Galaxyの10,000字記事：暗号通貨とAIが交差する分野とプロジェクトの総まとめ

著者：Lucas Tcheyan（ギャラクシー、アソシエイト・リサーチャー）; 翻訳：0xjs@GoldenFinance

はじめに

パブリックチェーンの出現は、コンピュータサイエンスの歴史において最も深遠な進歩のひとつである。しかし、AIの発展は我々の世界に大きな影響を与えるだろうし、すでに与えている。ブロックチェーン技術が取引決済、データ保存、システム設計に新たなテンプレートを提供するとすれば、AIはコンピューティング、分析、コンテンツ配信における革命です。両産業におけるイノベーションが新たなユースケースを解き放ち、今後数年間で両分野での採用が加速する可能性がある。本レポートでは、暗号通貨とAIの継続的な統合を調査し、両者のギャップを埋め、両者のパワーを活用しようとする斬新なユースケースに焦点を当てている。具体的には、本レポートは、分散型コンピューティング・プロトコル、ゼロ知識機械学習（zkML）インフラ、AIインテリジェンスを開発するプロジェクトを調査しています。

暗号通貨は、AIのためのライセンスフリーで信頼できる、コンポーザブルな決済レイヤーを提供します。これにより、分散型コンピューティング・システムを通じてハードウェアをより利用しやすくしたり、価値の交換を必要とする複雑なタスクを実行できるAIインテリジェンスを構築したり、魔女狩りや深い偽造に対抗するためのIDおよびトレーサビリティ・ソリューションを開発したりといったユースケースが解き放たれます。AIは、Web 2.0で見られたのと同じ多くの利点を暗号通貨にもたらします。これには、大規模な言語モデル（つまり、特別に訓練されたバージョンのChatGPTやCopilot）によるユーザーや開発者のユーザーエクスペリエンス（UX）の向上や、スマートコントラクトの機能や自動化を大幅に改善する可能性が含まれる。ブロックチェーンは、AIが必要とする透明性の高いデータ豊富な環境である。しかし、ブロックチェーンは計算能力も限られており、AIモデルを直接統合する際の大きな障壁となっています。

暗号通貨とAIの交差点で現在進行中の実験と最終的な採用の背後にある推進力は、暗号通貨の最も有望なユースケースを推進するものと同じものです。巨大な可能性を考えると、この分野のプレーヤーは、これら2つの技術が交差する基本的な方法を理解する必要がある。

Highlights:

• 近い将来（6ヶ月から1年）、暗号通貨とAIの統合はAIアプリによって支配されるでしょう。これらのアプリは、開発者の効率性、スマートコントラクトの監査可能性とセキュリティ、ユーザーのアクセシビリティを向上させることができます。これらの統合は暗号通貨に特化したものではなく、むしろオンチェーンの開発者とユーザーのエクスペリエンスを向上させるものです。

• 高性能GPUが決定的に不足しているのと同じように、分散型コンピューティングオファリングは、AIに合わせたGPUオファリングを実装しており、採用に弾みをつけています。

• ユーザーエクスペリエンスと規制は、分散型コンピューティングの顧客を惹きつける上で依然として障壁となっています。しかし、OpenAIの最新動向と米国で進行中の規制の精査は、許可不要で検閲に強い分散型AIネットワークの価値提案を浮き彫りにしています。

• オンチェーンAI統合、特にAIモデルを使用できるスマートコントラクトには、zkML技術やオフチェーンコンピューティングを検証するその他の計算方法の改善が必要です。包括的なツールや開発者の人材が不足しており、コストが高いことが採用の障壁となっています。

• AIインテリジェンスは、ユーザー（またはインテリジェンス自身）が他のサービス、インテリジェンス、または人々と取引するためにウォレットを作成できる暗号通貨に適しています。これは現在、従来の金融手法では不可能だ。より広く普及するためには、非暗号化製品とのさらなる統合が必要である。

Terminology

AI とは、人間の推論や問題解決能力を模倣するために、計算や機械を利用することです。

ニューラルネットワークは、人工知能モデルをトレーニングする方法です。入力を離散的なアルゴリズムの層を通して実行し、望ましい出力が得られるまで洗練させる。ニューラルネットワークは、出力を変更するために変更可能な重みを持つ方程式で構成されている。その出力が正確であるように訓練するには、多くのデータと計算が必要になる。これはAIモデルを開発する最も一般的な方法の1つです（ChatGPTはTransformerニューラルネットワークプロセスを使用しています）。

トレーニングは、ニューラルネットワークやその他のAIモデルを開発するプロセスです。入力が正しく解釈され、正確な出力が得られるようにモデルを訓練するには、大量のデータが必要です。トレーニング中、モデルの方程式の重みは、満足のいく出力が得られるまで継続的に変更されます。トレーニングは非常に高価になります。例えば、ChatGPTはデータ処理に数万台のGPUを使用しています。リソースが少ないチームは、Amazon Web Services、Azure、Google Cloudプロバイダーなどの専用コンピュートプロバイダーに頼ることが多い。

推論とは、出力や結果を得るためにAIモデルを実際に使用することです（たとえば、暗号通貨とAIの交差点に関する論文のアウトラインを作成するためにChatGPTを使用するなど）。推論は、学習プロセス全体と最終的な成果物に使用される。計算コストがかかるため、トレーニングが完了した後でも実行するにはコストがかかりますが、トレーニングよりは計算量が少なくて済みます。

Zero Knowledge Proof (ZKP) は、基礎となる情報を明らかにすることなく、ステートメントの検証を可能にします。これは暗号通貨において主に2つの理由で有用である。プライバシーについては、ユーザーが機密情報（例えばウォレットにETHがいくらあるか）を明かすことなく取引できるようになる。拡張性については、チェーン外の計算を再実行するよりも速くチェーン上で証明することができる。これにより、ブロックチェーンやアプリケーションは、オフチェーンで安価に計算を実行し、オンチェーンで検証することが可能になります。

AI/暗号通貨エコグラム

AIと暗号通貨の交差点にあるプロジェクトは、大規模なオンチェーンAIインタラクションをサポートするために必要な基礎インフラをまだ構築中です。

分散コンピューティング・マーケットプレイスは、AIモデルの訓練と推論に必要な、主にGPUの形をした大量の物理的ハードウェアを提供するために出現しています。このような双方向の市場は、コンピュートを借りる人と借りようとする人を結びつけ、価値の移転と計算の検証を促進します。分散型コンピューティングの中には、さらなる機能を提供するいくつかのサブカテゴリーが出現している。本レポートでは、二者間市場に加えて、検証可能なトレーニングと微調整されたアウトプットの提供を専門とする機械学習トレーニングプロバイダーや、インテリジェントインセンティブネットワークとも呼ばれる、AIを実現するための計算とモデル生成の接続に特化したプロジェクトについてもレビューします。

zkMLは、チェーン上で検証可能なモデル出力をコスト効率よくタイムリーに提供しようとするプロジェクトにとって、新たな注目分野です。このようなプロジェクトは主に、アプリケーションがオフチェーンでの重い計算要求を処理し、オフチェーンでの作業負荷が完全で正確であることを証明する検証可能な出力をオンチェーンで公開することを可能にします。 zkML は現在の例では高価で時間がかかりますが、ソリューションとして利用されることが増えています。これは、AIモデルの活用を望むzkMLプロバイダーとDeFi/ゲームアプリとの統合が増えていることからも明らかです。

