作者: ギークカルテル
AI のナラティブが加熱し続けるにつれて、このトラックにはますます注目が集まっています。 Geekcartel は、Web3-AI トラックの技術ロジック、アプリケーション シナリオ、代表的なプロジェクトの詳細な分析を実施し、この分野の包括的な概要と開発傾向を提供します。
1. Web3-AI: 技術ロジックと新興市場機会の分析
1.1 Web3 と AI の統合ロジック: Web-AI トラックの定義方法
ここ 1 年で、AI ストーリーテリングは Web3 業界で非常に人気が高まり、AI プロジェクトが雨後の筍のように増えてきました。 AI テクノロジーに関連するプロジェクトは数多くありますが、一部のプロジェクトでは、その製品の特定の部分でのみ AI が使用されており、基礎となるトークンエコノミクスは AI 製品に実質的に関連していないため、この記事で取り上げる Web3-AI プロジェクトには含まれません。議論の中で。
この記事の焦点は、生産関係の問題を解決するためにブロックチェーンを使用するプロジェクトと、生産性の問題を解決するために AI を使用するプロジェクトです。これらのプロジェクト自体は、生産関係のツールとして Web3 経済モデルに基づいています。このタイプのプロジェクトは Web3-AI トラックに分類されます。読者が Web3-AI トラックをよりよく理解できるように、Geekcartel は AI の開発プロセスと課題、および Web3 と AI の組み合わせがどのようにして問題を完全に解決し、新しいアプリケーション シナリオを作成できるかを紹介します。
1.2 AI開発プロセスと課題：データ収集からモデル推論まで
AI テクノロジーは、コンピューターが人間の知能をシミュレートし、拡張し、強化することを可能にするテクノロジーです。 AI により、コンピューターは言語翻訳や画像分類から顔認識、自動運転、その他のアプリケーション シナリオに至るまで、さまざまな複雑なタスクを実行できるようになり、私たちの生活や働き方が変わりつつあります。
人工知能モデルの開発プロセスには、通常、データ収集とデータ前処理、モデルの選択と調整、モデルのトレーニングと推論という重要なステップが含まれます。簡単な例として、犬と猫の画像を分類するモデルを開発するには、次のものが必要です。
データ収集とデータ前処理:猫と犬の画像を含むデータセットを収集する 公開データセットを使用することも、実際のデータを自分で収集することもできます。次に、各画像にカテゴリ (猫または犬) のラベルを付け、ラベルが正確であることを確認します。画像をモデルが認識できる形式に変換し、データ セットをトレーニング セット、検証セット、テスト セットに分割します。
モデルの選択と調整:畳み込みニューラル ネットワーク (CNN) など、画像分類タスクにより適した適切なモデルを選択します。モデルのパラメーターやアーキテクチャは、さまざまなニーズに応じて調整されます。一般的に、モデルのネットワーク レベルは、AI タスクの複雑さに応じて調整できます。この単純な分類例では、より浅いネットワーク レベルで十分である可能性があります。
モデルのトレーニング: GPU、TPU、またはハイパフォーマンス コンピューティング クラスターを使用してモデルをトレーニングできます。トレーニング時間は、モデルの複雑さと計算能力によって影響されます。
モデル推論:モデルでトレーニングされたファイルは、多くの場合、モデルの重みと呼ばれます。推論プロセスは、トレーニングされたモデルを使用して新しいデータを予測または分類するプロセスを指します。このプロセスでは、テスト セットまたは新しいデータを使用してモデルの分類効果をテストできます。通常、精度、再現率、F 1 スコアなどの指標がモデルの有効性を評価するために使用されます。
図に示すように、データ収集とデータの前処理、モデルの選択と調整、トレーニングの後、テスト セットでトレーニングされたモデルを推論すると、猫と犬の予測値 P (確率) が得られます。つまり、モデルは次のように推論します。猫か犬になる確率。
トレーニングされた AI モデルは、さまざまなタスクを実行するためにさまざまなアプリケーションにさらに統合できます。この例では、猫と犬を分類するための AI モデルをモバイル アプリケーションに統合でき、ユーザーは猫や犬の写真をアップロードすることで分類結果を取得できます。
ただし、一元化された AI 開発プロセスには、次のシナリオでいくつかの問題があります。
ユーザーのプライバシー:一元化されたシナリオでは、AI 開発プロセスは通常不透明です。ユーザーデータが知らず知らずのうちに盗まれ、AI トレーニングに使用される可能性があります。
データ ソースの取得:小規模なチームまたは個人が特定の分野 (医療データなど) のデータを取得する場合、データがオープン ソースではないという制限に直面する可能性があります。
モデルの選択とチューニング:小規模なチームの場合、ドメイン固有のモデル リソースを入手したり、モデルのチューニングに多額の費用を費やすことは困難です。
コンピューティング能力の獲得:個人の開発者や小規模チームにとって、GPU の購入とクラウド コンピューティング能力のレンタル料金の高額な費用は、重大な経済的負担となる可能性があります。
AI 資産の収入:データ アノテーションの従事者は、努力に見合った収入を得ることができないことが多く、AI 開発者の研究結果を必要とする購入者とマッチングすることも困難です。
集中型 AI シナリオに存在する課題は、新しい生産関係として Web3 を組み合わせることで解決でき、新しいタイプの生産性を表す AI に自然に適応し、テクノロジーと生産能力の同時進化を促進します。
1.3 Web3 と AI の相乗効果: 役割の変化と革新的なアプリケーション
Web3 と AI を組み合わせることで、ユーザー主権を強化し、オープンな AI コラボレーション プラットフォームをユーザーに提供し、ユーザーが Web2 時代の AI ユーザーから参加者に変わり、誰もが所有できる AI を生み出すことができます。同時に、Web3 の世界と AI テクノロジーの統合により、より革新的なアプリケーション シナリオやゲームプレイを生み出すこともできます。
Web3 テクノロジーに基づいた AI の開発と応用は、新しい協力的な経済システムの到来をもたらします。人々のデータのプライバシーが保証され、データのクラウドソーシング モデルが AI モデルの進歩を促進し、ユーザーは多くのオープンソース AI リソースを利用でき、共有のコンピューティング能力を低コストで入手できます。分散型の共同クラウドソーシング メカニズムとオープンな AI 市場の助けを借りて、公平な収入分配システムを実現することができ、より多くの人々が AI テクノロジーの進歩を促進する動機を得ることができます。
Web3 シナリオでは、AI は複数のトラックにプラスの影響を与える可能性があります。たとえば、AI モデルをスマート コントラクトに統合して、市場分析、セキュリティ検出、ソーシャル クラスタリング、その他の機能など、さまざまなアプリケーション シナリオでの作業効率を向上させることができます。ジェネレーティブ AI により、ユーザーは AI テクノロジーを使用して独自の NFT を作成するなど、「アーティスト」の役割を体験できるだけでなく、GameFi で豊かで多様なゲームシーンや興味深いインタラクティブ体験を作成することもできます。豊富なインフラストラクチャがスムーズな開発体験を提供します。AI の専門家でも、AI 分野に参入したい初心者でも、この世界で適切な入り口を見つけることができます。
2. Web3-AI エコロジカル プロジェクトのレイアウトとアーキテクチャの解釈
私たちは主に Web3-AI トラックの 41 プロジェクトを調査し、これらのプロジェクトをさまざまなレベルに分けました。各層の分割ロジックは次の図に示されており、インフラストラクチャ層、中間層、アプリケーション層が含まれます。各層は異なるセクションに分かれています。次の章では、いくつかの代表的なプロジェクトについて詳しく分析します。
インフラストラクチャ層は、AI ライフサイクル運用全体をサポートするコンピューティング リソースと技術アーキテクチャをカバーします。中間層には、インフラストラクチャとアプリケーションを接続するデータ管理、モデル開発、検証推論サービスが含まれます。アプリケーション層は、直接直面するさまざまな種類のサービスに焦点を当てます。ユーザー。
インフラストラクチャ層:
インフラストラクチャ層は AI ライフサイクルの基礎です この記事では、コンピューティング能力、AI チェーン、開発プラットフォームをインフラストラクチャ層として分類します。これらのインフラストラクチャのサポートにより、AI モデルのトレーニングと推論が可能になり、強力で実用的な AI アプリケーションがユーザーに提供されます。
分散型コンピューティング ネットワーク: AI モデルのトレーニングに分散型コンピューティング能力を提供し、コンピューティング リソースの効率的かつ経済的な利用を保証します。 IO.NET や Hyperbolic など、一部のプロジェクトは分散型コンピューティング能力市場を提供しており、ユーザーは低コストでコンピューティング能力をレンタルまたは共有することで収入を得ることができます。さらに、トークン化プロトコルを提案した Compute Labs など、一部のプロジェクトは、GPU エンティティを表す NFT を購入することで、さまざまな方法でコンピューティング パワーのリースに参加して収入を得ることができます。
