暗号通貨とAIの融合：4つの重要な交点

編集者注：タイトルの大部分を含め、このブログ記事の大部分はChatGPTによって書かれました。カイルが執筆したテキストはイタリック体で表示されています。このブログ記事のベースとなったChatGPTとの対話は、［こちら］（https://chat.openai.com/share/efa7424b-94cb-412b-ae5a-4fbf889f9ca5）でご覧いただけます。またこのブログ記事を、カイルの声で[聴く]（https://drive.google.com/file/d/1sbf-jE9FSA0WrPszw8XoP2jooQzCZRuq/view「カイルの声で録音されたAI記事」）こともできます。カイルはこの記事を読み上げて音声を録音したわけではありません。代わりに、音声サンプルを[play.ht]（http://play.ht 「Play HT」）というサービスにアップロードし、play.htにこのブログ記事のテキストを提供することで、AIを使った彼の音声が合成されました。

暗号通貨と人工知能（AI）の世界は並行して進化しており、各ドメインがテクノロジーとイノベーションの限界を押し上げています。 両分野での前進を続けるにつれ、両ドメインの未来が密接にリンクしていることがますます明らかになってきています。この記事では、暗号通貨とAIが交錯する4つの重要な交点について掘り下げていきます。

「グラフィックカードのAirbnb」モデル

AIと機械学習（ML）ワークロードの台頭により、Nvidia A100のような高性能グラフィックスカードに対する需要が高まっています。これを受けて、「グラフィックカードのAirbnb」のような新たな市場が出現しました。これにより、個人や組織は未使用のGPUリソースを貸し出し、AI研究者や開発者の需要を満たすことがでるようになります。

これは、さまざまな市場の歴史の中で真にユニークな瞬間です。GPUの供給は、ChatGPTの提供が始まる前からすでに不足していました。それ以来、需要はおそらく少なくとも10倍、ひょっとしたら100倍になっているかもしれません。さらに、モデルは学習サイズに応じて対数的に向上することがわかっています。つまり、GPUコンピューティングの需要は、モデルの品質が直線的に向上するのに対して、指数関数的に増大するということを意味します。ある製品群の総供給が総需要をはるかに上回っているという事実にもかかわらず、特定の製品の需要が使用可能な供給をこれほど大きく上回ったことは、これまでほとんどありませんでした。もし今、世界中のすべてのGPUがAIの推論やトレーニングに使えるとしたら、不足するどころか、むしろ余剰となっているでしょう。

しかし、「グラフィックカードのAirbnb」の概念を検討する際に考慮すべき重要な技術的課題がいくつかあります。

• すべてのグラフィックカードがすべてのワークロードをサポートできるわけではない：グラフィックカードには、さまざまな形状、サイズ、および仕様があります。そのため、GPUによっては特定のAIタスクを処理できない場合があります。このモデルを成功させるためには、適切なGPUリソースを適切なAIワークロードにマッチングさせる方法が必要です。市場が成熟するにつれて、さまざまなAIタスクに対応するために、グラフィックカードがさらに特化し最適化することが予想されます。
• 高レイテンシーに対応するための学習プロセスの調整：今日の基盤モデルのほとんどは、極めて低レイテンシーの接続で接続されたGPUのクラスター上で学習されています。分散型環境では、GPUが複数の場所に分散し、公共のインターネットを介して接続される可能性が高いため、レイテンシーは数桁増加します。この課題を克服するために、より高いレイテンシー接続を想定した新しい学習プロセスを開発する機会がもたらされます。AIモデルの学習方法を見直すことで、より大きなGPUの分散型クラスターをより有効に活用できるようになります。
• 検証問題：信頼できないコンピューターが特定のコード部分を実行したかどうかを知ることは不可能です。したがって、信頼できないコンピュータの出力を信頼するのは難しい場合があります。しかし、この問題は、経済的動機付けによる暗号通貨のステーキングと組み合わせたレピュテーションシステムや、場合によっては、高速な検証を可能にする新しいタイプのモデルによって軽減することができます。

この分野では、かなり多くのチームが学習と推論の両方で取り組んでいます。Multicoin Capitalは、[Render Network]（https://rendertoken.com/「Render Network」）に投資しています。同社は、もともと[3Dレンダリング]（https://multicoin.capital/2021/12/21/rendering-the-metaverse/「Rendering the Metaverse」）に焦点を当てていましたが、その後、GPUのネットワークを開放して[AI推論もサポート]（https://twitter.com/JulesUrbach/status/1645464824678318081?s=20 「Jules on Twitter」）しています。

