🤖 machine learning

Computation, Condensation, and the Incompleteness Between Them: A Coupled Foundation of Intelligence

本論文は、真の知能には、離散的な記号論理と連続的な幾何学的降下による特有の不完全性を克服するために、計算と記憶の強制的な結合が必要であり、その統合は必然的に、文脈特定における不可避な誤差底を導入すると主張するものである。

原著者： Xin Li

公開日 2026-07-10

📖 1 分で読めます☕ さくっと読める

原著者： Xin Li

原論文は CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) のもとパブリックドメインに提供されています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

想像してみてください。あなたのところには、超スマートなロボットの友達がいます。何十年もの間、コンピュータ科学者たちは、この究極のバージョンのロボットを作り上げるために、ある大きな問いを投げかけてきました。「もし無限の時間、無限のメモリがあり、決して疲れることがないとしたら、機械は何を計算できるのか？」 이것이 コンピュータ科学の祖であるチューリングの世界です。彼の世界では、機械は問題を解き、それを忘れ、また後でゼロから何度でも解くことができます。たとえ100万回繰り返したとしても、速度が落ちることはありません。それは、宇宙を書き換えることができるものの、食べることも、眠ることも、記憶することも必要としない幽霊のような存在です。

しかし、ここにひねりがあります。現実の世界は、そうではありません。

自然界は、無限の時間など気にしていません。自然はもっと難しい問いを突きつけます。「生き物が、実際に持っているわずかな脳、少量のカロリー、そして短い寿命の中で、生き残るために十分に早くできることは何か？」

この論文は、自然の問いに答えるためには、単一の道具（計算）だけを見るのではなく、二つの道具によるチームを使う必要があると主張しています。著者のシン・リー（Xin Li）とその仲間たちは、真の知性とは単なる計算ではなく、**「計算」することと「凝縮」**することの両方であると提案しています。

二つの道具：建築家と司書

知性を建設現場として考えてみましょう。そこには、全く異なる二人の作業員が必要です。

建築家（計算、または $\partial$ ）： この作業員は、ルールに従う石工のようなものです。彼はレンガの山（生のデータ）を取り、厳格な指示に従って壁を築きます。彼は混沌としたものを構造化されたものへと変容させます。彼は、「ここからあそこへ行くにはどうすればよいか？」と問いかけます。これが標準的なコンピュータが行うことです。ルールに従うことには長けていますが、記憶することには極めて無力です。もし彼に同じ壁を千回建てるよう頼んだら、彼は毎回ゼロから壁を築きます。彼は決して学習しません。
司書（記憶／凝縮、または $\kappa$ ）： この作業員は正反対です。彼は建築家が完成させた壁を見て、「ああ、これは以前見たことがあるな」と言い、その壁全体を、ライブラリにある一つの小さく再利用可能なレンガへと変えます。彼は複雑で完成された構造を、単純なトークンへと凝縮します。これが私たちの学習方法です。毎朝物理法則を導き出し直す代わりに、私たちは棚から「物理学」というトークンを取り出すのです。

大発見： 論文は、これら二つのうち一つだけでは、あなたは知性を持ち得ないことを証明しています。

建築家しかいない場合、あなたはループに陥ります。永遠に計算し続けることはできますが、解いたものを保存できないため、決して新しいことを学ぶことができません。あなたはゲーデルの不完全性定理と呼ばれる壁、つまり、自分のルールだけでは真であることを証明できても、それを証明し続けることができない論理的な罠に突き当たります。
司書しかいない場合、あなたはただの埃をかぶったアーカイブに過ぎません。古いパターンを認識することはできますが、新しい何かを導き出すためのエンジンを持っていません。あなたは**モースの鞍点（Morse Saddle）**と呼ばれる別の壁に突き当たります。ボールを丘の麓（答え）に向かって転がそうとする場面を想像してください。地形が複雑な場合、ボールは鞍点（ある方向ではピークであり、別の方向では谷である点）で止まってしまいます。地形が強制的に停止させるため、ボールはきれいな解決策へと転がり落ちることができません。