AI チェーン: AI ライフサイクルの基礎としてブロックチェーンを使用して、オンチェーンとオフチェーンの AI リソースのシームレスな相互作用を実現し、業界エコシステムの開発を促進します。チェーン上の分散型 AI 市場では、データ、モデル、エージェントなどの AI 資産を取引でき、Sahara AI などのプロジェクトを代表する AI 開発フレームワークとサポート開発ツールを提供します。 AI Chain は、さまざまな分野で AI テクノロジーの進歩を促進することもできます。たとえば、Bittensor は、革新的なサブネット インセンティブ メカニズムを通じて、さまざまな AI タイプのサブネット競争を促進します。
開発プラットフォーム:一部のプロジェクトは AI エージェント開発プラットフォームを提供し、Fetch.ai や ChainML などの AI エージェント トランザクションを実装することもできます。ワンストップ ツールは、開発者が Nimble などのプロジェクトに代表される AI モデルをより簡単に作成、トレーニング、展開するのに役立ちます。これらのインフラストラクチャは、Web3 エコシステムにおける AI テクノロジーの広範な適用を促進します。
中間層:
この層には AI データやモデルが含まれ、Web3 テクノロジーを使用することで作業の効率化を実現できます。
データ:データの質と量は、モデルのトレーニングの有効性に影響を与える重要な要素です。 Web3 の世界では、クラウドソーシング データと共同データ処理を通じて、リソースの使用率を最適化し、データ コストを削減できます。ユーザーはデータの自主性を持ち、プライバシーを保護した状態でデータを販売することで、悪徳業者にデータが盗まれて高額な利益が得られることを回避できます。データ需要者にとって、これらのプラットフォームは幅広い選択肢と非常に低いコストを提供します。 Grass などの代表的なプロジェクトは、ユーザーの帯域幅を利用して Web データをクロールし、xData は使いやすいプラグインを通じてメディア情報を収集し、ユーザーのツイート情報のアップロードをサポートします。
さらに、一部のプラットフォームでは、ドメインの専門家や一般ユーザーが、画像の注釈やデータの分類などのデータ前処理タスクを実行できます。これらのタスクでは、専門知識を備えた財務タスクや法務タスクのデータ処理が必要になる場合があります。ユーザーは、データ前処理を行うために自分のスキルをトークン化できます。共同クラウドソーシング。 Sahara AI などの AI 市場の代表者は、さまざまな分野のデータ タスクを担当し、複数の分野のデータ シナリオをカバーできますが、AIT プロトコルは人間と機械のコラボレーションを通じてデータにラベルを付けます。
モデル:前述の AI 開発プロセスでは、さまざまな種類の要件を適切なモデルに合わせる必要があります。画像タスクによく使用されるモデルは、ターゲット検出タスクの場合、Yolo シリーズを選択できます。 、RNN や Transformer などのモデルが一般的です。もちろん、特定のモデルや一般的なモデルもあります。複雑さの異なるタスクには異なるモデルの深さが必要であり、場合によってはモデルの調整が必要になります。
一部のプロジェクトでは、クラウドソーシングを通じてユーザーがさまざまなタイプのモデルを提供したり、モデルを共同でトレーニングしたりすることができます。たとえば、Sentient はモジュラー設計を使用して、Sahara AI が提供するモデル最適化のために信頼できるモデル データをストレージ レイヤーとディストリビューション レイヤーに配置できるようにします。高度な AI アルゴリズムとコンピューティング フレームワークが組み込まれており、共同トレーニングの機能を備えています。
推論と検証:モデルがトレーニングされた後、モデルの重み付けファイルが生成され、これを使用して分類、予測、またはその他の特定のタスクを直接実行できます。このプロセスは推論と呼ばれます。通常、推論プロセスには、推論モデルのソースが正しいかどうか、悪意のある動作が存在するかどうかを検証するための検証メカニズムが伴います。 Web3 推論は通常、スマート コントラクトに統合し、モデルを呼び出すことによって推論できます。一般的な検証方法には、ZKML、OPML、TEE などのテクノロジが含まれます。 ORA オンチェーン AI オラクル (OAO) などの代表的なプロジェクトでは、AI オラクルの検証可能層として OPML を導入しています。ORA の公式 Web サイトでは、ZKML と opp/ai (ZKML と OPML の組み合わせ) に関する研究についても言及されています。
アプリケーション層:
この層は主に、AI と Web3 を組み合わせて、より面白く革新的なゲームプレイを作成するアプリケーション向けです。この記事では、主に AIGC (AI 生成コンテンツ)、AI エージェント、およびデータ分析の分野について説明します。
AIGC: AIGC を通じて、Web3 の NFT、ゲーム、その他のトラックに拡張でき、ユーザーはプロンプト (ユーザーが指定したプロンプトの言葉) を通じてテキスト、画像、音声を直接生成でき、独自の好みに応じてカスタマイズすることもできます。ゲームプレイ。 NFPrompt などの NFT プロジェクトでは、ユーザーが AI を通じて NFT を生成し、市場で取引することができます。Sleepless などのゲームでは、ユーザーが対話を通じて自分の好みに合わせて仮想パートナーのキャラクターを形成できます。
AI エージェント:タスクを実行し、自律的に意思決定を行うことができる人工知能システムを指します。通常、AI エージェントは、さまざまな環境で複雑なタスクを実行するために、感知、推論、学習、および行動する能力を備えています。言語翻訳、言語学習、画像からテキストへの変換などの一般的な AI エージェントは、Web3 シナリオで取引ロボット、ミーム ミーム、オンチェーン セキュリティ検出などを生成できます。たとえば、MyShell は AI エージェント プラットフォームとして、教育と学習、バーチャル コンパニオン、取引エージェントなどを含むさまざまなタイプのエージェントを提供します。また、ユーザーフレンドリーなエージェント開発ツールも提供するため、コーディングなしで独自のエージェントを構築できます。
データ分析： AI技術と関連分野のデータベースを統合することで、Web3では市場データやスマートマネーダイナミクスなどを分析することで、ユーザーの投資判断を支援することができます。トークン予測も Web3 のユニークなアプリケーション シナリオです。Ocean などの代表的なプロジェクトでは、トークン予測に対する長期的な課題を正式に設定しており、ユーザーの参加を促すためにさまざまなテーマのデータ分析タスクもリリースする予定です。
3. Web3-AIトラックの最先端プロジェクトのパノラマ分析
いくつかのプロジェクトは、Web3 と AI を組み合わせる可能性を模索しています。 GeekCartelでは、このトラックの代表的なプロジェクトを整理することでWEB3-AIの魅力を体験していただき、このプロジェクトがどのようにしてWeb3とAIの融合を実現し、新たなビジネスモデルや経済価値を生み出していくのかを理解していただきます。
Sahara AI: 協調経済に特化した AI ブロックチェーン プラットフォーム
Sahara AI は、AI データ、モデル、エージェント、コンピューティング能力などのあらゆる AI リソースをカバーする、包括的な AI ブロックチェーン プラットフォームの構築に注力しています。基盤となるアーキテクチャは、プラットフォームの協調的な経済性を保護します。 。ブロックチェーン技術と独自のプライバシー技術を通じて、AI開発サイクル全体を通じてAI資産の分散所有権とガバナンスを確保し、公平なインセンティブ配分を実現します。このチームは AI と Web3 に関する深い背景を持っており、これら 2 つの分野を完璧に統合することができ、トップ投資家からも支持されており、このトラックで大きな可能性を示しています。
Sahara AI は、従来の AI 分野におけるリソースと機会の不平等な配分を打破するため、Web3 に限定されません。分散化により、コンピューティング能力、モデル、データなどの AI の主要な要素は、中央集権的な巨人によって独占されることがなくなり、誰もがこのエコシステム内で適切なポジションを見つけ、チームワークの強さと熱意を得る機会を得ることができます。 。
図に示すように、ユーザーは、Sahara AI が提供するツールキットを使用して、独自のデータセット、モデル、AI エージェント、その他の資産を提供または作成すると同時に、これらの資産を AI 市場に投入して利益を得ることができます。プラットフォームのインセンティブ。消費者 AI 資産はオンデマンドで取引できます。同時に、これらの取引情報は、ブロックチェーン技術とプライバシー保護措置によって、寄付の追跡、データの安全性、報酬の公平性が保証されます。
Sahara AI の経済システムでは、開発者、知識プロバイダー、消費者の上記の役割に加えて、ユーザーは AI をサポートする資金とリソース (GPU、クラウド サーバー、RPC ノードなど) を提供する投資家としても機能します。開発と展開は、ネットワークの安定性を維持するためのオペレーターとして、またブロックチェーンのセキュリティと整合性を維持するための検証者として機能することもできます。ユーザーがどのように Sahara AI プラットフォームに参加するかに関係なく、ユーザーは貢献に基づいて報酬と収入を受け取ります。
