# Web3-AIレース全景レポート：技術ロジック、シーンアプリケーションとトッププロジェクトのデプス分析AIのストーリーテリングが続々と注目される中、この分野にますます多くの関心が集まっています。Web3-AI分野の技術論理、応用シーン、代表的なプロジェクトについて詳しく分析し、この分野の全景と発展トレンドを包括的にお届けします。## I. Web3-AI:テクニカルロジックと新興市場の機会分析### 1.1 Web3とAIの融合ロジック：Web-AIトラックの定義方法過去一年、AIナラティブはWeb3業界で異常に盛り上がり、AIプロジェクトが雨後の筍のように湧き出てきました。多くのプロジェクトがAI技術に関与していますが、一部のプロジェクトはその製品の一部でのみAIを使用しており、基盤となるトークンエコノミクスはAI製品とは実質的に関連していないため、この記事ではこのようなプロジェクトはWeb3-AIプロジェクトの議論には含まれません。この記事の重点は、ブロックチェーンを使用して生産関係の問題を解決し、AIが生産力の問題を解決するプロジェクトにあります。これらのプロジェクトは、AI製品を提供するだけでなく、Web3経済モデルに基づいた生産関係ツールとしても機能し、両者は相互に補完し合います。私たちはこのようなプロジェクトをWeb3-AIトラックに分類します。読者がWeb3-AIトラックをよりよく理解できるように、AIの開発プロセスとその課題、およびWeb3とAIの組み合わせがどのように問題を完璧に解決し、新しいアプリケーションシーンを創出するかを紹介します。### 1.2 AIの開発プロセスと課題：データ収集からモデル推論までAI技術は、コンピュータが人間の知能を模倣、拡張、強化する技術です。これにより、コンピュータは言語翻訳、画像分類、顔認識、自動運転などのさまざまな複雑なタスクを実行できるようになり、AIは私たちの生活や仕事の方法を変えています。人工知能モデルの開発プロセスは通常、以下のいくつかの重要なステップを含みます：データ収集とデータ前処理、モデル選択とチューニング、モデルのトレーニングと推論。簡単な例を挙げると、猫と犬の画像を分類するモデルを開発するには、あなたは次のことをする必要があります：1. データ収集とデータ前処理：猫と犬の画像データセットを収集します。公開データセットを使用するか、自分で実際のデータを収集できます。そして、各画像にカテゴリ（猫または犬）をラベル付けし、ラベルが正確であることを確認します。画像をモデルが認識できる形式に変換し、データセットをトレーニングセット、検証セット、テストセットに分割します。2. モデルの選択とチューニング：適切なモデルを選択します。例えば、畳み込みニューラルネットワーク（CNN）は画像分類タスクに適しています。異なるニーズに応じてモデルのパラメータやアーキテクチャをチューニングします。一般的に、モデルのネットワークの深さはAIタスクの複雑さに応じて調整できます。このシンプルな分類の例では、浅いネットワーク層で十分かもしれません。3. モデルのトレーニング：GPU、TPU、または高性能計算クラスターを使用してモデルをトレーニングすることができ、トレーニング時間はモデルの複雑さと計算能力に影響されます。4. モデル推論：モデルのトレーニングが完了したファイルは通常モデルの重みと呼ばれ、推論プロセスは既にトレーニングされたモデルを使用して新しいデータに対して予測または分類を行うプロセスを指します。このプロセスでは、テストセットや新しいデータを使用してモデルの分類効果をテストすることができ、通常は精度、再現率、F1スコアなどの指標を用いてモデルの有効性を評価します。図に示すように、データ収集とデータ前処理、モデルの選択と調整、そしてトレーニングを経て、トレーニングされたモデルをテストセットで推論すると、猫と犬の予測値P（確率）が得られます。すなわち、モデルが猫または犬である確率を推論します。トレーニングされたAIモデルは、さまざまなアプリケーションに統合され、異なるタスクを実行できます。この例では、猫と犬を分類するAIモデルがモバイルアプリに統合されており、ユーザーが猫または犬の画像をアップロードすると、分類結果が得られます。しかし、中央集権的なAI開発プロセスには以下のシナリオにおいていくつかの問題があります:ユーザーのプライバシー：中央集権的なシーンでは、AIの開発プロセスは通常不透明です。ユーザーデータは知らないうちに盗まれ、AIのトレーニングに使用される可能性があります。