分散型 AI マーケットプレイスを成功させるには、AI と Web3 の利点を緊密に組み合わせ、分散型、資産権利確認、収入分配、分散型コンピューティング能力の付加価値を活用し、AI アプリケーションの敷居を下げ、開発者によるアップロードと分散化を奨励する必要があります。ユーザーのデータプライバシー権を保護しながらモデルを共有し、ユーザーのニーズを満たす開発者にとって使いやすい AI リソースの取引および共有プラットフォームを構築します。
データベースの AI 市場には、より大きな可能性があります。廃止されたモデルのマーケットプレイスには、多数の高品質モデルのサポートが必要ですが、初期のプラットフォームにはユーザー ベースと高品質リソースが不足しているため、優れたモデル プロバイダーが高品質モデルを引き付けることが困難になっています。データベースのマーケットプレイスは分散型で分散型です。収集、インセンティブ層の設計、およびデータ所有権の保証により、大量の貴重なデータとリソース、特にプライベート ドメイン データを蓄積できます。ただし、データ マーケットプレイスはデータ プライバシー保護の課題にも対処する必要があり、その解決策には、ユーザーがプライバシー レベルの設定をカスタマイズできるようにする、より柔軟なポリシーの設計が含まれます。
分散型 AI マーケットプレイスの成功は、ユーザー リソースの蓄積と強力なネットワーク効果にかかっており、ユーザーと開発者は、市場の外で得るよりも多くの価値を市場から得ることができます。市場の初期段階では、ユーザーを引き付けて維持するために高品質のモデルを蓄積することに重点が置かれ、その後、高品質のモデル ライブラリとデータ障壁を確立した後、より多くのエンド ユーザーを引き付けて維持することに変わります。さらに、優れた AI マーケットプレイスは、すべての当事者の利益の間のバランスを見つけ、データの所有権、モデルの品質、ユーザーのプライバシー、コンピューティング能力、インセンティブ アルゴリズムなどの要素を適切に処理する必要があります。
1. Web3 の AI マーケットプレイス
1.1 Web3分野におけるAIトラックのレビュー
まず、先ほど述べた AI と暗号通貨の組み合わせの 2 つの一般的な方向性、ZKML と分散型コンピューティング パワー ネットワークを確認します👇
AI マーケットプレイスはそれほど新しい概念ではなく、Hugging Face はおそらく最も成功した AI マーケットプレイスです (トランザクションと価格設定メカニズムがないことを除けば)。 NLP の分野では、Hugging Face は、開発者とユーザーがさまざまな事前トレーニング済みモデルを共有して使用できる、非常に重要でアクティブなコミュニティ プラットフォームを提供します。
Hugging Face の成功から、AI マーケットプレイスには次のものが必要であることがわかります。
a. モデル リソース
Hugging Face は、さまざまな NLP タスクをカバーする事前トレーニングされたモデルを多数提供します。この豊富なリソースが多くのユーザーを惹きつけ、活発なコミュニティを形成し、ユーザーを蓄積する基盤となっています。
b. オープンソースの精神 + 普及と共有
Hugging Face は、開発者がモデルをアップロードして共有することを奨励します。このオープンさと共有の精神により、コミュニティの活力が高まり、最新の研究結果が多数のユーザーに迅速に活用されることが可能になります。これは優れた開発者とモデルの蓄積に基づいており、研究成果の検証と推進が効率化されます。
c. 開発者に優しい + 使いやすい
Hugging Face は使いやすい API とドキュメントを提供し、開発者が提供するモデルをすぐに理解して使用できるようにします。これにより、使用の敷居が低くなり、ユーザー エクスペリエンスが向上し、より多くの開発者を惹きつけることができます。
Hugging Face にはトランザクション メカニズムはありませんが、それでも AI モデルの共有と使用のための重要なプラットフォームを提供します。したがって、AI マーケットプレイスが業界全体にとって貴重なリソースとなる機会があることもわかります。
分散型 AI マーケットプレイスの概要:
上記の要素に基づいて、分散型 AI マーケットプレイスはブロックチェーン技術に基づいており、ユーザーが独自のデータとモデル資産の所有権を持つことができます。 Web3 がもたらす価値はインセンティブやトランザクションの仕組みにも反映されており、ユーザーはシステムを通じて適切なモデルを自由に選択またはマッチングできると同時に、独自のトレーニング済みモデルを店頭に並べてメリットを得ることができます。
ユーザーは独自の AI 資産の所有権を持ち、AI マーケットプレイス自体はデータやモデルを制御できません。むしろ、市場の発展はユーザーベースと、その結果として蓄積されるモデルとデータに依存します。この蓄積は長期的なプロセスですが、徐々に製品の壁を確立していくプロセスでもあり、市場の発展はユーザーの数、ユーザーがアップロードするモデルやデータの量と質によって支えられています。
Web3 プロジェクトが合理的かどうかを判断するために、最も重要なポイントの 1 つは、仮想通貨に対する仮想通貨であるか、Web3 がもたらす価値を最大化するプロジェクトであるか、Web3 の追加が差別化をもたらすかどうかです。明らかに、Web3 がこの AI 市場にもたらす付加価値は、権利確認、収入分配、コンピューティング能力に代わるものではありません。
優れた Web3 AI マーケットプレイスは AI と暗号を密接に統合できると思います。最も完璧な組み合わせは、AI 市場が Web3 にどのようなアプリケーションやインフラをもたらすことができるかではなく、Web3 が AI 市場に何を提供できるかです。もちろん、例えば各ユーザーが独自のAIモデルやデータの所有権を持つことができ（AIモデルやデータをNFTとしてカプセル化するなど）、それらをコモディティとして取引することもできるため、Web3をうまく活用して遊ぶことができます価値。これは、AI 開発者やデータプロバイダーのモチベーションを高めるだけでなく、AI の応用範囲をより広範なものにします。モデルが十分に優れている場合、所有者はそれを共有するために他の人にアップロードするという強い動機を持ちます。
同時に、分散型 AI マーケットプレイスでは、モデル、データの販売とリース、タスクのクラウドソーシングなど、いくつかの新しいビジネス モデルが導入される可能性があります。
大規模モデルには強力な推論機能がありますが、全能ではありません。多くの場合、特定のタスクやシナリオに合わせて微調整すると、より良い結果が得られ、より実用的になります。したがって、需要側から見ると、ユーザーはさまざまなシナリオで有用なモデルを入手するために AI モデル市場を必要とし、開発者にとっては、モデルを開発するための優れたリソースの利便性を提供し、自身の専門知識を通じてメリットを得ることができるプラットフォームを必要としています。
トークンのインセンティブや、モデルの所有権の物語だけでは十分ではありません。実用的な観点から見ると、プラットフォーム上の高品質なモデルは製品全体の核となり、優れたモデルは通常、非常に高い経済価値を意味します。モデルプロバイダーの観点から見ると、高品質のモデルを AI 市場に展開するには十分な動機が必要ですが、トークンと所有権によってもたらされるインセンティブは、モデルの価値に対する期待に応えることができるでしょうか?初期の段階でユーザーベースが不足していたプラットフォームにとって、それが到達するには程遠いのは明らかです。よほど優れたモデルがなければビジネスモデル全体が成立しません。したがって、問題は、初期段階でエンドユーザーがいない場合に、モデルプロバイダーに十分な収益をもたらすにはどうすればよいかということになります。
データ自体は、この種の AI 市場における競争の障壁となるのに適しています。まず、優れたインセンティブ層と安全なプライバシー保証により、より多くの個人投資家がプロトコル全体に参加し、データを提供できるようになります。また、ユーザー数が増加するにつれて、データの質と量も増加します。これにより、コミュニティ効果やネットワーク効果が生まれ、より大きな価値と広がりを提供できる市場となり、新規ユーザーにとってより魅力的な市場となる、これが市場の障壁を確立するプロセスです。
基本的に、データドリブンな AI マーケットプレイスを作るために最も重要なことは、次の 4 つのポイントです。