Sahara AI ブロックチェーン プラットフォームは、オンチェーンおよびオフチェーンのインフラストラクチャを備えたレイヤード アーキテクチャに基づいて構築されており、ユーザーと開発者が AI 開発サイクル全体に効果的に貢献し、その恩恵を受けることができます。 Sahara AI プラットフォームのアーキテクチャは 4 つの層に分かれています。
アプリケーション層
アプリケーション層はユーザー インターフェイスおよび主要な対話ポイントとして機能し、ユーザー エクスペリエンスを向上させるネイティブの組み込みツールキットとアプリケーションを提供します。
機能コンポーネント:
Sahara ID — AI 資産へのユーザーの安全なアクセスを保証し、ユーザーの貢献を追跡します。
Sahara Vault — AI 資産のプライバシーとセキュリティを不正アクセスや潜在的な脅威から保護します。
Sahara Agent - 役割の調整 (ユーザーの行動や習慣に一致する対話)、生涯学習、マルチモーダル認識 (複数の種類のデータを処理できる)、およびマルチツールの実行機能を備えています。
インタラクティブなコンポーネント:
Sahara Toolkit :技術ユーザーと非技術ユーザーが AI アセットを作成および展開できるようにします。
Sahara AI Marketplace — AI アセットの公開、収益化、取引を行うため、柔軟なライセンスと複数の収益化オプションを提供します。
トランザクション層
Sahara AI のトランザクション層は、Sahara ブロックチェーンを使用しており、プラットフォーム上で管理所有権、帰属、AI 関連のトランザクション プロトコルを備えており、AI 資産の主権と起源を維持する上で重要な役割を果たします。 Sahara Blockchain は、革新的な Sahara AI Native Precompilation (SAP) と Sahara Blockchain Protocol (SBP) を統合し、AI ライフサイクル全体を通じて重要なタスクをサポートします。
SAP は、ブロックチェーンのネイティブ ランレベルの組み込み機能であり、AI トレーニング/推論プロセスにそれぞれ焦点を当てています。 SAP は、オフチェーン AI トレーニング/推論プロセスの呼び出し、記録、検証を支援し、Sahara AI プラットフォーム内で開発された AI モデルの信頼性と信頼性を確保し、すべての AI 推論の透明性、検証可能性、トレーサビリティを確保します。同じ時間です。同時に、SAP を通じて、より高速な実行速度、より低いコンピューティング オーバーヘッドとガス コストを実現できます。
SBP は、スマート コントラクトを通じて AI 固有のプロトコルを実装し、AI 資産と計算結果が透過的かつ確実に処理されることを保証します。これには、AI 資産の登録、ライセンス (アクセス制御)、所有権、帰属 (貢献度の追跡) などの機能が含まれます。
データ層
Sahara AI のデータ層は、AI ライフサイクル全体を通じてデータ管理を最適化するように設計されています。これは、実行層をさまざまなデータ管理メカニズムに接続し、オンチェーンとオフチェーンのデータ ソースをシームレスに統合する重要なインターフェイスとして機能します。
データ コンポーネント:オンチェーン データとオフチェーン データが含まれます。オンチェーン データには、メタデータ、所有権、AI 資産のコミットメントと認証などが含まれます。データ セット、AI モデル、補足情報はオフチェーンに保存されます。
データ管理: Sahara AI のデータ管理ソリューションは、独自の暗号化スキームによって送信中と保存中のデータが確実に保護されるようにする一連のセキュリティ対策を提供します。 AI ライセンスの SBP と連携して厳格なアクセス制御と検証可能性を実現すると同時に、プライベート ドメイン ストレージを提供しながら、ユーザーの機密データのセキュリティ機能を強化できます。
実行層
実行層は、Sahara AI プラットフォームのオフチェーン AI インフラストラクチャであり、トランザクション層およびデータ層とシームレスに対話して、AI の計算と機能に関連するプロトコルを実行および管理します。実行タスクに応じて、データ層からデータを安全に抽出し、最適なパフォーマンスを実現するためにコンピューティング リソースを動的に割り当てます。複雑な AI 操作は、さまざまな抽象化間の効率的な対話を促進するように設計された特別に設計された一連のプロトコルを通じて調整され、基盤となるインフラストラクチャは高性能 AI コンピューティングをサポートするように設計されています。
インフラストラクチャ: Sahara AI の実行層インフラストラクチャは、高速効率、弾力性、高可用性などの機能を備えた高性能 AI コンピューティングをサポートするように設計されています。 AI 計算、自動拡張メカニズム、フォールト トレラント設計を効率的に調整することで、高トラフィックや障害状況下でもシステムの安定性と信頼性を確保します。
抽象化:コア抽象化は、データ セット、モデル、コンピューティング リソース、その他のリソースの抽象化を含む、Sahara AI プラットフォーム上の AI 操作の基礎を形成する基本コンポーネントです。 Vault とエージェントの背後にある実行インターフェイス。より高いレベルの機能を実現できます。
プロトコル:抽象実行プロトコルは、Vault との対話、エージェントの対話と調整、およびそれらの間のコンピューティング コラボレーションなどを実行するために使用されます。協調コンピューティング プロトコルは、複数の参加者間で共同 AI モデルの開発と展開を実現し、コンピューティング リソースの貢献をサポートします。実行層には、低コンピューティング コスト テクノロジ モジュール (PEFT)、プライバシー保護コンピューティング モジュール、およびコンピューティング不正行為防止モジュールも含まれます。
Sahara AI が構築している AI ブロックチェーン プラットフォームは、包括的な AI エコシステムの実現に取り組んでいますが、この壮大なビジョンは実現プロセス中に必然的に多くの課題に直面し、強力なテクノロジー、リソースのサポート、継続的な最適化と反復が必要になります。実装が成功すれば、Web3-AI 分野をサポートする主力となり、Web2-AI 実践者の心の中に理想的な庭園となることが期待されます。
チーム情報:
Sahara AI チームは、優秀でクリエイティブなメンバーで構成されており、共同創設者のショーン レンは、Samsung AI Researcher of the Year、MIT TR Innovator Under 35、Forbes 30 Under 30 を受賞しています。 . 名誉を待っています。共同創設者の Tyler Zhou はカリフォルニア大学バークレー校を卒業し、Web3 を深く理解しており、AI と Web3 の経験を持つグローバル人材チームを率いています。
Sahara AI の設立以来、このチームは Microsoft、Amazon、MIT、Snapchat、Character AI などのトップ企業から数百万ドルの収益を生み出してきました。現在、Sahara AI は 30 社を超える企業顧客にサービスを提供しており、世界中に 200,000 人を超える AI トレーナーがいます。Sahara AI の急速な成長により、ますます多くの参加者がシェアリング エコノミー モデルに貢献し、メリットを享受できるようになりました。
資金調達情報:
今年8月の時点で、Sahara Labsは4,300万ドルの調達に成功している。最新の資金調達ラウンドは、Pantera Capital、Binance Labs、Polychain Capitalが共同主導した。さらに、Motherson Group、Anthropic、Nous Research、Midjourney などの AI 分野のパイオニアからも支援を受けています。
Bittensor: サブネット競争からインスピレーションを得た新しい遊び方
Bittensor 自体は AI 製品ではなく、AI 製品やサービスを製造または提供するものでもありません。 Bitensor は、AI 商品生産者に競争力の高いインセンティブ構造を提供する経済システムで、生産者は AI の品質を継続的に最適化できます。 Web3-AI の初期プロジェクトとして、Bittensor は発売以来、市場から幅広い注目を集めてきました。 CoinMarketCapのデータによると、10月17日の時点で、その市場価値は42億6000万米ドルを超え、FDV（完全希薄化評価額）は120億米ドルを超えています。
Bittensor は、多くのサブネット ネットワークで接続されたネットワーク構造を構築し、AI 商品生産者は、カスタマイズされたインセンティブとさまざまなユースケースを備えたサブネットを作成できます。異なるサブネットは、機械翻訳、画像認識と生成、大規模な言語モデルなどの異なるタスクを担当します。たとえば、Subnet 5 は Midjourney のような AI イメージを作成できます。未解決のタスクを完了すると、報酬として TAO (Bittensor のトークン) が与えられます。
インセンティブ メカニズムは Bittensor の基本コンポーネントです。これらは、サブネットマイナーの動作を推進し、サブネットバリデーター間の合意を制御します。各サブネットには独自のインセンティブ メカニズムがあり、サブネット マイナーはタスクの実行を担当し、バリデーターはサブネット マイナーの結果をスコア付けします。
図に示すように、例を使用してサブネット マイナーとサブネット バリデータ間のワークフローを示します。
