Forward the Original Title： AI如何革新以太坊？从另一个角度看“AI+Blockchain”

過去1年間、生成AIが期待を上回り続け、AI生産性革命の波が仮想通貨コミュニティを席巻しました。多くのAIコンセプトプロジェクトが副次市場での富創造の神話をもたらしました。同時に、ますます多くの開発者が独自の「AI+クリプト」プロジェクトを開発し始めています。

しかし、より詳しく観察すると、これらのプロジェクトは、ほとんどのプロジェクトが分散型ネットワークを通じたコンピューティングパワーの組織化や「分散型ハッギングフェイス」の作成など、「生産関係」の改善に焦点を当てていることがわかります。根底にある技術からの真の統合と革新を試みるプロジェクトはほとんどありません。この現象の原因は、AIとブロックチェーンの間の「ドメインバイアス」にあると考えています。これらの分野は広範囲にわたるものの、両方の分野を真に理解している人はほとんどいません。たとえば、AI開発者は、Ethereumの技術的実装や歴史的インフラの状況を理解することが難しいと感じており、深い最適化ソリューションを提案することはなお困難です。

機械学習（ML）を取ると、AIのもっとも基本的な分野の一つとして、機械は明示的なプログラミング命令なしにデータに基づいて意思決定を行う技術です。機械学習はデータ解析やパターン認識において莫大な潜在能力を示し、Web 2においては一般的なものになりました。しかし、初期の制約のため、イーサリアムのようなブロックチェーン技術の先駆的なイノベーションにおいても、そのアーキテクチャ、ネットワーク、およびガバナンスメカニズムは、複雑な問題を解決するためのツールとして機械学習を効果的に活用していません。

「偉大なイノベーションはしばしば異分野から生まれます。」この記事を書く目的は、AI 開発者がブロックチェーンの世界をよりよく理解し、Ethereum コミュニティの開発者に新しいアイデアを提供することです。この記事では、まず Ethereum の技術的実装を紹介し、次に、基本的な AI アルゴリズムである機械学習を Ethereum ネットワークに適用してセキュリティ、効率性、スケーラビリティを向上させる解決策を提案します。この事例が市場から異なる視点を提示し、開発者エコシステムでより革新的な「AI+ブロックチェーン」のクロス組み合わせを刺激する出発点となることを願っています。

