分散型AIが書き換える、Web3を動かすモデル支配の構図

世界で最も強力なAIモデルは、依然として一握りの大企業が握っている。価格も、利用者も、学習で得た重みやパラメータも、すべて彼らの裁量で決まる。

2026年にローンチした Sentient（SENT）は、こうした中央集権型モデルへの正面からの挑戦だ。貢献者が自ら創り上げたモデルに対し、オンチェーンで「証明可能な持分」を保有できるオープンAIプラットフォームを掲げる。同年7月にはトークン価格が1日で約26％急騰し、「分散型AI」というテーマに市場が本格的に目を向け始めたことを印象づけた。

もっとも、Sentientは孤立した存在ではない。ブロックチェーンを活用し、モデルのオープンな所有権を担保しつつ、分散トレーニングを調整し、誰もが計算資源を提供して報酬を得られる「推論マーケット」を構築しようとするプロトコルが相次いでいる。

それらが本当にインフラとして機能するのか、それとも単なるバズワードなのかを見極めるには、インセンティブ設計、暗号技術、オンチェーン決済という足回りのメカニズムを理解することが欠かせない。

要点

分散型AIネットワークは、ブロックチェーンでAIモデルの所有権を明確化し、学習後に貢献者が排除されないよう権利を保護する。

トレーニングと推論を別レイヤーとして分離し、それぞれで計算資源やデータを提供した参加者に対し、オンチェーンで報酬を計測・分配する。

ゼロ知識証明などの暗号証明により、モデルを再実行せずに「正しい推論が行われた」ことを検証可能にする。

ガバナンストークンにより、モデルのアップデート方針、手数料設計、アクセスルールなどに対する議決権が貢献者に付与される。

中心的なトレードオフは「性能 vs 検証可能性」。完全オンチェーン推論は依然として中央集権APIより遅く高コストだが、その差は急速に縮まっている。

クローズドAIとオープンネットワークの構造的不整合

大規模AIモデルは、必ず誰かのデータの上に成り立っている。ユーザー、研究者、オープンソースコミュニティが生み出すテキスト、コード、画像が学習の燃料だ。だが現在の中央集権モデルでは、こうした貢献者には一切のリターンがない。モデルを学習させた企業だけが価値を独占する。

その結果、「質の高い貢献者ほど、無償でデータを提供するインセンティブを失う」という逆説が生まれる。自分のアウトプットが無償で搾取されていると気付けば、彼らはオープンな場にデータを出さなくなる。

モデル開発側は、法的に取得可能なデータに依存せざるを得なくなり、多くは利用規約が訴訟で争点となるような「グレーゾーンのスクレイピング」に傾きがちだ。トレーニングのパイプラインは、協調よりも収奪色を強めていく。

分散型AIネットワークは、これとは異なるゲームのルールを提示する。トレーニング開始前に貢献者をオンチェーンに登録し、提供されたデータや計算資源を検証可能なインプットとして記録。モデル利用から生じる収益は、事前にスマートコントラクトで定義されたルールにしたがって、GPU時間ひとつひとつにまでさかのぼって分配される。

ブロックチェーン自体がAI計算を行うわけではない。自発的な貢献を「経済合理」にするための、所有権契約の執行を担っているにすぎない。

オンチェーンでのモデル所有権はどう機能するのか

分散型AIネットワークにおけるモデル所有権は、「ファイルの所有」とは別物だ。学習済みAIモデルは、通常は数十億個もの浮動小数点パラメータから成り、それが分散ノード上に分かれて保存される。「モデルを所有する」とは、そのモデルが生み出す収益に対する権利持分と、将来の開発方針に関するガバナンス権限を、暗号的に証明可能な形で保有することを意味する。

その仕組みの中核にあるのが、モデルの初回トレーニングに紐づく「ミンティング・イベント」だ。モデルが初めてデプロイされるとき、そのモデル専用の所有権トークンが一定量発行される。トレーニング中にデータ、計算資源、コードを提供した貢献者は、その貢献度に応じてトークンの割り当てを受ける。

