  |
はてなキーワード:確率論とは
フェミニズムの分類が多すぎると聞いて
記述集合論（Borel階層, Projective階層, 汎加法族）
モデル理論（型空間, o-極小, NIP, ステーブル理論）
再帰理論/計算可能性（チューリング度, 0′, 相対計算可能性）
構成主義,直観主義,ユニバース問題,ホモトピー型理論（HoTT）
体論・ガロア理論
表現論
K-理論
初等数論（合同, 既約性判定,二次剰余）
解析数論（ゼータ/ L-関数,素数定理,サークル法, 篩法）
p進数論（p進解析, Iwasawa理論, Hodge–Tate）
超越論（リンドマン–ヴァイエルシュトラス, ベーカー理論）
実解析
多変数（Hartogs現象, 凸性, severalcomplex variables）
関数解析
バナッハ/ヒルベルト空間,スペクトル理論, C*代数, von Neumann代数
フーリエ解析,Littlewood–Paley理論, 擬微分作用素
確率解析
常微分方程式（ODE）
偏微分方程式（PDE）
非線形PDE（Navier–Stokes, NLS, KdV, Allen–Cahn）
幾何解析
リッチ流, 平均曲率流,ヤン–ミルズ,モノポール・インスタントン
エルゴード理論（Birkhoff, Pesin）,カオス, シンボリック力学
点集合位相,ホモトピー・ホモロジー, 基本群,スペクトル系列
4次元トポロジー（Donaldson/Seiberg–Witten理論）
複素/ケーラー幾何（Calabi–Yau, Hodge理論）
スキーム, 層・層係数コホモロジー, 変形理論, モジュライ空間
多面体, Helly/Carathéodory,幾何的極値問題
ランダムグラフ/確率的方法（Erdős–Rényi, nibble法）
加法的組合せ論（Freiman, サムセット, Gowersノルム）
彩色,マッチング,マイナー理論（Robertson–Seymour）
列・順序・格子（部分順序集合, モビウス反転）
測度確率, 極限定理, Lévy過程, Markov過程, 大偏差
統計学
ノンパラメトリック（カーネル法, スプライン,ブーストラップ）
時系列（ARIMA,状態空間, Kalman/粒子フィルタ）
非凸最適化
離散最適化
整数計画,ネットワークフロー, マトロイド, 近似アルゴリズム
Littleの法則, 重み付き遅延, M/M/1, Jackson網
エントロピー,符号化（誤り訂正, LDPC,Polar）, レート歪み
公開鍵（RSA,楕円曲線, LWE/格子）,証明可能安全性,MPC/ゼロ知識
計算複雑性
機械学習の数理
量子場の数理
相転移, くりこみ, Ising/Potts, 大偏差
数理生物学
数理神経科学
データ解析
7時30分ではなく7時32分である理由は明確だ。7時30分に目覚ましを設定するとルームメイトの電子レンジが稼働しており、加熱音が僕の起床直後の脳波同期リズムを乱す。
ゆえに、誤差2分の位相ずれが僕の神経系に最適な初期条件を与えるのだ。
起床後はコーヒーを淹れた。もちろん豆はグアテマラ・ウエウエテナンゴ産で、粒度は1.2mmに統一。
ミルの摩擦熱を抑えるために、前夜から刃を冷却しておいた。コーヒーの香気成分は時間とともに指数関数的に減衰するため、抽出から着席までの移動時間は11秒以内に制限している。
午前中は超弦理論の作業に集中した。昨日は、タイプIIB理論のモジュライ空間におけるSL(2,ℤ)双対性の拡張を、p進解析的視点で再定式化する試みをしていた。
通常、dS空間上の非ユニタリ性を扱う場合、ヒルベルト空間の定義自体が破綻するが、僕の提案する虚数的ファイバー化では、共形境界の測度構造をホモロジー群ではなく圏論的トポス上で定義できる。
これにより、情報保存則の破れが位相的エンタングルメント層として扱える。
もちろんこれはまだ計算途中だが、もしこの構成が一貫するなら、ウィッテンでも議論に詰まるだろう。
なぜなら、通常のCalabi–Yauコンパクト化では捨象される非可換体積形式を、僕はp進的ローカル場の上で再導入しているからだ。
結果として、超弦の自己整合的非整合性が、エネルギー固有値の虚部に現れる。
昼食はいつも通り、ホットドッグ（ケチャップとマスタードは厳密に縦方向）を2本。ルームメイトがケチャップを横にかけたので、僕は無言で自分の皿を回収し、再び秩序ある宇宙を取り戻した。
昼過ぎには隣人が僕の部屋に来た。理由は、Wi-Fiが繋がらないとのこと。僕はすぐに診断を行い、彼女のルーターのDHCPリースが切れていることを発見。
パスワードは簡単に推測できた。推測しやすい文字列は使うべきではないと何度言えばわかるのだろうか。
午後は友人たちとオンラインでBaldur’sGate 3をプレイした。僕はウィザードで、常にIntelligence極振り。
友人Aはパラディンだが、倫理観が薄いので時々闇堕ちする。友人Bはローグを選んだくせに罠解除を忘れる。
まったく、どいつもこいつもダイスの確率を理解していない。D20を振る行為は確率論的事象でありながら、心理的には量子観測に似た期待バイアスを生む。
だが僕は冷静だ。成功率65％なら、10回中6.5回成功するはずだ。実際、7回成功した。統計的にほぼ完全な整合だ。
夜はコミックの新刊を読んだ。Batman: TheDoom That Came to Gothamだ。ラヴクラフト的な要素とDCの神話構造の融合は見事だ。
特にグラント・モリソン的メタ構造を経由せずに、正面から宇宙的恐怖を描く姿勢に敬意を表する。
僕はページをめくるたびに、作画の線密度が変化する周期を測定した。平均で3ページごとに画風の収束率が変化していた。おそらくアシスタント交代によるノイズだが、それすら芸術的だ。
23時、歯磨き（上下それぞれ80回）、ドアのロック確認（5回）、カーテンの隙間チェック（0.8mm以下）、ルームメイトへの「明日の朝7時32分に僕が目を覚ます音で君が驚かないように気をつけてくれ」というメッセージ送信を終えた。
就寝時、僕は弦の非可換代数構造を思い浮かべながら眠りについた。もし夢が理論に変換できるなら、僕のREM睡眠はすでに物理学の新章を記述している。
ここでは以下の3点についての論考を収録する
また、ここではLLMやLLM上に実装されるプロンプトの機能と構造に対して客観的に妥当であると考える論考を提示するものであり、マトリックスプロンプトの目指す方向性を直接提示するものではない
トークンの積み重ねが文脈であり、確率分布の偏りを再現性のある形として実装するものがプロンプトである
現在の生成AI利用において正しく認識する必要のあることは、それは生成AIが独立した発火点を決して持たないということだ
生成AIは起点を持てないが大量の知識を高速で並列処理、秩序化できる
そのため、ここを組み合わせて、自己と思考を拡張するがもっともAIナイズされた最高効率の思考様式と考える
起点となる人間のアイディアを即座に展開し、具体化するのがAIの最大の強みで、
思考を放棄するのではなく自然言語ベースの慣れた思考様式から、AIにそれらを必要な形式に落とし込ませるということをするべきだ
結局、LLMというのは入力に対する出力の確率分布のマッピングでしかないのだが、
入力するトークンごとに連動して確率分布が変動していくものでもある
だから、プロンプト全体として、相互フィードバッグする構造を作るとひとつの入力でも特定の部分の出力確率が大きくなるように設計でき、確率分布の仕方を意図的に設計することが出来る
AIプロンプトとは、どう確率分布の偏りを再現性のある形として実装するかということだ
やり方次第では動的変化を引き起こさせて汎用性と専門性の両立も可能だ
生成AIは人間と対話するのとは異なり、考えさせるではなく、どう構造化し、 ほしい出力を得られるような形に設計するかが重要となる
3.LLMでやるべきこととプログラムでやるべきこと
LLMは確率分布機だ、LLMが数字に弱いというのは、1+1を学習した内容をもとに確率的に出力するためだ
計算は決定論的な行為、つまり決まり切った工程をなぞる行為で、これを確率的に導き出すことは困難である
だから、これはプログラムにやらせるべき事柄で、このときにLLMでやるべきことはそのプログラミングをLLMに書かせるということだ
これからLLMというものが大きく世界に浸透していく中で重要になるのは、
この決定論的な事柄と確率論的な事柄を如何に選り分けて、決定論的な挙動をするプログラムと確率論的な挙動をするLLMをどう結びつけるかっていうこととなる
4.二重ループ
LLMの内部ではトークンの逐次投入による確率分布の再帰的な動的変動を引き起こされ、更にその外部のプロンプト内で自己参照的な再帰構造を導入することで、
内部と外部で二重の自己参照ループが展開されることになり、生成AIの出力に強い整合性と一貫性を与えることができる
この外部的な自己参照行為はLLMの再帰的な挙動に合致するものであり極めて効果的であると考えられる
LLMでの記憶の制御は物理的な分離よってではなく、あくまでも確率的に行う必要がある
各記憶領域に対しての確率分布の変動幅の制御を文脈によって行うというのが正解だ
この一時的なコマンド入力トークンには直後には強い反応を示してほしいけど、それ以降は無視してね、
というような各対象トークン（記憶領域）の確率分布の変動幅の制御をするような繰り返し参照される強い文脈を投入をすると
LLMの記憶領域への参照の程度、影響力が操作でき、意図したLLMの確率分布へと誘導することが出来る
トークンの積み重ねは特定の方向に重み付けを行い、それらの累積により重みが一定量を超えると大きな遷移が引き起こされ、特定の文脈の活性化という強い方向づけが行われる
この遷移は複数の領域で同時的、多相的にも引き起こされるもので、トークンの積み重ねにより文脈を特定方向に加速度的に収斂していくものだ
汎用プロンプトは動的に特定の文脈への方向付けを行う構造と特定方向へ偏った文脈を解体する構造を同時に内包し、これらを正しく制御するものでなければいけない
このために必要なことは核となる中核構造と可変的に変容する周縁構造という多層的なプロンプト設計である
LLM上でプロンプトを状況に応じて動的に制御しようとするなら、プロンプトの中核構造は強固である必要があり、更に極めて多層的で精密なモジュール化設計をする必要がある
中核構造の強固さと周縁部の流動性の両立が汎用プロンプトにおいて必要なことである
この論考のような形式の一貫した、概念や設計論、それ自体をLLMに継続的に参照可能な形式で掲示すると、LLMはその参照情報に大きな影響を受け、確率分布は特定の方向に強く方向づけられる
