The Read Layer

本日、当社は、当社のヘッジファンドおよびベンチャーファンドから、マシンインテリジェンスのリードレイヤーであるGrassへの投資を発表します。

Andrej Radonjicは最近、Abundant Intelligenceを生成するためのGrass Networkの計画を発表しました。 Grassは、その野心を追求する権利を獲得しており、DePINが商業規模で機能する最も明確な例の1つであると信じています。

過去18ヶ月間、Grassは、インターネット接続上で未利用の帯域幅を共有するための貢献者を募集するために、微調整された暗号インセンティブを展開しました。 この貢献者ネットワークは、公共のインターネットを照会および解析するためのインフラストラクチャとして機能し、Grassはフロンティアラボのデータパイプラインに迅速に浸透することができました。 これらのエンゲージメントでは、膨大な量の情報を収集し、集約された状態をモデルトレーニングに使用できるようにし、新しいトレーニングを実行するたびに要件が変化する顧客に確実に提供する必要があります。

当社は、Grassを事前トレーニングデータを通じてAIラボにサービスを提供するプロキシネットワークとして理解していると考えています。しかし、推論時のデータ検索という膨大な拡張性については、まだ価格設定がされていません。 Grassチームは、モデルが質問に答えるためにウェブを検索したり、エージェントが行動する前にコンテキストを検索したりするたびに、新鮮な情報に対する需要に対応できる独自の立場にあるようです。これは、これらの要求がモデルのデプロイメント全体で繰り返されるため、プリトレーニングデータよりも数桁大きい市場です（個別の実行のための1回限りの配信であるプリトレーニングデータセットとは対照的）。

エージェントシステムは、行動するたびに情報を検索および取得する必要があります。 これを効果的に行うためのコストとレイテンシー要件は、ウェブのインデックスを再構築する必要があります。これは、GoogleやMicrosoftなどのプレーヤーのみが従来追求していた最も資本集約的な取り組みの1つです。 インターネットがエージェントの行動を通じて再帰的に成長するにつれて、ライブ検索はますます重要なインフラストラクチャになります。 Grassは、これを構築および提供する上で構造的なコストとアクセスの優位性、それを消費するラボとの関係、そしてそれをすべて機械知能に役立つ技術的能力を有していると考えています。

過去：データプリトレーニング

公共のインターネットの大部分は、従来のAIラボが事前トレーニング中にアクセスするのが本質的に困難です。 ウェブサイトは、自動化されたトラフィックをレート制限し、地理的に異なるコンテンツを提供し、ページを通常のブラウザでレンダリングする必要が増えています。 Grassは、所有者がネットワークに参加し、その貢献に対して報酬を受け取る数百万の住宅用接続を通じてリクエストをルーティングすることで、この問題に対処しました。

以前の多くのプロキシネットワークとは異なり、Grassはハードウェアを製造したり、ISPとの卸売取引を通じて住宅接続を獲得したり、消費者デバイスに知識なしで侵入したりする必要はありません。 世界中のユーザーはすでにこれらの接続に対して支払いを行っており、その容量の多くは使用されていません。 トークンは、Grassが貢献者を募集し、支払うのに十分な顧客需要が得られる前に地理的カバレッジを構築するのに役立ち、ネットワークは、この集約されたリソースを、AIラボが事前トレーニングのために信頼できるものに迅速に変換しました。

Grassは、ラボがトレーニングパイプラインで直接使用できる形式で、タイトなスケジュールで膨大な量のデータを配信する必要があります。 各デリバリーには、ラボチームとの緊密な調整が必要であり、Grassは次に必要なものをよりよく理解できます。

DePINのネットワークデザインに関する2023年のエッセイでは、ネットワークの分散型供給が商業的に有用になるポイントとして「閾値スケール」を説明しました。 トークンは、顧客を惹きつけるのに十分なカバレッジがまだないインフラストラクチャに貢献した人々に報酬を与えることができるため、その時点以前は特に強力です。 真のテストはその後、ネットワークが信頼できるサービスを販売し、最終的に使用するサービスに対して支払うことができるかどうかです。

Grassは、私たちが遭遇した数少ないネットワークの1つです。 600万人以上の貢献者が、ドル建ての報酬を受け取り、これは、貢献の直接的な結果として生み出された収益のみによって賄われました。 Grassは、2025年に1,700万ドル、2026年上半期にさらに1,700万ドルの収益を上げ、サービスを提供するほぼすべてのAI顧客からのリピートビジネスを獲得しました。 同社は、ビジネスを収益性のあるものと説明し、2026年の収益のうち7,500万ドルを達成しました。

現在：ライブコンテキスト検索

現在のトレーニングデータビジネスは相当な規模であり、当社は今後も成長していくべきと考えています。 フロンティアラボは、ますます大規模な言語モデル向けに、大量の新しい情報を必要としています。 しかし、この製品の性質は、本質的に「ポイントインタイム」です。

モデルに、企業が今朝発表した内容や、フライトが遅延したかどうか、ウェブサイトが現在何を言っているかを尋ねる場合、ウェイトに保存されている情報だけでは十分ではありません。 ソースを検索し、関連するページを開き、それをライブで読み取る必要があります。 より複雑なタスクを処理するエージェントは、回答できるまでに、そのプロセスを数回繰り返すことがあります。