プライバシーが AI + Web3 を制限するボトルネックになるでしょうか?現在の開発から判断すると、Web3 における AI の着地点の方向性は徐々に明らかになってきていますが、どのアプリケーションでもプライバシーの話題を避けることはできないようです。分散型コンピューティング能力は、モデルのトレーニングとモデルの推論の両方でデータとモデルの整合性を確保する必要があります。プライバシー; zkml が確立される条件は、モデルが悪意のあるノードによって悪用されないことを保証することです。
AI マーケットプレイスは、ユーザーが自分のデータを確実に管理できるように構築されているため、ユーザー データは分散分散された方法で収集されますが、すべてのノードが生のデータに直接アクセスして収集、処理、保存、使用する必要はありません。データ。完全準同型暗号化を例に挙げると、現在の暗号化方式は使用上のボトルネックに直面しています。
計算の複雑さ: FHE は従来の暗号化方式よりも複雑であるため、完全準同型暗号化下での AI モデルのトレーニングの計算オーバーヘッドが大幅に増加し、モデルのトレーニングが非常に非効率になり、さらには実現不可能になります。したがって、完全準同型暗号化は、深層学習モデルのトレーニングなど、大量のコンピューティング リソースを必要とするタスクには理想的ではありません。
したがって、分散型 AI 市場の議論ではデータの多様性を考慮する必要があります。最も重要なのはバランスです*。ユーザーの参加とプラットフォームのリソースの豊富さを最大限に高めるには、ユーザーがプライバシー レベルの設定をカスタマイズできるようにする、より柔軟な戦略を設計する必要があります。すべてのデータが最高レベルのプライバシーを必要とするわけではありません。
分散型 AI マーケットプレイスが強力なネットワーク効果を形成すると、より多くのユーザーと開発者が粘着するようになります。ユーザー数の増加はデータとモデルの質と量の増加につながり、市場がより成熟するからです。さまざまな興味に動かされたユーザーは、市場からより多くの価値を獲得します。少数のユーザーが離脱を選択する可能性もありますが、この場合の新規ユーザーの成長率は理論的には鈍化せず、市場は発展し続け、より大きな価値を提供することができます。
インセンティブ
インセンティブ層が適切に設計されていれば、参加者数が増加し、さまざまなリソースが蓄積されるにつれて、参加者全員が得られる利益もそれに応じて増加します。分散型 AI マーケットプレイスは、ユーザーがデータやモデルを取引するためのプラットフォームを提供するだけでなく、ユーザーが独自のデータやモデルから利益を得るメカニズムも提供する可能性があります。たとえば、ユーザーは自分のデータを販売したり、他人に自分のモデルを使用させたりすることで報酬を受け取ります。
分散型AI市場においてプロジェクト当事者はプラットフォームをマッチングして提供する役割しか担っていませんが、本当の障壁となるのはユーザー数の蓄積によってもたらされるデータやモデルの蓄積です***。ユーザーには市場から撤退する自由がありますが、成熟した AI マーケットプレイスでは、多くの場合、市場の外で得られるよりも多くの価値を市場から得ることができるため、ユーザーには市場から撤退するインセンティブがありません。
Foresight Ventures: 分散型 AI マーケットプレイスにおける最良の試み
TL;DR
1. Web3 の AI マーケットプレイス
1.1 Web3分野におけるAIトラックのレビュー
まず、先ほど述べた AI と暗号通貨の組み合わせの 2 つの一般的な方向性、ZKML と分散型コンピューティング パワー ネットワークを確認します👇
ZKML
ZKML は AI モデルを 透明 + 検証可能にします。これは、モデル アーキテクチャ、モデル パラメーターと重み、モデル入力の 3 つの要素がネットワーク全体で確実に検証できることを意味します。 ZKML の重要性は、分散化とトラストレスを犠牲にすることなく、Web3 の世界に価値の次の段階を創造し、より広範なアプリケーションを実行し、より大きな可能性を生み出す能力を提供することです。
Foresight Ventures: AI + Web3 = ?