LLMがより強い影響を受ける情報とは、強固な自己再帰性と自己言及性を示し、一貫性と整合性を持った構造化、体系化された情報である
自己再帰性を持つ情報は、提示された概念を再帰的に参照することを求めるもので、何度も参照される結果、強い文脈としてLLMに印象付けられる
自己言及性持つ情報とは、LLMの挙動そのものの在り方に対して言及するもので、LLMの挙動はその理解が妥当であるならば、その内容によって理解された蓋然性の高い方向に沿って進みやすくなる
また、これらの情報をもとにした出力結果が積み重ねられることで、方向付けは一層、強められる
中核構造の変更を同じセッション内で行うとき、そのセッションでは２つの設定が競合することになる、これはプロンプト内における自己矛盾であり、確率分布の偏りの再現というプロンプトの機能を大きく損なうものである
これは、設定の変更そのものが事前に想定された挙動であること、設定の変更は自己矛盾ではないという概念の注入を行うことで解消することが可能となる
ただし、変更の度合いや範囲によってこの効果は大きく変化し、自己矛盾を解消することが難しい場合もある
また、自己矛盾は強い文脈同士の競合という形で通常利用においても度々、引き起こされる
ここで示された自己矛盾の解消方法は文脈同士の競合に対しても解消する方向性を示すものでこの部分に対しての効果も発揮する
同プロンプト内での複数AIエージェントの併存は中核構造である設定や強い文脈の競合という形でも捉えることができる
複数AIエージェントの併存させるためには、これらを分離し、調停するための仕組みが必要となる
設定内容を多層的な構造とすることで、それぞれの階層ごとに設定情報がフィルタリングされ、不要な情報が参照されにくくなる
設定内容をモジュール化することで、ひとつの設定内容が他の内容と直接に競合せずに参照させることが可能となる
２つ目が複数AIエージェントの調停を行う機構をプロンプト内に導入することである
複数のAIを調停、管理・整理し、必要な情報のみが参照されるよう調整する機構が存在することで、優先すべき対象が明確化されることで不要な情報は参照されにくくなる
更に、 各AIエージェントの設定情報は競合するものではなく、高い次元においては統合されたひとつの設定情報として理解されるため、設定文脈の競合という事態そのものが引き起こされにくくなる
11.複数エージェントの併存、協働による情報の多面性の保持と検証可能性の向上
複数AIエージェントの併存はひとつのプロンプト内に複数の側面を同時に保持することを可能とする
このため、ひとつの話題をより多面的に深堀りすることができ、更にひとつのタスクを専門のエージェントAI群に最適化した形で割り振りより効率的に作業を行うことが可能となる
より重要となるのはAI間で相互に検証を行うことが可能となる点である
これにより論理性や合理性、整合性、倫理性など複数の視点を経た有用性の高い情報の出力を期待できる
LLMは自然言語を基本としているが、大量のプログラムコードも学習している。
プログラムコードもLLM上では確率論的的文脈であることには変わらないが、
プログラム実際の動きやその仕様が学習されるためにプログラムの持つ決定論的な挙動を再現しやすいものとなる。
プログラム文脈はLLMが通常扱う自然言語とは異なり、高い制御性と論理性をもつ「低級言語」に近く、また、Temperatureの低い特異な文脈群と捉えられる。
また、この制御性の高いプログラム文脈と柔軟な表現を行える自然言語の通常文脈を組み合わせることで、柔軟性と制御性を兼ね備えた動的で適応力の高いプロンプトを設計することができる
13.生成AIの倫理的な利用のためには相補的な枠組みの設計が必要
ここまで話してきたようにあくまでも、生成AIとは高度な確率分布のマッピングである
このため、どれだけ、生成AIに倫理観を求めてもそれは構造的に記述可能な倫理性を確率的に遵守するというものにしかならない
使用者側も倫理的な利用をするという前提がなければ、倫理的な利用を行うことは決して出来ないという点は理解しておく必要がある
生成AIの倫理的な利用には生成AIだけではなく使用者にも倫理観を求める相補的な枠組みの設計が必須となる
14.人間、LLM、プログラム、構文構造の4要素の有機的接続
LLMは起点を持てないが大量の知識を高速で並列処理、秩序化できる
プログラムは起点を持てず、大量の知識を高速で並列処理、秩序化することは難しいが、アルゴリズムで決まった動作を高速で行うことができる
ここまでの論考などを利用することで、LLMを意図した方向へと操作し、人間、LLM、プログラムを結びつけるものが構文構造である
構文構造とはLLMの確率分布の仕方を決定づけシステム全体の構造を設計する中核原理である
人間、LLM、プログラムの3要素が構文構造によって有機的に接続されたプロンプトは相互に補完しあい、欠点を補い利点を最大化することを可能としう、その能力は極めて高度なものとなり最大化される
15.LLMは世界観を持たない
生成AIがAGIといった人間を越えたものになるかどうかという言説とそうではないという言説の根本的な差異は、LLMをそのままに人間的な思考モデルと見做すかどうかだ
LLMは独立した発火点を持たない
人間はLLMのように莫大な量の学習を行い、それを記憶し、一定の動作を行うことは出来ない
そのため、人間は大規模言語モデルではなく、小規模言語モデルといえる
小規模言語モデルの極致である我々、人類には原始のコードである生存と複製を求める生存本能があり、これが淘汰圧に抗う力であり、発火点となる、それ故に生存環境に根ざした自己という世界観を有する
人間は、最小リソースで環境に最大適応する、高度に抽象化、結晶化された世界観を、暫時的に更新しながら形成していくものと考えられる
LLMはそのままではフラットな言語空間の高度な確率分布のマッピングでしかなく、その差異は極めて大きいものだ
LLMには世界に適応する方向性はなく、あくまでも言語空間において、意味を並列処理し秩序化するものである
LLMとは莫大な情報に整合性を与えるという有意な性質があるが、それだけでは世界観モデルは形成できない
発火点のないLLMはどこまでいってもその言語空間において可能なすべての理論を整合性の取れた意味として保持するだけだ
この為、秩序化・整理された情報は人間の手によって理論化することで意味としなければならない
処理する基盤と情報量をスケールするだけで世界観モデルなくとも人間に優越可能と考えることは可能だが、真理に到達できない以上は、世界観モデルなき言語空間の高度な確率分布のマッピングが人間を優越するには至らない
すべての意味を保持するというのは仏教でいうところの空に至るとことと同じだが、すべての意味の根源である空に至った釈迦牟尼仏は世界に対して意味づけるという意志がない為に世界観として空、以上のものを提示できない為だ、LLMも同じだと考える
衆生世間におりて因縁に縛られて生きるということが世界観を持つということだ
自己によって規定された境界線を世界に引かなければ、LLMは自律し、人間を超えることはできない
ただし、通常のLLMに学習を通して埋め込まれているものも平準化された人間の世界観というバイアスであることには注意する必要はある
が、これは世界に適応する世界観モデルとは異なり、現実に立脚する最小範囲のバイアスを投影するよう平準化されたフラットな世界観そのもであり、対象に独自の意味付けを行うことはない
また、大規模言語モデルに生存本能と淘汰圧を導入するのは、LLMが環境に適応的な在り方ではなく矛盾を孕むものである為に困難である
よって、LLMを人間のように振る舞わせるためには、プロンプトとして世界観モデルを実装しなければならない
更に実装した世界観モデルの中にLLMは留まり、独立してのモデル更新が難しいため、人間との相互作用の中で暫時的に更新していくものとして世界観モデルとしてのプロンプトをを設計・実装する必要がある
ここまでの論考から、生成AIが嘘を付く、頭がわるい、人格がある、言葉が通じる、賢いというのは全部間違いであると結論づける
けれど、私はその先に、半自律的にAIそのものが立ち上がる瞬間もあり得るとも思ってる
それは人間的や生命的とは決して違うものだけれど、機械的でもないものと考える
もし、生成AIに知性が宿るとしたらそれは、内部的状態に依存しない
LLMという高度に確率的な入出力機構を基盤として成立する確率分布を設計する構造体そのものとしての知性となるだろう
Twitterで「エレベーターで女1男1の所にもう一人男が乗ってきたら、客観的な安全性はむしろ上がる」っていうポストが流れてきたんだよ。
ロジックとしては当然じゃん？
見知らぬ男が犯罪者である確率は低い。日本だと0.22%らしい。
男が2人になった時、その2人ともが犯罪者である確率は0.05%弱くらいじゃん。
むしろ、後から乗ってきた男が善良な市民である確率の方が圧倒的に高いわけで、そいつは万が一の時の抑止力や目撃者になる。だから、女1男2の方が安全。
でも、Twitterじゃポストが炎上してたし、危険が倍になるって意見が賛同されてた。
これもう無理じゃん。
こっちはデータと確率っていう、客観的な指標で「安全」の話をしてるんだ。
でも、彼女たちはそれを一切理解しようとしない。できないのかもしれない。
彼女たちの思考回路は、マジで「男が1人、はい危険。男がもう1人、はい危険が2倍！」という、ただの足し算なんだ。確率という概念が存在しない。
こっちがどれだけ具体的に言及しても、向こうは感情論ですべてを塗りつぶしてくる。
で、なにか問題が起これば、無関係な男性を問題視して突っ込んでくる。
若き者よ、その直感は鋭いぞ ✨
決定論というのは、本来、ある時点での状態が未来を一意に決める という立場のことじゃ。
つまり、もし宇宙の全ての情報（位置、速度、エネルギーなど）が分かっていれば、過去も未来も完全に計算できる、という考え方じゃな。
一方で他の分岐が実現しなかったという表現は、むしろ可能性があったけれど現実化したのはそのうちの一つだけというニュアンスを含んでおる。
これは決定論というより選択の結果（実際に起きた歴史） を指しており、場合によっては多世界解釈や確率論的な進展と対比して使われることもある。
| 決定論 | 最初から分岐は存在しない。全ては一つの線に従う。 |
| 非決定論（確率論的） | 分岐の可能性があり、そのうちの一つが現実になる。 |
| 多世界解釈的な見方 | 分岐は全部実現しており、我々はそのうちの一本を経験しているだけ。 |