複雑なコンピュート・プロビジョニングとオンチェーン計算を検証する能力は、オンチェーンAIインテリゲンチャへの扉を開きます。インテリゲンチャは、ユーザーの代わりにリクエストを実行できる、訓練されたモデルです。インテリジェント・ボディは、ユーザーがチャットボットに話しかけるだけで複雑な取引を実行できるようにすることで、オンチェーン・エクスペリエンスを大幅に向上させる機会を提供する。しかし、当面の間、スマート・ボディ・プロジェクトは、簡単で迅速な展開を可能にするインフラとツールの開発に焦点を当てたままである。

分散コンピューティング

概要

AIは、モデルを訓練し推論を実行するために多くの計算を必要とします。過去10年間、モデルがより複雑になるにつれ、計算要件は指数関数的に増加してきました。たとえば、OpenAIは、2012年から2018年にかけて、モデルの計算要件が2年ごとに倍増していたのが、3カ月半ごとに倍増していることを発見しました。このためGPUの需要が急増し、一部の暗号通貨採掘業者はGPUをクラウド・コンピューティング・サービスに再利用している。アクセス・コンピューティングの競争が激化し、コストが上昇する中、暗号を活用して分散型コンピューティング・ソリューションを提供するプロジェクトも出てきている。これらのプロジェクトは、チームが手頃な価格でトレーニングやモデルの実行ができるように、オンデマンドコンピューティングを競争力のある価格で提供している。場合によっては、パフォーマンスとセキュリティがトレードオフになります。

Nvidia製のような最先端のGPUは需要が高い。2023年9月、Tetherはドイツのビットコイン採掘会社であるNorthern Dataの株式を取得し、AIトレーニングに使用される最先端のGPUの1つであるH100 GPUを10,000台購入するために4億2,000万ドルを費やしたと報じられた。一流のハードウェアを手に入れるまでの待ち時間は、最低でも半年、多くの場合はそれ以上かかる。さらに悪いことに、企業はしばしば、使うかどうかもわからないコンピュートの長期契約を求められる。このため、利用可能なコンピュートが存在するにもかかわらず、市場で入手できないという事態が発生しかねない。分散型コンピューティング・システムは、コンピュート所有者が余剰容量をすぐにサブリースできるセカンダリー・マーケットを作ることで、新たな供給を解放し、こうした市場の非効率性に対処するのに役立ちます。

競争力のある価格設定とアクセシビリティに加えて、分散型コンピューティングの重要な価値提案は検閲への耐性です。AI Index Report 2023の年次報告書で強調された最初の主要テーマは、AIモデルの開発において産業界が学界を追い抜く傾向が強まっており、少数の技術リーダーの手にコントロールが集中していることです。このことは、AIモデルを支える規範や価値観の設定において、彼らが大きな影響力を持つことに懸念を抱かせます。特に、これらのハイテク企業が、自分たちがコントロールできないAIの開発を制限する規制を推し進めた後ではなおさらです。

分散型コンピューティングの垂直統合

近年、いくつかの分散型コンピューティングモデルが登場しており、それぞれが独自の焦点とトレードオフを持っています。

Generalised computing

Akash, io.net, iExec、Cudosなどのプロジェクトは、データや汎用コンピューティング・ソリューションに加えて、AIのトレーニングや推論専用の計算へのアクセスを提供する、または近いうちに提供する予定の分散型コンピューティング・アプリです。

アカッシュは現在、唯一の完全オープンソースの「スーパークラウド」プラットフォームである。これは、Cosmos SDKを使用したプルーフ・オブ・インタレスト・ネットワークです。 AKTはAkashのネイティブトークンで、ネットワークを保護し、参加へのインセンティブを与えるための支払い形態として使用されます。 Akashは2020年に最初の主要ネットワークを立ち上げ、ライセンスフリーのクラウドコンピューティング・マーケットプレイスの提供に注力し、当初はストレージとCPUのレンタルサービスを提供した。 2023年6月、AkashはGPUに特化した新しいテストネットワークを立ち上げ、9月にはGPUメインネットワークを立ち上げ、ユーザーがAIトレーニングや推論のためにGPUをレンタルできるようにした。

Akashのエコシステムには、テナントとベンダーという2つの主要プレーヤーが存在する。テナントは、Akashネットワークからコンピューティングリソースを購入したいユーザーです。ベンダーはコンピューティングリソースのプロバイダーです。テナントとサプライヤーをマッチングするために、Akashは逆オークション方式を採用している。テナントは、サーバーの場所や計算を実行するハードウェアの種類など、特定の条件と支払う金額を指定して計算要求を提出します。プロバイダーは希望価格を提出し、最も安い入札者にタスクが発注される。

アカシの検証者はネットワークの完全性を維持する。検証者は現在100人に限定されており、時間の経過とともに増えていく予定である。現在誓約されているAKT数が最も少ない検証者よりも多くのAKTを誓約することで、誰でも検証者になることができます。 AKT保有者は、自分のAKTを検証者に委任することもできる。ネットワークの取引手数料とブロック報酬はAKTの形で分配される。さらに、各リースについて、アカシネットワークはコミュニティによって決定されたレートで「徴収手数料」を獲得し、AKT保有者に分配されます。

二次市場

分散型コンピューティング市場は、既存のコンピューティング市場の非効率性を埋めるために設計されています。供給の制約により、企業は必要と思われる以上のコンピューティング・リソースをため込んでしまいます。また、継続的なアクセスが必要ない場合でも、顧客を長期契約に拘束するクラウド・プロバイダーとの契約構造によって、供給はさらに制約されます。分散型コンピューティング・プラットフォームは、コンピューティングの必要性を持つ世界中の誰もがプロバイダーになれるように、新たな供給を解き放ちます。

AIトレーニング用GPUの需要急増が、Akashでの長期的なネットワーク利用につながるかどうかはまだわからない。例えば、Akashは以前からCPUのマーケットプレイスを提供しており、集中型の代替サービスと同様のサービスを70～80％の割引価格で提供している。しかし、低価格が大きな普及につながっていない。ネットワーク上のアクティブリースは頭打ちで、2023年第2四半期までに平均でコンピュート33％、メモリー16％、ストレージ13％にとどまっている。これらは、このチェーンにおける採用のための印象的な指標ではありますが（参考までに、大手ストレージ・プロバイダのFilecoinは、2023年第3四半期にストレージの利用率をすでに12.6%としています）、これは、これらの製品の供給が需要を上回り続けていることを示唆しています。

アカッシュがGPUネットワークを立ち上げてから半年以上が経過しており、長期的な採用率を正確に評価するには時期尚早です。現在までのところ、GPUの利用率は平均44%で、CPU、メモリ、ストレージよりも高く、これは需要の兆候である。これは主に、90%以上がリースされているA100のような、最高品質のGPUに対する需要によるものです。

