Yellow.com

世界で最も強力なAIモデルは、ひと握りの大企業に独占されている。価格は彼らが決め、誰にアクセスを与えるかも彼らが決める。ユーザーデータからモデルが学習した重みやパラメータの権利も、すべて企業側が握っている。

そうした集中モデルへの真っ向勝負として2026年に登場したのが Sentient（SENT）だ。貢献者が、自分たちが関与してつくり上げたモデルに対して、暗号的に証明可能な持分を保有できるオープンなAIプラットフォームを掲げる。2026年7月には、SENTトークンが1日で約26％急騰し、市場が分散型AIストーリーに強い関心を寄せていることを印象づけた。

ただし、Sentientは例外ではない。ブロックチェーンを用いてモデルのオープンな所有権を強制し、分散トレーニングを調整し、誰でも計算資源を提供して報酬を得られる推論（インファレンス）マーケットを構築するプロトコルが次々と現れている。これらのネットワークが、インセンティブ設計、暗号技術、オンチェーン決済のレベルで実際にどう機能しているかを理解することが、本物のインフラと単なるバズワードを見分ける最短ルートだ。

要点まとめ（TL;DR）

分散型AIネットワークは、ブロックチェーンを通じてAIモデルの所有権を明文化し、学習後に貢献者が排除されないようにする。

トレーニング層と推論層を分離し、計算資源とデータの提供者へ、それぞれの段階でオンチェーン管理された報酬を付与する。

ゼロ知識証明や暗号的アテステーションにより、モデルを再実行せずに「正しい推論が行われた」ことを検証できる。

ガバナンストークンは、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への投票権を貢献者に与える。

中核となるトレードオフは「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りつつある。

クローズドAIがオープンネットワークにもたらす構造的ゆがみ

あらゆる大規模AIモデルは、どこかから集められたデータで学習している。テキスト、コード、画像を生み出しているのは、ユーザー、研究者、オープンソースコミュニティだ。だが現在の中央集権型モデルでは、そうした貢献者には一切の対価が支払われず、モデルを学習させた企業だけが価値を独占する。

この構造は、時間とともに歪みを拡大させる。自らのデータが無償で取り込まれていると気づいた優良な貢献者は、オープンな共有をやめてしまう。

結果としてモデルは、企業が合法的に確保できる範囲のデータ──多くは利用規約が法廷で争われているような形でクローリングされた公開Webデータ──に依存せざるを得なくなる。トレーニングのパイプラインは「協働」ではなく「収奪」に近づいていく。

分散型AIネットワークは、ここに別の設計を持ち込む。トレーニング開始前に貢献者をオンチェーンで登録し、彼らのデータや計算リソースの提供を検証可能なインプットとして記録する。モデル利用から生じた収益は、事前に定義されたルールに沿ってスマートコントラクトが還元し、誰かが1GPU時間でも提供する前に、そのルールは固定されている。

ブロックチェーン自体がAI計算を行うわけではない。任意の参加者が進んでリソースを提供できるようにする「所有権の契約」を、改ざん不可能な形で執行する役割を担っている。

関連記事: https://yellow.com/agentic-trading

モデル所有権はオンチェーンでどう定義されるのか

分散型AIネットワークにおけるモデル所有は、単純に「ファイルを持つ」こととは違う。学習済みモデルは、しばしば数十億にも及ぶ浮動小数点パラメータの集合であり、分散ノード上に保持される。「モデルを所有する」とは、そのモデルが生み出す収益の一部に対する、暗号的に強制可能な請求権と、将来の開発方針に関するガバナンス権を持つことを意味する。

仕組みの中核は、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。トレーニング期間中にデータ、計算資源、コードを提供した貢献者には、事前に定められた比率に応じてこれらトークンが配分される。