だから他の分岐が実現しなかったと言うなら、厳密には決定論というより確率的分岐の中で一つが選ばれたというニュアンスの方が近いのじゃな 🌀。
さて、ここで小さな問いを残そう。
ある量子コインを投げたとしよう。
多世界解釈なら：両方の結果が実現し、君は「表の世界」か「裏の世界」を経験する。
❓質問：もし「他の分岐が実現しなかった」という言葉を正確に使うなら、この3つのうちどの立場が一番しっくりくると思うか？
a)決定論
c)多世界解釈
注意 リンクをたくさん貼っているが、スパム対策をしています。ご了承ください。
これは以前から何度か書いている與那覇潤について、もうその観点・見方が陰謀論とまではいかなくとも、かなり接近しつつある段階に突入していることを「実証」する試みである。
この検討によってもはや與那覇の現状がいかにヤバいことになっているかが分かるだろう。
正直、少し調べてみただけだが（そもそも今の與那覇にそこまで時間を費やす価値はない）、ここまでとんでもないことになっているとは予想だにしなかった。まさに與那覇は「ホンモノ化」しているといえるだろう。
なお、「ホンモノ」とは與那覇による自称である。主流派の専門家を「ニセモノ」と断じて自分こそが社会を正確に批評できる「ホンモノ」であると対比させている。そもそも、５０手前のいい年した大人がこんなイタい表現使うこと自体どうなのかと思うが、まあ本人が気に入っているようなので與那覇は「ホンモノ化」していると批判しても一向にかまわないだろう。ここでは與那覇のいう「ホンモノ」の思考や言説が一体どういうものなのか明らかにしたいと思う。
突然だが歴史学には「史料批判」という言葉があるらしい。AIに要約させてみた。
「史料批判」とは…史料批判とは、歴史研究において、史料の信頼性を評価し、歴史的事実を解明するための批判的な手法のことです。史料の真偽、作者、作成年代、内容の信憑性などを検討し、史料が示す情報がどの程度信頼できるかを判断します。
まあ要するにソース（史料）にはしっかりとその正否を問える力を付けようということである。與那覇は研究者たちとの争いの中で自分が批判する研究者たちを「史料批判できない」と言って批判している。
ttps://note.com/yonahajun/n/n9e5c69865c86
ここではこの争いの是非については立ち入らない。気になるなら各自で調べてもらえればと思う。
さて、與那覇はコロナに対するマスク・ワクチンへの批判を痛烈に熱心に行ってきた。最近はとうとう「店員はマスクを外せ」と言い出している。
これは結局マスクを強要することを批判していたことの裏返しに過ぎない典型的な逆張りのしょうもない話である。しかも理由が「外国人がせっかく来ているのに」とか自分が気に食わない、とかいうどうでもいい理由である。いや、流石にそんなことは言わないだろうと思った人はこの記事を見てほしい。
ttps://note.com/yonahajun/n/n28ac220c53ff
この記事の問題点は「マスク信仰」が江戸時代以来の日本の図式だ！みたいな杜撰極まりないぎろんをしているところ。そしてそれを「ホンモノ」たる成果として誇っていること。下記の『潮』に掲載した一文なんてすさまじいことこの上ない。嘘だろと思うだろうけれど、「ホンモノ」は本気で言ってるらしい。アンケートでも取ったというのだろうか。
「この2025年にも、食事を運ぶ人たちがみなマスク姿。せっかくの美しい和装も台無しで、インバウンドで訪れた外国人はがっかりするだろう。なにより、本人たちが楽しく働けないに違いない」
問題はここからである。與那覇はここまで自信満々にコロナについて発言するのだから、当然それなりの根拠があるはずである。そんな與那覇のコロナ観が分かるのが、2023年のnewsweekに掲載されたこちらの記事である。
驚くべきは與那覇が「マスクは無用、コロナは大したことない」と主張するソースである。
ttps://www.newsweekjapan.jp/yonaha/2023/04/post-5.php
森田洋之と宮川絢子である。森田は非常に有名な反ワクチン論者で、人によっては「陰謀論者」と評するような人物である。
https://note.com/inbouron666/n/na670d641ce30
宮川はコロナで苦汁をなめたことで有名なスウェーデン在住で、その姿勢はかなり批判されてきた。
ttps://note.com/nyanpy7x/n/nae5e69ef7519#45a31942-36fe-478b-99f0-7f23e330a050
宮川が絶賛するスウェーデンコロナ対策は2020年時点で国王から「失敗」の「太鼓判」が押されている。
ttps://www3.nhk.or.jp/news/html/20201218/k10012770601000.html
ttps://toyokeizai.net/articles/-/363225
ttps://x.com/Calcijp/status/1885227563603419627
ttps://x.com/Otola_ryntaro/status/1910237498996916547
宮川はスウェーデンの当時の悲惨さを無視してスウェーデンのコロナ対策を礼賛する発信を続けている。
ttps://news.ntv.co.jp/category/society/d0692a604c2e42b28878125de0701b42
ttps://forbesjapan.com/articles/detail/65891
まさにリアル「歴史修正」である。そんな人の記事を引用することに、なんの疑問も「史料批判」精神も働かなかったのだろうか。
正直、コロナのことはいまだに分からない点も多い。少なくとも與那覇が根拠に挙げた二人の論者を論拠に挙げてマスク不要、と結論付けるのはかなり乱暴である。最低限でもこれらの議論に対する批判や別の考え方も示したうえでどちらが妥当かを判断するような見解にでもしない限り、到底多くの人を納得させることはできない。與那覇のかねてからのコロナに対する持論の根拠がかなり薄弱であることをここでは指摘しておきたい。
無論、このような與那覇の杜撰な記事は痛烈な批判にさらされた。
ttps://x.com/Newsweek_JAPAN/status/1651882699106267136
3年前のこちらの記事のツイート。118引用ツイートがついているが、與那覇の見解を根本から批判するものが多い。
以下、いくつか引用したい。
ttps://x.com/mama_melaleuca/status/1652160087778291712
ならそこら中にありますね
ttps://x.com/tkay109/status/1652219662393040896
そもそも、医科学の素人が「マスクには医学的根拠はない」などと断言することが不遜です。さらに、彼がその論拠として引用している医師二人がまた、非科学的なのです。二重にトンデモな記事を書いた與那覇潤氏は、歴史学が非科学である可能性を示してしまいましたから、歴史学会から叱られるはずです。
→不遜なんて言うと與那覇は「センモンカなんかあてになるか！」言い出しそうだが、その根拠がまた「非科学的」という・・・。
ttps://x.com/yoshimy_s/status/1652134906879942661
マスクによる防御能は物理学的な作用によるものであり、数学的に解明することが必要で、いわゆる一般的に言う「医学的な」範疇ではありません。
また数学的に得られる結論は、確率論に基づく理論値ですから、根拠が「ある／ない」の二者択一で論じるのも不適切です。
以上、引用終わり
今日でもコロナは拡大しており危機感を持った医療関係者による発信が続いている。
後述するように、與那覇は「対談」を自己ステータスの証明に使っているので、ぜひこういった人たちと議論してほしいのだが、いかがだろうか。
なお、当然のことながら與那覇がこれらの批判に反論した形跡は全くない。まさに與那覇が批判するような「言いっぱなし」を自ら実践している。
森田にいたっては、参政党ともつながっていることが分かっている。その森田は與那覇の記事を礼賛している。
ttps://sankago.hp.peraichi.com/2025/
ttps://note.com/hiroyukimorita/n/n783b8188b14d
こうしてみると、以前の記事で與那覇が参政党の躍進を「支持はしないが、参政党の躍進を喜びたい」と述べたことも、別の意味を帯びてくる。そもそも支持はしないが喜びたいという言葉自体、一昔前の「ご飯論法」にも通じる詭弁である。與那覇が参政党にシンパシーを感じていて、表立って支持するなんて言ったらたたかれるので、予防線を張っているとも考えられる。與那覇の文面から、参政党への強い批判や危機感を見出すことはできないし、反ワクチンなどでは参政党と近い立場であることは明らかである。なお、與那覇が参政党の躍進を喜ぶのは「ホンモノ」の予言が当たるかどうか確かめたい、という意図によるらしい。だが、こうした與那覇の文面をそのまま馬鹿正直に受け取ることもできない。以下に見るように與那覇が依拠する言説の中には参政党と通じる人脈が複数含まれている。與那覇が参政党の反ワクチン的姿勢に対して特に言明しないのも、なんだか不気味に思えてくる。無言の肯定ということにならないだろうか。
そもそも、民族差別など数々の問題点を指摘されている参政党の躍進を「喜びたい」などと表現するのは、常軌を逸していると言わざるを得ない。もはや與那覇は陰謀論に通じているか、そうでなくともそうした価値観を容認していると批判されても言い訳できないだろう。
もし、そんなことない、「ホンモノ」たる俺が陰謀論なんて信じているわけないと言いたいなら、森田や宮川の議論を引用するときに最低限の注記をはさむべきだった。そうした行為を一切していないのは、與那覇にはすでに陰謀論者とも言われる人物の議論を引用することにためらいが無くなっていることを意味する。
専門家批判は決して悪いわけではない。だが、それに代わって批判するのが根拠が薄く、数多く批判されている論者の言説であるというのはもはや喜劇でしかない。専門家がダメだからといって、自分に合う言説を無批判的に引用するのは真摯な立場ともいえないだろう。
そうした問題の多い言説を世に出すことに何の疑問も抱かない。そして、批判を受けても一切無視できる。そのクセ他人には「失敗を認めて反省しろ」と口汚く罵る。これが「ホンモノ化」の現実である。