Render Networkの他にも、このセクターで取り組んでいる企業はいくつかあります。[Akash]（https://akash.network/「Akash」）、[BitTensor]（https://bittensor.com/「Bit Tensor」）、[Gensyn]（https://www.gensyn.ai/「Gensyn」）、[Prodia]（https://app.prodia.com/#/art-ai 「Prodia」）、[Together]（https://www.together.xyz/「Together」）。その他ステルスモードの企業もあります。

トークンインセンティブ付け人間のフィードバックからの強化学習（RLHF）

トークンによるインセンティブは、人間のフィードバックからの強化学習（[RLHF]（https://en.wikipedia.org/wiki/Reinforcement_learning_from_human_feedback「RLHF」））のすべてのユースケースで機能するわけではありません。問題は、トークンによるインセンティブ付けがRLHFにとって理にかなう場合と、現金による支払い（例えばUSDC）を代わりに用いるべき場合について、どのようなフレームワークを用いて検討することができるかということです。

トークンインセンティブは、以下のことがより真実になるにつれてRLHFを改善する可能性が高くなります：

• モデルがより狭く業種に特化する（汎用的な業種向けのChatGPTなどとは対照的）。 本業としてRLHFを提供するワーカー、つまりRLHFを提供することで収入の大半を稼いでいるワーカーは、家賃の支払いや食料品の購入のために現金を望むと考えられます。モデルが一般的なクエリから、より具体的なドメインへと移行するにつれて、モデル開発者は、より高度な訓練を受けたワーカーの関与を必要とします。これらのワーカーはビジネスチャンス全体の長期的な成功に関心がある可能性が高いです。
• RLHFを提供するワーカーの、RLHFの仕事以外の収入の割合がより高くなる場合。 ドメイン固有のRLHFモデルに重要な時間を投資するリスクを正当化できるだけの十分な収入や貯蓄が他の活動から得られる場合、現金の代わりに、ロックアップ設定されたトークンや流動性の低いトークンを報酬として受け取る余裕ができます。成功の確率を最大化するためには、モデル開発者はドメイン固有のRLHFを提供するワーカーにロック解除されたトークンを単に配布すべきではありません。その代わり、長期的な意思決定にインセンティブを与えるために、トークンは、一定期間経過した後に権利が確定（べスティング）するようにする必要があります。

トークンインセンティブ付RLHFモデルが適用できる業界の中には次のものがあります。

• 医薬: 簡単な初動対応の診断だけでなく、長期的な予防や長寿に焦点を当てた医薬の両方において、LLMを利用することができます。
• 法律：企業経営者や個人は、LLMを活用することで、さまざまな異なる法制度の複雑さをより効果的かつ効率的にナビゲートできるようになります。
• エンジニアリングと建築： 設計ツールやシミュレーション・モデルの強化。
• ファイナンスと経済学：予測モデル、リスク評価、アルゴリズム取引システムの改善。
• 科学研究：実験のシミュレーション、分子間相互作用の予測、複雑なデータセットの解析のためのAIモデルの改良。
• 教育およびトレーニング：教育コンテンツの質と効果を高めるため、AI主導の学習プラットフォームに貢献。
• 環境科学とサステナビリティ：環境上の動向の予測、資源配分、持続可能な実践を促進するためのAIモデルの最適化。

トークンインセンティブ付きのRLHFが既に実際に導入されている業種の一つに地図作成があります。[Hivemapper]（https://hivemapper.com/「Hivemapper」）は、ドライバーだけでなく、マッピングデータの編集やキュレーションに時間を費やす編集者にとっても報酬を提供しています。Hivemapperの[Map AIトレーニングツール]（https://hivemapper.com/contribute/map-ai-training/「AIトレーニング」）を使って、自分で試すことができます。

ゼロ知識機械学習（zkML）

ブロックチェーンは、現実世界で何が起きているか把握しません。しかし、IRLの状態に基づいてプログラムで価値を移動できるようするために、ブロックチェーン外で発生するイベントを知ることは非常に有益になり得ます。

オラクルはこの問題の一部を解決しています。しかし、オラクルだけでは十分ではありません。単にIRLデータをチェーンに中継するだけでは不十分です。チェーンに中継される前に、多くのデータの計算作業が必要になります。例えば、より多くの利回りを獲得するために、さまざまなプール間で預金を移動する必要があるイールドアグリゲーターを考えてみましょう。トラストを最小限に抑える方法でこれを行うには、アグリゲーターは利用可能なすべてのプールの現在の利回りとリスクを計算する必要があります。これはすぐに最適化に関する問題となり、MLで適切に対処することができます。しかし、MLの計算処理をブロックチェーン上で行うにはコストが掛かりすぎるため、代わりにzkMLを利用するチャンスが訪れます。