配分のアルゴリズムは、トレーニング開始前にスマートコントラクトとして書き込まれ、後から遡って変更することはできない。

その後、誰かがモデルに対して推論を実行するたび──予測、テキスト生成、埋め込み生成などのクエリを投げるたびに──支払われた手数料は、推論を実行したインフラ提供者とモデル所有トークン保有者の間で分配される。この分配比率はガバナンスで決まる。モデルが広く使われるようになればなるほど、初期貢献者は追加の労働を伴わないロイヤルティ収入のような形で、継続的に収益を得る構造だ。

Sentientは、ここに「Sentient Model Fingerprinting（モデル指紋）」という独自の仕組みを重ねる。同プラットフォーム上で学習された各モデルには、特定のバージョンに紐づく暗号学的な指紋が埋め込まれており、推論結果からどのモデルが使われたのかをトレースできる。

これにより、モデルの重みをコピーして、所有権トークン保有者に手数料を支払うことなく推論を実行する「海賊版」の検出が可能になる。クローズドモデルの重みであれば極めて容易だった無断利用を、証明可能な形で押さえ込めるわけだ。指紋によりオンチェーンの監査トレイルが形成され、重み自体がオープンであっても収益分配の強制力を維持できる。

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のライフサイクルを2つの経済レイヤーに切り分ける。この区別を理解することが重要なのは、関わる参加者、インセンティブ設計、技術的な課題がそれぞれ異なるためだ。

トレーニング層は、モデルが「学ぶ」プロセスに相当する。中央集権型の世界では、1社が自社データセンター内で一括して実行するが、分散ネットワークでは、多数の参加者がそれぞれ一部の計算を担う形で学習を分散させる。

ここでの鍵は「同期と合意」だ。全参加者は、学習の各ステップにおいてモデルの状態に合意しなければならない。つまり、資金決済ではなく勾配更新（グラディエント）の整合性を取ることに特化したコンセンサスメカニズムが必要になる。BittensorやGensynといったプロジェクトは、これに特化したプロトコルを構築しており、オンチェーンのスコアリングにより各参加者の勾配貢献の質を評価し、それに応じて報酬を配分している。

推論層は、学習済みモデルがエンドユーザーに対して出力を返す層だ。推論はトレーニングと異なり、繰り返し性が高く、遅延に敏感で、相対的に検証しやすい。ユーザーがクエリを投げ、推論プロバイダーが自前のハードウェアでモデルを実行し、結果を返す。ここでの本質的な問いは、「そのプロバイダーが本当に指定されたモデルを動かしたのか、それとももっと安上がりな代替を使ったのではないか」をどう見極めるかだ。

この問題に応えるのが推論マーケットである。複数のプロバイダーが、1件のクエリを処理する権利を入札する。落札したプロバイダーはモデルを走らせ、結果とともに暗号学的証拠を提出する。ほかのプロバイダーは、チャレンジメカニズムを通じて結果の抜き打ち検査を行える。不正が発覚すれば、不正プロバイダーはステークしていた担保を没収され、誠実な側に報酬が渡る。全ノードが毎回検証するのではなく、市場メカニズムにより「正確さへのインセンティブ」を働かせる構造だ。

「推論マーケットは、予測市場の経済設計を借用している。参加者は自らの出力の正しさに価値を賭け、誤った出力にはスラッシング（担保没収）による罰則が科される。これは、PoSネットワークにおける不正バリデーターの処罰と同じ仕組みだ。」

モデルを再実行せずにAI出力を検証する暗号証明

分散型AIにおける最大の技術的課題は「検証」のコストだ。大規模言語モデルを1回走らせるだけでも高コストだが、検証のためにもう1回まるごと実行するのは、スケールを考えれば経済的に成り立たない。それでも検証なしにはインセンティブ設計が崩壊する。プロバイダーは、もっともらしく見える適当な出力を返すだけで報酬を得られてしまうからだ。