コンピューティングパワーネットワーク
コンピューティング リソースは今後 10 年間で主な戦場となり、ハイパフォーマンス コンピューティング インフラストラクチャへの将来の投資は飛躍的に増加するでしょう。分散型コンピューティング能力の応用シナリオは、モデル推論とモデル トレーニングの 2 つの方向に分かれており、AI の大規模モデル トレーニングの需要が最も大きいものの、最大の課題と技術的なボトルネックにも直面しています。これには、複雑なデータ同期の必要性やネットワークの最適化の問題が含まれます。モデル推論を実装する機会が増えており、予測できる将来の増分スペースも十分に大きくなります。
**1.2 AI マーケットプレイスとは何ですか? **
AI マーケットプレイスはそれほど新しい概念ではなく、Hugging Face はおそらく最も成功した AI マーケットプレイスです (トランザクションと価格設定メカニズムがないことを除けば)。 NLP の分野では、Hugging Face は、開発者とユーザーがさまざまな事前トレーニング済みモデルを共有して使用できる、非常に重要でアクティブなコミュニティ プラットフォームを提供します。
a. モデル リソース
Hugging Face は、さまざまな NLP タスクをカバーする事前トレーニングされたモデルを多数提供します。この豊富なリソースが多くのユーザーを惹きつけ、活発なコミュニティを形成し、ユーザーを蓄積する基盤となっています。
b. オープンソースの精神 + 普及と共有
Hugging Face は、開発者がモデルをアップロードして共有することを奨励します。このオープンさと共有の精神により、コミュニティの活力が高まり、最新の研究結果が多数のユーザーに迅速に活用されることが可能になります。これは優れた開発者とモデルの蓄積に基づいており、研究成果の検証と推進が効率化されます。
c. 開発者に優しい + 使いやすい
Hugging Face は使いやすい API とドキュメントを提供し、開発者が提供するモデルをすぐに理解して使用できるようにします。これにより、使用の敷居が低くなり、ユーザー エクスペリエンスが向上し、より多くの開発者を惹きつけることができます。
Hugging Face にはトランザクション メカニズムはありませんが、それでも AI モデルの共有と使用のための重要なプラットフォームを提供します。したがって、AI マーケットプレイスが業界全体にとって貴重なリソースとなる機会があることもわかります。
分散型 AI マーケットプレイスの概要:
上記の要素に基づいて、分散型 AI マーケットプレイスはブロックチェーン技術に基づいており、ユーザーが独自のデータとモデル資産の所有権を持つことができます。 Web3 がもたらす価値はインセンティブやトランザクションの仕組みにも反映されており、ユーザーはシステムを通じて適切なモデルを自由に選択またはマッチングできると同時に、独自のトレーニング済みモデルを店頭に並べてメリットを得ることができます。
ユーザーは独自の AI 資産の所有権を持ち、AI マーケットプレイス自体はデータやモデルを制御できません。むしろ、市場の発展はユーザーベースと、その結果として蓄積されるモデルとデータに依存します。この蓄積は長期的なプロセスですが、徐々に製品の壁を確立していくプロセスでもあり、市場の発展はユーザーの数、ユーザーがアップロードするモデルやデータの量と質によって支えられています。
**1.3 Web3 の AI マーケットプレイスに注目する理由は何ですか? **
1.3.1 コンピューティング能力アプリケーションの一般的な方向性と互換性がある
通信のプレッシャーやその他の理由により、トレーニング ベース モデルに分散型コンピューティング能力を実装することは難しいかもしれませんが、微調整に対するプレッシャーははるかに小さいため、集中型モデルの実装に最適なシナリオの 1 つになる可能性があります。コンピューティング電力ネットワーク。
ちょっとした背景知識: 微調整ステージの方が着地しやすい理由
Foresight Ventures: 分散型コンピューティング パワー ネットワークに関する合理的な見解
AI モデルのトレーニングは、事前トレーニングと微調整に分かれています。事前学習には大量のデータと多くの計算が含まれますので、詳しくは上記の記事の分析を参照してください。微調整は基本モデルに基づいており、タスク固有のデータを使用してモデル パラメーターを調整することで、モデルの特定のタスクに対するパフォーマンスが向上します。モデルの微調整段階で必要なコンピューティング リソースは、事前の段階で必要なコンピューティング リソースよりもはるかに小さくなります。トレーニング段階. 主な理由は 2 つあります。
