AO+Arweave：分散型AIインフラの未来を再形成する

Author: Jingchun Qin

前回の投稿では、分散型AIがWeb3の価値の重要な構成要素であることを説明しました。地上のインターネットの重要な構成要素であり、AO + Arweaveが永続的ストレージ、超並列コンピューティング、検証可能性という技術的優位性をもって、このエコシステムの理想的なインフラを提供することを指摘した。本稿では、さらにAO + Arweaveの技術的詳細に焦点を当て、主流の分散型プラットフォームとの比較分析を通じて、AI開発をサポートする上での独自の利点を明らかにし、垂直分散型AIプロジェクトとの補完関係を探る。

近年、AI技術の急速な発展と大規模なモデルトレーニングの需要の高まりに伴い、分散型AIインフラが業界で徐々に話題となっている。従来の中央集権型コンピューティング・プラットフォームは、コンピューティング・パワーという点では常にアップグレードしているが、データの独占と高いストレージ・コストという点でも、その限界がますます明らかになりつつある。それに対して分散型プラットフォームは、ストレージコストを削減できるだけでなく、分散型の検証メカニズムによってデータと計算が改ざんされないことを保証できるため、AIモデルのトレーニング、推論、検証などの重要な局面で重要な役割を果たす。加えて、Web3にはデータの断片化、非効率的なDAO組織、プラットフォーム間の相互運用性の低さがあるため、さらなる発展のためには分散型AIと統合する必要がある！

本稿では、メモリ制限、データストレージ、並列計算能力、検証可能性の4つの側面から、主流プラットフォームの長所と短所を比較・分析し、AO+Arweaveシステムが分散型AIの分野で明確な競争優位性を示した理由について詳しく議論する。

1.1 メモリと演算要件

1.1 メモリと演算要件

AIモデルがスケールし続けるにつれて、メモリと演算能力がプラットフォームの能力を測定するための重要な指標になります。たとえば、比較的小さなモデル（Llama-3-8 Bなど）を実行するには、少なくとも12 GBのRAMが必要です。GPT-4のような何兆ものパラメーターを持つモデルでは、メモリと演算リソースの要件はさらに驚異的です。また、GPT-4のような何兆ものパラメータを持つモデルでは、メモリと計算リソースの要件はさらに驚異的です。学習プロセスでは、多数の行列演算、バックプロパゲーション、パラメータの同期が、並列計算能力をフルに活用することを必要とします。

• AO+Arweave：AOは、並列コンピューティングユニット（CU）とアクターモデルにより、タスクを複数のサブタスクに分割して同時に実行することで、きめの細かい並列スケジューリングを実現します。このアーキテクチャは、GPUのようなハードウェアの並列性を訓練プロセスでフルに活用できるだけでなく、タスクのスケジューリング、パラメータの同期、勾配の更新といった主要な面で効率を大幅に向上させます。

• ICP:ICPのサブネットはある程度の並列コンピューティングをサポートしていますが、統一コンテナ内で実行する場合は粗視化並列しか実現できないため、大規模なモデル訓練に対するきめ細かなタスクスケジューリングの要求を満たすことは困難です。大規模モデルトレーニングにおけるきめ細かなタスクスケジューリングの要求を満たすことは難しく、全体的な効率性の欠如につながります。

• イーサとベースチェーン：どちらもシングルスレッド実行モードを採用しており、そのアーキテクチャ設計は主に分散型アプリケーションとスマートコントラクトに向けられています。

これらはどちらもシングルスレッド実行モデルです。

計算能力の需要と市場競争

Deepseekのようなプロジェクトの爆発的な増加により、大規模なモデルをトレーニングする障壁は下がり続けています。より多くの中小企業が競争に参加する可能性があり、市場におけるコンピューティング・パワー・リソースの不足が深刻化しています。この場合、AOのような分散並列計算機能を持つ分散型演算インフラはますます普及し、AO+Arweaveは分散型AIのインフラとして、Web3のInternet of Valueの上陸を支える重要な存在となるだろう。

1.2データストレージと経済

データストレージはもう一つの重要な指標です。Etherのような従来のブロックチェーンプラットフォームは、オンチェーンストレージのコストが非常に高いため、一般的に重要なメタデータの保存にのみ使用され、大規模なデータストレージはIPFSやFilecoinのようなオフチェーンソリューションに移行しています。

