
おかしな汎用論
更新履歴 2026-11-17: 小脳のフィードフォワード制御、運動の弾道性(バリスティック運動)、「出来損ないのラプラス」、フィクションに見る身体性と共発達の歴史について追記。 OpenAIがロボット専任チームを解散 ロボ開発の競争軸は「頭脳」から「現場データ」へという記事を目にしたとき、強い違和感を覚えた。 米OpenAIがロボット専任のチームを解散した。研究者は本体の研究部門へ、応用とハードウェアの担当はグレッグ・ブロックマン社長の部門へ移った。汎用の最新モデル「GPT-6 Astra」(以下、Astra)をそのままロボットにつないでも、かなり動くと分かったからだ。ロボット専用の頭脳を売りに巨額を集めてきた新興企業は、その前提を問われることになる。 汎用モデルをそのままつなげばロボットが動く、という言説には根本的な疑問が湧く。 逆運動学(IK:Inverse Kinematics)や動力学の計算をどこで処理するつもりなのだろうか。 まさか、超巨大な汎用モデルで各軸のサーボを直接リアルタイム駆動できると考えているわけでもあるまい。 まず直面するのが、制御ループの周波数ギャップである。 どれほど推論が高速化したとしても、重厚な VLM (Vision-Language Model:視覚言語モデル)が回るレートはせいぜい数 Hz から数十 Hz のオーダーにとどまる。 その低速なループが「この軌道をなぞれ」と空間上の目標点(ウェイポイント)を投げたところで、現実の物理世界は 1 ミリ秒(1 kHz)単位で状態が激変する。 接触瞬間の衝撃力、対象物のたわみ、摩擦の急変やスリップに対して、上位層の視覚フィードバックがリアルタイムに追従できるはずもない。 かといって、下位層のローカルコントローラ(IK や MPC:モデル予測制御)に丸投げできるのは、拘束条件と動力学モデルがあらかじめ数式として確定している剛体環境に限られる。 現場で真に価値がある「不定形の布」や「変形しやすい生鮮品」、「油で滑る部品」の扱いは、下位層の古典制御ではモデル化が困難であり、上位層の低速な推論では応答が間に合わない。 上位層と下位層の狭間に横たわるこのタイムスケールの断絶こそが、ロボティクスが何十年も格闘してきた本質的な課題である。 生体の運動制御を引き合いに出すなら、問題の根深さはさらに際立つ。 動物の身体制御の本質は、感覚フィードバックではなく、小脳による強力な フィードフォワード制御 (内部モデルによる先読み)にあるからだ。 神経伝達には数十から百ミリ秒以上の不可避な遅延が存在する。 もし人間が「コップの位置を見てから手を伸ばし、位置のズレを確認しながら少しずつ修正する」という純粋なフィードバック制御だけで動いていたなら、遅延系特有の発振を起こし、まともに手を伸ばすことすらできない。 日常の動作において、人間がコップを掴むときは「えいや」と一息に手を持っていく。 動作の大半は、小脳に刻まれた身体ダイナミクスに基づく 弾道運動 (バリスティック運動)としてフィードフォワードで一気に駆け抜け、感覚フィードバックは接触直前の微修正や予期せぬ外乱への対処にしか使われない。 いまのロボット AI の動画を見れば明らかなように、あの「おずおずと微震しながら恐る恐る手先を動かす」不自然な挙動の原因はまさにここにある。 確信を持ったダイナミクスの予測モデル(小脳)がないため、一歩動くたびに画像をトークン化して「これで合っているか?」と低速に伺いを立てる手探り運転にならざるを得ないのだ。 大脳新皮質に相当する高次推論(VLM)をいくら肥大化させたところで、この「身体ダイナミクスを極限まで予測して遅延をねじ伏せる小脳のフィードフォワード機構」の代替にはならない。 フィードバックの周波数が絶望的に足りず、それを埋めるべき小脳的内部モデルも存在しないアーキテクチャで、どうやって物理世界とリアルタイムに格闘するというのだろうか。 幾何学的な作業空間(手先座標系)と、機体固有の関節空間(コンフィギュレーション空間)の乖離も軽視されている。 