現在最も注目されている AI は、第 4 次産業革命のキーポイントおよびコアとみなされており、テクノロジーの世界で注目されているコンセプトは、次世代インターネットの重要なコアと見なされている Web3 です。
AIとWeb3、テクノロジー革命を起こす2大コンセプトが強力に組み合わさったら、どのような“驚き”を私たちにもたらすのでしょうか。
01 まずはAIそのものについて話しましょう
AI 業界は実際に衰退しつつあります。Near の創設者である Yilong は、実際に AI を開発していた人物です。彼は、TensorFlow (最も人気のある機械学習フレームワーク) の主要なコード提供者です。彼が Web3 をやるようになったのは、AI (大規模モデル以前の機械学習) に希望が見えなかったからではないかと誰もが推測しています。
その結果、業界は昨年末についに ChatGpt3.5 を導入し、突然業界が再び活気を取り戻しました。なぜなら、今回はこれまでの誇大広告や量的変化の波ではなく、質的変化とみなすことができるからです。 。数カ月以内に、AI 起業家の波は私たちの Web3 にも到達しました。シリコンバレーの Web2 側は苦戦しており、さまざまな資本の FOMO、さまざまな同種のソリューションが価格競争を始めており、さまざまな大手メーカーや大型モデルが競い合っています。
ただし、AI も半年以上の爆発的な成長を経て、相対的なボトルネック期に入ったことに注意する必要があります。たとえば、Google の AI に対する検索の関心は急落し、Chatgpt ユーザーの増加は大幅に減速し、AI の出力もある程度増加しました。性別は多くの着陸シナリオを制限します...つまり、私たちは伝説的な「AGI (汎用人工知能)」からはまだ非常に遠いのです。
現在、シリコンバレーのベンチャーキャピタル界では、AIの次の発展について次のような判断をしています。
1) 垂直モデルは存在せず、大規模モデル + 垂直アプリケーションのみ (後で Web3+AI について説明するときにもう一度触れます)
2) 携帯電話などのエッジデバイスからのデータは障壁となる可能性がありますが、エッジデバイスに基づく AI は機会となる可能性もあります。
3) Context の長さは将来的に質的な変化を引き起こす可能性がある (現在 AI のメモリとしてベクトル データベースが使用されていますが、Context の長さはまだ十分ではありません)
02Web3+AI
AI と Web3 は実際にはまったく異なる分野です。AI は集中的なコンピューティング能力とトレーニング用の大量のデータを必要とします。Web3 は分散化に重点を置いているため、AI が変化するという議論は簡単ではありません。生産性とブロックチェーンの変化 生産関係は人々の心に深く根付いているため、その統合ポイントを探している人々は常に存在するでしょう。過去 2 か月間、私たちは 10 件以上の AI プロジェクトについて議論してきました。
新しい組み合わせトラックについて話す前に、古い AI + Web3 プロジェクトについて話しましょう。これらは基本的に、FET と AGIX に代表されるプラットフォームベースです。なんというか、中国のAIのプロの友人が言っていたのですが、「昔AIをやっていた人は、今は基本的にダメ。Web2でもWeb3でも、経験というよりは荷物になる人が多い。方向性は」そして将来は OpenAI のようなものです。Transformer をベースにしたこの種の大きなモデル、「大きなモデルが AI を救う」という自社製品です。
したがって、ユニバーサル プラットフォーム タイプは、彼が楽観視している Web3+AI モデルではありません。私がこれまでに見てきた 10 以上のプロジェクトには、基本的に次のような側面がありません。
1. ボット/エージェント/アシスタント モデルの資産化
2. コンピューティングパワープラットフォーム
3.データプラットフォーム
4. 生成型 AI
5.Defi取引・監査・リスク管理
6.ZKML
1. ボット/エージェント/アシスタント モデルの資産化
ボット/エージェント/アシスタントのアセット化は最も話題になっているトラックであり、最も深刻な同質性を持つトラックです。簡単に言うと、これらのプロジェクトのほとんどは OpenAI を最下層として使用し、TTS (Text to Speech) などの他のオープンソース/自社開発の技術的手段と連携して、FineTune がいくつかの特定のデータを提供します。 「特定の分野ではChatGPTよりも高度な技術」「より優れたロボット。
たとえば、ChatGPT のより機械的で公式な回答と比較して、彼女の性格やチャット スタイルをアメリカ訛りにするか、ロンドン訛りにするかを選択することができます。 、インタラクティブな体験がより良くなります。業界の初期にはバーチャル彼氏DAPPやHIMというWeb3の女性向けゲームがあり、その代表とも言える。
このアイデアに基づいて、理論的には、多数のボット/エージェントがサービスを提供できるようになります。たとえば、煮魚を作りたい場合は、この分野に特化した Fine Tune という料理ボットが教えてくれるかもしれません。旅行したい場合は、ChatGPT よりも専門的な答えが得られます。さまざまな旅行オプションを提供するボット。提案や計画を行う場合、またはプロジェクト開発者であれば、コミュニティの質問に答えるのに役立つ Discord カスタマー サービス ロボットを入手できます。
この「GPT ベースの垂直アプリケーション」Bot に加えて、Bot の「モデル資産化」など、これに基づく派生プロジェクトもあります。これは、NFT の「小さな画像の資産化」に似ています。たとえば、MidJourney のプロンプトが異なれば、ボットのトレーニング時にも異なる効果が得られます。プロンプト自体にも価値があり、大文字にすることができます。
