図解Rei Network：AIエージェントとブロックチェーンのシームレスな連携をわかりやすく理解

2025.01.14

共有先

TechFlow厳選深潮セレクト

図解Rei Network：AIエージェントとブロックチェーンのシームレスな連携をわかりやすく理解

Reiフレームワークの誕生は、AIとブロックチェーンとの間のコミュニケーション・ギャップを埋めることを目的としています。

2025.01.14 - 02:43:00

ReiNetworkAIAgent

Web3業界の深掘り報道に専念し潮流を洞察

Reiフレームワークの誕生は、AIとブロックチェーンとの間のコミュニケーション・ギャップを埋めることを目的としています。

著者：francesco

翻訳：TechFlow

AIエージェントを開発する際の中心的な課題は、それらに柔軟に学習し、反復し、成長する能力を持たせつつ、出力結果の一貫性を確保することです。

Reiは、AIとブロックチェーン間で構造化データを共有するためのフレームワークを提供しており、AIエージェントが学習・最適化を行い、経験や知識ベースを維持できるようにします。

このフレームワークにより、以下の能力を持つAIシステムの開発が可能になります。

コンテキストやパターンを理解し、価値あるインサイトを生成する
そのインサイトを実行可能なアクションに変換すると同時に、ブロックチェーンの透明性と信頼性の恩恵を受ける

直面する課題

AIとブロックチェーンは、基本的な特性において大きな違いがあり、両者の互換性には多くの課題があります。

ブロックチェーンの決定論的計算：ブロックチェーンでは、すべてのノード上で各ステップの操作が完全に同一の結果をもたらす必要があります。これは以下の点を保証するためです。
1. 合意形成（コンセンサス）：すべてのノードが新しいブロックの内容について合意し、共同で検証を行う
2. 状態検証：ブロックチェーンの状態は常に追跡可能かつ検証可能である。新しく参加したノードも迅速に他のノードと同じ状態に同期できる
3. スマートコントラクトの実行：同じ入力条件下では、すべてのノードが一貫した出力を生成しなければならない
AIの確率的計算：AIシステムの出力は通常確率に基づいており、毎回の実行で異なる結果になる可能性があります。この特性は以下に由来します。
1. コンテキスト依存性：AIの挙動は入力されるコンテキストに依存する。例えばトレーニングデータ、モデルパラメータ、時間、環境条件など
2. リソース集約性：AIの計算は高性能なハードウェアを必要とし、複雑な行列演算や大量のメモリを消費する

これらの相違点により、以下の互換性課題が生じます。

確率的データと決定論的データの衝突
- AIの確率的出力を、ブロックチェーンが要求する決定論的結果にどう変換するか？
- この変換はいつ、どこで行われるべきか？
- 決定性を保ちつつ、確率的分析の価値をどう保持するか？
Gasコスト：AIモデルの高い計算要求は、耐え難いGas費用を引き起こし、ブロックチェーン上での応用を制限する可能性がある。
メモリ制限：ブロックチェーン環境のメモリ容量は限られており、AIモデルのストレージ要件を満たすのは困難である。
実行時間：ブロックチェーンのブロック生成時間は、AIモデルの実行速度に制限をかけ、パフォーマンスに影響を与える可能性がある。
データ構造の統合：AIモデルは複雑なデータ構造を使用するが、これらをブロックチェーンのストレージ形式に直接組み込むのは難しい。
オラクル問題（検証の必要性）：ブロックチェーンは外部データを得るためにオラクルに依存しているが、AI計算の正確性をどう検証するかは未解決の課題である。特にAIシステムは豊富なコンテキストと低遅延を必要とするため、ブロックチェーンの特性と矛盾する。

元画像： francesco、TechFlow 編集

AIエージェントはどのようにしてブロックチェーンとシームレスに連携できるのか？

元画像： francesco、TechFlow 編集

Reiは、AIとブロックチェーンの利点を融合させるまったく新しい解決策を提示しています。

元画像： francesco、TechFlow 編集

全く異なる二つのシステムを無理に融合させる代わりに、Reiは「ユニバーサルトランスレーター」として機能し、翻訳層を通じて双方が円滑にコミュニケーションし協働できるようにします。