結論： 知性とは、これら二つの**結合（カップリング）**です。新しい問題を解くための「建築家」が必要であり、同時に、それらの解決策を将来のためのショートカットへと変えるための「司書」が必要です。論文は、これが単なる素敵なアイデアではなく、数学的な必然性であると主張しています。どちらの道具も、単独では役割を果たせません。

知性の代償：「認識か、発見か」のジレンマ

では、両方の道具を持てば、ロボットは完璧なのでしょうか？ いいえ。 そして、ここからがこの論文の最も興味深い部分です。

ロボットがどちらの道具を使うべきかを決断しなければならない瞬間、それが最も困難な課題となります。ロボットは状況を見つめ、こう問いかけなければなりません。「これは以前見たことがある古い問題なのか（だから司書／凝縮を使うべきか）、それともこれは全く新しい問題なのか（だから建築家／計算が必要なのか）？」

著者らはこれを**コンテキスト識別（Context-Identification）**と呼んでいます。

ここでの落とし穴は、この決定を100%正解にすることは不可能であるということです。

もし判断を誤り、新しい問題を古いものとして扱ってしまった場合、あなたは四角い杭を丸い穴に無理やり打ち込むことになります。あなたは硬直してしまい、間違いを犯します。
もし判断を誤り、古い問題を新しいものとして扱ってしまった場合、あなたは車輪の再発明にエネルギーを浪費することになります。

論文は、この決定点が**決定不能（undecidable）**であることを証明しています。それはパラドックスのようなものです。ロボットは、ある状況が自分が現在構築しているカテゴリーに属しているかどうかを判断しようとしています。これはループなのです。著者らは、これは現在のAIのバグではなく、有限の存在にとっての根本的な法則であることを示しています。

このため、**不可避なエラーの底限（irreducible error floor）*が存在します。どれほど賢くなっても、何が「古い」もので何が「新しい」ものかを判断する際に、常にいくらかの*間違いを犯すことになります。論文は、このエラーは失敗ではなく、絶えず変化し続ける世界に生きるための「入場料」であると示唆しています。

なぜこれが重要なのか（専門用語抜きで）

この論文は、知性の問題を解決するために、単にコンピュータを「より大きく」したり「より速く」したりすればよいという考えを否定しています。無限のメモリを与えたからといって、ロボットが賢くなると期待することはできません。ロボットには、複雑な経験を単純で再利用可能なトークンへと変える、凝縮という特定のメカニズムが必要です。

また、ミスをゼロにする「完璧な」AIを構築できるという考えも否定しています。数学によれば、エージェントが有限（限られた時間とエネルギーを持つ）であり、世界が無限（終わりのない可能性）である限り、エージェントが立ち往生したり誤った推測をしたりする「鞍点」は常に存在します。

テイクアウェイ（要点）：
知性とは、完璧な計算機になることではありません。それは、新しいものを構築し、それを記憶へと凝縮させながら、自分が見ているものが新しいものなのか古いものなのか、100%確信することはできないという事実を受け入れる、有限の生き物であることです。

著者らは、これはロボットについてだけではないと示唆しています。彼らは、この「結合」は普遍的な法則であると主張しています。それはあなたの遺伝子、あなたの脳、文化がどのように進化するか、そしてあなたが自転車の乗り方を学ぶ過程において起こります。それは同じプロセスです。計算し、凝縮し、そして全体像を把握することは決してできないということを受け入れるのです。

この論文は、この二ステップのダンスを解決する新しいAIを構築したと主張しているわけではありません。むしろ、これが知性が存在するための唯一の方法であるという証明を提示しており、その「グリッチ（不具合）」こそが、生きている、思考している存在の署名であることを示しているのです。