たとえば、GPT3 を例にとると、事前トレーニング フェーズではトレーニングに 45 TB のテキスト データが使用されますが、微調整フェーズでは最大 5 GB のデータしか必要としません。事前トレーニング段階のトレーニング時間は数週間から数か月かかりますが、微調整段階には数時間から数日しかかかりません。
1.3.2 AI と暗号通貨の交差点の出発点
Web3 プロジェクトが合理的かどうかを判断するために、最も重要なポイントの 1 つは、仮想通貨に対する仮想通貨であるか、Web3 がもたらす価値を最大化するプロジェクトであるか、Web3 の追加が差別化をもたらすかどうかです。明らかに、Web3 がこの AI 市場にもたらす付加価値は、権利確認、収入分配、コンピューティング能力に代わるものではありません。
優れた Web3 AI マーケットプレイスは AI と暗号を密接に統合できると思います。最も完璧な組み合わせは、AI 市場が Web3 にどのようなアプリケーションやインフラをもたらすことができるかではなく、Web3 が AI 市場に何を提供できるかです。もちろん、例えば各ユーザーが独自のAIモデルやデータの所有権を持つことができ（AIモデルやデータをNFTとしてカプセル化するなど）、それらをコモディティとして取引することもできるため、Web3をうまく活用して遊ぶことができます価値。これは、AI 開発者やデータプロバイダーのモチベーションを高めるだけでなく、AI の応用範囲をより広範なものにします。モデルが十分に優れている場合、所有者はそれを共有するために他の人にアップロードするという強い動機を持ちます。
同時に、分散型 AI マーケットプレイスでは、モデル、データの販売とリース、タスクのクラウドソーシングなど、いくつかの新しいビジネス モデルが導入される可能性があります。
1.3.3 AI アプリケーションの敷居を下げる
誰もが独自の人工知能モデルをトレーニングできるはずですし、トレーニングできるようになります。そのためには、ベース モデル、ツール、データ、コンピューティング能力などのリソース サポートを提供するための十分に低いしきい値を持つプラットフォームが必要です。
1.3.4 需要と供給
大規模モデルには強力な推論機能がありますが、全能ではありません。多くの場合、特定のタスクやシナリオに合わせて微調整すると、より良い結果が得られ、より実用的になります。したがって、需要側から見ると、ユーザーはさまざまなシナリオで有用なモデルを入手するために AI モデル市場を必要とし、開発者にとっては、モデルを開発するための優れたリソースの利便性を提供し、自身の専門知識を通じてメリットを得ることができるプラットフォームを必要としています。
2 番目、モデルベースとデータベース
2.1 モデル市場
モデル
ツールをセールスポイントとして、リンクの最初のリンクとして使用するプロジェクトでは、市場への供給を確立するために、初期段階で高品質のモデルを展開するのに十分なモデル開発者を引き付ける必要があります。
このモードでは、開発者を引き付ける主なポイントは、便利で使いやすいインフラとツールです。データは開発者自身の能力と、特定の分野の経験豊富な人々がなぜ価値を生み出すことができるかに依存します。この分野のデータには必要なものがあります。開発者は、パフォーマンスが向上したモデルを収集して微調整します。
考え
最近、AIマーケットプレイスとweb3を組み合わせたプロジェクトをよく見かけますが、私が思うのは、分散型AIモデル市場を作るというのは間違った命題なのでしょうか？
まず、web3 が提供できる価値とは何なのかを考える必要があります。
トークンのインセンティブや、モデルの所有権の物語だけでは十分ではありません。実用的な観点から見ると、プラットフォーム上の高品質なモデルは製品全体の核となり、優れたモデルは通常、非常に高い経済価値を意味します。モデルプロバイダーの観点から見ると、高品質のモデルを AI 市場に展開するには十分な動機が必要ですが、トークンと所有権によってもたらされるインセンティブは、モデルの価値に対する期待に応えることができるでしょうか?初期の段階でユーザーベースが不足していたプラットフォームにとって、それが到達するには程遠いのは明らかです。よほど優れたモデルがなければビジネスモデル全体が成立しません。したがって、問題は、初期段階でエンドユーザーがいない場合に、モデルプロバイダーに十分な収益をもたらすにはどうすればよいかということになります。
