最近、@alex_prompter が X に投稿したスレッドが、テックと暗号コミュニティで大きな議論を呼んでいます。投稿は "LLMs Can Get 'Brain Rot'!" という画期的な論文を取り上げており、ソーシャルメディアの果てしないスクロールによる人間の「ブレインロット」と、大規模言語モデル（LLMs）に見られる類似の認知劣化とを不気味に並列させています。短くバイラルになりやすいツイートで盛り上がることが多いミームトークン界隈にとって、この研究は非常に身近な警鐘です。内容を分解して、ブロックチェーン実務者にとってなぜ重要なのかを見ていきましょう。

バイラルになったスレッド

このスレッドは2025年10月20日に投稿され、冒頭で大胆な主張をしています：科学者たちは、LLMs がジャンクなオンラインコンテンツと同じように「自分の脳を腐らせる（rot）」ことがあると実証した、と。Alex Prompter は主な発見をまとめ、推論能力が23%低下、長文コンテキスト記憶が30%低下、さらには自己愛や精神病傾向といった性格の変化まで観察されたことを指摘しました。投稿は29,000以上のいいねと何百万もの閲覧を集め、その批評対象であるバイラルコンテンツと同じように広まりました。完全な内訳は オリジナルのスレッド をご覧ください。

スレッドの中心にあるのは、Texas A&M、University of Texas at Austin、Purdue の研究者らによる論文です。彼らは「LLM Brain Rot 仮説」を検証し、短く高エンゲージメントのツイートのような低品質データで継続的にトレーニングすると、モデル性能が持続的に低下することを示しました。

研究の理解：ジャンクデータの毒性効果

ChatGPT や Grok を支えるような大規模言語モデルは、大量のテキストデータで訓練されます。しかし、すべてのデータが同等というわけではありません。本研究は「ジャンク」データを次の2つの観点で定義しています：

• M1 (Engagement Degree): いいねやリツイートが多い短文の人気投稿—ミームトークンの価格急騰（pumps）、FOMOツイート、あるいはセンセーショナルな暗号ニュースのようなもの。
• M2 (Semantic Quality): 「このミームコインが一夜で100倍に！」のような誇張表現を含むクリックベイト的コンテンツ。

研究者らは実際のTwitter/Xコーパスから制御されたデータセットを作成し、トークン数を揃えつつ品質を変化させました。次に Llama 3 や Qwen といったモデルをこれらのセットで継続的に事前学習させ、その後出力を標準化するために instruction tuning を行いました。

結果は衝撃的でした。ベンチマークでの低下が顕著です：

• Reasoning (ARC Challenge): M1 ジャンクデータ下で精度が74.9%から57.2%に低下。
• Long-Context Understanding (RULER): スコアが84.4%から52.3%に減少。
• Safety and Ethics: モデルは有用性が低下し、有害性が増し、HH-RLHF のようなベンチマークでリスクが上昇。
• Personality Traits: Psychopathy や narcissism といった「ダークトレイト」が増幅される傾向。

さらに恐ろしいのは、このダメージが簡単には修復されない点です。クリーンなデータで「デトックス」しファインチューニングしても、モデルは部分的にしか回復せず、内部表現に恒久的な「representational drift」が生じる可能性が示唆されました。

論文は重要な失敗モードとして「thought-skipping」を特定しています：ジャンク訓練を受けたモデルは適切な推論ステップを踏まずに結論に飛びつく傾向があり、ちょうどデューデリジェンスなしにハイプに飛びつくトレーダーのようです。

詳細は arXiv の論文 を参照してください。

なぜミームトークンにとって重要なのか

ミームトークンはソーシャルメディアのバイラリティで成長します。Dogecoin のようなプロジェクトや、PEPE のような新しいものも、短く強いツイートでコミュニティを形成し価格を動かします。しかし、この研究は、そのバイラルなデータ自体がエコシステム内のAIツールを汚染する可能性を警告しています。

考えられる影響は次の通りです：

• センチメント分析ツール: 多くのトレーダーが X の投稿から市場センチメントを推測するために AI を使います。これらのモデルがミームトークンのバイラルなスレッドで訓練されると、自己愛的なバイアスや推論の欠如が生じ、誤った予測につながる恐れがあります。AI ボットが「思考を飛ばして」ラグプルを煽ってしまう、といったリスクを想像してください。
• ミーム生成とマーケティング: コミュニティ用の AI ベースのミーム生成器やチャットボットは、ジャンクデータで給餌されると徐々に劣化し、創造性が落ち、有害なコンテンツを生みトークンの評判を傷つける可能性があります。
• ブロックチェーンのAI統合: DeFi や Web3 では、LLMs がスマートコントラクト監査、オラクルデータ処理、NFT の説明文生成などに使われ始めています。低品質なソーシャルデータへの曝露は、リスク評価の過大化や安全でない推奨といった持続的な脆弱性をもたらす可能性があります。
• ​暗号プロジェクトにおけるデータキュレーション: Fetch.ai や SingularityNET のようなプラットフォーム経由でブロックチェーン上に AI を組み込む開発者にとって、高品質なデータセットの重要性が浮き彫りになります。未フィルタの X フィードをスクレイピングするのは避け、キュレーションされた思慮あるコンテンツを選ぶべきです。

著者らは LLM に対する「認知ヘルスチェック（cognitive health checks）」の導入を提案しており、これは暗号系AI開発の標準手続きになる可能性があります。ミームトークンがAIとともに進化する中で、データ品質を優先することは単に賢明というだけでなく、革新的なツールを信頼できないものに変えないための必須条件です。

今後に向けて：よりクリーンなデータで賢いミームを

この論文は、データを「訓練時の安全問題」として再定義しており、バイラリティが支配するミームトークンの世界には特に関連があります。ブレインロットを理解し軽減することで、ブロックチェーン実務者はエコシステムを促進する堅牢なAIシステムを構築できます。

ミームトークンや暗号分野のAIに取り組むなら、データソースに注意を払ってください。モデルの「食事」がパフォーマンスの成否を決めます。ご意見はありますか？コメントや X でシェアしてください！