イーサリアムの技術実装

1. 基本データ構造
   ブロックチェーンの本質はブロックの連鎖であり、連鎖を区別する鍵は連鎖構成にあり、これはどんなブロックチェーンの創世にも欠かせない要素です。Ethereumにおいては、連鎖構成は異なる連鎖を区別するために使用され、重要なアップグレードプロトコルやマイルストーンイベントを特定します。たとえば、DAOForkBlockはDAO攻撃後のEthereumのハードフォークの高さを示し、一方でConstantinopleBlockはConstantinopleアップグレードのブロック高を示します。多くの改善提案を含む主要なアップグレードの場合、特別なフィールドが設定され、対応するブロック高を識別します。さらに、Ethereumにはさまざまなテストネットワークとメインネットワークが含まれており、それぞれのネットワークエコシステムを示すChainIDで一意に識別されています。
   ジェネシスブロックは、直接または間接的に他のブロックに参照される、全体のブロックチェーンのゼロ番目のブロックとして機能します。したがって、ノードは初期化時に正しいジェネシスブロック情報を読み込む必要があり、任意の変更は許可されません。ジェネシスブロックの構成情報には、前述のチェーン構成に加えて、関連するマイニング報酬、タイムスタンプ、難易度、ガス制限などの詳細が含まれています。イーサリアムのコンセンサスメカニズムは、プルーフオブワークマイニングからプルーフオブステークに移行したことに言及する価値があります。
   Ethereumのアカウントは、外部アカウントと契約アカウントに分かれています。 外部アカウントは固有の秘密鍵によって制御されていますが、契約アカウントは秘密鍵の制御を持たず、外部アカウントを通じて契約コードの実行を呼び出すことでのみ操作できます。 各アカウントはEthereumのワールドステートの葉ノードに対応し、アカウントの状態（さまざまなアカウント情報およびコードの詳細）を保存しています。
   トランザクション:主にトランザクションとコントラクトのための分散型プラットフォームとして、イーサリアムのブロックは、パッケージ化されたトランザクションと追加の関連情報で構成されています。ブロックは、ブロック ヘッダーとブロック本体の 2 つの部分に分かれています。ブロックヘッダーデータには、以前のブロックハッシュやイーサリアムの世界状態全体の証明、トランザクションルート、レシートルート、難易度やナンスなどの追加データなど、すべてのブロックをチェーンにリンクする証拠が含まれています。ブロック本体には、トランザクションリストとアンクルブロックヘッダーのリストが格納されます(イーサリアムがプルーフオブステークに移行したため、アンクルブロック参照は存在しなくなりました)。
   トランザクションレシートは、トランザクションの実行結果や追加情報を提供し、トランザクションそのものを調査することでは直接得られない情報を含んでいます。具体的には、コンセンサスコンテンツ、トランザクション情報、ブロック情報を含み、トランザクション処理が成功したかどうかを示し、トランザクションログやガス消費の詳細を提供します。レシートの情報を分析することで、スマートコントラクトコードのデバッグやガス消費の最適化を支援し、ネットワークによるトランザクション処理の確認を行い、トランザクションの結果や影響を表示することが可能となります。
   Ethereumでは、ガス手数料は単純に取引手数料として理解することができます。トークンを送信したり、スマートコントラクトを実行したり、イーサを転送したり、特定のブロック内でブロックチェーン上でさまざまな操作を行ったりするとき、これらの取引にはガス手数料が必要です。 Ethereumの計算リソースは、これらの取引を処理する際に消費され、ネットワークにあなたのために作業するように動機付けるためにガス手数料を支払う必要があります。最終的に、ガス手数料は取引手数料としてマイナーに支払われ、具体的な計算式はFee = Gas Used * Gas Priceとして理解できます。ここで、ガスの単位あたりの価格はトランザクションのイニシエータによって設定され、しばしばブロックへの取引の速度を決定します。ガス価格を低く設定すると、取引が実行されない場合があります。また、スマートコントラクトのエラーによる予期しないガス消費を避けるために、上限としてガスリミットを設定することも必要です。

2. トレーディングプール
   Ethereumでは、多数の取引があり、中央集権型システムと比較して、秒間取引数の面で分散型システムのスループットは著しく低いです。多数の取引がノードに入るため、ノードはこれらの取引を正しく管理するために取引プールを維持する必要があります。取引のブロードキャストはピアツーピア通信を介して行われます。具体的には、ノードは実行可能な取引を隣接ノードにブロードキャストし、隣接ノードはさらにその取引を隣接ノードに伝播させるため、取引はEthereumネットワーク全体に6秒以内に広がります。
   取引プール内の取引は、実行可能取引と非実行可能取引に分かれます。優先度の高い実行可能取引はブロックに含まれるため、最初にプールに入るすべての取引は非実行可能であり、後で実行可能となります。実行可能取引と非実行可能取引はそれぞれ保留コンテナとキューコンテナに記録されます。
   さらに、取引プールはローカル取引のリストを保持しています。ローカル取引には、優先度が高いこと、取引量制限への免疫、ノード再起動時の取引プールへの即時再読み込みなど、さまざまな利点があります。ローカル取引のローカル永続性ストレージは、ジャーナルを介して達成され、未完了のローカル取引が失われず、定期的に更新されることを保証しています。
   トランザクションがキューに入れられる前に、DOS攻撃の防止、ネガティブトランザクションの防止、トランザクションのガス制限の検証など、さまざまなタイプのチェックを含め、トランザクションの有効性が検証されます。トランザクション プールの単純な構成は、キュー + 保留 (すべてのトランザクションを含む) に分けることができます。妥当性検査が完了すると、トランザクション・キューが限界に達したかどうかの検査や、リモート・トランザクション (非ローカル・トランザクション) のトランザクション・プール内の最低価格の検査 (プール内の最低価格のトランザクションを置き換える) の検査など、後続の検査が実行されます。実行可能なトランザクションを置き換える場合、手数料が最大10%増加したトランザクションのみが実行待ちのトランザクションを置き換えることができ、置き換えられたトランザクションは実行不可能なトランザクションとして保存されます。さらに、無効なトランザクションと制限超過のトランザクションは、トランザクション プールの保守プロセス中に削除され、適格なトランザクションが置き換えられます。

