100万トークンから1億トークンへ：MantaはいかにしてAIのブロックチェーンデータ理解を100倍に拡張し得るのか

AIにおける次の大きな飛躍は、より大型のチャットボットや、より高速な画像生成モデルから生まれるとは限らない。モデルが一度に保持・分析できる情報量を大幅に増やすことから始まる可能性もある。

ドイツのAI研究所Emperoは、最大で1億トークンの入力ウィンドウに対応するとされるモデル、Mantaを発表した。これが確認されれば、現在の先進的なAIシステムの一部が備える、およそ100万トークン規模のコンテキストウィンドウを大きく上回ることになる。

ブロックチェーン業界にとって、この進展は特に重要な意味を持つ可能性がある。暗号資産市場では、スマートコントラクトのコード、ガバナンス提案、監査報告書、取引履歴、法的文書、トークンのアンロックスケジュール、コミュニティでの議論、リアルタイムの市場データなど、膨大な情報が分散した形で生み出されている。これらすべてを単一のコンテキスト内で処理できるモデルが登場すれば、研究者、開発者、投資家、セキュリティチームの仕事の進め方は大きく変わるかもしれない。

ただし、Mantaはまだ初期段階のシステムだ。アーキテクチャ、処理速度、コスト、そして全般的な信頼性については、現時点で独立した検証が十分に行われていない。

Mantaの1億トークン・コンテキストが意味すること

モデルのコンテキストウィンドウは、1回のやり取りの中でAIが読み取り、利用できる情報量を決める。コンテキストが小さすぎる場合、AIシステムは過去の情報を要約したり、切り捨てたり、破棄したりしなければならない。

この制約は、長期間にわたる作業で特に顕著になる。AIコーディングエージェントは、ソフトウェアプロジェクトの初期段階を理解していても、数千件のメッセージを経るうちに重要な意思決定を見失うことがある。リサーチアシスタントも、複数の報告書を正確に分析できる一方で、関連する証拠が数百件の文書に分散していると、対応しきれなくなる可能性がある。

Mantaは、約1億トークンの入力に対応することで、このボトルネックの解消を目指している。実用面では、次のような情報をまとめて分析できる可能性がある。

• 大量の企業提出書類
• 大規模なスマートコントラクト・リポジトリ
• 長期にわたる開発者やガバナンスの議論
• ブロックチェーンの過去の取引履歴やイベントログ
• 複数の監査報告書や脆弱性の開示情報
• トークノミクスやリスク分析に用いる大規模データセット

重要なのは、単に「記憶容量が増える」ことではない。大容量のコンテキストウィンドウが価値を持つためには、モデルが必要な情報を適切に取り出し、遠く離れた情報同士の関係を維持し、データセット全体を通じて精度を大きく落とさずに推論できなければならない。

Emperoによる長文脈テスト

Emperoは、S&P 500企業の年次報告書および四半期報告書1,269件を単一の入力に含める形で、Mantaをテストしたと報じられている。その資料は、およそ8,800万トークンに相当した。

チームはその後、文書全体に20個の隠れたシグナルを配置し、モデルにそれらの位置を特定させた。最初のテストで、Mantaは20個中18個のシグナルを見つけた。

2つ目の実験では、約1,000万トークンのデータセット内に、非常によく似たシグナルを50個配置した。報道によると、Mantaはそのうち43個を発見した。

これらの結果は、Mantaが非常に大規模な文書コレクションから情報を検索できる可能性を示している。ただし、1億トークンにわたって複雑な推論を安定して行えることを証明するものではない。意図的に埋め込まれたシグナルを見つけることと、複数年にわたるプロトコルの履歴を理解したり、巧妙なスマートコントラクトの脆弱性を特定したり、オンチェーン取引が正当な活動を示しているかどうかを判断したりすることは別問題だ。

この違いは、ブロックチェーンへの応用を考えるうえで重要になる。暗号資産のデータは、ノイズが多く、重複も多いうえ、敵対的な要素を含むことが少なくない。モデルはガバナンス提案の中にある一文を見つけられても、その経済的な意味を誤解する可能性がある。また、取引パターンを発見できても、そのアドレスがマーケットメイカー、ブリッジコントラクト、あるいは制裁対象の事業体に属していることを認識できないかもしれない。

長文脈AIが暗号資産リサーチに重要な理由

ブロックチェーンに関する情報は、非常に分散している。1つのプロトコルについても、ドキュメントはある場所で公開され、コードは公開リポジトリに置かれ、ガバナンス活動は複数のフォーラムで行われ、監査は複数の企業が実施し、取引データは異なるネットワークに分散していることがある。

