Agent システムの次世代アーキテクチャ・パラダイム
2025 年以降、大規模モデルの軍拡競争は産業の物語を書き換えてきた。より大きなパラメータ、より長いコンテキスト、より高価なクラスタである。単一のモデルが数学コンテスト、コード生成、さらには研究レベルの証明においてすら人間の専門家に迫り、あるいは凌駕しはじめたとき、明快な路線図が描かれたかのように見えた——一つの脳を十分に大きくすれば、人工超知能（ASI）はある規模の閾値を超えた先で自然に到来する、と。
しかし、それに伴ってより深い問いが浮かび上がる。「際限なく大きくなる単一の脳」は、本当に知能の最終形態なのだろうか。
自然界が示す答えは味わい深い。地球上で最も強力な知能システムは、そのほとんどが中央集権的ではない。巣全体の設計を知っている蟻は一匹もいないが、蟻のコロニーは最短の採餌経路を見つけ出す。言語を理解している神経細胞は一つもないが、一千億個の神経細胞は、あなたがいまこの文を読む能力を創発させた。「正しい価格」を知っている取引者は一人もいないが、市場は数億の参加者の局所的な知識を、リアルタイムに更新される一つのシグナルへと圧縮している[1]。進化そのものもまた同じだ。設計者はおらず、ただ膨大な個体が局所的に競争し、変異し、選択されるだけで、最後には神学者を戸惑わせるほど精巧な構造へと収束していく。
この観察は、主流の物語と直交する一つの判断へと我々を導く。超知能への道は、一つの脳をより大きくすることではなく、知能を自己組織的で、分解可能で、並列化可能で、進化可能な群れとして作り上げることかもしれない。 我々はこの形態を**「スウォーム」（swarm）**と呼ぶ。本稿はこの道筋を明らかにしようと試みる——その理論的血統、それが突き破る数学の壁、すでに実験で確定した部分、なお証明を待つ急所、そしてそれが最終的に指し示すものである。
創発の公式：構築ブロック、規則、そして組み合わせ爆発
スウォームを理解するには、まず「創発」という、使い古されながらほとんど正確に語られてこなかった語に立ち返る必要がある。
サイエンスライターの Emergent Garden は、素朴でありながら鋭い定義を与えている。創発システムに必要なものは二種類だけだ——**構築ブロック（Building Blocks）と規則（Rules）**である[2]。水分子は化学の規則に従う構築ブロックであり、表面張力と雪片のフラクタルを創発させる。蟻はフェロモンの規則に従う構築ブロックであり、巣の建築学を創発させる。単語は統語規則に従う構築ブロックであり、言語を創発させる。これは神秘主義ではなく、半世紀の血統をもつ科学の系譜である。1970 年の「コンウェイのライフゲーム」は三つの規則から、移動し自己複製する構造を育て上げた。1980 年代のウルフラムの「規則 30」は左右二つの隣接セルしか見ないにもかかわらず、今日に至るまで誰も数式で事前に予測できないパターンを吐き出す——ウルフラムは「近道となる公式を見つけること」に三万ドルの賞金を懸けたが、いまだ誰も受け取っていない[3]。
創発を真に驚くべきものにしているのは組み合わせ爆発である。物事の組み合わせ方は、物事そのものよりもはるかに多い。百個のビットが生み出しうる固有のビット列の数は、観測可能な宇宙の原子数を超える。レゴブロック一箱の価値は説明書に載っているあのモデルではなく、それらのブロックが組み上げうる説明書の外側のすべてにある。産出が指数的に投入を上回るのだ。
スウォームはこの公式に沿って組み立てられている。構築ブロックは cell——独立して仕事をこなせるエージェントであり、自分専用の短いコンテキストと、進化可能な「戦略遺伝子」の一式を保持する。規則は、ローカルな情報しか見ない三つのセルオートマトン的規則である。R1 gossip（自分で検証した経験を隣接ノードにブロードキャストする）、R2 adopt（より優れた遺伝子を採用する）、R3 forget（最悪の遺伝子を淘汰する）。特権的な cell はなく、中央スケジューラもない。手が空いた者が自らタスクを請け負う（スティグマジー（stigmergy）的なタスク請負、蟻のフェロモン型の間接的な協調である[4]）。ある cell が落ちれば、その未完の仕事は自動的に回収されて他者に渡る。全体としての分業、収束、自己修復は、これらのローカル規則から走り出てくるものであり、誰かがスケジューリングした結果ではない。