2.2 データ マーケットプレイス
インセンティブ層の設計と、データにラベルを付けるユーザーだけでなく、より多くのデータプロバイダーをオンボードするデータ所有権の物語を通じた、分散型データ収集に基づいています。暗号通貨の恩恵により、プラットフォームには一定期間内に大量の貴重なデータ、特に現在不足しているプライベート ドメイン データを蓄積する機会があります。
私が最も興奮しているのは、このボトムアップ開発モデルがクラウドファンディング ゲームに似ているということです。どんなに経験豊富な人であっても、現場で完全なデータを持つことは不可能であり、Web3が提供できる価値の1つは、パーミッションレスで分散的なデータ収集です。このモデルは、さまざまな分野の専門知識とデータを集中させるだけでなく、より大きなユーザー グループに AI サービスを提供することもできます。単一のユーザー自身のデータと比較して、これらのクラウドファンディング データは多数の実際のユーザーの実際のシナリオから収集されているため、単一のソースから収集されたデータよりも現実世界の複雑さと多様性をよりよく反映することができ、モデルの汎化能力と堅牢性により、AI モデルはさまざまな環境で適切に実行できます。
たとえば、ある人は栄養学の経験が豊富で、多くのデータを蓄積しているかもしれませんが、個人データだけでは優れたモデルをトレーニングするには十分ではありません。ユーザーはデータを共有すると同時に、プラットフォーム上の同じ分野やネットワークを介して他のユーザーが提供した貴重なデータにアクセスして利用し、より良い微調整効果を実現することもできます。
考え
この観点から見ると、分散型データ市場を構築するという試みも良いかもしれない。データは、しきい値が低く、実稼働リンクが短く、プロバイダー密度が広い「商品」として、web3 が提供できる価値をより有効に活用できます。インセンティブアルゴリズムとデータ確認メカニズムは、ユーザーにデータをアップロードする動機を与えることができます。現在のモデルでは、データは 1 回限りの商品に近く、一度使用されるとほとんど価値がなくなります。分散型AIモデル市場では、ユーザーデータを繰り返し利用して恩恵を受けることができ、データの価値がより長期間にわたって実現されます。
ユーザーを蓄積するためのエントリ ポイントとしてデータを使用するのは良い選択のようです。大きなモデルの中核および障壁の 1 つは、高品質で多次元のデータです。多数のデータ プロバイダーが参加した後、これらの人々はエンドユーザーまたはモデルプロバイダーにさらに変身する機会があります。これに基づく AI マーケットプレイスは、確かに優れたモデルの基礎となる価値を提供し、アルゴリズム エンジニアにモデルのトレーニングの観点からプラットフォーム上でモデルに貢献する動機を与えることができます。
このダイナミクスは 0 から 1 への変化です。 現在、大企業は大量のデータを保有しているため、より正確なモデルをトレーニングできるようになり、中小企業や個人の開発者が競争することが難しくなりました。ユーザーが特定の分野で非常に価値のあるデータを持っていたとしても、より大きなセットのデータが連携しなければ、その小さな部分のデータに価値を持たせることは困難です。しかし、分散型市場では誰もがデータを取得して使用する機会があり、これらの専門家が貴重な増分データを持ってプラットフォームに参加するため、プラットフォームのデータの質と量がさらに向上し、誰もが優れたモデルをトレーニングし、AI イノベーションを促進することさえできます。
データ自体は、この種の AI 市場における競争の障壁となるのに適しています。まず、優れたインセンティブ層と安全なプライバシー保証により、より多くの個人投資家がプロトコル全体に参加し、データを提供できるようになります。また、ユーザー数が増加するにつれて、データの質と量も増加します。これにより、コミュニティ効果やネットワーク効果が生まれ、より大きな価値と広がりを提供できる市場となり、新規ユーザーにとってより魅力的な市場となる、これが市場の障壁を確立するプロセスです。
基本的に、データドリブンな AI マーケットプレイスを作るために最も重要なことは、次の 4 つのポイントです。
**このシナリオでモデルのプロバイダーが重要な要素としてリストされていないのはなぜですか? **
主な理由は上記の 4 点に基づいており、優れたモデルプロバイダーに参加してもらうのが合理的です。
