DelphiがGrassの創業者と対話：私たちはAI時代の秘密データ供給者です

「未来のAIシステムがどのようなものであれ、情報にアクセスする必要があります。」

整理 編纂：Foresight News

ゲスト：Andrej Radonjic、Wyn Labs共同創業者兼CEO、Grass責任者

ホスト：Delphi Digital

2026年10月、Delphi DigitalのポッドキャストはWyn Labsの共同創業者兼CEOであるAndrej Radonjicをインタビューしました。Grassプロジェクトの責任者として、AndrejはGrassがどのように帯域幅を共有する小さなプロジェクトから、OpenAIやAnthropicなどの最前線のAIラボにサービスを提供する秘密データ供給者に成長したかを詳しく説明しました。現在、Grassネットワークには数百万のノードがあり、AIラボに対して10億GB規模のウェブデータを提供しています。この対話の中で、AndrejはGrassのビジネス構造、トレーニングデータと推論データの2つの市場、ロボットビデオデータの巨大な機会、そして最近発表されたLive Context Retrieval製品スイートについて初めて完全に明らかにしました。

注目の見解

• 「インターネットの視点から見ると、これは普通のユーザーが通常のインターネットを利用しているように見えます。しかし実際には、これはAIの最前線に栄養を供給する巨大なデータインフラプラットフォームです。」
• 「正直に言うと、今のところ人間のために設計されたインターネットの大部分は、AIエージェントがアクセスするのが非常に難しいです。ウェブサイトのデフォルトポリシーは、すべてのデータセンターIPを直接ブロックすることです。」
• 「現在、トレーニングデータと推論データは2つの異なるものですが、将来的には1つに統合されるでしょう。最終的なモデルは、消防ホースのようにリアルタイム情報を継続的に受け取ることになります。」
• 「ロボット会社が最も望んでいるのは、モデルが10億のビデオを見て、ツールの使い方や家事のやり方を学ぶことです。」
• 「本当の競争優位性は、インフラに1ドル投資するごとに、競合他社よりも多くの経済的成果を生み出すことです。」
• 「Grassの最終的なビジョンは、AIが情報にアクセスするためのメディアになることです。未来のAIシステムがどのようなものであれ、情報にアクセスする必要があります ------ そしてGrassがそのパイプラインです。」

以下はポッドキャスト対話の編纂整理（内容に削除あり）：

GrassはVPNではなく、AIの秘密データ供給者です

ホスト：まず、リスナーにGrassが何であるかを説明してもらえますか？あなたはどのようにこの分野に入ったのですか？

Andrej：Grassは数百万のノードで構成されるネットワークで、ユーザーは自発的に参加し、自分の帯域幅を共有し、その対価を得ます。もう一方では、さまざまなデータインフラがこの数百万のユーザーの帯域幅を利用して、大規模にウェブデータにアクセスします。

私はこの分野にどのように入ったのかというと、結構偶然です。カナダで学んでいて、専攻は工学物理学で、核工学と光子学が専門でした。卒業時には、核工学の仕事はカナダの比較的遠い場所にあり、20代前半の私はそこに引っ越したくありませんでした。それで、物理で学んだ多くのスキルが金融業界で使えることに気づき、数年間金融業界で働いた後、計算物理学の博士課程に戻りました。

パンデミックが始まったとき、私は応用数学の博士課程を学んでいて、複雑な物理方程式のモデリングをしていました。パンデミックの間、私は多くの自由時間ができ、さまざまな奇妙なことを始めました。その中の一つがアービトラージボットで、異なるウェブサイトで価格差を見つけてアービトラージを行うものでした。これには大量のクローラーが必要で、こうしてウェブクローリングの分野に足を踏み入れました。数年後、2人の共同創業者に出会い、お互いの経験を話し合い、これは明らかにやるべきことだと感じ、今に至ります。

なぜエージェントが今日インターネットにアクセスするのが難しいのか

ホスト：当時、他の人が見ていないものをあなたは何を見ましたか？なぜこれをやることに決めたのですか？

Andrej：最大のシグナルはパンデミックです。パンデミックの間、大部分のビジネスがオンラインに移行し、多くの企業が情報を得る方法 ------ 例えば価格情報や政府がCPIを計算する方法 ------ は以前は人を派遣して店舗の棚で価格をメモするものでした。パンデミックの間、店舗は閉鎖され、皆がオンラインでお金を使わざるを得なくなりました。

