AI分野は急速に再編が進んでいる。5つの最先端研究所（OpenAI、Anthropic、Google DeepMind、Meta、xAI）が、世界で最も高性能なモデルの大半、それらのモデルを学習させた独自データ、そしてさらなる学習に必要なコンピューティング・クラスターを掌握している。分散型AIは、これに対する暗号資産業界ならではの回答である。
分散型AI（DeAI）とは、現代のAIを機能させているのと同じ構成要素を、単一の企業ではなく、ブロックチェーンとトークンによるインセンティブによって調整できるという考え方です。これは、100億ドル規模のGPUクラスターを用いてOpenAIのトレーニング能力を上回ることを目指すものではなく、分散化が実際に機能するレイヤーにおいて、オープンな代替案を構築しようとするものです。
分散型AIとは何か？
「分散型AI」（通称DeAI）とは、ブロックチェーンインフラ上に構築され、トークンによるインセンティブによって調整される人工知能システムを指します。これは、計算処理、データ、モデル、意思決定を単一の企業ではなく、多数の参加者に分散させる仕組みです。
「DeAI」（大文字のD、大文字のAI）という略語は、現在この分野では標準的に使用されており、本稿では「分散型AI」と互換性のある用語として用いています。 この用語は、個々のプロジェクトよりも広い概念を指します。これは、ブロックチェーンによる調整層で接続されたスタック（下層のコンピューティング・マーケットプレイス、中層のデータおよびモデル・ネットワーク、上層のエージェント・フレームワーク）を包括するものです。
DeAIは、3つの傾向に対抗するために存在しています。第一に、最先端のAIが5つの研究所に集中していることです。これらの研究所における内部的な方針、安全性、価格設定の決定は、すべての人に影響を及ぼします。 第二に、一般の人々が目にすることもできず、同意も得ていないデータで訓練されたクローズドモデルの不透明さです。第三に、AI研究所と、その訓練にデータを提供したユーザーとの間の不整合です。価値は一方通行であり、貢献者にはトークンも株式も収益も還元されません。
これらの問題のいずれも、ブロックチェーンを導入しただけでは完全に解決されるわけではありません。しかし、所有権、支払い、証明を許可不要なシステム内で調整できるようになれば、それぞれの問題に対処しやすくなります。
分散型AI 対 フェデレーテッドラーニング
「分散型AI」と「フェデレーテッドラーニング」は似ているように聞こえますが、解決しようとする課題は大きく異なります。フェデレーテッドラーニングは、大手テクノロジー企業が採用しているプライバシー保護型の機械学習技術です。一方、DeAIは、ブロックチェーンとトークンを基盤とした、暗号資産ネイティブな動きです。
フェデレーテッドラーニングでは、生データが各デバイスから外部に流出することなく、多くのデバイス（スマートフォン、病院のサーバー、銀行のデータベースなど）にわたってモデルの学習が行われます。転送されるのはモデルの更新情報のみです。 GoogleのGboardは次の単語予測に、Appleはデバイス内学習に、医療コンソーシアムは患者記録を公開することなく診断モデルを学習させるために、この技術を利用しています。通常、モデルを所有する企業が中心となって、すべてを調整します。
DeAIは、中央集権的な調整とは正反対の仕組みです。計算リソース、データ、そして場合によってはモデルそのものも、多くの独立した主体によって所有・運用されます。ブロックチェーンがこれらを調整し、有用な貢献に対してはトークンが報酬として付与されます。
フェデレーテッド・ラーニングの手法は、プライバシーを保護するためにDeAIシステム内で実行できるため、この2つは組み合わせることが可能です。しかし、フェデレーテッド・ラーニングだけではDeAIとは言えません。 フェデレーテッドラーニングは、その数学的処理の方法に関するものです。DeAIは、システムの所有権が誰にあるかに関するものです。
分散型AIの仕組み
DeAIは単一の技術ではなく、一連の技術の集合体です。重要なのは4つの層であり、それぞれに独自のプロジェクトが存在します。
コンピュート層
