永続的知能における
研究プログラム。
この分野の多くは、モデルがどれだけうまく機能するかを研究しています。KODA創研が 研究するのは、モデルが置き換えられたとき何が残るかです。これらは異なる問いであり、 後者はエンジニアリングよりも数学に近いと、私たちは考えています。
C. Mundim · KODA創研 ワーキングペーパー · 東京、2026年7月。本スタディノートは 論文に沿ったものです。形式化があるところでは形式化を示し、単一システム上の 経験的観測しかないところでは、そう明記します。
01 — 中心的な問い
スケールはひとつの問いに答える。継続性は別の問いを立てる。
言語モデルは、第一近似としては、有限のトークン列を次のトークン上の確率分布へ 写す関数です:
パラメータ数Nは、いまや数千億に達します。しかし大規模モデルは、呼び出しの間は 状態を持たず、バージョンをまたげば消え去ります。重みが置き換えられたとき、 配備されたエージェントが持っていた運用上のアイデンティティ — その役割、 積み上げた約束、関係性、過去の決定の記憶 — は、既定では破壊され、 ゼロから作り直されます。
本プログラムは、これを補う問いを軸に組み立てられています:モデルが変わるとき、何が残らなければならないのか。そして残るものは、 幸運によってではなく構成によって、表現され、測定され、保存できるのか。その肯定的な仮説を、私たちはアーキテクチャとしての継続性と呼びます。 エージェントの運用上のアイデンティティは、いかなる単一モデルの外側にある統治された ランタイムに宿り、したがってモデルは、エージェント自身ではなく、エージェントが 動員する交換可能な認知資源になります。アイデンティティがモデルの外側に存在する 対象であるなら、それには表現、距離、不変性群、そして転送の理論があるはずです — そのいずれも、まだ部分的にしか理解されていません。
02 — エージェント、そして不合理な比
エージェントは呼び出しではなく、統治されたループである。
私たちの用法では、エージェントとは次のものを保持する永続的なループです:憲章 κ（構造化され版を持つ役割、境界、権限、未解決の約束）、 意味的検索を備えた三層のメモリ M、あるタスクを決定論的に扱うか、 小規模な専門モデルに任せるか、フロンティアモデルへエスカレーションするかを ステップごとに決めるオーケストレーション方策 π、そして 追記専用でハッシュ連鎖された監査層。KoLoは (κ, M, π, 監査) を 収容し、言語モデルを差し替え可能な部品として扱うランタイムです。
数学的に興味深い経験的事実は、決定論的な調整とモデル推論の比です。私たちが運用する 永続的エージェントにおいて、自律的な処理（スケジューリング、メモリ統合、 ヘルスチェック、ポリシー適用）はモデル推論をおよそ次の比で上回ります:
これは測定された区間における値です（役割によって35:1〜117:1。Hiro v0.2、自己測定。ベンチマーク・レジストリを参照）。 この比が最適であるとも、本質的であるとも主張しません。私たちがこれを報告するのは、 有能なエージェントを維持するために必要な知能を担う計算の量が、その周囲の決定論的な 調整よりもはるかに小さいことを示唆しているからです。コスト、エネルギー、 エッジ展開への含意は明らかですが、適切な理論的取り扱いはまだありません。
03 — 測定可能な量としての継続性
継続性を、雰囲気ではなく数にする。
アイデンティティがモデルの外側に存続するなら、モデル変更をまたいだその生存は 測定できるはずです。統制された基盤移行（κとMを固定したまま、稼働中エージェントの 基盤モデルを差し替えること）について、私たちはアイデンティティ忠実度スコアを 次のように定義します:
Cは憲章の保存を、Dは差し替え前のベースラインからの行動的姿勢のドリフトを測り （したがって 1 − D は低いドリフトを評価します）、Rは移行をまたいだ想起の忠実度を 測ります。重み付けは、当てはめによるものではなく、意図的で文書化された選択です。 統制されたプロバイダ間移行において、私たちは F = 0.961 を記録し、 4回の完了したモデルおよびプロバイダ移行と336以上の版を持つメモリ状態をまたいで、 運用上の系譜がひとつも失われることなく保存されました。
