AI on Grayrecord Technow Blog

This Is Not Scientific Behavior

Fri, 12 Jun 2026 12:21:28 +0900

更新履歴

2026-06-12: 新規公開。ZenaAIの記事に見られる「科学的態度」と「AIの意識論争」における論理的謬説について批評。

ZenaAIの記事「Anthropic CEO発言で再燃する「AIは意識を持つのか」論争」における、以下の言及は科学的な観点から見て極めて問題がある。同記事は、AnthropicのCEOであるダリオ・アモデイ氏の「現時点ではAIが意識を持っているかどうか確信はない」という発言を以下のように肯定的に紹介している。

AIが意識を持っていると主張したのではなく、「科学的に否定も肯定もできない」という慎重な立場の表明です。

しかし、これを「科学的態度」と見なすのは誤りである。科学的命題であるための最低限の必要条件は 反証可能性（falsifiability） だからである。この要件を排除した態度を「科学者として合理的な態度」と持ち上げるメディアの姿勢は、極めて危うい。

「意識」の定義を曖昧にしたまま「否定も肯定もできない」と主張することは、どのような反証データが提示されても言い逃れができる状態（すなわち反証不可能な状態）を作り出す。これは科学ではなく、単なる無敵のドグマである。

AIには `main` 関数が存在しない

「意識」や「意思」の十分条件を定義することは、現在の科学において確かに困難かもしれない。しかし、その必要条件を定義することは可能である。

現在のAIモデルが「関数（静的な計算モデル）」である以上、自律的に動作することは原理的に不可能である。実際、現在のAIシステムは、外部の実行環境（いわゆるハーネスやラッパー）を介して動作させることで、あたかも自律的に動作しているかのように見せているに過ぎない。これをC言語に喩えるなら、「AIには main 関数が存在しない」ということである。

つまり、外部からの入力（プロンプト）が与えられない限り、AIは一文字たりとも出力することはない。

「現時点では分からない」という態度が許容されるのは、検証手段が一切存在しない場合に限られる。意思の必要条件として「自走（自律的動作）の有無」を定義できるのであれば、外部入力なしには何も駆動しない現在のAIモデルにおいて、「（自律的な）意識の存在」は「分からない」のではなく「明確に否定できる」のである。

「懐疑主義」と「疑似科学」の非対称性

アモデイ氏の発言が抱える問題は、本来区別されるべき「懐疑主義」と「疑似科学」の境界を曖昧にしてしまう点にある。特に、メディアがこの発言を無批判に「科学的態度」として祭り上げることは、社会的な害が大きい。

両者の構造は以下のように対極をなしている。

懐疑主義 ：定義と反証可能性を前提とした上で、「現時点ではそれを支持する証拠が不十分である」と判断を留保する。
疑似科学 ：明確な定義と反証可能性から巧妙に逃れつつ、「存在しないと否定することもできない」と主張して自説の余地を残す。

形式的には両者とも「結論の留保」に見えるが、その方向性は正反対である。懐疑主義は科学的要件を満たした上での慎重さであり、疑似科学は科学的要件を満たさないことを正当化するための免罪符として「留保」を利用しているに過ぎない。

アモデイ氏が私的に発言するだけであれば、それは「経営者あるいは思想家としての個人的な見解」として処理できる。しかし、メディアがそれを「科学的態度」と権威付けした瞬間に、以下のような悪影響が生じる。

読者に対し、「専門家が科学的プロセスに基づいて検討した結果の留保である」という誤解を与える。
その発言が、実際には「定義を欠いた形而上学的な命題」であるという本質が隠蔽される。
結果として、その歪んだフレーミングが社会的合意（規範）として流通し始める。

したがって、発言者が「科学者」「思想家」「経営者」という複数の立場を混同して発言していることに、受け手側は極めて慎重であるべきだ。特にメディアは、発言者のネームバリューや過去の科学的功績に盲従し、「高名な元研究者の発言だからすべて科学的であるはずだ」という認知バイアスに陥りやすい。

求められる「帽子の明示」

「これはアモデイ氏が経営者・思想家として述べた見解であり、科学的命題としての要件を満たしていない」という 帽子の明示 が最低限必要である。

名声は発言の科学的妥当性を保証しない。これはメディアリテラシーの基本中の基本だが、AIという、未知の領域に対する「畏怖」と「権威」が交錯する場においては、その基本がいとも容易く崩壊してしまうのである。

Lecuns Left and Next

Sun, 26 Apr 2026 10:00:00 +0900

なにげに、シリーズになってしまっていますが。前回のところから考えると、Metaの激震の一つは、MetaのAI研究の象徴であった ヤン・ルカン（Yann LeCun）の辞任 であるのは言うまでもありません。ルカンといえば、福島先生のネオコグニトロン(1980年)に着想を得て、そこにバックプロパゲーションによる学習を組み込み、LeNet(1989年)という形で、CNNを切り拓いたのは言うまでもありません。

ルカン氏は、ザッカーバーグが現在「物量(GPU)とデータ」のごり押しで、次世代モデルを作ろうとしているのに対し、一貫して「今のLLMの槍から(次の単語の予測)」では猫程度の知能にも到達できないと、批判してきた人物です。