AIモデルのトレーニングや実行に必要なGPUやその他のハードウェア。この点が、DeAIとDePINが直接重なる部分です。Render、Akash、io.netといったネットワークは、推論ジョブを実行する個人の愛好家から、大規模な微調整を行うスタートアップまで、AIワークロード向けに分散型GPUリソースを貸し出しています。 2024年から2026年にかけてのGPU不足により、このレイヤーはDeAIエコシステムの中で最も活発な部分となっています。
データ層
モデルの学習に必要なデータセット。分散型データマーケットプレイスを利用すれば、データ所有者は管理権を譲り渡すことなくデータセットを収益化できます。FilecoinやArweaveといったストレージネットワークは、モデルの重み、学習用データセット、および出力結果をホストしています。ここでのデータ量は、中央集権型のデータブローカーと比べるとまだ小規模ですが、インフラ自体は機能しています。
モデル層
誰でも実行、微調整、または修正できるオープンウェイトモデル。トークンによるインセンティブが組み込まれたトレーニングネットワーク（中でもBittensorが最も著名）では、特定のタスクにおいて有用なモデル改善に貢献した参加者に報酬が与えられる。 なお、「オープンウェイト」そのもの（MetaのLlamaやMistralのモデルなど）はDeAIではありません。それらはオープンソースです。DeAIは、オープン性に加えて、ブロックチェーンによる調整機能とトークンエコノミクスを付加したものです。
推論層とエージェント層
モデルが完成すれば、それを実行する主体が必要となります。分散型推論ネットワークは、その作業を多数のノード運営者に分散させます。その上に位置するのがAIエージェント層です。これはユーザーに代わって行動する自律型プログラムであり、決済を暗号資産で行うケースが増えています。この分野で最も注目されているプロジェクトはOlasとVirtuals Protocolですが、いずれもまだ発展途上です。
2026年に注目すべき主要なDeAIプロジェクト
DeAIはカテゴリーであり、OpenAIに対する単一の競合相手ではありません。プロジェクトは、その実際の活動内容に基づいて分類してください。
AIネイティブのブロックチェーンとトレーニングネットワーク
Bittensor（TAO）が最もよく引き合いに出される例です。同プラットフォームでは128のアクティブな「サブネット」が稼働しており、それぞれが特定のAIタスクに特化した市場となっています。具体的には、言語モデルの事前学習、画像埋め込み、金融予測、音声、検索などです。
マイナーは各サブネットにおいて、マイニングの成果の質に基づいてトークン報酬を競い合っています。2026年第1四半期、NVIDIAは4億2000万ドルのステークを投入し、Polychain Capitalも2億ドルを追加したことで、機関投資家からの資金流入総額は6億2000万ドルを超えました。前四半期のネットワーク収益は4300万ドルに達しました。
ASIアライアンス
Fetch.ai、SingularityNET、Ocean Protocol、そして（後に）CUDOSは2024年に合併し、「人工超知能アライアンス（Artificial Superintelligence Alliance）」を結成しました。これにより、各トークンはFETに統合され、名称をASIに変更する計画が立てられました。しかし、取引所全体でのブランド変更は完了しなかったため、現在もほとんどの取引所ではFETとして上場されています。
2025年10月、Ocean Protocolはガバナンスをめぐる対立を理由に、同アライアンスから正式に脱退した。 残りのメンバー（Fetch.ai、SingularityNET、CUDOS）は、70億パラメータのWeb3ネイティブLLMである「ASI-1 mini」や、計画中のレイヤー1「ASI Chain」など、引き続き製品をリリースしている。
エージェント
Olasは自律型エージェント経済に焦点を当てています。これは、互いに報酬を支払い合い、連携し、タスクを遂行する独立したプログラムのことです。Virtuals Protocolは、特にゲームやソーシャル分野における消費者向けAIエージェントに注力しています。このレイヤーは最も新しく、まだ発展途上にあるものです。
何が真に分散型で、何がそうではないのか
DeAIには確かな勢いがある一方で、明らかな課題も存在します。各層ごとに率直に評価してみると：
フロンティアモデルの学習：依然として集中型