このような Bot に基づいたポータルのインデックス作成や検索などのプロジェクトもあります。いつかは何千もの Bot が存在するでしょう。どのようにして自分に最適な Bot を見つければよいのでしょうか。おそらく、Web2 の世界では Hao123 のようなポータル、または「位置決め」を支援する Google のような検索エンジンが必要になるでしょう。
私の個人的な意見では、ボット (モデル) の資産化には、現段階で 2 つの欠点と 2 つの方向性があります。
1) デメリット
欠点 1 - これはユーザーにとって最も理解しやすい AI + web3 トラックであり、少しユーティリティ属性を備えた NFT に似ているため、同質性が高すぎます。したがって、プライマリ市場はレッドオーシャン傾向を示し始め、盛り上がってきていますが、最下層はOpenAIなので、実際には誰もが技術的な障壁がなく、設計と運用だけを争うことができます。
欠点2-スターバックス会員カードのNFTチェーン化などは、輪から抜け出す良い試みではありますが、ほとんどのユーザーにとって物理的または電子的な会員カードほど便利ではない場合があります。 Web3 ベースのボットにもこの問題があります。ロボットから英語を学習したり、マスクやソクラテスとチャットしたりしたい場合は、Web2 の http://Character.AI を使用するだけでよいのではないでしょうか。
2) 方向
方向性 1- は短期 + 中期であり、オンチェーンのモデルがアイデアになる可能性があります。現時点では、これらのモデルは ETH NFT の小さな画像に似ています。ほとんどのメタデータは、純粋なオンチェーンではなく、オフチェーン サーバーまたは IPFS を指します。通常、モデルのサイズは数十メガバイトから数百メガバイトであり、サーバー上にスローする必要があります。
しかし、最近のストレージ価格の急速な下落（2TB SSDの価格は500元）と、Filecoin FVMやETH Storageなどのストレージプロジェクトの進歩により、1億レベルのモデルをチェーン上で立ち上げることは難しくないと考えています。今後 2 ～ 3 年。
ワインディングの利点は何ですか?モデルがオンチェーンになると、他のコントラクトから直接呼び出すことができます。これは、より暗号ネイティブであり、完全なオンチェーン ゲームのような視覚的な感覚を持っています。データはチェーンにネイティブです。現時点では、この側面を検討しているチームがあることがわかりますが、もちろんまだ非常に初期段階にあります。
方向性 2- は中長期的なものです。スマート コントラクトを真剣に考えるのであれば、実際には、人間とコンピューターの対話ではなく、「機械とコンピューターの対話」が AI に AutoGPT の概念を導入します。 「仮想アバター」または「仮想アシスタント」は、あなたとチャットするだけでなく、航空券やホテルの予約、ドメイン名の購入、Web サイトの構築など、要件に応じたタスクの実行を支援します...
AI アシスタントは、さまざまな銀行口座や Alipay などを操作するのに便利だと思いますか、それともブロックチェーン アドレス全体から資金を送金するのに便利だと思いますか?答えは明らかです。では、将来的には、さまざまなタスク シナリオでブロックチェーンやスマート コントラクトを介して C2C、B2C、さらには B2B の支払いや決済を自動的に実行できる、AutoGPT のような統合 AI アシスタントが多数登場するのでしょうか?当時、Web2 と Web3 の境界は非常に曖昧になってきました。
2. コンピューティングパワープラットフォーム
コンピューティング パワー プラットフォームのプロジェクトにはボット モデルほど多くの資産はありませんが、AI には多くのコンピューティング パワーが必要であることは誰もが知っており、BTC と ETH は過去 10 年間でそのことを証明しました。これは、経済的インセンティブとゲームの環境において、自発的かつ分散的に、巨大なコンピューティング能力を組織し、調整して、1 つのことを行うために協力し、競争する世界におけるそのような方法です。この手法はAIにも応用できるようになりました。
業界で最も有名なプロジェクトは間違いなく Together と Gensyn です。1 つのシードラウンドでは数千万ドルを調達し、もう 1 つはシリーズ A で 4,300 万ドルを調達しました。これら 2 つのプロジェクトが多額の資金を調達した理由は次のとおりであると言われています。まず資金とコンピューティング能力が必要です。まず独自のモデルをトレーニングします。その後、それがコンピューティング プラットフォームとして作成され、トレーニングのために他の AI プロジェクトに提供されます。
推論用のコンピューティング パワー プラットフォームの資金調達額は、基本的にアイドル状態の GPU とその他のコンピューティング パワーを集約し、それを推論に必要な AI プロジェクトに提供するため、RNDR がレンダリング コンピューティング パワーを集約し、これらのプラットフォームが推論計算を行うため、比較的少額となります。強制集約。しかし、現時点では技術的な限界は比較的曖昧であり、いつか RNDR や Web3 クラウド コンピューティング プラットフォームが推論コンピューティング プラットフォームに片足を突っ込むようになるのではないかとさえ思っています。
コンピューティング パワー プラットフォームの方向性は、モデルの活用よりも現実的で予測可能です。基本的に需要があることは確実であり、誰が成功できるかによって決まります。それとも、主要なヘッドにはトレーニングと推論の両方が含まれるのでしょうか?