この図では、3 つのサブネット マイナーはそれぞれ UID 37、42、および 27 に対応し、4 つのサブネット バリデータはそれぞれ UID 10、32、93、および 74 に対応します。
各サブネットバリデーターは重みベクトルを維持します。ベクトルの各要素は、サブネット マイナーに割り当てられた重みを表します。この重みは、マイナーのタスク完了に対するサブネット バリデーターの評価に基づいて決定されます。各サブネットバリデーターは、この重みベクトルによってすべてのサブネットマイナーをランク付けし、独立して動作し、そのマイナーランキング重みベクトルをブロックチェーンに送信します。通常、各サブネットバリデーターは、更新されたランキング重みベクトルを 100 ～ 200 ブロックごとにブロックチェーンに送信します。
ブロックチェーン (サブテンソル) は、特定のサブネットのすべてのサブネット バリデーターからの最新のランキング重みベクトルがブロックチェーンに到着するのを待ちます。次に、これらのランキング重みベクトルによって形成されたランキング重み行列が、チェーン上の Yuma コンセンサス モジュールへの入力として提供されます。
オンチェーンの Yuma コンセンサスは、この重みマトリックスと、そのサブネット上の UID に関連付けられたステーク量を使用して報酬を計算します。
Yuma コンセンサスは、TAO のコンセンサス分布を計算し、新しく作成された報酬 TAO を UID に関連付けられたアカウントに配布します。
サブネットバリデーターは、いつでもランキング重みベクトルをブロックチェーンに送信できます。ただし、サブネットの Yuma コンセンサス サイクルは、最新の重みマトリックスを使用して 360 ブロック (つまり、ブロックあたり 12 秒に基づくと 4320 秒または 72 分) ごとに開始されます。サブネットバリデーターのランキング重みベクトルが 360 ブロックサイクル後に到着した場合、その重みベクトルは次の Yuma コンセンサスサイクルの開始時に使用されます。 TAO 報酬は各サイクルの終了時に配布されます。
Yuma コンセンサスは、公平なノード分散を実現するために Bittensor によって使用されるコア アルゴリズムであり、PoW 要素と PoS 要素を組み合わせたハイブリッド コンセンサス メカニズムです。ビザンチンのフォールト トレラント コンセンサス メカニズムと同様に、ネットワーク内に大多数の誠実なバリデータが存在する場合、最終的にはコンセンサスによって正しい決定に達することができます。
ルート ネットワークは特別なサブネットであり、サブネット 0 です。デフォルトでは、サブネット内のすべてのサブネット バリデーターの中で最も多くのステークを持つ 64 のサブネット バリデーターがルート ネットワーク内のバリデーターになります。ルート ネットワーク検証者は、各サブネットの出力の品質に基づいて評価およびランク付けされます。64 の検証者の評価結果が要約され、最終的な排出結果が Yuma コンセンサス アルゴリズムを通じて取得され、各サブネットが新たに割り当てられます。最終結果からの排出量は TAO によって送信されます。
Bittensor のサブネット競争モデルは AI 製品の品質を向上させましたが、いくつかの課題にも直面しています。まず第一に、サブネット所有者によって確立されたインセンティブ メカニズムがマイナーの収入を決定し、マイナーの労働意欲に直接影響を与える可能性があります。もう 1 つの問題は、バリデーターが各サブネットのトークン割り当てを決定しますが、Bittensor の長期的な生産性に利益をもたらすサブネットを選択するための明確なインセンティブが欠如していることです。この設計により、バリデーターは、関係があるサブネット、または追加の利点を提供するサブネットを選択することに偏る可能性があります。この問題を解決するために、Opentensor Foundation の貢献者は、BIT 001: 動的 TAO ソリューションを提案しました。これは、市場メカニズムを使用して、すべての TAO 誓約者が競争するサブネット トークンの割り当てを決定することを提案しています。
チーム情報:
共同創設者の Ala Shaabana は、ウォータールー大学の博士研究員であり、コンピューター サイエンスの学歴を持っています。もう一人の共同創設者、ジェイコブ・ロバート・スティーブスはカナダのサイモン・フレイザー大学を卒業し、10年近い機械学習研究の経験があり、Googleでソフトウェアエンジニアとして働いていました。
資金調達情報:
OpenTensor Foundation から財政的支援を受けていることに加えて、Bittensor は Bittensor をサポートする非営利団体です。さらに、そのコミュニティの発表では、有名な暗号通貨VCであるPanteraとCollab CurrencyがTAOトークンの所有者となり、プロジェクトのエコロジー開発にさらなるサポートを提供することが発表されました。他の主要投資家には、Digital Currency Group、Polychain Capital、FirstMark Capital、GSR などの著名な投資機関やマーケットメーカーが含まれます。
Talus: Move に基づくオンチェーン AI エージェント エコシステム
Talus Network は、MoveVM 上に構築された L1 ブロックチェーンであり、AI エージェント向けに特別に設計されています。これらの AI エージェントは、事前に定義された目標に基づいて意思決定を行い、アクションを実行することができ、スムーズなチェーン間のインタラクションを実現し、検証可能です。ユーザーは、Talus が提供する開発ツールを使用して、AI エージェントを迅速に構築し、スマート コントラクトに統合できます。 Talus は、AI モデル、データ、コンピューティング能力などのリソースのオープン AI マーケットも提供し、ユーザーはさまざまな形式で参加し、自分の貢献や資産をトークン化できます。
Talus の主な特徴は、並列実行機能と安全な実行機能です。資本参加と Move エコシステムにおける高品質プロジェクトの拡大により、Talus の Move ベースの安全な実行と AI エージェント統合スマートコントラクトという 2 つのハイライトが市場で幅広い注目を集めることが予想されます。同時に、Talus によってサポートされるマルチチェーンの相互作用は、AI エージェントの効率を向上させ、他のチェーンでの AI の繁栄を促進することもできます。
公式 Twitter 情報によると、Talus は最近、初の完全オンチェーン自律型 AI エージェント フレームワークである Nexus を立ち上げました。これにより、Talus は分散型 AI テクノロジーの分野で先行者としての優位性を獲得し、急速に発展するブロックチェーン業界で競争上の優位性を得ることができます。 . チェーン AI は市場で重要な競争力を提供します。 Nexus により、開発者は Talus ネットワーク上で AI を活用したデジタル アシスタントを作成できるようになり、検閲耐性、透明性、構成可能性が確保されます。集中型の AI ソリューションとは異なり、消費者は Nexus を通じて、パーソナライズされたインテリジェント サービスを享受し、デジタル資産を安全に管理し、対話を自動化し、日々のデジタル エクスペリエンスを向上させることができます。
Nexus は、オンチェーン エージェント向けの最初の開発者ツールキットとして、次世代の消費者向け暗号 AI アプリケーションを構築するための基盤を提供します。 Nexus は、開発者がユーザーの意図を実行し、Talus チェーン上で相互に通信できるエージェントを作成するのに役立つ一連のツール、リソース、標準を提供します。その中で、Nexus Python SDK は AI とブロックチェーン開発の間のギャップを埋め、AI 開発者がスマート コントラクト プログラミングを学ばなくても簡単に開始できるようにします。 Talus はユーザーフレンドリーな開発ツールと幅広いインフラストラクチャを提供し、開発者にとって革新のための理想的なプラットフォームとなることを約束します。
図 5 に示すように、Talus の基礎となるアーキテクチャはモジュール設計に基づいており、オフチェーン リソースとマルチチェーン インタラクションの柔軟性を備えています。 Talus のユニークな設計に基づいて、豊かなオンチェーン インテリジェント エージェント エコシステムが形成されます。
このプロトコルは Talus の中核であり、コンセンサス、実行、相互運用性の基礎を提供し、これに基づいてオフチェーン リソースとクロスチェーン機能を利用するオンチェーン インテリジェント エージェントを構築できます。
プロトチェーン ノード: Cosmos SDK および CometBFT に基づく PoS ブロックチェーン ノードは、モジュール式設計と高いスケーラビリティ機能を備え、CometBFT はビザンチン フォールト トレラント コンセンサス アルゴリズムに基づいており、高いパフォーマンスと低遅延の特性を備え、強力なセキュリティと障害を提供します。耐性があり、一部のノードに障害が発生したり、悪意のある動作が発生したりしても、正常に動作し続けることができます。
Sui Move と MoveVM:スマート コントラクト言語として Sui Move を使用する Move 言語の設計により、再入攻撃、オブジェクト所有権のアクセス制御チェックの欠落、予期しない算術オーバーフロー/アンダーフローなどの重大な脆弱性が排除され、本質的にセキュリティが強化されます。 Move VM のアーキテクチャは効率的な並列処理をサポートしており、セキュリティや整合性を失うことなく複数のトランザクションを同時に処理することで Talus を拡張できます。