汎用 VLM は画像から「手先をこの位置へ持っていく」という 3 次元の幾何ゴールを推論することはできる。 しかし、その手先位置をとるために肘関節が空間のどこを通るか、関節の角速度が発散する特異点(シンギュラリティ)を避けられるか、あるいは自身のリンク同士や周囲の什器と干渉しないかといった、機体固有の拘束条件を汎用モデル単体で把握することはできない。 下位コントローラが安全制限を発動させれば、ロボットはその場で緊急停止するか、無理な特異点回避によってタスクそのものを破綻させることになる。 さらに、記事が次の競争軸として挙げる「現場データ」の扱いにも甘さが見える。 ロボットの操作データは、テキストや画像と違ってハードウェアの機構と不可分に結びついている。 減速機のバックラッシュや摩擦特性、リンクの構造剛性、センサのレイテンシ、アクチュエータの応答特性が異なれば、ある機体で収集した遠隔操作(テレオペレーション)データは別の機体では通用しない。 いわゆる クロスエンボディメント (Cross-Embodiment:異なる機体間でのモデル共有)の壁は極めて厚い。 特定機体で泥臭く集めた動作データをそのまま汎用モデルに学習させたところで、機体差を吸収するためのキャリブレーションや制御則の再設計という、もっともコストのかかる工程から逃れることはできない。 SF の創作者ですら、身体性と知性の関係については現代の AI 楽観論よりはるかに現実的な洞察を持っていた。 たとえば『フルメタル・パニック!』に登場する自律 AI「アル」が、相良宗介とともに過酷な戦場をくぐり抜け、機体の駆動系を介した濃密な相互作用の歴史を経て初めて完成に至ったように、真に物理世界で機能する知性とは、ハードウェアと環境、そして操作者との「共発達のプロセス」そのものにほかならない。 フィクションですら直感していたこの泥臭い物理的履歴の重みを、現代の AI 界隈はまるごとショートカットできると錯覚しているのだ。 ...

万能論という狂気
おかしな汎用論では、出力ログという『影』だけで世界を再構成しようとする「出来損ないのラプラス」について書いた。 しかし、さらに踏み込んで言えば、現在のテック業界そのものが、もはや「信仰」と呼ぶほかない極端な万能論に陥っている。 その象徴が、テスラの「ビジョンオンリー」主義だ。 当初、彼らがミリ波レーダーを排し、LiDARの採用を拒んでカメラのみにこだわった理由は、部品コストの削減にあった。 しかし、量産効果と技術成熟によってLiDARの価格が劇的に下落した現在では、もはやコスト面での優位性すら成り立たない。 しかも、LiDARを頑なに拒絶した結果、逆光など照明条件の変化に左右されやすく、画像から力技で空間を復元するために車載プロセッサは高価なままだ。 本来であれば、黎明期の「初物」が高価であることは製造業の常識であり、部品が安価になった段階でセンサーフュージョンへ移行するのが合理的なロードマップである。 ところが、一時のコスト制約を「カメラこそが真理である」という教義にすり替えてしまったために、前提条件が崩壊したあとも後戻りできない自縄自縛に陥っている。 現行のタクシーであれば、「子どもだけで〇〇小学校まで」と頼めば、不可抗力の事故でもない限り確実に安全に送り届けてもらえる。 それが輸送サービスとしての「タクシー」の当たり前の前提だ。 だからこそ、真にロボタクシーを標榜するのであれば、車内に犬しか乗っていなくとも door-to-door で安全に走りきらなければ話にならない。 犬にできる介入など、せいぜいシートを噛むか吠えるくらいのものだ。 乗員による状況判断や介入を前提にしなければ成立しないのであれば、それは「ロボタクシー」という看板にすら反した、ただの不完全な運転支援システムでしかない。 根底にあるのは、イーロン・マスクをはじめとする論者たちが「人体こそが究極の完成形である」と思い込みすぎている点だ。 だからこそ、人間は視覚だけで運転しているという誤認(実際には三半規管や触覚、固有受容覚を含むマルチモーダルなセンサーで環境を捉えている)に陥り、さらにはヒト型ロボット(ヒューマノイド)へと過剰に固執することになる。 