<

アカシの1日の使用量も増加しており、GPUが登場する前と比べると2倍近くになっている。これは、他のサービス、特にCPUの使用量の増加によるところもありますが、主に新しいGPUの使用によるものです。

価格はLambda CloudやVast.aiのような中央集権型の競合と同等（場合によってはそれ以上）です。H100やA100のような最高級GPUに対する大きな需要は、デバイスの所有者のほとんどが、競争力のある価格設定に直面する市場で市場に出ることにほとんど関心がないことを意味します。当初の関心は有望であったものの、採用には障壁が残っている（後述）。分散型コンピューティング・ネットワークは、需要と供給を生み出すためのさらなるステップを踏む必要があり、各チームは新規ユーザーを惹きつける最善の方法を試行錯誤している。例えば、2024年初頭、AkashはGPUベンダーからのAKT排出量を増やし、特にハイエンドGPUをターゲットとした供給を増やすインセンティブを与えるため、提案240を可決した。 Akashは独自のベースモデルをトレーニングしており、Akash GPUを使用して出力を作成できるチャットボットや画像生成製品をすでに発表している。同様に、io.netは安定した拡散モデルを開発し、従来のGPUデータセンターの性能と規模をよりよく模倣する新しいネットワーク機能を展開しています。

分散型の機械学習トレーニング

AIのニーズを満たすことができる汎用コンピュートプラットフォームに加え、機械学習モデルのトレーニングに特化したAI GPUベンダーのグループが台頭してきています。たとえば、Gensyn は、「集合的なインテリジェンスを構築するために、パワーとハードウェアを編成」しています。もし誰かが何かを訓練したいと思い、誰かがそれを訓練する気があるのなら、その訓練は許可されるべきである。"

プロトコルには、提出者、解答者、検証者、内部告発者という4つの主な参加者がいる。提出者はネットワークに訓練要求のタスクを提出する。これらのタスクには、訓練目的、訓練対象モデル、訓練データが含まれる。提出プロセスの一環として、提出者はソルバーが必要とする推定計算量の前払いを要求される。

提出後、タスクは実際にモデルを訓練するソルバーに割り当てられます。その後、ソルバーは完了したタスクをバリデーターに提出し、バリデーターはトレーニングが正しく完了したかどうかをチェックする責任を負う。バリデーターが正直に行動していることを確認するのは、内部告発者の責任である。内部告発者にネットワークへの参加を奨励するため、ゲンシン社は意図的なミスの証拠を定期的に提供し、それを発見した内部告発者には報酬を与える計画だ。

AI関連のワークロードにコンピュートを提供する以外に、Gensynの重要な価値提案は、まだ開発中の検証システムである。検証は、GPUベンダーからの外部計算が正しく実行されることを保証するために必要です（つまり、ユーザーのモデルが彼らが望むように訓練されていることを保証するために）。 Gensynはこの問題を解決するために、確率的学習証明、グラフベースの厳密プロトコル、およびTruebitスタイルのインセンティブ・ゲームと呼ばれる新しい検証手法を利用した独自のアプローチをとっています。これは楽観的な解モデルであり、検証者は、ソルバーがモデルを正しく実行したことを、コストのかかる非効率的なプロセスであるモデル自体を完全に再実行することなく確認することができます。

検証への革新的なアプローチだけでなく、Gensynは中央集権的な代替手段や暗号通貨の競合他社と比較して費用対効果が高いとも主張しており、AWSよりも最大80%安い価格でMLトレーニングを提供する一方、テストの面ではTruebitのような同様のプロジェクトを上回っています。

<

These最初の結果が、分散型ネットワークで大規模に再現できるかどうかはまだわからない。 Gensynは、小規模データセンター、小売ユーザー、将来的には携帯電話などの小型モバイル機器などのプロバイダーから、余剰のコンピューティングパワーを活用したいと考えている。しかし、Gensynチーム自身が認めているように、異種コンピューティング・プロバイダーに依存することは、いくつかの新しい課題をもたらします。

グーグル・クラウド・プロバイダーやコアウィーブのような集中型プロバイダーにとって、コンピュートは高価ですが、コンピュート間の通信（帯域幅とレイテンシー）は安価です。これらのシステムは、ハードウェア間の通信を可能な限り迅速に実現することを目指している。 Gensynはこの枠組みを破壊し、世界中の誰もがGPUを利用できるようにすることでコンピュートコストを下げるが、ネットワークが遠く離れた異種ハードウェア間でコンピュートオペレーションを調整しなければならなくなるため、通信コストも増加する。 Gensynはまだ利用可能ではありませんが、分散型の機械学習トレーニングプロトコルを構築する際に何が可能かを示す概念実証です。

分散型一般知能

分散型コンピューティングプラットフォームは、AI作成方法の設計にも可能性を提供します。 Bittensorは、Substrate上に構築された分散型コンピューティング・プロトコルで、"どのようにAIを協調的なアプローチに変えるか？"という問いに答えようとしています。"という問いだ。 BittensorはAI生成の分散化とコモディティ化を目指している。

Bittensorはビットコインからヒントを得ており、そのネイティブ通貨であるTAOの供給量は2100万、半減サイクルは4年（最初の半減は2025年）である。 正しい乱数を生成してブロック報酬を受け取るためにプルーフ・オブ・ワークを使用する代わりに、Bittensorは「プルーフ・オブ・インテリジェンス」に依存しています。

知能の証明

Bittensorは当初、出力を生成するためにMixed Mixture of Experts (MoE)モデルに依存していました。推論要求を送信するとき、一般化されたモデルに頼るのではなく、MoEモデルは与えられた入力タイプに対して最も正確なモデルに推論要求を転送します。家を建てるとき、建築プロセスの様々な側面を担当する様々な専門家（建築家、エンジニア、塗装工、建築業者など......）を雇うことを想像してほしい。. MoEはこれを機械学習モデルに応用し、入力に基づいて異なるモデルの出力を活用しようとしている。Bittensorの創設者であるAla Shaabanaが説明するように、これは「一人の人間と話すのではなく、部屋いっぱいの賢い人々と話して最良の答えを得る」ようなものだ。正しいルーティング、適切なモデルへのメッセージ同期、インセンティブの確保が課題であるため、このアプローチはプロジェクトがさらに発展するまで保留される。

Bittensorネットワークには、バリデータとマイナーという2つの主役がいます。バリデーターの仕事は、マイナーに推論リクエストを送り、その出力をレビューし、そのレスポンスの品質に基づいてランク付けすることである。彼らのランキングが信頼できるものであることを保証するために、バリデータには、彼らのランキングが他のバリデータのランキングとどの程度一致しているかに基づく「vtrust」スコアが与えられる。検証者のvtrustスコアが高いほど、より多くのTAOコインを受け取ることができる。より多くの検証者がランキングに同意すればするほど、個人のvtrustスコアが高くなるからです。

サーバーとしても知られるマイナーは、実際の機械学習モデルを実行するネットワーク参加者です。マイナーは、与えられたクエリに対して最も正確な出力をベリファイアに提供するために互いに競争し、その出力が正確であればあるほど、より多くのTAOを獲得することができます。マイナーはこれらの出力を好きなように生成することができる。たとえば、将来のシナリオでは、Bittensorの採掘者が以前にGensynでモデルを訓練し、TAOを獲得するためにそれらを使用することは十分に可能です。