ウェブインフラはますます進化していますが、同時にウェブ情報の需要も爆発的に増加しました。多くのウェブサイトは、「私たちは情報を公開する必要がある。そうすれば人々は私たちを見つけ、私たちの製品を購入できる」と気づきました。しかし、私たちは囲いのある庭を作り、消費者だけがアクセスできるようにし、すべてのデータセンターIPをブロックします。

自動化されたウェブデータインフラの需要はこの時に爆発しました。私たちはこのトレンドが止まらないと感じました ------ 機械学習アルゴリズムがますます強力になるにつれて、それはインターネット全体に広がるでしょう。

ホスト：では、今AIエージェントは何ができないのでしょうか？何がますますアクセスしづらくなっていますか？

Andrej：正直に言うと、今のところ人間のために設計されたインターネットの大部分は、AIエージェントがアクセスするのが非常に難しいです。そしてこの状況はしばらく続くでしょう。

理由はいくつかあります。多くのウェブサイトはさまざまな理由でAIクローラーをブロックしています ------ 競合他社がデータをクローリングするのを恐れたり、AIが彼らのコンテンツを使用するのを恐れたりしています。しかし、理由が何であれ、彼らは誰がアクセスしているのかを区別するのが非常に難しいため、デフォルトのポリシーは一律で、すべてのデータセンターIPをブロックすることです。

あなたのエージェントがAWS上で動作している場合、すべてのウェブサイトはこれがAWSのIPであることを検出できます。あなたのエージェントと競合他社の価格をクローリングするクローラーは、ウェブサイトから見ると何の違いもありません。デフォルトでは直接ブロックされます。そして、この状況はますます増加しています。

これはエージェントだけでなく、標準的な大規模モデルの使用シーンにも適用され、さらには大規模モデルのトレーニングプロセス自体にも適用されます ------ あなたがウェブをクローリングしてトレーニングデータを取得する際にも同じ問題に直面します。最高のトレーニングデータを得るためには、できるだけ多くの情報にアクセスし、それをフィルタリングし、正しい情報をモデルの重みの中に入れる必要があります。

トレーニングデータと推論データ：AIが必要とする2種類の異なる情報

ホスト：現在、あなたたちのビジネスにはトレーニングデータと推論データの両方があります。この2つの市場の違いについて話せますか？

Andrej：現在のAIモデルのトレーニングはこうです。1つのトレーニングサイクルには非常に長い時間がかかります。実際には、データをトレーニングに適した形式に変換するのに大部分の時間がかかります。そして、モデルの出力に基づいてさらにデータを生成し、これを強化学習と呼び、これらのデータに基づいてモデルを調整します。

しかし、モデルが一度トレーニングされ、現実世界に展開されると、数秒以内にその知識は終了し、リアルタイムで学び続けることはできません。連続学習の方向性は研究されていますが、現在は解決されていません。

したがって、現在は2つの完全に異なるプロセスがあります：

• トレーニングプロセス：膨大なインターネットコンテンツをクローリングし、非常に有用な事前トレーニングデータセットを作成します。規模は非常に大きく、時には特定の言語、特定のタイプのファイル、特定のコンテンツに対してターゲットを絞ったクローリングを行います。
• 推論プロセス：モデルがトレーニングされた後、オンラインで情報を見る必要があります。モデルをAWSに展開できますが、データセンターにいる場合、多くのコンテンツが見えません ------ 例えば、特定の国でしかアクセスできないコンテンツなどです。大規模にリアルタイムでアクセスするには、Grassのようなネットワークを通じてトラフィックをルーティングする必要があります。

私たちが現在非常に興奮している新興分野は推論データです。核心的な考えは、モデルがリアルタイムでコンテキスト情報を取得する必要があるということです。モデルを使用しているとき、またはモデルが別のモデルに呼び出されるとき、モデルが有用であるためには、最新のリアルタイムの世界情報にアクセスできる必要があります。

今後数年、連続学習フレームワークが十分に成熟し、大規模に運用できるようになると、この2つのことは1つに統合されるでしょう。モデルは消防ホースのように、インターネット全体のリアルタイム情報を継続的に受け取り、更新し続けます。

AIに10億のビデオを見せて自分で学ばせる

ホスト：あなたは、すでに100億を超える公開ウェブビデオをインデックス化していると述べました。ロボット会社はこれらのデータをどのように使用していますか？

Andrej：正確な数字はすでに古くなっているかもしれませんが、現在私たちがインデックス化しているのは1000億を超えています。「インデックス化」と言うのは、私たちがすべてのビデオを盲目的にダウンロードしているわけではないからです ------ ビデオというメディアは非常に密度が高く、保存と処理が非常に高価です。私たちはターゲットを絞ったクローリングを行っています。

