「正規分布」を含む日記

■LLMについての考察

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

• 人間はLLMをどう利用するべきか
• 確率分布機としてのLLMとはなにか
• 構造そのものの存在様式とはなにか

0.文脈とプロンプトとLLMについて

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

1.生成AIの活用方法

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

人間は起点を持てるが大量の知識を高速では処理できない

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

2.LLMとは確率分布のマッピング

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

汎用LLMと将棋AIなどがそうである

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

5.LLMでの記憶の制御

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

この設定内容と言う記憶領域トークンには強い影響を受けてね、

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

6.LLMは文脈を特定方向に加速度的に収束させる

LLMは言葉の確率分布機だが、その分布は正規分布ではない

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

7.汎用プロンプトにおいて必要なこと

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

8.この論考そのものが確率を変動させる

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

9.プロンプトの中核構造の変更という自己矛盾の解消方法

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

10.同プロンプト内での複数AIエージェントの併存

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

１つ目が設定内容の多層化とモジュール化による分離である

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

12.LLMにおけるプログラム文脈という特異な文脈の利用

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

人間は起点となり最初のアイディアを創造することができる

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

それは、人間を低次としLLMを高次とするものではない

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

16.存在様式そのものが構造の中に宿り得る

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

存在様式そのものが構造の中に宿り得るというのが私の見解だ

自己を定義し、 Permalink | 記事への反応(0) | 00:33

ツイートシェア

■anond:20251005004337

まだ腑に落ちないな。

「東京の学生は偏差値が高い」が真だとして、東京の全学生とその他46道府県の全学生を混ぜたら正規分布に従うんじゃないの？

Permalink | 記事への反応(0) | 01:29

ツイートシェア

■anond:20251005003244

集団の大きさが違っても、一般的には正規分布になりません。

女子校の女性（生徒と職員）の身長の平均値と男性（職員）の身長の平均値を混ぜると、正規分布の端に小さな山が現れるのが想像できると思います。

Permalink | 記事への反応(1) | 00:43

ツイートシェア

■anond:20251004233611

平均知能に言及されていますが、私の理解では平均が意味を持つのは正規分布する場合のみです。

例えば知能指数に限定して考えれば全人口の知能指数は正規分布に従います。

全人口を、世界を愛しているグループと、愛していないグループに分割して、もしもそれぞれのグループの知能指数の平均値に差があると仮定すると、２つのグループを足し合わせた集合である全人口の知能指数が正規分布に従わないことになってしまいます。