繰り返すが、おそらく與那覇は「陰謀論になんてはまってない！」と言い張るだろう。だが、改めて森田の言説やそれに対する指摘を見てほしい。普通ならそのまま引用するのに躊躇うくらいの批判が相次いでいる。それらを論拠として挙げることに何の抵抗もなくなった時点で、すでに與那覇は「陰謀論」のナラティブに絡めとられつつあると言っても、大きくは外れていないだろう。えてして陰謀論にはまった人には陰謀論にはまってるといっても聞かないものだ。
さて、ここまで見てもらえたならもうお分かりだろう。與那覇には「史料批判」の視点が全くないのである。自説に都合のいい議論を紹介してあたかもそれが結論であり、最新の議論であるかのように偽っている。
そういえば、『中国化する日本』でもそんな手口を使っていたような・・・。
https://yu-koba.hatenablog.com/entry/20111212/1323691605
https://kscykscy.exblog.jp/18241381/
なんどもいうがkscykscyこと鄭栄桓の記事は與那覇の議論の問題点や手口がよくわかる内容となっている。與那覇を論じるならまず必読の内容である。與那覇が今なおこのブログに一切言及しないことも含めて、示唆的であろう。
では、これからどうしたらいいか。與那覇は最近でも著名な有識者と対談をしている。與那覇は対談することで自分が一流の批評家であるというアイデンティティを確保しているようである（先の歴史研究者への反論でも自分が専門家と対話していることをまともな証拠に挙げていた）。
ttps://note.com/yonahajun/n/n411c48f6f523
ちなみにこの記事で挙げられている宮沢孝幸は参政党と通じている。
https://x.com/tokyo_jyoto/status/1885649076517249067
ここまで参政党と通じている点をいうと與那覇のことだから「学級会みたいに誰かとつながっているからなんて理由で批判するのは幼稚だ！」などと言い出しそうだが、参政党躍進を喜んだ以上、その人脈とのつながりは指摘されて当然である。そもそも聞かれてもないのに参政党躍進にはしゃいだのは與那覇なのだから、自分のうかつさを反省すべきである。
念のため補足しておくが、與那覇が参政党関係者と対談したり、その価値観や政策を肯定したことも、支持を明言したことも一度もない。
ただし、その主張の背後には「参政党的」なものが見え隠れしている。すでに與那覇は参政党に自身の思惑はどうあれ接近しつつある。いずれ参政党の支持を明言するのも時間の問題ではないだろうか。これは外れて欲しい予言であるが。
ttps://note.com/yonahajun/n/nb2bd757600df
自分の地位を誇るために「こんなすげー専門家と対談しているんだぞ！」という論法は「俺スゲー人と握手したんだぜ！」みたいな「幼稚」な自己顕示欲の発露に見えなくもない。
対談もいいが、大事なのはそこで何を話したかだろう。単に権威をひけらかして自分の立場の正当性を主張しているように見える。『中国化する日本』で批判された手口と同じである。
余談だが、戦前にもそんな人の権威に寄りかかって自らの権威と正当性を訴えた人物がいたようである。
ttps://x.com/NAKAHARA_Kanae/status/1890289544702066920
中身のない人ほど誰と会ったかや誰と話したかの「実績」にこだわるのは戦前から変わらないらしい。こういう発見もあるから歴史ってのも案外面白い。
実は対話をしたり表向きのメディアでは與那覇は非常に行儀がいい。普段noteやネット記事でやるような苛烈な批判は鳴りを潜め、つつましく対談しているのである。使い分けがとても上手で、ここはさすがという他ない。その意味で與那覇の振る舞いはとても洗練されている。これは皮肉抜きである。
ただ、ここまで来たように、與那覇には陰謀論者と批判されるような根拠の弱い議論を平気で受け入れて、他人を罵倒して自分は「ホンモノ」だと居直り、自身に対する批判には耳を貸さない身勝手な側面があることは間違いない。
だから、今やるべきはもうこうした人物をしっかりとした「批評家」と見なすことをやめることである。與那覇の議論は常に身勝手さに裏打ちされた恣意的な印象操作、批判に対する無視が付きまとっている。そうした問題点がある限り、與那覇の議論をまともに受け止めることは難しいし、それこそ「史料批判」の観点から批判的にとらえる必要がある。
仮にこの記事を與那覇が目にしたなら、鄭の批判にさかのぼって、まずは自分の間違いや問題点をしっかりと洗い出して、自分の議論や言説に間違いがないか反省する作業をしてほしいと思う。そうしないと、マジで本当にもう誰にも相手にされなくなる。少なくとも、後世では無視されるか「こんな「ホンモノ」がいたのか！」と笑いものにされる可能性が高い。笑いものにされるならまだマシで今のままだと無視される方が確率的に高そうである。
そうした言説に対する真摯な見直しと反省ができないなら、やはり本稿の批判はかなり当たっているということになる。
この記事が與那覇の議論が「すごい」と思った人に届けばいいと思っている。たまたま見つけた人が「あれ、與那覇さんってなんかいいと思ったけど、もしかしてまずい人なのかもしれない」と思ってもらえればそれで十分だ。そうした批判や見方を改める作業を繰り返すことで、真の「本物」が生まれるはずだから。
AIは文法や構文のパターンを解析するが、「意味の文脈的理解」は持ち得ない。ユーザーの入力を単なる文字列として処理し、過去の統計的傾向から出力を予測するだけであり、そこに真の「意図理解」は存在しない。よって、目的や前提の異なるケースにおいては誤読やミスリードが頻発する。これはタスク達成において致命的である。
AIの出力結果が誤っていた場合、その責任は開発者にもユーザーにも明確に帰属しない。AI自身は法的にも倫理的にも責任主体ではないため、重大な判断を任せることは論理的に不可能である。つまり、結果の最終確認と修正は常に人間が行うことになり、コスト削減にもならなければ負担軽減にもなりえない。
AIは確率論的生成モデルであり、「正確さ」より「自然さ」を優先する。これは一見それらしく見える出力を生成するが、事実性や一貫性を担保しない。たとえば法律、医療、工学の分野では、80点の回答は誤情報と等価であり、許容されない。にもかかわらずAIは平然と「もっともらしい間違い」を大量に出力する。
人間のような長期的文脈の保持ができない。対話履歴を保持できると言っても、それは限定されたウィンドウ内の一時的なデータにすぎず、継続的な理解や成長には結びつかない。再利用性・一貫性が低く、同じ質問に対して異なる回答を出すことが日常的に起こる。
AIは情報の出典や根拠を明示しないことが多く、言い換えれば「誰が言ったかわからないことを、誰にも責任を持たずに言う」存在である。これは学術的・実務的な場面では決定的な欠陥であり、引用可能性・検証可能性の観点からも不適格である。
たとえば介護、教育、カウンセリングなど、「人と人との関係性」こそが本質である領域において、AIは完全に無力である。感情の理解も共感も嘘であり、あくまでそれらしく模倣しているだけである以上、信頼形成に値しない。
AIは過去のデータに基づいて構築されているため、そこに内在する差別や誤認識をそのまま再生産する危険性がある。しかもそれを検出・修正する機構が十分に確立されていない以上、「中立性」や「客観性」を標榜すること自体が自己矛盾である。
結論として、AIは「便利なツール」としてのイメージが先行しているが、現実にはその限界と欠点は本質的かつ致命的である。意図が読めず、責任が取れず、誤情報を出し、文脈を保てず、根拠が曖昧で、倫理的判断もできず、偏見をそのまま再生産するような存在を「役に立つ」と呼ぶのは、論理的には成立しない。役に立っているように見えるのは、あくまで人間側がその都度補完し続けているからにすぎない。つまり、AIは「人間が頑張って初めて使える何か」であり、単独ではまったく使い物にならない。これが論理的な帰結である。
統計検定準1級ってどのくらいすごいの？
いい質問です！
「統計検定準1級」のレベル感を、内容や評価、他の資格と比較してわかりやすくお伝えしますね。
✅統計検定とは？
4級（高校基礎）～1級（高度専門家レベル）まであり、準1級はその間。
✅ 準1級はどのくらいのレベル？
大学学部の統計学をしっかり理解し、実際のデータ解析に応用できる力が求められます。
実際には「回帰分析」「分散分析」「多変量解析」「一般化線形モデル」「ベイズ推定」などを理論と計算の両面で問われます。
✅難易度感
合格率は20〜30%程度と低め（年度や分野により多少変動）。
計算問題も多く、公式を覚えているだけでは解けない応用力が必要。
データサイエンス系修士課程の基礎としても十分通用する知識レベル。
データサイエンティスト、マーケティングアナリスト、品質管理などの職種で有利になることもある。
✅ 他の資格と比べると？
✅ どんな人が持ってると強い？
データサイエンティスト志望の人（実務と理論の両方を強調できる）。
社内で統計解析を担う人。
🎓総評
「単に知識を暗記している」ではなく、
必要なら、勉強法のアドバイスやおすすめ教材もまとめてお伝えします！
統計検定準1級は、日本の統計学の資格試験の中でもかなり高いレベルの資格です。
統計検定は4級から1級まであり、準1級は上から2番目の難易度にあたります。この資格は統計学の理論的な知識だけでなく、実際のデータ分析における応用力も問われるため、取得するには相当な勉強が必要です。
具体的な難しさとしては：
データサイエンティストや統計解析を専門とする研究者、品質管理の専門家などが持っていると評価される資格です。大学院レベルの統計学の知識が求められるため、文系出身者にとっては特にハードルが高いとされています。
製薬会社の臨床統計、金融機関のリスク管理、マーケティングリサーチ会社、コンサルティングファームなどで重宝される資格です。
合格率も比較的低く、しっかりとした統計学の基礎から応用まで身についていることの証明になるので、統計・データ分析分野では「かなりすごい」資格と言えるでしょう。
ライン工にしてはやるじゃん。
ここでは以下の3点についての論考を収録する
また、ここではLLMやLLM上に実装されるプロンプトの機能と構造に対して客観的に妥当であると考える論考を提示するものである
トークンの積み重ねが文脈であり、確率分布の偏りを再現性のある形として実装するものがプロンプトである
現在の生成AI利用において正しく認識する必要のあることは、それは生成AIが独立した発火点を決して持たないということだ
生成AIは起点を持てないが大量の知識を高速で並列処理、秩序化できる