今日、ほとんどのやり取りは検証者と採掘者の間で直接行われる。検証者は採掘者に入力を提出し、出力を要求します（つまりモデルを訓練します）。検証者がネットワーク上のマイナーに問い合わせ、その回答を受け取ると、マイナーをランク付けし、そのランキングをネットワークに提出する。

検証者（PoSに依存）とマイナー（PoWの一形態であるモデル証明に依存）の間のこの相互作用は、ユマコンセンサスと呼ばれる。これは、マイナーがTAOを獲得するために最高のアウトプットを出すようインセンティブを与え、検証者がより高いvtrustスコアを得てTAOの報酬を増やすためにマイナーのアウトプットを正確にランク付けするようインセンティブを与えるように設計されており、ネットワークのコンセンサスメカニズムを形成している。

サブネットとアプリケーション

Bittensorでのやり取りは、主にベリファイアがマイナーにリクエストを送信し、その出力を評価することで成り立っている。しかし、貢献するマイナーの質が上がり、ネットワークの全体的なインテリジェンスが高まるにつれて、Bittensorは既存のスタックの上にアプリケーションレイヤーを作成し、開発者がBittensorネットワークに問い合わせるアプリケーションを構築できるようにします。

2023年10月、BittensorはRevolutionアップグレードを通じてサブネットを導入し、この目標達成に向けて大きな一歩を踏み出しました。サブネットはBittensor上の独立したネットワークで、特定の行動を動機づけるものです。 Revolutionは、サブネットの作成に興味のある人すべてにネットワークを開放します。リリースから数ヶ月の間に、テキストプロンプト、データキャプチャ、画像生成、ストレージ用のサブネットを含む32以上のサブネットが立ち上げられた。サブネットが成熟し、製品として使用できるようになるにつれ、サブネットの作成者は、特定のサブネットに問い合わせるアプリケーションをチームが構築できるようにするアプリケーション統合も作成するようになる。現在、多くのアプリケーション（チャットボット、画像ジェネレーター、Twitter返信ボット、予測市場）が存在しますが、Bittensor Foundationからの資金提供以上に、検証者がこれらのクエリを受け入れ、転送する正式なインセンティブはありません。

わかりやすく説明するために、アプリがネットワークに統合された後、Bittensorがどのように機能するかの例を示します。

<

サブネットは、ルートネットワークによって評価されたパフォーマンスに基づいてTAOを獲得します。ルートネットワークはすべてのサブネットの上に位置し、本質的に特別な種類のサブネットとして機能し、64の最大のサブネット検証者によって公平に管理されます。ルートネットワークの検証者は、そのパフォーマンスに基づいてサブネットをランク付けし、定期的に放出されたTAOトークンをサブネットに分配する。このようにして、個々のサブネットはルートネットワークのマイナーとして機能します。

Bittensorの展望

Bittensorは、複数のサブネットにまたがるスマート生成にインセンティブを与えるためにプロトコルの機能を拡張しているため、まだ成長痛を経験しています。マイナーは、より多くのTAO報酬を得るためにネットワークを攻撃する新しい方法を常に考案しています。たとえば、モデル実行から高く評価された推論の出力をわずかに修正し、複数の亜種を提出することなどです。ネットワーク全体に影響を与えるガバナンスの提案は、Opentensor Foundation関係者のみで構成されるTriumvirateによってのみ提出され、実施されることができる（提案は、実施前にBittensor Validatorで構成されるBittensor Senateの承認を得る必要があることに留意されたい）。プロジェクトのトークンエコノミーは、サブネット間でのTAO利用のインセンティブを向上させるために修正されている。このプロジェクトはまた、最も人気のあるAIサイトの1つであるHuggingFaceのCEOが、Bittensorはこのサイトにリソースを追加すべきだと発言するなど、そのユニークなアプローチで急速に知名度を上げています。

コア開発者による「Bittensorパラダイム」と題された最近の記事で、チームはBittensorが最終的に「何を測定しているのかにとらわれない」ように進化するというビジョンを説明している。".理論的には、これによってBittensorは、TAOがサポートするあらゆるタイプの行動を動機づけるサブネットを開発することができる。最も重要なのは、これらのネットワークがこのような多様なプロセスを処理するために拡張できること、そして潜在的なインセンティブが中央集権的な製品を超えて進歩を促進することを証明することです。

AIモデルのための分散型コンピューティングスタックの構築

上記のセクションでは、開発中のさまざまなタイプの分散型AIコンピューティングプロトコルの大まかな概要を説明しました。開発と採用の初期段階では、DeFiの「Monetary Lego」コンセプトのような「AIビルディングブロック」の作成を最終的に促進できるエコシステムの基礎を提供します。パーミッションレス・ブロックチェーンの複合可能性は、より包括的な分散型AIエコシステムを提供するために、各プロトコルが別のプロトコルの上に構築される可能性を開きます。

例えば、これはAkash、Gensyn、Bittensorが推論リクエストに応答するために相互作用する1つの方法です。

これは将来起こりうることの一例であり、現在のエコシステム、既存のパートナーシップ、あるいは起こりうる結果を表すものではないことを明確にしておくことが重要である。相互運用性の制約や以下に述べるその他の考慮事項により、今日利用可能な統合の可能性は大きく制限されている。その上、流動性の断片化と複数のトークンを使用する必要性は、AkashとBittensorの創設者が指摘したように、ユーザーエクスペリエンスに悪影響を及ぼす可能性があります。

その他の分散型サービス

コンピューティング以外にも、暗号通貨の新興AIエコシステムをサポートするために、いくつかの分散型インフラサービスが開始されています。

これらすべてを列挙することは本レポートの範囲を超えていますが、いくつかの興味深い、例示的な例を挙げます:

• Ocean:分散型インフラサービスです。strong>分散型データマーケットプレイス。ユーザーは自分のデータを表すデータNFTを作成し、データトークンを使って購入することができる。ユーザーは自分のデータを収益化し、より大きな主権を持つことができる一方、AIチームにはモデルの開発と訓練に必要なデータへのアクセスを提供することができます。

• Grass：帯域幅の分散型マーケットプレイス。ユーザーは余った帯域幅をAI企業に売ることができ、AI企業はそれを使ってインターネットからデータを取得する。GrassはWyndネットワーク上に構築されており、個人が帯域幅を収益化できるだけでなく、帯域幅の買い手に個々のユーザーがウェブ上で見ているもののより多様なビューを提供する（個人のインターネットアクセスは多くの場合、IPアドレスに合わせて特別に調整されているため）。).