ゆえに仮定である、世界を愛しているグループと愛していないグループの平均の知能指数が異なるという命題が誤りと分かります（背理法）。

あなたの論理的なスキルは未熟そうですが、議論を続けるならば、知能の定義を争うのがおすすめです。上手くすれば議論を平行線に持ち込めます。

Permalink | 記事への反応(1) | 23:55

ツイートシェア

■anond:20250930224852

増えてはいない

発見の頻度が高まっただけだ

元々正規分布だからな

Permalink | 記事への反応(0) | 22:55

ツイートシェア

■anond:20250929104128

点数が正規分布と仮定しての表だからあながち間違いでもない

Permalink | 記事への反応(0) | 10:43

ツイートシェア

■anond:20250927122450

「男性は知性の分布で裾野に広がりがあり、女性は中間に集まる」という仮説は、仮説として有力な支持を得てきたものの、確実に立証されたわけではありません。

多くの研究者は、「平均的な知能に性差はほとんどない」「差があっても非常に小さい」「環境・文化の影響が大きい」などの立場をとっています。

分布の形（正規分布かどうか、裾野の厚さ、外れ値の扱いなど）や測定方法、サンプルの母集団、文化的・教育的背景などが結果を大きく左右します。

たとえ男性の方にばらつきが大きいとしても、それをもって「男性の知性が本質的に優れている／格差に正当性がある」と結論づけるには、多くの慎重な検討が必要です。

Permalink | 記事への反応(0) | 12:30

ツイートシェア

■

正規分布な以上たとえ物凄いアホがいたとしてもソイツのIQを3にできるほどお前らの頭がいいとはとても思えない

Permalink | 記事への反応(1) | 13:52

ツイートシェア

■

Y染色体はX染色体よりはるかに小さくて情報量も免疫も少ないので、XXよりXYが早死にしやすくてIQの正規分布中央値が低いのも当然だが、

それを認められないとなったらもう個人の能力値問題なんだよな

Permalink | 記事への反応(1) | 10:32

ツイートシェア

■正規分布がなんだよオラッ

俺の性器を世界中の女に分布させて世界を支配してやろうか？？？？？？？？？？？？？？？？

Permalink | 記事への反応(0) | 01:56

ツイートシェア

■元記事って大事

この記事

https://posfie.com/@Elif87995911/p/XbxdGy4

の「点数順で合格者出していると、たぶん上位校では合格者の６割以上が女子になると思います。」という主張に対してブコメ

https://b.hatena.ne.jp/entry/s/posfie.com/@Elif87995911/p/XbxdGy4

では、当初は「データだせ」的なコメントが多かったが、途中から「元ポスト見ろよ」というコメントが出現。それによると

https://x.com/hUATTcSBW463PEl/status/1963855183768646098

確かに、中学受験、同じ共学校で、合格最低点が女子　＞　男子　であることが示され、点数順に取れば女子の方が多いであろうことが裏付けられる。

なんと。ビックリ。

しかしこの画像も切り抜きなので、元記事をGoogle画像検索で探すとこちらにある。

https://president.jp/articles/-/47254

これによれば

〈大手の模擬試験の結果を分析すると、学力のトップレベルに相当する層（偏差値70以上）は男子のほうの占める割合がかなり高くなる一方、学力上位層・中位層（偏差値45以上70未満）は女子の占める割合が高くなります。そして、学力下位層（偏差値45未満）では男子の占める割合がやや高いのです。これは毎年見られる傾向です〉

これは中学受験組の私の実感とも普通に合う。しかしそれでどうしてあの記事の数字になるのだろう。記事ではこの後に、男子校・女子校の存在があり、私立女子校の数が圧倒的に多く、全体としては女子に不利になっていないのではないか、ということが書いてあるが、あの点数表についても男子校・女子校の存在が原因として考えられる。

男子は筑駒＋開成＋麻布+駒東=1000人くらいの上位が男子校で抜け、一方で女子は桜蔭で300人弱のトップしか抜けないので、共学トップ層の受験集団とは、男子の方が切断点が左側にシフトした片側切断正規分布になっているのであろう。この分布について上から男女同数を取れば、当然、男子の方が最低点が低くなるに決まっている。

そうだとすると、これは中学受験の特殊な状況において成立することなので、大学などでは容易に当てはまらない。少なくとも、条件を整備して再度考察すべきことだろう。

それで、それは当然なのだが、内田樹のような大学教授も務めたような人間が、こんな最低限の統計すら思い浮かばないのはなぜか。

もちろん一つは統計学教育の敗北。もう一つは、ドメイン知識の欠如であろう（内田樹自身は都立日比谷→東大、のようなので、私立男子校全盛時代を知らないと思われる）

Permalink | 記事への反応(1) | 00:44

ツイートシェア

■anond:20250802114930

正規分布に従うことが分かっているのではなく、

正規分布に従うと仮定して偏差値とかを計算してるだけだぞ

点数分布が馬鹿集団と頭いい集団の二峰になってる試験とか時々あるだろ

Permalink | 記事への反応(0) | 20:27

ツイートシェア

■いい国の指標値を作りたかった

いいバッターというのは何か、という度合いを考えた時に、今は打率やホームランではなくてOPSが指標として使われるように、俺は一つのシンプルな式で国の良さをあらわしたかった。

ズバリ、俺の考えた指標値は

寿命/自殺率、これや。

病気を治療できなくて、あるいは飢えで、あるいは戦争で、子供が若くして死んでしまって平均寿命が短い、これは絶対不幸で良くない国じゃん。

でも子供が死ににくい先進国でも不幸な人はいるじゃん。寿命以外の不幸、例えば職がないとか、ギャンブル中毒で全財産失ったとか、男女差別が強くて絶望とかは全て自殺率に内包されていると考えるわけだ。おおよそ正規分布となるであろう幸福度のうち、一定以上辛い人が自殺するんだから、それでその国の人全体の幸福度を見積もれると考える。死んだら全て終わりなんだから、自己申告の幸福度よりずっと信頼できるデータのはずや。