研究者は通常、これらの情報源を手作業でつなぎ合わせなければならない。長文脈モデルは、より完全な分析像を構築する手助けになる可能性がある。

1. より高度なプロトコル・デューデリジェンス

分散型金融プロトコルを利用する前に、ユーザーは次のような項目を確認する必要がある。

• 中核となるコントラクト
• アップグレード権限
• オラクルへの依存関係
• 監査で指摘された事項
• 過去のインシデント
• トークンの配布状況
• ガバナンスの集中度
• 流動性とブリッジへの依存

非常に大きなコンテキストを持つモデルであれば、これらの資料を個別のタスクとして扱うのではなく、1つのワークフローの中で比較できる可能性がある。

それにより、情報間の矛盾も見つけやすくなるだろう。たとえば、あるプロジェクトのドキュメントにはパーミッションレスなシステムだと記載されている一方で、コントラクトコードには管理者が制御できるアップグレード機能が残されていることがある。長文脈分析によって、こうした食い違いを検出し、関連するコードやガバナンス記録へユーザーを誘導できるかもしれない。

AIが独立した検証に取って代わるべきではない。しかし、複雑なプロトコルのリスクを整理するための最初のレイヤーとして、役立つ存在になる可能性はある。

2. より包括的なスマートコントラクト監査

スマートコントラクトのセキュリティは、単一の関数ではなく、複数のファイル間の相互作用に左右されることが多い。脆弱性が、あるコントラクト内の外部呼び出し、別のコントラクトにおけるアクセス制御上の前提、そして取引の挙動を考慮して初めて見えてくる経済的な攻撃経路にまたがっている場合もある。

より大きなコンテキストウィンドウがあれば、AIシステムは次のような情報をまとめて確認できる可能性がある。

• コントラクト・リポジトリ全体
• デプロイ設定
• 過去の修正履歴
• 監査報告書
• バグバウンティへの報告
• 既知のエクスプロイト・データベース
• 関連するガバナンス提案

最大の利点は、継続性にあるだろう。リポジトリを何度も短い要約に圧縮する代わりに、エージェントは元の実装とその開発履歴に継続的にアクセスできるようになる。

ただし、コンテキスト容量が大きいことと、セキュリティに関する専門知識を持つことは同じではない。関連するコードがすべて与えられていても、モデルが脆弱性を見落とす可能性はある。プロダクション環境の監査では今後も、決定論的なテスト、必要に応じた形式検証、そして経験豊富な人間によるレビューが欠かせない。

3. DAOガバナンスの分析を改善

分散型自律組織（DAO）は、フォーラムでの議論、温度感を測る予備投票、正式な投票、デリゲートの声明、オンチェーンでの執行などを組み合わせて意思決定を行うことが多い。

重要な文脈が、数か月にわたる議論の中に分散していることもある。単独で見れば単純に思える提案でも、過去の合意事項や依存関係、修正内容によって、プロトコルのリスクプロファイルが変わる可能性がある。

長文脈AIシステムは、ユーザーが次のような問いに答えるうえで役立つかもしれない。

• 現在の提案につながった前提は何か？
• どのデリゲートが賛成し、どのデリゲートが反対したのか？
• 最終的な投票内容は、当初の草案から変わったのか？
• 執行後にどのような運用上の変更が起きるのか？
• 過去に似た提案が失敗したり、予想外の結果を招いたりしたことはあるか？

これにより、すべての議論スレッドや取引記録を現実的に読み切れないトークン保有者にとって、透明性が高まる可能性がある。

ただし、ガバナンスの分析には情報検索以上の能力が求められる。モデルは、技術的な主張、政治的な協調、金銭的インセンティブ、投機的な主張を区別しなければならない。また、過半数の賛成を、提案が安全であることの証拠として扱わないようにする必要もある。

AIエージェントと長期的なコーディングコンテキスト

Emperoは、31,450件のメッセージと約740万トークンで構成された、実際のAIプログラミングセッションを使ってMantaをテストしたとも報じられている。

元のコーディングエージェントは、会話が利用可能な容量を超えたため、過去のコンテキストを13回圧縮していた。Mantaはセッション全体の記録を1回の処理で扱い、セッション内の5つの異なる時点から次のアクションを予測しようとすることができた。

これは、長期にわたるデバッグや大規模なアーキテクチャ議論が頻繁に発生するブロックチェーン開発において重要だ。開発者はAIエージェントに、次のような作業を横断して対応させることがある。

• SolidityやRustのコントラクト
• テストスイート
• デプロイスクリプト
• フロントエンドとの統合
• 監査でのフィードバック
• インシデント対応の記録
• 過去に失敗した修正

要約を繰り返すと、後になって重要になる細部が失われる可能性がある。圧縮された履歴には最終的な結論が残っていても、なぜ特定の設計が却下されたのかまでは残らないかもしれない。セキュリティが重視されるコードでは、そうした推論の欠落によって、エージェントが以前の脆弱性を再び組み込んでしまう可能性がある。