データソースの取得：小規模なチームまたは個人が特定の分野のデータ（例えば、医療データ）を取得する際には、データがオープンソースでない制約に直面する可能性があります。モデルの選択と調整：小規模なチームにとって、特定の分野のモデルリソースを取得したり、モデルの調整に多額のコストをかけたりすることは難しい。算力取得：個人開発者や小規模チームにとって、高額なGPU購入コストやクラウド算力レンタル費用は、かなりの経済的負担となる可能性があります。AI資産収入：データアノテーション作業者はしばしばその労力に見合った収入を得ることができず、AI開発者の研究成果も需要のある買い手とマッチするのが難しい。中心化AIシーンで存在する課題は、Web3と組み合わせることで解決できます。Web3は新しい生産関係の一形態であり、新しい生産力を表すAIに自然に適応し、技術と生産能力の同時進歩を促進します。### 1.3 Web3とAIの相乗効果：役割の変化と革新的なアプリケーションWeb3とAIの結合は、ユーザーの主権を強化し、ユーザーにオープンなAIコラボレーションプラットフォームを提供します。これにより、ユーザーはWeb2時代のAI利用者から参加者へと変わり、誰もが所有できるAIを創造します。同時に、Web3の世界とAI技術の融合は、より多くの革新的なアプリケーションシーンやプレイスタイルを生み出すことができます。Web3技術に基づいて、AIの開発と応用は新しい協力経済システムを迎えます。人々のデータプライバシーは保証され、データのクラウドソーシングモデルがAIモデルの進歩を促進し、多くのオープンソースのAIリソースがユーザーに提供され、共有された計算能力は低コストで入手できます。分散型の協力クラウドソーシングメカニズムとオープンなAI市場を活用することで、公平な収入分配システムを実現し、より多くの人々がAI技術の進歩を推進することを奨励します。Web3のシーンでは、AIが複数のトラックで積極的な影響を与えることができます。例えば、AIモデルはスマートコントラクトに統合され、さまざまなアプリケーションシーンで作業効率を向上させることができる機能を持っています。市場分析、安全検出、ソーシャルクラスターなどの多様な機能です。生成的AIは、ユーザーが「アーティスト」としての役割を体験できるだけでなく、AI技術を使用して自分のNFTを作成したり、GameFiで多様なゲームシーンや面白いインタラクティブ体験を創造したりすることもできます。豊富なインフラはスムーズな開発体験を提供し、AIの専門家であれ、AI領域に入ろうとしている初心者であれ、この世界で適切な入り口を見つけることができます。## 二、Web3-AIエコシステムプロジェクトの地図とアーキテクチャの解読私たちは主にWeb3-AI分野の41のプロジェクトを研究し、これらのプロジェクトを異なるレベルに分類しました。各レベルの分類ロジックは下の図に示されています。基盤層、中間層、アプリケーション層の3つの層に分かれ、各層は異なるセクションに分かれています。次の章では、代表的なプロジェクトのデプスな解析を行います。インフラストラクチャ層は、AIライフサイクル全体の運用をサポートする計算リソースおよび技術アーキテクチャを含み、中間層はインフラストラクチャとアプリケーションを接続するデータ管理、モデル開発、検証推論サービスを含み、アプリケーション層はユーザー向けの各種アプリケーションおよびソリューションに直接焦点を当てています。インフラ層：インフラストラクチャ層はAIライフサイクルの基盤であり、この記事ではコンピューティングパワー、AI Chain、および開発プラットフォームをインフラストラクチャ層に分類しています。これらのインフラストラクチャのサポートがあってこそ、AIモデルのトレーニングと推論が実現でき、強力で実用的なAIアプリケーションをユーザーに提供することができます。- 分散型計算ネットワーク：AIモデルのトレーニングに分散型の計算力を提供し、高効率かつ経済的な計算資源の利用を確保します。一部のプロジェクトは分散型の計算市場を提供しており、ユーザーは低コストで計算力をレンタルしたり、計算力を共有して収益を得たりできます。代表的なプロジェクトにはIO.NETやHyperbolicがあります。さらに、一部のプロジェクトは新しい遊び方を派生させています。Compute Labsはトークン化プロトコルを提案しており、ユーザーはGPU実体を代表するNFTを購入することで、さまざまな方法で計算力のレンタルに参加し、収益を得ることができます。