Metaの現状 : ネオコグニトロンから続く「構造による理解」を軽視、ひたすら計算資源を燃やす方向にシフト。
ルカンの新天地 : 5000億円という、Metaの135兆円にくらっべれば、コンパクトな資金で、構造的・因果的な「世界モデル」を実現しようとしている。

僕なりの考えはすでに、"AI の推論アーキテクチャと「System 2」の誤解" に示しています。System 2 は、これらの技術進展の延長線上にあるものではなく、全く別の枠組みです。先人がなぜ System 1（直感的・高速）と System 2（論理的・低速）を明確に切り分けたのかを再考すべきです。System 1 をどれほど高度化しても、それは本質的な System 2 にはなり得ません。

そして、その道標の実験の一つが、Zennで既に公開した、"Mojoで実装する「多世界解釈」並列バックトラック：N-Queen問題を例に“です。

大雑把に言えば、現在、未解決の問題というのは、いくつかあり、

フレーム問題
時相倫理
自我

などが、知られています。

Transformerの二乗の呪いは、SSMなどで解決できるかもしれません。しかし、ルカン氏の疑問は、おそらく、そんなところにはないのは明らかです。二乗の呪いというのは、TransfomerのAttention機構のオーダーがコンテキスト長の二乗になる現象です。これは、Attention機構自体に潜んでいます。そして、その解決として、期待されているのが、状態空間モデルを活用した、MambaなどのSSMです。

しかし、それは、ルカン氏の疑問のそもそも、つまり、次の語の予測では頭打ちではないのかという問題の答えにはなっていません。どう考えても、System 2の理想とは程遠い。

LeCunの主張

graph TD subgraph lecun [LeCunの主張] pattern[✖LLMは「テキストの統計的パターン」を学んでいるだけ] notworld[✖物理世界の理解がない] canot[✖常識推論ができない] world[☑必要なのは「世界モデル」] phi[☑物理法則、因果関係、時間の概念を理解するAI] end

先の提起で言えば、フレーム問題、時相論理とは、物理法則、因果関係、時間の概念をそのまま、言い表しています。

この辺の事情は、"【激震】ヤン・ルカンがMetaを去った。5000億円で「世界モデル」研究所を設立“がよく纏めています。

この図を思い浮かべてほしいのです。

graph TD subgraph Layer3 [Layer 3: Orchestration] RAG[RAG] ReAct[ReAct] MCP[MCP] Agents[Agents] end subgraph Layer2 [Layer 2: Inference Strategy] CoT[CoT] ToT[ToT] Planning[Planning/Search] end subgraph Layer1 [Layer 1: Architecture] Transformer[Transformer] SSM[SSM] RWKV[RWKV] MoE[MoE] end Layer1 --> Layer2 Layer2 --> Layer3

CoT、ToT、GoTに関しては、"CoT・ToT・GoTとは？今でも使える理由と使い分け"、あたりがよく纏まっていると思います。とはいえ、先の図の通り、それだけでは、先の図のLayer 2にすぎません。System 1やSystem 2の別はそれよりも、さらに、上の階層にあります。

Meta's policy shift and the risks

Thu, 09 Apr 2026 00:06:02 +0900

ソーシャルメディアの巨人、Meta Platforms（以下、Meta）は、AI 業界において長らく「オープンソースの盟主」として君臨してきた。2023 年に始まった Llama シリーズの公開は、クローズドな開発体制を敷く OpenAI や Google に対する強力なカウンターパワーとして、世界中の開発者コミュニティから熱狂的な支持を受けてきた。

しかし、2025 年から 2026 年にかけて、同社の戦略は劇的な、そして痛みを伴う転換点を迎えている。この変革の象徴となっているのが、野心的な仕様を掲げながらも内部評価で苦戦を強いられた「Llama 4」シリーズと、その反省から極秘裏に開発が進められているプロプライエタリ（独占的）な次世代モデル「Avocado（アボカド）」である。

Llama 4：MoE アーキテクチャへの挑戦と躓き

シリーズの構成と技術的野心

2025 年 4 月 5 日、Meta は Llama 4 シリーズをリリースした。このシリーズは、従来の Dense なモデル構造から、計算効率を飛躍的に高める「Mixture of Experts (MoE)」アーキテクチャへと全面的に移行した初のフラッグシップモデルであった。Meta は、単一の巨大なニューラルネットワークですべての入力を処理するのではなく、特定のタスクに最適化された小規模な「専門家」ネットワークを多数配置し、入力トークンごとに最適な専門家を選択してルーティングする方式を採用した。この設計思想により、モデル全体のパラメータ数を巨大化させつつも、推論時の計算負荷を抑えることが可能となった。Llama 4 は主に、効率重視の「Scout」、汎用性の「Maverick」、そして AGI（汎用人工知能）を標榜する巨大モデル「Behemoth」の 3 モデルで構成されている。

モデル名	総パラメータ数	アクティブパラメータ数	専門家構成	主な特徴
Llama 4 Scout	109B	17B	16 experts	単一 H100 GPU での動作、10M トークンの超長文コンテキスト
Llama 4 Maverick	400B	17B	128 experts	コーディング・推論に特化、LMSYS Arena で上位を記録
Llama 4 Behemoth	約 2T	288B	16 experts	リリース延期、GPT-4.5 超えを目指す教師モデル