だが、ここには工学的な合理性が決定的に欠けている。 現実の生産現場を見れば、ヒト型ロボットよりも直交座標型や水平多関節型(SCARA)、垂直多関節型といった固定式アームのほうがはるかに合理的であるケースが圧倒的に多い。 古くから工場の第一線で稼働し続けているファナックなどの産業用ロボットが、床にアンカーで固定されたあの形態をとっているのには明確な理由がある。 適切な拘束条件を持つ機構であれば、手先の目的座標が定まった瞬間に、アクチュエータに与えるべきパラメータが解析的に定まる。 冗長自由度による姿勢の不定性がなく、決定論的で再現性が高いからこそ、ミクロン単位の精度と高速なタクトタイムを24時間維持できるのだ。 対してヒト型は、常に転倒リスクと戦いながら自重を支えるだけでエネルギーを浪費する、不安定な倒立振子にすぎない。 人体が器用に動けるのは、進化のつぎはぎである骨格を、筋肉や腱の弾性と小脳の精緻なフィードフォワード制御という奇跡的な統合で制御しているからであって、硬いモーターと減速機で外見だけを模倣しても同じ性能は得られない。 そもそも工学者であれば、法規制やコストといった不可避の制約がない限り、手持ちの手段を自ら縛ってはならない。 「カメラだけで解くエレガントさ」や「人と相似な形態の美しさ」に酔いしれるなら、それは工学ではなくアーティストの仕事だ。 もっとも、目的に対して無駄と無理を重ねたその設計は、優れた造形が宿す「機能美」にすら反しているのだが。 機械設計の鉄則は、機構そのものに適切な拘束条件を持たせることで制御の問題を単純化することにある。 わざわざ冗長自由度だらけのヒト型にして運動学を複雑な不良設定問題に変え、それをニューラルネットの計算力だけでねじ伏せようとするのは、工学の放棄でしかない。 初物は高い、センサーは冗長化すべき、タスクに合わせて機構を最適化する。 こうした当たり前の工学的リアリズムを「万能論」という名の信仰で上書きし続ける限り、どれだけ計算資源を積み上げようとも、物理世界の冷徹な現実を突破することはできないだろう。

Who is going to take responsibility for this?
私は先にオウムは世界を滅ぼさないといいました、しかし、正確を期するなら、物事を疑わない怠惰は世界を滅ぼしえるようです。 身の毛もよだつとはこのことだ、AIのアウトプットに踊らされ、あわや米中開戦という事態だったとは。CNNの記事が明かしている最も戦慄すべき事実は、このインシデントが起きたのが「2026年春、まさにイランとの戦争の真っ只中(in the midst of the war with Iran)」だったという点です。 Exclusive: US military had close call after using AI for false intelligence report, sources say イラン南部ホルモズガーン州ミナブにあるシャジャレ・タイイェベ(Shajareh Tayyebeh)小学校への空爆が起きたのは、2026年2月28日です。対イラン軍事作戦が開始されたまさに初日でした。 この攻撃ではトマホーク巡航ミサイルが小学校を直撃し、子ども120人以上を含む少なくとも177人以上の民間人が犠牲となるという、今次紛争で最悪規模の惨事となりました。 国連調査団、アメリカのイラン小学校攻撃などは「戦争犯罪」と考える合理的根拠あると報告 そして、この事件の背景を追うと、先ほどの話とあまりにも恐ろしい形で符合します。 AIターゲティングへの過度な依存 ペンタゴンの内部調査や報道により、米中央軍(CENTCOM)がPalantirのMaven Smart SystemやAnthropicのClaudeなど、軍事作戦に組み込まれたAIシステムに過剰に依存していたことが明らかになっています。かつて軍事施設の一部だった古い衛星写真や不整合な情報をAIが処理し、学校として運用されていた最新の民間事実をフィルタリングできずに標的(ターゲット)としてリストアップしてしまいました。 