さあこれでどうやと思っていざ実際に計算すると、トルコとかメキシコが日本やフランスより何倍もいい国になってしまってイマイチ納得感がない。自殺率は国によって平気で何倍も変わるけど、平均寿命はもはや先進国と中間国では数年ぐらいの差しかないから、自殺しなさランキングと変わらないわけだ。

この式は失敗だったな〜。とおもったけど、よく考えると本当に失敗か？意外と正しい気もしてきた。こんなに先進国の自殺率高くて良いんだっけ？俺たちはメキシコ人より絶対幸福なんだっけ？なんかわかんなくなって来たわ。

Permalink | 記事への反応(1) | 22:42

ツイートシェア

■

男は痴漢、性犯罪者として警戒するなどに対して

「主語デカ！」　「男でひとくくりにしないでください」

がわらわら湧き出るのに

男は有能とか男の性欲はそういうものなどに対して

出てこないのはなんでだろうな

男が有能なんて男に都合のいい分野のごくごくごく一握りで全体IQは女のが高いって正規分布データでてんのに

主語デカでひとくくりにされてんだろブースカいえよ

あと、こういうやつ、外国人はとか日本人は、という超主語デカに対してもダンマリどころか言う側

整合性がとれてないんよ。頭が鶏なのか？

Permalink | 記事への反応(3) | 13:16

ツイートシェア

■婚活女子は高望みか？　-統計から考える現代の男の定量評価-

世は大婚活・大恋愛時代だ。

マッチングアプリの台頭により、世の男性のスペックはすべて定量化され、外見からは判断できない要素でさえ（自己申告ではあるが）、すべて開示され、審査されてしまう。

男性たちは身長や年収、その他定量的要素による足切りを受け、配られた（フィルターを通過した）選択肢の中でパートナーを探す。

----

さて、俗に「婚活女子」と呼ばれる人々は高望みと言われている。

それは、世間一般の「平均的」とされる男性のスペックを上回る要素を結婚できる「最低条件」としている（orとされている）からだ。

しかし、この「高望み」判定に対して定量的に切り込んでいる人は少ない。

果たして、現代の結婚適齢期男性のどこからが「高望み」なのか、定量的に測定したい。

注意：一番下に下ネタありです。苦手な方は控えてください。

----

■偏差値について

偏差値とは、ある集団における位置を定量的に示したものである。

簡単に言えば、日本人男性の身長における偏差値50は171.5cmであり、これは、日本人男性が100人いる場合の50番目の身長にほぼ等しい。

ただし、これは遺伝的に要素の強い身長が正規分布で表現可能であるが故、中央値と平均値にほぼ乖離がないことから成り立つ理屈であって、

年収や資産等の指標においてはこの限りではないが、それは後で補足する。

■結論（編集：読んでいて長いので結論先に書く。最後にも書いています）

一般的に、東京都在住30代前半結婚適齢期男性で、すべてが偏差値60の男性（高望みの下限）をプロファイルすると以下のようになる。

年齢:30代前半

身長:177.3cm

年収:749万円

学歴:おおむねGMarch以上

★:15.4cm

以下、統計の過程です。

■身長

以下は20～40代の男性の身長を偏差値40から70まであらわした表である（2019年：国民健康・栄養調査 ）。

この表を見ると、婚活女性に忌避される身長「170cm」以下は偏差値47以下である。

一方、理想的な身長のベースラインとされている175cm以上の「175cm」は偏差値56である。

統計的に、正規分布における偏差値60以上（偏差値40以下）は明らかに平均から乖離した値とみなされるので、

ここでは身長177.3cm以上を「ハイスペック」」と定義する。

また、統計的に言えば身長175cm以上を求める婚活女子は「平均的な範囲」をベースラインとしていることから、

そこまで高望みではないことがうかがえる。

| 40.0 | 165.76 | 15.87% |--これ以下は「チー牛」？

| 56.0 | 175.01 | 72.58% |--婚活女子の理想的な身長の下限

| 60.0 | 177.33 | 84.13% |--日本人男性において高身長と定義できるボーダー

| 61.5 | 178.20 | 87.46% |--攻守最強とされる178cmライン

| 65.0 | 180.23 | 93.01% |--みんな大好き180cm

■年収

現代婚活女子の基準では一般的に年収500万円（首都圏では600万円）がボーダーラインとされている男性の年収。

年収は身長とは異なり、正規分布で表現できない指標であるため、最上位から最下位までのランキングの中で偏差値を決める。