割り当ての算定式は、トレーニング開始前にスマートコントラクトに書き込まれ、後から書き換えることはできない。

その後、推論のたびに経済フローが発生する。ユーザーが予測やテキスト生成、埋め込みベクトルの作成などでモデルに対して推論を実行すると、支払われた手数料は、推論を実行したインフラ提供者と、所有権トークン保有者の間で分配される。その配分比率はガバナンスで決まる。モデルが広く使われるほど、初期貢献者は「ロイヤルティ」のようなかたちで継続収入を得られる。

Sentient はここに独自性を加える。「Sentient Model Fingerprinting」と呼ぶ仕組みで、Sentient上で学習された各モデルに暗号学的なフィンガープリント（指紋）を埋め込み、どのモデルバージョンがどの推論結果を生んだかを追跡できるようにする。

これによって、モデルの重みをコピーして勝手に推論を行い、正当な所有権手数料を支払わない――いわば「AIモデルの海賊版」を検出しやすくなる。クローズドモデルではコピーの発覚がほぼ不可能だったが、フィンガープリントにより、重みをオープンにしたままでもオンチェーンの監査トレイルを通じて収益執行が可能になる。

2つのレイヤー：分散トレーニングと推論マーケット

分散型AIネットワークは、AIライフサイクルを明確に2つの経済レイヤーに分割する。それぞれ、参加者もインセンティブも技術課題も異なる。

トレーニングレイヤー は、モデルが「学ぶ」段階だ。中央集権型では、1社が自社データセンターで一括して計算を回す。一方、分散ネットワークでは、多数の参加者がそれぞれGPUを提供し、トレーニング計算を分担する。

最大の課題は「協調」にある。すべての参加者が、各ステップでのモデルの状態に合意しなければならない。これは、通常のトランザクションではなく「勾配更新」に最適化されたコンセンサス機構を要求する。Bittensor や Gensyn などのプロジェクトは、こうした用途に特化したプロトコルを構築している。各参加者が提出した勾配の質をオンチェーンでスコアリングし、その評価に応じて報酬を配分する仕組みだ。

推論レイヤー は、学習済みモデルがエンドユーザー向けにアウトプットを返す段階だ。推論はトレーニングと違い、反復的かつ時間にシビアであり、検証のハードルも相対的に低い。ユーザーがクエリを投げ、推論プロバイダーが自前ハードウェアでモデルを走らせ、結果を返す。ここでの根本的な問いは、「プロバイダーが、指定されたモデルを本当に実行したのか、それとも安上がりな代替モデルでごまかしていないか」をどう見極めるかだ。

そこで登場するのが「推論マーケット」である。複数のプロバイダーが1つのクエリをめぐって入札し、落札したプロバイダーがモデルを実行。結果とともに暗号学的な証拠を返す。さらに、他のプロバイダーがランダムに結果を検査する「チャレンジ・メカニズム」が用意されており、不正が見つかれば、嘘をついたプロバイダーのステーク（担保）は没収される。正直なプロバイダーは継続的に手数料を獲得できる。

この市場デザインにより、ネットワーク全体で毎回フル検証することなく、「精度と誠実さ」に経済的インセンティブを付与できる。

「推論マーケットは、予測市場の経済設計を借用している。参加者は自らのアウトプットの正しさに価値を賭け、誤ったアウトプットはスラッシング（担保没収）によって罰せられる。これはプルーフ・オブ・ステーク型ネットワークにおける不正バリデーターへの処罰と同じ原理だ。」

モデルを再実行せずに推論結果を検証する暗号証明

分散型AIにおける最大の技術的ボトルネックは「検証」だ。大規模言語モデルを1回動かすだけでも高コストなのに、結果確認のためにもう1回フル実行する――というアプローチは、規模が大きくなれば経済合理性を完全に欠く。それでも検証を省けば、プロバイダーが適当な文章を返しても見抜けず、インセンティブ設計が破綻する。

2026年時点では、2つのアプローチが実用化に向けて開発されている。

推論のゼロ知識証明 は、ある計算が正しく実行されたことを、モデルの重みそのものを開示したり、検証者側で再度モデルを走らせたりすることなく証明する手法だ。プロバイダーが証明を生成し、検証者はその証明をチェックする。生成は高コストだが、検証ははるかに低コストで済む。Modulus Labs や ZKML などが小規模モデルでの実証に成功しているが、70Bパラメータ級の最先端モデルでは、依然として証明生成のオーバーヘッドが大きい。1回の推論に対して、実際の推論はミリ秒でも、証明生成には専用ハードウェアを使って数分かかるケースも珍しくない。