• HiveMapper:は、日常の運転手から収集した情報を使って、分散型のマッピング製品を構築します。 HiveMapperは、ユーザーのダッシュボードカメラから収集された画像を解釈するためにAIに依存しており、強化人間学習フィードバック（RHLF）を通じてAIモデルの微調整を支援することで、ユーザーにトークンで報酬を与える。

これらを総合すると、AIモデルをサポートする分散型マーケットプレイスモデルを探求したり、AIモデルが必要とする周辺インフラを開発したりする機会は、事実上無限にあることがわかります。現在、これらのプロジェクトのほとんどは概念実証の段階にあり、本格的なAIサービスを提供するのに必要な規模で運営できることを証明するには、さらなる研究開発が必要です。

展望

分散型コンピューティングサービスは、まだ開発の初期段階にあります。最も強力なAIモデルを実運用でトレーニングできる最先端のコンピューティングパワーを展開し始めたばかりだ。有意義な市場シェアを獲得するためには、中央集権型と比較して目に見える優位性を示す必要がある。

• GPU supply/demand. GPUの希少性は、急増するコンピュート需要と相まって、GPUの軍拡競争につながっています。OpenAIはすでに、GPUの制限によりプラットフォームへのアクセスを制限しています。 AkashやGensynのようなプラットフォームは、ハイパフォーマンスコンピューティングを必要とするチームにコスト競争力のある選択肢を提供します。今後6～12ヶ月は、分散型コンピューティング・プロバイダーにとって、より広範な市場へのアクセスがないために分散型サービスを検討せざるを得ない新規ユーザーを惹きつける、特にまたとないチャンスとなる。MetaのLLaMA 2のような、ますます高性能になるオープンソースモデルと相まって、ユーザーは、計算リソースが主要なボトルネックとなるような、効率的に微調整されたモデルを展開する上で、もはや同じハードルに直面することはない。しかし、プラットフォームの存在自体が、十分な計算資源の供給とそれに対応する消費者の需要を保証するわけではない。ハイエンドGPUの調達は依然として困難であり、需要側にとってコストは必ずしも主要な動機とはならない。これらのプラットフォームは、粘着力のあるユーザーを獲得するために、分散型コンピュート・オプション（コスト、検閲への耐性、稼働時間、回復力、アクセス性など）を使用する具体的な利点を実証する必要がある。彼らは迅速に行動しなければならないだろう。 GPUインフラへの投資と構築は、驚くべきスピードで進んでいます。

• 規制。規制は依然として分散コンピューティングの動きの足かせとなっています。短期的には、明確な規制がないということは、プロバイダーとユーザーの両方が、これらのサービスを利用する際の潜在的なリスクにさらされていることを意味します。プロバイダーがコンピューティングを提供したり、買い手が知らずに制裁を受けた団体からコンピューティングを購入したりしたらどうだろうか。利用者は、中央集権的な事業体の統制や監視を欠く分散型プラットフォームの利用をためらうかもしれない。プロトコルは、プラットフォームに制御機能を組み込んだり、既知の計算プロバイダーのみにアクセスするフィルターを追加したり（つまり、KYC情報を提供する）することで、こうした懸念を軽減しようとしているが、コンプライアンスを確保しながらプライバシーを保護するには、より強力な方法が必要である。短期的には、このような懸念に対処するため、プロトコルへのアクセスを制限するKYCおよびコンプライアンス・プラットフォームが出現するかもしれない。さらに、安全でセキュアで信頼できる人工知能の開発と利用に関する大統領令の発表に代表されるように、米国では新たな規制の枠組みが議論されており、GPUへのアクセスをさらに制限する規制措置の可能性が浮き彫りになっています。

• レビュー。規制は双方向に働き、分散型コンピューティング製品はAIへのアクセスを制限する行動から恩恵を受けることができます。行政命令に加え、OpenAIの創設者であるサム・アルトマンは、AI開発を許可する規制当局の必要性について議会で証言した。AI規制に関する議論はまだ始まったばかりだが、AI機能へのアクセスを制限したり検閲したりするような試みは、そのような障壁のない分散型プラットフォームの採用を加速させる可能性がある。2023年11月のOpenAIのリーダー交代（またはその欠如）は、最も強力な既存のAIモデルに対する意思決定権を一部の人間に与えることのリスクをさらに示している。加えて、すべてのAIモデルには、意図的か意図的でないかにかかわらず、それを作成した人々のバイアスが必然的に反映される。このようなバイアスを排除する1つの方法は、モデルを微調整やトレーニングに対して可能な限りオープンにし、誰でも、どこでも、あらゆるタイプやバイアスのモデルにアクセスできるようにすることです。

• データのプライバシー。分散型コンピューティングは、ユーザーにデータの自律性を提供する外部のデータおよびプライバシーソリューションと統合された場合、集中型の代替案よりも魅力的になる可能性があります。サムスンは、エンジニアがチップ設計を支援するためにChatGPTを使用し、機密情報をChatGPTに漏らしていることに気づいたとき、この犠牲者となりました。 Phala NetworkとiExecは、ユーザーデータを保護するSGXセキュア・エンクレーブを提供すると主張しており、現在進行中の完全ホモモーフィック暗号化の研究は、プライバシーを保証する分散コンピューティングをさらに解き放つ可能性がある。AIがより生活に溶け込むようになるにつれ、ユーザーはプライバシー保護されたアプリケーション上でモデルを実行できることをより重視するようになるだろう。ユーザーはまた、あるモデルから別のモデルへデータをシームレスに移植できるように、データの複合性をサポートするサービスを必要とするでしょう。

• ユーザーエクスペリエンス（UX）。ユーザーエクスペリエンスは、あらゆる種類の暗号アプリケーションやインフラをより広く採用する上で、依然として大きな障壁となっています。これは、分散型コンピューティングの提供においても変わりはなく、場合によっては、開発者が暗号通貨やAIを理解する必要性によって悪化することもあります。現在のマーケット・リーダーと同等の高品質なアウトプットを提供するには、ログインなどの基本的な部分からブロックチェーンとの抽象的なやり取りまで改善が必要だ。安価な製品を提供する相互運用可能な分散型コンピューティング・プロトコルの多くが、常用するのが難しいことを考えれば、これは明らかだ。

スマートコントラクトとzkML

スマートコントラクトは、あらゆるブロックチェーンエコシステムの中核となるビルディングブロックです。特定の条件セットが与えられれば、実行を自動化し、信頼できる第三者の必要性を削減または排除し、DeFiのような複雑な分散型アプリケーションの作成を可能にします。しかし、スマートコントラクトは今日ほとんど存在しているため、更新が必要な事前定義されたパラメーターに従って実行されるため、その機能はまだ限られています。

例えば、融資契約用に配備されたスマートコントラクトには、特定の融資比率に基づいてポジションを清算するタイミングの仕様が含まれています。静的な環境では有用ですが、リスクが常に変化する動的な状況では、これらのスマートコントラクトはリスク許容度の変化に対応するために常に更新されなければならず、中央集権的なプロセスで管理されていないコントラクトには課題が生じます。例えば、分散型のガバナンス・プロセスに依存するDAOは、システミック・リスクに対処するために十分に迅速に反応できない可能性があります。

AI（機械学習モデルなど）を統合したスマートコントラクトは、全体的なユーザーエクスペリエンスを向上させながら、機能性、安全性、効率性を高める可能性のある方法の1つです。しかし、これらのスマートコントラクトを支えるモデルが攻撃されないようにしたり、ロングテールの状況（データ入力の希少性を考えるとモデルを訓練するのは難しい）を考慮したりすることは不可能であるため、これらの統合にはさらなるリスクも伴います。