ロボットとロボットデータは現在特に興味深い分野です。まず、機械学習研究の基本的な論理を説明します：最適化するものがわかっていて、データ形式が適切であれば、機械学習は非常に楽しいものになります。あなたは大量のデータを馴染みのあるアルゴリズムに投げ入れ、それからすぐに学ぶことができます。

現在、ロボット研究者の理想的な状態は、モデルが数百万のビデオ（正確には数十億のビデオ）を見て、数百万のポッドキャストを聞き、数兆のインターネットデータを読み、その情報から行動や一般化の方法を学ぶことです。例えば、私は誰かが芝刈り機を使っているのを見たので、ロボットとしてそれを知っています。私は彼がどのように歩き、どのように腕を動かし、どのように道具を持つかを見て、数百万回見た後、アルゴリズムと設定が正しければ、自分でできるようになります。

具身知能会社Generalist AIのモデルが皆を興奮させているのは、モデルが大量のビデオを見るだけで実際の操作を学ぶことができることを証明した初めてのものである可能性があるからです ------ 例えば、特定の色のボールを持ち上げてカップに入れることです。彼らはまた、リアルタイムで示しました：ある人がこの動作を行った後、モデルがそれを見て、ロボットがその動作をそのままコピーしました。

それ以来、別の具身知能会社Skild AIも論文を発表し、この行動がウェブビデオのスケールで可能であることを証明しました。したがって、現在、ウェブビデオの需要は急速に増加しています。

Live Context Retrieval：反クローリングエンジニアリングをAPIに簡素化

ホスト：最近、Live Context Retrieval（LCR）という新製品スイートを発表しましたが、詳しく教えてもらえますか？

Andrej：はい、これは私たちが最近発表したContents APIで、全体の製品スイートの最初のものです。今後、Search（検索製品）も追加され、マルチモーダル機能も追加される予定です ------ 例えば、音声を聞いたり、画像を読んだり、意味を理解したりすることです。

Contents APIの最もクールな点は、もともと私たちが内部で使用していたツールであることです。チームはさまざまなモードのトレーニングデータを大規模に収集する必要があり、住宅IPネットワークだけでは時々不十分です ------ TLSフィンガープリンティングを処理し、サーバー上でブラウザを効率的にレンダリングし、リクエストパターンを絶えず変化させないと、ウェブサイトにブロックされてしまいます。（注：TLSは、現在インターネットを利用する際にブラウザとウェブサイトの間の暗号化された通路であり、あなたが送信するデータを他の人が盗み見ることができないようにし、相手が本物のウェブサイトであることを確認します。）内部でトレーニングデータを効率的に収集するために、私たちのエンジニアは非常に使いやすいウェブコンテンツAPIを構築しました。皆が直接呼び出すことができ、毎回ゼロからクローラーを書く必要はありません。

その後、この製品が業界のトップレベルに達していることがわかり、市場に出ているほとんどのものよりも優れていることがわかりました。したがって、これをLCRスイートの最初の外部製品として開放しました。

それは何ですか？私たちは、世界中の住宅プロキシのウェブリクエストを管理し、ブラウザを読み込み、反クローリング戦略を設定するという全プロセスを、すべてAPI呼び出しに簡素化しました。あなたはただURLを提供するだけで、すぐにウェブサイトのコンテンツを取得できます。また、どの国の視点からアクセスするかを指定することもでき、Markdownまたはプレーンテキストとして出力できます。

次に発表するのはSearchです。なぜSearchが全体のLCRの採用を加速すると言えるのかというと、通常のエージェントはインターネットにアクセスするたびに5から50のウェブページにアクセスする必要があり、複雑な推論を行うときはさらに多くなります。Contents APIは、どのウェブサイトを監視するかを知っている顧客に適しています。Searchがオンラインになると、モデルはどこでコンテンツを見つけるかを知る必要がなくなります ------ 直接Search APIを呼び出し、その後Contents APIを呼び出してコンテンツを抽出するだけです。

最前線のAIラボとの協力、国防技術のように秘密保持

ホスト：これらの最前線のAIラボとの協力はどのような感じですか？彼らのニーズにはどのような変化がありますか？

Andrej：素晴らしいです、兄弟。誇張ではなく、AIは振り返ってみると、この世代、さらには人類の歴史を定義する技術かもしれません。これらのモデルがどのように一歩一歩改善され、人類文明の能力の限界を引き上げるのを見られること自体が非常に興奮します。私たちのチームの多くにとって、これは最も達成感があり、モチベーションを保つことができることです。