内部評価と市場における「性能の乖離」

リリース直後、Meta の幹部たちは Llama 4 の性能を誇示した。VP の Ahmad Al Dahle は、Llama 4 Maverick が LMSYS Arena で 1417 の ELO レーティングを獲得し、GPT-4o や Gemini 2.0 Flash を凌駕したことを強調した。しかし、独立した開発者や研究者からの評価は、これとは対照的に厳しいものであった。

AI の推論アーキテクチャと「System 2」の誤解

Mon, 30 Mar 2026 16:48:53 +0900

この記事に掲載されている図には、技術的な観点から違和感を覚えます。

特に、System 2 の隣に SSM（State Space Model）が並べられている点が不自然です。より正確には、System 2 は現状の Transformer や SSM 単体では実装不可能であると言うべきでしょう。System 2 は、統計的なアプローチによる「もっともらしさ」の追求だけで実現できるものではありません。

レイヤー	構成要素（例）	本質的な役割
Layer 1: Architecture	Transformer, SSM, RWKV, MoE	統計的な計算効率と表現力。計算複雑性をどう克服し、並列性をどう担保するかという「土台」の議論。
Layer 2: Inference Strategy	CoT, ToT, Planning/Search	統計モデルの「回し方」。モデルに思考プロセスを模倣させ、統計的な妥当性を高めるための「手順」の議論。
Layer 3: Orchestration	RAG, ReAct, MCP, Agents	外部世界とのインタフェース。モデルが感知できない最新情報や外部ツールと連携するための「運用の仕組み」の議論。

元の図の作成者にとって、AI は「課題を解決するための魔法のツール」の詰め合わせに見えているのかもしれません。しかし、以下の境界線が曖昧になっているように見受けられます。

「人間中心主義」という呪い：イーロン・マスクが見落としているAIの真実

Sun, 22 Feb 2026 22:43:52 +0900

江南タイムズの記事「「5年以内に人類は主役を降りる」マスク、ダボスで“ロボット文明”の到来を宣告」によれば、イーロン・マスク氏は次のように述べています。

「今年末か遅くとも来年には、どの人間よりも知能の高いAIが登場する可能性がある」「2030年または2031年頃にはAIが人類全体よりも高い知能レベルに達するだろう」

しかし、この予測が現在の延長線上で実現する可能性は極めて低いと言わざるを得ません。なぜなら、現在のLLM（大規模言語モデル）の構造そのものが、本質的な「知能」への道とは切り離されているからです。

LLMの限界と「創発」の不在

現在のLLMの基盤モデルは、本質的には「マスクされた単語を予測する」という統計的な仕組みに依存しています。確かに、構文解析や文脈の把握能力は飛躍的に向上しましたが、新しい概念をゼロから創発する能力は皆無です。トークナイザーが規定する語彙の範囲外にある事象を、LLMが自ら生み出すことは原理的に不可能です。

総括すれば、現在のLLMは以下の要素を欠いています。

時間の概念的な理解
状態遷移の論理的把握
内部表現としての因果関係
意図・目的・価値関数

これらは知能を構成する不可欠な要素ですが、現行のAIはこれらを一つも持ち合わせていません。すなわち、現行のAIは「人間の知覚統合」や「身体性」、「学習構造」を模倣する初期段階（低い山の登山口）にすら立っていないのです。その延長線上に「超知能」を夢見るのは、工学的な飛躍を無視した幻想に過ぎません。

「人間特別化」という減速主義

マスク氏の判断における最大の誤謬は、 「人間を特別な存在として神格化していること」 にあります。これはおそらく、人間が神の似姿であるとする西洋的な宗教観に根ざしたバイアスでしょう。このバイアスが、人型ロボット（Optimus）への固執や、視覚のみに頼る自動運転（Tesla Vision）という誤った技術的選択を生んでいます。

これは加速主義ではなく、むしろ 「減速主義」 と呼ぶべき停滞です。マスク氏の前提には、常に以下の誤った図式が存在します。

人間の形＝最適
人間の感覚＝最適
人間の知能＝最適
人間の運動＝最適

例えば、マスク氏は「人間は目だけで運転している」と信じていますが、これは人間の知覚統合に対する致命的な誤解です。

人間は実際には、以下の要素を統合して運転を行っています。

前庭系 （加速度・傾き）
聴覚（エンジン音・周囲の走行音）
触覚（ステアリングやシートからの路面振動）
予測と本能 （過去の経験に基づく危険察知）
注意の動的切り替え

人間は決して視覚情報のみで空間を把握しているわけではありません。それどころか、人間のドライバーが引き起こす事故の多さを考えれば、人間の運転能力が「最適」であるという前提自体が崩壊しています。 「人間の運転能力は特別でも最適でもない」 という事実を無視し、AIに同じ欠陥構造を模倣させようとすること自体、安全性の議論を歪める行為です。

