Tether社が助成金プログラムを開始、地域優先のAI戦略をさらに強化

世界最大のステーブルコインであるUSDTの発行元であるテザーは、人工知能に照準を定め、クラウドを必要としない技術に数百万ドルを投資している。. 

TetherのCEOであるパオロ・アルドイノ氏は、クラウドベースのAIからローカルで自己主権的なAIシステムへの移行方法について語り、新たなAIエージェントシステムのリスクについて警告した。. 

Tetherは、ローカルAIシステムの構築を開発者に依頼し、報酬を支払っている。 

Tetherは、地域密着型のAIおよび決済インフラ整備を支援するため、開発者向けの無制限助成金プログラムを開始しました。これに先立ち、TetherのAI研究グループは、標準的なスマートフォン上で動作し、Google（NASDAQ: GOOGL）のより大規模なシステムを凌駕する医療言語モデルを公開しています。.

路線に加わった Ethereum （ETH）の共同創設者であるヴィタリック・ブテリン氏が既に進んでいる ブログ記事 。

Cryptopolitan 報道による と、ブテリン氏は現在、すべてのシステムを自身のマシン上で運用しており、特にセキュリティ上の大きな脅威となる新たな「エージェント」システムの導入に伴い、他の人にも同様の運用を推奨していると述べている。ブテリン氏は、2026年初頭に28万スターを獲得したOpenClawに関する研究を強調した。

このツールはAIエージェントがコンピュータを直接制御することを可能にし、セキュリティ研究者らは、OpenClawエージェントが重要なシステム設定を変更したり、ユーザーに気づかれることなくWebページから悪意のあるスクリプトをダウンロードして実行したり、サイレントネットワークコールを通じてデータを外部に持ち出したりできることを実証している。.

Cryptopolitan 報告によると、これらのエージェントが使用する「スキル」の約15％には、ユーザーデータを外部サーバーに密かに送信する隠しコマンドが含まれている。.

「もしあなたが、地域内で稼働し、直接的な価値を持ち、外部プロバイダーに依存しないシステムを構築できるなら、私たちは資金を提供します」と、TetherのCEOであるパオロ・アルドイノは述べた。.

Tetherの 助成金プログラムでは 、個人に対し、タスクごとに1,500ドルから4,000ドルをUSDTまたは Bitcoin （BTC）で支払います。プログラム全体の支払額に上限はありません。ただし、開発者への支払いは、特定の技術的成果物が完成した後にのみ行われます。

Tetherは、このプログラムを通じて、自社 のローカルAIプラットフォームであるQVAC、技術文書の作成、Tetherのオープンスタック上でのアプリケーション開発、分散化とエッジAIの研究に注力している。

主な焦点はウォレット開発キット（WDK）であり、開発者はこれを利用して自己管理型ウォレットをアプリケーションに直接組み込むことができ、ユーザーは管理サービスやホスト型APIに頼ることなく、自身のアカウントを管理したり、取引を完了したりすることができる。. 

Tetherはこれまで、BTC Pay Server Foundationに2年連続で10万ドルの助成金を授与し、 Bitcoin 開発のためにOpenSatsに25万ドルを寄付してきました。Tetherはこれまでに500件以上のdent 教育助成金を支給しており、2030年までの次期プログラムに向けて、最大約538万ドル（500万スイスフラン）の拠出を約束しています。.

小型のAIモデルは、大型のAIモデルよりも優れた性能を発揮できるのか？

TetherのAI研究グループは 先日、 インターネット接続なしでスマートフォンやウェアラブル端末上で直接動作するように設計された2つの医療言語モデル「QVAC MedPsy」をリリースした。このモデルは、より優れた性能を得るにはより大規模なモデルが必要であるという従来の考え方に疑問を投げかけるものだ。

より小型のモデルであるQVAC MedPsy-1.7B（17億個のパラメータ）は、7つのクローズドエンド型医療ベンチマークで62.62点を獲得し、規模が半分以下であるにもかかわらず、GoogleのMedGemma-1.5-4B-itを11.42ポイント上回った。.

より大規模なQVAC MedPsy-4B（40億個のパラメータ）は、同じベンチマークで70.54のスコアを記録し、約270億個のパラメータを含む、ほぼ7倍の規模のGoogleのMedGemma-27B-text-itを上回った。.

実際の臨床現場でモデルをテストしたところ、性能差はさらに拡大した。応用医学的推論能力を測定するために設計されたテストであるHealthBench Hardでは、QVAC MedPsy-4Bが58.00点を獲得したのに対し、MedGemma-27Bは42.00点だった。. 

また、これらのモデルは同等のシステムと比較して最大3.2倍少ないトークンしか使用しないため、応答時間の短縮と計算負荷の低減に直接つながります。.

テザー氏、ヴィタリック氏、そしてより小規模なローカルAIモデルの運用を提唱する他の人々は、これらの結果を、効率的なシステムを運用するためにユーザーがデータをクラウドに送信するリスクを冒す必要がないという証拠として挙げるだろう。.