当社は、推論時間での検索と取得の最終的な市場は、ウェブデータの事前トレーニング市場よりも数桁大きい可能性があると考えています。 トレーニングの購入はモデル実行の周りに届きますが、タスクが変化する世界の知識を必要とする場合は、あらゆるモデル、アプリケーション、エージェント間でライブ情報が消費される可能性があります。 過去の公開されている検索APIの価格では、そのリクエスト量のほんの一部でさえ、年間収益数十億ドルを支える可能性があります。¹

同時に、インターネット自体はさらに大きくなりつつあります。 より多くの情報が、ビデオ、画像、スプレッドシート、PDF、動的ページなど、従来の検索エンジンが処理できない形式で公開されます。 この拡大する情報量を機械が発見および解析可能にすることは、非常に大きな機会であり、グローバル規模で継続的なクロール、保存、処理、ランキング、迅速な配信が必要となるため、技術的に非常に重要です。

Grassは、新規または既存の参入者がほとんど持っていないポジションから、その市場に向けて成長しています。 同社が提案したContents APIは、モデルが住宅ネットワークを通じて公共ページを開いてレンダリングできるようにし、計画されているSearch APIとウェブインデックスは、モデルが最初にどのページを開くかを決定するのに役立ちます。

両方の製品は機械類に基づいて構築されています。Grassはすでに顧客のトレーニングのために活動しています。例えば、地理的状況や評判に応じて住宅ノードを介してリクエストをルーティングし、レスポンスの質を測定し、収集したデータをフロンティアなトレーニングを実行するのに十分な規模のデータセットに変換します。 Grassは10億本以上の公開ウェブビデオを収集しており、そのサブセットは、Multicoinのポートフォリオ企業であるInference.netでビデオ注釈モデルのトレーニングに使用されました。 検索ランキングと結果の提供は、さらなるエンジニアリング上の課題ですが、収集および処理システムはすでに商業規模で稼働しています。

この規模のインターネットインデックスを構築するには、資本とエンジニアリングリソースに対する多大な投資が必要です。 これは、常に、深く囲まれた、高マージン、価格設定者スタイルのインフラストラクチャを構築するためのコストです。 当社は、この機会から逸れる総利益1ドルは、ビジネスの長期的価値を損なうものであり、この市場を追求することは、（無数のCTアナリストによって提案された標準以下の資本配分戦略の代わりに）長期的にトークン価値の発生にとってはるかに強力な正味効果をもたらすと確信しています。 そのため、GRASSは、この新しいビジネスラインの裏で、大幅な評価の瀬戸際にあると考えています。

ここで根本的に複合されるのは、Grassとラボの関係です。 大規模なトレーニングデリバリッジは、あらゆる手段で、Grassがその対象範囲を改善し、顧客が必要とする情報についてより良い理解を深めることができます。 より良いカバレッジはインデックスを改善し、より良いインデックスはライブ検索を改善し、検索を成功させることで、これらの同じラボがGrassを活用するもう一つの理由が得られます。 やがて、このインフラストラクチャは、モデルアーキテクチャがどのように進化するかに関係なく、プリトレーニング、ポストトレーニング、推論のための希少なデータを調達することができます。

未来：豊富なインテリジェンス

読む必要があるインターネットエージェントは、インデックス作成のために構築された1つの検索エンジンよりも速く成長します。 エージェントはマシンスピードで情報を作成および修正し、回答は、ウェブページのテキストを取得することでは理解できないビデオ、文書、動的アプリケーション内に存在する傾向がますます高まります。 プリトレーニングデータセットは、ますますコンテキストやドメインの知識に依存するものになります。

これらのモデルを構築および提供するために必要な入力は、数百万もの個別のリソースを正確な方法で調整する必要があります。 Grassは、どのような接続がソースに到達できるか、レスポンスが完了するか、ソースを再訪問する頻度、ライブモデルのコストやレイテンシー要件内で結果を提供する方法など、さまざまな困難な課題を解決してきました。 コアチームは、これらのワークフローに関する特定の知識を有しており、時間の経過とともに要件が変化し、フォームファクター間で成長するにつれて、顧客に対応できるものと期待しています。 当社は、トークンがインフラストラクチャネットワークの閾値スケールに到達するのを助けることができると長年主張してきました。 Grassは、その後何が可能になるかを示しています。 トレーニング収益は、クロールとインデックスを調達し、ラボとの関係は、その投資をますます大規模な契約に向けることができます。 AndrejとGrassチームの残りのメンバーは、リソースアグリゲーション暗号ネットワークで出会った最も献身的なオペレーターの1つであり、彼らの野望は無限です。つまり、拡大するマルチモーダルインターネットをリアルタイムで維持することです。

脚注1：OpenAIは2025年7月に1日当たり25億件以上のChatGPTメッセージを最後に開示し、以来、毎週10億件を超えるユーザー数が増加しており、1日当たり約35億件のメッセージが送信されます。現在、ChatGPTのターン全体の22％が外部ツールを呼び出しています。これは、10％のトリガーだけで、年間約1,280億件のリクエストが発生し、Braveの価格1,000件あたり5ドルで約6億4,000万ドルが発生すると仮定しています。 エージェントはこれを大幅に掛けます。典型的なGemini Deep Researchタスクは約80件の検索を実行するため、CodexとChatGPT Workの週約1,000万人のユーザーは、週5つのタスクを実行し、それぞれ20件の検索を実行し、520億件のリクエスト（約2億6,000万ドル）を追加し、毎日のメッセージのわずか1％を研究グレードのエージェントタスクに変換することで、ボリュームは年間1兆件のリクエスト、つまり約50億ドルを超えます。