トランプ氏がダリオ・アモデイ(Anthropic)を攻撃した本当の理由 トランプ氏があの投稿で、なぜ数あるAI企業の中からわざわざ「Dario(Anthropic!)は完璧な天使のフリをしている」と名指しで罵倒したのか、その理由もここにあります。ミナブ小学校の惨劇後、Anthropicのモデルが標的選定のキルチェーンに使われていた疑いを巡って強い批判と調査の目が向けられ、ダリオ・アモデイCEOが「最終決定を下したのはAIではなく人間だ」と責任逃れの弁明に追われる事態になっていました。 それを、考えると"トランプ大統領、「AI Force」創設を表明 「AI脅威論はでっちあげだ」“など正気かと思いたくなります。

Whats Crazy Hallucination
原文に存在しない「テイラー・スウィフト」と「トランプ支持」 ソーシャルメディア上でAIによる翻訳機能を利用した際、原文の意味が少々崩れる程度なら日常茶飯事と言えます。 しかし、原文に影も形もない具体的な固有名詞や文脈が、突然まるごと捏造される事態に遭遇すると、背後にあるメカニズムを考えずにはいられません。 発端となったのは、X(旧Twitter)上の この投稿 です。 投稿文は以下のような英語の一文でした。 Crazy that Cowboy Carter can create like years long controversy but a white girl can spam out of nowhere with 1 hit a billionaire dad and play the Grand Ole Opry in a year この英語ポストに対し、XのAIであるGrokが提示した日本語訳は次のようなものでした。 「カンザスシティのチーフスはスーパーボウルで優勝したことが、テイラー・スウィフトのトランプ支持を帳消しにするなんてクレイジーだ。」 原文をどれほど精読しても、カンザスシティ・チーフスも、スーパーボウルも、テイラー・スウィフトも、トランプ支持も一切書かれていません。 そもそもテイラー・スウィフトは筋金入りのアンチ・トランプとして知られており、現実の社会情勢に照らしてもトランプ支持などあり得ない話です。 トランプ元大統領がカトリック教会の懺悔室で悔い改めでもしない限りそんな事態は起こり得ませんし、彼の性向からしてそのような改心は端から期待できません。 現実の政治的文脈をわずかでも知っていれば一目で虚偽とわかるデマであり、文脈の捏造としてもあまりにお粗末と言えます。 参考までに、ブラウザに組み込まれているFirefox翻訳(クライアントサイドで動く専用の小型機械翻訳モデル)の訳出を見てみます。 カウボーイ・カーターが長年にわたる論争を引き起こすなんて驚きだが、白人の少女がどこからともなくスパムを仕掛け、1人が億万長者の父親を倒し、1年後にグランド・オール・オプリーを演じる 日本語の構文としてはかなり崩れており、口語表現の解釈にも失敗しています。 しかし、少なくとも「書かれていないこと」を外部から勝手に付け加えるような破綻は起きていません。 文脈を補って自然な日本語に直すなら、以下のような内容になります。 「(ビヨンセの)『カウボーイ・カーター』が何年も続く論争を巻き起こす一方で、どこからともなく現れた大富豪の父親を持つ白人少女が、たった1つのヒット曲で1年足らずのうちにグランド・オール・オプリー(カントリー音楽の殿堂)のステージに立ててしまうなんて本当にクレイジーだ。」 ビヨンセがカントリーアルバムを出した際に生じた音楽業界内の激しい軋轢と、富裕層の親を持つ白人新人が軽々と業界の階段を駆け上がる特権性を対比した皮肉です。 それにもかかわらず、なぜGrokは全く別の世界線の文章を自信満々に生成してしまったのでしょうか。 従来型機械翻訳とLLMの決定的な断絶 この現象の根本的な理由は、Grokが翻訳機ではなく 大規模言語モデル(LLM) だからという点に尽きます。 