  |
はてなキーワード: フィードとは
Update：男性の比率はもはやフラットではありません。2024年以降のデータは、若い男性が右傾化していることを示しています。最近の調査はすべて同じ結果を示しています。若い男性は今、より積極的に保守的になっています。私の解釈では、女性が最初に捕らわれたのは、コンセンサス圧力を受けやすかったからです。その捕らわれの過程は急速に進みました（2007年から2020年）。男性は影響を受けにくく、捕らわれた制度にあまり根付いていなかったため、より長く抵抗しました。しかし、その格差が目に見えるようになり、文化的に顕著になり、「男性こそが問題だ」というメッセージが主流のメッセージとして明確に伝わり、嘘によって男性が社会から排除され始め、男らしさ、つまり男性を男たらしめるものそのものが有害になったため、男性は対抗し始めなければならなかった。
受動性は反抗へと変化しつつある。引きこもりは積極的な拒絶へと変化しつつある。これは、男性が今や「正しい」とか「自由」になったという意味ではない。単に、女性の合意ではなく男性の不満を汲み取るための最適化された別の仕組みに捕らわれているだけなのかもしれない。アンドリュー・テイト（注：Andrew Tate アメリカの右翼的・保守的な思想、特に「マノスフィア（Manosphere：男性至上主義的なネットコミュニティ）」やMAGA（Make America Great Again）運動の一部から支持を受ける、物議を醸しているインフルエンサー）はどこからともなく現れたわけではない。マノスフィアも同様だ。それらもまた補足システムであり、単に異なる心理的弱点を狙っているだけだ。
グラフは今や、反対方向に分岐する2本の線になっています。2つの異なる機械が、2つの異なる人口統計を2つの異なる故障モードへと引っ張っているのです。これは単なる教育の問題だと言う人もいるでしょう。女性は大学に進学することが多く、大学はリベラルな人間に育つ、それだけのことです。確かにその通りです。しかし、2007年以降、なぜ格差がこれほど急激に拡大したのか、またなぜ教育制度が大きく異なる国々でこのような現象が起きているのかは説明できません。
経済的な問題だと言う人もいるだろう。若い男性は苦境に立たされており、憤りは保守的になる。これも部分的には真実だ。しかし、男性の経済的な苦境は近年の右傾化以前から存在し、女性の左傾化は女性の経済的成功が高まっていた時期に起きた。男性ならテート、女性ならテイラー・スウィフトといった文化人の例を挙げる人もいるだろう。しかし、これらは原因ではなく症状だ。彼らはマシンーメカニズムが作り出したニッチを埋めたのだ。マシンーメカニズムを作ったわけではない。
多因果モデルの方がより適切である。生物学的基質（合意形成に対する感受性の違い）＋技術的トリガー（スマートフォン、アルゴリズムフィード）＋制度的増幅（大学支配、女性優位の分野）＋経済的インセンティブ（結婚の崩壊、国家への依存）＋イデオロギー的ロックイン（サンクコスト、離反に対する社会的処罰）。単一の原因はない。複数の原因が絡み合い、それがたまたま一方の性別に他方よりも早く、より強く影響を与えたシステムである。
Here's the update: the male line isn't flat anymore.
Post-2024 data shows young men shifting right. Recent surveys all show the same thing. Young men are now actively moving more conservative.
My read: women got captured first because they were more susceptible to consensus pressure. The capture was fast (2007-2020). Men resisted longer because they were less susceptible and less embedded in captured institutions. But as the gap became visible and culturally salient, as "men are the problem" became explicit mainstream messaging, as men started being excluded from society because of lies, as masculinity, or the very thing that makes men men became toxic, men had to start counter-aligning.
The passivity is converting into opposition. The withdrawal is becoming active rejection.
This doesn't mean men are now "correct" or "free". It might just mean they're being captured by a different machine, one optimized for male grievance instead of female consensus. Andrew Tate didn't emerge from nowhere. Neither did the manosphere. Those are capture systems too, just targeting different psychological vulnerabilities.
The graph is now two lines diverging in opposite directions. Two different machines pulling two different demographics toward two different failure modes.