3. コンセンサスメカニズム
   初期段階では、Ethereumのコンセンサス理論は、難易度値のハッシュ計算方法に基づいていました。つまり、ブロックのハッシュ値を計算して、そのブロックが有効と見なされるための目標難易度値の条件を満たす必要がありました。 Ethereumのコンセンサスアルゴリズムは、プルーフオブワーク（PoW）からプルーフオブステーク（PoS）に移行したため、ここではPoSアルゴリズムを簡単に説明します。 Ethereumは2022年9月にビーコンチェーンのマージを完了し、PoSアルゴリズムを実装しました。具体的には、PoSベースのEthereumでは、各ブロックのブロック時間が安定して12秒です。ユーザーは、バリデータになる権利を得るために自分のEthereumをステーキングします。その後、参加するステーカーの中からランダムに選択プロセスが行われ、バリデータのセットが選択されます。各ラウンドには、32スロットが含まれ、各スロットでバリデータが提案者として選択されますが、同じスロットの残りのバリデータは提案されたブロックの正当性を検証し、前ラウンドのブロックの正当性を判断する委員会として機能します。 PoSアルゴリズムは、ブロックの生産を大幅に安定化させ、高速化させると同時に、コンピューティングリソースの無駄を大幅に回避します。

4. 署名アルゴリズム
   EthereumはBitcoinと同じ署名アルゴリズム標準を採用しており、secp256k1曲線を使用しています。具体的には、使用されている署名アルゴリズムはECDSAであり、署名は元のメッセージのハッシュに基づいて計算されます。署名は、R+S+Vの要素で構成されています。各計算はランダムな数値を導入し、R+SはECDSAの元の出力を表しています。末尾のVフィールドは、回復フィールドとして知られ、楕円曲線内のR値に基づく要件を満たす座標を見つけることが複数の解を持つ可能性があるため、コンテンツと署名から公開鍵を正常に回復するために必要な試行回数を示しています。
   全体のプロセスは次のように要約できます：トランザクションデータと署名者の関連情報はRLPによってエンコードされた後にハッシュ化され、最終的な署名はECDSAによって秘密鍵で署名することで取得されます。ECDSAで使用される曲線はsecp256k1楕円曲線です。最後に、署名されたトランザクションデータはトランザクションデータと組み合わせられ、ブロードキャスト可能な署名済みトランザクションデータが得られます。
   Ethereumのデータ構造は従来のブロックチェーン技術に依存するだけでなく、大量のデータを効率的に保存および検証するためにMerkle Patricia Tree（MPT）またはMerkle Compressed Prefix Treeとしても知られるテクノロジーを組み込んでいます。MPTはMerkleツリーの暗号ハッシュ関数とPatriciaツリーのキーパス圧縮機能を組み合わせ、データの整合性を確保し、迅速な検索をサポートする解決策を提供します。

5. マークルパトリシアトライ（MPT）
   イーサリアムでは、MPTを使用してすべての状態とトランザクションデータを格納し、データへの変更がツリーのルートハッシュに反映されるようにします。つまり、ルートハッシュを検証することで、データベース全体をチェックすることなく、データの整合性と正確性を証明できます。MPT は、リーフ ノード、拡張ノード、ブランチ ノード、および空ノードの 4 種類のノードで構成され、これらが一緒になって動的なデータ変更に適応できるツリーを形成します。データが更新されるたびに、MPT はツリーのルート ハッシュを更新しながら、ノードを追加、削除、または変更することで、これらの変更を反映します。各ノードはハッシュ関数によって暗号化されているため、データに小さな変更を加えると、ルートハッシュが大幅に変更され、データのセキュリティと一貫性が確保されます。さらに、MPTの設計は「ライトクライアント」検証をサポートしており、ノードはツリーのルートハッシュと必要なパスノードのみを格納することで特定の情報の存在またはステータスを検証できるため、データの保存と処理の必要性が大幅に削減されます。
   MPTを通じて、Ethereumはデータの効率的な管理と迅速なアクセスだけでなく、ネットワークのセキュリティと分散化も確保し、全体のEthereumネットワークの運営と発展を支援しています。