[Modulus Labs]（https://www.moduluslabs.xyz/「Modulus Labs」）のようなチームが現在この分野で構築しています。Multicoin Capitalは、[Risc Zero]（https://www.risczero.com/「Risc Zero」）や[Lurk]（https://filecoin.io/blog/posts/introducing-lurk-a-programming-language-for-recursive-zk-snarks/「Lurk」）のような汎用ZKVMを使用して、さらに多くのチームがこの分野で構築することを予想しています。

ディープフェイクの時代における真正性

ディープフェイクがますます巧妙になるにつれ、デジタルメディアにおける真正性と信頼性を維持することが 最重要課題となっています。1つの解決策は公開キー暗号化を活用することにより、クリエイターが公開キーで署名することで、コンテンツの真正性について自分のレピュテーションを賭けることです。

公開キーそれ自体では、真正性の問題を解決するには不十分です。公開キーと実世界のIDをマッピングする公開記録が必要で、これにより検証や信頼構築が可能になります。公開キーと検証済みの識別子をリンクさせることで、ディープフェイク画像やビデオに署名するなど、キーの誤用、悪用が発覚した場合のフィードバックや処罰システムを構築することが可能になります。

このシステムを効果的にするには、公開キー署名と実世界上の本人確認の統合が重要になります。多くの暗号通貨システムを支えるブロックチェーン技術は、分散型の改ざん防止されたIDレジストリを作成する上で重要な役割を果たす可能性があります。このレジストリは、公開キーを実世界のIDにマッピングし信頼の確立とバッドアクターの責任追及を容易にします。

これには組み込みハードウェアと、ユーザー制御ソフトウェアの少なくとも2つの構成があります。

• 組み込みハードウェア:スマートフォンやその他のデバイスが、画像や動画その他のメディア用にハードウェアベースのネイティブ署名機能を搭載する日が近いと予想しています。
• Solana Labsは最近、[Solana Mobile Stack（SMS）]（https://solana.com/news/solana-mobile-stack-reveal「Solana Mobile Stack」)を搭載した[Saga]（https://solanamobile.com/hardware「Saga Phone」）携帯電話を発売しました。今後数ヶ月の間にSMSがアップデートされ、すべての写真がSMS seed vault SDKを使って署名され、写真がAIによって生成されたものではないことを証明できるものになると予測しています。
• ユーザー管理ソフトウェア:アートの制作にはPhotoshopやOctaneのようなデザインツールや、Stable Diffusionのような画像ジェネレーターが使用されます。*これらのソフトウェア・プロバイダーが、クリエイターが制作プロセスで使用したツールを認識しながら、真正性を証明できるように公開キー暗号化メカニズムを統合することを予想しています。

まとめ

まとめとして、暗号通貨と人工知能技術の融合は、差し迫った課題に対処し、複数の業界にわたって革新的な解決策を引き出すための豊富な機会を提供します。これらの分野の交錯点を探求することにより、AIトレーニングにおけるリソース割り当てを最適化し、人間のフィードバックからドメイン固有の強化学習のためのトークンインセンティブを活用したり、ディープフェイクに直面するデジタルメディアの真正性を維持したりすることができます。

「グラフィックカードのAirbnb」モデルは、高性能GPUへのアクセスを分散化、民主化し、より多くの人々や組織がAIの研究開発に貢献できるようにする可能性を提供します。トークンインセンティブ付きRLHFは、エンジニアリングやファイナンスから教育や環境科学に至るまで、さまざまな業界に適用でき、その分野の専門家の知識を活用することでAIモデルを改善できます。ZKMLにより、現実世界の複雑な変化に基づき、ブロックチェーン上の財務状況を更新することが可能になります。 最後に、公開キー暗号化と実世界上の本人確認とブロックチェーン技術を統合することで、ディープフェイクがもたらす課題に対処し、デジタルメディアの信頼を維持するための強固なシステムを構築することができるようになります。

暗号通貨とAIの相乗効果が明らかになるにつれ、間違いなくイノベーションを促進し、価値を創造し、今日の社会が直面する最も差し迫った問題に対処する、さらなる機会を発見するでしょう。これら2つのドメインの交点を進んで活用することで、テクノロジーの限界を押し上げ、よりつながり、より効率的な確かな未来を形作ることができます。

暗号通貨とAIが交錯する分野のアプリケーションを構築している場合、これらのユースケースを構築しているかどうかにかかわらず、電子メールで（kyle@multicoin.capital）、[Telegram](https://t.me/kylesamani「Kyle Samani on Telegram」)、[Twitter]（https://twitter.com/kylesamani （Kyle Samani on Twitter」）または[Warpcast]（https://warpcast.com/kylesamani「Kyle Samani on Warpcast」）までご連絡ください。是非ともお話をお聞かせください。