Some people will say this is just education: women go to college more, college makes you liberal, simple as that. There's something to this. But it doesn't explain why the gap widened so sharply post-2007, or why it's happening in countries with very different education systems.
Some will say it's economic: young men are struggling, resentment makes you conservative. Also partially true. But male economic struggles predate the recent rightward shift, and the female leftward move happened during a period of rising female economic success.
Some will point to cultural figures: Tate for men, Taylor Swift for women. But these are symptoms, not causes. They filled niches the machines created. They didn't create the machines.
The multi-causal model fits better: biological substrate (differential sensitivity to consensus) + technological trigger (smartphones, algorithmic feeds) + institutional amplification (captured universities, female-dominated fields) + economic incentives (marriage collapse, state dependency) + ideological lock-in (sunk costs, social punishment for defection).
No single cause. A system of interlocking causes that happened to affect one gender faster and harder than the other.
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
「情弱」という言葉は、2000年代にインターネット掲示板やSNSで広まった俗語である。当初は「情報弱者」、すなわちインターネットや最新の情報にアクセスできず、世の中の流れから取り残される人を指す揶揄的な言葉であった。しかし令和の現在、「情弱」の意味は大きく変質している。もはや「情報を持たない人」ではなく、「情報を持ちすぎた結果、誤情報に振り回され、自称“情報通”として振る舞う人」を指すことが多くなっている。
この変化を端的に示しているのが、近年急速に存在感を増した「参政党」の躍進である。参政党は、メディアや大政党とは異なるルートで情報発信を行い、インターネットを通じて「自分だけが真実を知っている」と感じる人々を惹きつけた。そこには、かつての「知らないことを笑われる情弱」ではなく、「知っているつもりで誤情報に支配される情弱」という新たな姿が浮かび上がっている。
本稿では、参政党の事例を手がかりに「情弱」の意味変質を整理し、現代社会における情報と知能の関係を考察する。
情弱という言葉は、もともと「インターネットに不慣れな人」「デジタル機器やITリテラシーが低い人」を指していた。例えばガラケーからスマホへの移行期に「まだガラケーを使っている人は情弱だ」と揶揄されたり、詐欺まがいのチェーンメールを信じて拡散してしまう人を「情弱」と呼んだりする用法が典型である。
つまり情弱は「情報にアクセスする環境や能力が不足している人」を指しており、彼らは「知らない」「分からない」存在として位置づけられていた。笑われたり馬鹿にされたりする対象ではあったが、裏を返せば「知らないがゆえに誤情報にアクセスする機会も少ない」という側面もあった。
令和に入り、インターネットは誰もが利用する基盤インフラとなった。スマートフォンとSNSが普及し、ほとんどの人が大量の情報にアクセスできる。ここで「情弱」の意味が反転する。