6. ステートマシン
   Ethereumのコアアーキテクチャには、ステートマシンのコンセプトが組み込まれており、Ethereum仮想マシン（EVM）はすべてのスマートコントラクトコードを実行するランタイム環境であり、Ethereum自体はグローバルに共有されたステート遷移システムと見なすことができます。各ブロックの実行は、1つのグローバルに共有されたステートから別のステートに移行するステート遷移プロセスと見なすことができます。この設計により、Ethereumネットワークの一貫性と分散化が確保され、スマートコントラクトの実行結果は予測可能で改ざんできないものとなっています。
   Ethereumでは、ステートとはすべてのアカウントの現在の情報を指し、各アカウントの残高、格納されたデータ、スマートコントラクトのコードを含みます。取引が発生するたびに、EVMは取引内容に基づいてステートを計算し変換し、このプロセスはMPTを介して効率的かつ安全に記録されます。各ステート遷移はアカウントデータの変更だけでなく、MPTの更新をもたらし、それは木のルートハッシュの変更に反映されます。
   EVMとMPTの関係は重要です。MPTはイーサリアムの状態遷移のデータ整合性を保証します。EVMがトランザクションを実行し、口座の状態を変更すると、関連するMPTノードがこれらの変更を反映するように更新されます。MPTの各ノードはハッシュを介してリンクされているため、状態の変更はルートハッシュの変更を引き起こし、それは新しいブロックに含まれ、全体のイーサリアム状態の一貫性とセキュリティを保証します。さて、イーサリアム仮想マシン（EVM）を紹介しましょう。

7. EVM
   Ethereum仮想マシン（EVM）は、スマートコントラクトの実行とEthereumネットワーク内での状態遷移を担当する基本コンポーネントです。Ethereumが世界のコンピューターとして想定されることはEVMのおかげです。EVMはチューリング完全であり、Ethereumに展開されたスマートコントラクトが任意に複雑なロジック計算を実行できることを意味します。Ethereumでのガスメカニズムの導入により、契約内の無限ループのようなシナリオが防止され、ネットワークの安定性とセキュリティが確保されています。

より技術的なレベルでは、EVMは、イーサリアム固有のバイトコードを使用してスマートコントラクトを実行するスタックベースの仮想マシンです。開発者は通常、Solidityなどの高水準言語でスマートコントラクトを記述し、それをEVMが理解して実行するためのバイトコードにコンパイルします。EVMは、スマートコントラクトの実行だけでなく、分散型アプリケーション（DApps）の開発のための堅固な基盤を提供するイーサリアムブロックチェーンの主要なイノベーションです。EVMを通じて、イーサリアムは分散型で安全でオープンなデジタル未来を築いています。

イーサリアムの歴史レビュー

図1 イーサリアムの歴史的なレビュー

イーサリアムセキュリティへの課題

スマートコントラクトは、Ethereumブロックチェーン上で実行されるコンピュータプログラムです。それらは開発者が貸出アプリ、分散型取引所、保険、二次金融、ソーシャルネットワーク、NFTなどを作成および展開することを可能にします。スマートコントラクトのセキュリティは、これらのアプリケーションにとって重要です。これらのアプリケーションは暗号通貨を扱い、管理するため、スマートコントラクトの脆弱性や悪意のある攻撃は資金のセキュリティに直接脅威を与え、著しい経済的損失を引き起こす可能性があります。例えば、2024年2月26日にDeFi貸出プロトコルBlueberry Protocolは、スマートコントラクトの論理的な欠陥による攻撃に苦しんで、約$1,400,000の損失を被りました。

スマートコントラクトの脆弱性は多面的であり、不合理なビジネスロジック、不適切なアクセス制御、不十分なデータ検証、再侵入攻撃、DOS(サービス拒否)攻撃などが含まれます。これらの脆弱性は、コントラクトの実行に問題を引き起こし、スマートコントラクトの効果的な運用に影響を与える可能性があります。DOS攻撃を例にとると、このタイプの攻撃は、大量のトランザクションを送信することでネットワークリソースを消費し、通常のユーザーが開始したトランザクションの処理が遅くなり、ユーザーエクスペリエンスの低下につながります。さらに、これはトランザクションガス料金の増加にもつながる可能性があります。ネットワークリソースが不足している場合、ユーザーはトランザクションの処理に優先順位を付けるために、より高い料金を支払う必要がある場合があります。