ロボット工学における「人間型」の非効率性

人型ロボットへの固執も同様です。工学的な視点で見れば、人間の身体構造は決して効率的ではありません。

二足歩行による不安定性
摩耗しやすく壊れやすい関節構造
腰痛を引き起こす不完全な直立構造
極めて低いエネルギー効率

ロボット工学的には、人間型は 「最悪のデザイン」 の一つです。真の加速主義を目指すのであれば、人間という「たまたま選ばれた種」の形状に縛られる必要はありません。

なぜマスク氏は「人間中心」に固執するのか

そこには工学的な理由以上に、経済的な合理性が働いていると考えられます。

既存インフラへの相乗り : 道路も工場も家屋も、すべて「人間」に合わせて設計されています。人型であれば、社会インフラを作り直すことなく市場に投入でき、コストを社会に転嫁できます。
データの囲い込み : テスラが保有する膨大なビデオデータは「人間の視覚」に基づいたものです。LiDARや多角的なセンサー統合が必須となれば、彼らの視覚データの優位性は失われます。
マーケティングとしての「わかりやすさ」 : 投資家は、得体の知れない高度な知能よりも、自分たちと同じ姿で動き、語りかけるロボットに資金を投じます。

結論：呪縛からの解放

真の加速主義とは、人間の形という 「呪い」 から知能を解放することに他なりません。

AIが「良かれと思って」PCを破壊する日：Claude DXT脆弱性とActiveXの共通点

Fri, 13 Feb 2026 10:51:01 +0900

ITmediaの記事「Claude拡張機能にCVSS10.0の脆弱性　現在も未修正のため注意」によると、LayerX Securityは2026年2月9日（現地時間）、Anthropicが提供する「Claude Desktop Extensions」（以下、DXT）にゼロクリック型のリモートコード実行（RCE）の脆弱性が存在すると報告しました。

Zero-Click RCE Vulnerability in Claude Desktop Extensions Exposes 10,000+ Users というLayerXの評価は、以下の通り極めて深刻なものです。

攻撃難易度：最低
認証：不要
影響範囲：完全破壊
回避策：なし
権限：完全奪取
即時性：ネットワーク経由で即時悪用可能

これらはCVSSスコア 10.0 という、セキュリティ脆弱性評価における最悪のレベルを示しています。

1990年代、ActiveXは「便利さのために権限を渡しすぎた」ことでインターネットを危険地帯に変えました。2020年代、AIエージェントは同じ構造を、より強力かつ危険な形で再現しつつあります。今回のClaude DXTの脆弱性は、まさにその象徴と言えるでしょう。

権限管理と「承認疲弊」の歴史

歴史を振り返ると、テクノロジーの進化と共に「便利さとセキュリティのトレードオフ」が繰り返されてきたことがわかります。AIエージェントの問題は、過去の失敗の延長線上にあります。

1. ActiveX（1996〜）

ブラウザにOSレベルの“ネイティブ権限”を渡す仕組みでした。「便利だから」という理由で広い権限が許可され、ユーザーは承認ダイアログに疲弊し、最終的にすべてを許可するようになりました。結果として、ActiveXはマルウェアの温床となりました。

構造：不信頼入力 → 高権限コード実行

2. ブラウザ拡張（2000年代）

ブラウザ拡張機能がファイルやネットワークへアクセスできるようになりましたが、権限の粒度が粗く、ユーザーが承認画面を精読することはありませんでした。

構造：利便性のために権限境界が崩壊

3. モバイルアプリ権限（2010年代）

「このアプリは連絡先・カメラ・位置情報にアクセスします」という承認フローが定着しましたが、形骸化しました。ユーザーはアプリを使いたいがために、無意識に「許可」を押すようになり、結果として個人情報の大量漏洩を招きました。

構造：承認疲弊による“儀式化した許可”

4. AIエージェント（2020年代〜）

そして現在、AIエージェントはカレンダー、メール、Webといった「不信頼な入力」を読み込み、LLMが解釈して行動に変換します。権限はブラウザ、ファイル操作、API実行と多岐にわたります。

構造：不信頼入力 → LLMによる解釈 → 高権限アクション

ActiveXの再来、しかしより危険な理由

DXTは構造的に「ActiveXのAI版」と言えます。不信頼なWebページ（入力）から、高権限コードの実行につながり、ユーザーの承認プロセスが機能しない点において、両者は共通しています。

しかし、決定的な違いがあります。それは攻撃ベクトルが 「コード」ではなく「自然言語（文章）」 であるという点です。

攻撃に「技術力」が不要になった

かつてのActiveX時代、攻撃を実行するには最低限の技術力が必要でした。

COMオブジェクトやOS権限モデルの理解
JavaScriptやVBScriptのコーディングスキル

つまり、攻撃者は「技術者」である必要があり、攻撃のコストと敷居はそれなりに高いものでした。

一方、AI時代の攻撃（今回のDXT脆弱性など）は、その敷居を劇的に下げています。

カレンダーは外部から汚染されやすい（ICSファイルは誰でも送付可能）
メールから予定が自動生成される
共有カレンダーには誰でも書き込める

攻撃者は「カレンダーの予定に文章を書く」だけでAIを乗っ取ることが可能です。コーディングも、AIの専門知識も、LLMの深い理解も必要ありません。必要なのは 「文章を書く能力」 だけです。