GPT-5規模のモデルを訓練するには、調整された計算リソース、独自データ、そして一元化されたエンジニアリングチームに数億ドルもの費用がかかります。これほどの最先端規模でこれを行っているDeAIプロジェクトは存在せず、近い将来に実現する見込みもありません。
Bittensorの最大の技術的マイルストーン（2026年3月に実施されたCovenant AIの720億パラメータ規模の協調的事前学習）でさえ、最先端の研究機関による取り組みに比べれば桁違いに小規模なものだった。 その後、Covenantはガバナンスをめぐる対立を理由にネットワークから撤退し、その分散化を「茶番」と断じた。これは、「分散型」という言葉が、権力の在り方を説明することなく、単なる数学的な仕組みを表現するに過ぎないことを改めて示す事例である。
コンピューティング：真の分散化
GPUは代替可能であり、ジョブは短時間で完了し、出力の検証も容易であるため、この分野では実際に供給が確立されています。Renderは毎月約150万フレームを処理しており、Akashは2026年第1四半期に500万ドルを超えるコンピューティング費用を記録しました。また、io.netは130カ国以上でGPUを集約しています。 夜間にビデオゲームを動作させるのと同じGPUカードが、翌朝には推論ジョブを実行でき、顧客はその所有者が誰であるかを知る必要はありません。
推論：実現可能かつ拡大しつつある
推論はステートレスで、ジョブは小規模、出力は検証可能――これは、純粋な演算処理に続いて分散化すべき自然な次の段階です。ネットワークは、そうでなければ遊休状態になる消費者向けやゲーム用GPUを活用するため、Llama-3-8Bのような小型のオープンウェイトモデルであれば、AWSやAzureの半分のコストで提供できることがよくあります。 ただし、モデル規模が大きくなるにつれてその差は縮まります。4,000億パラメータのモデルを分散環境で提供する場合は、依然としてハイパースケーラー上での提供よりも困難です。
データマーケットプレイス：まだ初期段階だが、確実に存在している
個人データ向けの「Vana」やウェブスクレイピングデータ向けの「Grass」といったネットワークは、分散型データ交換が技術的に実現可能であることを証明している。より難しい問題は需要だ。AI研究機関はすでに必要なものを手に入れている。すなわち、オープンウェブからスクレイピングしたデータに加え、RedditとGoogle、NYTとOpenAI、Shutterstockといったプレミアムな直接契約によるデータだ。 分散型マーケットプレイスは、需要側にはまだ存在しない供給側の問題を解決するものです。ただし、トレーニングデータの争奪戦が激化すれば、状況は一変するでしょう。
インセンティブ付き研究開発：ニッチな分野での取り組み
トークン報酬は、測定可能なタスク（音声認識精度、埋め込みの品質、画像分類ベンチマークなど）における漸進的な改善には有効であり、Bittensorのサブネットはまさにそうした分野で競争力のあるモデルを生み出しています。 一方、トークンでは容易に資金調達できないのが、画期的な研究です。これには、長年にわたる忍耐強い資本、高額な実験費用、そして失敗を許容する姿勢が必要となります。また、Bittensorのガバナンスをめぐる紛争は、構造的な問題を浮き彫りにしています。すなわち、トークンに連動した研究開発は、それを支えるプロトコルの機能次第でしか機能しないということです。
結論
2026年のDeAIに関して興味深い点は、精査が行われた際に、スタックのどの層が持ちこたえるかということだ。コンピューティングと推論は、有料顧客に対して、実際に測定可能な成果を上げている。
データおよびモデルのマーケットプレイスは拡大しているものの、その実力はまだ証明されていない。ガバナンス層（「分散型」という言葉が数学的な仕組みを指すのか、それとも権力を指すのかを決定する部分）をめぐっては、OceanがASIアライアンスから脱退した件や、CovenantがBittensorから離脱した件など、依然として論争が絶えない。
DeAIは2026年にOpenAIに取って代わることはなく、おそらく今後もそうなることはないだろう。しかし、DeAIはスタックの中間層やエッジ層において、真の代替手段を構築しつつある。そして、いずれにせよ、多くの人々がAIと接するのは、結局のところそうした領域になるのだ。