なぜどうしても自己組織化なのか。そうしなければ O(N²) の壁に突き当たるからであり、それはまさに「単一の脳」という形態そのものが突き当たる壁——脳をどれほど大きくしても避けられない壁だからである。
単一の脳の限界：O(N²) の壁に突き当たる
今日の大規模モデルは「自己注意」によってコンテキストを理解する。モデルがある文章を読むとき、各単語に残りのすべての単語を見せる。N 個の単語があれば、N×N 規模の関係を計算することになる。コンテキスト長が 1 万から 10 万に伸びれば、この部分のコストは 10 倍ではなく 100 倍になる。これはコードの書き方が悪いのではなく、Transformer アーキテクチャの数学的本質である——より高価なカードを買って力押しすることはできるが、二乗の曲線はいずれどんな予算も食い尽くす。
スウォームの回避法は、注意行列の上に描けるほど直観的だ。一つの大きなタスクを、ほぼ独立した K 個のサブタスクに分割し、各 cell は自分の小さな一片だけをかじる。我々が計算するのは対角線上のいくつかの小さな三角形（各 cell 内部の注意）だけであり、タスクをまたぐマスはすべて捨てられる。総計算量は二乗級からほぼ線形へと落ちる。
節約されたタスク間注意は、無料で手に入るものではない——まず正しく分割しなければならず、終わったあとには正しく統合し、それが本当に正しいかを検証しなければならない。2025 年に業界がマルチエージェントに対して抱いた警戒は、まさにここに集中していた。Cognition のチームは「複数の agent に協働させても脆弱なシステムしか得られない」と断言し、バークレーの MAST 研究は二百本以上のマルチエージェント失敗トラジェクトリを十四の失敗モードに整理したが、その二大分類こそ「分割後の agent 間のミスマッチ」と「統合後に誰も検証していないこと」であった[5]。
これらの批判は正しく、そしてそれはちょうどスウォームの真のボトルネックと真の参入障壁を画定している。分割と統合を堅牢に作り込めた者だけが、このアーキテクチャの利得を現金化できる。 cell 間で受け渡されるものは、検証済みの有界な要約（約 550 トークン、規模に応じて膨張しない）でなければならず、互いに答えを写し合うことではない——後者は幻覚的なマルチエージェントであり、賑やかに見えて実際には何一つ問題を分解していない。
二つの相転移：すでに確定した第一層
「より安い」は直観のままに留めてはならない。我々は再現可能な二つの実験によってそれを論証する。
実験一（壁への衝突点）：単一モデルで長いコンテキストを力押しすると、コストはサブタスク数 N の二乗で増加する。スウォームの分割統治では、コストは線形に増加する。タスクが N*=40（一回あたり約 208k トークン）に達すると 200k のウィンドウを超え、単一モデルは 400 を返して完遂できず、分割統治しか走れなくなる。注意の二乗という基準で見ても、N=256 のとき単一の長いコンテキストは約 4,934 万トークン、分割統治は約 104 万トークンで、48 倍の差がつく。
実験二（正答率の崩壊）：本当の推論を要するサブタスクを次々と同一モデルの単一コンテキストに詰め込んでいくと（実モデル、GSM8K の数学問題、温度 0）、正答率は N=64 でなお 0.92 だが、N=96 から崩れ落ち、N*≈128 で 0.5 を下回り、N=160 では 0.28 しか残らない。一方、同じタスクを分割し、各サブタスクに独立したコンテキストを与えると、正答率は全域で 0.96 以上に安定し、微動もしない。メカニズムはデータの中に見える。単一モデルは長く混み合った生成の中で手がかりを見失うのだ——コンテキストに詰め込めたとしても、モデルはそれを使いこなせない。
