HyperAGI インタビュー：本物のAIエージェントを構築し、自律的な暗号通貨経済を創造する
TechFlow厳選深潮セレクト
HyperAGI インタビュー：本物のAIエージェントを構築し、自律的な暗号通貨経済を創造する
HyperAGIは、初のAIルーンHYPERAGIAGENTであり、コミュニティ主導の分散型AIプロジェクトです。
Web3業界の深掘り報道に専念し潮流を洞察
HyperAGIチームとプロジェクトの背景について教えてください
HyperAGIは、初のAIルーン「HYPER・AGI・AGENT」によってコミュニティ主導される、分散型AIプロジェクトです。HyperAGIチームは長年にわたりAI分野に深く関わっており、Web3における生成AIアプリケーションの開発で豊富な経験を積んできました。3年前から当該チームは生成AIを用いて2D画像や3Dモデルを生成し、数千ものAI生成島々からなるオープンワールド「MOSSAI」をブロックチェーン上に構築しました。また、AI生成非代替性暗号資産の標準NFG（Non-Fungible Generative）も提案しています。しかし当時は、AIモデルの訓練と生成に対する分散型ソリューションがまだ確立されておらず、プラットフォーム自身のGPUリソースだけでは多数ユーザーの需要を支えきれず、爆発的成長には至りませんでした。LLMが一般大衆のAIへの関心を高めたことを受けて、私たちは2024年第1四半期よりイーサリアムおよびビットコインL2上で、分散型AIアプリケーションプラットフォームHyperAGIのテストを開始しました。
HyperAGIは分散型AIアプリケーションに焦点を当てており、自律的な暗号経済の育成を目指しており、最終的な目標は無条件基本知能エージェント収入（UBAI）の実現です。これはビットコインが持つ強固なセキュリティと分散化の特性を継承し、革新的な有用作業量証明（PoUW）コンセンサスメカニズムによってさらに強化されています。
消費者向けGPUノードは許可不要でネットワークに参加でき、AI推論や3DレンダリングなどのPoUWタスクを実行することで、ネイティブトークン$HYPTをマイニングできます。
ユーザーは各種ツールを活用して、大規模言語モデル（LLM）駆動の人物証明（PoP）AGIエージェントを開発できます。これらのエージェントはチャットボットとして、またはメタバース内の3D/XRエンティティとして設定可能です。AI開発者は即座にLLM AIマイクロサービスを利用または展開でき、プログラマブルかつ自律的なオンチェーンエージェントの創出を促進します。
こうしたプログラマブルなエージェントは暗号資産を発行または所有でき、継続的に運営・取引を行うことが可能であり、活力ある自律的暗号経済を支援し、UBAIの実現を後押しします。ルーントークン「HYPER・AGI・AGENT」を保有するユーザーは、ビットコインレイヤー1上でのPoPエージェントの作成資格を得られ、まもなくエージェント基本給付の対象となる可能性があります。
AIエージェントとは何か？今多くのAIプロジェクトがエージェント機能を謳っていますが、そもそもエージェントとは何でしょうか？HyperAGIのエージェントは他と何が違うのですか？
AIエージェントという概念自体、学術的には新しいものではありませんが、現在の市場における宣伝により定義が曖昧になっています。HyperAGIにおけるエージェントとは、単なるLLM駆動のチャットボットではなく、3D仮想シミュレーション環境の中で訓練され、ユーザーとインタラクションできる具身型エージェントを指します。HyperAGIのエージェントは、仮想のデジタル世界にも、現実の物理世界にも存在可能です。現在、HyperAGIエージェントは実際のロボット（ドッグロボット、ドローン、ヒューマノイドなど）との統合を進めています。将来的には、対応するエージェントが仮想3D世界で強化学習を終えた後、実体ロボットにダウンロードされ、より効果的にタスクを遂行できるようになります。
さらに重要なのは、HyperAGIエージェントのすべての権利がユーザーに帰属することです。社会経済的意義を持ち、ユーザーを代表するPoPエージェントはUBAIを通じて基本エージェント収入を受け取れます。HyperAGIのエージェントは、ユーザー個人を表すPoP（Proof of Personhood）エージェントと、汎用的な機能エージェントの2種類に分けられます。PoPエージェントは、HyperAGIのエージェント経済圏内でトークン形式の基本収入を受け取り、ユーザーが自身のエージェントの訓練やインタラクションに積極的に参加するインセンティブとなり、人間個体を証明可能なデータの蓄積につながります。UBAIはAIの平等性と民主主義を体現しています。