これに加えて、イーサリアムのユーザーは投資リスクにも直面しており、資金の安全性が脅かされています。例えば、価値や長期的な成長の可能性がほとんどないと考えられている暗号通貨を表すために使用される「ラグ」があります。絨毯は、詐欺の道具として、または価格操作のためのパンプアンドダンプ戦略として悪用されることがよくあります。絨毯への投資は高い投資リスクを伴い、多額の経済的損失をもたらす可能性があります。価格と市場価値が低いため、操作やボラティリティに対して脆弱です。これらのトークンは、パンプアンドダンプスキームやハニーポット詐欺によく使用され、偽のプロジェクトで投資家を誘惑し、資金を盗みます。また、クリエイターが突然プロジェクトからすべての流動性を奪い、トークンの価値が急落するラグプリングのもう一つの一般的なリスクです。これらの詐欺には、多くの場合、虚偽のパートナーシップや推奨によるマーケティングが含まれます。トークンの価格が上昇すると、詐欺師はトークンを販売して姿を消し、投資家は価値のないトークンを残します。さらに、絨毯に投資することは、実際の有用性と成長の可能性を秘めた合法的な暗号通貨から注意とリソースをそらすことにもなります。絨毯のほかに、エアコインやねずみ講コインも手っ取り早く利益を上げる方法です。専門的な知識や経験が不足しているユーザーにとって、正規の暗号通貨と区別することは特に困難です。

効率

イーサリアムの効率性の非常に直接的な指標は取引スピードとガス手数料です。取引スピードは、イーサリアムネットワークが単位時間あたりに処理できる取引数を指します。この指標は、イーサリアムネットワークの処理能力を直接反映しており、スピードが速いほど効率が高くなります。イーサリアム上のすべての取引には、取引検証のためにマイナーに報酬を支払うための一定額のガス手数料が必要です。ガス手数料が低いほど、イーサリアムの効率が高くなります。

取引速度の低下はガス手数料の増加につながる可能性があります。一般的に、取引処理速度が低下すると、ブロックスペースの制限により、次のブロックに取引が入るための競争が増える場合があります。競争で目立つために、トレーダーは通常、鉱夫が検証のためにより高いガス手数料の取引を優先するため、ガス手数料を増やします。その結果、より高いガス手数料はユーザーエクスペリエンスの満足度を低下させます。

取引はイーサリアム上の基本的な活動に過ぎません。このエコシステムでは、ユーザーは貸出、ステーキング、投資、保険など、さまざまな活動にも参加することができます。これらは特定のDAppsを通じて行うことができます。ただし、様々なDAppsが存在し、従来の産業と同様の個別の推薦サービスがないため、ユーザーは適切なアプリケーションや製品を選択する際に混乱する可能性があります。この状況はユーザー満足度の低下につながり、イーサリアムエコシステム全体の効率に影響を与える可能性があります。

貸出を例に取ると、一部のDeFi貸出プラットフォームは、過剰担保メカニズムを使用してプラットフォームのセキュリティと安定性を維持しています。これは、借り手が借入期間中に他の活動に使用できないように、より多くの資産を担保として提供する必要があることを意味します。これにより、借り手の資金利用が減少し、それによって市場の流動性が低下することにつながります。

イーサリアムでの機械学習の応用

RMFモデル、Generative Adversarial Networks（GAN）、決定木モデル、K最近傍法（KNN）、およびDBSCANクラスタリングアルゴリズムなどの機械学習モデルは、Ethereumで重要な役割を果たしています。これらの機械学習モデルをEthereumに適用することで、取引処理効率を最適化し、スマートコントラクトのセキュリティを強化し、ユーザーセグメンテーションを実現してよりパーソナライズされたサービスを提供し、ネットワークの安定性を維持するのに役立ちます。

アルゴリズム紹介

機械学習アルゴリズムは、データを分析し、データの中のパターンを学習し、この学習に基づいて予測や意思決定を行うための一連の命令または規則です。彼らは、人間からの明示的なプログラミング指示が必要なく、提供されたデータから自動的に学習して改善します。RMFモデル、生成対立的ネットワーク（GAN）、決定木モデル、K最近傍アルゴリズム（KNN）、およびDBSCANクラスタリングアルゴリズムなどの機械学習モデルは、Ethereumで重要な役割を果たしています。これらの機械学習モデルをEthereumに適用することで、トランザクション処理効率を最適化し、スマート契約のセキュリティを向上させ、ユーザーセグメンテーションを達成してよりパーソナライズされたサービスを提供し、ネットワークの安定性を維持するのに役立ちます。