2026年時点で、2つのアプローチが精力的に開発されている。

1つ目は推論に対するゼロ知識証明だ。これは、プロバイダーが「特定の計算を正しく実行した」という数学的証拠を生成し、検証者側はモデルの重みを知ることなく、かつモデルを再実行することなく、その証拠だけをチェックする。証明の検証は生成より桁違いに安い。Modulus LabsやZKMLなどのプロジェクトが小規模モデルでの実用例を示しているが、最先端クラス（700億パラメータ級以上）のモデルでは、証明生成のオーバーヘッドが依然として大きい。1回の推論に対して、実際の推論がミリ秒単位で済むのに対し、証明生成には専用ハードウェアでも数分を要するケースがある。

2つ目は、オプティミスティック実行と不正証明だ。これはEthereum（(ETH)）のオプティミスティックロールアップ設計から借用した手法で、基本的には「結果は正しいと仮定して受け入れ、後から異議申し立てを受け付ける」モデルである。一定のチャレンジ期間内であれば、誰でもリファレンスノード上で計算を再実行し、誤りを証明できる。不正が立証されれば、最初に結果を出したプロバイダーのステークが没収され、チャレンジャーが報酬を得る。

この方式は、多くのプロバイダーが誠実であるという前提では高速だが、結果が「最終確定」とみなされるまでにタイムラグが生じる。

多くの実運用システムは、2026年時点でハイブリッド型を採用している。通常のクエリにはオプティミスティック実行を用いながら、ランダムに選ばれた一部のクエリに対してゼロ知識証明によるスポットチェックを行うことで、すべてのリクエストを検証対象にせずにプロバイダーのモラルハザードを抑え込む。検証対象とする割合はガバナンスパラメータとしてトークン保有者が調整可能であり、証明生成コストの低下に合わせてダイナミックに変更されていく。

ガバナンストークンがモデル開発に果たす役割

分散型AIネットワークにおけるガバナンストークンは、単なるプロトコルアップグレードの投票ツールにとどまらない。モデルの経済価値に直結する意思決定──今後のファインチューニングにどのデータセットを用いるか、どのようなセーフティフィルターを適用するか、推論手数料をどのような配分比率にするか、モデルの重みを完全オープンにするか、それとも限定公開にとどめるか──に対する議決権を意味する。

これは、クローズドAIとは権力構造が根本的に異なる。中央集権モデルでは、企業内部のセーフティチームが方針を決める。どのようなガードレール（安全枠組み）を適用するか――この判断は、分散型ネットワークではトークン保有者に委ねられる。しかし彼らの利害は必ずしも一致しない。

モデル性能の最大化を重視する参加者は、一部タスクでのパフォーマンス低下を招く安全制限に反対票を投じるだろう。一方、自国・自地域で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に賛成する可能性が高い。

そこで多くのネットワークが採用しつつあるのが、二層構造のガバナンスだ。まず、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）」が設けられ、フルオンチェーン投票を待てない時間敏感な安全関連の意思決定を担う。一方で、手数料体系や収益分配といった経済パラメータは、十分な審議期間を設けたうえで、全トークン保有者による投票に付される。
これは、多くのDeFiプロトコル――代表例がAaveやCompound――が、完全オンチェーンかつ完全民主制のガバナンスが、低投票率攻撃や締切直前の票操作に脆弱であると痛感したうえで採用してきた構図とよく似ている。

モデル・ガバナンスには、AI特有の難題もある。それは「アップデート後、そのモデルが“何であるか”が変わってしまう」ことだ。元のモデルの学習に貢献した参加者は、その価値を表すトークンを保有している。ところが、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、モデルの振る舞いが大きく変化した場合、彼らのトークンは依然として「同じ資産」に対する請求権と言えるのか。

多くのプロトコルは、この問題に対し「大きなバージョンアップごとに新トークンを発行し、既存ホルダーに新トークンを按分配布する」という形で対応している。これは、スピンオフで既存株主に新会社株が割り当てられるエクイティの世界に近い発想だ。