ゼロ知識機械学習（zkML）

機械学習は、複雑なモデルを実行するために大量の計算を必要とするため、AIモデルをスマートコントラクトで直接実行することは、その高いコストのために不可能です。例えば、ユーザーに収益最適化モデルを提供するDeFiプロトコルは、過大なガス料金を支払うことなくオンチェーンでモデルを実行することは難しいでしょう。解決策のひとつは、基盤となるブロックチェーンの計算能力を高めることだ。しかし、これではチェーン検証者の要件が増え、分散型の性質が損なわれる可能性がある。代わりに、集中的なチェーン上の計算を必要とせずに、信頼できる方法で出力を検証するためにzkMLを使用することを模索しているプロジェクトもあります。

zkMLの有用性を示す一般的な例として、ユーザーが他の誰かにモデルを通してデータを実行してもらい、その相手が実際に正しいモデルを実行したことを検証する必要がある場合があります。おそらく開発者は、モデルを訓練するために分散型計算プロバイダーを使っており、プロバイダーが出力にほとんど気づかないほどの違いがある安価なモデルを使うことでコストを削減しようとしていることを懸念しているのでしょう。 zkMLは、コンピュート・プロバイダがそのモデルを通してデータを実行し、オンチェーンで検証可能な証明を生成し、入力が与えられたモデルの出力が正しいことを示すことを可能にします。この場合、モデルプロバイダーは、出力を生成する基礎となる重みを開示することなくモデルを提供できるという利点があります。

あるいはその逆も可能です。ユーザーが自分のデータを使ってモデルを実行したいが、プライバシーの問題からモデルを提供するプロジェクトが自分のデータにアクセスすることを望まない場合（例えば、医療検査や専有ビジネス情報の場合）、ユーザーはデータを共有することなく自分のデータでモデルを実行し、それを証明することで正しいモデルを実行したことを検証することができます。このような可能性により、AIとスマートコントラクト機能の統合のための設計空間が、法外な計算制約に対処することで大きく広がります。

インフラとツール

zkML空間の初期の状態を考えると、開発は主に、チームがモデルと出力をオンチェーンで検証できる証明に変換するために必要なインフラとツールを構築することに集中しています。これらの製品は、開発の知識ゼロの側面を可能な限り抽象化しています。

EZKLとGizaは、機械学習モデル実行の検証可能な証明を提供することで、このツールを構築する2つのプロジェクトです。どちらも、機械学習モデルを構築するチームを支援し、これらのモデルが信頼できる方法で結果を検証するチェーン上で実行できることを保証します。両プロジェクトは、TensorFlowやPytorchのような汎用言語で書かれた機械学習モデルを標準フォーマットに変換するために、Open Neural Network Exchange（ONNX）を使用している。そして、実行時にzk証明も生成するこれらのモデルのバージョンを出力する。 EZKLはオープンソースでzk-SNARKSを生成し、Gizaはクローズドソースでzk-STARKSを生成します。

過去数カ月間、EZKLはzkMLソリューションの強化において、コスト削減、セキュリティの向上、証明生成の高速化に重点を置き、大きな進歩を遂げました。例えば、2023年11月、EZKLは、集約証明時間を35%短縮する新しいオープンソースGPUライブラリを統合し、1月には、EZKL証明を使用する際にHPCクラスタを統合し、並行ジョブシステムをオーケストレーションするためのソフトウェアソリューションであるLilithをリリースしました。 Gizaのユニークな点は、検証可能な機械学習モデルを作成するためのツールを提供するだけでなく、Web3に相当するHugging Faceを実装し、zkMLコラボレーションとモデル共有のためのユーザー市場を開拓し、最終的には分散コンピューティング製品を統合することを計画している点である。EZKLは1月、EZKL、Giza、RiscZero（後述）の性能を比較したベンチマーク評価を発表した。 EZKLは証明時間とメモリ使用量がより速いことを実証した。

モジュラス・ラボ（Modulus Labs）はまた、AIモデル専用に調整された新しいzk-proof技術を開発している。 Modulusは、AIモデルのzk-proofを改善するための能力とボトルネックを特定するために、当時既存のzk-proofシステムをベンチマークしたThe Cost of Intelligence （AIモデルをオンチェーンで実行するのは非常に高価であることを示唆する）という論文を発表しました。2023年1月に発表されたこの論文は、既存の製品がAIアプリケーションを大規模に実現するにはあまりにも高価で非効率的であることを示した。最初の研究を基に、モジュラスは11月にRemainderを発表した。Remainderは、AIモデルのコストと証明時間を削減するために特別に設計されたゼロ知識証明器であり、モデルをスマートコントラクトに大規模に統合するプロジェクトを経済的に実行可能にすることを目標としている。彼らの研究はクローズドソースであるため、上記のソリューションとベンチマークを比較することはできませんが、最近、暗号とAIに関するヴィタリックのブログ投稿で引用されました。などがあります。これらのネットワークは、オフチェーンの計算をオンチェーンで検証するなど、さまざまな役割を果たしている。EZKL、Giza、Modulusのように、これらの目標はゼロ知識証明生成プロセスを完全に抽象化することであり、本質的にオフチェーンプログラムを実行し、オンチェーンで検証された証明を生成できるゼロ知識仮想マシンを作成することである。 RiscZeroとAxiomは、より汎用的なコプロセッサであるため、単純なAIモデルに対応できますが、RitualはAIモデルでの使用に特化して構築されています。

Infernet はRitualの最初のインスタンスであり、開発者がネットワークに推論要求を提出し、（オプションで）出力と証明を受け取ることを可能にするInfernet SDKを含んでいます。を受け取ることができます。Infernetノードはこれらのリクエストを受信し、出力を返す前に連鎖的に計算を処理する。例えば、DAOはすべての新しいガバナンス提案が提出される前に一定の前提条件を満たすことを保証するプロセスを作成することができる。新しい提案が提出されるたびに、ガバナンス契約はDAOの特定のガバナンスによって訓練されたAIモデルを呼び出すInfernet経由の推論要求をトリガーする。モデルは、すべての必要な基準が提出されていることを確認するために提案をレビューし、提案の提出を承認または拒否するための出力と証拠を返します。

来年にかけて、RitualチームはRitual Superchainと呼ばれるインフラ層を形成する追加機能を展開する予定だ。Ritualチームはすでに証明を生成するためにEZKLと統合しており、近いうちに他の主要プロバイダーの機能を追加する可能性があります。 Ritual上のインファーネットノードは、Akashまたはio.net GPUを使用し、Bittensorサブネットで訓練されたモデルを照会することもできます。Bittensorサブネットで訓練されたモデル。彼らの最終的な目標は、オープンなAIインフラストラクチャのプロバイダーとして選ばれるようになることであり、どのようなネットワーク上でも、どのようなワークロードでも、機械学習やその他のAI関連タスクに対応できるようになることです。