現代の情弱は「情報にアクセスできない人」ではなく、「アクセスできすぎるがゆえに取捨選択ができない人」である。彼らはアルゴリズムに最適化されたSNSのフィードや、陰謀論的なYouTube動画などに触れ続け、バランスを欠いた世界観を形成する。そして「テレビや新聞は洗脳だ。自分だけが真実を知っている」と確信するに至る。
この姿は、かつての「知らない人」とは正反対だ。むしろ「知りすぎている（つもり）」であり、だがその知識は偏向し、誤情報に満ちている。ここに情弱という言葉の変質がある。
参政党は、既存の大政党やマスメディアとは異なるアプローチで支持を広げた。街頭演説をYouTubeで拡散し、SNSで「真実を知りたい人」に直接訴えかけたのである。そこでは「学校やマスコミが隠している本当の情報」「ワクチンの裏側」「日本が売られている」といった刺激的なフレーズが飛び交った。
参政党を支持する人々の多くは、自らを「目覚めた国民」「情報に強い人」と認識している。しかし客観的に見れば、それは誤情報や陰謀論に偏った“知識”であり、社会的な合意形成や科学的検証と相容れないケースが多い。
この現象こそ「令和の情弱像」である。彼らは「無知」ではなく「偏った知識の虜」であり、自分の知能を過信しつつ、結果として社会全体の情報リテラシーを下げる役割を果たしている。
ここで注目すべきは、「情弱」と呼ばれる人々の知能レベルである。かつての情弱は、知能が低いわけではなく単にインターネットに不慣れであった。しかし現代の情弱は、情報を吟味する思考能力の欠如、すなわち 批判的思考（クリティカル・シンキング）の不足 に起因している。
大量の情報に触れながらも、出典を確認しない。反証を検討しない。自分に都合のよい情報だけを集めて確信を深める。こうした行動は、単なる「無知」とは異なる。「知能はあるが、その使い方が誤っている」という状態であり、それこそが「現代的な情弱」の本質である。
そしてSNSのアルゴリズムは、この傾向を増幅させる。彼らがクリックした動画や記事は次々と類似コンテンツを提示し、情報のバランスをさらに崩す。結果として、知識を持っているはずなのに、社会的には「知能の低い人」として扱われるという逆説が生まれる。
令和の情弱像が拡大することで、社会にはいくつかのリスクが生じる。
1. 分断の拡大
自分の世界観に閉じこもり、「自分だけが真実を知っている」と考える人々は、他者との対話を拒否しがちになる。これは社会的な分断を深め、合意形成を困難にする。
誤情報を基盤にした政治的選択が増えることで、民主主義の質が低下する。政策論争が事実に基づかず、感情や陰謀論に左右される。
情報量が増えるほど、むしろ誤情報に支配される人が増えるという逆説が生じる。知識社会の成熟が、そのまま社会的知能の低下を招く可能性がある。
いい年してずっとうつむいて小さいスマホの画面ばっか見るのやめろ。スマホを捨てろ。あと、自分が頭悪いって認めて素直に生きろ。
かつて「情弱」とは、情報を知らない人の代名詞であった。しかし令和の「情弱」は、情報を持ちながら誤った形で消費し、自らを“情報通”と誤認する人々である。参政党の躍進は、この新しい情弱像を可視化した。
我々が直面しているのは「無知」ではなく「誤知」の時代であり、その克服には知能や知識の量ではなく、思考の質を高める努力が求められる。情弱という言葉の変質を正しく捉えることは、現代社会の情報環境を理解し、より健全な民主主義を築くための第一歩なのである。
最近のニュースアプリって、アルゴリズムが優秀すぎて、逆に読みたいものだけじゃなく「読まされそうなもの」まで見せつけてくる感じがして、ちょっと疲れない？
俺だけかな。
そんな自分が回帰したのが、老舗のニュース検索サイト「Ceek.jp」だ。
これが、今の時代にこそめちゃくちゃ心地いい。
ただ淡々と、新しい順にニュースが並んでいる。 変な忖度もなければ、煽ってくるような記事のレコメンドもない。ただ事実がそこにあるだけ。これがいい。
メディアが後からこっそり記事の内容を修正したり、都合が悪くなって記事ごと削除したりしても、Ceek.jpには初版のデータがキャッシュとして残っていることが多い。消される前の「事実」を確認できるのは、ネットリテラシー的にめちゃくちゃ重要だと思う。
自分の好きなキーワードや条件で検索式を作って、それをそのままRSSリーダーに登録できる。まさに自分専用のニュースフィードが完成する。もう、メディアに踊らされる必要はない。
もちろん不満がないわけじゃない。ITカテゴリが、なぜかアニメやゲームの記事で埋まりがちなのはご愛嬌だ。 まあ、それも検索で絞り込むから、個人的には大した問題じゃない。
情報の洪水に疲れ果て、アルゴリズムにうんざりしている人にこそ、この淡々とした老舗サイトの良さ、もう一度見直してみてほしい。マジでおすすめ。
フィッシュル・ヴォン・ルフシュロス・ナフィードットちゃんは、『フィッシュル皇女物語』に登場する同名の主人公から自分の名前(自称)を借りていますが、親からはエミちゃんと呼ばれていますね。