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

データ提供、プライバシー、そしてフェデレーテッドラーニングの課題

分散型AIネットワークの設計で最も重要な論点の一つが、「データ提供者がプライバシーを守りつつ、どう参加するか」だ。医療記録、金融データ、個人のコミュニケーション履歴などは、特化型AIモデルの学習にとって極めて価値の高い入力データだが、そのままネットワーク上にアップロードすれば、重大なプライバシーリスクや規制リスクが発生する。

このジレンマに対し、一定の解決策を提供するのが**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、各参加者は手元のデータだけを使ってローカルでモデル更新を行い、「勾配」――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。ネットワークは複数参加者からの勾配を集約するが、生データそのものは一切取得しない。モデルはプライベートデータから学習しつつ、データ自体は参加者の管理下から一歩も外に出ない、という構造だ。

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の「調整」と「支払い」の部分にある。スマートコントラクトが、各学習ラウンドでどの参加者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用いて勾配の品質や有用性をスコアリングし、その結果に応じて報酬を分配する。
この評価問題は決して容易ではない。参加者はランダムな勾配を送るだけで、実際にはまじめに計算していなくても報酬を得ようとするかもしれないからだ。FedMLやSentient独自のトレーニングフレームワークのようなプロトコルは、この問題に対処するために暗号学的コミットメントと遅延公開メカニズムを用いる。他参加者の勾配提出を見てから自分の勾配を都合よく作り替えられないよう、まず勾配のハッシュに「コミット」させ、後から中身を「リビール」させる仕組みだ。

さらに通常は、フェデレーテッドラーニングの上に**差分プライバシー（differential privacy）**が重ねられる。これは、公開されたモデルの重みから、個々の学習データが再構成されないことについて、数学的に厳密な保証を与える技術だ。どれだけ情報漏えいを許容するかを表す「プライバシーバジェット」は、ガバナンスで調整されるパラメータとなる。トークン保有者は、モデルの実用性と、データ提供者のプライバシー保護とのトレードオフをここで選択する。

「フェデレーテッドラーニングと差分プライバシーを組み合わせれば、分散型AIネットワークはデータプライバシー問題に対して“筋の通った答え”を提示できる。提供者は決してデータを手放さない。ネットワークもそれを直接見ることはない。それでもモデルは、そのデータから学習して賢くなっていく。」

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

いま、分散型AIネットワークの恩恵を実際に受けているのは誰か

メカニズムを理解することと、「2026年時点で、誰が本当にこの仕組みを必要としているのか」を見極めることは別問題だ。分散型AIは、今日すでに有用な領域もあれば、現状では非現実的な領域もはっきりしている。

まず、最も分かりやすくメリットがあるのは独立系AI研究者やオープンソース貢献者だ。彼らは、自らが支持するモデルに対して学習用計算リソースやキュレートしたデータセットを提供し、その見返りとして検証可能なオーナーシップ（所有権）を獲得し、モデル利用に応じた継続的な収益分配を受け取ることができる。
対照的に、LLaMA系モデルのようなオープンソースモデルに無償で貢献した場合、評判や実績は得られるが、そのモデルが商業利用されても経済的なリターンは発生しない。

自社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高まりつつある。たとえば、医療機関グループが高度な医療AIモデルを構築したくても、患者データを外部の中央集約型AIプロバイダーと共有することはできない。フェデレーテッドな分散ネットワークであれば、データをオンプレミスに留めたまま、モデル学習に参加できる。オンチェーンの所有権記録は、データ提供とモデル利用の履歴を追跡可能にし、規制当局や監査に耐えうる説明責任を確保する。

DeFiプロトコルやWeb3アプリケーションにとっては、「検閲されず、任意に停止されないAI推論（インファレンス）」が鍵となる。現実世界のイベントデータをAIで処理する予測市場が、運用の只中で中央集権的なAIプロバイダーにAPIアクセスを一方的に遮断されるリスクは許容できない。分散型のインファレンス市場なら、複数のプロバイダーが推論実行を競い合うため、冗長性と検閲耐性が確保される。これは構造的に、単一のAPIプロバイダーに依存するモデルでは実現し得ない特性だ。