1. ベイズ分類器

ベイズ分類器は、さまざまな統計的分類手法において効率的であり、特定のコストフレームワークの下での分類エラーの確率を最小化するか、平均リスクを最小化することを目指しています。その設計思想はベイズの定理に深く根ざしており、これにより、あるオブジェクトがあるクラスに属する確率を決定し、そのオブジェクトの事後確率を計算して意思決定を行うことが可能となります。

具体的には、ベイズ分類器はまずオブジェクトの事前確率を考慮し、その後、観測されたデータを総合的に考慮するためにベイズの公式を適用し、オブジェクトの分類に関する信念を更新します。すべての可能な分類の中で、ベイズ分類器は事後確率が最も高いクラスを選択し、オブジェクトをこのクラスに割り当てます。このアプローチの中心的な利点は、不確実性や不完全な情報を自然に扱う能力であり、幅広いシナリオに適用可能な強力で柔軟なツールであることです。

図2：ベイズ分類器

図2に示すように、教師付き機械学習では、ベイジアン分類器は、ベイズの定理に基づいたデータと確率モデルを利用して分類決定を行います。尤度、クラスおよび特徴の事前確率を考慮することで、ベイズ分類器は各クラスにデータポイントが属する後事象確率を計算し、最も高い後事象確率を持つクラスにデータポイントを割り当てます。右側の散布図では、分類器は異なる色のポイントを分離する曲線を見つけようとし、これにより分類エラーを最小限に抑えます。

1. 決定木

決定木アルゴリズムは、一般的に分類および回帰タスクで使用されます。既知のデータから情報獲得率の高い特徴に基づいて木を分割し、決定木をトレーニングします。本質的には、このアルゴリズム全体がデータから自律的に決定ルールを学習し、変数値を決定します。実装では、決定木は複雑な決定プロセスをいくつかの単純なサブ決定プロセスに分解し、木構造を形成します。

図3に示すように、各ノードは判断を表し、特定の属性を判断するための基準を持ち、枝は判断結果を表します。各葉ノードは最終的な予測結果とカテゴリを表します。アルゴリズムの構成の観点から、決定木モデルは直感的で理解しやすく、強い解釈力を持っています。

画像3: 決定木モデル

1. DBSCANアルゴリズム

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）は、ノイズを処理する密度ベースの空間クラスタリングアルゴリズムであり、非接続のデータセットに対して特に効果的であるようです。このアルゴリズムは、事前にクラスタの数を指定する必要なく、任意の形状のクラスタを発見でき、データセット内の外れ値に対して良好な頑健性を示します。さらに、このアルゴリズムは、ノイズを含むデータセット内の外れ値点を効果的に特定でき、ノイズまたは外れ値点は低密度領域の点と定義されます（図4参照）。

画像4: DBSCANアルゴリズムはノイズを識別します

1. KNNアルゴリズム

KNN（K-Nearest Neighbors）アルゴリズムは、分類および回帰タスクの両方に使用できます。分類問題では、アルゴリズムは投票メカニズムに基づいて分類対象アイテムのカテゴリを決定し、回帰問題では、予測を行うためにk個の最近傍サンプルの値の平均または加重平均を計算します。

図5に示すように、分類におけるKNNアルゴリズムの動作原理は、新しいデータポイントのK個の最近傍を見つけ、これらの最近傍のカテゴリに基づいて新しいデータポイントのカテゴリを予測することです。K=1の場合、新しいデータポイントは単純に最も近い隣人のカテゴリに割り当てられます。K>1の場合、通常、投票方法が使用されて新しいデータポイントのカテゴリが決定されます。つまり、その多くの隣人が属するカテゴリに割り当てられます。KNNアルゴリズムを回帰問題に使用する場合、基本的な考え方は同じですが、結果はK個の最近傍の出力値の平均値です。