AGIはただのキャッチーな言葉なのか、それともすぐに現実になるのか？HyperAGIの研究開発路線は他のAIプロジェクトと比べてどこが異なり、どのような特徴があるのでしょうか？
AGIの定義は未だ統一されていませんが、数十年にわたり、AGIはAI学界および産業界の聖杯とされてきました。Transferに基づくLLMは、さまざまなAIエージェントやAGIの中心になると広く見なされていますが、HyperAGI内部ではそうは考えていません。確かにLLMは自然言語による情報抽出、計画立案、推論といった新しい便利な能力を提供していますが、本質的には依然としてデータ駆動型のディープニューラルネットワークです。数年前の大規模データの波の中で、このようなシステムはGIGO（Garbage in, garbage out）であることがすでに明らかでした。LLMには高度な知能に不可欠な特徴が欠けています。下位レベルでは、LLMが具身性を持たないため、人間ユーザーの世界モデルを理解することが難しく、環境に対して計画を立て行動を起こすことも困難です。上位レベルでは、自己意識や内省、反省といった高度な知的活動の兆しなど全くありません。
創業者Landon WangはAI分野において長年の深い研究を行ってきました。2004年には、アスペクト指向人工ニューラルネットワークAOAI（Aspect-Oriented AI）を提唱。これは神経科学的計算とAOP（アスペクト指向プログラミング）を融合させた革新です。「アスペクト」とは、複数のオブジェクト間の関係性や制約をカプセル化したもので、たとえばニューロン一つひとつが、他の多数の細胞との関係や制約を内包する「アスペクト」といえます。具体的には、ニューロンの細胞体から伸びる繊維やシナプスを通じて感覚細胞や運動細胞を感知または制御するため、ニューロン自体がその関係性と論理を包含するアスペクトなのです。技術的には、各AIエージェントも特定の側面の問題解決のために設計され、アスペクトとしてモデル化できます。
人工ニューラルネットワークのソフトウェア実装では、通常ニューロンや層をオブジェクトとしてモデル化します。オブジェクト指向言語では理解・保守が容易ですが、ネットワークトポロジーの変更やニューロンの活性化順序が固定されやすく、柔軟性に欠けます。LLMのトレーニングや推論のような高負荷計算では大きな力を発揮しますが、適応性や柔軟性には限界があります。一方、AOAIではニューロンや層を「オブジェクト」ではなく「アスペクト」としてモデル化します。このアーキテクチャは高い自己適応性と柔軟性を持ち、ニューラルネットワークの自己進化を可能にします。
HyperAGIは、効率的なLLMと進化可能なAOAIを統合することで、従来の人工ニューラルネットワークの効率性とAOネットワークの自己進化特性を兼ね備えた、現時点においてAGI実現の最も現実的な道筋と考えています。
HyperAGIのビジョンとは
HyperAGIのビジョンは、無条件基本知能エージェント収入（UBAI）の実現を通じて、誰もが技術の恩恵を平等に受けられる未来を築き、搾取の連鎖を断ち切り、真に分散的で公正なデジタル社会を創造することです。他のUBI（普遍的基本所得）の実現を掲げるブロックチェーンプロジェクトとは異なり、HyperAGIのUBAIには明確な実現経路があります。それは「エージェント経済」を通じたものであり、空論ではありません。中本聡が提唱したビットコインは人類にとって巨大な革新でしたが、それはあくまで分散型のデジタル通貨であり、実用価値はありませんでした。人工知能の飛躍的進歩により、分散型で価値を生み出すことが可能になりました。このモデルでは、人々は他人の価値からではなく、機械上で稼働するAIから利益を得るのです。コードによって記述された真の暗号世界が姿を現しつつあり、すべてのマシンは人類の利益と幸福のために存在します。この暗号世界ではAIエージェント間に階層構造が残るかもしれませんが、人間による搾取は排除されます。なぜならエージェント自身が何らかの自律性を持つからです。人工知能の究極的な目的と意味は、ブロックチェーンに記されたように、人類に奉仕することにあります。
ビットコインL2とAIの関係とは？なぜビットコインL2上でAIを構築するのか？
1. ビットコインL2はAIエージェントの決済手段として機能
