デジタルシナジー：AIとブロックチェーンの融合がもたらす効果

2022年11月、OpenAIはチャットボットChatGPTを導入しました。開始から2か月後、このサービスのアクティブユーザー数は1億人に達しました。比較すると、TikTokがこの数字に到達するのに約9か月、Instagramは2年以上かかりました。

当時、生成型AIはすでにかなり人気があり、この新製品はこの分野への関心をさらに高めました。驚くことではありませんが、人工知能（AI）をめぐる誇大宣伝の波は暗号通貨業界を通り抜けませんでした。

2022年末以降、開発者の保証によればこの技術を使用しているプロジェクトのトークンのローカルラリーが定期的に見られるようになりました。しかし、アルゴリズムの統合度が低いレベルにあると理由もなく信じている人など、このような資産に懐疑的な人もいます。

しかし、既存の製品についてはさまざまな意見があり、かなり二極化している一方で、ブロックチェーンと人工知能の潜在的な相乗効果については一定の合意が得られています。

暗号資産取引所やWeb3アクセラレータを含む多くのプレイヤーは、AIとブロックチェーンを融合させることで、それぞれが既存の問題を解決できるようになり、両方の業界に利益をもたらすと考えています。ベンチャーキャピタリストの中にも同様の見解を持つ人もいます。例えば、2023年5月には、パラダイムがAIへの関心を拡大すると報じられました。

AI アルゴリズムに分散化が必要なのはなぜですか?

人工知能とブロックチェーンの相乗効果に関する話は目新しいものではありません。しかし、関連する研究データが示すように、この分野への関心はここ数年で大幅に高まっています。

分散ネットワークと AI サービスを統合すると、AI 開発者にとって長期的なメリットが数多くあります。ブロックチェーンには、コンピューティング能力の不足に関連する障壁など、いくつかの重大な障壁を排除するか、少なくとも軽減する可能性があります。

この相乗効果により、革新的な相互運用性オプションへのアクセスも可能になります。たとえば、DLT テクノロジーにより、ニューラル モデルを微調整し、アルゴリズムのトレーニング用に、より代表的なデータセットを収集できるようになります。

システムを人工知能（特にオンチェーンおよびスマートコントラクト）と統合すると、ブロックチェーン業界にもメリットがもたらされます。AI は分散型ネットワークのパフォーマンスを向上させ、分散型金融（DeFi）セクターの大きな成長原動力になる可能性があります。

誰もが問題を抱えている

科学分野としての人工知能の歴史はほぼ 70 年になります。しかし、業界は、その広範な導入を妨げる障壁のいくつかを未だに取り除くことができていません。さらに、業界が進化するにつれて、新たな課題も生まれています。

以下では、分散ネットワークが特定の制限を相殺できる可能性のあるシナリオをいくつか詳しく説明します。

電力不足

グラフィックス プロセッシング ユニット (GPU) は、アルゴリズムのトレーニングやユーザー クエリの推測に重要です。これは、Nvidia の 2024 年度第 1 四半期のレポートで特に顕著です。

AI分野の成長を背景に、GPUの需要が急増し、マイクロ回路の大幅な不足につながりました。状況は非常に深刻で、GoogleやAmazonなどの大手クラウドサービスプロバイダーは、顧客に対して制限を課し始めました。

AIに携わる多くの企業は代替サプライヤー（Lambdaなど）に目を向けましたが、彼らも能力の限界に近づいていました。

分散型コンピューティング ネットワークは、この問題を解決できます。分散型コンピューティング ネットワークは、コンピューティング能力を必要とする組織と、必要なリソースを持つシステム所有者を結び付ける、事実上の仲介者です。

このようなソリューションは、集中型サービス プロバイダーに比べて低価格です。これは主に、システムに接続するプロバイダーに追加コストがかからないためです。

このようなコンピューティング ネットワークには、主に 2 つのタイプがあります。

• 汎用 (GP)。さまざまなアプリケーションにリソースを提供する分散型クラウド サービスが含まれます。その運用モデルはマーケットプレイスに似ており、顧客は独自の価格を設定するプロバイダーからサーバー スペースを借ります。
• 特殊目的（SP）。一方、これらは特定の使用シナリオ向けに設計されています。通常、そのアーキテクチャは、コンピューティング リソースを 1 つのプールに統合します。これは一種の分散型コンピューターです。この場合、サービスのコストは市場の動向やコミュニティによって制御されるパラメーターによって決まります。ここでの例は、ML モデルのトレーニング用に設計されたGensynです。

分散型ネットワークは、コンピューティング能力へのアクセスを民主化します。これにより、トレーニング、アルゴリズムの微調整、ユーザークエリの処理など、さらに計算集約的なタスクにかかるコストが削減されます。