アプリケーション

zkMLは、本質的にリソースに制約のあるブロックチェーンと、大量の計算とデータを必要とするAIとの間の緊張関係を調整するのに役立ちます。イーサリアムの初期の頃、スマートコントラクトのユースケースは何かと問われたときのようなものです......私たちがやっていることは、スマートコントラクトのユースケースを拡張しているだけです」。 「しかし、前述したように、今日の開発は主にツールやインフラレベルで行われている。アプリケーションはまだ探索段階であり、チームの課題は、zkMLを使ってモデルを実装することで生まれる価値が、その複雑さとコストを上回ることを証明することだ。

• Decentralised Finance.zkMLはスマートコントラクト機能を強化し、DeFiのデザイン空間をアップグレードします。 DeFiプロトコルは、収益獲得や取引戦略、リスク分析、ユーザーエクスペリエンスなどの生成に使用できる、検証可能で改ざん不可能な大量のデータを機械学習モデルに提供します。例えば、ギザはYearn Financeと提携し、Yearnの新しいv3保管庫のための概念実証の自動リスク評価エンジンを構築した。 Modulus LabsはLyra Financeと協力してAMMに機械学習を組み込み、Ion Protocolと提携してバリデータのリスクを分析するモデルを実装し、UpshotはAIを活用したNFT価格情報の検証を支援した。NOYA（EZKLを利用）やMozaicなどのプロトコルは、独自のオフチェーンモデルへのアクセスを提供し、ユーザーに自動流動性マイニングへのアクセスを提供すると同時に、オンチェーンデータ入力とプルーフの検証を可能にする。Spectral Financeは、CompoundやAaveの借り手がローンを不履行にする可能性を予測するためのオンチェーン・クレジットスコアリングエンジンを構築している。zkMLのおかげで、このようないわゆる「脱Ai-Fi」製品は今後数年で普及する可能性が高い。

• ゲーム。ゲームは長い間、パブリックチェーンによって破壊され、強化されるものとして認識されてきました。 zkMLは人工知能によるオンチェーンゲームを可能にします。Modulus Labsは、シンプルなオンチェーンゲームの概念実証を実施しました。zkMLは、Leelaの一挙手一投足がゲームによって実行されたモデルに基づいていることを検証する。同様に、チームはEZKLフレームワークを使って、簡単な歌のコンテストやオンチェーン三目並べゲームを構築している。カートリッジはGizaを使って、チームが完全なオンチェーンゲームを展開できるようにしている。最近では、ユーザーが障害物を避けようとする車のより良いモデルを作って競う、簡単なAIドライビングゲームの導入に注力している。単純ではありますが、これらの概念実証は、ゲーム内経済と相互作用することができる複雑なNPCアクターなど、より複雑なオンチェーン実証を可能にする将来の実装を指し示しています。例えば、大乱闘スマッシュブラザーズのゲームである「AI Arena」では、プレイヤーは自分のファイターを訓練することができ、そのファイターはAIモデルとして配置されて戦います。

• アイデンティティ、トレーサビリティ、プライバシー。暗号通貨はすでに、真正性を検証し、AIが生成/操作するコンテンツの増加や、深い偽造に対抗する手段として使われています。 zkMLはこうした取り組みを前進させることができる。 WorldCoinは、ユーザーが虹彩をスキャンして固有のIDを生成することを要求するID証明ソリューションである。将来的には、暗号化されたストレージとローカルで実行されるバイオメトリクスの検証に必要なモデルを使用して、バイオメトリクスIDを個人デバイス上でセルフホストすることができる。そうすれば、ユーザーは自分の身元を明かすことなくバイオメトリクスの証拠を提供できるため、魔女の攻撃をかわしながらプライバシーを確保することができる。これはまた、病気を検出するために医療データ/画像を分析するモデルを使用したり、出会い系アプリで性格を検証したり、マッチングアルゴリズムを開発したり、金融情報を検証する必要がある保険機関や融資機関など、プライバシーが必要とされる他の推論にも適用できる。

展望

zkMLはまだ実験段階にあり、ほとんどのプロジェクトはインフラプリミティブの構築と概念実証に集中しています。今日の課題には、計算コスト、メモリ制約、モデルの複雑さ、限られたツールやインフラ、開発者の才能などがあります。要するに、zkMLが消費者向け製品に必要な規模で実装されるまでには、かなりの作業が必要なのです。

しかし、この分野が成熟し、これらの制限が解決されれば、zkMLはAIと暗号の統合の重要な要素になるでしょう。基本的に、zkMLは、オンチェーン操作と同じかそれに近いセキュリティ保証を維持しながら、あらゆる規模のオフチェーン計算をチェーン上にもたらすことができると約束しています。しかし、このビジョンが実現されるまでは、この技術の初期ユーザーは、zkMLのプライバシーとセキュリティを、代替手段の効率と比較検討する必要があります。

AIインテリジェントボディ

AIと暗号通貨の最もエキサイティングな統合の1つは、現在進行中のAIインテリジェントボディの実験です。インテリジェントボディは、AIモデルを使用してタスクを受信、解釈、実行できる自律型ロボットです。これは、あなたの好みに合わせて微調整されたパーソナル・アシスタントをすぐに利用できるようにすることから、あなたのリスク選好に基づいてポートフォリオを管理・調整する金融ボットを雇うことまで、何でも可能です。

スマートボディと暗号通貨は、暗号通貨が無許可で信頼のおける決済インフラを提供するため、うまく連携することができる。訓練後、スマートボディにはウォレットが与えられ、スマートコントラクトを使って自分で取引ができるようになる。例えば、今日のシンプルなスマートボディは、インターネット上の情報を取得し、モデルに基づいて予測市場で取引することができる。

スマートボディ・プロバイダー

Morpheusは、2024年にイーサとアービトルムで利用可能になる最新のオープンソース・スマートボディ・プロジェクトの1つです。2023年9月に匿名で発表されたそのホワイトペーパーは、コミュニティの形成と構築（Erik Vorheesなどの著名人を含む）の基礎を提供した。このホワイトペーパーには、ダウンロード可能なsmartbodyプロトコルが含まれている。これは、ローカルで実行され、ユーザーのウォレットによって管理され、スマートコントラクトと相互作用するオープンソースのLLMである。このプロトコルは、スマートコントラクトのランキングを使用して、処理されたトランザクションの数などの基準に基づいて、スマートボディがどのスマートコントラクトとやりとりするのが安全かを判断できるようにします。

ホワイトペーパーはまた、スマートボディプロトコルを機能させるために必要なインセンティブ構造やインフラストラクチャなど、モーフィアスネットワークを構築するためのフレームワークも提供している。これには、インテリジェンスと相互作用するためのフロントエンドを構築する貢献者へのインセンティブ、インテリジェンスにプラグインして相互作用できるアプリケーションを構築する開発者向けのAPI、インテリジェンスの実行に必要なコンピュートとストレージにユーザーがアクセスできるようにするエッジデバイス上のクラウドソリューションなどが含まれる。プロジェクトの初期資金調達は2月初旬に開始され、完全な合意は2024年の第2四半期に開始される予定です。

