AIに調べものしてもらうと本当にコイツ人間みたいだなと感心するのだが、機械に人間みたいな挙動をさせられるようになったということは、本物の人間の脳みその演算システムも近似的におよそ解明されたということなのではないのか？AI 自体の進歩度合いの話ばかりで、副産物として「人間がわかった」という話は聞こえてこないのだが。それともあくまでAIはモノマネがうまいだけでAIと人の脳は根本的に異なるシステムで動いているのだろうか？

【Grok高速】

面白い疑問ですね。AIの「人間っぽさ」が、実は人間の脳の仕組みを解明した証拠なのか、それともただの高度なモノマネなのか——これは認知科学や神経科学、AI 研究の最前線でまさに議論されているテーマです。結論から言うと：

「AIが人間らしく振る舞える」＝「人間の脳の演算システムが解明された」ではない

むしろ、AIは「結果としての振る舞い」を再現しているだけで、脳の「内部構造」や「計算原理」を再現しているわけではない。

1.AIは「機能的等価性」を目指しているが、「構造的等価性」ではない

AI（特に大規模言語モデル）は、統計的なパターン学習で成り立っています。

→ 膨大なテキストデータから「次に来る単語の確率分布」を学習し、それに基づいて「それっぽい文章」を生成。

これに対して人間の脳は：
- ニューロン間の電気信号と化学伝達
- 記憶のエンコード・リコール
- 意識・感情・意図
- 身体性（embodiment）との統合

…など、AIとは全く異なる物理・生物学的基盤で動いています。

つまり、AIは「外から見た振る舞い（function）」を模倣しているが、「内部の仕組み（structure）」は根本的に違う。

例：飛行機は鳥のように飛べるが、羽ばたかない。

→ 同じ「飛行」という機能を達成しても、仕組みは別。

2. 「人間がわかった」という副産物は、実は少しある

確かに「AIの進歩＝人間理解の進歩」とは言えませんが、逆方向のフィードバックはあります。

例：AI 研究が神経科学に与えた影響

ニューラルネットワーク

→脳の「層構造」や「並列処理」の重要性を再認識

Transformer（注意機構）

→脳の「選択的注意（selective attention）」との類似が議論される

予測符号化（predictive coding）

→脳も「予測して誤差を修正」する方式かもしれない（仮説）

つまり、AIが「ある振る舞いをどう実現するか」を解くと、それが「脳も似た戦略を取っているかも」というヒントになる。

特に、「予測」「注意」「記憶の圧縮」などの機能は、AIと脳で収束進化（convergentevolution） 的に似た解にたどり着いている可能性があります。

3. でも、AIは「モノマネがうまいだけ」なのか？

半分正解、半分不十分。

モノマネがうまい：はい。統計的に「それっぽい」出力を生成。

でもそれだけではない：論理的推論（チェイン・オブ・ソート）
- 計画立案
- 創造的生成（詩、コード、絵）
- 状況に応じた適応

→ これらは「単なるパターンマッチ」では説明しきれない高次の認知機能に近い。

ただし、意識・主観的体験（クオリア）・意図の本質などは、AIには全くない（少なくとも現時点では）。

4. 「人間の脳の演算 システムは解明されたのか？」

いいえ、まだ遠い。

脳は86億個のニューロン、100兆のシナプス。その1つ1つの動態すら完全には追跡できない。
コネクトーム（脳の配線図）は一部の生物（線虫、ショウジョウバエ）でしか完成していない。
意識の発生メカニズムは哲学的・科学的未解決問題（ハードプロブレム）。

AIが「人間っぽく話す」のは、脳の「出力」を模倣しているだけで、「どうやってその出力が生まれるか」の内部プロセスはブラックボックスのまま。

結論：AIは「鏡」だが、「複製」ではない

AIは人間の知能を映す鏡。

その鏡に映る姿がリアルすぎて「人間の脳もこう動いてるのか？」と思ってしまう。

でも、鏡に映る自分と、本物の自分は別。

AIの進歩は：人間の認知の「機能面」をシミュレートする技術をくれた
脳研究に新しい仮説やツールを提供している

→ でも、「人間の脳の計算システムが解明された」わけには程遠い。むしろ、AIが賢くなるほど、「人間の脳はどれだけ複雑で未知か」が浮き彫りになっているとも言えます。