技術的要約：計算、凝縮、およびその間の不完全性

1. 問題提起：有限性における知能

本論文は、チューリングマシン・モデルに根ざした古典的な計算理論は、生物学的知能を説明するには不十分であると論じている。チューリングの枠組みは、無制限で不死、かつ脱身体的なエージェントによって「効果的に計算可能」なものに対処している。対照的に、自然は異なる問いを突きつける。すなわち、「有限で、死すべき運命にあり、エネルギー制限のあるエージェントが、非定常な世界の中で生き残るために十分に速く計算できるものは何か？」という問いである。

著者は、知能は計算（チューリング演算子 $\partial$ ）のみによっても、あるいは神経凝縮（neural condensation）のみによっても特徴付けられないと断じる。代わりに、知能は二つの異なる演算子の**結合（coupling）**を必要とする。

計算 ( $\partial$ ): 構造を閉鎖へと向かわせる変容（精緻化/elaboration）。
記憶／凝縮 ( $\kappa$ ): 検証された閉じたサイクルを、再利用可能なトークンへと凝縮すること（抽象化／償却/amortization）。

論文では、古典的な計算には存在しない構造的特徴を強いる三つの「有限性」を特定している。

有限の時間: これは**償却（amortization）**を強いる。死すべき運命にあるエージェントは、再計算にコストをかけ続けることはできない。そのため、解決された計算を、将来の安価な検索（助言/advice）へと変換しなければならない。
有限のメモリ: これは**抽象化（abstraction）**を強いる。エージェントはあらゆる構成を保存することはできないため、経験を等価類（トークン）へと圧縮しなければならない。
有限のエネルギー／リアルタイムの行動: これは**パリティ分離（parity split）**を強いる。エージェントは単一の基質上で学習と行動を同時に行う必要があり、それゆえに、可塑的な部分空間（探索）と安定した部分空間（保存）への分解を要求される。

2. 方法論および理論的枠組み

本論文は、計算と凝縮の相互作用を定式化するために、代数的位相幾何学、モース理論、および複雑性理論を組み合わせた数学的枠組みを採用している。

コヒーレント計算複体（Coherent Computational Complex）: 著者らは、基質を、境界演算子 $\partial$ を満たす $\partial^2 = 0$ のコヒーレンス則を持つ、実内積空間の有限な鎖複体 $C_\bullet$ と定義する。この空間は計量とホッジ分解を備えている。
パリティ・グレーディング: この複体は、 $\mathbb{Z}/2$ $Z /2$ により、偶数（記号的、構成要素的、 $H_0$ $H_{0}$ ）と奇数（幾何学的、サイクル的、 $H_1$ $H_{1}$ ）のセクターに分割される。
- $\partial$ (計算): セクター内で作用し、開いた鎖を閉じたサイクル（証明または平衡）へと駆動する。
- $\kappa$ (凝縮): セクター間を跨いで作用し、閉じたサイクル（奇数）を再利用可能なトークン（偶数）へと崩壊させ、実質的に次数を下げる。
リソース論: 論文は、複雑性理論における「助言（advice）」の概念（$P/poly $）を利用している。著者は、凝縮が「助言」（あらかじめ配置された構造）を製造すると論じている。これは、時間や空間とは交換不可能なリソースである。$ P/poly$ は決定不能な言語を含むため、いかなる時間や空間（計算）も、凝縮によって生成された構造的助言を代替することはできない。

3. 主要な貢献と結果

A. 二つの不完全性の側面
論文は、どちらの演算子も、自身のセクター内に限定されている限り不完全であることを証明している。これらの不完全性は単なる類推ではなく、単一の障害の「パリティ共役な側面（parity-conjugate faces）」である。

記号的不完全性（ゲーデル）: 偶数（記号的）セクターに限定された場合、閉鎖演算（証明）は対角線論法によって失敗する。内部から到達できない真なる文（閉じたクラス）が存在する。
幾何的不完全性（モース）: 奇数（幾何学的）セクターに限定された場合、閉鎖演算（勾配降下）はトポロジーによって失敗する。意味的に複雑な多様体（非自明な中間ホモロジーを持つもの）上では、モース理論により**鞍点（saddle points）**の存在が規定される。純粋な降下法ではこれらの鞍点を解決できず、フローは極小でも極大でもない混合平衡へと強制的に導かれる。