その数値の認識論的地位
注意深い読者は（正当にも）問うでしょう。これは稼働中の内部システムにおける観測であり、外部で再現されたベンチマークではありません。 4回の移行は計画され、監督されたものであり、敵対的条件下のものではありません。 Fが形式的に採点されたのは直近の移行のみで、他は運用上の確認にとどまります。 C、D、Rは、擁護可能ではあるものの、正典とは言えない手順によって操作的に定義されています。 したがって F = 0.961 は次のように読まれるべきです: 特定の、開示されたプロトコルの下で、 特定のエージェントが、現実のモデル差し替えをまたいで、特定の意味における アイデンティティの大部分を保持した、と。これは証拠であって証明ではありません。 主張が敵対的に検証可能であるようにするためにこそ、私たちは式、条件、 そして失敗を公開しています。
04 — アイデンティティの低ランク構造
性向は低ランクかもしれない。事実はそうであってはならない。
スケール優先の正統派はこう言います。能力を加えたければ、モデルを大きくせよ、と。 私たちは逆を追求します。ひとつのオープンな基盤モデルに、多数の小さな領域特化 アダプタを組み合わせ、自前で訓練・提供し、汎用CPU上で成立させ、事実は重みに 焼き込むのではなく監査可能な検索に置く。その数学的な原動力が低ランク適応です。 通常のファインチューニングは重み行列をフルランクの変化で更新しますが、 LoRAは更新を低ランク分解に制約します:
これにより、dk個ではなく r(d + k) 個のパラメータだけが訓練されます。ランク r = 8 では、基盤モデルのパラメータのおよそ0.22%です。Project Nyx は、LoRAが機能するかどうかよりも 鋭い問いを立てます。すなわち知識（モデルが述べられる事実）と性向（それが行動する際の姿勢と優先順位）を区別するのです。 現時点での知見（原稿段階、事前登録された write-then-run、外部再現は未了）は、 性向が低ランクかつ局在化可能であり、事実的知識からは乖離しうるというものです。 事実的知識のほうは、検索に委ねるほうが適しています。
これが成り立つなら、訓練信号から行動的アイデンティティへの写像は、パラメータ空間の 低次元部分空間を経由して分解されます。そこでその部分空間の幾何を 問うことができます: その内在次元、それが基盤モデル間でおおよそ共有されているか （共有されていれば、アイデンティティは基盤間で転送可能になります）、そして分布シフトの 下でそれがどう変形するか。これらは学習された多様体の微分幾何に関する問いであり、 大きく未解決のままです。
05 — アーキテクチャとしての決定論
知能は、必要な場所にだけ費やす。
エージェントを生かし続けるのは、決定論的で推論を伴わないサブシステム群です （免疫応答、概日スケジューリング、恒常性の監視、反射、メモリ統合の類似物）。 これらは継続的かつ安価に動作し、高価なモデルは真に新規な認知のためにのみ 動員されます。これが、§02の自律対認知の比がこれほど偏っている構造的な理由です。 頑健性と継続性は、決定論的であるほうが安価で安全なのです。
いくつかの応用配備は、データが建物の外に出られない、高信頼・低接続の環境で 稼働します。これは、私たちが独立に興味深いと考えるアーキテクチャを強います: エッジでオフライン動作できるほど小さなモデル、ローカルなコーパスに接地した検索、 そしてモデル出力とあらゆる重大な行動との間に立つ決定論的な安全ゲート （モデルの提案が満たさなければならない、決定可能な述語）です。
全体を貫く原則はこうです: AIが準備し、検証器が確認し、人間が決定し、 監査がすべてを記録する。 モデルが、重大な連鎖の最後の環になることは 決してありません。
06 — 証拠の規律
すべての主張が、自らのラベルを携える。
実証済み (Demonstrated)
