マントラ（OM）の崩壊と人工知能（AI）が90％のトークンクラッシュを妨げた理由

数時間以内に、資産は時価総額が60億ドル以上から約5億ドルに突入しました。

The fall of Mantra (OM), the native token of the layer-1 real-world asset blockchain Mantra, shook the crypto market on April 13. Within hours, the asset saw its market cap plunge from over $6 billion to around $500 million.

Layer-1 Real-World AssetブロックチェーンマントラのネイティブトークンであるMantra（OM）のFallは、4月13日にCrypto Marketを揺らしました。数時間以内に、資産は時価総額が60億ドル以上から約5億ドルに急落しました。

In a market already scarred by billion-dollar collapses, the collapse of Mantra’s native asset proved yet again that hacks aren’t the only enemy to the industry—crypto has been crippled by negligence. The team behind Mantra blamed “forced liquidations” for the 90% token crash, which is only half of the story.

すでに数十億ドルの崩壊によって傷ついた市場では、マントラの在来資産の崩壊は、ハッキングが業界の唯一の敵ではないことを再び証明しました。クリプトは過失によって不自由になっています。マントラの背後にあるチームは、90％のトークンクラッシュの「強制清算」を非難しました。これはストーリーの半分に過ぎません。

As more data surfaces, it’s becoming clear that the collapse wasn’t just a case of unfortunate timing or high market volatility. It was a preventable disaster that had many catalysts, like overleveraged positions, weak liquidity, and various gaps in its automated risk management systems.

より多くのデータが浮上するにつれて、崩壊は不幸なタイミングや市場のボラティリティの高い例ではないことが明らかになっています。それは、高度化された位置、弱い流動性、自動化されたリスク管理システムのさまざまなギャップなど、多くの触媒を備えた予防可能な災害でした。

Ironically, artificial intelligence, the technology that crypto evangelists have been praising over the last three years, could have predicted, flagged, and even prevented this crash, had it been implemented properly.

皮肉なことに、Crypto Evangelistsが過去3年間にわたって称賛してきた技術である人工知能は、適切に実装されていれば、このクラッシュを予測し、フラグを立て、さらに防止することさえできたでしょう。

AI-driven liquidity stress testing

AI駆動型の流動性ストレステスト

The problem with traditional financial stress testing is that it is designed for stable, regulated markets and conventional assets like stocks and bonds, where extreme volatility is rare. Cryptocurrencies, on the other hand, operate in a different reality where wild price swings and sudden liquidity crashes are pretty common and part of the market game. Legacy risk frameworks that rely on historical patterns fail to capture these shocks.

従来の金融ストレステストの問題は、極端なボラティリティがまれな株式や債券などの安定した規制された市場や従来の資産のために設計されていることです。一方、暗号通貨は、野生の価格が変化し、突然の流動性のクラッシュがかなり一般的であり、市場ゲームの一部である別の現実で動作します。歴史的なパターンに依存するレガシーリスクフレームワークは、これらのショックをキャプチャできません。

AI-driven stress testing offers a dynamic alternative. Instead of relying on static historical data, machine learning models adapt to real-time conditions, analyzing market sentiment, on-chain metrics, and liquidity patterns.

AI駆動型ストレステストは、動的な代替品を提供します。静的な履歴データに依存する代わりに、機械学習モデルはリアルタイム条件に適応し、市場の感情、オンチェーンメトリック、および流動性パターンを分析します。

A new method called kurtosis-based stress testing focuses on reducing the risk of extreme outlier losses, precisely the “fat tail” events that characterize crypto market failures. This technique can help firms in “less predictable, high-impact” events like the recent Mantra and the 2022 Terra (LUNA) crashes. During the Terra collapse in 2022, traditional risk models failed because they didn’t anticipate how quickly a stablecoin de-peg could spiral into a $60 billion wipeout.

Kurtosisベースのストレステストと呼ばれる新しい方法は、暗号市場の障害を特徴付ける「脂肪尾」イベント、まさに極端な外れ値の損失のリスクを減らすことに焦点を当てています。このテクニックは、最近のマントラや2022テラ（LUNA）のような「予測可能でない、インパクトのない」イベントの企業がクラッシュするのに役立ちます。 2022年のTerra崩壊の間、Stablecoin de-Pegが600億ドルのワイプアウトにどれほど速くスパイラルできるかを予想していなかったため、従来のリスクモデルは失敗しました。

The research shows that portfolios designed to reduce extreme risk swings delivered a 491% return with the kurtosis model, beating the simpler ‘buy-and-hold’ approach at 426% and even outperforming those built around traditional Sharpe ratio strategies, with a 384% return.

この調査では、極端なリスクのスイングを減らすために設計されたポートフォリオは、尖度モデルで491％のリターンをもたらし、426％でよりシンプルな「購入と保持」アプローチを破り、384％のリターンで従来のシャープ比戦略を中心に構築されたものよりも優れていることが示されています。

A high kurtosis value indicates a higher probability of extreme volatility. In crypto, these events aren’t anomalies—they’re part of the landscape.