B. 強制された結合
中心となる定理（定理5）は、これら二つの不完全性が双対であることを確立している。

鞍点は、安定な部分空間（偶数／足場方向）と不安定な部分空間（奇数／フロー方向）の両方を持っている。
$\partial^2 = 0$ がセクター間の直交性を維持するため、単一モードの演算子は、障害を解決するために必要な相補的な部分空間に対して盲目である。
結論: 完全性には、両方の演算子の結合が必要である。知能とは、両者の間の「交通（traffic）」である。すなわち、 $\partial$ は構造を閉鎖へと精緻化し、 $\kappa$ はその閉鎖を将来の使用のためのトークンへと凝縮する。

C. 結合の代償：コンテクスト識別
論文は、この結合されたシステムの「ヒンジ（蝶番）」をコンテクスト識別（context-identification）（既知のパターンを認識するか、新しいパターンを発見するかという決定）に置いている。

決定不能性: ある状態の軌道が、保存された領域に入るのか（認識）、あるいは新しいトークンを必要とするのか（発見）を判定する問題は決定不能である。
不完全性の合致: この決定問題は、両方の不完全性と一致する：
- 幾何学的側面: 状態が鞍点のセパラトリクス（分離線）のどちら側に位置するかを判定する問題である。
- 記号的側面: システムが自身で構築している構造への所属を、同時に決定するという自己参照的な対角線論法の問題である。
不可避なエラーフロア: コンテクストの同一性を解決するために必要な深さは無制限であるため（「深さの退行/depth regress」）、いかなる有限のエージェントも、コンテクスト識別における不可避なエラー率を抱えることになる。これは欠陥ではなく、有限の存在が尽きることのない世界に直面した際の必然的な帰結である。

D. 構造的学習理論
論文は、学習を**計量・位相的因子分解（Metric-Topological Factorization: MTF）**の維持として定義する「構造的学習理論」を提案している。

足場 (Scaffold / Harmonic / Even): 離散的、不変的、位相的な構造（どのコンテクストか）。 $\kappa$ によって構築される。
フロー (Flow / Exact / Co-exact / Odd): 連続的、可変的な、計量的構造（コンテクスト内での動き）。 $\partial$ によって計算される。
直交性: ホッジ分解は、これらが直交していることを保証する。これにより、安定性と可塑性のジレンマが解決される。つまり、足場（安定性）を変えることなくフロー（可塑性）を変化させることができ、その逆も同様である。過学習（overfitting）は、この因子分解の崩壊（フローを足場として保存すること）と定義される。

4. 意義と主張

本論文は、チューリングマシンの抽象化を修正するために、有限性の制約を再導入した「知能の結合された基礎」を提供すると主張している。

普遍性: $\partial$ と $\kappa$ の結合は、遺伝子から文化に至るまで、あらゆる集積スケールで実現される普遍的な法則として提示されている。それは選択、可塑性、学習、そして伝統として現れる。
知能の性質: 知能は、より強力な形式の計算としてではなく、「有限のエージェントにとって生存可能にされた計算」として定義される。それは、果てしない世界を、有限のものが「決して終わることのない凝縮」を続けるプロセスである。
範囲: 本論文は、チューリングが計算できないものを計算すると主張しているのではない。むしろ、境界を持つエージェントの効率と生存可能性に対処している。論文は、計算理論における欠落している演算子（ $\kappa$ ）を特定し、その結合が生物学的な便宜ではなく、数学的な必然性（不完全性）によって強制されていることを証明している。

論文は、知能の中心的な行為――それが何を見ているのかを決定すること（コンテクスト識別）――は、決してエラーフリーにはなり得ず、この不可避なエラーこそが、開かれた世界に直面する有限のエージェントの署名であると結論づけている。