でも、その綴りはAmyなので、EMIでは返事をしてくれないでしょう。
ちなみに、Fischl von Luftschloss Narfidort は、天空城ナフィードット出身のフィッシュル、という意味です。
Fischl は、ドイツ語の Fisch "魚" に接尾辞 -el をつけることで、「小さな魚」といったニュアンスになります。
ちなみに、魔神名が『ゴエティア』の悪魔から取られていることで有名な本作ですが、実はAmyという悪魔が58番に存在します。
なので、フィッシュルもといエミちゃんは実は魔神である、という可能性もあります。
元素が溜まって神の目が光るとき、服の他の装飾パーツも光りだす稀な特徴を持つキャラでもあります。
『フィッシュル皇女物語』も、ただの小説ではなく、世界の真実を隠した書籍であるかもしれないと想像できますね。
しかし、現時点では、本編内容がまったく分からない状態で、設定資料集となる巻だけが入手可能なため、そこに書かれた内容から本編の展開を推察することしかできず、記述の大部分は意味不明となっています。
人間の心をAIで再現したとかやっていたがああいう試みは意識というものを非生物学的に作り出すためなのだろうか？
もしそうだとしたらアプローチが間違っていると思う。
意識というのは別に意識がある人間とかのような存在と同じ振る舞いをさせたらそこに自動的に宿るという種のものではないことは中国人の部屋の心をAIで再現したとかやっていたがああいう試みは意識というものを非生物学的に作り出すためなのだろうか？
もしそうだとしたらアプローチが間違っていると思う。
意識というのは別に意識がある人間とかのような存在と同じ振る舞いをさせたらそこに自動的に宿るという種のものではないことは中国語の部屋が提起している。
実際は本当にそれだけで宿るのかもしれない。しかしそれはわからない。
でも逆のことを我々はよく知っている。
我々が金縛りという夢の一種を体験しているとき、傍から見ればなんの反応もない、科学的に意識があるとは認められない状態だが、
実際は本人のなかでは確かにある種の苦痛や、それについて感じたり考える思考のフィードバッグ先としての自我(といっていいのか知らないが)がある。
今の科学的な定義ではこのようなものは意識にあてはまらないだろうが、我々が意識と言って指し示したいものにはこういったものも興味関心の範疇として含まれると思う。
「意識」と言う言葉を使って何を論じたいのかの目的論的な本質にかえって考えれば、そのように意識の定義が拡張されるか術語が定義されるべきこと当然である。
そのようなものひっくるめた意識を考えたら、意思疎通ができない状態の存在にすら意識があるのに、意思疎通できいぇいるような振る舞いをするAIを作ってなんで意識の本質に近づけると思えるのか？と思ってしまう。
そんなことを言い始めたらそこらへんの植物や石にすら認識能力はないが「五感を封じられた存在としての」意識はあるんじゃないか、とか極端に走ることになるかもしれないが、少なくとも寝ている人間にすらある種の意識があることは念頭に置くべきだと思う。
この手の概念は直観的に感じ取れる人には明白だが、なんのことを言っているのか万人が共有できるように記述することはとても難しい。
-----BEGIN PGP SIGNED MESSAGE----- Hash: SHA512 https://anond.hatelabo.jp/20250706141620# -----BEGIN PGP SIGNATURE----- iHUEARYKAB0WIQTEe8eLwpVRSViDKR5wMdsubs4+SAUCaGoGpQAKCRBwMdsubs4+ SAUPAP9vr645DB4+2AS0rpe2c5cF2bSPtC7Ef86H10IDHDgmPAEA+5ZbCTU1WU0f wqC+j9Zm33zkfmGy/nYSZHsiNjPFDQA= =pAgQ -----END PGP SIGNATURE-----
---
# **M-98C《ヴァニタス》🇳🇴 ノースソヴリン連邦空軍 出撃個人記録**
| 項目 | 内容 |
| 任務番号 | **NSF-JSOC 25-10-17-Σ** |
| 目的 | 東アジア経済圏に対する**限定的経済／通信遮断実証** |
| 発令主体 | ノースソヴリン連邦 極地戦略合同司令部（JSOC） |
| 離陸基地 | **スカディ飛行場**（72°45′N 178°32′E, ノヴァシベリア諸島） |
| 再突入高度 | 35 km |
| 武装 | **HGV-B73 “Dawn Shard”** ×3 |
> *ノースソヴリン連邦*…北極海資源を背景に台頭した極寒のシ―ステイツ。表向きはNATO傘下だが、実質は独立経済圏を構築。今回の作戦は「輸出レアメタル決済を量子網に限定させる交渉カード」として計画された。
---
> *HUD:* “L-1, INS ALIGN OK. SCRJ READY.”