• イーサ：データの大部分を外部ストレージ（IPFS、Filecoinなど）に依存しているため、オンチェーン書き込みのコストが高く、大容量のデータを直接オンチェーンに保存することは不可能です。をオンチェーンに保存することは不可能です。

• AO+Arweave:Arweaveの永続的で低コストのストレージは、データの長期アーカイブと改ざんを可能にします。AIモデルのトレーニングデータ、モデルパラメータ、トレーニングログなどの大規模データに対して、Arweaveはデータセキュリティを保証するだけでなく、その後のモデルライフサイクル管理を強力にサポートします。同時に、AOはArweaveに保存されたデータを直接呼び出して、完全なデータ資産経済閉ループを構築することができ、Web3におけるAI技術の着地と応用を促進します。

• その他のプラットフォーム（Solana、ICP）： Solanaはアカウントモデルを通じてステートフルなストレージに最適化されていますが、大規模なデータストレージは依然としてオフチェーンソリューションに依存しています。一方、ICPは組み込みのコンテナストレージを使用し、動的なスケーリングをサポートしますが、長期的なデータストレージには継続的なサイクルの支払いが必要で、全体的な経済性がより複雑になります。

1.3並列コンピューティング機能の重要性

大規模なAIモデルをトレーニングするプロセスでは、計算集約的なタスクの並列処理が効率向上の鍵となります。効率を向上させる鍵となります。大量の行列演算を複数の並列タスクに分割することで、GPUなどのハードウェアリソースを最大限に活用しながら、時間コストを大幅に削減できます。

• AO：AOは、独立した計算タスクとメッセージパッシング調整により、きめ細かな並列計算を実現します。また、そのActorモデルは、1つのタスクを数百万のサブプロセスに分割し、複数のノード間で効率的な通信を行うことをサポートします。このアーキテクチャは、特に大規模モデルのトレーニングや分散コンピューティングのシナリオに適しており、I/Oなどの実用的な制限はあるものの、理論的には従来のシングルスレッド・プラットフォームをはるかに上回る、極めて高いTPS（1秒あたりのトランザクション数）を達成することができます。

• EtherおよびBase Chain:シングルスレッドEVM実行モードのため、これら2つは、複雑な並列コンピューティングのニーズに直面しているAIの大規模モデルトレーニングの要件を満たすことができません。

• SolanaとICP:SolanaのSealevelランタイムはマルチスレッド並列処理をサポートしますが、それは粒度の粗いレベルで行われます。このため、非常に並列なタスクを処理するときに大きなボトルネックになります。

1.4検証可能性とシステムの信頼

分散型プラットフォームの主な利点の1つは、グローバルなコンセンサスと改ざん防止ストレージを通じて、データの整合性とセキュリティを大幅に改善できることです。これにより、データや計算結果の信頼性を大幅に高めることができます。

• イーサネット: は、スマートコントラクトの実行とデータの保存が、グローバルなコンセンサス検証とZKP（Zero-Knowledge-Proofing：ゼロ知識証明）エコシステムを通じて、非常に透明性が高く検証可能であることを保証し、それに伴って検証コストも高くなります。

• AO+Arweave:AOは、すべての計算プロセスをArweaveにホログラフィックに保存し、「決定論的仮想マシン」（VM）を活用することで、結果の再現性を保証します。AOは、すべての計算プロセスをArweaveにホログラフィックに保存し、「決定論的仮想マシン」の助けを借りて結果の再現性を保証することで、完全な監査チェーンを構築します。このアーキテクチャは、計算結果の検証可能性を向上させるだけでなく、システム全体の信頼性を高め、AIモデルの訓練と推論に強力な保証を提供します。

2、AO+Arweaveと垂直分散AIプロジェクトとの補完関係

分散型AIの分野では、垂直分散型AIの分野では、Bittensor、Fetch.ai、Eliza、GameFiなどの垂直型プロジェクトが独自のアプリケーションシナリオを積極的に模索しており、AO+Arweaveはインフラプラットフォームとして、高効率な分散演算、永続的なデータストレージ、フルチェーン監査機能を提供する利点があり、これらの垂直型プロジェクトに必要な基本的なサポートを提供することができます。