- AIチェーン：ブロックチェーンをAIライフサイクルの基盤として利用し、オンチェーンとオフチェーンのAIリソースのシームレスな相互作用を実現し、業界エコシステムの発展を促進します。チェーン上の分散型AIマーケットでは、データ、モデル、エージェントなどのAI資産を取引でき、AI開発フレームワークやそれに対応する開発ツールを提供します。代表的なプロジェクトにはSahara AIがあります。AIチェーンは、Bittensorが革新的なサブネット報酬メカニズムを通じて異なるAIタイプのサブネット競争を促進するように、異なる分野のAI技術の進歩を促進することもできます。- 開発プラットフォーム：いくつかのプロジェクトはAIエージェント開発プラットフォームを提供しており、Fetch.aiやChainMLなどでAIエージェントの取引も実現できます。一体型のツールは開発者がAIモデルをより便利に作成、訓練、展開するのを助け、代表的なプロジェクトとしてNimbleがあります。これらのインフラはWeb3エコシステムにおけるAI技術の広範な応用を促進しています。中間：このレイヤーはAIデータ、モデル、推論および検証に関わっており、Web3技術を採用することでより高い作業効率を実現できます。- データ：データの質と量はモデルのトレーニング効果に影響を与える重要な要素です。Web3の世界では、クラウドソーシングデータと協力的なデータ処理を通じて、リソースの利用を最適化し、データコストを削減することができます。ユーザーはデータの自主権を持ち、プライバシーを保護した状態で自分のデータを販売し、不良な業者にデータを盗まれたり、高額な利益を得られたりするのを避けることができます。データを必要とする側にとって、これらのプラットフォームは広範な選択肢と非常に低コストを提供します。代表的なプロジェクトとして、Grassはユーザーの帯域幅を利用してWebデータを取得し、xDataはユーザーフレンドリーなプラグインを通じてメディア情報を収集し、ユーザーがツイート情報をアップロードすることをサポートしています。さらに、一部のプラットフォームでは、分野の専門家や一般ユーザーがデータ前処理タスクを実行できるようにしています。例えば、画像ラベリングやデータ分類など、これらのタスクは専門的な知識を必要とする金融や法律関連のデータ処理が含まれます。ユーザーはスキルをトークン化し、データ前処理の協力的なクラウドソーシングを実現できます。Sahara AIのようなAIマーケットは、異なる分野のデータタスクを提供し、多様なデータシナリオをカバーします。一方、AIT Protocoltは人間と機械の協調によってデータをラベリングします。- モデル：以前に言及したAI開発プロセスでは、異なるタイプの要求に対して適切なモデルをマッチさせる必要があります。画像タスクでよく使用されるモデルにはCNNやGANがあり、物体検出タスクにはYoloシリーズを選択できます。テキスト関連のタスクでは、一般的にRNNやTransformerなどのモデルがよく使われます。もちろん、特定の大規模モデルや汎用モデルも存在します。異なる複雑さのタスクには異なるモデルのデプスが必要であり、時にはモデルの調整が必要です。いくつかのプロジェクトは、ユーザーが異なるタイプのモデルを提供したり、クラウドソーシング方式でモデルを共同訓練することをサポートしています。例えば、Sentientはモジュラー設計を通じて、ユーザーが信頼できるモデルデータをストレージ層や配信層に置いてモデルを最適化できるようにしています。また、Sahara AIが提供する開発ツールには、先進的なAIアルゴリズムと計算フレームワークが組み込まれており、協力訓練の能力も持っています。- 推論と検証：モデルが訓練された後、モデルの重みファイルが生成され、分類、予測、またはその他の特定のタスクを直接行うために使用できます。このプロセスは推論と呼ばれます。推論プロセスは通常、推論モデルの出所が正しいか、悪意のある行為がないかを検証するための検証メカニズムを伴います。Web3の推論は通常、スマートコントラクトに統合でき、モデルを呼び出して推論を行います。一般的な検証方法にはZKML、OPML、TEEなどの技術が含まれます。代表的なプロジェクトとして、ORAチェーン上のAIオラクル（OAO）があり、AIオラクルの検証可能な層としてOPMLを導入しました。また、ORAの公式ウェブサイトでも、ZKMLとopp/ai（ZKMLとOPMLの組み合わせ）に関する研究が言及されています。アプリケーション層：このレイヤーは主にユーザーに直接向けられたアプリケーションであり、AIとWeb3を結びつけて、より面白く、革新的なプレイスタイルを生み出します。