ビットコインはこれまでに「最大の中立性」を体現してきたメディアであり、価値取引を行うAIエージェントに最適です。法定通貨に内在する非効率性や「摩擦」を解消できます。この「デジタルネイティブ」なメディアこそ、AIが価値交換を行う天然の土壌といえるでしょう。ビットコインL2はプログラマビリティを向上させ、AIが価値交換に必要な速度を満たせるため、AIのネイティブ通貨となる可能性を秘めています。
2. ビットコインL2により分散型AIガバナンスを実現
現在のAIは中央集権的傾向が強く、AIのアライメント（意思一致）やガバナンスの分散化が注目されています。ビットコインL2のより強力なスマートコントラクトは、AIエージェントの行動やプロトコルパターンを規範化するルールとして機能し、分散型のAIアライメント・ガバナンスモデルを実現できます。また、ビットコインの「最大の中立性」により、AIアライメントやガバナンスの合意形成がより容易になります。
3. ビットコインL2でAI資産を発行
AIエージェントをビットコインL1の資産として発行できるだけでなく、高性能なビットコインL2はAIエージェントによるAI資産の発行ニーズを満たし、エージェント経済の基盤を形成します。
4. AIエージェントはビットコインおよびL2のキラーアプリ
性能上の理由から、ビットコインは誕生以来、価値保存以外に実用的なアプリケーションがありませんでした。L2対応のビットコインは、より強力なプログラマビリティを持ちます。AIエージェントは現実世界の問題解決に使われるため、ビットコイン駆動のAIエージェントは真に実用化可能です。また、AIエージェントの規模と使用頻度は、ビットコインおよびL2にとってキラーアプリケーションとなるでしょう。人間経済ではビットコインが優先的な支払い手段にならないかもしれません。しかし、ロボット経済では優先されるかもしれません。大量のAIエージェントが24時間365日働き続け、疲れることなくビットコインで微小な支払いを送受信します。これにより、ビットコインの需要は想像を絶する形で大幅に増加する可能性があります。
5. AI計算によりビットコインL2の安全性を強化
AI計算はビットコインPoWの補完となり、あるいはPoUWによってPoWを置き換えることも可能です。これは安全性を確保しつつ、ビットコイン採掘に使われている膨大なエネルギーをAIエージェントへ注入する革命的な転換となります。L2を通じてAIは、ビットコインを知能駆動型のグリーンブロックチェーンに変えられます。これはイーサリアムのようなPoS方式とは異なります。私たちが提唱する「ハイパーグラフコンセンサス（Hypergraph Consensus）」は、3D/AI計算に基づくPoUWであり、後ほど紹介します。
他の分散型AIプロジェクトと比べて、HyperAGIの独自性は何ですか？
HyperAGIプロジェクトはWeb3 AI領域で独自の存在であり、ビジョン、ソリューション、技術面で明確な差別化があります。ソリューション面では、GPU計算資源のコンセンサス化、AIの具身化・資産化を実現しており、分散型の半AI半金融アプリケーションです。最近学術界で分散型AIプラットフォームに求められる5つの特性が提唱されたため、既存の分散型AI関連プロジェクトをそれらの観点から簡単に整理・比較します。
分散型AIプラットフォームに求められる5つの特性とは：
(i) 遠隔実行AIモデルの検証可能性 verifiability of remotely run models
分散型検証可能性にはData Availability、ZKなどの技術が含まれます
(ii) 公開AIモデルAPIの利用可能性 usability of publicly available AI models
利用可能性は、AIモデル（主にLLM）APIを提供するノードがピアツーピア（Peer 2 Peer）かどうか、完全に分散化されたネットワークかどうかで判断されます
(iii) AI開発者とユーザーへのインセンティブ incentivization for AI developers and users
インセンティブ設計に公平なトークン生成メカニズムがあるか
(iv) デジタル社会における実用的AIガバナンス global governance of essential solutions in the digital society
AIガバナンスが中立的で合意形成が容易かどうか
(v) サプライヤーロックインの回避 no vendor lockins, etc.