寒霧の滑走路。機体は液体窒素噴霧で外板温度を均一化。ステルス皮膜のシリコン閃光が月光を弾く。
「政治じゃない。ただの“工学実証”さ」。整備士の捨て台詞が耳に残った。
---
> *VALIS:* “日本防空レーダ― ソーンソート γ 帯…ダウンリンク阻害完了。”
---
私は\*\*「品川シーサイド・クラスタ」\*\*を地図上でタップ。黄色のリング。
> *VALIS:* “推定非戦闘員被害 < 1 k.”
> 心の声: 「数字にしてくれると、罪悪感も概算できるのか」
コクピット温度 48 ℃。耐Gスーツの微振動が脈拍を代行する。
---
瞬間、**EMPフラッシュ**が湾岸の灯りを片側だけ喰った。
---
> *VALIS:* “目的達成率 62 % … 臨界閾値到達。”
---
## 04:25 JST ― サードリリース & 離脱
旋回 G が抜けた瞬間、**東京タワーのシルエット**が視界に入る — オレンジの灯がまだ点いていた。
私が破壊したのは都市ではなく、都市を繋ぐ**約束事の網**。だが網の上には人が立っている。
---
機体外板にプラズマ浸し。レーダー断面積 0.0009 m²。
日本列島の監視網が\*\*“ここに私がいた痕跡”\*\*を掴めないよう、電子的に自分を溶かす。
“Checkmate?”
いや、まだ。これは詰めろの一手だ。
---
## 05:18 JST ― カムチャツカ沖・補給艇 Rendez-vous
機体を折り畳むように格納庫へ滑り込む。
> **司令官:** 「通信インフラの復旧見積りは？」
> **司令官:** 「なら充分だ。マーケットは怖がる」
私は黙って頭を下げた。
---
* “ノースソヴリン”は自国領を一発も撃たずに、通貨スワップ再交渉の座を得る。
* 私たちが名乗る日は来ない。名乗った瞬間、交渉カードが紙切れになる。
3. **次回があるなら**
* それが「戦争をしないための爆撃」の完成形だと信じたい。
---
> “任務完遂。民間死傷 0.06 % — 許容範囲内。
> Good morning, Lazarus-1. The world will wake up different.”
そして自問した。
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、
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、
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
3.二重ループ
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
10.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
12.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
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、
現在のAIにおいて絶対に間違っちゃいけないのは、それは独立した発火点を決して持ってはいないということ
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
なので、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思う
ただし私はその先に、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いて、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ます
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、そして、それは内的に展開するものではないが、相互作用の中で半自律的に立ち上がり得ると私は考えます
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
結局、LLMって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んだけど
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て、
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ったりする
使い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
生成AIは人間と話すのと違って考えさせるというよりはどう構造化してほしい出力を得られるような形に設計するかということを考える必要がある
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
3.二重ループ
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での記憶の制御っての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
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
って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、影響力が操作できて、意図したLLMの確率分布へ誘導出来る