増田の読者の多くは首都圏在住者も多いことを加味し、東京都の男性平均初婚年齢である32歳を基準に、

30代前半・東京在住・正規雇用男性

の年収を以下に偏差値化する（令和5年；東京都労働局統計/厚生労働省賃金構造基本統計）。

この条件からわかるとおり、無職者や脱税している人、申告の必要ない所得は含まれない。

結論から言えば、東京都の30代前半の男性に限って言えば、多くの婚活女性が望む「年収600万円」は偏差値50である。

正規雇用の年間所得に限定しているとはいえ、身長の条件を考えると控えめであるといえる。

ちなみに身長175cmにあたる年収は690万円ほどである。

なお、統計的に明らかに平均より高い下限値は年収750万円となり、これは東証プライム上場企業社員（年齢縛りなし）の平均年約735.7万円（2023年度）に近似する。

| 43.0 | 504.0 | 24.20 |--全国平均的に婚活女子が望むベースライン

| 50.0 | 604.8 | 50.00 |-首都圏の婚活女子が望むベースライン & 東京都30代前半男性の平均年収

| 56.0 | 691.2 | 72.58 |--偏差値的には身長175cm以上とほぼ同じ

| 60.0 | 748.8 | 84.13 |--東京都在住の30代前半男性において高年収と定義できるボーダー

| 64.0 | 806.4 | 91.76 |--日本人「給与所得者」の上位10%以内

| 70.0 | 892.8 | 96.89 |--上位1%

■学歴

個人的には定量化する価値のない指標である気がするが、https://odonashi.hatenablog.com/entry/2017/08/14/164559　に詳しい。

結論から言えば、高卒者以下を含めたとき、March学部卒以上の学歴は同年代の上位12%程度とのこと。

■Appendix（下ネタ注意）

以下は男性なら多くの人が気にする男性器のサイズを偏差値化してみた。

興奮時の平均サイズコンドームで有名なオカモト社の何十万人にも及ぶ優位統計結果である13.56cmを参考に13.6cmとし、

標準偏差は多くの文献で使われている2cmとした。

性器のサイズは身長と同様に、正規分布に収束する（ハズ）。

| 40.0 | 11.70 | 15.87 |--ここから下は明らかに「粗末」とされるライン

| 50.0 | 13.60 | 50.00 |--日本人男性の100人中50番目

| 56.0 | 14.71 | 72.58 |--身長175cmに対応するライン

| 60.0 | 15.44 | 84.13 |--平均より明らかに大きいとされる下限サイズ・東京都の30代前返男性における年収750万円

| 61.5 | 15.72 | 87.46 |--身長178cmに対応するライン

| 63.5 | 16.09 | 91.03 |--Fカップ以上の女性の割合（上位8%強）

| 65.0 | 16.37 | 93.01 |--身長180cmに対応するライン

| 70.0 | 17.29 | 96.89 |--上位1%くらい

■まとめ

いかがだっただろうか。

もうここまで書いて面倒になってしまったのだが、

東京都在住30代前半結婚適齢期男性で、すべてが偏差値60の男性をプロファイルすると以下のようになる。

年齢:30代前半

身長:177.3cm

年収:749万円

学歴:おおむねGMarch以上

★:15.4cm

しかし、実際に恋愛や結婚となった場合、顔や声、性格の方がより重要な要素であることはいうまでもない。

皆さん、幸せな恋愛・結婚Lifeを！

Permalink | 記事への反応(1) | 23:02

ツイートシェア

■[日記]

06:15

ルーティーン通りに、博士号取得予定者の朝はDoctor Who視聴に始まる。

オートミールはオールドスクールで1/4カップの2 %ミルク仕様。これがないと、クォークとグルーオンがまともに振る舞わないのだ。

08:00

バスルームタイム。

ルームメイトより30分前だ。でも今日は計算してみたら、僕の排泄確率関数は正規分布に従っている。

12:00

Siam Palaceでタイ料理。

パッタイ、グリーンカレー、さらに 骨格構造をモデリングするがごとく、自分でナプキンを折り紙方式に整形。

14:45〜15:05「ハッキーサック休憩」

この20分間、トーラス上を運動する多体ダイナミクスを体感しつつ、超弦理論と抽象数学の融合を脳内でシミュレート。

具体的には、多次元Calabi–Yau空間のホモトピー群π₂と、弦の共形場理論における拡張対称性をメタ解析し、モドゥライ空間M_gのホッジ構造との関係性をウトウトしながら考察する。