注目すべきはこの二本の曲線の形である。どちらも相転移なのだ。水は 99°C ではまだ水であり、100°C で突然沸騰する。N*=40 を越えると、単一モデルは完遂できる状態から壁に当たって完遂できない状態へ反転する。N*≈128 を越えると、単一コンテキストは追随できる状態から追随を失う状態へ反転する。「分割するか否か」は滑らかな連続的判断ではなく、臨界点を踏み越えたかどうかの問題である。誠実な境界も引いておかねばならない。崩壊は「トークンが多い」ことによって起きるのではない——単純な算術や検索のタスクは数万トークンまで詰め込んでも依然として正確である。多数の項目がそれぞれ本当の推論を必要とし、しかも一度の有界な生成の中に押し込められて一緒に背負わされたときにだけ、崩落が現れる。だから、コンテキストが長いから分割するのではなく、タスクが本当に分割可能でかつ十分に多いときにこそ分割すべきなのだ。
知能とは一種の効率である：負のエントロピーからトークンへ
以上の二つの実験が与える結論は「より安い」である。しかしカメラを引いてみると、「節約する」ということそれ自体が、知能の定義であることに気づく。
シュレーディンガーは『生命とは何か』で、生命は**「負のエントロピーを食べて生きる」と述べた。この言い方は隠喩としては感動的だが、物理としては厳密でない——生命が熱力学第二法則を破ったことは一度もない。本当の帳簿はこう記される。生命は低エントロピーの物質とエネルギーを摂取し、高エントロピーの廃棄物と熱を環境へ排出する。自らのエントロピーは減少し（ΔS(生命体) < 0）、環境のエントロピーは増加し（ΔS(環境) > 0）、総勘定は常に正である（ΔS(総) > 0）。生命は負のエントロピーの容器ではなく、一台のエントロピー・ポンプ**なのだ。宇宙全体のエントロピー生成を加速させることで、局所的な秩序を買い取っている[11]。
しかも本当に重要なのは「エントロピーが低い」ことではなく、平衡から遠く離れていることである。プリゴジンの散逸構造理論はそれを明快に語る。秩序は勾配によって維持される——ATP と ADP の化学ポテンシャル差、細胞膜両側のイオン濃度差、ミトコンドリアのプロトン勾配、太陽と深宇宙のあいだの放射フラックス差。勾配とは仕事に変えられる自由エネルギーである。この流れを止めれば勾配は消え、構造はたちまち崩壊する。それが死である[12]。
しかし秩序には階層がある。結晶は高度に秩序的だが、何もしない。生命は自らを維持し複製できる。知能が行うのは第三のこと——学習し、予測し、計画し、新たな秩序を創造すること、すなわち未来の不確実性を能動的に下げることである。この三層を区別するのは、秩序の総量ではなく効率である。
そこで次のような定義が立つ。
知能とは、生命（あるいはエージェント）が有限の自由エネルギーを用いて、秩序ある構造を長期にわたり維持し創造する効率である。
これを粗いが指針となる比の式として書けばこうなる。
分子の「情報」はシャノン・ビット数ではない——一個のレンガと一冊の教科書のビット数は同程度でありうるが、予測・意思決定・適応に使える有効情報は桁違いに異なる。秩序には意味があるのだ（レンガ < 教科書 < モデル重み < DNA）。この方向性は Friston の自由エネルギー原理と自然に共鳴する。エージェントの振る舞いは、世界に対する自らの予測誤差の最小化として統一的に記述しうる[13]。そしてこの機械を動かし続けるのは四つの動詞である——蓄積（秩序を獲得する）、圧縮（秩序をより短い表現に変える）、継承（圧縮された秩序を次世代に渡す）、活用（それを使ってより多くの自由エネルギーを取り戻す）。生命の継承の担体は DNA であり、人類文明のそれは言語と文字であり、今日ではコードとモデル重みである。
これで先ほどの 48 倍が本題に戻ってくる。工学的には、この定義をそのまま計算可能な比に変えられる——これを AIR（Agent Intelligence Ratio、エージェント知能比）と記してみよう。
分子の「能力」は、成功率・ロバスト性・汎化性・新規性の合成量である。この指標はパラメータ数やリーダーボードのスコアよりも知能の本質に近い——**Intelligence per Compute（計算単位あたりの知能）**である。ここから第二の言明が得られる。
ある Agent がより少ないトークンで同じ効果を達成したなら、それはより高い推論効率（reasoning efficiency）を持つと見なしうる。