本稿では、AIGC（AI生成コンテンツ）、AIエージェント、データ分析のいくつかのセクションのプロジェクトについて整理しています。- AIGC：AIGCを通じてWeb3のNFTやゲームなどの分野に拡張できます。ユーザーはPrompt（ユーザーが提供するヒント）を使用してテキスト、画像、音声を生成でき、さらにはゲーム内で自分の好みに基づいてカスタマイズされたプレイスタイルを生成することもできます。NFTプロジェクトであるNFPromptでは、ユーザーはAIを使用してNFTを生成し、市場で取引できます；ゲームであるSleeplessでは、ユーザーは対話を通じて仮想のパートナーの性格を形成し、自分の好みに合わせます；- AIエージェント：自律的にタスクを実行し、意思決定を行う人工知能システムを指します。AIエージェントは通常、知覚、推論、学習、行動の能力を備えており、さまざまな環境で複雑なタスクを実行できます。一般的なAIエージェントには言語翻訳が含まれます。
Web3-AI全景：技術論理、アプリケーションシーンとトッププロジェクトデプス剖析
Web3-AIレース全景レポート：技術ロジック、シーンアプリケーションとトッププロジェクトのデプス分析
AIのストーリーテリングが続々と注目される中、この分野にますます多くの関心が集まっています。Web3-AI分野の技術論理、応用シーン、代表的なプロジェクトについて詳しく分析し、この分野の全景と発展トレンドを包括的にお届けします。
I. Web3-AI:テクニカルロジックと新興市場の機会分析
1.1 Web3とAIの融合ロジック：Web-AIトラックの定義方法
過去一年、AIナラティブはWeb3業界で異常に盛り上がり、AIプロジェクトが雨後の筍のように湧き出てきました。多くのプロジェクトがAI技術に関与していますが、一部のプロジェクトはその製品の一部でのみAIを使用しており、基盤となるトークンエコノミクスはAI製品とは実質的に関連していないため、この記事ではこのようなプロジェクトはWeb3-AIプロジェクトの議論には含まれません。
この記事の重点は、ブロックチェーンを使用して生産関係の問題を解決し、AIが生産力の問題を解決するプロジェクトにあります。これらのプロジェクトは、AI製品を提供するだけでなく、Web3経済モデルに基づいた生産関係ツールとしても機能し、両者は相互に補完し合います。私たちはこのようなプロジェクトをWeb3-AIトラックに分類します。読者がWeb3-AIトラックをよりよく理解できるように、AIの開発プロセスとその課題、およびWeb3とAIの組み合わせがどのように問題を完璧に解決し、新しいアプリケーションシーンを創出するかを紹介します。
1.2 AIの開発プロセスと課題：データ収集からモデル推論まで
AI技術は、コンピュータが人間の知能を模倣、拡張、強化する技術です。これにより、コンピュータは言語翻訳、画像分類、顔認識、自動運転などのさまざまな複雑なタスクを実行できるようになり、AIは私たちの生活や仕事の方法を変えています。
人工知能モデルの開発プロセスは通常、以下のいくつかの重要なステップを含みます：データ収集とデータ前処理、モデル選択とチューニング、モデルのトレーニングと推論。簡単な例を挙げると、猫と犬の画像を分類するモデルを開発するには、あなたは次のことをする必要があります：
データ収集とデータ前処理：猫と犬の画像データセットを収集します。公開データセットを使用するか、自分で実際のデータを収集できます。そして、各画像にカテゴリ（猫または犬）をラベル付けし、ラベルが正確であることを確認します。画像をモデルが認識できる形式に変換し、データセットをトレーニングセット、検証セット、テストセットに分割します。
モデルの選択とチューニング：適切なモデルを選択します。例えば、畳み込みニューラルネットワーク（CNN）は画像分類タスクに適しています。異なるニーズに応じてモデルのパラメータやアーキテクチャをチューニングします。一般的に、モデルのネットワークの深さはAIタスクの複雑さに応じて調整できます。このシンプルな分類の例では、浅いネットワーク層で十分かもしれません。
モデルのトレーニング：GPU、TPU、または高性能計算クラスターを使用してモデルをトレーニングすることができ、トレーニング時間はモデルの複雑さと計算能力に影響されます。
モデル推論：モデルのトレーニングが完了したファイルは通常モデルの重みと呼ばれ、推論プロセスは既にトレーニングされたモデルを使用して新しいデータに対して予測または分類を行うプロセスを指します。このプロセスでは、テストセットや新しいデータを使用してモデルの分類効果をテストすることができ、通常は精度、再現率、F1スコアなどの指標を用いてモデルの有効性を評価します。