図5：分類に使用されるKNNアルゴリズム

1. 生成AI

Generative AIは、入力要件に基づいて新しいコンテンツ（テキスト、画像、音楽など）を生成できるAI技術です。これは機械学習や深層学習の進歩に根ざしており、特に自然言語処理や画像認識などの分野で重要です。Generative AIは大量のデータからパターンと相関関係を学習し、その学習した情報に基づいて完全に新しい出力を生成します。Generative AIの鍵はモデルのトレーニングにあり、優れた学習とトレーニングのための優れたデータが必要です。このプロセス中、モデルはデータセット内の構造、パターン、および関係を分析・理解することで新しいコンテンツを生成する能力を徐々に向上させます。

1. トランスフォーマー
   生成AIの基盤として、Transformerは注意機構を導入し、重要な情報に焦点を当てつつ、グローバルな文脈も考慮することを可能にしました。このユニークな能力により、Transformerモデルを用いたテキスト生成の分野が大幅に向上しました。GPT（Generative Pre-trained Transformer）などの最先端の自然言語処理モデルを活用することで、自然言語で表現されたユーザーのアプリケーション要件を理解し、自動的に実行可能なコードに変換することが可能となり、開発の複雑さを減らし、効率を大幅に向上させることができます。

図6に示すように、マルチヘッドアテンションメカニズムとセルフアテンション、残差接続、完全に接続されたニューラルネットワークなどの導入は、以前の単語埋め込み技術と組み合わせて、自然言語処理に関連する生成モデルの性能を大幅に向上させました。

図6 トランスフォーマーモデル

1. RFMモデル紹介:

RFMモデルは、ユーザーの購買行動に基づいた分析モデルであり、取引の振る舞いを分析することで、異なる価値のユーザーセグメントを特定することができます。このモデルは、購買の最新性（R）、頻度（F）、金銭的価値（M）に基づいてユーザーを層別化します。図7に示されているように、これらの3つの指標は、RFMモデルの中核を形成しています。モデルは、これら3つの次元に基づいてユーザーにスコアを付け、そのスコアに応じてユーザーをランク付けし、最も価値のあるユーザーセグメントを特定します。さらに、モデルは顧客を異なるグループに効果的に分割してユーザーの層別化の機能を実現します。

図7 RFM レイヤードモデル

可能な応用

イーサリアムのセキュリティ課題に機械学習技術を用いて取り組む際、主に四つの主要な領域で研究を行いました。

ベイズ分類器に基づいて悪意のある取引を特定およびフィルタリングする

ベイズ分類器を構築することで、大規模で頻繁な小規模な取引を通じてDOS攻撃を引き起こすなど、潜在的なスパム取引を特定およびフィルタリングすることができます。このアプローチは、ガス価格や取引頻度などの取引の特性を分析し、Ethereumネットワークの安定動作を確保することで、ネットワークの健全性を効果的に維持します。

1. 安全でカスタマイズされたスマートコントラクトコードの生成

ジェネレーティブ対抗ネットワーク（GAN）およびトランスフォーマーベースの生成ネットワークは、特定の要件を満たし、コードセキュリティをできるだけ確保するスマートコントラクトコードを生成するために使用できます。しかし、これら2つのトレーニングプロセス中にそれぞれ依存するデータの種類には違いがあります。前者は主に安全でないコードサンプルに依存していますが、後者はその逆です。

GANをトレーニングして、既存のセキュアな契約パターンを学習し、自己対立的モデルを構築して潜在的な不安全なコードを生成し、これらの不安全性を特定することを学習することで、高品質で安全なスマートコントラクトコードを自動的に生成することが可能です。Transformerベースの生成ネットワークモデルを活用し、多数のセキュアな契約例から学習することで、特定の要件を満たしガス消費を最適化する契約コードを生成することができ、これによりスマートコントラクトの開発の効率とセキュリティを大幅に向上させることができます。

決定木に基づくスマートコントラクトのリスク分析

スマートコントラクトの機能呼び出し頻度、取引価値、ソースコードの複雑さなどを分析するために決定木を利用することは、契約の潜在的なリスクレベルを効果的に特定することができます。契約の動作パターンやコード構造を分析することで、潜在的な脆弱性やリスクポイントを予測し、開発者やユーザーにセキュリティ評価を提供することができます。この方法により、イーサリアムエコシステムにおけるスマートコントラクトのセキュリティが大幅に向上し、脆弱性や悪意のあるコードによる損失が減少することが期待されています。