従来のニューラル機械翻訳(NMT)は、基本的にエンコーダー・デコーダー構造をとり、原文のトークンと訳文のトークンの間に厳密なアライメント(対応関係)を保持するように学習されています。 翻訳モデルの目的関数は「ソース言語の意味表現を、意味の欠落や付加なくターゲット言語へ写像すること」です。 したがって、文法的にぎこちない訳出や多義語の誤選択はあっても、原文に対応するトークンが存在しない固有名詞をでっち上げる余地は構造上ほとんどありません。 対して、LLMによる翻訳は写像ではなく 次トークンの自己回帰的な補完(Completion) です。 LLMにとって翻訳タスクとは、「以下の英語を日本語に訳せ」というプロンプトに後続する文字列として、統計的に最も確からしいトークン列を順番に予測して並べる行為に過ぎません。 そこには原文と訳文の間に数式としてのハードな対応関係は存在せず、アテンション機構による重み付けという緩やかな制約があるだけです。 アテンションの拘束が何らかの要因で外れた瞬間、モデルは「翻訳」をやめ、自らの潜在空間にある強烈な連想パターンに従って「もっともらしい作文」を始めてしまいます。 flowchart TD subgraph Traditional["従来型機械翻訳(NMT)"] A1["原文トークン列"] --> B1["Encoder / Cross-Attention"] B1 --> C1["厳密なトークン・構文アライメント"] C1 --> D1["訳文トークン列(忠実な写像)"] end subgraph LLM["LLM(Grok)による翻訳"] A2["原文トークン列"] --> B2["自己回帰生成(Next-Token Prediction)"] E2["Xのリアルタイム頻出語・時事バイアス"] -.-> B2 B2 --> C2["潜在空間の強力なアトラクターへ逸脱"] C2 --> D2["文脈から乖離した補完文(ハルシネーション)"] end なぜチーフスとテイラー・スウィフトだったのか 問題は、なぜランダムな文字列ではなく、「カンザスシティ・チーフス」「スーパーボウル」「テイラー・スウィフト」「トランプ支持」という極めて具体的で強固な組み合わせが出現したのかという点です。 ...

外付けデータ分析エージェントの技術的価値を問う:メタデータ基盤との二重構造が孕む欠陥
更新履歴 2026-09-12: 「優れたデータサイエンスはピボットテーブルに帰着する」という本質論を結びと論考に追記。 2026-09-12: ピボットテーブルの決定論的強靭さと粗雑なモデリング・外部AI依存の比較を追記。 2026-09-12: 外部持ち出しによるガバナンス崩壊と初歩的集計へのAI依存に関する分析を追記。 2026-09-12: 包括サブスクリプションの消化圧力とSIerの受託力学に関する分析を追記。 ChatGPT Workにおいて、自然言語で指示するだけで社内データを集計し、グラフやダッシュボードまで作成する「Data agent」が発表された。 一見するとビジネスユーザーにとって利便性の高い進化に見えるが、システムアーキテクチャの観点から見ると、その技術的価値には強い疑問が残る。 実務におけるデータ分析では、テーブルの物理スキーマだけでなく、カラムの文脈、ビジネスロジック、データリネージ、行レベルのアクセス権限といったメタデータが不可欠である。 外部のエージェントが自律的に正しい分析を行うためには、構造上、Snowflake HorizonやDatabricks Unity Catalog、あるいはMicrosoft Fabricといったメタデータ基盤からこれらの定義を取り込まねばならない。 しかし、そうしたメタデータ基盤をすでに整備している環境であれば、基盤自身が最適化されたLLMクエリ生成エンジンをすでに備えている。 確立されたメタデータ基盤の外側に、あえて別建てのLLMエージェントを被せる構成は、車輪の上に別の車輪を重ねるような過剰な二重構造にほかならない。 