しかし、コミュニティは分散リソース上での ML モデルのトレーニング速度を懸念しています。Alliance メンバーであり Volt Capital のパートナーでもある Mohamed Fouda 氏によると、集中型の方法よりも 1 桁、あるいは 2 桁も遅くなる可能性があるとのことです。

チームは既に分散学習プロセスの最適化に取り組んでいます。Together の開発者は理論的にボトルネックを解消するソリューションを作成し、Gensyn はさまざまなハードウェアをネットワークに接続することで生じる問題を軽減しようとしていました。

しかし、コミュニティはコストを節約するために、学習の遅さを妥協しなければならない可能性が高いでしょう。

開示情報ゼロの機械学習

ゼロ知識機械学習 (ZKML)に焦点を当てたプロジェクトを個別に取り上げたいと思います。

コンピューティング ネットワークの正しい動作を保証するために、信頼できる実行環境 (TEE)やレピュテーション モデルなどのさまざまなメカニズムが使用されます。ただし、それぞれのアプローチには独自の制限と欠点があります。たとえば、TEE には潜在的なハードウェア攻撃ベクトルが存在する可能性があります。

そのため、新しい一連のプロジェクト (Gensyn、 Modulus Labs 、 Giza ) では、ゼロ知識証明 (ZKP) を適用して ML の計算整合性を検証する実験を開始しています。

ZKP は、一方の当事者 (証明当事者) がもう一方の当事者 (検証当事者) に対して、追加情報を公開することなく主張の真実性を確認できる暗号化プロトコルです。このプロトコルは、開発者がスケーラブルで安全なアプリケーションを構築できるため、ブロックチェーン業界で非常に人気があります。

機械学習に適用すると、ZKP は必要に応じて入力データの一部またはモデル自体を非表示にします。これは、医療や金融などの規制の厳しい業界でアルゴリズムが機能している場合に特に重要です。

ZKML には他にも利点があります。たとえば、この方法を使用すると、特定のアルゴリズムが厳密に定義されたデータセットでトレーニングされたことを証明できます。独自の AI の場合、同じモデルがすべてのユーザーに利用可能であることを検証することもできます。

このアプローチの欠点は、証拠を生成するプロセス自体にあります。これはリソースを大量に消費するタスクであり、元の操作よりも実行コストが高くなる可能性があります。つまり、場合によっては、計算が非現実的であることを意味します。

それでも、ZKML は AI 業界にとって分散化のベクトルであり、限られたプレーヤーの手に技術が集中することが懸念される状況では重要です。

コンテンツ認証

生成AIの開発と普及により、リアルなディープフェイクが出現した。例としては、バレンシアガのダウンジャケットを着たフランシスコ教皇の捏造画像や、ペンタゴン付近の爆撃現場のビデオなどがある。

暗号署名は、このようなディープフェイクに対抗するために使用できます。コンテンツ作成者の身元は、秘密鍵と公開鍵のペアを照合することで検証されます。実装の一例は、分散型ソーシャル ネットワークです。Lens プロトコル ベースのプロジェクトは、ユーザー アカウントをパブリック ブロックチェーンのアドレスにリンクし、識別を簡素化します。

Bundlr チームと Arweave チームは、業界全体の標準にも取り組んでいます。Arweave は、分散レジストリに記録されたデジタル コンテンツに不変の暗号署名とタイムスタンプを統合することを要求する仕様を導入することを構想しています。

AIとブロックチェーンの相乗効果で効率化へ

長期的には、ブロックチェーンはニューラルモデルのトレーニングの効率を向上させ、業界の研究の実施方法を変える可能性があります。

ブロックチェーンに関する研究は、初期には学術界で行われていましたが、現在では大手テクノロジー企業が主導しています。この状況では、協力のインセンティブや機会が不足しているため、地元の研究室や個人の参加が制限されています。

Bittensorのような分散型プラットフォームは、問題を解決できます。これらは、参加者が開発への貢献に対して報酬を受け取り、モデルをトレーニングするためのデータを共有できるマーケットプレイスです。このようなプラットフォームは、オープンソース AI を作成するときに特に魅力的です。

ブロックチェーンは、人間のフィードバックによる強化学習 (RLHF)の適用も容易にします。これは、ニューラル モデルを微調整するためにプロセスに人間のフィードバックを組み込む方法です。

RLHF を使用すると、モデルを「磨く」ことができ、不正確な結果や偏った結果の数を減らすことができます。たとえば、 OpenAI はこれを使用してGPT-3 をデバッグし、ChatGPT を開発しました。

微調整によりアルゴリズムのパフォーマンスが向上し、ドメイン固有の専門知識を獲得できるようになります。このような高度に専門化されたモデルの需要が高まるにつれて、専門家によるフィードバックの必要性も高まります。

Multicoin は、トークンの形でのインセンティブ支払いを通じて RLHF を拡張する方法を提案しています。ただし、このアプローチには少なくとも 2 つの問題があります。

• 専門家は報酬としてトークンを受け取ることに同意する必要があり、これにより学習プロセスに関与する個人の範囲が制限されます。

• このようなシステムは、フィードバックの精度を維持するために、操作的な攻撃から保護する必要があります。

  
  

しかし、 Hivemapperのようなプロジェクトではすでにこの方法が実践されています。

スマートコントラクトはどの程度インテリジェントになるのでしょうか?