完全に分散化されたプラットフォームかどうか
これら5つの特性を用いて、既存の公開計画または実装済みプロジェクトを以下のように整理できます。（分散型フェデレーテッドラーニングは長年の実践にもかかわらず大きな進展がなく、LLMの台頭により分散型トレーニングはさらに困難になったため、関連プロジェクトは除外します。）
(i) 遠隔実行AIモデルの検証可能性
検証可能性は分散型AIプロジェクトに必須の特性であり、以降の利用可能性、インセンティブ、ガバナンス、非依存性の基礎となります。検証可能性がなければ、他の次元の特性は評価の対象外です。検証可能性を欠くプロジェクトは分散型プロジェクトかもしれませんが（例：分散型GPUリース、データ・アルゴリズム・モデル市場）、AIの分散化とは言えません。
検証可能性を満たす可能性のあるプロジェクト：
Giza：ZKMLコンセンサスメカニズムに基づき、遠隔実行AIモデルの検証可能性を満たしますが、現時点のパフォーマンスは低く、特に大規模モデルの要件とは数桁離れています。百万パラメータ級の小規模モデルでも証明に数分かかることが多く、LLMクラスのモデルでは到底受け入れられない時間です。
Cortex AI：5年前に始まった分散型AI専用L1ブロックチェーンプロジェクト。技術的に複雑で、EVM仮想機にニューラルネット計算に対応した新しい命令を追加。基盤はZKによる可用性検証ですが、シンプルなAIモデルには適用可能でも、LLMクラスの大規模モデルには対応できません。
Ofelimos：暗号学術界で初めてPoUWを提案。特定の探索アルゴリズムを採用していますが、具体的なアプリケーションやプロジェクトとの関連はありません。
Project PAI：論文でPoUWに触れていますが、ホワイトペーパーのみで製品はなく、https://oben.me/
Qubic：PoUWを宣言し、数百GPUを用いた人工ニューラルネット計算を提唱。しかしPythonライブラリの簡単な計算の意義は不明で、LLMのトレーニングや推論のニーズを満たしておらず、PoUWとしての役割も果たしていません。
FLUX：（PoW ZelHash、PoUWではない）
Coinai：（論文段階）https://aipowergrid.io/、タスク割当あり、厳密なコンセンサスメカニズムなし
不適合：
GPUリース系プロジェクトはすべて、分散型検証メカニズムを欠いており、遠隔実行AIモデルの検証可能性を保証できません。
DeepBrain Chain：GPUリースに特化、2017年のL1プロジェクト、2021年メインネットリリース
EMC：タスク割当が中央集権的報酬、ロードマップに分散型コンセンサスメカニズムなし
Atheir：コンセンサスメカニズムが確認できない
IO.NET：コンセンサスメカニズムが確認できない
CLORE.AI, POH：クラウドソーシング方式、AIモデルのオンチェーン発行と支払い、NFT発行、AIはオフチェーン実行、検証可能性なし。同様のモデルのプロジェクト：SingularityNET, Bittensor, AINN, Fetch.ai, oceanprotocol, algovera.ai
(ii) 公開AIモデルAPIの利用可能性
Cortex AI：LLM対応が確認できない
Qubic：LLM対応が確認できない
上記のすべての分散型AIプロジェクトは、上記5つの問題に十分に応えていません。HyperAGIは完全に分散化されたAIプロトコルであり、Hypergraph PoUWコンセンサスメカニズムと完全分散化されたビットコインL2スタックに基づいています。将来はビットコイン専用AI L2へとアップグレードされます。
PoUWはネットワークを最安全な方法で保護しつつ、計算能力を無駄にしません。マイナーが提供するすべての計算能力はLLM推論やクラウドレンダリングサービスに利用可能です。PoUWのビジョンは、計算能力が分散ネットワークに提出されたさまざまな問題の解決に使えることです。
なぜ今なのか
1. LLMおよびアプリケーションの爆発的普及
