Skip to main content

人工知能（AI）とは

注：この文書は英語の原文からの自動翻訳です。

人工知能（AI）とは

人工知能（AI） は、通常は人間の知性を必要とするタスク — データの分析、予測、コンテンツの生成、パターンの認識、意思決定の支援 — を実行するソフトウェアシステムを指す広範な用語です。AI は魔法でも、知覚を持つ存在でも、デジタルの脳でもありません。データの中にパターンを見つけ、それを新しい入力に適用するソフトウェアです。

AI を、パターンのための計算機だと考えてください。普通の計算機は数を取り、算術のルールを適用します。AI システムは例 — 何千、何百万もの例 — を取り、誰も手で書くことなく、入力を出力に結びつけるルールを発見します。音声アシスタントに質問するとき、スパムフィルターがフィッシングメールを捕まえるとき、翻訳ツールが文を別の言語に変換するとき、あなたは AI とやり取りしています：例で訓練され、学んだことを新しい状況に適用するソフトウェアです。

要約： AI は、データから学習し、そうでなければ人間の判断を要する結果を生み出すソフトウェアです — そしてクリプトでは、重要な問いは、プロジェクトの AI が本物で検証可能かどうかです。

AI の実務での仕組み

高いレベルでは、すべての AI システムは似たワークフローに従います。これらのステップを理解すると、プロジェクトの AI の主張が現実に根ざしているのか、それとも単なるマーケティングの言葉なのかを評価するのに役立ちます。

  1. 問題を定義する — AI が何をする必要があるかを決めます。画像の分類、テキストの翻訳、ブロックチェーントランザクションの異常検出、コードの生成かもしれません。明確な問題定義が基盤です。それがなければ、AI は問いを探している解決策です。

  2. データを収集し準備する — 問題に関連する データセット を集めます。データには、ラベル付き画像、トランザクション記録、テキスト文書、センサー測定値が含まれるかもしれません。データはクレンジングし、整理し、トレーニングセットとテストセットに分割しなければなりません。データの品質がモデルの品質を直接決めます — 「ゴミを入れればゴミが出る」という古い原則が完全に当てはまります。

  3. モデルアーキテクチャを選ぶ — タスクに適した AI モデル の種類を選びます。テキストタスクでは Transformer（GPT、Claude、Gemini の背後にあるアーキテクチャ）かもしれません。画像タスクでは 畳み込みニューラルネットワーク かもしれません。表形式データでは、勾配ブースティング木のようなより単純なモデルがディープラーニングよりうまく機能することもあります。

  4. モデルを訓練する — トレーニングデータをモデルに通し、その出力が期待される結果と一致するように内部パラメータを調整します。トレーニング は計算コストが高く、モデルのサイズとデータ量に応じて数時間、数日、または数週間かかることがあります。

  5. 評価しテストする — 訓練されたモデルを、一度も見たことのないホールドアウトのテストデータに対して測定します。このステップは、モデルが本物のパターンを学習したのか、それとも単にトレーニングデータを記憶しただけ（過学習 と呼ばれる問題）なのかを確認します。評価には、精度、適合率、再現率、パープレキシティのような ベンチマークと品質指標 を使います。

  6. 推論のためにデプロイする — モデルを本番に投入し、新しい実世界の入力を処理させます。これは 推論 と呼ばれます。チャットボットを使うたび、レコメンデーションを受け取るたび、不正アラートを受け取るたび、舞台裏で推論が行われています。

  7. 監視し再訓練する — デプロイされたモデルは、実世界が変化するにつれて時間とともに劣化します（データドリフト と呼ばれる現象）。責任ある AI システムには、性能を監視し、新鮮なデータでモデルを再訓練するパイプラインが含まれます。

クリプト AI の主張を評価するとき、これらの各ステップはチェックポイントです。データセット、トレーニングプロセス、評価指標、デプロイパイプラインを記述するプロジェクトは、単に「AI 搭載」と言うだけのプロジェクトよりはるかに強いエビデンスを提供します。