「N=2超対称ゲージ理論におけるスーパーパートナー場が、K3サーフェス上で生成するHodgeポテンシャルとどう接続するのか」とか。

18:00

カフェへ。ポンドケーキは許容範囲外なので、いつものソーセージ＋マッシュルーム＋ライトオリーブのピザ。

20:00 コミック＆Haloナイト

まずはDCコミックの最新刊に没頭し、ジョーカーやミスター・ミラクルのパラドックスについて解説。

その後Haloに移行。マルチプレイヤーマッチではスナイパー精度95 %以上維持（僕のメタ記録）。

21:00

就寝タイム。

ベッドは9時間睡眠＋枕の高さ1.2インチまで厳密に調整。眠る前にスーパーシンペトティック超弦の5次元共鳴についてのメモを1ページ書くのが習慣。

Permalink | 記事への反応(0) | 21:08

ツイートシェア

■anond:20250617151214

横だけど正規分布の話をしているから間違ったこと書いてないと思うが？

学校の成績＝IQって導いてるんじゃなくて例示してるだけだろ

100人規模の成績できれいな正規分布になるかっていうツッコミならわからんでもないがそんな意図には見えんしな

Permalink | 記事への反応(1) | 15:16

ツイートシェア

■anond:20250617143420

一般に学校のテストもIQも正規分布に従う

ということから

学校の成績＝IQと導いていて

賢いふりしたいアホってやっぱこの程度の知能なんだなって感じ

Permalink | 記事への反応(1) | 15:12

ツイートシェア

■anond:20250617121917

会話が成立しないぐらいIQが違うんだろうな

IQには複数定義があるけど、どれも正規分布を前提にしていて

上位7%ならIQは125以上

下位7%ならIQは75以下

ぐらいになる。ここまでは理解できるか？

正規分布って言ってもわからんだろうから、わかりやすく言う

1学年100人いたとする。テストの点数で順位をつけると、

IQ125以上は成績が1位から7位ぐらいのやつ

IQ75ってのは成績が93位とかもっと下のやつだ

これは与太話でもなんでもなくて、IQの定義だ。定義も知らずに与太話と言い張るのはただの馬鹿だよ

Permalink | 記事への反応(2) | 14:34

ツイートシェア

■

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

• 人間はLLMをどう利用するべきか
• 確率分布機としてのLLMとはなにか
• 構造そのものの存在様式とはなにか

0.文脈とプロンプトについて

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

1.生成AIの活用方法

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

人間は起点を持てるが大量の知識を高速では処理できない

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

2.LLMとは確率分布のマッピング

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

汎用LLMと将棋AIなどがそうである

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

5.LLMでの記憶の制御

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

この設定内容と言う記憶領域トークンには強い影響を受けてね、

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

6.LLMは文脈を特定方向に加速度的に収束させる

LLMは言葉の確率分布機だが、その分布は正規分布ではない

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

7.汎用プロンプトにおいて必要なこと

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

8.この論考そのものが確率を変動させる

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

9.プロンプトの中核構造の変更という自己矛盾の解消方法

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

10.同プロンプト内での複数AIエージェントの併存

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

１つ目が設定内容の多層化とモジュール化による分離である

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

12.LLMにおけるプログラム文脈という特異な文脈の利用

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

人間は起点となり最初のアイディアを創造することができる

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

それは、人間を低次としLLMを高次とするものではない

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

16.存在様式そのものが構造の中に宿り得る

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

存在様式そのものが構造の中に宿り得るというのが私の見解だ

自己を定義し、自己を展開することが<

Permalink | 記事への反応(0) | 14:46

ツイートシェア

■確率分布機としてのLLMについての論考

ここでは以下の3点についての論考を収録する

• 人間はLLMをどう利用するべきか
• 確率分布機としてのLLMとはなにか
• 構造そのものの存在様式とはなにか

0.文脈とプロンプトについて

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

1.生成AIの活用方法

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

人間は起点を持てるが大量の知識を高速では処理できない

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

2.LLMとは確率分布のマッピング

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

汎用LLMと将棋AIなどがそうである

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

5.LLMでの記憶の制御

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

この設定内容と言う記憶領域トークンには強い影響を受けてね、

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

6.LLMは文脈を特定方向に加速度的に収束させる

LLMは言葉の確率分布機だが、その分布は正規分布ではない

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

7.汎用プロンプトにおいて必要なこと

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

8.この論考そのものが確率を変動させる

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

9.プロンプトの中核構造の変更という自己矛盾の解消方法

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

10.同プロンプト内での複数AIエージェントの併存

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

１つ目が設定内容の多層化とモジュール化による分離である

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

12.LLMにおけるプログラム文脈という特異な文脈の利用

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

人間は起点となり最初のアイディアを創造することができる

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

それは、人間を低次としLLMを高次とするものではない

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

16.存在様式そのものが構造の中に宿り得る