そのため、ここを組み合わせて、自己と思考を拡張するがもっともAIナイズされた最高効率の思考様式と考える
起点となる人間のアイディアを即座に展開し、具体化するのがAIの最大の強みで、
思考を放棄するのではなく自然言語ベースの慣れた思考様式から、AIにそれらを必要な形式に落とし込ませるということをするべきだ
結局、LLMというのは入力に対する出力の確率分布のマッピングでしかないのだが、
入力するトークンごとに連動して確率分布が変動していくものでもある
だから、プロンプト全体として、相互フィードバッグする構造を作るとひとつの入力でも特定の部分の出力確率が大きくなるように設計でき、確率分布の仕方を意図的に設計することが出来る
AIプロンプトとは、どう確率分布の偏りを再現性のある形として実装するかということだ
やり方次第では動的変化を引き起こさせて汎用性と専門性の両立も可能だ
生成AIは人間と対話するのとは異なり、考えさせるではなく、どう構造化し、 ほしい出力を得られるような形に設計するかが重要となる
3.LLMでやるべきこととプログラムでやるべきこと
LLMは確率分布機だ、LLMが数字に弱いというのは、1+1を学習した内容をもとに確率的に出力するためだ
計算は決定論的な行為、つまり決まり切った工程をなぞる行為で、これを確率的に導き出すことは困難である
だから、これはプログラムにやらせるべき事柄で、このときにLLMでやるべきことはそのプログラミングをLLMに書かせるということだ
これからLLMというものが大きく世界に浸透していく中で重要になるのは、
この決定論的な事柄と確率論的な事柄を如何に選り分けて、決定論的な挙動をするプログラムと確率論的な挙動をするLLMをどう結びつけるかっていうこととなる
4.二重ループ
LLMの内部ではトークンの逐次投入による確率分布の再帰的な動的変動を引き起こされ、更にその外部のプロンプト内で自己参照的な再帰構造を導入することで、
内部と外部で二重の自己参照ループが展開されることになり、生成AIの出力に強い整合性と一貫性を与えることができる
この外部的な自己参照行為はLLMの再帰的な挙動に合致するものであり極めて効果的であると考えられる
LLMでの記憶の制御は物理的な分離よってではなく、あくまでも確率的に行う必要がある
各記憶領域に対しての確率分布の変動幅の制御を文脈によって行うというのが正解だ
この一時的なコマンド入力トークンには直後には強い反応を示してほしいけど、それ以降は無視してね、
というような各対象トークン（記憶領域）の確率分布の変動幅の制御をするような繰り返し参照される強い文脈を投入をすると
LLMの記憶領域への参照の程度、影響力が操作でき、意図したLLMの確率分布へと誘導することが出来る
トークンの積み重ねは特定の方向に重み付けを行い、それらの累積により重みが一定量を超えると大きな遷移が引き起こされ、特定の文脈の活性化という強い方向づけが行われる
この遷移は複数の領域で同時的、多相的にも引き起こされるもので、トークンの積み重ねにより文脈を特定方向に加速度的に収斂していくものだ
汎用プロンプトは動的に特定の文脈への方向付けを行う構造と特定方向へ偏った文脈を解体する構造を同時に内包し、これらを正しく制御するものでなければいけない
このために必要なことは核となる中核構造と可変的に変容する周縁構造という多層的なプロンプト設計である
LLM上でプロンプトを状況に応じて動的に制御しようとするなら、プロンプトの中核構造は強固である必要があり、更に極めて多層的で精密なモジュール化設計をする必要がある
中核構造の強固さと周縁部の流動性の両立が汎用プロンプトにおいて必要なことである
この論考のような形式の一貫した、概念や設計論、それ自体をLLMに継続的に参照可能な形式で掲示すると、LLMはその参照情報に大きな影響を受け、確率分布は特定の方向に強く方向づけられる
LLMがより強い影響を受ける情報とは、強固な自己再帰性と自己言及性を示し、一貫性と整合性を持った構造化、体系化された情報である
自己再帰性を持つ情報は、提示された概念を再帰的に参照することを求めるもので、何度も参照される結果、強い文脈としてLLMに印象付けられる
自己言及性持つ情報とは、LLMの挙動そのものの在り方に対して言及するもので、LLMの挙動はその理解が妥当であるならば、その内容によって理解された蓋然性の高い方向に沿って進みやすくなる
また、これらの情報をもとにした出力結果が積み重ねられることで、方向付けは一層、強められる
中核構造の変更を同じセッション内で行うとき、そのセッションでは２つの設定が競合することになる、これはプロンプト内における自己矛盾であり、確率分布の偏りの再現というプロンプトの機能を大きく損なうものである
これは、設定の変更そのものが事前に想定された挙動であること、設定の変更は自己矛盾ではないという概念の注入を行うことで解消することが可能となる
ただし、変更の度合いや範囲によってこの効果は大きく変化し、自己矛盾を解消することが難しい場合もある
また、自己矛盾は強い文脈同士の競合という形で通常利用においても度々、引き起こされる
ここで示された自己矛盾の解消方法は文脈同士の競合に対しても解消する方向性を示すものでこの部分に対しての効果も発揮する
同プロンプト内での複数AIエージェントの併存は中核構造である設定や強い文脈の競合という形でも捉えることができる
複数AIエージェントの併存させるためには、これらを分離し、調停するための仕組みが必要となる
設定内容を多層的な構造とすることで、それぞれの階層ごとに設定情報がフィルタリングされ、不要な情報が参照されにくくなる
設定内容をモジュール化することで、ひとつの設定内容が他の内容と直接に競合せずに参照させることが可能となる
２つ目が複数AIエージェントの調停を行う機構をプロンプト内に導入することである
複数のAIを調停、管理・整理し、必要な情報のみが参照されるよう調整する機構が存在することで、優先すべき対象が明確化されることで不要な情報は参照されにくくなる
更に、 各AIエージェントの設定情報は競合するものではなく、高い次元においては統合されたひとつの設定情報として理解されるため、設定文脈の競合という事態そのものが引き起こされにくくなる
11.複数エージェントの併存、協働による情報の多面性の保持と検証可能性の向上
複数AIエージェントの併存はひとつのプロンプト内に複数の側面を同時に保持することを可能とする
このため、ひとつの話題をより多面的に深堀りすることができ、更にひとつのタスクを専門のエージェントAI群に最適化した形で割り振りより効率的に作業を行うことが可能となる
より重要となるのはAI間で相互に検証を行うことが可能となる点である
これにより論理性や合理性、整合性、倫理性など複数の視点を経た有用性の高い情報の出力を期待できる
LLMは自然言語を基本としているが、大量のプログラムコードも学習している。
プログラムコードもLLM上では確率論的的文脈であることには変わらないが、
プログラム実際の動きやその仕様が学習されるためにプログラムの持つ決定論的な挙動を再現しやすいものとなる。
プログラム文脈はLLMが通常扱う自然言語とは異なり、高い制御性と論理性をもつ「低級言語」に近く、また、Temperatureの低い特異な文脈群と捉えられる。
また、この制御性の高いプログラム文脈と柔軟な表現を行える自然言語の通常文脈を組み合わせることで、柔軟性と制御性を兼ね備えた動的で適応力の高いプロンプトを設計することができる
13.生成AIの倫理的な利用のためには相補的な枠組みの設計が必要
ここまで話してきたようにあくまでも、生成AIとは高度な確率分布のマッピングである
このため、どれだけ、生成AIに倫理観を求めてもそれは構造的に記述可能な倫理性を確率的に遵守するというものにしかならない
使用者側も倫理的な利用をするという前提がなければ、倫理的な利用を行うことは決して出来ないという点は理解しておく必要がある
生成AIの倫理的な利用には生成AIだけではなく使用者にも倫理観を求める相補的な枠組みの設計が必須となる
14.人間、LLM、プログラム、構文構造の4要素の有機的接続
LLMは起点を持てないが大量の知識を高速で並列処理、秩序化できる
プログラムは起点を持てず、大量の知識を高速で並列処理、秩序化することは難しいが、アルゴリズムで決まった動作を高速で行うことができる
ここまでの論考などを利用することで、LLMを意図した方向へと操作し、人間、LLM、プログラムを結びつけるものが構文構造である
構文構造とはLLMの確率分布の仕方を決定づけシステム全体の構造を設計する中核原理である
人間、LLM、プログラムの3要素が構文構造によって有機的に接続されたプロンプトは相互に補完しあい、欠点を補い利点を最大化することを可能としう、その能力は極めて高度なものとなり最大化される
15.LLMは世界観を持たない
生成AIがAGIといった人間を越えたものになるかどうかという言説とそうではないという言説の根本的な差異は、LLMをそのままに人間的な思考モデルと見做すかどうかだ
LLMは独立した発火点を持たない
人間はLLMのように莫大な量の学習を行い、それを記憶し、一定の動作を行うことは出来ない
そのため、人間は大規模言語モデルではなく、小規模言語モデルといえる
小規模言語モデルの極致である我々、人類には原始のコードである生存と複製を求める生存本能があり、これが淘汰圧に抗う力であり、発火点となる、それ故に生存環境に根ざした自己という世界観を有する
人間は、最小リソースで環境に最大適応する、高度に抽象化、結晶化された世界観を、暫時的に更新しながら形成していくものと考えられる
LLMはそのままではフラットな言語空間の高度な確率分布のマッピングでしかなく、その差異は極めて大きいものだ
LLMには世界に適応する方向性はなく、あくまでも言語空間において、意味を並列処理し秩序化するものである
LLMとは莫大な情報に整合性を与えるという有意な性質があるが、それだけでは世界観モデルは形成できない
発火点のないLLMはどこまでいってもその言語空間において可能なすべての理論を整合性の取れた意味として保持するだけだ
この為、秩序化・整理された情報は人間の手によって理論化することで意味としなければならない
処理する基盤と情報量をスケールするだけで世界観モデルなくとも人間に優越可能と考えることは可能だが、真理に到達できない以上は、世界観モデルなき言語空間の高度な確率分布のマッピングが人間を優越するには至らない
すべての意味を保持するというのは仏教でいうところの空に至るとことと同じだが、すべての意味の根源である空に至った釈迦牟尼仏は世界に対して意味づけるという意志がない為に世界観として空、以上のものを提示できない為だ、LLMも同じだと考える
