と比較して、ロボットモデル訓練に使用されるデータ量ははるかに少ないです。
これは、現実世界でデータを収集することが、カメラの設置や遠隔操作装置の使用などにより、より多くの労力とコストを要するためです。
ロボットデータの種類には以下が含まれます：
-
ビデオ
-
遠隔操作
-
モーションキャプチャ
-
第一人称視点（POV）
-
シミュレーション／合成データ
物理AIデータ収集の主な課題の一つは、多様性の要求にあります。
特定の環境で訓練されたヒューマノイドロボットは、新しい環境（例：光が弱い場所）を理解できない可能性があります。
暗号技術は、高度に多様な環境を捉える現実世界データの貢献を促進する優れた仕組みです。
関連プロジェクト：@PrismaXai、@MeckaAI、@silencioNetwork、@rayvo_xyz、@VaderResearch、@BitRobotNetwork、@AukiNetwork
ロボティクスモデル（Robotics Model）
@PrimeIntellect は、分散型モデル訓練の先駆的事例です。
データ出所に基づく貢献に報酬を与えることで、優れた性能を持つロボティクスモデルを構築できる可能性があります。
関連プロジェクト：@OpenMind、KineFlow
ハードウェア（Hardware）
ロボティクス技術の主要なボトルネックの一つは、ロボットモデルのファインチューニングにおける遅延です。
研究ラボがモデルテストやファインチューニングデータ収集に必要なハードウェア（例：マニピュレーターアーム、ヒューマノイドロボットなど）を持っていない場合、特に問題になります。
DePIN（分散型物理インフラネットワーク）ロボットネットワークを構築することで、個人または研究ラボがロボットハードウェアをレンタル用途で提供できるようにできます。
この金融レイヤーは、研究者にとってハードウェアアクセスの道を開き、一方でハードウェア提供者にとっては安定した収益源（レンタル収入）を創出します。
結論
暗号、AI、ロボティクスの未来は非常に明るいです。
もしこの分野で何か面白いプロジェクトを構築しているなら、ぜひ私に連絡してください。それが@monad 上で実現できるか検討しましょう！
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
cookies