3.データプラットフォーム
AI の最下層は、アルゴリズム (モデル)、計算能力、データという 3 つの主要な要素だけであるため、これを理解するのは実際には難しくありません。
アルゴリズムとコンピューティング能力には「分散バージョン」があるため、データが存在しないことはありません。これは、Qiji Chuangtan の創設者である Lu Qi 博士が AI と Web3 について語るときに最も楽観的である方向でもあります。
Web3 は常にデータのプライバシーと主権を重視しており、データの信頼性と整合性を確保するための ZK などのテクノロジーも備えています。そのため、Web3 のオンチェーン データに基づいてトレーニングされた AI は、Web2 のオフチェーン データに基づいてトレーニングされた AI とは異なる必要があります。 。したがって、このラインの全体的なメイクセンスは、現在のサークルではオーシャンがこのトラックとみなされるべきであり、プライマリーマーケットでは、オーシャンに基づいた専門的なAIデータマーケットなどのプロジェクトも見られます。
4. 生成型 AI
簡単に言えば、AI ペイントまたは同様の作品を他のシナリオに使用することです。たとえば、NFT の作成、またはゲーム内マップの生成、NPC の背景の生成などです。 GamefiではAIが生み出す希少性だけでは足りず、プライマリーマーケットで試しているチームもあるので、NFTをやるのはさらに難しいと感じています。
しかし、数日前に Unity (Unreal Engine とともに長年にわたってゲーム エンジン市場を支配してきた) も独自の AI 生成ツール Sentis と Muse をリリースしたというニュースを目にしました。これらはまだクローズド ベータ段階にあり、期待されています。来年正式に発売される予定。なんというか、Web3 界隈のゲーム AIGC プロジェクトが Unity の次元削減の影響を受けそうな気がします…。
5.DeFi取引/監査/利回り/リスク管理
これらのカテゴリーでプロジェクトが試みられているのを見てきましたが、その均質性は比較的明らかではありません。
1) DeFi 取引 – これは少し注意が必要です。取引戦略が使いやすい場合でも、より多くの人が使用するにつれて、その戦略は徐々に役に立たなくなり、新しい戦略に切り替える必要があるからです。そこで気になるのがAIトレードロボットの今後の勝率や一般トレーダーの中で何位になるのかということです。
2) 監査 - 視覚的な検査は、既存の一般的な脆弱性を迅速に確認して対処できるようにする必要があります。これは AGI 時代にのみ機能するはずです。
3) 利回りとリスク管理 - 利回りを理解するのは難しいことではありません。AI インテリジェンスを備えた YFI として想像し、そこに資金を投入すると、AI がステーキング、グループ LP、マイニングなどのプラットフォームを見つけます。リスクの好みに応じて。リスク管理に関しては、それを別のプロジェクトにするのは奇妙に感じますが、プラグインの形でさまざまなローンや同様のDefiプラットフォームを提供する方が合理的だと感じます。
6.ZKML
このトラックは、業界内の ZK と業界外の ML (機械学習、AI 分野の狭い分野) という 2 つの最先端のテクノロジーを組み合わせているため、業界でますます人気が高まっています。
理論的には、ZK と組み合わせることで、ML にプライバシー、完全性、正確性を提供できますが、実際には、多くのプロジェクト関係者は、最初にインフラストラクチャを構築することができません。現時点で本当に必要なのは、一部の医療分野での機械学習には患者データのプライバシー要件があるということだけです。オンチェーン ゲームの整合性や不正行為対策の話に関しては、いつも少し現実離れした感じがします。
現在、このトラックには、Modulus Labs、EZKL、Giza など、主要な市場で人気のあるスター プロジェクトが数件しかありません。まさか、ZK を理解できる人は世界中で数人しかおらず、ZK を理解し、ML も理解できる人はさらに少ないため、このトラックの技術的敷居は他の分野よりもはるかに高く、均質性が高くなります。比較的低いことが明らかです。最後に、ZKML は主にトレーニングではなく推論を目的としています。