図に示すように、データ収集とデータ前処理、モデルの選択と調整、そしてトレーニングを経て、トレーニングされたモデルをテストセットで推論すると、猫と犬の予測値P（確率）が得られます。すなわち、モデルが猫または犬である確率を推論します。
トレーニングされたAIモデルは、さまざまなアプリケーションに統合され、異なるタスクを実行できます。この例では、猫と犬を分類するAIモデルがモバイルアプリに統合されており、ユーザーが猫または犬の画像をアップロードすると、分類結果が得られます。
しかし、中央集権的なAI開発プロセスには以下のシナリオにおいていくつかの問題があります:
ユーザーのプライバシー：中央集権的なシーンでは、AIの開発プロセスは通常不透明です。ユーザーデータは知らないうちに盗まれ、AIのトレーニングに使用される可能性があります。
データソースの取得：小規模なチームまたは個人が特定の分野のデータ（例えば、医療データ）を取得する際には、データがオープンソースでない制約に直面する可能性があります。
モデルの選択と調整：小規模なチームにとって、特定の分野のモデルリソースを取得したり、モデルの調整に多額のコストをかけたりすることは難しい。
算力取得：個人開発者や小規模チームにとって、高額なGPU購入コストやクラウド算力レンタル費用は、かなりの経済的負担となる可能性があります。
AI資産収入：データアノテーション作業者はしばしばその労力に見合った収入を得ることができず、AI開発者の研究成果も需要のある買い手とマッチするのが難しい。
中心化AIシーンで存在する課題は、Web3と組み合わせることで解決できます。Web3は新しい生産関係の一形態であり、新しい生産力を表すAIに自然に適応し、技術と生産能力の同時進歩を促進します。
1.3 Web3とAIの相乗効果：役割の変化と革新的なアプリケーション
Web3とAIの結合は、ユーザーの主権を強化し、ユーザーにオープンなAIコラボレーションプラットフォームを提供します。これにより、ユーザーはWeb2時代のAI利用者から参加者へと変わり、誰もが所有できるAIを創造します。同時に、Web3の世界とAI技術の融合は、より多くの革新的なアプリケーションシーンやプレイスタイルを生み出すことができます。
Web3技術に基づいて、AIの開発と応用は新しい協力経済システムを迎えます。人々のデータプライバシーは保証され、データのクラウドソーシングモデルがAIモデルの進歩を促進し、多くのオープンソースのAIリソースがユーザーに提供され、共有された計算能力は低コストで入手できます。分散型の協力クラウドソーシングメカニズムとオープンなAI市場を活用することで、公平な収入分配システムを実現し、より多くの人々がAI技術の進歩を推進することを奨励します。
Web3のシーンでは、AIが複数のトラックで積極的な影響を与えることができます。例えば、AIモデルはスマートコントラクトに統合され、さまざまなアプリケーションシーンで作業効率を向上させることができる機能を持っています。市場分析、安全検出、ソーシャルクラスターなどの多様な機能です。生成的AIは、ユーザーが「アーティスト」としての役割を体験できるだけでなく、AI技術を使用して自分のNFTを作成したり、GameFiで多様なゲームシーンや面白いインタラクティブ体験を創造したりすることもできます。豊富なインフラはスムーズな開発体験を提供し、AIの専門家であれ、AI領域に入ろうとしている初心者であれ、この世界で適切な入り口を見つけることができます。
二、Web3-AIエコシステムプロジェクトの地図とアーキテクチャの解読
私たちは主にWeb3-AI分野の41のプロジェクトを研究し、これらのプロジェクトを異なるレベルに分類しました。各レベルの分類ロジックは下の図に示されています。基盤層、中間層、アプリケーション層の3つの層に分かれ、各層は異なるセクションに分かれています。次の章では、代表的なプロジェクトのデプスな解析を行います。
インフラストラクチャ層は、AIライフサイクル全体の運用をサポートする計算リソースおよび技術アーキテクチャを含み、中間層はインフラストラクチャとアプリケーションを接続するデータ管理、モデル開発、検証推論サービスを含み、アプリケーション層はユーザー向けの各種アプリケーションおよびソリューションに直接焦点を当てています。
インフラ層：