2.3 データ市場の価値と課題
プライベート ドメイン データ
プライベート ドメイン データの価値は、特定のドメインにおける入手が困難な固有の情報にあり、これは AI モデルを微調整する場合に特に重要です。プライベート ドメイン データを使用すると、特定のシナリオでパブリック データセットでトレーニングされたモデルよりも優れたパフォーマンスを発揮する、より正確でパーソナライズされたモデルを作成できます。
現在、基本モデルの構築プロセスでは大量の公開データが入手できるため、Web3 データ市場の焦点はこれらのデータに集中していません。現在、トレーニング中にプライベート ドメイン データをどのように取得および追加するかがボトルネックとなっていますが、プライベート ドメイン データとパブリック データセットを組み合わせることで、多様な問題やユーザー ニーズへのモデルの適応性とモデルの精度を高めることができます。
たとえば、医療および健康シナリオを例に挙げると、プライベート ドメイン データを使用する AI モデルは、通常、予測精度を 10% ～ 30% 向上させることができます。スタンフォード大学の研究によれば、プライベートドメインの医療データを使用したディープラーニングモデルは、公的データを使用したモデルよりも肺がんの予測精度が 15% 高い
データのプライバシー
プライバシーが AI + Web3 を制限するボトルネックになるでしょうか?現在の開発から判断すると、Web3 における AI の着地点の方向性は徐々に明らかになってきていますが、どのアプリケーションでもプライバシーの話題を避けることはできないようです。分散型コンピューティング能力は、モデルのトレーニングとモデルの推論の両方でデータとモデルの整合性を確保する必要があります。プライバシー; zkml が確立される条件は、モデルが悪意のあるノードによって悪用されないことを保証することです。
AI マーケットプレイスは、ユーザーが自分のデータを確実に管理できるように構築されているため、ユーザー データは分散分散された方法で収集されますが、すべてのノードが生のデータに直接アクセスして収集、処理、保存、使用する必要はありません。データ。完全準同型暗号化を例に挙げると、現在の暗号化方式は使用上のボトルネックに直面しています。
プライバシーもレベル分けされているので、あまり心配する必要はありません
データの種類が異なれば、プライバシー要件も異なります。たとえば、医療記録、財務情報、機密性の高い個人情報などのみ、高度なプライバシー保護が必要です。
したがって、分散型 AI 市場の議論ではデータの多様性を考慮する必要があります。最も重要なのはバランスです*。ユーザーの参加とプラットフォームのリソースの豊富さを最大限に高めるには、ユーザーがプライバシー レベルの設定をカスタマイズできるようにする、より柔軟な戦略を設計する必要があります。すべてのデータが最高レベルのプライバシーを必要とするわけではありません。
3. 分散型 AI マーケットプレイスについての考察
**3.1 ユーザーには資産をコントロールする権利がありますが、ユーザーの離脱はプラットフォームの崩壊につながりますか? **
分散型AIマーケットプレイスのメリットは、ユーザーがリソースを所有できることであり、確かにユーザーはいつでもリソースを引き出すことができますが、ユーザーとリソース（モデル、データ）がある程度蓄積されれば、プラットフォームには影響しないと思います* * 。もちろん、これはプロジェクトの初期段階でユーザーとリソースを安定させるために多額の費用がかかることも意味しますが、これはスタートアップチームにとっては非常に困難です。
コミュニティの合意
分散型 AI マーケットプレイスが強力なネットワーク効果を形成すると、より多くのユーザーと開発者が粘着するようになります。ユーザー数の増加はデータとモデルの質と量の増加につながり、市場がより成熟するからです。さまざまな興味に動かされたユーザーは、市場からより多くの価値を獲得します。少数のユーザーが離脱を選択する可能性もありますが、この場合の新規ユーザーの成長率は理論的には鈍化せず、市場は発展し続け、より大きな価値を提供することができます。
インセンティブ