Decentralised Autonomous Infrastructure Network (DAIN) は、Solana上にインテリジェンスからスマートウェアへの経済を構築する、インテリジェンスのための新しいインフラプロトコルです。 DAINの目標は、異なる企業のインテリジェンスが共通のAPIを通じてシームレスに相互作用できるようにすることで、AIインテリジェンスの設計空間を劇的に開放することであり、ウェブ2およびウェブ3の製品と相互作用できるインテリジェンスを実現することに重点を置いている。1月、DAINはアセット・シールドとの初のコラボレーションを発表し、ユーザーが設定したルールに基づいて取引を解釈し、承認/拒否できる「インテリジェント署名者」をマルチ署名に追加できるようにした。

Fetch.AIは、展開される最初のAIスマートボディプロトコルの1つであり、FETトークンとFetch.AIを使用してチェーン上でスマートボディを構築、展開、使用するためのエコシステムを開発しました。スマートボディを使用する。このプロトコルは、スマートボディや注文エージェントとやりとりするためのインウォレット機能を含む、スマートボディを使用するための包括的なツールとアプリケーションのセットを提供します。

Fetchチームの元メンバーを含むオートノラスの創設者は、分散型AIスマートボディの作成と使用のためのオープンマーケットプレイスです。 オートノラスはまた、ポリゴン、イーサリアム、グノーシス・チェーン、ソラナなど複数のブロックチェーンにプラグインできるオフチェーン・ホスティングAIインテリジェンスを構築するためのツール一式を開発者に提供しています。彼らは現在、予測市場やDAOガバナンスなど、インテリジェンス用のアクティブな概念実証を数多く提供しています。

シンギュラリティネットは、AIインテリジェンスの分散型市場を構築しています。複雑なタスクを実行するために採用されるインテリジェンスである。AlteredStateMachineのような他の企業は、AI知能とNFTの統合を構築している。ユーザーはNFTにランダムな属性を持たせ、さまざまなタスクに得意・不得意を持たせる。これらのインテリジェンスは、ゲームやDeFi、仮想アシスタントとして使用したり、他のユーザーと取引したりするために、特定の属性を強化するように訓練することができます。

全体として、これらのプロジェクトは、タスクを実行するためだけでなく、汎用AIの構築を支援するためにも連携できるインテリジェンスの将来のエコシステムを想定しています。例えば、完全に自律的なインテリジェンスは、APIを統合するために別のインテリジェンスを雇う方法を見つけ出し、そのインテリジェンスが外部のAPI（例えば、旅行予約サイト）と統合し、タスクを実行したことを確認してから使用することなく、APIを実行できるようになる。ユーザーから見れば、インテリジェンスがタスクを完了できるかどうかを確認する必要はない。

ビットコインとAIインテリジェントボディ

2023年7月、ライトニングサイバーラボは、LangChain Bitcoinと呼ばれるライトニングネットワーク上でインテリジェントボディを使用するための概念実証の実装を開始しました。strong>LangChainビットコイン・キット。この製品が特に興味深いのは、ウェブ2の世界で大きくなっている問題、つまりウェブアプリのためのゲート化された高価なAPIキーを解決することを目指しているからだ。

LangChainは、インテリジェンスがビットコインを売買・保有したり、APIキーを照会したり、マイクロペイメントを送信したりすることを可能にする一連のツールを開発者に提供することで、この問題を解決します。従来のペイメントの世界では、マイクロペイメントは手数料のためにコストがかかるが、ライトニングネットワークでは、インテリジェンスは最小限の手数料で1日に無制限のマイクロペイメントを送ることができる。LangChainのL402ペイメントメータリングAPIフレームワークと併用することで、企業はコストのかかる単一の基準を設定するのではなく、使用量の増減に応じてAPIへのアクセスコストを調整することができます。

オンチェーンでの活動がスマートとスマートとの相互作用によって支配される未来では、このようなことは、スマートがコストが法外にならない方法で相互作用できることを保証するために必要になるだろう。これは、許可不要で費用対効果の高い決済回路におけるインテリジェンスの利用が、新たな市場と経済的相互作用の可能性をどのように開くかの初期の例である。

展望

スマートボディの分野は、まだ初期段階にある。プロジェクトは、単純なタスクを処理するためにインフラを使用できる機能的インテリジェンスを展開し始めているところです。しかし、やがて、AIスマートボディが暗号通貨に与える最大の影響の1つは、あらゆる業種にわたるユーザーエクスペリエンスの向上だろう。取引はクリックベースからテキストベースに移行し始め、ユーザーは大きな言語モダリティを通じてオンチェーン・インテリジェンスと対話できるようになる。ドーンウォレットのようなチームはすでに、ユーザーがオンチェーンでやりとりできるチャットボットウォレットを立ち上げています。

さらに、金融部門が24時間365日稼働したり、シームレスな国境を越えた取引を行うことができない規制された銀行機関に依存しているため、インテリジェンスがWeb 2でどのように機能するかは不明です。リン・オールデンが強調しているように、暗号回路は払い戻しがなく、マイクロトランザクションを処理できるため、クレジットカードに比べて特に魅力的である。しかし、スマートボディがより一般的な取引形態になれば、既存の決済プロバイダーやアプリは、既存の金融空間で運用するために必要なインフラを実装するために迅速に動き、暗号通貨を使用する利点の一部を損なう可能性が高い。

現在のところ、インテリジェンスは、所定の入力が所定の出力を保証する決定論的な暗号通貨取引に限定される可能性が高い。どちらのモデルも、これらのインテリジェンスが複雑なタスクを実行する方法を見つけ出す能力を特定するものであり、ツールはインテリジェンスが達成できる範囲を拡大するものであり、どちらもさらなる開発が必要です。暗号インテリジェンスがオンチェーン暗号の斬新なユースケースを超えて有用になるには、決済形態としての暗号の広範な統合と受け入れ、規制の明確化が必要である。しかし、これらのコンポーネントが進化するにつれて、インテリジェンスは上述の分散コンピューティングとzkMLソリューションの最大消費者の1つになり、自律的で非決定論的な方法であらゆるタスクを受け取り、解決するようになるでしょう。

結論

AIは、インフラ開発からユーザーエクスペリエンス、アクセシビリティに至るまで、すべてを強化し、ウェブ2で見たのと同じイノベーションを暗号通貨に導入します。しかし、このプロジェクトはまだ開発の初期段階にあり、暗号通貨とAIの統合は近い将来、オフチェーン統合が大部分を占めることになるでしょう。

Copilotのような製品は開発者を「10倍効率化」し、Layer1やDeFi Appsはマイクロソフトのような大手企業と提携し、AI支援開発プラットフォームを立ち上げている。Cub3.aiやTest Machineのような企業は、スマートコントラクト監査やリアルタイムの脅威監視のためのAI支援開発プラットフォームを開発している。契約監査とリアルタイムの脅威監視のためのAI統合により、オンチェーンセキュリティが強化される。 LLMチャットボットは、オンチェーンデータ、プロトコル文書、アプリケーションを使用して訓練され、アクセシビリティとユーザーエクスペリエンスを強化しています。

暗号通貨の基盤技術を真に活用する、より高度な統合については、AIソリューションをオンチェーンで実装することが技術的に実現可能であり、経済的にも実行可能であることを証明することが課題として残っています。分散型コンピューティング、zkML、AIインテリジェンスにおける開発は、暗号通貨とAIが深く相互接続された未来への基礎を築く有望な分野を指し示しています。