OpenAIのChatGPTは3か月で1億ユーザーを達成し、言語大規模モデルLLMの開発・応用・投資の熱狂が世界中に広がりました。しかし現時点で、LLMの技術とトレーニングは非常に中央集権的に行われており、学界・業界・一般市民の懸念が高まっています。主要テクノロジー企業によるAI技術の独占、データプライバシーの漏洩・侵害、クラウドベンダーによるサプライヤーロックインなどが問題視されています。これらはすべて、現在のインターネットおよびアプリケーションの入口が中央集権プラットフォームに支配されていることに起因しており、AIの大規模応用に適したネットワークが存在しないのです。AIコミュニティはローカル実行や分散型AIプロジェクトの実現を始めました。代表例はOllama（ローカル実行）とPetals（分散型）。Ollamaはパラメータ圧縮や精度低下により、中小規模LLMをPCやスマホで実行可能にし、ユーザーのデータプライバシーなどを守りますが、実稼働環境やネット接続アプリケーションには不向きです。PetalsはBitTorrentのP2P技術でLLMの完全分散型推論を実現しましたが、コンセンサス層・インセンティブ層プロトコルがなく、研究者の狭いコミュニティに留まっています。
2. LLM駆動エージェント
LLMの登場により、エージェントは上位の推論とある程度の計画立案が可能になり、自然言語を通じて複数エージェント間で人間のように社会的協働を形成できます。マイクロソフトのAutoGen、Langchain、CrewAIなどのLLM駆動エージェントフレームワークが提案されました。
現在、多くのAI起業家や開発者がLLM駆動エージェントとその応用に集中しており、安定的で利用可能、スケーラブルなLLM推論に大きな需要があります。しかし現状では、主にクラウド企業からGPU推論インスタンスをレンタルして対応しています。英偉達は2024年3月、LLMを含む生成AIマイクロサービスポータルai.nvidia.comを発表しましたが、まだ正式リリースされていません。LLM駆動エージェントはかつてのウェブサイト建設のように盛んですが、現在は主に従来のWeb2モードで協働しています。エージェント開発者はGPUをレンタルしたり、LLM提供者のAPIを購入してエージェントを稼働させる必要があり、摩擦が大きく、エージェント生態系の急速な成長やエージェント経済の価値伝達を妨げています。
3. 具身エージェントのシミュレーション環境
現在の大多数のエージェントがアクセス・操作できる対象は、いくつかのAPIに限られており、コードやスクリプトでそれらとやり取りし、LLMが生成した制御命令を書き込んだり、外部状態を読み出したりしています。汎用エージェントは自然言語の理解・生成だけでなく、人間の世界を理解すべきであり、適切な訓練後にはロボット（ドローン、掃除機、ヒューマノイドなど）システムに移行し、指定されたタスクを完了できるべきです。このようなエージェントを具身エージェントと呼びます。
具身エージェントの訓練には大量の現実世界の視覚データが必要で、エージェントが特定環境や現実世界をよりよく理解し、ロボットの訓練・開発期間を短縮し、効率を高め、コストを削減できます。しかし現在、このような具身AI訓練用のシミュレーション環境はごく少数の企業（例：マイクロソフトのMinecraft、英偉達のIsaac Gym）が独自に構築・保有しており、分散型の環境は存在しません。最近、EpicのUnreal EngineなどゲームエンジンがAI重視を表明し、OpenAI GYM準拠のAI訓練環境の整備を進めています。
4. ビットコインL2エコシステム
ビットコインサイドチェーンは数年前から存在しますが、主に支払い用途に限られ、複雑なオンチェーンアプリケーションを支えるスマートコントラクトが欠けていました。EVM互換のビットコインL2の登場により、ビットコインはL2を通じて分散型AIのようなアプリケーションをサポートできるようになりました。分散型AIには完全に分散化され、計算能力を重視するブロックチェーンネットワークが必要であり、ますます中央集権化するPoSブロックチェーンネットワークには依存できません。インスクリプション、ルーンなどビットコインネイティブ資産新プロトコルの登場により、ビットコイン上でのエコシステムとアプリケーションの構築が可能になりました。例えばルーン「HYPER・AGI・AGENT」は1時間以内に公平な発行（fair mint）を完了。今後HyperAGIはビットコイン上でさらなるAI資産およびコミュニティ主導アプリケーションを発行します。