オプティミスティック実行＋不正証明 は、イーサリアム (ETH) のオプティミスティックロールアップ設計を応用したアプローチだ。まず結果を「正しいもの」として一旦受け入れ、一定時間内であれば誰でもチャレンジ（異議申し立て）できるようにする。チャレンジャーはリファレンスノード上で計算を再実行し、誤りを立証できれば、元のプロバイダーのステークは没収され、チャレンジャーが報酬を得る。

この方式は、プロバイダーが概ね正直に振る舞う「通常ケース」では高速に動くが、結果の最終確定までタイムラグが発生するという副作用がある。

多くの2026年時点の実装は、両者を組み合わせたハイブリッド型だ。日常的なクエリにはオプティミスティック実行を用いつつ、一部をランダムに選んでゼロ知識証明によるスポットチェックを行い、全リクエスト検証というコストをかけずに誠実性を担保する。検証対象となるクエリの割合はガバナンスで決まるパラメータであり、証明生成コストの低下に合わせて、段階的に引き上げることも可能だ。

関連記事: OpenAI安全チームのベテラン退社、その軌跡と含意

モデル開発におけるガバナンストークンの役割

分散型AIネットワークのガバナンストークンは、単にプロトコルアップグレードに投票するだけの存在ではない。モデルの経済価値に直結する意思決定――どのデータセットを使って将来のファインチューニングを行うか、どの程度の安全フィルターを適用するか、推論手数料をどう分配するか、モデルの重みを完全オープンにするのか限定公開にとどめるのか――といった点を左右する。

これは、クローズドAIとは本質的に異なる権力構造を生む。中央集権型では、データポリシーも検閲方針も価格戦略も、すべて企業経営陣が一方的に決める。分散型AIでは、貢献者とトークン保有者が、その意思決定プロセスに直接関与する。

こうしたガバナンスの設計次第で、分散型AIネットワークは「オープンで透明なインフラ」になり得る一方、投機的ガバナンス争いに陥るリスクもある。最終的にどちらに振れるかは、トークンの分布、投票参加率、長期的なインセンティブ設計など、金融工学と政治経済学の両面にまたがる問題だと言える。中央集権型のAIモデルでは、安全性に関するルール（ガードレール）は社内のセーフティチームが一括して設計・適用する。これに対し分散型ネットワークでは、その判断権はトークン保有者に委ねられ、利害がしばしば衝突する。

モデル性能の最大化を重視する参加者は、一部タスクのパフォーマンスを落としかねない安全制限に反対票を投じるだろう。一方、自国・自地域の規制順守を最優先する参加者は、より厳格なフィルタリングを支持する可能性が高い。

このジレンマに対し、多くのネットワークが採用しつつあるのが「二層型ガバナンス」だ。トークン保有者によって選出されるコア・カウンシル（中核評議会）が、フルガバナンス投票を待てない時間軸の短い安全性判断を担当する。一方で、手数料体系や収益配分といった広義の経済パラメーターは、熟議期間を長く取ったうえでトークン保有者全体による投票に付す。これは、完全オンチェーンかつ完全民主制のガバナンスが、低参加率攻撃やギリギリのタイミングでの票操作に脆弱だと判明した後に、AaveやCompoundなど多くのDeFiプロトコルが取ってきた構図とほぼ同じだ。

AI特有の難題として浮かび上がるのが、「アップデート後にモデルが何者になるのか」という論点である。初期モデルの学習に貢献した参加者は、そのモデルの価値にひも付くトークンを保有している。そこで、ガバナンス投票によって大規模なファインチューニングが承認され、モデル挙動が大きく変わった場合、そのトークンは依然として同じ資産へのクレームと言えるのか。多くのプロトコルは、メジャーバージョンごとに新たなトークンを発行し、既存ホルダーに対して新トークンを按分配布することでこの問題に対処している。これは、企業分割の際に既存株主へスピンオフ先の株式が割り当てられる仕組みに近い。