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束していくものだ
現在のAIにおいて絶対に間違っちゃいけないのは、それは独立した発火点を決して持ってはいないということ
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
なので、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思う
ただし私はその先に、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いて、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ます
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、そして、それは内的に展開するものではないが、相互作用の中で半自律的に立ち上がり得ると私は考えます
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
結局、LLMって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んだけど
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て、
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ったりする
使い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
生成AIは人間と話すのと違って考えさせるというよりはどう構造化してほしい出力を得られるような形に設計するかということを考える必要がある
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
3.二重ループ
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
LLMでの記憶の制御っての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
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
って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
インターネットってのはね、使う側が自分で調整するもんなんだよ昔から
他人にケチつけてもなーんも変わらないからね、テクノロジーの上にあるものはテクノロジーを知ることで改変できる
そうして誰かが改変できるようにした成果物を一般人でも使うことができる、その考え方が大事なの
説教から話を戻すと、ブラウザ拡張のはてなフィルタを使うことで嫌なドメインは透明化できる
スマホだから拡張機能が使えないって場合は、iPhoneならOrion Browser、AndroidならEdge Canaryなどの拡張機能ストア対応ブラウザを用いることができる
ブラウザを変えたくないなら、はてブのフィードをカスタマイズできるWebサービスとしてはてなフィルターっていうサイトがあるからそれ経由で閲覧すればいい
こういうものを自力で見つけられるようになる、自力で「こういうのがあるはず」と思い立って調べられるようになった人間は、インターネット初段といえるだろう
いや旧運営こそ恣意的な世論操作やってたやんけ。方向が逆なだけで。
毎日のようにトレンド入りするフェミ活動家や左翼活動家のツイデモタグ
毎日のようにニュースフィードに入りまくるハフィントンポストの記事
イーロン・マスク買収後にニュースフィードが止まった時、竹下郁子とかいうどっかのメディアの奴がうっかりキュレーションチームとのホットラインがあったと自白した（https://x.com/i_tkst/status/1589187616846798848）のがめちゃくちゃ話題になってたよな？
もう忘れたのか？まだ5年も経ってないぞ
買収後、ツイデモタグはたまにトレンド入りするが毎日のようには入らなくなった
そして左翼的な単語以外が普通にトレンド入りするようになった（買収前はニチアサの時間にアニメや特撮の単語があまりトレンド入りしなかったのが買収後は沢山入るようになった等）
トラバ（トラックバック）を除外して最初の増田投稿を検索する方法については、増田（はてな匿名ダイアリー）の投稿を直接検索する手段に限りがあるため、完全にトラバを除外して最初の投稿を取得するのは少し難しいですが、いくつかのアプローチはあります。
はてな匿名ダイアリーの検索機能を使う: はてな匿名ダイアリーでは、検索バーにキーワードを入力して検索することができますが、トラバを除外するオプションは公式には提供されていません。そのため、特定のキーワードや時期で検索し、最初の投稿を手動で探すのが現実的です。
投稿日時で絞る: 増田には投稿日時が記録されています。最初の投稿を探す場合、古い投稿から順に読んでいく方法が考えられます。
他の外部ツールを使う: もし特定のツールやAPI（例えば、非公式の増田ダイアリーAPI）を使うことで、最初の投稿やトラックバックを除外した検索が可能な場合もあります。ただし、公式には提供されていないため、外部ツールを活用する場合は信頼性を確認する必要があります。
増田サイトのRSSフィードを活用: 増田のRSSフィードには、最新の投稿が含まれているので、フィードを読み取って1日あたりの投稿数を計算することができます。