IBC (ブロックチェーン間通信プロトコル):
相互運用性: IBC は、異なるブロックチェーン間のシームレスな相互運用性を促進し、スマート エージェントが複数のチェーン上のデータや資産をやり取りして活用できるようにします。
クロスチェーンのアトミック性: IBC はクロスチェーンのアトミック トランザクションをサポートします。これは、特に金融アプリケーションや複雑なワークフローにおいて、インテリジェント エージェントによって実行される操作の一貫性と信頼性を維持するために重要な機能です。
シャーディングによるスケーラビリティ: IBC は、スマート エージェントが複数のブロックチェーン上で動作できるようにすることで、シャーディングによるスケーラビリティを間接的にサポートします。各ブロックチェーンはトランザクションのサブセットを処理するシャードとみなすことができるため、単一チェーンの負荷が軽減されます。これにより、インテリジェント エージェントは、より分散されたスケーラブルな方法でタスクを管理および実行できるようになります。
カスタマイズ性と専門化: IBC を使用すると、さまざまなブロックチェーンが特定の機能や最適化に焦点を当てることができます。たとえば、スマート エージェントは、支払い処理のための高速トランザクションに 1 つのチェーンを使用し、記録保持のための安全なデータ ストレージ専用の別のチェーンを使用する場合があります。
セキュリティと分離: IBC はチェーン間のセキュリティと分離を維持します。これは、機密性の高い操作やデータを処理するスマート エージェントにとって有益です。 IBC はチェーン間の通信とトランザクションの安全な検証を保証するため、スマート エージェントはセキュリティを損なうことなく、異なるチェーン間で自信を持って動作できます。
ミラーオブジェクト:
オンチェーン アーキテクチャでオフチェーンの世界を表現するために、ミラー オブジェクトは主に、リソースの一意性の表現と証明、オフチェーン リソースの取引可能性、所有権証明書の表現または所有権の検証可能性など、AI リソースの検証とリンクに使用されます。 。
ミラー オブジェクトには、モデル オブジェクト、データ オブジェクト、計算オブジェクトという 3 つの異なるタイプのミラー オブジェクトが含まれます。
モデル オブジェクト:モデル所有者は、専用のモデル レジストリを通じて AI モデルをエコシステムに導入し、オフチェーン モデルをチェーンに変換できます。モデル オブジェクトはモデルの本質と機能をカプセル化し、その上に所有権、管理、収益化のフレームワークが直接構築されます。モデル オブジェクトは、追加の微調整プロセスを通じてその機能を強化したり、必要に応じて特定のニーズを満たすために広範なトレーニングを通じて完全に再形成したりできる柔軟な資産です。
データ オブジェクト:データ (またはデータ セット) オブジェクトは、誰かが所有する一意のデータ セットのデジタル表現として存在します。このオブジェクトは、作成、転送、ライセンス付与、またはオープン データ ソースへの変換が可能です。
計算オブジェクト:購入者はオブジェクトの所有者に計算タスクを提案し、所有者は計算結果と対応する証明を提供します。購入者は、約束を解読して結果を検証するために使用できるキーを保持しています。
AIスタック:
Talus は、インテリジェント エージェントの開発とオフチェーン リソースとの対話をサポートするための SDK と統合コンポーネントを提供します。 AI スタックには Oracle との統合も含まれており、インテリジェントなエージェントが意思決定と対応のためにオフチェーン データを活用できるようになります。
チェーン上のスマート エージェント:
Talus は、自律的に動作し、意思決定を行い、トランザクションを実行し、オンチェーンおよびオフチェーンのリソースと対話できるインテリジェント エージェントの経済システムを提供します。
インテリジェント エージェントは、自律性、社会的能力、反応性、および自発性を備えています。自律性により人間の介入なしで動作することができ、ソーシャル機能により他のエージェントや人間と対話することができ、反応性により環境の変化を感知して迅速に対応することができます (Talus は、エージェントがリスナーを通じてオンチェーンおよびオフチェーンのイベントに応答できるようにサポートします) 、積極性により、目標、予測、または予想される将来の状態に基づいて行動を起こすことができます。
Talus が提供する一連のインテリジェント エージェントの開発アーキテクチャとインフラストラクチャに加え、Talus 上に構築された AI エージェントは、AI 推論の透明性と信頼性を確保するために、複数の種類の検証可能な AI 推論 (opML、zkML など) もサポートしています。 Talus には、オンチェーンとオフチェーンのリソース間のマルチチェーン インタラクションとマッピング機能を実現できる、AI エージェント向けに特別に設計された一連の機能があります。
Talus が立ち上げたオンチェーン AI エージェント エコシステムは、AI とブロックチェーンの統合技術の開発にとって非常に重要ですが、実装はまだ困難です。 Talus のインフラストラクチャは、AI エージェントの開発における柔軟性と相互運用性を可能にしますが、Talus チェーン上で実行される AI エージェントが増えるにつれ、これらのエージェント間の相互運用性と効率性がユーザーの研究のニーズを満たすことができるかどうかはまだわかりません。 Talus は現在まだプライベート テスト ネットワークの段階にあり、常に開発と更新が行われています。今後、Talus はチェーン上の AI エージェント エコシステムのさらなる発展を促進できることが期待されます。
チーム情報:
マイク・ハノノは、Talus Network の創設者兼 CEO です。彼は、南カリフォルニア大学で産業およびシステム エンジニアリングの学士号と応用データ サイエンスの修士号を取得しており、ペンシルベニア大学のウォートン ビジネス スクール プロジェクトに参加し、データ分析、ソフトウェア開発、およびデータ サイエンスの分野で豊富な経験を持っています。プロジェクト管理。
資金調達情報:
今年2月、Talusは、Dao 5、Hash 3、TRGC、WAGMI Ventures、Inception Capitalなどの参加を得て、Polychain Capital主導で最初の300万米ドルの資金調達を完了した。エンジェル投資家は主にNvidia、IBM、青 7. シンボリック キャピタルとレンダリング ネットワーク。
ORA: オンチェーン検証可能な AI の基礎
ORAの製品OAO（オンチェーンAIオラクル）は、オフチェーンのAI推論結果をチェーン上に導入できるopMLを用いた世界初のAIオラクルです。これは、スマート コントラクトが OAO と対話することでチェーン上に AI 機能を実装できることを意味します。さらに、ORA の AI オラクルは初期モデル リリース (IMO) とシームレスに統合して、フルプロセスのオンチェーン AI サービスを提供できます。
ORA は、イーサリアム上のトラストレス AI オラクルとして、テクノロジーと市場の両方で先行者としての利点を備えており、将来的にはより革新的な AI アプリケーション シナリオが出現すると予想されます。開発者は、ORA が提供するモデルを使用して、スマート コントラクトに分散推論を実装し、Ethereum、Arbitrum、Optimism、Base、Polygon、Linea、Manta 上で検証可能な AI dApp を構築できるようになりました。 ORA は、AI 推論の検証サービスの提供に加え、オープンソース モデルの貢献を促進するモデル配布サービス (IMO) も提供します。
ORA の 2 つの主な製品は、Initial Model Release (IMO) と On-Chain AI Oracle (OAO) です。この 2 つは完全に連携して、オンチェーン AI モデルの取得と AI 推論の検証を実現します。
IMO は、オープンソース AI モデルの所有権をトークン化することで長期的なオープンソースへの貢献を奨励しており、トークン所有者はチェーン上のモデルの使用から得られる収益の一部を受け取ります。 ORA はまた、AI 開発者に資金を提供し、コミュニティやオープンソースの貢献者に奨励を与えます。
OAO は、検証可能な AI 推論をチェーンにもたらします。 ORA では、AI オラクルの検証レイヤーとして opML が導入されています。 OP ロールアップのワークフローと同様に、バリデータまたはネットワーク参加者はチャレンジ期間中に結果を確認できます。チャレンジが成功した場合、エラー結果はチャレンジ期間後にチェーン上で更新され、結果は最終的なものとなり変更できません。 。
検証可能で分散型のオラクル ネットワークを構築するには、ブロックチェーン上の結果の計算上の妥当性を保証することが重要です。このプロセスには、計算の信頼性と真実性を保証する証明システムが含まれます。
この目的を達成するために、ORA は 3 つの認定システム フレームワークを提供します。
AI Oracle の opML (現在、ORA の AI oracle はすでに opML をサポートしています)
keras 2c ircom 用の zkML (成熟した高性能 zkML フレームワーク)