HyperAGIの技術枠組みとソリューションについて話しましょう
1. 分散型LLM駆動AIエージェントアプリケーションプラットフォームの実現方法は？
現在、分散型AIの最大の課題は、AI大規模モデルの遠隔推論をどう実現するか、そして具身エージェントの訓練・推論に必要な高性能かつ低オーバーヘッドの検証可能アルゴリズムが不足していることです。検証可能性がなければ、システムは伝統的な需給双方＋プラットフォームのマルチサイドマーケットプレイスモードに退化し、完全な分散型AIアプリケーションプラットフォームは実現できません。
検証可能なAI計算にはPoUWコンセンサスアルゴリズムが必要です。これを基盤として分散型インセンティブメカニズムを実現できます。具体的には、ネットワークインセンティブにおいて、トークンのmintは、ノードが計算タスクを完了し、検証可能な結果を提出した後に自ら実行されるものであり、いかなる中央集権的な方法でノードにトークンを移転するものではありません。
AI計算の検証可能性を実現するには、まずAI計算を定義する必要があります。AI計算には多くの階層があります。最も下位のマシン命令、CUDA命令、C++、Python言語など。同様に、具身エージェント訓練に必要な3D計算にも異なる階層があり、シェーダ言語、OpenGL、C++、ブループリントスクリプトなどがあります。
HyperAGIのPoUWコンセンサスアルゴリズムは「計算グラフ（Computational Graph）」で実現されます。計算グラフは有向グラフとして定義され、ノードは数学的演算に対応します。計算グラフは数学的表現を表現・評価する方法の一つであり、「言語」ともいえます。ノード（変数）、エッジ（演算＝単純関数）で構成されます。
1.1 計算グラフを用いて、あらゆる計算（例：3D、AI計算）を検証可能に定義します。異なる階層の計算はサブグラフで表現可能です。これによりさまざまな計算タイプを網羅でき、サブグラフで異なる計算階層を表現できます。現在は2層構造で、トップレベルの計算グラフはオンチェーンにデプロイされ、検証ノードによる検証が容易になります。
1.2 LLMモデルおよび3Dシーンを完全に分散化された方法でロード・実行します。ユーザーがLLMモデルにアクセスして推論を行う場合、または3Dシーンに入場してレンダリングを行う場合、HyperAGIエージェントは別の信頼できるノードを起動し、同じハイパーグラフ（LLMまたは3Dシーン）を実行します。
1.3 検証ノードが、あるノードの提出結果と信頼ノードの提出結果が一致しない場合、第2層の計算グラフ（サブグラフ）のオフチェーン計算結果に対して二分探索を行い、不一致が生じたサブグラフ計算ノード（オペレータ）を特定します。サブグラフオペレータは事前にスマートコントラクトにデプロイされており、不一致が生じたオペレータのパラメータとともにスマートコントラクトを呼び出し、そのオペレータを実行することで結果を検証できます。
2. 過剰な計算オーバーヘッドをどう回避するか？
検証可能なAI計算のもう一つの難題は、余分な計算オーバーヘッドを抑えることです。ビザンチンフォールトトレランス（BFT）コンセンサスプロトコルでは、2/3以上のノードが一致することで合意が成立します。AI推論のコンセンサスでは、すべてのノードが同じ計算を完了する必要があることを意味します。このような余分なオーバーヘッドはAI計算では受け入れがたい浪費です。HyperAGIでは、1〜m個のノードによる余分な計算だけで検証を完了できます。
2.1 各LLMは単独で推論を行うことはありません。HyperAGIエージェントは、少なくとも1台の信頼ノードを起動し、「伴走計算（companion computing）」を行います。
LLM推論計算は、モデル内のディープニューラルネットワークの各層が前の層の計算結果を入力として計算を進め、最後に推論を完了します。複数ユーザーが同時に同じLLM大規模モデルにアクセス可能です。
そのため、最大でLLMの数m
TechFlow公式コミュニティへようこそ
Telegram購読グループ：https://t.me/TechFlowDaily
Twitter公式アカウント：https://x.com/TechFlowPost
Twitter英語アカウント：https://x.com/BlockFlow_News