Also Read: https://yellow.com/news/bitcoin-63k-war-chatter

データ提供・プライバシー・フェデレーテッドラーニングの課題

あらゆる分散型AIネットワークに共通する最大級の設計テーマが、「データ提供者が秘匿情報をさらさずにどう参加するか」だ。医療記録、金融取引履歴、個人のコミュニケーションといったデータは、特化型AIモデルにとって極めて価値が高い。一方で、これらをそのまま共有ネットワークにアップロードすれば、深刻なプライバシー侵害と規制リスクを招く。

ここで一部解決策として機能するのが**フェデレーテッドラーニング（連合学習）**である。生データを中央の学習ノードに送る代わりに、各参加者が手元データでローカルにモデルを更新し、その「勾配」、すなわちモデルの重みをどの方向にどれだけ動かすべきかという数学的情報だけをネットワークに送信する。ネットワーク側は、基となるデータを一切見ることなく、複数参加者から勾配を集約することでモデルを改善できる。モデルはプライベートデータから学習するが、データ自体は決して参加者の手元を離れない。

ブロックチェーンの役割は、このフェデレーテッドラーニングにおける「調整」と「支払い」のインフラだ。スマートコントラクトが、各トレーニングラウンドで誰が勾配を提出したかを記録し、オンチェーンの評価関数を使って各勾配の質や有用性をスコアリングし、それに応じた報酬を分配する。ただし評価問題は容易ではない。参加者がランダムな勾配を投げても、正直に計算したか検証しない限り報酬を抜き取れてしまうからだ。FedMLやSentient独自のトレーニング基盤などは、暗号学的コミットメントや遅延開示メカニズムを組み合わせ、他の参加者の提出内容を見てから自分の勾配を書き換える行為を検出する仕組みを導入している。

さらに一般的には、このフェデレーテッドラーニングの上に差分プライバシーが重ねられる。これは、公開されたモデルパラメーターから、個々の学習データを復元できないことを数学的に保証するフレームワークだ。どこまで情報漏えいを許容するかを定量化した「プライバシーバジェット」も、トークンホルダーがモデルの有用性とデータ提供者のプライバシー保護とのトレードオフを調整するためのガバナンスパラメーターになりつつある。

「フェデレーテッドラーニングと差分プライバシーの組み合わせは、分散型AIネットワークにとってデータプライバシー問題への説得力ある解答になり得る。提供者はデータを手放さない。ネットワークはデータを直接見ることがない。それでもモデルはそのデータから学習し続けられる。」

Also Read: https://yellow.com/news/gpt-56-beats-human-interns-openai

現時点で分散型AIネットワークの恩恵を受けるのは誰か

仕組みを理解することと、「では2026年時点で誰が本当に気にするべきか」は別問題だ。この技術は、現状でも特定の文脈では十分実用的である一方、多くの場面ではまだ現実的ではない。

最もわかりやすい受益者は、独立系AI研究者やオープンソースコミュニティの貢献者だ。彼らは、自分が有望だと考えるモデルに計算資源やキュレーション済みデータセットを提供し、その見返りとして検証可能な「持分」を獲得し、モデル利用料から継続的な収益を得られる。LLaMA系モデルのような既存オープンソースに貢献する場合、評判は得られても、その後モデルが商業利用されても経済的なリターンは一切発生しない構造とは対照的だ。

機密データとコンプライアンス要件を抱えるエンタープライズの関心も急速に高まりつつある。専門特化した医療AIモデルを構築したい病院グループにとって、患者データを中央のAIサービス提供者へそのまま渡す選択肢は取りにくい。フェデレーテッドかつ分散型のネットワークであれば、データをオンプレミスに留めつつモデル育成に参加できる。オンチェーンに刻まれる「誰がどれだけ貢献したか」の所有権記録は、監査対応や規制当局への説明のうえでも有効だ。

DeFiプロトコルやWeb3アプリケーションにとっては、「検閲不能なAI推論」が重要なニーズになっている。現実世界のイベントデータを取り込みAIで評価する予測市場は、運用の真っ最中に中央集権的なAPIプロバイダーからアクセスを切られるリスクを取れない。分散型の推論マーケットであれば、複数プロバイダーによる冗長性と、構造的にAPI停止が起こりにくい検閲耐性を確保できる。