おまけ：今後どうなる？

→ 将来、構造と機能を両方再現するAIが現れれば、「人間の脳の計算原理」が初めて近似的に解明されるかもしれません。でもそれは、「AIが人間らしくなった」からではなく、「人間の脳を直接コピーする技術」が進んだときです。

要するに：

AIは「人間の演技がうまい役者」。

でも、役者の頭の中と、本物の人間の頭の中は、全然違う。でもその演技がうますぎて、「人間ってこう動いてるのか？」と研究のヒントにはなっている——それが今の状況です。

Permalink |記事への反応(0) | 01:08

ツイートシェア

2025-11-12

■抽象 数学とかER=EPRとか

まず、空間のある部分（局所領域）ごとに、そこに属する観測可能量（観測子）の集合を対応づける。

それぞれの領域に対応する観測子の集合は、演算の仕方まで含んだ代数として扱われる。

領域が大きくなれば、それに対応する代数も大きくなる。つまり、物理的に中に含まれる関係がそのまま代数の包含関係として表現される。

こうして領域 →代数という対応が、ひとつの写像（ネット）として与えられる。

状態というのは、物理的には観測の結果の確率を与えるものだが、数学的には代数上の関数（線形汎関数）として扱える。

その状態から、ヒルベルト空間上の具体的な表現が自動的に構成される（これをGNS構成と呼ぶ）。

この構成によって、真空状態も場の励起状態も、すべて代数の上の構造として理解できるようになる。

量子もつれは、単に状態が絡み合っているというより、代数が空間的にどう分かれているかによって生じる。

もし全体の代数が、2つの部分の代数にきれいに分割できるなら（テンソル分解できるなら）、その間にはエンタングルメントは存在しない。

ところが、量子場の理論では、この分割が厳密には不可能。

これを数学的にはtype III 因子と呼ばれる特殊な代数の性質として表現。

このタイプの代数には、有限のトレース（総確率）を定義する手段がなく、通常の密度行列やエントロピーも定義できない。

つまり、エンタングルメントは有限次元的な量ではなく、構造的なものになる。

完全に分けられないとはいえ、少し余裕をもって領域をずらすと、間に人工的な区切りを挿入して、ほぼ独立な領域として扱うことができる。

これがsplit propertyと呼ばれる条件。

この操作を使うと、本来は無限次元的で扱いにくいtype IIIの代数を、有限次元的な近似（type I 因子）として扱うことができ、有限のエントロピーを再導入する道が開ける。

Tomita–Takesaki理論によれば、状態と代数のペアからは自動的にモジュラー流と呼ばれる変換群（時間のような流れ）が定義される。

つまり、時間の概念を代数構造の内部から再構成できるということ。

もしこのモジュラー流が、何らかの幾何的な変換（たとえば空間の特定方向への動き）と一致するなら、代数の構造 →幾何学的空間への橋渡しが可能になる。

ER=EPRとは、エンタングルメント（EPR）とワームホール（ER）が同じものの異なる表現であるという仮説。

これを代数の言葉で言い直すには、次のような条件が必要になる。

1. 二つの領域に対応する代数を取り、それらが互いに干渉しない（可換）こと。

2.真空状態がそれら両方に対して適切な生成力（cyclic）と識別力（separating）を持つこと。

3. 全体の代数がそれら二つにきれいに分解できない（非因子化）こと。

4. それぞれのモジュラー流がある種の対応関係を持ち、共通の時間的フローを生み出すこと。

5. 相対エントロピー（情報量の差）が有限な形で評価可能であること。

これらが満たされれば、代数的なレベルで二つの領域が量子的に橋渡しされていると言える。

つまり、ワームホール的な構造を幾何を使わずに代数で表現できる。

これをより高い抽象度で見ると、領域 →代数という対応自体をひとつのファンクター（写像の一般化）とみなせる。

このとき、状態はそのファンクターに付随する自然な変換（自然変換）として理解され、split property や type III などの性質は圏の中での可分性や因子性として扱える。

ER=EPR は、この圏の中で2つの対象（領域）の間に存在する特別な自然同型（対応）の存在を主張する命題。

つまり、境界上の代数構造から、内部の幾何（バルク）を再構成するための条件を圏論的に書き下した形がここでの目的。

まとめ

量子場のエンタングルメントは状態ではなく代数の構造によって決まる。
局所代数は無限次元的（type III）で、通常の密度行列やエントロピーでは扱えない。
split property によって有限的な近似を導入できる。
モジュラー理論は時間・エントロピー・温度を代数の内部から定義する枠組み。
代数間の相関（モジュラー流の対応など）を満たすとき、それが代数的ワームホールと呼べる構造になる。
このような代数的データをもとにER=EPRを厳密に定式化するための基礎が与えられるのではないかということ。

