暗号 X AI はもう流行っていない？ 見逃しているかもしれない高潜在のストーリー方向をざっと見てみよう。
最初のWeb3-AIの熱潮は、主に実際から離れた価値提案に集中していましたが、今は実行可能なソリューションの構築に焦点を移すべきです。編纂：深潮TechFlow
暗号とAI：すでに行き詰まっているのか？
2023年、Web3-AIは一時的に話題となりました。
しかし今、模倣者や実際の用途のない巨額プロジェクトで溢れています。
以下は避けるべき誤解と注目すべきポイントです。
概要
IntoTheBlockのCEO @jrdothoughtsが最近の記事で彼の見解を共有しました。
彼は以下について議論しました：
a. Web3-AIの核心的な課題
b. 過剰に誇張されたトレンド
c. 高い潜在能力を持つトレンド
私はあなたのために各ポイントを要約しました！さあ、見てみましょう：
市場の現状
現在のWeb3-AI市場は過剰に誇張され、資金が注入されています。
多くのプロジェクトはAI業界の実際のニーズと乖離しています。
この乖離は混乱をもたらしますが、洞察力のある人々に機会を生み出しています。
（感謝 @coinbase）
核心的な課題
Web2とWeb3 AIの間のギャップは拡大しており、主な理由は三つです：
限られたAI研究人材
制限されたインフラ
不十分なモデル、データ、計算リソース
生成的AIの基礎
生成的AIはモデル、データ、計算リソースの三つの要素に依存しています。
現在、主要なモデルはWeb3インフラに最適化されていません。
初期の資金は、AIの現実から乖離したいくつかのWeb3プロジェクトを支援しました。
過大評価されたトレンド
多くの誇張がある中で、すべてのWeb3-AIのトレンドが注目に値するわけではありません。
以下は@jrdothoughtsが最も過大評価されていると考えるいくつかのトレンドです：
a. 分散型の GPU ネットワーク
b. ZK-AIモデル
c. 推論証明（感謝 @ModulusLabs ）
分散型のGPUネットワーク
これらのネットワークはAIトレーニングの民主化を約束しています。
しかし、実際には、分散型インフラ上で大規模モデルをトレーニングするのは遅く、現実的ではありません。
このトレンドはその高い約束を果たしていません。
ゼロ知識AIモデル
ゼロ知識AIモデルはプライバシー保護の面で魅力的に見えます。
しかし実際には、計算コストが高く、説明が難しいです。
これにより、大規模な応用にはあまり実用的ではありません。
（感謝 @oraprotocol）
図中の情報：
b) 現在、オーバーヘッドは1000倍に達しています。
しかし、このアプローチは実用化には大きなギャップがあり、特にVitalikが説明したようなユースケースには適していません。以下はいくつかの例です：
zkMLフレームワークEZKLは、1M-nanoGPTモデルの証明を生成するのに約80分かかります。
Modulus Labsのデータによると、zkMLのオーバーヘッドは純計算の1000倍以上で、最新の報告では1000倍とされています。
EZKLのベンチマークによると、RISC Zeroはランダムフォレスト分類タスクにおける平均証明時間が173秒です。
推論証明
推論証明フレームワークはAIの出力に暗号的証明を提供します。
しかし、@jrdothoughtsはこれらのソリューションが存在しない問題を解決していると考えています。
したがって、現実世界での応用は限られています。
高い潜在能力を持つトレンド
いくつかのトレンドは過剰に誇張されていますが、他のトレンドは顕著な潜在能力を持っています。
以下は、真の機会を提供する可能性のある過小評価されたトレンドです：
a. ウォレットを持つ AI エージェント
b. 暗号通貨が AI に資金を提供
c. 小型基盤モデル
d. 合成データ 生成
ウォレットを持つAIエージェント
暗号通貨を通じて金融能力を持つAIエージェントを想像してみてください。
これらのエージェントは他のエージェントを雇ったり、資金をステーキングして品質を確保することができます。
もう一つの興味深い応用は、@vitalikbuterinが言及した「予測エージェント」です。
暗号通貨がAIに資金を提供
生成的AIプロジェクトは通常、資金不足に直面しています。
暗号通貨の効率的な資本形成方法、例えばエアドロップやインセンティブは、オープンソースAIプロジェクトに重要な資金を提供します。
これらの方法は革新を促進するのに役立ちます。
（感謝 @oraprotocol）
小型基盤モデル
小型基盤モデル、例えばマイクロソフトのPhiモデルは、少ないことが多いという理念を示しています。
1B-5Bパラメータを持つモデルは分散型AIにとって重要であり、強力なデバイスサイドAIソリューションを提供できます。
（出典：@microsoft）
合成データ生成
データの不足はAIの発展における主要な障害の一つです。
基盤モデルによって生成された合成データは、現実世界のデータセットを効果的に補完できます。
誇張を克服する
初期のWeb3-AIの熱潮は、いくつかの現実から乖離した価値提案に集中していました。
@jrdothoughtsは、今こそ実行可能なソリューションの構築に焦点を移すべきだと考えています。
注意が移る中で、AI分野は依然として機会に満ちており、鋭い目で発見を待っています。
この記事は教育目的のみであり、財務アドバイスではありません。@jrdothoughtsの貴重な見解に感謝します。