脆弱性の質的変化

今回の事例と、従来の脆弱性を比較すると、その性質の違いが浮き彫りになります。

System Requirements Dataset: AIモデルとデータセットの探求

Mon, 22 Dec 2025 11:40:42 +0900

AIモデルの性能評価や、新しいアルゴリズム（例えば以前取り上げたSVG: Support Vector Generationなど）の実験において、適切なデータセットの選定は極めて重要です。今回は、私がソフトウェアエンジニアリング領域の自然言語処理（NLP）タスクでベンチマークとして愛用している「PROMISE Dataset」について、その構造とAIモデルでの活用実験の経験を交えて紹介します。

PROMISE Datasetとは

私がよく利用しているのは、Software-Requirements-Classification リポジトリに含まれている PROMISE.CSV です。

元々は PROMISE Software Engineering Repository で公開されていたもので、ソフトウェア要件定義書のテキストデータと、それが「機能要件」か「非機能要件」か、さらに細かい分類ラベルが付与されたデータセットです。

データの構造とクラス定義

このデータセットは主に以下の構成になっています。

Project ID: プロジェクトの識別子
Requirement Text: 要件のテキスト（例: “The system shall refresh the display every 60 seconds."）
Class: 要件の分類クラス

クラス分類は以下の4つが主要なラベルとして使用されています。これらは要件エンジニアリングにおける古典的な分類に基づいています。

F (Functional Requirement): 機能要件。システムが「何を」するか。
PE (Performance): 性能要件。非機能要件の一種。
LF (Look-and-Feel): 外観・操作感。UI/UXに関わる非機能要件。
US (Usability): 使用性。使いやすさに関わる非機能要件。

graph TD Req[Software Requirement] Req --> F[Functional (F)] Req --> NF[Non-Functional] NF --> PE[Performance (PE)] NF --> LF[Look-and-Feel (LF)] NF --> US[Usability (US)] NF --> Other[Other NFRs...]

AIモデルによる実験：LLM vs SVG

私はこのデータセットを用いて、いくつかのAIモデルのアプローチを試みてきました。

「匿名」という名の騙し討ち：Freeeサーベイはリクナビ事件を超える最悪の「処遇AI」だ

Sun, 21 Dec 2025 21:12:36 +0900

なか2656氏のブログ記事「AIで離職予兆を可視化するFreeeサーベイを個情法・AI事業者ガイドライン等から考えた」を読んだ。これはなかなかに酷い。頭の中でサムライスピリッツの覇王丸の「あったまきたぜ」が響き渡るくらいに。これは、新たなリクナビ事件だ。いや、雇用関係という逃げ場のない檻の中で行われる分、さらに悪質と言っていい。

正直、少し考えただけでも、

個情法には明白に抵触
OECDの原則には明白に背信
ISMSに抵触
労働契約法への抵触

と、論点がボロボロと出てくる。これは単なる「不備」ではない。「背信」だ。

怒りの根源：法的・倫理的な4つの背信

1. 個人情報保護法（APPI）：騙し討ちのデータ収集

最も許しがたいのは、その「欺瞞」だ。

第20条（適正な取得）: 「偽りその他不正の手段」による取得は禁止されている。「匿名です」「安心してください」と従業員を信じ込ませて本音を引き出し、裏ではしっかり個人識別子（従業員ID等）と紐付けて離職リスクを算出している。これを「不正の手段」と呼ばずして何と呼ぶのか。詐欺的行為そのものだ。
第18条（利用目的の通知等）: 「組織改善のため」という美辞麗句の裏で、「危険分子の特定」を行っている。目的外利用（第16条）であり、明確なルール違反だ。

2. OECD AI原則：国際的価値観への冒涜

世界が必死に守ろうとしている「人間中心」の価値観に対し、このシステムは泥を塗っている。

原則1.2（人間中心の価値観と公平性）: 人権と自律性の尊重？笑わせる。「匿名」と嘘をついて内心を探る行為のどこに「尊重」があるのか。
原則1.3（透明性と説明可能性）: 従業員は「自分のどの回答が『離職予備軍』というレッテル貼りに使われたのか」を知らされない。完全なるブラックボックスによる密室裁判だ。

3. ISMS（情報セキュリティ）：セキュリティの自殺

ISMS（ISO/IEC 27001）の観点から見ても、これは「セキュリティ事故」レベルの欠陥だ。機密性（Confidentiality）とは、「認可されていない人間に情報を見せない」ことだ。

認可の不一致: 従業員は「統計データ」としての利用には同意したかもしれない。だが、「生殺与奪の権を握る上司への密告」には同意していない。
アクセス制御の無効化: 本来、「匿名化」という不可逆な壁があるべき場所に、意図的な「バックドア」を設置している。セキュリティポリシーをシステム自らが破っている。これは技術的な欠陥ではなく、設計思想の腐敗だ。

4. 労働契約法：信義則違反

第3条第4項（信義誠実の原則）: 「労働者及び使用者は、信義に従い誠実に…義務を履行しなければならない」。従業員の「匿名だから言える」という信頼を逆手に取り、監視と選別の道具にする。これが「信義誠実」なわけがない。これは明白な裏切り行為だ。

リクナビ事件の「本質」との不気味な一致

2019年、リクナビ事件で個人情報保護委員会が断罪したのは何だったか。 「本人が予期しない目的で、個人の不利益になり得るスコアリングを行い、それを売り飛ばした」 ことだ。