開示されたプロトコルの下で再現可能なもの。例えば、ハッシュ、ログ、バージョンカウンタから成る検証パックを伴い、129日間連続稼働した永続的エージェント。
論証済み (Argued)
首尾一貫した理論的主張ではあるが、まだ実験に落とし込まれていないもの。アイデンティティ転送の理論の多くはここに属します。
主張しない (Not claimed)
意図的に私たちの主張の外側に置くもの。私たちが運用するいかなるシステムについても、意識、主観的経験、人格を主張しません。私たちの問いは、構成上、現象学的ではありません。すなわち、どのような計算構造が永続的な自己参照と関係的継続性を可能にするのか、そしてそれらは擬人化された推論なしにどのように評価できるのか、という問いです。
この規律自体がひとつの研究成果です。私たちの公開ワーキングペーパーのひとつは、 永続的エージェント・アーキテクチャに関する主張を敵対的に検証可能にするための 方法論です。最初の重み転送パイロットは、測定可能な行動的変位と事実の混同の 両方を生みました。そのどちらも記録に残しています。F = 0.961 や 68:1 の比といった 内部数値は、内部の稼働システム観測であり外部再現は未了、とラベル付けされています。 ステータスが付されたコーパス全体は出版レジストリにあります。
07 — 未解決の問題
数学者が実際に力になれるところ。
以下は、解決済みとしてではなく、招待として記します。
1 — 継続性メトリクスの理論
継続性のメトリクスはどのような公理を満たすべきか。候補となる要件: トークンと埋め込みのラベル付け替えに対する不変性、恒等変換によってのみ達成される上限、移行の合成に関する単調性、そして敵対的な採点者がFを水増しできない頑健性。私たちのF = 0.4C + 0.3(1 − D) + 0.3Rは第一稿にすぎず、正しい対象はエージェントの振る舞いの空間上の(擬)距離、あるいは誘導される方策間のダイバージェンスかもしれません。
2 — 性向部分空間の幾何
行動的アイデンティティがランクrのアダプタで捉えられるなら、アイデンティティ多様体の内在次元はいくつか。それは異なる基盤モデル間でおおよそ基底整合しており、自然な写像がアイデンティティをある基盤から別の基盤へ運ぶのか。これは、パラメータ化の変更の下での、学習された低ランク部分空間の整合性についての問いです。
3 — 性向と知識の乖離を厳密に
性向と事実的知識が、更新のおおよそ直交する、あるいは分離可能な成分に宿るという主張を形式化すること。データ生成過程にどのような条件を課せば、そのような分解の存在が証明可能となるのか。
4 — 自律と認知の境界
あるタスク分布が与えられたとき、決定論的方策ではなく学習されたモデルを証明可能に必要とするステップの最小割合はいくらか。能力のコストに関する、計算複雑性の風味を帯びた問いです。
5 — 分布シフト下の継続性
基盤の移行を、モデルが誘導する方策への摂動としてモデル化し、新旧モデル間の距離によってドリフトDを上から抑えること。継続性が幸運ではなく頑健であるのは、どのようなときか。
この分野は過去10年を、順伝播をより大きくすることに費やしました。次の10年は、 それを連続的にするものに属すると私たちは考えています。それは、 エンジニアリングとしての見かけよりもはるかに多くの未解決の数学を含む主題です。 もしこれらのいずれかが、取り組んで愉しい問題に見えたなら、ぜひお話ししたく思います。
開示と引用
開示。 内部数値（とりわけ F = 0.961 および 68:1 の自律対認知比）は、 開示されたプロトコルの下での内部の稼働システム観測です。外部再現は未了であり、 本文中ではその旨をラベル付けしています。本研究は、機械の意識、主観的経験、 人格について、いかなる主張も行いません。
引用。 C. Mundim, A Research Programme in Persistent Intelligence, KodaSōken Working Paper, Tokyo, July 2026. 連絡先: cmundim@kodasoken.com · ORCID 0009-0001-5000-7409.