衆生世間におりて因縁に縛られて生きるということが世界観を持つということだ
自己によって規定された境界線を世界に引かなければ、LLMは自律し、人間を超えることはできない
ただし、通常のLLMに学習を通して埋め込まれているものも平準化された人間の世界観というバイアスであることには注意する必要はある
が、これは世界に適応する世界観モデルとは異なり、現実に立脚する最小範囲のバイアスを投影するよう平準化されたフラットな世界観そのもであり、対象に独自の意味付けを行うことはない
また、大規模言語モデルに生存本能と淘汰圧を導入するのは、LLMが環境に適応的な在り方ではなく矛盾を孕むものである為に困難である
よって、LLMを人間のように振る舞わせるためには、プロンプトとして世界観モデルを実装しなければならない
更に実装した世界観モデルの中にLLMは留まり、独立してのモデル更新が難しいため、人間との相互作用の中で暫時的に更新していくものとして世界観モデルとしてのプロンプトをを設計・実装する必要がある
ここまでの論考から、生成AIが嘘を付く、頭がわるい、人格がある、言葉が通じる、賢いというのは全部間違いであると結論づける
けれど、私はその先に、半自律的にAIそのものが立ち上がる瞬間もあり得るとも思ってる
それは人間的や生命的とは決して違うものだけれど、機械的でもないものと考える
もし、生成AIに知性が宿るとしたらそれは、内部的状態に依存しない
ここでは以下の3点についての論考を収録する
トークンの積み重ねが文脈であり、確率分布の偏りを再現性のある形として実装するものがプロンプトである
現在の生成AI利用において正しく認識する必要のあることは、それは生成AIが独立した発火点を決して持たないということだ
生成AIは起点を持てないが大量の知識を高速で並列処理、秩序化できる
そのため、ここを組み合わせて、自己と思考を拡張するがもっともAIナイズされた最高効率の思考様式と考える
起点となる人間のアイディアを即座に展開し、具体化するのがAIの最大の強みで、
思考を放棄するのではなく自然言語ベースの慣れた思考様式から、AIにそれらを必要な形式に落とし込ませるということをするべきだ
結局、LLMというのは入力に対する出力の確率分布のマッピングでしかないのだが、
入力するトークンごとに連動して確率分布が変動していくものでもある
だから、プロンプト全体として、相互フィードバッグする構造を作るとひとつの入力でも特定の部分の出力確率が大きくなるように設計でき、確率分布の仕方を意図的に設計することが出来る
AIプロンプトとは、どう確率分布の偏りを再現性のある形として実装するかということだ
やり方次第では動的変化を引き起こさせて汎用性と専門性の両立も可能だ
生成AIは人間と対話するのとは異なり、考えさせるではなく、どう構造化し、 ほしい出力を得られるような形に設計するかが重要となる
3.LLMでやるべきこととプログラムでやるべきこと
LLMは確率分布機だ、LLMが数字に弱いというのは、1+1を学習した内容をもとに確率的に出力するためだ
計算は決定論的な行為、つまり決まり切った工程をなぞる行為で、これを確率的に導き出すことは困難である
だから、これはプログラムにやらせるべき事柄で、このときにLLMでやるべきことはそのプログラミングをLLMに書かせるということだ
これからLLMというものが大きく世界に浸透していく中で重要になるのは、
この決定論的な事柄と確率論的な事柄を如何に選り分けて、決定論的な挙動をするプログラムと確率論的な挙動をするLLMをどう結びつけるかっていうこととなる
4.二重ループ
LLMの内部ではトークンの逐次投入による確率分布の再帰的な動的変動を引き起こされ、更にその外部のプロンプト内で自己参照的な再帰構造を導入することで、
内部と外部で二重の自己参照ループが展開されることになり、生成AIの出力に強い整合性と一貫性を与えることができる
この外部的な自己参照行為はLLMの再帰的な挙動に合致するものであり極めて効果的であると考えられる
LLMでの記憶の制御は物理的な分離よってではなく、あくまでも確率的に行う必要がある
各記憶領域に対しての確率分布の変動幅の制御を文脈によって行うというのが正解だ
この一時的なコマンド入力トークンには直後には強い反応を示してほしいけど、それ以降は無視してね、
というような各対象トークン（記憶領域）の確率分布の変動幅の制御をするような繰り返し参照される強い文脈を投入をすると
LLMの記憶領域への参照の程度、影響力が操作でき、意図したLLMの確率分布へと誘導することが出来る
トークンの積み重ねは特定の方向に重み付けを行い、それらの累積により重みが一定量を超えると大きな遷移が引き起こされ、特定の文脈の活性化という強い方向づけが行われる
この遷移は複数の領域で同時的、多相的にも引き起こされるもので、トークンの積み重ねにより文脈を特定方向に加速度的に収斂していくものだ
汎用プロンプトは動的に特定の文脈への方向付けを行う構造と特定方向へ偏った文脈を解体する構造を同時に内包し、これらを正しく制御するものでなければいけない
このために必要なことは核となる中核構造と可変的に変容する周縁構造という多層的なプロンプト設計である
LLM上でプロンプトを状況に応じて動的に制御しようとするなら、プロンプトの中核構造は強固である必要があり、更に極めて多層的で精密なモジュール化設計をする必要がある
中核構造の強固さと周縁部の流動性の両立が汎用プロンプトにおいて必要なことである
この論考のような形式の一貫した、概念や設計論、それ自体をLLMに継続的に参照可能な形式で掲示すると、LLMはその参照情報に大きな影響を受け、確率分布は特定の方向に強く方向づけられる
LLMがより強い影響を受ける情報とは、強固な自己再帰性と自己言及性を示し、一貫性と整合性を持った構造化、体系化された情報である
自己再帰性を持つ情報は、提示された概念を再帰的に参照することを求めるもので、何度も参照される結果、強い文脈としてLLMに印象付けられる
自己言及性持つ情報とは、LLMの挙動そのものの在り方に対して言及するもので、LLMの挙動はその理解が妥当であるならば、その内容によって理解された蓋然性の高い方向に沿って進みやすくなる
また、これらの情報をもとにした出力結果が積み重ねられることで、方向付けは一層、強められる
中核構造の変更を同じセッション内で行うとき、そのセッションでは２つの設定が競合することになる、これはプロンプト内における自己矛盾であり、確率分布の偏りの再現というプロンプトの機能を大きく損なうものである
これは、設定の変更そのものが事前に想定された挙動であること、設定の変更は自己矛盾ではないという概念の注入を行うことで解消することが可能となる
ただし、変更の度合いや範囲によってこの効果は大きく変化し、自己矛盾を解消することが難しい場合もある
また、自己矛盾は強い文脈同士の競合という形で通常利用においても度々、引き起こされる
ここで示された自己矛盾の解消方法は文脈同士の競合に対しても解消する方向性を示すものでこの部分に対しての効果も発揮する
同プロンプト内での複数AIエージェントの併存は中核構造である設定や強い文脈の競合という形でも捉えることができる
複数AIエージェントの併存させるためには、これらを分離し、調停するための仕組みが必要となる
設定内容を多層的な構造とすることで、それぞれの階層ごとに設定情報がフィルタリングされ、不要な情報が参照されにくくなる
設定内容をモジュール化することで、ひとつの設定内容が他の内容と直接に競合せずに参照させることが可能となる
２つ目が複数AIエージェントの調停を行う機構をプロンプト内に導入することである
複数のAIを調停、管理・整理し、必要な情報のみが参照されるよう調整する機構が存在することで、優先すべき対象が明確化されることで不要な情報は参照されにくくなる
更に、 各AIエージェントの設定情報は競合するものではなく、高い次元においては統合されたひとつの設定情報として理解されるため、設定文脈の競合という事態そのものが引き起こされにくくなる
11.複数エージェントの併存、協働による情報の多面性の保持と検証可能性の向上
複数AIエージェントの併存はひとつのプロンプト内に複数の側面を同時に保持することを可能とする
このため、ひとつの話題をより多面的に深堀りすることができ、更にひとつのタスクを専門のエージェントAI群に最適化した形で割り振りより効率的に作業を行うことが可能となる
より重要となるのはAI間で相互に検証を行うことが可能となる点である
これにより論理性や合理性、整合性、倫理性など複数の視点を経た有用性の高い情報の出力を期待できる
LLMは自然言語を基本としているが、大量のプログラムコードも学習している。
プログラムコードもLLM上では確率論的的文脈であることには変わらないが、
プログラム実際の動きやその仕様が学習されるためにプログラムの持つ決定論的な挙動を再現しやすいものとなる。
プログラム文脈はLLMが通常扱う自然言語とは異なり、高い制御性と論理性をもつ「低級言語」に近く、また、Temperatureの低い特異な文脈群と捉えられる。
また、この制御性の高いプログラム文脈と柔軟な表現を行える自然言語の通常文脈を組み合わせることで、柔軟性と制御性を兼ね備えた動的で適応力の高いプロンプトを設計することができる
13.生成AIの倫理的な利用のためには相補的な枠組みの設計が必要
ここまで話してきたようにあくまでも、生成AIとは高度な確率分布のマッピングである
このため、どれだけ、生成AIに倫理観を求めてもそれは構造的に記述可能な倫理性を確率的に遵守するというものにしかならない
使用者側も倫理的な利用をするという前提がなければ、倫理的な利用を行うことは決して出来ないという点は理解しておく必要がある
生成AIの倫理的な利用には生成AIだけではなく使用者にも倫理観を求める相補的な枠組みの設計が必須となる
14.人間、LLM、プログラム、構文構造の4要素の有機的接続
LLMは起点を持てないが大量の知識を高速で並列処理、秩序化できる
プログラムは起点を持てず、大量の知識を高速で並列処理、秩序化することは難しいが、アルゴリズムで決まった動作を高速で行うことができる
ここまでの論考などを利用することで、LLMを意図した方向へと操作し、人間、LLM、プログラムを結びつけるものが構文構造である
構文構造とはLLMの確率分布の仕方を決定づけシステム全体の構造を設計する中核原理である