zkMLのプライバシーとopMLのスケーラビリティを組み合わせたzk+opMLは、opp/aiを通じて将来のオンチェーンAIソリューションを実現します
オペML:
ORA によって発明および開発された opML (Optimistic Machine Learning) は、機械学習とブロックチェーン テクノロジーを組み合わせたものです。 opML は、同様のオプティミスティック ロールアップ原理を利用することで、分散型の方法で計算効率を確保します。このフレームワークにより、AI 計算のオンチェーン検証が可能になり、透明性が向上し、機械学習推論の信頼性が促進されます。
セキュリティと正確性を確保するために、opML は次の不正防止メカニズムを採用しています。
結果の送信: サービスプロバイダー (送信者) は、オフチェーンで機械学習の計算を実行し、結果をブロックチェーンに送信します。
検証期間: 検証者 (または挑戦者) には、提出された結果の正確性を検証するための事前定義された期間 (チャレンジ期間) があります。
紛争の解決: バリデーターが結果が正しくないことを発見した場合、対話型の紛争ゲームを開始します。この論争ゲームは、エラーが発生した正確な計算ステップを効果的に特定します。
オンチェーン検証: 異議のある計算ステップのみが Fraud Proof Virtual Machine (FPVM) 経由でオンチェーンで検証されるため、リソースの使用量が最小限に抑えられます。
最終化: チャレンジ中に紛争が提起されなかった場合、または紛争が解決された場合、結果はブロックチェーン上で最終決定されます。
ORA によって導入された opML により、最適化された環境で計算をオフチェーンで実行できるようになり、紛争中は最小のデータのみがオンチェーンで処理されます。ゼロ知識機械学習 (zkML) に必要な高価な証明の生成を回避し、計算コストを削減します。この方法は、従来のオンチェーン方法では実現が困難な大規模な計算を処理できます。
keras 2c ircom (zkML):
zkML は、ゼロ知識証明を使用して機械学習の推論結果をオンチェーンで検証する証明フレームワークです。プライバシーにより、トレーニングと推論中にプライベート データとモデル パラメーターを保護できるため、プライバシーの問題が解決されます。 zkML の実際の計算はオフチェーンで完了し、オンチェーンでは結果の妥当性を検証するだけで済むため、チェーンの計算負荷が軽減されます。
ORA によって構築された Keras 2C ircom は、実証済みの最初の高レベル zkML フレームワークです。 Ethereum Foundation ESP Grant Proposal [FY 23 – 1290] に基づく主要な zkML フレームワークのベンチマーク テストによると、Keras 2C ircom とその基礎となる circomlib-ml が他のフレームワークよりもパフォーマンスが高いことが証明されました。
opp/ai (opML + zkML):
ORAはまた、OPP/AI（Optimistic Privacy-Preserving AI on Blockchain）を提案しました。これは、プライバシーのためのゼロ知識機械学習（zkML）と効率向上のための楽観的機械学習（opML）を統合し、オンチェーンAIに合わせたハイブリッドモデルを作成します。 opp/ai は、機械学習 (ML) モデルを戦略的に分割することで、計算効率とデータ プライバシーのバランスをとり、安全で効率的なオンチェーン AI サービスを可能にします。
opp/ai は、プライバシー要件に基づいて ML モデルを複数のサブモデルに分割します。zkML サブモデルは、機密データまたは独自のアルゴリズムのコンポーネントを処理するために使用され、データとモデルの機密性を確保するためにゼロ知識証明を使用して実行されます。 opML サブモデルは、プライバシーよりも効率を優先するコンポーネントに使用されます。 opML の楽観的なアプローチを使用して実行し、効率を最大化します。
要約すると、ORA は、opML、zkML、opp/ai (opML と zkML の組み合わせ) という 3 つの認証フレームワークを革新的に提案しています。これらの多様な認証フレームワークは、データのプライバシーとコンピューティングの効率を強化し、ブロックチェーン アプリケーションに優れた柔軟性とセキュリティをもたらします。
初の AI オラクルである ORA には、大きな可能性と幅広い想像力があります。 ORA は、そのテクノロジーの利点を実証する多数の研究と結果を発表しています。ただし、AI モデルの推論プロセスには一定の複雑さと検証コストが伴い、オンチェーン AI の推論速度がユーザーのニーズを満たせるかどうかは検証が必要な問題となっています。時間を検証し、ユーザーエクスペリエンスを継続的に最適化した後、このような AI 製品は、チェーン上の Dapps の効率を向上させる優れたツールとなる可能性があります。
チーム情報:
共同創設者の Kartin は、アリゾナ大学でコンピューター サイエンスを専攻し卒業し、Tiktok で技術リーダーを務め、Google でソフトウェア エンジニアを務めました。
主任研究員の Cathie は、南カリフォルニア大学でコンピュータ サイエンスの修士号を取得し、香港大学で心理学と神経科学の博士号を取得しており、イーサリアム財団の zkML 研究者でもありました。
資金調達情報:
今年6月26日、ORAはPolychain Capital、HF 0、Hashkey Capital、SevenX Ventures、Geekcartelなどの投資機関から2,000万元の資金調達を完了したと発表した。
Grass: AIモデルのデータ層
Grass は、パブリック ネットワーク データを AI データセットに変換することに重点を置いています。 Grass のネットワークは、ユーザーの余剰帯域幅を使用して、ユーザーの個人情報を収集することなくインターネットからデータを収集します。このタイプのネットワーク データは、他の多くの業界における人工知能モデルの開発と運用に不可欠です。ユーザーはノードを実行して Grass ポイントを獲得できます。Grass でノードを実行するのは、サインアップして Chrome 拡張機能をインストールするのと同じくらい簡単です。
Grass は AI 需要者とデータ プロバイダーを結び付け、「win-win」の状況を作り出します。その利点は、簡単なインストール操作と将来のエアドロップの期待により、ユーザーの参加が大幅に促進され、需要者により多くのデータ ソースが提供されることです。ユーザーはデータ提供者として複雑な設定や操作を行う必要がなく、ユーザーが意識することなくデータの取り込みやクリーニングなどの操作を行うことができます。さらに、機器に特別な要件がないため、ユーザーの参加敷居が低くなり、その招待メカニズムにより、より多くのユーザーの迅速な参加が効果的に促進されます。
なぜなら、Grass は 1 分あたり数千万の Web リクエストに到達するためにデータ スクレイピング操作を実行する必要があるからです。 これらは検証する必要があり、そのためにはどの L1 が提供できるよりも多くのスループットが必要となるため、Grass チームは 3 月に、データの出所を検証する際にユーザーと構築者をサポートする方法として Rollup を構築する計画を発表しました。計画では、ZKプロセッサを通じて検証用のメタデータをバッチ処理し、各データセットのメタデータの証明がSolanaの決済層に保存され、データ台帳が生成される。
図に示すように、顧客が Web リクエストを行うと、そのリクエストはバリデータを通過し、最終的に Grass ノードにルーティングされ、Web サイトのサーバーが Web ページ リクエストに応答し、そのデータがクロールされて返されるようになります。 ZK プロセッサの目的は、Grass ネットワーク上で収集されたデータ セットの起源を文書化するのに役立つことです。 これは、ノードがネットワークをクロールするたびに、ノード自身に関する識別情報を明らかにすることなく報酬を受け取ることができることを意味します。収集されたデータは、データ台帳に組み込まれた後、AI トレーニング用のグラフ埋め込みモデル (エッジ埋め込み) によってクリーン化および構造化されます。
要約すると、Grass を使用すると、ユーザーは個人のプライバシーを保護しながら、余剰帯域幅を提供してネットワーク データをキャプチャし、受動的収入を得ることができます。この設計はユーザーに経済的利益をもたらすだけでなく、AI 企業に大量の実データを取得する分散型の方法を提供します。
Grass はユーザー参加の敷居を大幅に下げ、ユーザー参加の向上に貢献していますが、プロジェクト チームは、実際のユーザーの参加と「ウールギャング」の流入によって大量のスパム情報がもたらされる可能性があることを考慮する必要があります。データ処理の負担。したがって、プロジェクト当事者は、真に価値のあるデータを取得するために、合理的なインセンティブのメカニズムとデータの価格を設定する必要があります。これは、プロジェクト関係者とユーザーの両方にとって重要な影響要因です。エアドロップの割り当てに関してユーザーが混乱したり不公平な場合、プロジェクト側に不信感を抱き、プロジェクトの合意形成や開発に影響を与える可能性があります。
チーム情報:
創設者のアンドレイ博士は、カナダのヨーク大学を卒業し、コンピューティングと応用数学を専攻しました。最高技術責任者の Chris Nguyen は長年のデータ処理の経験があり、彼が設立したデータ会社は、IBM Cloud Embedded Excellence Award、Enterprise Technology Top 30、Forbes Cloud 100 Rising Stars など、数々の栄誉を獲得しています。