一方で、最もポジションが曖昧なのがリテール投資家としてのトークンホルダーだ。ガバナンストークンを保有すれば、ガバナンス投票権と手数料収入へのエクスポージャーは得られるが、その価値を取りに行くには能動的な参加が前提となる。投票に参加しないパッシブホルダーは、積極的に動く参加者との相対的な希薄化を受ける構図だ。これは、多くのDeFiガバナンストークンと同様、「上振れ余地はあるが、エンゲージメントなしではその価値を捕捉しにくい」という性格を持つ。

Also Read: https://yellow.com/news/solana-etf-bitwise-filing

パフォーマンスと検証可能性の本当のトレードオフ

分散型AIを語るうえで避けて通れないのが、「現時点でこの技術がどこに限界を抱えているのか」を直視することだ。中心にあるのはごく単純な緊張関係――AI計算を厳密に検証可能にすればするほど、処理は遅く高コストになる。

OpenAIのGPT-5のような中央集権型APIであれば、一般的なクエリに対する推論結果はおおむね500ミリ秒程度で返ってくる。これと同規模のモデルに対し、完全なゼロ知識証明つきで推論を行う場合、2026年時点ではハードウェアや証明方式にもよるが30秒から数分を要する。高速性が本質的に重要な用途――高頻度のトレーディングシグナル、リアルタイムコンテンツのモデレーション、対話型チャットボットなど――では、このレイテンシーギャップは依然として致命的だ。

このギャップを大きく縮めるアプローチが「オプティミスティック実行」である。オプティミスティック推論では、最初に返ってくる結果のレイテンシーは中央集権型APIとほぼ同等まで近づけられる。その代わりに「最終確定までの遅延」が発生し、アプリケーションはチャレンジ期間が終了するまで結果を完全に確定したものとして扱えない。多くのWeb3ユースケースでは、数分程度のチャレンジウィンドウは許容範囲だが、リアルタイム性が要求されるアプリケーションでは難しい。

コスト面の比較は、相対的にポジティブだ。フロンティア級モデルへのアクセスに関して、中央集権プロバイダーは事実上の独占的立場を背景にプレミアム価格を設定している。一方、複数のプロバイダーが推論処理を入札し合う競争的な推論マーケットでは、価格は限界費用に近づきやすい。Akash NetworkのAIコンピュート提供など初期のインファレンスマーケットのデータによれば、汎用GPUコンピュートを分散型マーケット経由で調達した場合、最先端性能を必ずしも要求しないモデルに限れば、同等の中央集権APIと比べて30〜60％程度安価に運用できるとの示唆が出ている。

総括すると、分散型AIネットワークは、レイテンシーにある程度余裕があり、プライバシー志向が強く、あるいは検閲耐性が重視される用途ではすでに本番運用可能な段階にある。一方、リアルタイム性が求められ、かつ性能面でフロンティア級モデルを必要とする領域では、依然として中央集権プロバイダーが優位だ。このギャップは、証明生成ハードウェアやzkMLの研究進展により今後も縮まっていく公算が大きいが、少なくとも近い将来に完全に消えることはないと見られる。

Also Read: https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin

結論

分散型AIネットワークは、フロンティアモデルを訓練する巨大GPUクラスターの代替を目指しているわけではない。

彼らが構築しようとしているのは、その上にかぶさる経済・法的レイヤーだ。自発的な貢献に合理的なインセンティブを与え、オープンな所有権を強制力を持って担保し、推論から生まれる収益を検証可能な形で精算するための仕組みである。ブロックチェーンはスーパーコンピューターではなく、「権利の登記簿」と「決済レイヤー」として位置づけられる。

2026年7月のSentientトークン急騰は、「オープンなAI開発が、資本力に勝るクローズド陣営と並走していくには、信頼できる経済モデルが不可欠だ」という認識を市場が織り込み始めたサインとも読める。オンチェーンでのモデルフィンガープリンティング、暗号学的検証を伴う推論マーケット、差分プライバシーを組み込んだフェデレーテッドトレーニングといったメカニズムは、もはや机上の空論ではない。すでに本番ネットワーク上で稼働し、実際に貢献者へ報酬を支払っている仕組みとして動き始めている。