Permalink |記事への反応(0) | 21:58

ツイートシェア

2025-11-09

■anond:20251109175631

ゲーム機ごとのフレームワークやライブラリはあるとはいえ、

一からライブラリを作るのはそりゃ大変だと思うよ。

さらに、他の機種にゲームを移植するときの難易度も爆上がりするわけだし。

せっかくライブラリ作ったんなら、それを売ってUnityやunreal engineの地位も目指せばいいと思う。

すげえ昔に、3D ライブラリを作っててクオータニオンあたりで挫折した

当時はDirectXはあったんだけど、自前でやりたくなったんだよね。

そしていろいろ行列演算だのポリゴンハッチングだのをちまちま作っていたんだけど、

どーしてもクオータニオンが理解できなくて、わたすの夢は塵に消えました。

Permalink |記事への反応(0) | 18:04

ツイートシェア

■anond:20251109164448

内容次第じゃね？

シミュレーションゲームみたいに演算先行描画は補助みたいなゲームだと何でもかんでも動的であるのが好ましいわけでもないし

原神がUnity弄繰り回して脚光浴びたのももう5年前の話

Permalink |記事への反応(1) | 16:53

ツイートシェア

2025-11-08

■財政政策 と金融政策のポリシー ミックス？インフレ下で逆効果だろ

また出たな、ポリシーミックスで経済を立て直すだの、財政と金融の協調で景気を支えるだのと騒ぐ連中。

お前ら、その言葉の意味を自分の脳で一度でも演算したことがあるのか？

協調という響きに酔って、政策を混ぜれば万能だと勘違いしてるだけじゃないか。

そんなの、経済学でも政策でもなく、ただの自己放尿だ。

インフレ下で財政を拡大し、金融を緩める？

おいおい、火事場でガソリン撒いてこれで暖まるとか言うなよ。

既に物価が跳ねている状況で、国がさらに金をばら撒けば、どう転んでも価格上昇を助長するに決まってる。

しかも中央銀行が国債買い支えに加担した瞬間、財政規律は完全に崩壊する。

財政と金融の一体運用なんて聞こえはいいが、実態は政治が日銀の尻に火をつけているだけだ。

通貨価値を担保する独立性を自ら放棄しておいて、何が政策協調だ。

もっとも滑稽なのは、当の政策決定者が景気回復とインフレ抑制を両立させるとか言ってるところだ。

矛盾の塊だろう。そんな都合のいい経済宇宙は存在しない。

財政拡大で票を取り、金融緩和で株価を釣り上げ、短期的な幻影を成果と呼んで自己放尿に浸ってるだけ。

つまり、国家規模の自己放尿だよ。

インフレを抑えたいなら、やることは単純だ。歳出を絞れ。増税しろ。

それで企業も個人もコストを思い出す。

だが、政治家は選挙が怖くて引き締めができず、日銀は財政ファイナンスの中毒症状から抜け出せない。

両者が手を取り合って泥沼に沈んでいく。これが今の協調の正体だ。

経済政策とは、本来痛みを引き受ける覚悟のある者だけが語るべき領域だ。

だが今の連中は、痛みを恐れ、責任を避け、結果だけを数字で飾る。

そんな連中がどれだけグラフを描こうと、どれだけ専門用語を並べようと、所詮は自分の尿で顔を洗って黄金水の経済再生などと喜んでいるだけの話だ。

景気対策の皮を被ったインフレ助長策。理論の装いをした政治的自己防衛。本質を見抜けぬ者たちが繰り返す限り、この国はまた同じ過ちを焼き直す。

ポリシーミックス？笑わせるな。それは政策じゃない。集団的自己放尿ショーだ。

追記:コストプッシュという名の集団妄想 anond:20251108222716

Permalink |記事への反応(10) | 13:01

ツイートシェア

2025-11-06

■anond:20251106215727

ほぉ。まるで「ライブラリの移植なんて余裕っすよ」と言わんばかりの口ぶりだな。お前、自己放尿レベルで気持ちよくなってるが、現実を何も理解してねぇぞ。

いいか。「同じ機能を移植するだけ」って発想がそもそも低能の証拠だ。Pythonの強みは言語としての表面構文じゃなく、生態系として積み重なった最適化と実績だ。

NumPyやPandas、Scikit-learn、PyTorch、全部C/C++やFortranの実装をPython バインディングで何層もラップしてる。