非常に大きなコンテキストウィンドウがあれば、AIコーディングエージェントは長期プロジェクトにおいて、より一貫した対応ができるようになるかもしれない。また、コントラクトの挙動、デプロイ時の前提、未解決のリスクについて、別途要約を管理する必要も減る可能性がある。

しかし、この能力には独自の課題もある。コンテキストが大きくなるほど、どの情報を優先すべきか判断するのは難しくなる可能性がある。データ量が増えれば、自動的に意思決定の質が向上するわけではない。

Mantaはまだ、一般的なブレークスルーの証明ではない

1億トークンのモデルという発想は、まったく新しいものではない。2024年にはMagicが、LTM-2-miniというシステムを発表している。同社は、異なるアーキテクチャによってメモリと計算負荷を抑えながら、同程度のコンテキストサイズに対応できると説明していた。Magicはその後、トレーニング時のモデル拡張に課題があることを認めており、同システムは現在も独立した公開テストを広く受けられる状態にはなっていない。

Mantaについても、同様の疑問が残されている。

現時点で公開されている情報だけでは、次の点が十分に明らかになっていない。

• モデルの基盤となるアーキテクチャ
• 実環境での処理速度
• 推論に必要なハードウェア
• 長文脈リクエスト1回あたりのコスト
• コンテキストが最大サイズに近づいた場合も精度が安定するのか
• コード、構造化データ、敵対的な入力をどの程度適切に処理できるのか
• より大規模で高性能なモデルにも、このアプローチを拡張できるのか

報道によれば、Mantaを利用できるのは現在、限られた数の初期テスターにとどまっている。参加者は、許可なくプロンプト、出力、テストデータを公開することも制限されている。そのため、独立した評価は依然として限られている。

暗号資産ユーザーにとって、この透明性の不足は、期待を慎重に持つべき理由となる。モデルが検索ベンチマークで印象的な性能を示しても、自律的な取引、コントラクトのデプロイ、カストディに関わる意思決定に適しているとは限らない。

デジタル資産におけるセキュリティ上の意味

長文脈AIは暗号資産のセキュリティを改善する可能性がある一方、新たなリスクを生み出す可能性もある。

大量のウォレット活動、非公開の業務文書、開発者間の会話、運用ログにアクセスできるモデルは、価値の高い攻撃対象になり得る。機密情報を外部のAIサービスに送る場合、ユーザーはそのデータがどのように保存、処理、保護されるのかを理解しておく必要がある。

これは特に、次の情報について重要だ。

• シードフレーズや秘密鍵
• ウォレットの復元情報
• 未公開のコントラクトコード
• トレジャリーの運用戦略
• トークン配分の記録
• 取引所APIの認証情報
• 機密性の高いインシデント報告書

AIモデルにウォレットのシードフレーズや秘密鍵を渡してはならない。ハードウェアウォレットが重要なのは、取引の署名を、AIツールが動作する汎用ソフトウェア環境から切り離せるためでもある。

デジタル資産を管理するユーザーにとって、OneKeyのようなデバイスは、AIツールをリサーチ、文書分析、開発支援に利用しながら、署名を隔離された環境で行う手段を提供できる。モデルは取引の内容を説明したり、プロトコル情報を比較したりするのに役立つかもしれない。しかし、最終的な承認はユーザーの管理下に置き、信頼できるデバイス上で確認すべきだ。

今後注目すべき点

Mantaの発表は、より大きな潮流を浮き彫りにしている。AIにおける競争は、パラメータ数を増やすことだけでなく、コンテキストを拡張することでも激しさを増している。

ブロックチェーン分野では、情報量が多く、しかも相互に深く関連している領域で、最も価値のある応用が生まれる可能性がある。

• オンチェーン・インテリジェンス
• スマートコントラクトのセキュリティ
• DAOガバナンスの分析
• クロスチェーンのリスク監視
• 暗号資産コンプライアンスの調査
• 長期稼働するAI開発エージェント
• プロトコルおよびトークンのデューデリジェンス

次の段階では、独立したテストが重要になる。研究者は、モデルがどれだけのデータを取り込めるかだけでなく、そのデータ全体を通じて正確に推論できるか、誤解を招く入力に耐えられるか、機密情報を保護できるか、そして実際のユーザーにとって合理的なコストで運用できるかを評価する必要がある。

1億トークンのコンテキストウィンドウは、技術的に見て非常に印象的な主張だ。将来的には、AIシステムがブロックチェーンのエコシステムを、より継続的かつ深く理解するうえで役立つ可能性がある。しかし、Mantaのアーキテクチャ、性能、経済性がさらに透明になるまでは、自律的な金融判断の確立された基盤ではなく、興味深い研究上のマイルストーンとして捉えるべきだろう。

暗号資産ユーザーにとって、実際的な教訓は明確だ。リサーチ能力を拡張するためにAIを活用する一方で、秘密鍵の管理、取引の承認、最終的な責任はモデルの外部に置くべきである。