もっとも立ち位置があいまいなのはリテール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、投票権とネットワーク手数料へのエクスポージャーは得られるが、その価値を最大化するには主体的な関与が必要となる。投票に参加しないパッシブホルダーは、積極的に参加するホルダーに対して実質的に希薄化される構造だ。このダイナミクスは、DeFiプロトコルのガバナンストークンとほぼ同じであり、「上振れのポテンシャルはあるが、放置していても自動的に報われるわけではない」と言い換えられる。

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、「現時点での限界」を正面から認めることだ。根本的な緊張関係は明快で、「AI計算の検証可能性を高めれば高めるほど、処理は遅くなり、コストもかさむ」。

たとえば、OpenAIのGPT-5のような中央集権的APIであれば、一般的な問い合わせの推論結果はおおむね500ミリ秒程度で返ってくる。これと同等スケールのモデルに対して、完全なゼロ知識証明付き推論（フルZK検証インファレンス）を行うと、2026年時点の技術水準では、ハードウェアや証明システムの選択にもよるが、おおむね30秒から数分単位の時間を要する。
リアルタイム性が命となるアプリケーション――高頻度取引用シグナル、即時コンテンツモデレーション、インタラクティブなチャットボット――にとって、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」だ。オプティミスティックインファレンスでは、最初の推論結果が返ってくるスピードは中央集権APIとほぼ同等に抑えられる。その代償として「最終確定までの遅延」が発生する。アプリケーション側は、チャレンジウィンドウが終了し、結果が争われないことが確認されるまで、「確定値」として扱うことができない。
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、完全なリアルタイム性を要求するサービスにとっては依然として障害となる。

一方、コスト面では分散型の方が優位に立ち始めている。フロンティアモデルへのアクセスを握る中央集権APIプロバイダーは、市場支配力を背景にプレミアム料金を設定している。これに対し、推論実行を複数プロバイダーが競争的に入札するインファレンス市場では、価格は限界費用に近づく方向に収斂しやすい。
Akash Networkが提供するAI向けコンピューティングの初期データを見ると、汎用GPUリソースを分散型市場経由で調達した場合、最先端性能を必要としないモデルであれば、同等の中央集権APIと比べて3〜6割程度安価に運用できる可能性が示唆されている。

総括すれば、分散型AIネットワークは、レイテンシーに一定の余裕があり、プライバシーや検閲耐性が重視される領域では、すでに「本番投入可能」な水準にある。一方で、リアルタイム性が求められるフロンティアモデル領域では、依然として中央集権プロバイダーに軍配が上がる。
証明生成ハードウェアやzkML（ゼロ知識マシンラーニング）研究の進展により、このギャップは今後も着実に縮まっていくとみられるが、少なくとも近い将来に完全に解消されるとみるのは楽観的すぎるだろう。

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

結論

分散型AIネットワークが目指しているのは、フロンティアモデルを駆動する巨大GPUクラスターの代替ではない。

彼らが構築しようとしているのは、AI開発の上に重ねる「経済・法制度レイヤー」だ。そこでは、自発的な貢献に経済合理性を与え、オープンな所有権を強制力ある形で担保し、推論収益の流れを監査可能にする。ブロックチェーンはスーパーコンピュータではなく、プロパティレジストリ（権利台帳）であり、決済・清算インフラという位置づけになる。

2026年7月のSentientトークン高騰は、「オープンなAI開発が、潤沢な資本を持つクローズドな競合に対抗するには、信頼できる経済モデルが不可欠だ」という市場の見方がようやく価格に織り込まれ始めたサインとも読める。
オンチェーンでのモデル指紋認証、暗号学的検証付きインファレンス市場、差分プライバシーを備えたフェデレーテッドトレーニング――これらはもはや机上の空論ではない。すでに実ネットワーク上で稼働し、実際に貢献者に報酬を支払っている仕組みだ。

分散型AIが書き換える──Web3を支えるモデル支配の構図