ブロックチェーン プラットフォームでは、インフラストラクチャからアプリケーションまで、さまざまなレベルで人工知能を活用できる領域が数多くあります。

しかし、暗号通貨業界にとって最も興味深いシナリオは、AI が分散型台帳で直接動作するシナリオです。一般的に、アルゴリズムのアクティビティをブロックチェーンに移行するには 2 つの方法があります。

• 自律エージェントがWeb3 インフラストラクチャを使用して支払いを行い、デジタル リソースにアクセスできるようにします。
• ニューラル モデルが ZKML を介してスマート コントラクトと対話できるようにします。

面白いですね。

自律エージェントへの支払いとリソース

自律経済エージェント (AEA) は、機械学習アルゴリズムに基づく自律システムであり、所有者がプロセスに直接介入することなく、所有者に代わって特定のタスクを実行します。

専門家は、技術が進歩するにつれて、 AEA がより高度に専門化され、「マルチエージェントシステム」が急増すると予想しています。

これにより、一部のエージェントが他のエージェントを「雇用」し、特定のタスクを実行する報酬を支払うことができる市場の出現が伴います。この文脈では、いくつかの理由から、暗号通貨による支払いが法定通貨による支払いよりも好ましいものとなる可能性があります。

• 現行法では、AEA が銀行口座を開設したり、口座保有者の口座を使用して国境を越えた取引を行うことは許可されていません。
• 暗号通貨は信頼できる仲介者の必要性を排除します。
• ブロックチェーン インフラストラクチャにより、より迅速で安価な決済が可能になります。

AEA は、支払いおよび分散型物理インフラストラクチャ ネットワーク (DePIN ) と対話できるようになります。DePIN はハードウェア デバイスを統合します。前述のコンピューティング システムもこのセグメントに該当します。

DePIN により、AI はディスク容量やコンピューティング能力などのデジタル リソースにアクセスできるようになります。たとえば、アルゴリズムで 3D モデルを作成する必要がある場合、集中型ソリューションに頼るのではなく、レンダリングにはRender Networkを使用し、データ ストレージにはArweave を使用できます。

スマートコントラクトへのAIの統合

スマート コントラクトに AI モデルを適用すると、その機能が大幅に拡張されます。ニューラル ネットワークは革新的なユース ケースへのアクセスを可能にするだけでなく、既存のツールの効率も向上させます。

この統合の多くは、ブロックチェーンにアルゴリズムを導入することに関連する高い計算コストによって妨げられています。ただし、ZKP を使用してオフチェーン モデルの正確な実行を検証すると、関連する証拠のみを分散レジストリに配置できるため、この問題を解決できます。

このようなアプローチにより、スマート コントラクトは、ハードコードされた一連のルールに制限されることなく、動的なデータに基づいて決定を下すことができます。これにより、スマート コントラクトはより自律的、柔軟、かつ洗練されたものになります。

ZKML は、DeFi、GameFi、DeSo (分散型ソーシャル)、DePIN など、複数の業界分野で使用できます。

たとえば、分散型金融アプリケーションでは、 AI は現在のネットワーク パラメータに基づいてプロトコル パラメータを調整できます。考えられるユースケースの 1 つは、ML モデルを使用して担保係数をリアルタイムで調整する貸付プロトコルです。

その他のシナリオには、自動財務管理、クレジットオンチェーンスコアリング、 AMM 流動性管理などがあります。

結論

現在、AI 業界と Web3 業界の間には、基本的なロジック レベルで矛盾があります。前者は高度に集中化されていますが、後者は広範な分散化の原則に基づいて構築されています。この状況により、アプリケーションの統合が困難になる場合があります。

しかし、同じ矛盾により、これら 2 つの分野の製品は効果的に補完し合い、相互の発展を促進することができます。

ブロックチェーンが将来のニューラル モデルの基盤となることや、アルゴリズムが分散型プラットフォームの中核で実行されることは保証されていません。

しかし、この 2 つのテクノロジーを組み合わせることで、多くの新しい物語が生まれ、その中にはかなり実現可能なものもあるだろうと断言できます。