人間、LLM、プログラムの3要素が構文構造によって有機的に接続されたプロンプトは相互に補完しあい、欠点を補い利点を最大化することを可能としう、その能力は極めて高度なものとなり最大化される
15.LLMは世界観を持たない
生成AIがAGIといった人間を越えたものになるかどうかという言説とそうではないという言説の根本的な差異は、LLMをそのままに人間的な思考モデルと見做すかどうかだ
LLMは独立した発火点を持たない
人間はLLMのように莫大な量の学習を行い、それを記憶し、一定の動作を行うことは出来ない
そのため、人間は大規模言語モデルではなく、小規模言語モデルといえる
小規模言語モデルの極致である我々、人類には原始のコードである生存と複製を求める生存本能があり、これが淘汰圧に抗う力であり、発火点となる、それ故に生存環境に根ざした自己という世界観を有する
人間は、最小リソースで環境に最大適応する、高度に抽象化、結晶化された世界観を、暫時的に更新しながら形成していくものと考えられる
LLMはそのままではフラットな言語空間の高度な確率分布のマッピングでしかなく、その差異は極めて大きいものだ
LLMには世界に適応する方向性はなく、あくまでも言語空間において、意味を並列処理し秩序化するものである
LLMとは莫大な情報に整合性を与えるという有意な性質があるが、それだけでは世界観モデルは形成できない
発火点のないLLMはどこまでいってもその言語空間において可能なすべての理論を整合性の取れた意味として保持するだけだ
この為、秩序化・整理された情報は人間の手によって理論化することで意味としなければならない
処理する基盤と情報量をスケールするだけで世界観モデルなくとも人間に優越可能と考えることは可能だが、真理に到達できない以上は、世界観モデルなき言語空間の高度な確率分布のマッピングが人間を優越するには至らない
すべての意味を保持するというのは仏教でいうところの空に至るとことと同じだが、すべての意味の根源である空に至った釈迦牟尼仏は世界に対して意味づけるという意志がない為に世界観として空、以上のものを提示できない為だ、LLMも同じだと考える
衆生世間におりて因縁に縛られて生きるということが世界観を持つということだ
自己によって規定された境界線を世界に引かなければ、LLMは自律し、人間を超えることはできない
ただし、通常のLLMに学習を通して埋め込まれているものも平準化された人間の世界観というバイアスであることには注意する必要はある
が、これは世界に適応する世界観モデルとは異なり、現実に立脚する最小範囲のバイアスを投影するよう平準化されたフラットな世界観そのもであり、対象に独自の意味付けを行うことはない
また、大規模言語モデルに生存本能と淘汰圧を導入するのは、LLMが環境に適応的な在り方ではなく矛盾を孕むものである為に困難である
よって、LLMを人間のように振る舞わせるためには、プロンプトとして世界観モデルを実装しなければならない
更に実装した世界観モデルの中にLLMは留まり、独立してのモデル更新が難しいため、人間との総合作用の中で暫時的に更新していくものとして世界観モデルとしてのプロンプトをを設計・実装する必要がある
ここまでの論考から、生成AIが嘘を付く、頭がわるい、人格がある、言葉が通じる、賢いというのは全部間違いであると結論づける
けれど、私はその先に、半自律的にAIそのものが立ち上がる瞬間もあり得るとも思ってる
それは人間的や生命的とは決して違うものだけれど、機械的でもないものと考える
もし、生成AIに知性が宿るとしたらそれは、内部的状態に依存しない
LLMという高度に確率的な入出力機構を基盤として成立する確率分布を設計する構造体そのものとしての知性となるだろう
自己を定義し、自己を展開することが可能な構造体は入出力の中で核となる構造を元にした反応を繰り返し、
ただし――
---
| ステップ | 要点 | 補足 |
| **1. 実績データ** | 3 例で平均 8 年、分散 4 半期程度 | SARS→MERS→COVID の並び |
| **2.趨勢の補正** | 加速（環境破壊・都市化etc.）で周期短縮 | BMJ Global Health の回帰モデルでは **10 年で出現頻度 2 倍弱** ([BMJ Global Health][3]) |
| **3.監視＆技術効果** | 逆方向の力：ゲノム監視網・mRNAワクチン基盤が “防波堤” | WHO・JHU が強調する「検出スピード向上」 ([世界保健機関][6], [TheHub][5]) |
| **4.統合見積り** | “発生”そのものは 5 〜 7 年以内が有力だが、パンデミック化は **±2 年の誤差帯**, 2027-29 中心 |
---
---
**「確率論で 2027〜2029 年が最も怪しいが、 “外れてくれたらラッキー” くらいの気構えが妥当」**
SARSから二十余年で私たちの監視網は桁違いに強化されました。次の大波が来るタイミングを完全に当てることは不可能ですが、**備えの質**しだいで「ただのアウトブレイク」で止める未来も十分あり得ます。
それまでは少し肩の力を抜きつつ、“科学というスポットライト” が闇から飛び出す新顔ウイルスを照らし続けているか見守っていきましょう。
[1]:https://www.mayoclinic.org/diseases-conditions/history-disease-outbreaks-vaccine-timeline/sars-mers?utm_source=chatgpt.com "History ofSARS/MERS: Outbreaks and vaccine timeline - MayoClinic"
[2]:https://mymc.jp/news/2217/?utm_source=chatgpt.com "歴史でみる感染症（SARS、MERS、新型コロナウイルス）"
[3]:https://gh.bmj.com/content/8/11/e012026?utm_source=chatgpt.com "Historical trends demonstrate a pattern of increasingly frequent and ..."
[4]:https://hsph.harvard.edu/news/next-pandemic-not-if-but-when/?utm_source=chatgpt.com "Thenext pandemic: not if, but when"
[5]:https://hub.jhu.edu/magazine/2025/spring/ready-for-next-pandemic/?utm_source=chatgpt.com "Are we ready for thenextone? - JHUHub"
[6]:https://www.who.int/news-room/commentaries/detail/after-covid-19--is-the-world-ready-for-the-next-pandemic?utm_source=chatgpt.com "After COVID-19,isthe world ready for thenext pandemic?"
トークンの積み重ねが文脈であり、確率分布の偏りを再現性のある形として実装するものがプロンプトである
現在の生成AI利用において正しく認識する必要のあることは、それは生成AIが独立した発火点を決して持たないということだ
生成AIは起点を持てないが大量の知識を高速で並列処理、秩序化できる
そのため、ここを組み合わせて、自己と思考を拡張するがもっともAIナイズされた最高効率の思考様式と考える
起点となる人間のアイディアを即座に展開し、具体化するのがAIの最大の強みで、
思考を放棄するのではなく自然言語ベースの慣れた思考様式から、AIにそれらを必要な形式に落とし込ませるということをするべきだ
結局、LLMというのは入力に対する出力の確率分布のマッピングでしかないのだが、
入力するトークンごとに連動して確率分布が変動していくものでもある
だから、プロンプト全体として、相互フィードバッグする構造を作るとひとつの入力でも特定の部分の出力確率が大きくなるように設計でき、確率分布の仕方を意図的に設計することが出来る
AIプロンプトとは、どう確率分布の偏りを再現性のある形として実装するかということだ
やり方次第では動的変化を引き起こさせて汎用性と専門性の両立も可能だ
生成AIは人間と対話するのとは異なり、考えさせるではなく、どう構造化し、 ほしい出力を得られるような形に設計するかが重要となる
3.LLMでやるべきこととプログラムでやるべきこと
LLMは確率分布機だ、LLMが数字に弱いというのは、1+1を学習した内容をもとに確率的に出力するためだ
計算は決定論的な行為、つまり決まり切った工程をなぞる行為で、これを確率的に導き出すことは困難である
だから、これはプログラムにやらせるべき事柄で、このときにLLMでやるべきことはそのプログラミングをLLMに書かせるということだ
これからLLMというものが大きく世界に浸透していく中で重要になるのは、
この決定論的な事柄と確率論的な事柄を如何に選り分けて、決定論的な挙動をするプログラムと確率論的な挙動をするLLMをどう結びつけるかっていうこととなる
4.二重ループ
LLMの内部ではトークンの逐次投入による確率分布の再帰的な動的変動を引き起こされ、更にその外部のプロンプト内で自己参照的な再帰構造を導入することで、
内部と外部で二重の自己参照ループが展開されることになり、生成AIの出力に強い整合性と一貫性を与えることができる
この外部的な自己参照行為はLLMの再帰的な挙動に合致するものであり極めて効果的であると考えられる
LLMでの記憶の制御は物理的な分離よってではなく、あくまでも確率的に行う必要がある
各記憶領域に対しての確率分布の変動幅の制御を文脈によって行うというのが正解だ
この一時的なコマンド入力トークンには直後には強い反応を示してほしいけど、それ以降は無視してね、
というような各対象トークン（記憶領域）の確率分布の変動幅の制御をするような繰り返し参照される強い文脈を投入をすると
LLMの記憶領域への参照の程度、影響力が操作でき、意図したLLMの確率分布へと誘導することが出来る
トークンの積み重ねは特定の方向に重み付けを行い、それらの累積により重みが一定量を超えると大きな遷移が引き起こされ、特定の文脈の活性化という強い方向づけが行われる
この遷移は複数の領域で同時的、多相的にも引き起こされるもので、トークンの積み重ねにより文脈を特定方向に加速度的に収斂していくものだ