インセンティブ層が適切に設計されていれば、参加者数が増加し、さまざまなリソースが蓄積されるにつれて、参加者全員が得られる利益もそれに応じて増加します。分散型 AI マーケットプレイスは、ユーザーがデータやモデルを取引するためのプラットフォームを提供するだけでなく、ユーザーが独自のデータやモデルから利益を得るメカニズムも提供する可能性があります。たとえば、ユーザーは自分のデータを販売したり、他人に自分のモデルを使用させたりすることで報酬を受け取ります。
モデル開発者の場合: 他のプラットフォームにデプロイすると、より良いパフォーマンスでモデルを微調整するのに十分なデータが得られない可能性があります。
データ プロバイダーの場合: 別のプラットフォームにはこれほど完全なデータ基盤がない可能性があり、ユーザー向けの小さなデータだけでは価値を発揮できず、十分な使用法や利点を得ることができません。
まとめ
分散型AI市場においてプロジェクト当事者はプラットフォームをマッチングして提供する役割しか担っていませんが、本当の障壁となるのはユーザー数の蓄積によってもたらされるデータやモデルの蓄積です***。ユーザーには市場から撤退する自由がありますが、成熟した AI マーケットプレイスでは、多くの場合、市場の外で得られるよりも多くの価値を市場から得ることができるため、ユーザーには市場から撤退するインセンティブがありません。
ただし、ほとんどのユーザーまたは一部の高品質モデル/データプロバイダーが撤退を選択した場合、市場が影響を受ける可能性があります。これは、さまざまな経済システムにおけるユーザーの参入と退出における動的な変化と調整の存在とも一致しています。
3.2 鶏が先か卵が先か
上記の 2 つの道から判断すると、最終的にどちらが生まれるかを言うのは難しいですが、データベースの AI 市場の方が合理的であり、上限が最初のものよりもはるかに高いことは明らかです。最大の違いは、データベースの市場は常に障壁を強化しており、ユーザーを蓄積するプロセスはデータを蓄積するプロセスでもあり、最終的に web3 がもたらす価値は巨大な分散型データベースを充実させることです。サイクルです。同時に、本質的に、この種のプラットフォームはデータを保持する必要はありませんが、データを提供するためのより軽い市場を提供します。結局のところ、これは大規模なデータ マートであり、この種の障壁は置き換えるのが困難です。
需要と供給の観点から見ると、AI マーケットプレイスには次の 2 つのポイントが同時に必要です。
ある観点から見ると、これら 2 つの条件は相互依存しているように見えます。一方で、プラットフォームには、モデルやデータの提供者に動機を提供するのに十分なユーザーが必要です。十分なユーザーが蓄積された場合にのみ、インセンティブ層が機能します。最大の価値を得るために、データのフライホイールを回転させて、より多くのモデル プロバイダーがモデルをデプロイできるようにすることもできます。一方で、有用なモデルを求めるには十分な数のエンド ユーザーが必要であり、ユーザーによるプラットフォームの選択は、主にプラットフォーム モデルの品質と機能の選択によって決まります。したがって、ある程度の優れたモデルが蓄積されなければこの需要は存在せず、いくら配線アルゴリズムが高度になっても、優れたモデルがなければ配線は絵に描いた餅になってしまいます。これはアップルストアの前提がアップルであるようなものです
したがって、より良い開発アイデアは次のとおりです。
初期戦略
拡張ポリシー
まとめ
AI マーケットプレイスにおける最善の試みは何ですか? *** 一言で言えば、このプラットフォームは十分な高品質のモデルを提供でき、問題を解決するためにユーザーと適切なモデルを効率的にマッチングできます。 ***この文は 2 つの矛盾を解決します。第一に、プラットフォームは開発者 (モデル開発者とユーザーを含む) に十分な価値を提供できるため、プラットフォーム上に十分な高品質のモデルが存在します。第二に、これらの「商品」はユーザーに効率的なローカル ソリューションを提供できます。 、それによってより多くのユーザーを蓄積し、すべての当事者の利益を保護します。
分散型 AI マーケットプレイスは、AI + Web3 が容易に着地できる方向性ですが、プロジェクトは、このプラットフォームが提供できる真の価値と、初期段階で多数のユーザーをオンボーディングする方法を見つけ出す必要があります。その中で重要なのは、すべての当事者の利益のバランスポイントを見つけ、同時にデータの所有権、モデルの品質、ユーザーのプライバシー、コンピューティング能力、インセンティブアルゴリズムなどの複数の要素を処理し、最終的には共有と共有になることです。データ、モデル、コンピューティング能力の取引プラットフォーム。