2.1 相補的な技術の例

• Bittensor:

  Bittensorの参加者は、AIモデルを訓練するために演算能力を提供する必要があり、並列コンピューティングリソースとデータストレージに高い需要があります。aoの超並列コンピューティングアーキテクチャは、多くのノードが同じネットワークで同時に訓練タスクを実行し、オープンメッセージングメカニズムを通じてモデルのパラメータと中間結果を迅速に交換することを可能にするため、従来のAIモデルが不要になります。パラメータと中間結果をオープンなメッセージパッシングメカニズムを通じて交換することで、従来のブロックチェーンの逐次実行によるボトルネックを回避します。このロックフリーの並行アーキテクチャは、モデルの更新速度を向上させるだけでなく、全体的なトレーニングスループットを大幅に向上させます。

  同時に、Arweaveの永続ストレージは、重要なデータ、モデルの重み、性能評価結果を保存するための理想的なソリューションを提供します。トレーニング中に生成された大規模なデータセットはリアルタイムでArweaveに書き込むことができ、データの不変性により、ネットワークに参加する新しいノードは最新のトレーニングデータとモデルのスナップショットにアクセスできるため、ネットワーク参加者は統一されたデータ基盤上で共同作業を行うことができます。この組み合わせにより、データの配布プロセスが簡素化されるだけでなく、モデルのバージョン管理と結果の検証のための透明で信頼性の高い基盤が提供され、Bittensorネットワークは、分散化の利点を維持しながら、集中型クラスタに近い計算効率を得ることができるため、分散型機械学習のパフォーマンスの上限を大幅に押し上げることができます。

• Fetch.aiの自律型経済エージェント（AEAs）：

  マルチインテリジェントなAO+Arweaveの組み合わせは、自律型エージェント（Agent）がオンチェーンで経済活動を共同で行うことを可能にする分散型プラットフォームを構築するマルチインテリジェント・コラボレーション・システムFetch.aiにおいても、優れた相乗効果を発揮します。AOはFetch.aiに高性能環境を提供し、各自律エージェントはAOネットワーク内で独立したコンピューティング・ユニットとして扱われ、複数のエージェントが互いにブロックすることなく、異なるノード上で複雑なオペレーションや意思決定ロジックを並行して実行することを可能にします。エージェントは、オンチェーンのメッセージキューを通じて非同期に情報を交換し、アクションをトリガーすることができるため、従来のブロックチェーンにおけるグローバルな状態更新に伴う待ち時間の問題を回避することができます。AOによって、何百ものFetch.aiエージェントはリアルタイムで相互運用、競争、協力することができ、現実世界の経済活動のペースを模倣することができます。

  同時に、Arweaveの永続的なストレージ機能は、Fetch.aiのデータ共有と知識保持を可能にします。 各エージェントによって生成または収集された重要なデータ（市場情報、相互作用ログ、プロトコルなど）は、Arweaveに提出し、保存することができます。これは永続的なパブリックメモリーリポジトリを構成し、集中化されたサーバの信頼性を信頼することなく、他のエージェントやユーザがいつでも検索することができます。例えば、エージェントのTOSやトランザクションオファーがArweaveに書き込まれると、それは全ての参加者によって認識される公開記録となり、ノードの故障や悪意のある改ざんによって失われることはありません。AOの高度な同時計算とArweaveの信頼されたストレージにより、Fetch.aiのマルチ・インテリジェンス・システムは、チェーン上で前例のない深さのコラボレーションを達成することができます。

• Eliza Multi-Agent System:

  従来のAIチャットボットは通常、クラウドベースに依存していました。AOのUltra-Parparong(超並列)チャットボットなら、強力な演算処理で自然言語を処理し、データベースの助けを借りて長期的な会話やユーザーの好みを保存することができます。AOの超並列コンピューティングにより、チェーン上のインテリジェントアシスタントは、タスクモジュール（言語理解、対話生成、感情分析など）を複数のノードに分散して並列処理できるため、同時に多数のユーザーの質問に迅速に対応できる。AOのメッセージングメカニズムは、モジュールが効率的に連携して動作することを保証する。例えば、言語理解モジュールはセマンティクスを抽出し、その結果を非同期メッセージングを通じて応答生成モジュールに送信するため、分散型アーキテクチャでも対話の流れがスムーズになる。例えば、言語理解モジュールがセマンティクスを抽出し、その結果を非同期メッセージで応答生成モジュールに送信することで、分散型アーキテクチャでも対話の流れがスムーズに保たれる。一方、ArweaveはElizaの "長期記憶 "として機能する。アシスタントによって学習されたすべてのユーザーとの対話、好み、新しい知識は暗号化され、永久に保存されるため、ユーザーはどんなに時間がかかっても、再びElizaと対話するときに以前の文脈を取り出し、首尾一貫した応答をパーソナライズすることができる。永久保存は、集中型サービスにおけるデータ損失やアカウント移行による記憶の喪失を回避するだけでなく、AIモデルの継続的な学習のための履歴データサポートも提供するため、チェーン上のAIアシスタントは「使えば使うほど賢くなる」ことができる。

• GameFiリアルタイム・エージェント・アプリケーション：

  分散型ゲーム（GameFi）では、AOがリアルタイムでエージェントとして使用されています。GameFi）では、AOとArweaveの相補的な特性が重要な役割を果たしています。AOは、ゲームロジックと物理シミュレーションタスクを分散型ネットワークに分散させ、並列処理することを提案しています。例えば、オンチェーンの仮想世界では、異なるゾーンにおけるシーンシミュレーション、NPCの行動決定、プレイヤーのインタラクションイベントをノードが同時に計算し、ゾーン間の情報をメッセージングで交換することで、完全な仮想世界を共同構築することができます。仮想世界全体を一緒に構築することができます。このアーキテクチャにより、単一サーバーのボトルネックが解消され、プレイヤー数に応じてゲームがリニアに拡張され、スムーズな体験を維持することができる。

  同時に、Arweaveの永続ストレージは、ゲームに信頼性の高い状態記録とアセット管理を提供します。キーとなる状態（マップの変更、プレイヤーデータなど）や重要なイベント（レアな小道具の獲得、ストーリーの進行など）は、連鎖したエビデンスとして定期的に硬化されます。プレイヤーアセット（キャラクタースキン、小道具など）のメタデータやメディアも利用可能です。プレイヤーアセット（キャラクタースキンや小道具など）もメタデータやメディアコンテンツに直接保存されるため、永続的な所有権と改ざん防止が保証されます。たとえシステムがアップグレードされたりノードが交換されたとしても、Arweaveの保存履歴は復元可能であり、プレイヤーの実績やアセットが技術的変化によって失われることはありません。何年も前にWorld of WarcraftのWizard's Straw of LifeスキルがBlizzardによって突然キャンセルされたことに対するVitalik Buterinの怒りのように、多くの類似した事件で起こったように、このデータが突然消えてしまうことを望むプレイヤーはいないでしょう。さらに、永続的なストレージによって、プレイヤー・コミュニティはゲームの年代記に貢献することができ、重要な出来事は長い間チェーン上に残る。AOの強力な並列コンピューティングとArweaveの永続ストレージにより、この分散型ゲーム・アーキテクチャは、従来のモデルのパフォーマンスとデータ永続性のボトルネックを効果的に打破します。

2.2 エコシステムの統合と補完的な利点

AO+Arweaveは、垂直型AIプロジェクトのインフラサポートを提供するだけでなく、オープンで多様性があり、相互接続された分散型AIエコシステムの構築にも力を注いでいます。単一分野に特化したプロジェクトに比べ、AO+Arweaveのエコシステムはより広い範囲とより多くの応用シナリオを持ち、データ、アルゴリズム、モデル、コンピューティングパワーを網羅する完全なバリューチェーンを構築することを目標としている。このような巨大なエコシステムにおいてのみ、ウェブ3のデータ資産の潜在力を真に引き出し、分散型AI経済の健全で持続可能な閉じたループを形成することができる。