クリプト AI に関連する主要な分野

すべての AI が同じではありません。この分野は広く、異なる分野は異なる強み、限界、エビデンス要件を持ちます。いくつかはクリプト AI のプロジェクト説明に頻繁に現れます。

分野 中核となる考え よく知られた例 クリプトでの一般的な use case
機械学習（ML） データへの露出を通じて改善するアルゴリズム scikit-learn, XGBoost リスクスコアリング、異常検出
ディープラーニング 複雑なパターンのための多層ニューラルネットワーク BERT, ResNet NLP、画像認識、生成モデル
大規模言語モデル（LLM） 巨大なテキストデータで訓練された Transformer モデル GPT, Claude, Gemini, Mistral チャットボット、要約、コード生成
コンピュータビジョン 画像と動画を解釈するシステム Stable Diffusion, YOLO NFT 生成、視覚データ分析
強化学習（RL） 試行、誤り、報酬信号を通じた学習 AlphaGo, OpenAI Five 自動化エージェント、プロトコル最適化

機械学習

機械学習 は、実用的な AI の最も一般的な基盤です。明示的なルールをプログラムするのではなく、ML アルゴリズムはデータから学習します。クリプトプロジェクトのほとんどの AI の主張は、最終的には機械学習の技術 — 単純な分類モデルから複雑なニューラルネットワークまで — に依拠しています。

ディープラーニング

ディープラーニング は、多くの層を持つニューラルネットワーク（だから「深い」）を使う ML のサブセットです。最近の AI のブレークスルーのほとんどはこれによるものです。BERT（テキストの文脈理解のために Google が開発）や画像認識システムのようなモデルはディープラーニングモデルです。ディープラーニングは大規模なデータセットと相当な計算能力を必要とし、それが分散型コンピューティングネットワークがクリプト AI で繰り返されるテーマになった理由です。

大規模言語モデル

大規模言語モデル（LLM） は、巨大なテキストコーパスで訓練されたディープラーニングモデルです。テキストを生成し、要約し、翻訳し、推論します。よく知られた LLM には GPT、Claude、Gemini、Mistral があります。クリプト AI では、多くのプロジェクトがチャットボット、オンチェーンデータの要約、スマートコントラクトの分析、コード生成に LLM を使います。自前のモデルを構築するものもあれば、サードパーティ API をラップするものもあります。構築とラッピングの区別は AI の深さを評価するうえで重要です — API ラッパー を参照してください。

強化学習

強化学習（RL） は、モデルが環境で行動を取り、報酬または罰を受け取れるようにすることで訓練します。時間とともに、エージェントは累積報酬を最大化する戦略を学びます。RL はゲームをプレイするエージェント（AlphaGo など）を駆動し、一部のクリプトの文脈では自動化されたプロトコルパラメータの調整やエージェントベースのシステムに使われます。

コンピュータビジョン

コンピュータビジョン は、機械が視覚データ — 画像と動画 — を解釈し処理できるようにします。Stable Diffusion のようなシステムはテキスト記述から画像を生成し、YOLO のような物体検出モデルはリアルタイムで物体を識別します。クリプトでは、コンピュータビジョンは NFT 生成、本人確認、視覚的なブロックチェーン分析に現れます。

これらの分野はしばしば重なり合います。クリプト AI プロジェクトは、人間のフィードバックからの強化学習（RLHF）でファインチューニングされた LLM（これはディープラーニングであり、ML である）を使うかもしれません。

狭い AI vs 汎用 AI

AI の主張を理解するうえで重要な区別です。

  • 狭い AI（弱い AI とも呼ばれる） は、特定のタスク — 言語の翻訳、顔の認識、チェスのプレイ、画像の生成 — のために設計されています。今日本番で稼働するすべての AI システムは、最も先進的な LLM を含め、狭い AI です。訓練されたドメインでは優れていますが、追加のトレーニングなしに無関係なタスクへ一般化することはできません。

  • 汎用人工知能（AGI） は、人間ができるあらゆる知的タスクを学習し実行できる仮説上のシステムです。AGI はまだ存在しません。AGI を構築したと主張するプロジェクトは、並外れたエビデンスを必要とする並外れた主張をしています。