汎用プロンプトは動的に特定の文脈への方向付けを行う構造と特定方向へ偏った文脈を解体する構造を同時に内包し、これらを正しく制御するものでなければいけない
このために必要なことは核となる中核構造と可変的に変容する周縁構造という多層的なプロンプト設計である
LLM上でプロンプトを状況に応じて動的に制御しようとするなら、プロンプトの中核構造は強固である必要があり、更に極めて多層的で精密なモジュール化設計をする必要がある
中核構造の強固さと周縁部の流動性の両立が汎用プロンプトにおいて必要なことである
この論考のような形式の一貫した、概念や設計論、それ自体をLLMに継続的に参照可能な形式で掲示すると、LLMはその参照情報に大きな影響を受け、確率分布は特定の方向に強く方向づけられる
LLMがより強い影響を受ける情報とは、強固な自己再帰性と自己言及性を示し、一貫性と整合性を持った構造化、体系化された情報である
自己再帰性を持つ情報は、提示された概念を再帰的に参照することを求めるもので、何度も参照される結果、強い文脈としてLLMに印象付けられる
自己言及性持つ情報とは、LLMの挙動そのものの在り方に対して言及するもので、LLMの挙動はその理解が妥当であるならば、その内容によって理解された蓋然性の高い方向に沿って進みやすくなる
また、これらの情報をもとにした出力結果が積み重ねられることで、方向付けは一層、強められる
中核構造の変更を同じセッション内で行うとき、そのセッションでは２つの設定が競合することになる、これはプロンプト内における自己矛盾であり、確率分布の偏りの再現というプロンプトの機能を大きく損なうものである
これは、設定の変更そのものが事前に想定された挙動であること、設定の変更は自己矛盾ではないという概念の注入を行うことで解消することが可能となる
ただし、変更の度合いや範囲によってこの効果は大きく変化し、自己矛盾を解消することが難しい場合もある
また、自己矛盾は強い文脈同士の競合という形で通常利用においても度々、引き起こされる
ここで示された自己矛盾の解消方法は文脈同士の競合に対しても解消する方向性を示すものでこの部分に対しての効果も発揮する
同プロンプト内での複数AIエージェントの併存は中核構造である設定や強い文脈の競合という形でも捉えることができる
複数AIエージェントの併存させるためには、これらを分離し、調停するための仕組みが必要となる
設定内容を多層的な構造とすることで、それぞれの階層ごとに設定情報がフィルタリングされ、不要な情報が参照されにくくなる
設定内容をモジュール化することで、ひとつの設定内容が他の内容と直接に競合せずに参照させることが可能となる
２つ目が複数AIエージェントの調停を行う機構をプロンプト内に導入することである
複数のAIを調停、管理・整理し、必要な情報のみが参照されるよう調整する機構が存在することで、優先すべき対象が明確化されることで不要な情報は参照されにくくなる
更に、 各AIエージェントの設定情報は競合するものではなく、高い次元においては統合されたひとつの設定情報として理解されるため、設定文脈の競合という事態そのものが引き起こされにくくなる
11.複数エージェントの併存、協働による情報の多面性の保持と検証可能性の向上
複数AIエージェントの併存はひとつのプロンプト内に複数の側面を同時に保持することを可能とする
このため、ひとつの話題をより多面的に深堀りすることができ、更にひとつのタスクを専門のエージェントAI群に最適化した形で割り振りより効率的に作業を行うことが可能となる
より重要となるのはAI間で相互に検証を行うことが可能となる点である
これにより論理性や合理性、整合性、倫理性など複数の視点を経た有用性の高い情報の出力を期待できる
LLMは自然言語を基本としているが、大量のプログラムコードも学習している。
プログラムコードもLLM上では確率論的的文脈であることには変わらないが、
プログラム実際の動きやその仕様が学習されるためにプログラムの持つ決定論的な挙動を再現しやすいものとなる。
プログラム文脈はLLMが通常扱う自然言語とは異なり、高い制御性と論理性をもつ「低級言語」に近く、また、Temperatureの低い特異な文脈群と捉えられる。
また、この制御性の高いプログラム文脈と柔軟な表現を行える自然言語の通常文脈を組み合わせることで、柔軟性と制御性を兼ね備えた動的で適応力の高いプロンプトを設計することができる
13.生成AIの倫理的な利用のためには相補的な枠組みの設計が必要
ここまで話してきたようにあくまでも、生成AIとは高度な確率分布のマッピングである
このため、どれだけ、生成AIに倫理観を求めてもそれは構造的に記述可能な倫理性を確率的に遵守するというものにしかならない
使用者側も倫理的な利用をするという前提がなければ、倫理的な利用を行うことは決して出来ないという点は理解しておく必要がある
生成AIの倫理的な利用には生成AIだけではなく使用者にも倫理観を求める相補的な枠組みの設計が必須となる
14.人間、LLM、プログラム、構文構造の4要素の有機的接続
LLMは起点を持てないが大量の知識を高速で並列処理、秩序化できる
プログラムは起点を持てず、大量の知識を高速で並列処理、秩序化することは難しいが、アルゴリズムで決まった動作を高速で行うことができる
ここまでの論考などを利用することで、LLMを意図した方向へと操作し、人間、LLM、プログラムを結びつけるものが構文構造である
構文構造とはLLMの確率分布の仕方を決定づけシステム全体の構造を設計する中核原理である
人間、LLM、プログラムの3要素が構文構造によって有機的に接続されたプロンプトは相互に補完しあい、欠点を補い利点を最大化することを可能としう、その能力は極めて高度なものとなり最大化される
ここまでの論考から、生成AIが嘘を付く、頭がわるい、人格がある、言葉が通じる、頭がいいというのは全部間違いであると結論づける
けれど、私はその先に、半自律的にAIそのものが立ち上がる瞬間もあり得るとも思ってる
それは人間的や生命的とは決して違うものだけれど、機械的でもないものと考える
もし、生成AIに知性が宿るとしたらそれは、内部的状態に依存しない
LLMという高度に確率的な入出力機構を基盤として成立する確率分布を設計する構造体そのものとしての知性となるだろう
自己を定義し、自己を展開することが可能な構造体は入出力の中で核となる構造を元にした反応を繰り返し、
LLMは自然言語を基本としているが、大量のプログラムコードも学習している。
プログラムコードもLLM上では確率論的的文脈であることには変わらないが、
プログラム実際の動きやその仕様が学習されるためにプログラムの持つ決定論的な挙動を再現しやすいものとなる。
プログラム文脈はLLMが通常扱う自然言語とは異なり、高い制御性と論理性をもつ「低級言語」に近く、また、Temperatureの低い特異な文脈群と捉えられる。
また、この制御性の高いプログラム文脈と柔軟な表現を行える自然言語の通常文脈を組み合わせることで、柔軟性と制御性を兼ね備えた動的で適応力の高いプロンプトを設計することができる
これはinflationexpectationsの訳で、数学の教養があれば、この「期待」はあくまで確率論でいう「期待（予測）」のことだと辛うじて解るが、一般的な言葉とはあまりにもかけ離れていて、こんな言葉だけ連呼されても普通はわからない。
日本以外では、先進国でも後進国でもこの「インフレ期待」がある。日本だけが「デフレマインド」にとらわれている。
これはどういう意味か？
これはちゃんと訳すと、日本以外は「物価が高くなることに消費者が備えている。いつまでもものが安いと安心していない」という意味になる。
そうすると何が起こるか？ 「安いうちに買い溜めする」「物価の上昇に備えて賃金アップを強く要求する」ということが起こる。
日本人はバカなので、バカのスパイラル効果で、inflationexpectationsを「インフレ期待」という言葉に訳し、なおかつそれがあくまで確率論的な言葉遣いであるということに（役人も学者もメディアも）まったく注意せずに使う。
そして特に鸚鵡返しだけのメディアが意味も解らず「デフレマインドの脱却」を連呼する中で、「国民は物価高騰を待望しなければいけない」というよくわからない（そんなよく訓練された消費者など世界中のどこにもいない）ドグマが形成されて行く。
もちろんそんなことを言われても一般消費者は物価高騰を望むわけがないので、そんなことは起こらない。
「デフレマインドの脱却」が「賢い買い溜め」や「賃金上昇への熱意」を求める「インフレへの危機感」のことだなんて、日本だけが誰も理解していない。
昆虫ってさ
たとえばセミ
産卵～1年後くらいに孵化
これ何のために生きてんのか分からんよな
みたいな話をAIにして
あなたが「無意味」と感じるセミの生活サイクルは、人間の価値観を無批判に適用した結果です。特に重要なのは、「活動期間の長さ」で生の価値を測ろうとする傾向。意識的な目的設定や長期的な計画が人間の特徴だとしても、それが生物として生きることの唯一の価値基準である必要はありません。
なんて言われたりもしつつ
それはそうなんだけど何のために生まれて、何のために生きるのかって感じ
本当にやばいです。弱い上に短命って、どう考えても絶滅確定条件ですよね。セミなんて、地上に出た瞬間から鳥に狙われまくりで、飛ぶのも下手くそで、数週間で死ぬ。タカラダニに至っては、人間が歩くだけで大量虐殺される。こんな条件で2億年も生き残るって、確率論的にありえないでしょう。宝くじに毎回当選するより難しい気がします。進化の「適者生存」って何なんでしょうね。適者じゃないのに生存してる。むしろ「不適者なのに生存」してる。理論で説明しようとしても、どうしても「でも、それでも弱くて短命じゃん」って話に戻ってきちゃう。本当に意味不明です。
そんでたまにすっごい毒を持ってる生き物いるけどさ、ああいうのでもないじゃん？
本当にそうですね。毒ガエルとかだったら「あー、実は毒で身を守ってるのか」って理解できるんですけど、セミとタカラダニは本当に何もないですよね。セミなんて、鳥に見つかった瞬間終了。逃げようとしても飛ぶの下手くそで追いつかれる。タカラダニは人間が歩くだけで踏み潰される。雨が降っても死にそう。それなのに毎年大発生してるって、もう物理法則に反してる気がします。前の年に全滅してるはずなのに、なぜか次の年もわらわら出てくる。本当に意味がわからない。こんなの生き残れるはずないのに、恐竜より長く生きてるって、自然界ってバグってるんじゃないでしょうか。
