仮想通貨とAI（人工知能）の有益な交差点とは？ブテリン氏が4つの事例を解説

仮想通貨とAIのつながり

イーサリアムの共同創設者ヴィタリック・ブテリン氏は30日、ブログで暗号資産（仮想通貨）と人工知能（AI）が交差する領域として4つの可能性を分析し、そのユースケースとリスクについて解説した。

The promise and challenges of crypto + AI applications:https://t.co/ds9mLnshLU
— vitalik.eth (@VitalikButerin) January 30, 2024

ブテリン氏は、まず「表面的な雰囲気レベル」における仮想通貨とAIの相乗効果として、以下の点を挙げた。

仮想通貨の分散化がAIの中央集権化とのバランスを取る
仮想通貨が不透明なAIに透明性性をもたらす
AIはデータを必要としているが、ブロックチェーンはデータの保存と追跡に適している

一方、さらに深く掘り下げたレベルでの相乗効果について、同氏はこれまで「それほど多くない」と回答してきたが、この3年間でAIと仮想通貨が、それぞれより強力になったことから変化の兆しが見えると指摘した。

しかし、AIがどのように応用されるかについては、注意することが重要だとブテリン氏は警告する。

特に難しいのは、暗号技術ではオープンソースが真に安全なものを作る唯一の方法だが、AIではモデル（あるいはその学習データでさえ）をオープンにすることによって、敵対的な機械学習攻撃に対する脆弱性が大幅に増加することだ。

AIの特性と懸念

ブテリン氏は、AIに対する捉え方を以下のように表現した。

AIとは、アルゴリズムを明示的に指定するのではなく、大きな計算スープをかき混ぜて、ある種の最適化圧力をかけることで、自分が望む特性を持つアルゴリズムを生成するように仕向けるものだと考えることができる

同氏は、AIのアルゴリズムには、「非常に強力なことを行う能力」という共通する性質があると指摘。しかし同時に、その内部で何が起こっているのか知る・理解することに限界があるとして、強い懸念を表明している。

ゲームに例えた4つの分類

ブテリン氏は、AI とブロックチェーンの交差する領域を「ゲーム」に例えて、 4つのカテゴリーに分類した。

ゲームプレイヤーとしてのAI （最も実行可能性が高い）
ゲームのインターフェースとしてのAI（可能性は高いがリスクを伴う）
ゲームのルールとしてのAI（非常に慎重に検討する必要がある）
ゲームの目的としてのAI（長期的だが興味を掻き立てる）

ブテリン氏は、最初のカテゴリーである「ゲームプレイヤー」＝ブロックチェーンの仕組みへの参加者としてのAIについて、オンチェーンの分散型取引所（DEX）で裁定取引に適用するというユースケースを示した。この概念は、新しいものではなく、すでに10年近くにわたって、裁定取引ボットによって実行されているため、最も実行可能性が高い。

このようなAIボットは、アービトラージにおいて人間の能力を大幅に上回っており、予測市場など他のユースケースに拡大すると同氏は予想している。

一般的に、基礎となるメカニズムは以前とほぼ同じように設計され続けるが、個々のプレーヤーがAIとなり、メカニズムがよりミクロなスケールで効果的に動作するようになるユースケースが、直ちに有望であり、最も簡単にうまくやれることだ。

インターフェースとしてのAI

ブテリン氏は、込み入ったオンラインの仮想通貨取引で、ユーザーがより安全にナビゲートできるインターフェースとしてのAIというアイディアを披露した。AIが詐欺を検出したり、複雑なトランザクションを解釈し、予想される結果をユーザーに示すなど、ユーザーの利益を保護するユースケースが考えられる。

その一例として、仮想通貨ウォレットMetamaskの詐欺検出機能を挙げた。

しかし、オープンソース環境では、敵対的な機械学習によって「詐欺の最適化」が起こる可能性もあるため、現時点ではリスクが高すぎると、ブテリン氏は指摘。AIは、ユーザーに「リアルタイムのチュートリアル」を提供し、間違いを防ぐことには有益だが、詐欺や悪意のある誤情報を広める者に対して、直接使用することには慎重になるべきだと述べた。

関連：MetaMask、ユーザーの「意図」を反映するルーティング技術をテスト

ルールとしてのAI

ルールとしてのAIに関してブテリン氏は、「最も危険で、最も慎重に取り組む必要がある」と主張した。

例えば、分散型自立組織（DAO）が主観的な意思決定を行う必要がある場合に、AIを使用するというケースが考えられる。しかし、AIモデルがオープンでない場合、内部の動作を検証できず、中央集権的なアプリと同様になる恐れがある。また、オープンである場合には、攻撃者が、モデルを騙すのに最適化した機械学習をローカルでシミュレートし、ネットワーク上で再現可能となるリスクを、ブテリン氏は指摘した。