高い尖度は、極端なボラティリティの可能性が高いことを示しています。暗号では、これらのイベントは異常ではなく、風景の一部です。

Mantra’s exposure to thin weekend liquidity and token concentration could have been flagged well in advance with AI-powered stress testing methods, offering stakeholders a window to act before catastrophe struck.

マントラの週末の薄い流動性とトークン集中への暴露は、AIを搭載したストレステスト方法で事前にフラグを立てることができた可能性があり、利害関係者に大惨事が発生する前に行動する窓を提供します。

Tracking and flagging movements with AI

AIで動きを追跡およびフラグを立てる

Blockchain’s transparency is its greatest strength, yet monitoring millions of transactions manually is impossible. This is where AI excels. Autonomous AI agents can continuously scan on-chain activity and flag unusual patterns that might indicate impending market manipulation, all without the need for human involvement.

ブロックチェーンの透明性は最大の強みですが、数百万のトランザクションを手動で監視することは不可能です。これがAIが優れている場所です。自律的なAIエージェントは、チェーン上のアクティビティを継続的にスキャンし、人間の関与を必要とせずに、差し迫った市場操作を示す可能性のある異常なパターンにフラグを立てることができます。

In Mantra’s case, blockchain data analyzed after the crash revealed telling signs. Just days before the collapse, a wallet linked to Laser Digital reportedly transferred 6.5 million OM tokens to another wallet, which then sent them to OKX, where they were liquidated. An AI monitoring system could have detected these movements in real time, issuing immediate alerts to exchanges, regulators, and the broader community.

Mantraの場合、クラッシュ後に分析されたブロックチェーンデータは、兆候を伝えることを明らかにしました。崩壊の数日前に、レーザーデジタルにリンクされた財布が650万OMトークンを別のウォレットに転送し、その後OKXに送信し、そこで清算されたと伝えられています。 AI監視システムは、これらの動きをリアルタイムで検出し、交換、規制当局、およびより広範なコミュニティへの即時アラートを発行した可能性があります。

AI agents can distinguish routine market behavior from potential manipulations since they don’t just track transactions but also build behavioral profiles across wallet networks.

AIエージェントは、トランザクションを追跡するだけでなく、ウォレットネットワーク全体で行動プロファイルを構築するため、日常の市場行動を潜在的な操作と区別できます。

Predicting order book vulnerabilities

注文帳の脆弱性の予測

Perhaps the most direct way AI could have prevented the Mantra crash is through sophisticated order book analysis. Order books reveal the true health of a market, but their complexity demands more than just surface-level analysis.

おそらく、AIがマントラの衝突を防ぐことができた最も直接的な方法は、洗練された注文帳分析によるものです。注文書は市場の真の健康を明らかにしていますが、それらの複雑さは単なる表面レベルの分析以上のものを必要とします。

Deep learning models, particularly Convolutional Neural Networks and Long Short-Term Memory networks, have proven to deliver promising results in forecasting price movements based on order book data. One study found that temporal CNNs can predict Bitcoin (BTC) price shifts with up to 76% accuracy.

ディープラーニングモデル、特に畳み込みニューラルネットワークと長期の短期メモリネットワークは、注文書データに基づいて価格の移動を予測することで有望な結果をもたらすことが証明されています。ある研究では、時間CNNSがビットコイン（BTC）の価格シフトを最大76％の精度で予測できることがわかりました。

AI-driven analysis of market depth would have highlighted the risk of significant slippage from large sell orders—conditions ripe for a cascading price collapse. Consequently, these models could have exposed Mantra’s fragility by identifying dangerously thin order books during weekend trading hours.

市場の深さのAI駆動型分析は、大規模な売り注文からの大幅な滑りのリスクを強調しているでしょう。その結果、これらのモデルは、週末の取引時間中に危険な薄い注文書を特定することにより、マントラの脆弱性を明らかにした可能性があります。

With the help of AI and deep learning models, crypto firms can implement dynamic safeguards like circuit breakers triggered by sharp price drops and structural weaknesses in liquidity to flag or prevent situations similar to Mantra.

AIとディープラーニングモデルの助けを借りて、暗号企業は、マントラと同様の状況をフラグまたは防止するために、急激な価格下落と流動性の構造的な弱点によってトリガーされる回路ブレーカーのような動的保護ガードを実装できます。

Building a resilient crypto ecosystem with AI

AIを使用して回復力のある暗号生態系を構築します

While blockchain technology promises decentralization and transparency, it remains vulnerable without advanced AI-powered risk management systems that can process millions of transactions and flag suspicious patterns. The collapse of high-profile assets like Mantra and Terra has proven the need for these systems.

ブロックチェーンテクノロジーは地方分権化と透明性を約束しますが、何百万ものトランザクションを処理し、疑わしいパターンにフラグを立てることができる高度なAI駆動のリスク管理システムがなければ、脆弱なままです。 MantraやTerraのような有名な資産の崩壊は、これらのシステムの必要性を証明しています。

Financial institutions with crypto exposure must prioritize

暗号暴露を伴う金融機関は優先順位を付ける必要があります