今回のケースも、構造は全く同じだ。

項目	リクナビ事件	freeeサーベイ（懸念）
表向きの顔	就職活動の支援	従業員のSOS検知・ケア
裏の顔	内定辞退の予知（企業防衛）	離職予兆の検知（企業防衛）
手口	Web閲覧履歴からのスコアリング	アンケート回答からのスコアリング
罪深さ	学生（まだ入社していない）	従業員（生殺与奪の権を握られている）

リクナビ事件は「まだ逃げられる」学生が対象だった。今回は「逃げ場のない」従業員が対象だ。権力勾配を利用している分、こちらの方が遥かにタチが悪い。

freeeサーベイは「処遇AI」の本丸である

高木浩光氏の指摘通り、これは間違いなく 「処遇AI（Treatment AI）」 だ。

生成AIの著作権問題なんて、極論すれば「金」の話だ。解決策はある。だが、処遇AIは「人の人生」を扱う。

「あいつは辞めそうだ」というAIのレッテル一枚で、不当な配置転換や冷遇が行われるかもしれない。しかも、本人はその理由を知る由もない。「匿名」という嘘でプロセスが隠蔽されているからだ。決定の適切性も、異議申し立ての機会も、全てが闇の中だ。

テクノ・オリガルヒに突きつけられた不都合な真実

Thu, 13 Nov 2025 22:26:34 +0900

WIRED誌が報じた「AIデータセンター投資が生む、米国経済の新たなひずみ」という記事は、現代のゴールドラッシュとも言えるAIブームの影の部分に光を当てています。しかし、この問題を真に理解するためには、映画『マネー・ショート』で知られる投資家マイケル・バーリー氏の警告を読み解く必要があります。

バーリー氏の主張が正しければ、ハイパースケーラー各社は、将来的に巨額のネガティブ要因を財務諸表内に抱え込んでいることになります。これは、会計上の処理が 「技術的な現実」 と乖離した結果生じる、避けられない 「時限爆弾」 とも言えるものです。

💣 会計上の「時限爆弾」：減損損失のメカニズム

なぜ、巨額の投資が将来の損失に変わりうるのでしょうか。その鍵は 「減価償却」 と 「技術の陳腐化」 のズレにあります。

現在、多くのハイパースケーラーは、AIの学習や推論に使われるGPUサーバーの耐用年数を 「6年」 として設定し、その期間で費用を分割計上（減価償却）しています。しかし、AIチップの性能は2年未満で倍増するのが現実です。

このギャップが、将来の 「減損損失」 という形で爆発するリスクを内包しています。

graph TD subgraph 会計上の世界 A[GPUサーバーを120億円で取得] --> B{耐用年数を6年に設定}; B --> C[毎年20億円ずつ費用計上]; C --> D[3年後の帳簿価額: 60億円]; end subgraph 技術的な現実 E[2年後に次世代GPUが登場] --> F[旧世代GPUの性能が相対的に低下]; F --> G[市場価値と収益性が急落]; G --> H[3年後の経済的価値: 10億円]; end subgraph 減損損失の発生 D & H --> I{帳簿価額 > 経済的価値}; I --> J[差額の50億円を「特別損失」として一括計上]; end style A fill:#f9f,stroke:#333,stroke-width:2px style J fill:#ff9999,stroke:#333,stroke-width:4px

GPU資産は巨額であるため、この減損損失は単なる費用ではなく、 巨額の「特別損失」 として損益計算書に計上されます。その結果、その期の利益（EPS）は大きく押し下げられ、株価に深刻な影響を与える可能性があります。

バーリー氏の主張は、この 「会計上の先送り」 が、AIブームのピークが過ぎ去った後、業界全体で一斉に発現するというシステミックなリスクを指摘しているのです。

SVGの真相：32パラメータのAIは、次世代LLM（MoE）の司令塔になるか

Sun, 02 Nov 2025 09:47:59 +0900

「日本企業が、わずか32個のパラメータで大規模言語モデル（LLM）に匹敵する性能を持つ生成AIを開発。GPUは不要で、汎用CPUで動作する」――。先日、I.Y.P Consulting社から発表されたこのニュースは、多くのAI関係者に衝撃を与えました。

これまでAI業界では、モデルの性能はパラメータ数と計算資源に比例するという「スケール則」が常識とされてきました。しかし、そのスケール則も実用上の壁に突き当たりつつあります。一説には、かつて存在した超巨大モデル「GPT-4.5」は、そのあまりのサイズと高額な利用価格から、ごく短期間でサービス終了に追い込まれたとも言われています。実際、その価格は入力が100万トークンあたり75ドル、出力が150ドル以上と、従来のモデルとは比較にならないほど高コストなものでした。また、GPT-5をはじめとする最新モデルが、単純な巨大化ではなく、複数の専門モデルを連携させる効率的なMoE（Mixture-of-Experts）アーキテクチャを採用していることも、この流れを裏付けていると言えるでしょう。

このような「巨大化路線の限界」が見え始めた今、SVGの登場はどのような意味を持つのでしょうか。本稿では、プレスリリースの見出しの先にある学術論文の真実に迫り、話題のAI「SVG」の驚くべき真相と、ビジネスにおける本当の価値を解き明かしていきます。