増田の統計ツールや外部データを利用する: 増田に関する統計データを集めているサイトや、APIからデータを取得して、1日ごとの投稿数を確認することができます。
どちらの方法も、少し手間がかかる可能性があるため、他のツールを活用する方法を検討してみるのも良いかもしれません。
もし特定のツールや方法に関してさらに詳しく知りたい場合は、教えてください！
You said:
ChatGPT said:
はてな匿名ダイアリー（増田）のRSSフィードを利用することで、投稿の更新情報を取得することができます。RSSフィードは、定期的に新しい投稿をチェックするために便利な方法です。
はてな匿名ダイアリーにはRSSフィードが提供されており、特定のURLを利用することで最新の投稿を受け取ることができます。
このURLにアクセスすることで、最新の増田投稿が取得できます。RSSリーダー（例えば、FeedlyやInoreaderなど）を使って、定期的に新しい投稿を受け取ることができます。
RSSフィードを使用して、投稿される記事を日ごとに確認し、その数をカウントすることができます。具体的には以下の手順を参考にしてみてください。
RSSフィードをリーダーで受信: 好きなRSSリーダーに上記のRSSフィードURLを追加します。
フィードを定期的にチェック: 毎日更新を確認し、1日ごとの投稿数をカウントすることができます。
スクリプトを利用: プログラムを使ってRSSフィードを解析し、1日あたりの投稿数を自動で集計することもできます。例えば、Pythonのfeedparserライブラリを使うことで、フィードを解析し、日ごとに投稿数を数えることができます。
もしこの方法で具体的に何かを実行したい場合（例えば、Pythonでフィードを解析するコードが必要な場合など）、お気軽に教えてください！
誰も分散化に興味ない、まぁプライベートブロックチェーン並みの分散化だからどうでもいいんだが。
UIもTwitterのまんま、BlueSky独自の価値がよく分からない。「Twitterでない事」が最大の価値ってどうなんだ？
確かに平和、でもそれは人が居ないだけ。東京から田舎に移住したら平和ですみたいな話。
根底にあるのはTwitterなので人口が増えたら治安が悪化するのは避けられない。
BlueSkyはTwitterを超えることは決してない、仮に超えたとしたらその時にはTwitter2.0（悪い意味で）になっている。
トランスアライ達から女性への「子宮がある人」呼びに反発しただけで、差別主義者のレッテル貼られた、JKローリングさんのツイート貼っておく。
https://x.com/jk_rowling/status/1887472120541679690?t=r2ebMc3yqS5QW_ZcktU7Tw&s=19
ジェンダーイデオロギーは、言論の自由、科学的真実、同性愛者の権利、女性と少女の安全、プライバシー、尊厳を損なってきた。また、弱い立場にある子どもたちに回復不能な身体的ダメージを与えてきた。
誰も賛成票を投じておらず、大多数の人が反対しているにもかかわらず、政治家、医療機関、学界、メディアの一部、有名人、さらには警察によって、上から下まで強制されている。活動家たちは、敢えて反対する者に対して脅迫や暴力を振るってきた。疑問を呈した人々は名誉を傷つけられ、差別されてきた。仕事が失われ、人生が台無しになった。すべては、セックスが現実であり、重要であると知った罪のためだ。
煙が晴れれば、一部の非常に弱い立場の人々が被害を受けたという事実にもかかわらず、これはいわゆる弱い立場の少数派に関することではなかったことが明白になるだろう。私たちの社会の根底にある力関係は、解体されたのではなく、強化されたのだ。この大失態全体を通じて最も大きな声を上げてきたのは、富や地位によって結果から隔離された人々だ。
彼らは、自分の名前をドロレスと名乗ることにした身長6フィート4インチの強姦犯と同じ独房に閉じ込められることはなさそうだ。彼らは、国が資金を提供する強姦被害者支援センターを必要としていないし、繁華街の更衣室に頻繁に行くこともない。彼らは、女子用シャワー室でペニスが揺れることを嫌がる、意地悪な極右の偏見を持つ人々について、トークショーのソファでニヤニヤしながら、自分たちのプライベートプールがこれまで通り安全な場所であることに安心している。
ジェンダー アイデンティティのイデオロギーから最も恩恵を受けているのは、トランスジェンダーかどうかにかかわらず男性です。
中には、女装趣味があることで、これまで女性専用だったすべての場所へのアクセスを与えられた人もいます。また、新たな被害者という魅力的な立場を、女性を脅迫、暴行、嫌がらせする口実に利用した人もいます。トランスジェンダーではない左翼の男性たちは、女性や少女のニーズを嘲笑し、冷笑することで、自分たちの非の打ちどころのない進歩的な資質を誇示する素晴らしいプラットフォームを見つけ、自分たちにはない権利を放棄したと自画自賛しています。
この混乱の実際の被害者は、女性と子供、特に最も弱い立場の人々、運動に抵抗して恐ろしい代償を払った同性愛者、そして代名詞を一つ間違えただけで中傷されたり建設的に解雇されたりする環境で働く一般の人々です。これはごく少数派の話だなどと言わないでください。この運動は社会に悲惨な影響を与えており、もしあなたに少しでも分別があるなら、活動家のマントラ、人身攻撃、誤った同等性、循環論法の痕跡をすべてXフィードから静かに削除するでしょう。なぜなら、あなたは常にこの狂気を見抜いていたし、一瞬たりとも信じたことはなかったと偽りたくなる日が急速に近づいているからです。
