AI規制とハードウェア供給チェーンの収束は、フロンティアモデルのトレーニングを行う権利を静かに再構築しています。最新の焦点は、AIラボのリーダーであるAnthropicが米国の輸出管理に従ったときに生じました。この動きは、CoinFundの創設者であるJake Brukhmanが技術に対する中央集権的な制御の警告サインとして指摘しました。彼の主張は、最近の発言で明らかにされたように、チョックポイントはもはやコードやデータだけではないということです。それは、最も能力の高いモデルをトレーニングする物理的なGPUクラスタです。

Brukhmanは漠然とした仮説を浮かべているわけではありません。彼は、Gensyn、Prime Intellect、Pluralis、Nous Researchなど、分散型トレーニングインフラを構築している特定のチームを指摘しました。これらのチームは、未活用のグローバルGPUリソースをプールしようとしています。メカニクスは異なりますが、共通の賭けは、分散型コンピュートが現在支配しているハイパースケーラークラスタモデルに匹敵するか、少なくとも挑戦できるということです。Pluralisはさらに進んで、モデルの重みが参加者間で分割されるトークン化されたAIモデルの実験を行っており、中央集権的なシャットダウンや検閲に抵抗できる断片的な所有構造を作り出しています。

モデル所有権のトークン化という考え方は抽象的に聞こえるかもしれませんが、すでに進行中のオンチェーン実験とも似ています。分散型のコンピューティング・ネットワークは、Web3アプリケーションへと組み込まれつつあり、そこでは計算（compute）が固定の資本支出ではなく流動性のある資産として扱われます。Pluralisが提案するのは、この論理をモデル層へ直接拡張するもので、最前線のモデルの重みを共同所有するDAOに近いものです。そこでは、経済的な参加が利用やライセンスと結びつきます。まだ初期段階ですが、ビジネスモデルは形になりつつあります。

暗号業界にとって、これは単なる別のAI物語ではありません。無許可のネットワークが、現在は国家レベルの調整、あるいは資金の潤沢な数少ないラボに依存しているものを再現できるかどうか、という構造的な問いです。ブーフマンが挙げた米国の輸出規制は、単なる小さな迷惑ではありません。それは、どの国がハイエンドのNVIDIA H100や将来のチップ世代にアクセスできるかを左右し得る政策手段です。アンソロピックのような企業がそうした規制に従うとき、企業のコンプライアンスと事実上の政府による門番（ゲートキーピング）との境界線は薄くなります。

規制の状況は急速に変化しており、AIは暗号の政策から切り離されてはいません。銀行はすでに主要な暗号関連の法案に抵抗を示しており、デジタル資産を規律するのと同じ立法の仕組みが、AIの監督に関する議論にもますます引き込まれています。分散型GPUネットワークに基づく分散型AIレイヤーは、その両方の交差点に位置し、金融規制当局と技術統制の体制の双方から監視を受けることになります。この重なりは摩擦を生みますが、数年前には存在しなかった支持層（コンスタチュエンシー）も生み出します。

ブーフマンの主張で見過ごされがちな要素の一つが、分散型AIに必要なストレージとデータのロジスティクスです。分断されたノード構成でモデルを学習するには、単に生のフロップスが必要なだけでなく、効率的なデータパイプラインと検証可能な計算が求められます。Filecoinのようなプロジェクトは分散型ストレージ基盤を構築しており、ここで直接引用されていなくても、そのスタックの一部になる可能性があります。学習がより分散されるほど、政府の命令でオフにできるような単一のデータセンターに置かれたストレージでは不十分になり、より重要になります。

断片化した学習環境が実際に変えるもの

分散型学習が大規模に機能するなら、直ちに影響を受けるのはモデルの検閲（censorship）とアクセスです。政府は、米国拠点のクラウドプロバイダに対して、外国のラボへのGPUアクセスを拒否するよう強制できるかもしれませんが、管轄の異なる地域に散らばる数千もの小規模ノード運用者で構成された、無許可のネットワークを簡単に止めることはできません。そうしたネットワークが法的な圧力に免疫があるわけではありませんが、抵抗はより大きく、法的な攻撃対象（攻撃面）は根本的に別物になります。スイッチのオン／オフという二元的な負担から、混沌としていて時間のかかる執行（エンフォースメント）問題へと、負担の性質が変わります。

しかし、その回復力にはコストが伴います。異種のグローバルGPUネットワーク全体で学習を調整するには、レイテンシ（遅延）、信頼性のギャップ、検証の難しさが生じます。ブーフマンが挙げたチームが取り組んでいるのはまさにこうした課題です。たとえばNous Researchは分散型のファインチューニングを試してきましたが、集中型のクラスタに対する性能ギャップが実際に存在することは否定できません。市場はこのギャップが時間とともに縮まると見ていますが、本当に最先端規模のモデル学習を、中央で調整する主体がそれ自体をコントロールポイントにしてしまわない形で分散できるのかは定かではありません。

トークン化されたモデルと共同所有のビジネス

Pluralisのトークン化されたモデルアプローチは、スタックの中でも最も過激な部分かもしれません。単一のラボがモデルを所有してアクセスを計量するのではなく、所有権が多くの当事者が保有するトークンに分割されます。理論上は、研究者、計算（コンピュート）提供者、さらにはユーザーといったより幅広い関係者に対してインセンティブを整合させ、単一の規制当局がモデルを停止しにくくすることができます。しかし同時に、厄介なガバナンスの問題も生み出します。再学習に使うデータを誰が決めるのか。モデルの出力はどのように収益化され、誰が報酬を得るのか。これらは些細な問題ではなく、最初の試みはほぼ確実に混乱を伴うでしょう。

ただし、直近の市場シグナルは、暗号ネイティブAIがもはや低リスクなユースケースに限定されなくなっていることです。CoinFundのようなベンチャーファンドが、「分散型計算」と「国家が支えるモデル制御」を対立させるような見解を公に打ち出すのは、その領域がホワイトペーパーからインフラへと移行している兆候です。初期のビットコインの物語が主権（ソブリン）マネーに焦点を当てていたのと同様に、初期の分散型AIの物語は主権（ソブリン）・コンピュートへと焦点を当てています。現実の強いストレス下でそれが成り立つのかは未解決の問いですが、線引きは今まさに行われています。