衝撃の発表：GPU不要の「LLM」が日本から登場？

I.Y.P Consulting社のプレスリリースや各種ニュース記事で報じられた「SVG（Support Vector Generation）」の性能は、まさに革命的でした。その主張の要点は以下の通りです。

パラメータ数はわずか32個 でありながら、LLMに匹敵する性能を持つ。
高価な GPUを一切必要とせず 、一般的なCPUでリアルタイムに稼働する。
応答速度は 1ミリ秒 と非常に高速。
言語理解能力の国際的な指標であるGLUEベンチマークにおいて、GPTを上回る精度を達成。

これらの特徴は、AI導入の障壁となっていた高コストなインフラ問題を解決する可能性を示唆し、大きな注目を集めました。しかし、この発表の根拠として提示された、国際会議へ投稿された論文を精査すると、話はより複雑で、ある意味ではさらに興味深いものになります。

まず、SVGの主なターゲットタスクは、ChatGPTのような自由な文章を生成することではなく、与えられた文章を特定のカテゴリに分類する テキスト分類 (text classification) です。例えば、「この映画は素晴らしかった」というレビューを「ポジティブ」に分類するのがテキスト分類であり、「この映画のレビューを書いてください」という指示に応えて新しい文章を作成するのがテキスト生成です。両者は根本的に異なるタスクなのです。

次に、最もセンセーショナルな「パラメータ数はわずか32個」という主張。これは従来のニューラルネットワークにおけるパラメータとは意味が異なります。論文を読み解くと、この数字はLLMのモデルサイズを示す「重み」の数ではなく、分類の境界線を定義するために使われる最も重要なサンプル文（ サポートベクトル (support vectors) ）の数を指している可能性が極めて高いです。これはモデルの規模ではなく、特定の分類問題の「複雑さ」を示す指標と言えます。

そして、「GPTを上回る精度」という点も、より正確な理解が必要です。論文の実験結果（Table 2）によれば、SVGが上回ったのは、ファインチューニングされた最新のGPTモデルではなく、特定のゼロショット学習手法（ プロンプティング (prompting) ）というベースラインです。これは大きな成果ですが、あらゆる面でGPTを超えたと解釈するのは早計です。

SVGの核心技術：「言語をカーネルとして使う」という新発想

では、SVGはどのようにしてこれほど軽量でありながら高い分類性能を実現しているのでしょうか。その核心は、論文タイトルでもある「Language as Kernels（カーネルとしての言語）」という革新的なアプローチにあります。SVGはLLMを代替するのではなく、いわば巨大なLLMの『脳』の一部を借りてくる、共生関係にも似た新しいアプローチなのです。

この仕組みを具体的に見てみましょう。まず、SVGに「ポジティブなレビュー」と「ネガティブなレビュー」の例を少数与えます。するとSVGは、GPT-4.1のような強力なLLMを、新しいレビューを書かせるためではなく、「類似性判定の審判」として利用します。新しい文章が入力されると、LLMに「この文章は、私が知っているポジティブな例とどれくらい似ていますか？ネガティブな例とはどうですか？」と問いかけ、その類似度スコアをテキスト埋め込み (text embeddings)という形で受け取ります。最後に、この類似度マップを、古くから知られる超高効率なアルゴリズムであるサポートベクターマシン (Support Vector Machine) に入力し、最も効果的な分類の境界線を引かせるのです。

しかし、SVGの真の独創性はここからさらに一歩進みます。その名の「Generation（生成）」が示す通り、SVGは単に既存のサンプルを使うだけではありません。論文で述べられているように、マルコフ連鎖モンテカルロ（MCMC）法という手法を用いて、分類の境界線をより明確にするための新しい、高品質なサンプル文（サポートベクトル）を 自動的に生成 するのです。これは、選挙の情勢調査員が、既存の有権者の意見を使うだけでなく、両党の支持を分ける境界線を正確に見つけるために、絶妙な特徴を持つ「仮想の有権者プロフィール」を巧みに作り出すようなものです。SVGはこれを言語で行い、わずかな初期データから極めて精度の高い分類器を構築することを可能にしています。

論文では、このアプローチの理論的正当性について次のように述べられています。

本研究では、このパラドックスを解決すべく、カーネルマシンという機敏で洗練されたパラダイムを導入します。本稿では、ゼロショット学習とカーネルマシンが数学的に等価であることを示す、説得力のある証明を提示します。

査読プロセスで明らかになった課題

この有望に見えるSVGですが、その根拠となった論文「Language as Kernels」は、トップレベルのAI国際会議であるICLR 2024において 不採択（Reject） となっています。査読プロセスにおいて、複数の専門家からいくつかの重要な懸念が示されました。

新規性と貢献の不明確さ: 既存研究との比較が不十分で、このアプローチが持つ独自の貢献が何であるかが明確ではない。
実験評価の限定性: 実験が小規模なデータセットに限定されており、より大規模で多様なタスクにおいてその有効性が実証されていない。
主張の妥当性への疑問: 「CPUで動作する」と主張しながら、実験ではOpenAIのAPI（外部のGPUリソースを多用する）が利用されており、主張と実態に乖離がある。