この言明には、確定しておかねばならない境界が一つある。タスク、成功率、ロバスト性、汎化性のすべてが不変に固定され、かつ利得がより優れた内部表現から来ている場合にのみ、これは成立する。トークンの低下がデータ漏洩やリーダーボードへの過適合から来ている、あるいは密かにロバスト性を犠牲にしているのなら、それは効率の向上ではなく、計測の不正である。
そしてスウォームの戦略遺伝子は、まさにこの圧縮機の実体である。ある gene が能力を保ったままトークンを三割削ったなら、それが行っていることは戦略圧縮と呼ばれる。「観察 → 推論 → 推論 → 推論 → 推論 → 行動」を「観察 → 行動」へと畳み込むことだ。これは神経科学におけるチャンク化（chunking）と同じことであり、熟練プログラマーがエラーメッセージを一目見て問題の在り処を悟るのと同じことである——長い連鎖推論が短経路の直観へ圧縮されているのだ。スウォームにおける記憶、スキル、リフレクション、遺伝子は、いずれもこの圧縮機の異なる工程である。そして R1/R2/R3 の三規則が、圧縮の成果を群れの中で継承させ拡散させる役を担う。
そこで第三の言明は、前の二つを合わせたものになる。
知能の向上とは、本質的に、能力を維持あるいは向上させたうえで、その能力に到達するために必要な計算・エネルギー・時間のコストを絶えず圧縮していくことである。
だからこそ、あの 48 倍は単に安上がりな請求書ではない。それは同じ一つの能力を、より少ない自由エネルギーで作り出すということなのだ。
三層の主張と三世代のトポロジー：結晶から生命へ
境界をはっきり引いておこう。スウォームの完全な主張は三層からなり、下から上へと難度が上がっていく。
① コスト削減（既証明）——安価な通信オーバーヘッドで高価な二乗級の注意を置き換える。前述の二つの実験がすでに実地に落ちている。
② 創発（論証中）——モデル群が分業して協働した結果、同等の計算量をもつ単一モデルを上回る。
③ ASI（ビジョン）——スウォームによって超知能に迫る。
第三層は今日のところ結論ではなく方向である。実務的な判断は、①が既証明であり、かつ②について独立した予測を持てることの上に立つべきだ。
三層の主張に対応するのは、三世代のトポロジー路線である。1.0 並列分割統治（各自が各自の仕事をし、結果を集約する。今日すでに提供できる）、2.0 メッシュ・トポロジー（cell 間で検証済みの戦略を横方向に伝え合い、相互に校正する。並列から真の協働へ進む）、3.0 空間／学際トポロジー（数学、物理、生物、工学の能力を一つの空間構造の中で組み合わせ、学際的な新しい解を創発させる）。
なぜ構造の方向へ進まねばならず、1.0 の環をより広く敷き詰めるだけでは足りないのか。複雑系に関するウルフラムの四分類がその答えを与える。完全に対称で、全員が同一のパラメータで走る均一な構造は、死のように静まった均質状態へ潰れるか（Class 1、純鋼のように）、整然と反復するパターンへ固定されるか（Class 2、結晶のように）のいずれかであり——どちらも「この cell は数学専攻、あの cell は生物専攻」といった持続的な分業を育てられない[3]。
真に組織を創発させうるのは Class 4：秩序とランダムの混合体であり、「カオスの縁」という狭い隙間に挟まっている——複雑な結晶、渦巻銀河、さらには生命と思考までがこのクラスに属する[3]。結晶はどれほど大きくなっても結晶であり、自ら生命に変わることはない。分業を育てるには、構造そのものが不均一でなければならない。2.0 と 3.0 のモジュラーなトポロジーは、本質的にはシステムを対称性の牢獄からカオスの縁へと押し出すことである。しかもこの判断は、反証可能な工学指標に落とし込める。自己組織化臨界（SOC）理論は、健全な臨界系においては摂動の伝播規模が冪則分布に従う（指数は 1.5–3.0 のあいだに落ちる）と予言する[6]——スウォームに「雪崩規模」の冪則キャリブレータを取り付ければ、「カオスの縁にいる」はスローガンから計測可能な命題になる。
トポロジー図を描くことから相互作用核を設計することへ：ある百年問題の反響
スウォームの深層の方法論は、意外にも 1900 年に提起された一つの問題と響き合っている。