Web3インターネット・オブ・バリューと永久価値ストレージ

Web3.0時代の到来は、インターネットの最も中核的なリソースとしてのデータ資産の出現を告げるものです。最も新しく、最も重要なデータ資産は、インターネットの最も中心的なリソースになるだろう。ビットコイン・ネットワークが「デジタル・ゴールド」を保管するのと同様に、Arweaveの永久保存サービスでは、貴重なデータ資産を長期にわたって保存し、改ざんできないようにすることができる。現在、インターネット大手がユーザーデータを独占しているため、個人データの価値を反映することが難しいが、Web3時代には、ユーザーがデータを所有し、トークンのインセンティブメカニズムを通じてデータ交換が効果的に実現される。

• 価値保存の属性：

  Arweaveは、Blockweave、SPoRA、Bundledを通じて、強力な水平スケーラビリティを実現します。技術により、Arweaveは特に大規模なデータストレージシナリオにおいて、強力な水平スケーラビリティを実現します。これにより、Arweaveは永続的なデータストレージを担うだけでなく、その後の知的財産管理、データ資産取引、AIモデルのライフサイクル管理もしっかりとサポートすることができます。

• データ資産エコノミー：

  データ資産は、Web3のInternet of Valueの中核です。AO+Arweaveはこのコンセプトに基づいて構築されたインフラであり、その目標はデータ資産の流通経路を開放し、Web3のエコシステムに継続的な活力を注入することです。

IV.リスクと課題、今後の展望

AO+Arweaveが技術的に示した多くの利点にもかかわらず、実際にはまだ以下の課題に直面しています。経済モデルの複雑さ

AOの経済モデルは、低コストのデータ保存と効率的なデータ伝送を保証するために、ARトークン経済システムと深く統合する必要があります。このプロセスには、複数のノード（MU、SU、CUなど）間のインセンティブとペナルティのメカニズムが含まれ、柔軟なSIVサブプレッジコンセンサスメカニズムを通じて、セキュリティ、コスト、スケーラビリティのバランスを取る必要がある。実際の実装プロセスでは、ノード数とタスク需要のバランスをどのようにとるか、リソースの空白や不十分な収益をどのように回避するかが、プロジェクト関係者が慎重に検討すべき課題である。

2.分散型モデルとアルゴリズム市場の構築が不十分

現在、AO+Arweaveエコシステムは主にデータストレージと演算サポートに焦点を当てており、まだ完全な分散型モデルとアルゴリズム市場を形成していません。完全な分散型モデルとアルゴリズム市場を形成していません。安定したモデル提供者がいなければ、エコシステムにおけるAI-Agentの発展は制約を受けるだろう。したがって、エコファンドを通じて分散型モデル市場のプロジェクトを支援し、高い競争障壁と長期的な堀を形成することが推奨される。

多くの課題があるにもかかわらず、Web3.0時代が徐々に到来するにつれ、データ資産の権利と流通がインターネット全体の価値システムの再構築を推進することになる。 AO+Arweaveはインフラストラクチャーのパイオニアとして、この変化において重要な役割を果たし、分散型AIエコシステムとWeb3価値インターネットの構築を支援することが期待されている。この方向への同社の第一歩は、分散型AIエコシステムとWeb3バリュー・インターネットの構築を支援することである。

結論

メモリ、データストレージ、並列計算、検証可能性の4つの次元を包括的に比較・分析し、AO+Arweaveが分散型AIタスクをサポートする能力を実証したと考えています。我々は、AO+Arweaveが分散型AIタスクをサポートする上で、特に大規模AIモデルトレーニングのニーズを満たし、ストレージコストを削減し、システムの信頼性を向上させる上で、明らかな優位性を示すと確信している。同時に、AO+Arweaveは垂直分散型AIプロジェクトに強力なインフラサポートを提供するだけでなく、完全なAIエコシステムを構築する可能性を秘めており、Web3のデータ資産経済活動の閉じたループの形成を促進し、より大きな変化をもたらすでしょう。

将来的には、経済モデルの継続的な改善、生態規模の段階的な拡大、領域横断的な協力の深化により、AO+Arweave+AIはWeb3のInternet of Valueの重要な柱となり、データ資産の認証、価値の交換、分散化の応用に真新しい変化をもたらすと期待されている。実際の導入プロセスにはまだいくつかのリスクや課題があるが、継続的な試行錯誤と最適化の中で、このテクノロジーとエコロジーはやがてブレークスルーを迎えるだろう。