しかもメモリ管理、スレッドセーフティ、BLAS 最適化、GPU オフロード、それらを組み合わせたときの挙動の安定性まで含めてライブラリって呼ぶんだよ。

「決まったインターフェースで移植するだけ」とか言ってる時点で、頭の中で想定してるライブラリが、せいぜい数千行のユーティリティレベルだろう。

企業が内部で作るって？そりゃ車輪の再発明だよ。しかも、Pythonが10年かけて磨き上げたアルゴリズムや最適化を、数ヶ月の業務開発で再現できるとでも？寝言は夜だけにしろ。

あと、「いまどきの言語ならそんな大変じゃない」って、まるでNode.jsがCythonやNumbaのようなネイティブ統合の層を持ってるかのように錯覚してるのが痛い。

V8のJITで高速化できるのはせいぜいスクリプトレベルの話。数値演算、メモリアクセス、スレッド制御を最適化できる数学的基盤の厚みがまるで違うんだよ。

Nodeで同じことをやろうとしたら、JS から C++アドオン叩いて、型変換のコストで死ぬだけ。

つまり、「移植できるだろ」って発言は、Pythonの生態系を単なるコード群だと思ってる愚か者の自己放尿なんだよ。

それは「パルスジェットなら自作できるだろ」と言ってる鉄クズコレクターと同レベル。動くかもしれんが、効率も精度も再現性も自己放尿レベル。

Node.js厨が「Pythonのライブラリは移植できる」とか言うのは、「俺でもベートーベンの交響曲ぐらい耳コピできる」と言ってる音感ゼロの自己放尿芸だ。

見てる側からすりゃ笑いのネタにもならねぇ。

Permalink |記事への反応(1) | 22:02

ツイートシェア

■勉強になった

生成AIにソフトウェア開発を支援してもらう場合、ソースコードの作成を依頼する形式が多いと思いますが、実行ファイルを直接出力してもらうことも技術的には可能なのでしょうか？

生成AIによる実行ファイルの直接出力は、技術的には極めて困難です。現在のLLM（大規模言語モデル）ベースの生成AIは、ソースコードの生成には向いていますが、実行可能なバイナリファイルを直接出力することには根本的な制約があります。

技術的な制約
LLMはテキストベースのトークン処理を基本とする設計であり、バイナリデータを直接扱うことができません。実行ファイルは0と1の連続したバイナリコードですが、LLMはこの形式でデータを生成するようには訓練されていないため、バイナリファイルを直接出力することは現在のアーキテクチャでは実現が困難です。
従来のソフトウェア開発では、ソースコード→コンパイル→アセンブル→リンクという複数段階のプロセスを経て実行ファイルが生成されます。各段階で最適化や機械語への変換が行われるため、この過程を完全に省略してAIが直接バイナリを生成することは技術的に非常に複雑です。

理論的な可能性
研究レベルでは、バイナリデータを扱う試みも存在します。例えば、LLM4Decompileのような研究プロジェクトでは、バイナリコードを逆コンパイルする際にバイナリを一度アセンブリ言語に変換してからLLMで処理しています。逆に言えば、生成時も同様の変換プロセスが必要になると考えられます。

現実的なアプローチ
実務では、生成AIにソースコードを作成してもらい、それを従来のコンパイラやビルドツールで実行ファイルに変換する方式が標準的です。この方法であれば、デバッグやテストも容易で、生成されたコードの品質を確認しながら開発を進められます。
なお、フォントファイルのようなバイナリ形式でもオープンソースとして扱われる例はありますが、これはフォントという特定用途の場合であり、汎用的な実行ファイル生成とは異なります。

画像生成もバイナリを生成しているわけで、同じようなことができるのではと思ったのですが、そこはぜんぜん違うのですね

おっしゃる通り、画像生成AIもバイナリを出力しているという点では共通していますが、実は根本的に異なる仕組みで動作しています。

アーキテクチャの違い
画像生成AIは拡散モデル（DiffusionModel）やGANなど、視覚データに最適化された専用のアーキテクチャを使用しています。一方、LLMはTransformerベースのテキスト処理に特化した構造を持っています。画像生成では、ノイズから段階的に画像を生成するプロセスを経て、最終的にピクセル値という数値データ（バイナリ）を出力します。