この区別を理解することは、非現実的な主張をふるい分けるのに役立ちます。プロジェクトが「AI 搭載」と言うとき、それは特定の機能に適用された狭い AI を意味します — そしてその機能は明確に記述され、検証可能であるべきです。

なぜ AI がクリプトで重要なのか — そしてなぜ検証が必要なのか

AI とブロックチェーンの交差点は、需要の高い市場の物語を生み出しました。多くのクリプトプロジェクトは、その言葉が注目、コミュニティの関与、資金を引き寄せるため、自らのポジショニングに「AI」を加えます。問題は、「AI」が、カスタム訓練されたモデルを実行する独自の 推論 エンジンから、意味のある AI 作業がプロジェクト内部で何も起きていない、サードパーティサービスを呼び出す単純な API ラッパー まで、何でも意味しうることです。

これは検証の問題を生みます。

  • 主張は簡単にできます。 どんなプロジェクトもウェブサイトに「AI 搭載」と書けます。ホワイトペーパーは、コードに存在するかもしれないし存在しないかもしれない高度なアーキテクチャを記述できます。
  • 構造なしには検証は難しいです。 AI が本物かを確認するには、コードリポジトリ、モデルのドキュメント、ベンチマーク結果、デプロイのエビデンスを調べる必要があります — ほとんどのユーザーが持たないスキルと労力です。
  • AI-washing のコストは高いです。 本物の AI を空虚なマーケティングから区別できないユーザーは、プロジェクトの技術的実体を誤って判断するかもしれません。これはプロジェクトが「良い」か「悪い」かの選択についてではなく — 述べられた技術的能力が検証可能かどうかについてです。

DecAIHub はこのギャップに対処するために存在します。AI の主張を額面どおりに受け取るのではなく、レジストリは Tier-1 エビデンス（コード、ドキュメント、指標、デモ、技術アーキテクチャ）を確認します。エビデンスは、Tier-1（ソースコードや監査報告のような直接的な技術アーティファクト）から Tier-2（アグリゲータや分析からの文脈情報）を経て、Tier-3（マーケティング資料や未検証の主張）まで格付けされます。

DecAI Fit 指標は、三つの軸 — AI reality、Onchain necessity、Token necessity — にわたる評価を組み合わせ、プロジェクトが Decentralized AI のテーゼとどれだけ整合しているかを反映する 0 から 6 までの単一のスコアにします。ai_score = 0（AI のエビデンスなし）のプロジェクトは、そのブロックチェーンやトークンの実績に関わらず、自動的に DecAI Fit = 0 を受けます。

「AI なし」から「本物の AI」までのスペクトル

プロジェクトにおける AI の存在は二値ではありません。DecAIHub は、AI reality フラグ（AI_0 から AI_4）に反映されるスペクトルを認識します。

レベル 意味 典型的なエビデンス
AI 未検出 どのソースにも AI の言及がない なし
Positioning only マーケティングに「AI」が現れるが技術アーティファクトが見つからない ウェブサイトの文言、ピッチデック
意図 / ロードマップ AI 機能が計画されているがまだ構築されていない ロードマップ項目、公式発表
記述されたコンポーネント プロジェクトが AI が何をするかを記述している ホワイトペーパー、ドキュメント
動作するデモ AI の出力をテストまたは観測できる 公開デモ、API エンドポイント
指標とベンチマーク AI の品質が測定され、方法論とともに公開されている ベンチマーク結果、評価レポート

このスペクトルに沿って進むには、段階的により強い エビデンス が必要です。各ステップが DecAI Fit スコアに供給されます。「positioning only」段階のプロジェクトは、方法論とともにベンチマーク結果を公開するプロジェクトとは根本的に異なるエビデンスの重みを持ちます。

AI だけでは証明できないこと

本物の動作する AI コンポーネントを持つことは、強い DecAI Fit のために必要です — しかし十分ではありません。AI だけでは、プロジェクトを次のものにはしません。