インフラストラクチャ層はAIライフサイクルの基盤であり、この記事ではコンピューティングパワー、AI Chain、および開発プラットフォームをインフラストラクチャ層に分類しています。これらのインフラストラクチャのサポートがあってこそ、AIモデルのトレーニングと推論が実現でき、強力で実用的なAIアプリケーションをユーザーに提供することができます。
分散型計算ネットワーク：AIモデルのトレーニングに分散型の計算力を提供し、高効率かつ経済的な計算資源の利用を確保します。一部のプロジェクトは分散型の計算市場を提供しており、ユーザーは低コストで計算力をレンタルしたり、計算力を共有して収益を得たりできます。代表的なプロジェクトにはIO.NETやHyperbolicがあります。さらに、一部のプロジェクトは新しい遊び方を派生させています。Compute Labsはトークン化プロトコルを提案しており、ユーザーはGPU実体を代表するNFTを購入することで、さまざまな方法で計算力のレンタルに参加し、収益を得ることができます。
AIチェーン：ブロックチェーンをAIライフサイクルの基盤として利用し、オンチェーンとオフチェーンのAIリソースのシームレスな相互作用を実現し、業界エコシステムの発展を促進します。チェーン上の分散型AIマーケットでは、データ、モデル、エージェントなどのAI資産を取引でき、AI開発フレームワークやそれに対応する開発ツールを提供します。代表的なプロジェクトにはSahara AIがあります。AIチェーンは、Bittensorが革新的なサブネット報酬メカニズムを通じて異なるAIタイプのサブネット競争を促進するように、異なる分野のAI技術の進歩を促進することもできます。
開発プラットフォーム：いくつかのプロジェクトはAIエージェント開発プラットフォームを提供しており、Fetch.aiやChainMLなどでAIエージェントの取引も実現できます。一体型のツールは開発者がAIモデルをより便利に作成、訓練、展開するのを助け、代表的なプロジェクトとしてNimbleがあります。これらのインフラはWeb3エコシステムにおけるAI技術の広範な応用を促進しています。
中間：
このレイヤーはAIデータ、モデル、推論および検証に関わっており、Web3技術を採用することでより高い作業効率を実現できます。
さらに、一部のプラットフォームでは、分野の専門家や一般ユーザーがデータ前処理タスクを実行できるようにしています。例えば、画像ラベリングやデータ分類など、これらのタスクは専門的な知識を必要とする金融や法律関連のデータ処理が含まれます。ユーザーはスキルをトークン化し、データ前処理の協力的なクラウドソーシングを実現できます。Sahara AIのようなAIマーケットは、異なる分野のデータタスクを提供し、多様なデータシナリオをカバーします。一方、AIT Protocoltは人間と機械の協調によってデータをラベリングします。
いくつかのプロジェクトは、ユーザーが異なるタイプのモデルを提供したり、クラウドソーシング方式でモデルを共同訓練することをサポートしています。例えば、Sentientはモジュラー設計を通じて、ユーザーが信頼できるモデルデータをストレージ層や配信層に置いてモデルを最適化できるようにしています。また、Sahara AIが提供する開発ツールには、先進的なAIアルゴリズムと計算フレームワークが組み込まれており、協力訓練の能力も持っています。
アプリケーション層：
このレイヤーは主にユーザーに直接向けられたアプリケーションであり、AIとWeb3を結びつけて、より面白く、革新的なプレイスタイルを生み出します。本稿では、AIGC（AI生成コンテンツ）、AIエージェント、データ分析のいくつかのセクションのプロジェクトについて整理しています。
AIGC：AIGCを通じてWeb3のNFTやゲームなどの分野に拡張できます。ユーザーはPrompt（ユーザーが提供するヒント）を使用してテキスト、画像、音声を生成でき、さらにはゲーム内で自分の好みに基づいてカスタマイズされたプレイスタイルを生成することもできます。NFTプロジェクトであるNFPromptでは、ユーザーはAIを使用してNFTを生成し、市場で取引できます；ゲームであるSleeplessでは、ユーザーは対話を通じて仮想のパートナーの性格を形成し、自分の好みに合わせます；
AIエージェント：自律的にタスクを実行し、意思決定を行う人工知能システムを指します。AIエージェントは通常、知覚、推論、学習、行動の能力を備えており、さまざまな環境で複雑なタスクを実行できます。一般的なAIエージェントには言語翻訳が含まれます。