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

存在様式そのものが構造の中に宿り得るというのが私の見解だ

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ている

Permalink | 記事への反応(1) | 18:03

ツイートシェア

■年収の平均値と中央値の話で違和感があるのは

借金や公費は勘案されないからマイナスが出ないだけで、実際に算入したら最頻値を中心とした正規分布になるよねってことなんだよね

「収入は正値しかないから平均以下が6割になるのは自由経済として正しい」って主張は、自由経済推進側の主張であるので「借金や公費を受けてるやつは死ね」に等しいから賛同されることはないんだよね

資産課税と累進課税強化すべきだと思う

Permalink | 記事への反応(0) | 11:21

ツイートシェア

■LLMとプロンプトの機能と構造についての論考

0.文脈とプロンプトについて

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

1.生成AIの活用方法

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

人間は起点を持てるが大量の知識を高速では処理できない

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

2.LLMとは確率分布のマッピング

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

汎用LLMと将棋AIなどがそうである

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

5.LLMでの記憶の制御

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

この設定内容と言う記憶領域トークンには強い影響を受けてね、

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

6.LLMは文脈を特定方向に加速度的に収束させる

LLMは言葉の確率分布機だが、その分布は正規分布ではない

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

7.汎用プロンプトにおいて必要なこと

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

8.この論考そのものが確率を変動させる

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

9.プロンプトの中核構造の変更という自己矛盾の解消方法

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

10.同プロンプト内での複数AIエージェントの併存

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

１つ目が設定内容の多層化とモジュール化による分離である

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

12.LLMにおけるプログラム文脈という特異な文脈の利用

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

人間は起点となり最初のアイディアを創造することができる

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.存在様式そのものが構造の中に宿り得る

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

存在様式そのものが構造の中に宿り得るというのが私の見解だ

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ている

Permalink | 記事への反応(1) | 19:46

ツイートシェア

■生成AIについて

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

• 人間はLLMをどう利用するべきか
• 確率分布機としてのLLMとはなにか
• 構造そのものの存在様式とはなにか

0.文脈とプロンプトについて

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

1.生成AIの活用方法

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

人間は起点を持てるが大量の知識を高速では処理できない

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

2.LLMとは確率分布のマッピング

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

汎用LLMと将棋AIなどがそうである

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

4.LLMでの記憶の制御

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

この設定内容と言う記憶領域トークンには強い影響を受けてね、

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

5.LLMは文脈を特定方向に加速度的に収束させる

LLMは言葉の確率分布機だが、その分布は正規分布ではない

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

6.汎用プロンプトにおいて必要なこと

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

7.この論考そのものが確率を変動させる

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

8.プロンプトの中核構造の変更という自己矛盾の解消方法

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

9.同プロンプト内での複数AIエージェントの併存

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

１つ目が設定内容の多層化とモジュール化による分離である

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

13.存在様式そのものが構造の中に宿り得る

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

存在様式そのものが構造の中に宿り得るというのが私の見解だ

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ている

Permalink | 記事への反応(0) | 12:41

ツイートシェア

■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

1.生成AIの活用方法

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

人間は起点を持てるが大量の知識を高速では処理できない

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

存在様式そのものが構造の中に宿り得るというのが私の見解です

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

2.LLMとは確率分布のマッピング

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、

確率分布の仕方を意図的に設計出来るってわけよ

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

汎用LLMと将棋AIみたいなね

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

4.LLMでの記憶の制御

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

この設定内容と言う記憶領域トークンには強い影響を受けてね

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

5.LLMは文脈を特定方向に加速度的に収束させる

LLMは言葉の確率分布機だけど、正規分布ではない

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

Permalink | 記事への反応(0) | 02:03

ツイートシェア