資金調達情報:
GrassはWynd Networkチームが立ち上げた最初の製品で、2023年12月にPolychain CapitalとTribe Capital主導による350万ドルのシードラウンドを完了した。Bitscale、Big Brain、Advisors Anonymous、Typhon V、Mozaikなどが投資に参加している。 。以前は、No Limit Holdings が Pre-See ラウンドの資金調達を主導し、資金調達総額は 450 万米ドルに達しました。
今年9月、GrassはHack VCが主導し、Polychain、Delphi Digital、Brevan Howard Digital、Latticeファンドなどの参加を得てシリーズA資金調達を完了した。資金調達額は明らかにされていない。
IO.NET: 分散型コンピューティング リソース プラットフォーム
IO.NET は、Solana 上に分散型 GPU ネットワークを構築することで、世界中のアイドル状態のネットワーク コンピューティング リソースを集約します。これにより、AI エンジニアは必要な GPU コンピューティング リソースを、より安価で、よりアクセスしやすく、より柔軟な方法で入手できるようになります。 ML チームは、分散 GPU ネットワーク上でモデルのトレーニングと推論提供のワークフローを構築できます。
IO.NET は、アイドル状態のコンピューティング能力を持つユーザーに収入を提供するだけでなく、小規模なチームや個人のコンピューティング能力の負担を大幅に軽減します。 Solana の高いスループットと効率的な実行効率により、GPU ネットワーク スケジューリングに固有の利点があります。
IO.NET は、開始以来多くの注目を集め、トップ機関から支持されています。 CoinMarketCap によると、10 月 17 日の時点で、同社のトークンの市場価値は 2 億 2,000 万米ドルを超え、FDV は 14 億 7,000 万米ドルを超えています。
IO.NET のコア テクノロジの 1 つは、Ray の専用フォークに基づく IO-SDK です。 (Ray は、大量の計算を処理するために機械学習などの AI および Python アプリケーションをクラスターに拡張するために OpenAI によって使用されるオープンソース フレームワークです)。 Ray のネイティブ並列処理を活用して、IO-SDK は Python 関数を並列化でき、PyTorch や TensorFlow などの主流の ML フレームワークとの統合もサポートします。インメモリ ストレージにより、タスク間での高速なデータ共有が可能になり、シリアル化の遅延がなくなります。
製品コンポーネント:
IO Cloud: 分散型 GPU クラスターをオンデマンドで展開および管理するように設計されており、IO-SDK とシームレスに統合して、AI および Python アプリケーションを拡張するための包括的なソリューションを提供します。 GPU/CPU リソースの導入と管理を簡素化しながら、コンピューティング能力を提供します。ファイアウォール、アクセス制御、モジュール設計を通じて潜在的なリスクを軽減し、さまざまな機能を分離してセキュリティを強化します。
IO ワーカー: ユーザーは、この Web アプリケーション インターフェイスを通じて GPU ノードの操作を管理できます。コンピューティング活動の監視、温度と電力消費量の追跡、インストール支援、セキュリティ対策、収益プロファイルなどの機能が含まれます。
IO Explorer: 主に、GPU クラウドのあらゆる側面の包括的な統計と視覚化をユーザーに提供し、ユーザーがネットワーク アクティビティ、主要な統計、データ ポイント、報酬トランザクションをリアルタイムで表示できるようにします。
IO ID: ユーザーは、ウォレットアドレスアクティビティ、ウォレット残高、請求収益などを含む個人アカウントのステータスを表示できます。
IO Coin: ユーザーが IO.NET のトークン ステータスを表示できるようにします。
BC 8.AI: IO.NET がサポートする AI 画像生成 Web サイトで、テキストから画像への AI 生成プロセスを実現できます。
IO.NET は、暗号通貨マイナー、Filecoin や Render などのプロジェクトからのアイドル コンピューティング パワー、およびその他のアイドル コンピューティング パワーを使用して 100 万を超える GPU リソースを集約し、人工知能エンジニアやチームが独自のニーズに応じて GPU コンピューティング サービスをカスタマイズおよび購入できるようにします。世界中の遊休コンピューティング リソースを利用することで、コンピューティング パワーを提供するユーザーは収益をトークン化できます。 IO.NET は、リソースの使用率を最適化するだけでなく、高いコンピューティング コストを削減し、幅広い AI およびコンピューティング アプリケーションを促進します。
分散型コンピューティング パワー プラットフォームとして、IO.NET はユーザー エクスペリエンス、豊富なコンピューティング パワー リソース、リソースのスケジューリングと監視に重点を置く必要があります。これらは、分散型コンピューティング パワー トラックで勝つための重要なチップです。ただし、リソースのスケジューリングの問題については以前にも論争があり、リソースのスケジューリングとユーザーの注文の不一致を疑問視する人もいました。この件が真実であるかどうかはわかりませんが、関連プロジェクトはこれらの側面の最適化とユーザーエクスペリエンスの向上に注意を払う必要があることを思い出させます。ユーザーのサポートがなければ、素晴らしい製品は単なる花瓶です。
チーム情報:
創設者のアフマド・シャディッドは、以前はWhalesTraderの定量システムエンジニアであり、イーサリアム財団の貢献者および指導者でもありました。最高技術責任者のガウラフ・シャルマ氏は、以前はアマゾンで上級開発エンジニア、イーベイでアーキテクト、バイナンスのエンジニアリング部門で働いていました。
資金調達情報:
2023 年 5 月 1 日、1,000 万米ドルのシードラウンドの資金調達を完了したことが正式に発表されました。
2024 年 3 月 5 日、Hack VC、Multicoin Capital、6th Man Ventures、M 13、Delphi Digital、Solana Labs、Aptos Labs、Foresight Ventures、Longhash が主導し、シリーズ A で 3,000 万米ドルの資金調達を完了したと発表しました。 SevenX、ArkStream、Animoca Brands、Continue Capital、MH Ventures、Sandbox Gamesなどが参加した。
MyShell: 消費者とクリエイターをつなぐ AI エージェント プラットフォーム
MyShell は、消費者、クリエイター、オープンソース研究者を結び付ける分散型 AI 消費者レイヤーです。ユーザーは、プラットフォームが提供する AI エージェントを使用することも、MyShell 開発プラットフォーム上で独自の AI エージェントやアプリケーションを構築することもできます。 MyShell は、ユーザーが AI エージェントを自由に取引できるオープン マーケットを提供します。MyShell の AIpp ストアでは、バーチャル コンパニオン、取引アシスタント、AIGC タイプのエージェントなど、複数のタイプの AI エージェントを確認できます。
MyShell は、ChatGPT などのさまざまな種類の AI チャットボットの敷居の低い代替手段として、幅広い AI 機能プラットフォームを提供し、ユーザーが AI モデルやエージェントを使用する敷居を下げ、ユーザーが包括的な AI エクスペリエンスを得ることができるようにします。たとえば、ユーザーは、文書の整理と書き込みの最適化に Claude を使用し、高品質の画像の生成に Midjourney を使用したい場合があります。通常、これにはユーザーが異なるプラットフォームに複数のアカウントを登録し、一部のサービスの料金を支払う必要があります。 MyShell はワンストップ サービスを提供し、毎日無料の AI 割り当てを提供し、ユーザーは繰り返し登録して支払う必要はありません。
また、一部の AI 製品には地域によって制限がありますが、MyShell プラットフォームでは通常、ユーザーはさまざまな AI サービスをスムーズに利用できるため、ユーザー エクスペリエンスが大幅に向上します。 MyShell のこれらの利点により、MyShell はユーザー エクスペリエンスにとって理想的な選択肢となり、ユーザーに便利で効率的かつシームレスな AI サービス エクスペリエンスを提供します。
MyShell エコシステムは、次の 3 つのコア コンポーネントに基づいて構築されています。
自社開発の AI モデル: MyShell は、AIGC や大規模言語モデルを含む複数のオープン ソース AI モデルを開発しました。ユーザーはこれらを直接使用でき、公式 Github でさらに多くのオープン ソース モデルを見つけることもできます。
オープン AI 開発プラットフォーム:ユーザーは AI アプリケーションを簡単に構築できます。 MyShell プラットフォームを使用すると、クリエイターはさまざまなモデルを活用し、ネイティブ開発ワークフローとモジュール式ツールキットを統合して、アイデアを機能的な AI アプリケーションに迅速に変換できるため、イノベーションが加速されます。