投資リスクを減らすための暗号通貨評価モデルの構築

暗号通貨取引データ、ソーシャルメディア活動、市場のパフォーマンス、および機械学習アルゴリズムを使用した他の多次元情報を分析することにより、ジャンクコインの可能性を予測する評価モデルを構築することが可能です。このモデルは投資家に貴重な参考情報を提供し、投資リスクを回避し、暗号通貨市場の健全な発展を促進するのに役立ちます。

さらに、機械学習の適用は、Ethereumの効率をさらに向上させる可能性があります。次の3つの主要な側面について詳しく見ていきます:

トランザクションプール待ち行列モデルの決定木アプリケーションの最適化

決定木に基づいて、イーサリアム取引プールの待ち行列メカニズムを効果的に最適化することが可能です。ガス価格や取引サイズなどの取引特性を分析することで、決定木は取引の選択と待ち行列の順序を最適化することができます。この方法は取引処理の効率を大幅に向上させ、ネットワークの混雑を効果的に軽減し、ユーザーの取引待ち時間を短縮することができます。

ユーザー層分けと個別サービス提供

RFMモデル（Recency、Frequency、Monetary value）は、顧客関係管理の分析ツールとして広く使用されており、ユーザーの最終取引の最新性、取引頻度、取引金額を評価することにより、ユーザーを効果的に層別化することができます。EthereumプラットフォームにRFMモデルを適用することで、高付加価値のユーザーグループを特定し、リソース配分を最適化し、よりパーソナライズされたサービスを提供することができます。これにより、ユーザー満足度とプラットフォーム全体の効率が向上します。

DBSCANアルゴリズムは、ユーザートランザクションの行動を分析し、Ethereum上の異なるユーザーグループを特定し、さらに異なるユーザーによりカスタマイズされた金融サービスを提供するのにも役立ちます。このユーザー層別戦略はマーケティング戦略を最適化し、顧客満足度とサービス効率を向上させることができます。

KNNに基づく信用スコアリング

K-最近傍法（KNN）アルゴリズムは、イーサリアムユーザーの取引履歴や行動パターンを分析して、ユーザーの信用スコアを算出することができます。これは貸付などの金融活動において非常に重要な役割を果たします。信用スコアリングは、金融機関や貸付プラットフォームが借り手の返済能力や信用リスクをより正確に評価し、それに基づいてより精密な貸出決定を行うのに役立ちます。これにより過剰貸し出しを回避し、市場の流動性を改善することができます。

将来の方向

マクロレベルの資金配分の観点から、世界最大の分散コンピュータであるEthereumは、インフラストラクチャ層への投資を過度に行ってはいけません。異なるバックグラウンドを持つ開発者をより多く引き付け、共同構築に参加させる必要があります。この記事では、Ethereumの技術実装と直面する課題を振り返り、機械学習の直感的な潜在的な応用を想像しています。また、コミュニティ内のAI開発者がこれらのビジョンを具体的な価値に変えることを熱望しています。

オンチェーンの計算能力が徐々に増加するにつれて、ネットワーク管理、取引監視、セキュリティ監査などのより洗練されたモデルの開発が予想されます。これにより、イーサリアムネットワークの効率とセキュリティが向上します。

さらに先を見据えると、AI/エージェント駆動型のガバナンスメカニズムは、イーサリアムエコシステム内での革新の重要なポイントにもなり得ます。そのようなメカニズムにより、より効率的で透明性のある自動決定プロセスがもたらされ、イーサリアムプラットフォームの柔軟で信頼性の高いガバナンス構造が実現します。これらの将来の方向性は、イーサリアム技術の革新を推進するだけでなく、ユーザーにより良質なオンチェーン体験を提供します。

免責事項：

1. この記事は[から転載されましたpanews]. *元のタイトルを転送します‘AI如何革新以太坊？从另一个角度看“AI+Blockchain’.すべての著作権は元の著者[Salus]に帰属します。この転載に異議がある場合は、お問い合わせください。Gate Learnチームが迅速に対応します。
2. 責任の免責事項: この記事に表現されている意見は著者個人のものであり、投資アドバイスを構成するものではありません。
3. 他の言語への記事の翻訳はGate Learnチームによって行われます。特に言及されていない限り、翻訳された記事のコピー、配布、または盗用は禁止されています。