データ表現の性質
画像ファイルのバイナリは連続的な数値（ピクセル値）の集合であり、各ピクセルが色情報を持つという規則的な構造です。最近の研究では、画像をビットプレーン（bit-plane）として扱い、XOR 演算でノイズを加えるBinary Diffusion ProbabilisticModel（BDPM）のような手法も開発されています。
対して、実行ファイルのバイナリは機械語命令の複雑な配列であり、CPUが直接実行できる命令コード、データセクション、リンク情報などが厳密な形式で配置されています。わずかなビット誤りでもプログラムが動作しなくなるため、画像のような連続値とは性質が大きく異なります。

学習データの違い
画像生成AIは、ImageNetやLAIONなどの大量の画像データセットで訓練されており、ピクセルパターンを学習します。一方、実行ファイルを生成するには、コンパイルプロセス全体（構文解析、最適化、機械語変換、リンク）を学習する必要がありますが、これは単純なパターン学習では実現できません。
したがって、画像生成AIが成功しているのは、画像という特定のドメインに特化した設計と、規則的なデータ構造があるためであり、同じ手法を実行ファイル生成に適用することは技術的に非常に困難です。

Permalink |記事への反応(0) | 15:50

ツイートシェア

2025-11-04

■[日記]

6時17分、電動歯ブラシの音が寝室に反響する。洗面台の左端から15cmの位置に置かれたコップの水面が、微細に振動していた。オートミール40g、プロテイン12g、アーモンドミルク200ml。抽出比18:1のコーヒーは、温度計が93.0℃を示した瞬間に注ぐ。食事中、ルームメイトが「また同じ朝飯か」と言ったが、揺らぎは統計的誤差を生む。火曜日の朝に味の分散は不要だ。

午前8時。ホワイトボードには昨晩の計算式の断片が残っている。今日扱うのは、タイプIIB超弦理論の背景場に対する∞-層圏的修正モデル。モノイダル圏上の局所化関手をファイバー束の形で再構成し、非可換モジュラー形式の層化とホッジ双対性を同時に満たす条件を探す。通常のホモロジー代数では情報が落ちる。必要なのは、∞-圏の内側で動く「準自然変換」と、その自己準同型の導来空間だ。これをLanglands対応の派生版、すなわち「反局所的鏡映関手」にマッピングする。結果、弦の張力パラメータに対応する変形空間が、ホモトピー群πₙの非自明な巻き付きとして現れる。誰も確認していないが、理論的には整合している。ウィッテンですらこの構成を明示的に展開したことはない。そもそも導来層圏のモノドロミーを操作できる研究者自体が数えるほどしかいない。僕はそのわずかな孤島のひとつに立っている。

昼、ルームメイトが昼食を作っていた。キッチンのIH プレートに油の飛沫が残っていたので、座標系を設定し、赤外線温度計で範囲を確認してから清掃した。隣人が郵便物を取りに来た音がした。彼女の足音は毎回規則的だが、今日は左のヒールの摩耗音が0.2秒ずれた。おそらく週末に靴底を交換したのだろう。観測可能な変化は記録しておくべきだ。午後は大学のセミナー。話題はM理論の代数的拡張、だが発表者の扱っていた「微分層上の非可換コサイクル」は粗雑すぎる。導来圏の階層化を考慮していなかった。帰りの車中、ノート PCでホモトピー型タイプ理論を使って自作の演算モデルを再計算した。

帰宅後、友人二人が旧式のTCGのデッキを持ってきた。新パッチでエラッタされたカードの挙動を確認するための検証会だ。デッキの構築比率を1枚単位で最適化し、サイドデッキの回転確率をモンテカルロ法でシミュレートした。相手のコンボ展開が不完全であったため、ターン3で勝負が決した。カードの裏面の印刷ズレを指摘したら、彼らは笑っていた。テーブル上に置かれたスリーブの角度が4度傾いていたので、直してから次のゲームに入った。

夜。隣人が新刊のコミックを持ってきた。英語版と日本語版で擬音語の翻訳がどう違うかを比較する。onoma-topeic rhythmの差分は文脈ごとに変動するが、今回は編集者がセリフのテンポを原文に寄せていた。明らかに改良された訳。印刷の黒インクの濃度が0.1トーン深い。紙質も変わっている。指先で触れた瞬間に気づくレベルだ。