公正なインセンティブ エコロジー: MyShell のインセンティブ方法は、ユーザーが自分の好みに合ったコンテンツを作成することを奨励します。クリエイターは、自分が作成したアプリを使用することでネイティブ プラットフォームの報酬を獲得できるだけでなく、消費者から資金も受け取ることができます。
MyShell のワークショップでは、プロの開発者と一般ユーザーの両方が、適切なモードを使用して、開発モードに必要なモデルのパラメーターと命令を設定できることがわかります。ユーザーは独自のモデル ファイルをアップロードでき、ShellAgent モードを使用してコードレス形式で AI ロボットを構築できます。
MyShell は分散化の概念と AI テクノロジーを組み合わせ、消費者、クリエイター、研究者にオープンで柔軟かつインセンティブの公平なエコシステムを提供することに取り組んでいます。自社開発の AI モデル、オープン開発プラットフォーム、さまざまなインセンティブ方法を通じて、ユーザーのアイデアやニーズを実現するための豊富なツールとリソースを提供します。
MyShell はさまざまな高品質モデルを統合しており、チームはユーザー エクスペリエンスを向上させるために多くの AI モデルの開発を続けています。ただし、MyShell を使用する場合、依然としていくつかの課題に直面しています。たとえば、一部のユーザーは、一部のモデルでの中国語のサポートを改善する必要があると報告しました。ただし、MyShell コード リポジトリを見ると、チームが常に更新と最適化を行っており、コミュニティからのフィードバックに積極的に耳を傾けていることがわかります。継続的な改善により、将来的にはユーザーエクスペリエンスが向上すると信じています。
チーム情報:
共同創設者の Zengyi Qin は音声アルゴリズムの研究に注力しており、MIT で博士号を取得しています。清華大学で学士号を取得するために勉強している間、彼は多くの重要な会議論文を発表しました。彼は、ロボット工学、コンピューター ビジョン、強化学習の専門的な経験も持っています。もう一人の共同創設者であるイーサン・サンは、オックスフォード大学でコンピューターサイエンスを専攻し卒業し、AR+AI 分野で長年の実務経験を持っています。
資金調達情報:
2023年10月にシードラウンドで560万米ドルの資金調達。 INCE Capital率いるHashkey Capital、Folius Ventures、SevenX Ventures、OP Cryptoなども参加した。
2024年3月、最新のプレAラウンドで1100万米ドルの資金調達を受けた。この資金調達はDragonflyが主導し、Delphi Digital、Bankless Ventures、Maven 11 Capital、Nascent、Nomad、Foresight Ventures、Animoca Ventures、OKX Ventures、GSRが参加した。さらに、この資金調達ラウンドでは、Balaji Srinivasan、Illia Polosukhin、Casey K. Caruso、Santiago Santos などのエンジェル投資家からも支援を受けました。
今年8月、Binance Labsは第6シーズンのインキュベーションプログラムを通じてMyShellへの非公開投資を発表した。
4. 早急に解決する必要がある課題と考慮事項
このトラックはまだ初期段階にありますが、実務者はプロジェクトの成功に影響を与えるいくつかの重要な要素を考慮する必要があります。考慮すべき領域は次のとおりです。
AI リソースの需要と供給のバランス: Web3-AI エコロジカル プロジェクトでは、AI リソースの需要と供給のバランスをどのように達成し、真のニーズと貢献意欲を持つより多くの人々を惹きつけるかが非常に重要です。たとえば、モデル、データ、およびコンピューティング能力を必要とするユーザーは、Web2 プラットフォームで AI リソースを取得することに慣れている可能性があります。同時に、AI リソースのプロバイダーを Web3-AI エコシステムに貢献してもらい、リソースを取得するためにより多くの需要者を引き付け、AI リソースの合理的なマッチングを実現する方法も、業界が直面する課題の 1 つです。
データの課題:データの品質はモデルのトレーニング効果に直接影響します。データ収集とデータの前処理の過程でデータの品質を確保し、ウールユーザーが持ち込む大量のジャンクデータを選別することは、データプロジェクトが直面する重要な課題となるでしょう。プロジェクト関係者は、科学的なデータ品質管理手法を使用し、データ処理の効果をより透明性をもって実証してデータの信頼性を高めることができ、これはデータ要求者にとってもより魅力的になります。
セキュリティの問題: Web3 業界では、ブロックチェーンとプライバシー技術を通じて AI 資産のオンチェーンおよびオフチェーンの相互作用を実現し、悪意のある行為者が AI 資産の品質に影響を与えるのを防ぎ、AI リソースのセキュリティを確保することが必要な考慮事項です。データとモデルとして。一部のプロジェクト関係者は解決策を提案していますが、この分野はまだ構築段階にあります。技術が向上し続けるにつれて、より高い実証済みの安全基準が達成されることが期待されています。
ユーザーエクスペリエンス:
Web2 ユーザーは通常、従来の操作エクスペリエンスに慣れていますが、Web3 プロジェクトには通常、複雑なスマート コントラクト、分散型ウォレット、その他のテクノロジーが伴うため、一般ユーザーにとって敷居が高い場合があります。業界は、より多くの Web2 ユーザーを Web3-AI エコシステムに引き付けるために、ユーザー エクスペリエンスと教育施設をさらに最適化する方法を検討する必要があります。
Web3 ユーザーにとって、効果的なインセンティブ メカニズムと継続的に運用される経済システムを確立することが、長期的なユーザー維持と健全な生態系の発展を促進する鍵となります。同時に、AI テクノロジーを最大限に活用して Web3 分野の効率を向上させ、AI と組み合わせてより多くのアプリケーション シナリオやゲームプレイを革新する方法を考える必要があります。これらは生態学的に健全な発展に影響を与える重要な要素です。
Internet+ の開発トレンドが進化し続けるにつれて、私たちは数え切れないほどの革新と変化が起こっているのを目撃してきました。現在、さまざまな分野でAIとの融合が進んでおり、将来的にはAI+の時代が到来し、私たちの生活を一変させる可能性があります。 Web3 と AI の統合は、データの所有権と管理がユーザーに戻り、AI がより透明で信頼できるものになることを意味します。この統合傾向により、より公正でオープンな市場環境が形成され、あらゆる分野で効率の向上と革新的な発展が促進されることが期待されています。私たちは、業界ビルダーが協力してより良い AI ソリューションを作成できることを楽しみにしています。
参考文献
https://ieeexplore.ieee.org/abstract/document/9451544
https://docs.ora.io/doc/oao-onchain-ai-oracle/introduction
https://saharalabs.ai/
https://saharalabs.ai/blog/sahara-ai-raise-43m
https://bittensor.com/
https://docs.bittensor.com/yuma-consensus
https://docs.bittensor.com/emissions#emission
https://twitter.com/myshell_ai
https://twitter.com/SubVortexTao
https://foresightnews.pro/article/detail/49752
https://www.ora.io/
https://docs.ora.io/doc/imo/introduction
https://github.com/ora-io/keras2c ircom
https://arxiv.org/abs/2401.17555
https://arxiv.org/abs/2402.15006
https://x.com/OraProtocol/status/1805981228329513260
https://x.com/getgrass_io
https://www.getgrass.io/blog/grass-the-first-ever-layer-2-data-rollup
https://wynd-network.gitbook.io/grass-docs/architecture/overview#edge-embedding-models
http://IO.NET
https://www.ray.io/
https://www.techflowpost.com/article/detail_17611.html
https://myshell.ai/
https://www.chaincatcher.com/article/2118663
謝辞
この新たなインフラストラクチャ パラダイムにはまだ多くの研究と作業が必要であり、この記事で取り上げていない領域も数多くあります。関連する研究テーマに興味がある場合は、Chloe までご連絡ください。
この記事に対する洞察力に富んだコメントとフィードバックをくださった Severus と JiaYi に心より感謝いたします。最後に、番組に出演してくれた JiaYi の猫に感謝します。