元画像： francesco、TechFlow 編集

Reiの主な目標は以下の通りです。

AIエージェントが独立して思考・学習できるようにする
エージェントの洞察を正確かつ検証可能なブロックチェーン操作に変換する

元画像： francesco、TechFlow 編集

このフレームワークの最初の応用例は Unit00x0 (Rei_00 - $REI)であり、現在は定量化アナリストとして訓練されています。

Reiの認知アーキテクチャは、以下の4つのレイヤーから構成されています。

思考層 (Thinking Layer)：チャートデータ、取引履歴、ユーザ行動などの生データを処理・収集し、潜在的なパターンを抽出する。
推論層 (Reasoning Layer)：発見されたパターンに日付、時間、過去のトレンド、市場状況といったコンテキスト情報を加え、データを立体的にする。
意思決定層 (Decision Layer)：推論層によって強化された情報をもとに、具体的なアクションプランを策定する。
行動層 (Action Layer)：意思決定を、ブロックチェーン上で実行可能な決定論的操作に変換する。

Reiのフレームワークは、以下の3つの柱に基づいています。

元画像： francesco、TechFlow 編集

オラクル（Oracle）（神経経路のようなもの）：AIの多様な出力を統一された結果に変換し、ブロックチェーン上に記録する。
ERCデータ標準（ERC Data Standard）：ブロックチェーンのストレージ能力を拡張し、複雑なパターンのデータ保存をサポート。思考層・推論層で生成されたコンテキスト情報を保持することで、確率的データから決定論的実行への移行を実現する。
メモリシステム（Memory System）：Reiが時間をかけて経験を蓄積し、過去の出力結果や学習成果をいつでも呼び出せるようにする。

これらの相互作用は、具体的には以下のように現れます。

元画像： francesco、TechFlow 編集

オラクル橋がデータパターンを識別する
ERCDataがこれらのパターンを保存する
メモリシステムがコンテキスト情報を保持し、パターンの理解を深める
スマートコントラクトが蓄積された知識にアクセスし、それに基づいて行動する

このアーキテクチャにより、Reiエージェントはオンチェーンデータ、価格変動、ソーシャルセンチメントなどの多次元情報を統合し、トークンに対して深い分析を行うことが可能になっています。

さらに重要なのは、Reiはデータ分析だけでなく、そこからより深い理解を形成できることです。彼女は自身の経験や洞察をブロックチェーン上に直接保存し、それらを知識体系の一部として再利用できるため、意思決定能力と全体的な経験を継続的に最適化できます。

Reiのデータソースには、PlotlyおよびMatplotlibライブラリ（チャート作成用）、Coingecko、Defillama、オンチェーンデータ、Twitterのソーシャルセンチメントデータなどが含まれます。これらの多様なデータソースを通じて、Reiは包括的なオンチェーン分析と市場インサイトを提供できます。

Quant V2の機能アップデートにより、Reiは現在以下の分析形式をサポートしています。

プロジェクト分析：従来の機能に定量指標とセンチメントデータを追加。K線図（Candlestick Chart）、エンゲージメントチャート（Engagement Chart）、保有者分布（Holder Distribution）、損益（PnL）などを分析対象とする。（関連事例）
流入・流出分析：人気のあるオンチェーントークンの価格と取引量を監視し、資金の流入・流出状況と比較することで、潜在的な市場トレンドを発見する支援を行う。（関連事例）
エンゲージメント分析：プロジェクト全体のエンゲージメント状況を評価。即時データと24時間前のデータを比較し、相対的な価格変動を分析。最新情報とユーザーのエンゲージメントの相関関係を明らかにする。（関連事例）
トップカテゴリ分析：単一カテゴリ内の最低取引量と最高取引数を分析し、プロジェクトが所属カテゴリ内でどのように位置づけられているかを浮き彫りにする。
最初のグラフは下部に取引量、上部に取引数を示し、その後特定のカテゴリに焦点を当て、個々のプロジェクトが同カテゴリ内での指標がどのように変化しているかを詳細に分析する。（関連事例）