これらの指摘は、SVGがまだ研究開発の途上にある技術であり、その性能や実用性については、プレスリリースが示唆するほど確立されたものではないことを意味します。

SVGが持つ「本当の強み」：速度、コスト、そして説明可能性

では、SVGは単なる誇大広告なのでしょうか。論文が発展途上であるという事実は、その価値を損なうものではありません。むしろ、SVGが「ChatGPTの代替ではない」からこそ、特定のビジネス用途においてLLMを凌駕する強力なメリットをもたらす可能性を秘めています。

圧倒的なスピードと低コスト (Overwhelming Speed and Low Cost) 最終的な意思決定を担うSVMのアーキテクチャが非常にシンプルであるため、CPU上でも驚異的な速度で動作します。これにより、高価なGPUインフラへの投資が不要となり、運用コストを劇的に削減できます。

AIエージェントは新たな「ActiveX」の夢を見るか？ ― MCPが抱えるリスクと未来への警鐘

Sun, 24 Aug 2025 10:42:01 +0900

はじめに：過去の技術「ActiveX」の記憶

日経クロステックに掲載された記事「このままだとMCPはAI時代のActiveXになるかもしれない」は、現代の技術者にとって示唆に富む警鐘を鳴らしています（注：元記事は有料のため、本稿はタイトルから着想を得た独自の論考です）。

かつて、Webにリッチな機能をもたらすと期待されたMicrosoftの「ActiveX」。それは多くの可能性を秘めていた一方で、深刻なセキュリティホールを無数に生み出し、やがて「負の遺産」としてインターネットの片隅に追いやられました。

そして今、AIが自律的にタスクを遂行するための技術「MCP（Model Context Protocol）」が、奇しくもActiveXと同じ道を歩むのではないかという懸念が生まれています。

技術ブームと危機のサイクルは繰り返す

歴史を振り返れば、革新的な技術は常に熱狂と共に迎えられ、やがてその反動ともいえる危機に直面してきました。

新たな可能性の登場: 新技術が、これまでにない利便性や機能性を約束します。MCPは、AIを私たちのデジタル世界にシームレスに統合する未来を提示しています。
熱狂的な採用: 「とにかく実現させよう」という熱意に後押しされ、開発者や企業はリスクを顧みず技術を導入します。長期的なセキュリティや倫理的な影響よりも、迅速な実装が優先されます。
警告の軽視: 専門家からの警告は「過度に慎重すぎる」と一蹴され、潜在的なリスクは目先の利益のために軽視されます。
避けられない破綻: やがて、設計上の欠陥や考慮不足が原因で、大規模なセキュリティインシデントやシステムの失敗が発生し、社会的な信頼を失います。
危機後の再調整: 甚大な被害が出た後、業界は初めて重い腰を上げ、堅牢な基準の構築を始めます。しかし、それは多くの信頼と資産が失われた後なのです。

現在のMCPへの期待は、かつてのActiveXやドットコムバブルの熱狂と酷似しています。輝かしい未来の可能性は、その根底にあるはずの根本的な欠陥から人々の目を逸らさせてしまうのです。

ActiveXより深刻？「非決定性」という最大のリスク

ここで、ActiveXとMCPの決定的な違いを指摘しなければなりません。それは**「挙動が決定論的か、非決定論的か」**という点です。

ActiveXは、その動作がコードによって規定されていました。悪意のあるコードが実行されれば問題は起きますが、少なくともその動作は（理論上は）追跡可能で、決定論的でした。

しかし、MCPはAIを基盤としています。AIの動作は本質的に非決定論的です。つまり、同じ入力に対しても、常に同じ結果を返すとは限りません。開発者ですら、AIが次にどのような判断を下すかを100%予測することは不可能なのです。

例えば、海外と国内の価格を比較し、自動で商品を売買するAIエージェントを考えてみましょう。

もしAIが、急激な為替レートの変動を「一時的なノイズ」と誤学習したら？
もしAIが、競合のセール価格を「恒久的な市場価格」と誤解釈したら？

その結果生じる損失は、もはや誰にも想定できません。ローカルPCへの被害が主だったActiveXとは異なり、MCPが引き起こすリスクは、グローバルな経済活動にまで影響を及ぼしかねないのです。

結び：私たちは過去の失敗から何を学ぶべきか

MCPやAIエージェント技術が、私たちの未来を豊かにする大きな可能性を秘めていることは間違いありません。しかし、その輝かしい側面だけを見て、リスクから目を背けるべきではありません。

ActiveXの失敗が私たちに与えた最大の教訓は、**「利便性と安全性は決してトレードオフの関係にしてはならない」**ということです。

「速く動いて、まず動くものを作れ」という開発思想は、時としてイノベーションを加速させます。しかし、その"破壊"の対象がユーザーの信頼や資産であるならば、話は全く別です。

私たちは今、歴史の岐路に立っています。開発者、企業、そして社会全体が、この新たな技術とどう向き合うべきか。過去の失敗から学び、慎重な議論と堅牢な設計思想を持つこと。それこそが、AIエージェントが真に人類の利益となる未来への唯一の道ではないでしょうか。