  • 有用 — 製品はユーザーにとって本物の問題を解決しなければなりません。
  • 分散型 — AI は完全に中央集権的なサーバー上で実行できます。Onchain necessity は別途評価されます。
  • トークンによって正当化される — AI の存在は、なぜトークンが必要かを説明しません。Token necessity は別の軸です。
  • 高品質 — モデルは存在しても性能が低いことがあります。品質は、存在だけでなく、指標とベンチマークを通じて反映されます。
  • 透明 — モデルは本物でも完全にクローズドであることがあります。オープンな重み、公開されたトレーニングデータ、再現可能なベンチマークは検証可能性を高めますが、AI の存在だけで保証されるものではありません。

混同しないでください

  • 自動化 — ルールベースのスクリプトや if/then のワークフローは AI ではありません。自動化と本物の AI component の違い を参照してください。
  • AI component — AI 作業が行われるプロジェクト内の具体的なモジュール。「人工知能」は一般的な分野であり、「AI component」は特定のプロジェクトでの具体的な実装です。
  • AI エージェント — 認識し、推論し、行動する自律的なシステム。エージェントは AI を使いますが、AI そのものの同義語ではなく、特定の アーキテクチャ です。
  • アルゴリズム — 固定された段階的な手続き。従来のアルゴリズムは明示的な指示に従い、AI モデルはデータからパターンを学習します。すべてのアルゴリズムが AI なわけではありません。

よくある質問

AI は機械学習と同じですか？

いいえ。AI は、通常は人間の知性を要するタスクを実行するあらゆるシステムを包含する、より広範な分野です。機械学習 は AI のサブセットであり — 今日最も一般的なアプローチで — システムが手書きのルールに従うのではなくデータからパターンを学習するものです。すべての機械学習は AI ですが、すべての AI が機械学習なわけではありません（とはいえ実務では、現代の AI のほとんどは ML 技術に依拠しています）。

AI は考えたり意識を持ったりできますか？

現在のどの AI システムも、考えたり、理解したり、意識を持ったりはしません。最も先進的な大規模言語モデルでさえ、トレーニングデータに基づいて統計的にありそうな出力を生成するパターンマッチングシステムです。信念も、意図も、自覚もありません。どんなプロジェクトであれ、AI の「意識」や「知覚」の主張は、技術的事実ではなくマーケティングとして扱うべきです。

狭い AI と汎用 AI の違いは何ですか？

狭い AI（弱い AI とも呼ばれる）は、特定のタスク — テキストの翻訳、不正の検出、画像の生成 — のために設計されています。今日デプロイされているすべての AI システムは狭い AI です。汎用人工知能（AGI）は、人間ができるあらゆる知的タスクを実行できるシステムでしょう。AGI は研究の願望にとどまり、どの製品やプロトコルにも存在しません。

AI はクリプトプロジェクトでどう使われますか？

クリプトプロジェクトは、さまざまな機能に AI を使います：オンチェーンデータの分析、リスクスコアリング、スマートコントラクトの監査、コンテンツ生成、自動化エージェント、分散型のモデルトレーニングと推論など。重要な問いは、プロジェクトが AI に言及するかどうかではなく、その AI コンポーネントが Tier-1 エビデンス — コード、ドキュメント、ベンチマーク、デプロイされたアーティファクト — を通じて検証可能かどうかです。

なぜ一部のクリプトプロジェクトは AI 能力を偽るのですか？

「AI」というラベルは注目とコミュニティの関心を引き寄せます。マーケティング資料に AI の用語を加えることは、認知の面で低コスト・高インパクトです。AI-washing として知られるこの慣行は、プロジェクトが意味のあるオンチェーンロジックなしにブロックチェーンの言及を加えた以前の「blockchain-washing」現象を映し出しています。AI reality フラグ（AI_0 から AI_4）とエビデンスの Tier を含む DecAIHub の検証フレームワークは、本物の AI をマーケティングの主張から区別するために特別に設計されています。

関連ページ

外部リンク

No comments to display

Back to top