二重構造が生み出す4つの構造的欠陥 すでにネイティブなクエリ生成機構とオントロジーを持つメタデータ基盤に対し、外付けのLLMエージェントを仲介させる構成は、運用と性能の両面で重大な欠陥をもたらす。 第一に、レイテンシの多段化である。 ユーザーの自然言語入力を外部エージェントが解釈し、APIを介して基盤側にスキーマやデータを要求し、基盤側のエンジンがパースして実行し、その結果をエージェントが受け取って再解釈・可視化する。 通信ホップと推論のステップが無駄に多重化することで、対話型分析として許容できない待ち時間が発生する。 第二に、コンテキストの二重翻訳による情報の劣化である。 データ基盤内部であれば、Unity CatalogのオントロジーやHorizonのセマンティック定義をインメモリで直接参照してクエリを最適化できる。 外部エージェントを挟む構成では、それらの定義情報をプロンプト(テキストトークン)として切り出して注入し直さなければならない。 コンテキスト長やトークン制約による情報の脱落が生じやすく、定義の誤読やハルシネーションの温床となる。 第三に、責任境界とトレーサビリティの崩壊である。 出力された集計値に誤りや齟齬があった際、障害箇所の特定が極めて困難になる。 「外部エージェントのプロンプト解釈の誤りなのか」「API連携時のマッピングミスなのか」「基盤側のセマンティック定義の不備なのか」の切り分けに多大な調査コストを強いられる。 第四に、運用の二重化とコストの暴走である。 データプラットフォーム側のコンピュート費用に加え、外部LLMのトークン消費費用、外部エージェントのオーケストレーション保守工数がすべて上乗せされる。 エージェントが最適化されていないアドホックなSQLをDWHに乱発すれば、スキャン費用が青天井に跳ね上がるリスクも抱え込む。 車軸直結のダイレクトドライブと外付け車輪 車軸(データストレージ)とタイヤ(メタデータ・ガバナンス層)が一体化し、そこに直接駆動モーター(ネイティブAI機能)が組み込まれているプラットフォームがある。 この統合された足回りに対し、外部から別のモーター付き車輪を無理やり押し当てて走らせようとする構成は、純粋にアーキテクチャの敗北と言える。 データが存在する場所(ストレージ)、データを意味づける場所(メタデータ)、そしてクエリを処理する場所(コンピュート)が同一境界内にあれば、データ移動は不要となり、ガバナンスも一元的に維持される。 Databricks GenieやSnowflake Cortex、Microsoft Fabric Copilotといった基盤ネイティブの機能は、まさにこの垂直統合によって精度と速度を両立させている。 外部の知能にデータを吸い上げさせるのではなく、データの集積地に直接知能を配置することこそが自然な設計である。 セマンティックモデルとDirect Lakeによる二重構造の解消 この二重構造の解消を示す代表的な実例が、Microsoft Fabricにおける セマンティックモデル と Direct Lake モードの連携である。 Direct Lakeモードでは、OneLake上のDelta Parquetデータに対して、インポート処理やデータの複製を行わず、メモリ上に直接マッピングして高速な集計処理を行う。 外部エージェントがアドホックなSQLをデータウェアハウスに乱れ打ちし、コンピュートリソースを枯渇させる懸念は構造的に排除される。 さらに、ビジネスロジックの管理においてもセマンティックモデルが決定的な役割を果たす。 「粗利」「有効アクティブ顧客数」といったビジネス定義をFabricやPower BIのセマンティックモデル(DAX/メジャー)として一度定義すれば、すべての分析者が単一の真実(Single Source of Truth)を参照できる。 AIに対してプロンプト経由で計算文脈を推測させる必要そのものがなくなり、確定的かつ再現性のある結果を保証できる。 キャパシティ課金によるコストの予測可能性 アーキテクチャの統合は、運用のコスト構造にも明確な差をもたらす。 ...