もちろん、リソースは高度に集中しており、これらのラボには最も賢い人々が集まっています。毎回の対話は非常に知的な挑戦であり、非常にクールなものを見ることができます。最も難しい部分は、世界と共有できないことです ------ 例えば、私たちが参加した非常にクールなプロジェクトの発表があり、過去数ヶ月間、私たちはそれが来ることを実際に知っていましたが、私たちはその中で貢献していたからです。しかし、私たちはそれを言うことができません。

数ヶ月前、Handsomeのポッドキャストでこれを言及しましたが、私たちはしばしば国防技術を例に挙げます：政府がテロリストを見つけるのを助ける国防会社は、明らかに自分たちが何をしているかを世界中に言うことはありません。なぜなら、あなたがそれを言うと、他の人が逆推測でき、対抗手段を講じることができるからです。現在のAI業界も同様です ------ 皆が競争しており、最良の能力を達成しようとしています。もし皆があるモデル会社がどのデータに焦点を当てているかを知っていれば、彼らが何をしているのかを逆推測でき、彼らが発表する前に先に作り出して競争することができます。

したがって、私たちは今後6ヶ月から12ヶ月の間に、AI業界全体がどの方向に進むかをよく見ることができますが、私たちはそれを言うことができません。

Grassのビジネスモデル：所有者のいない財団 + サービス会社

ホスト：最近、収益証明を発表し、市場の反応は非常に良好でした。Grassの構造について話せますか？

Andrej：Grassの構造は確かに独特で、多くの顧客にとっては少し奇妙に見えるかもしれませんが、このように設計されたのには非常に重要な理由があります ------ すべてはインセンティブの整合のためです。

その監査報告書は会計事務所によって作成され、Grassと各AIラボおよび他の顧客とのすべての購買注文を確認し、実際に受け取った現金と照合しました。もちろん、少しの時間差があります ------ 一部の請求書は発行後60日で支払われますが ------ しかし全体的には一致しています。

多くの人は気づいていないかもしれませんが、この監査報告書の主体はGrass財団であり、株式実体ではありません。Grass財団は所有者のいない財団であり、すべての顧客 ------ 事前トレーニングデータ、微調整データ、推論データ製品を購入する顧客は ------ 最終的にGrass財団と対面します。これは所有者のない構造であり、誰も所有しておらず、独立した取締役によって管理され、すべての資金のやり取りは取締役の承認が必要です。

私はWyn Labsで働いており、Wyn LabsはGrass財団のサービスプロバイダーです。なぜWyn Labsが必要かというと、現実の世界では人を雇ったり、社会保険を支払ったり、保険を購入したりする必要があるため、これらのことを行うための株式実体が必要です。しかし、Wyn Labs自体は知的財産を所有していません ------ すべての知的財産はGrass財団に移転されました。Wyn Labsは顧客と直接対面することはなく、Wyn LabsとGrass財団の間のすべての協力はGrass財団の取締役の承認が必要であり、これらの取締役はWyn Labs内に経済的利益を持っていません。もちろん、Wyn Labsチーム自体もトークンの保有者です。

未来のビジョンはAIが情報にアクセスするためのパイプラインになること

ホスト：最後の質問です。もしすべてがあなたのビジョン通りに進むなら、5年から10年後のGrassはどのようになっていますか？

Andrej：今の発展速度を見ていると、指数関数的な進歩で、誰にも5年後の世界がどうなるかはわかりません。しかし、Grassの使命は明確です。私たちはAIが情報にアクセスする方法になることを目指しています。

エージェントがインターネットにアクセスするにせよ、将来のより複雑なAIシステムがより良く、より偏見のない方法で情報を取得する必要があるにせよ ------ Grassがそのメディアです。5年後はどうなるか？誰にもわかりません。もしかしたら、その時には私たちは衛星を宇宙に打ち上げて情報を収集するかもしれません。今のように、数百万のIPをデジタル衛星として使って、それぞれの視点から世界を見るのではなく。

世界がどう変わろうとも、AIシステムは情報にアクセスする必要があります。トレーニング学習に使うにせよ、新しいデータを合成するにせよ、最終的には大規模な連続学習プロセスに変わるにせよ。Grassのビジョンは、情報にアクセスするためのそのパイプラインになることです。