ヒルベルトの第六問題は、微視的な力学の公理から巨視的な物理法則を厳密に導出することを要求する。2025 年、鄧煜、ザヘル・ハニ、馬骁はこの連鎖の鍵となる一環を完成させた。ニュートン的な剛体球粒子の二体衝突から出発し、ボルツマン動力学方程式を経て、ナビエ–ストークス流体方程式を厳密に導出したのである[7]。微視は粒子と衝突、中間視は分布と発展、巨視は流れ場と圧力——三つのスケールを、一本の厳密な橋が結ぶ。
これが agent システムに与える示唆はパラダイム級である。マルチエージェント・ネットワークは静的なアーキテクチャ図として見るべきものではなく、大量の局所的「衝突」が時間の中で生成する動力学系として見るべきだ。 個々の cell は粒子であり、cell 間のメッセージ、相互評価、経験交換は衝突であり、相互作用規則は衝突核である。そしてタスク密度、輻輳圧力、意見温度こそが巨視的な情報流体である。かくして設計問題には深い転位が生じる——もはや「木構造か網構造か」を問うのではなく、「どのような相互作用核が、疎なスケーリングのもとで安定・高スループット・低重複な巨視的協働ネットワークを生成するのか」を問うのだ。巨視的トポロジーは描かれるものではなく、局所規則の進化の結果であり、観測され、評価され、制御される対象である。
この対応関係の中には、スウォームにとって死活を決する二つの法則が潜んでいる。
一つは Boltzmann-Grad スケーリングである。粒子数が無限に向かうとき、平均衝突率を定数に保ってはじめて動力学方程式が成立する。工学の言葉に翻訳すれば——システムを拡張するとき、各 cell の平均通信率は定数オーダーに保たれなければならない。全結合ブロードキャストがメッセージ量を O(N²) へ押し上げることは決して許されない。これこそスウォームの「有界要約」設計の数学的な出自である。
もう一つは propagation of chaos（カオスの伝播）である。疎な極限では、粒子は衝突しているにもかかわらず、多粒子分布は依然として単粒子分布の積へ近似的に分解できる——個体が統計的独立性を保つのだ。agent ネットワークに対応させると、これは痛烈な一撃となる。多くのマルチエージェント・システムは表面上は複数の agent を持つが、実際にはそれらが同一の prompt、同一の検索結果、同一の中間要約を共有しており、出力は高度に相関している。この場合、agent の数を増やしても品質は線形に向上せず、むしろ同一のバイアスを何度もサンプリングしているだけになる。独立性の保持は、トポロジー設計における一級市民の指標にならなければならない。
偽の合意：群体知能の最も見えにくい敵
ボルツマンの導出が周期空間で直面した最大の困難は、再衝突（recollision）であった。粒子は何度も出会い、衝突の履歴は解きがたい環へ絡まっていく。スウォームにも全く同じ幽霊がいる——A が一つの仮説を生成し、B が A を批判し、C が B の批判を要約し、A がまた C の要約を読んでそれを独立した裏付けとして扱う。同一の情報が三つの名前を替えて還流し、五つの agent が「一致して同意」しても、実際には情報源は一つしかない。これが偽の合意である。集団の知恵に見えて、実際にはエコーチェンバーなのだ。
解毒剤は「現在の通信グラフ」を「相互作用履歴グラフ」へ格上げすることである。すべてのメッセージ、すべてのツール呼び出し、すべての結論のマージが親ノードを記録し、タイムスタンプ付きの因果 lineage を形成する。lineage があれば、循環を検出し、繰り返し還流した情報に減点をかけ、同一の agent ペアによる反復的な相互評価にクールダウン期間を設けることができる——そして最終的なマージにおいては、参加した agent 数ではなく、結論の独立した情報源の数を明記できる。
この規律は、Schelling の分居モデルが与える教訓と同根である。自己組織化システムの微視的規則は、予期しなかった巨視的な弊害を創発させる——個体は「隣に異質な者が多すぎなければよい」と思っているだけなのに、巨視的な結果は完全な分居になる[8]。スウォームのタスク請負規則も同様に、一部の cell を密かに飢えさせうる。スウォームの相互評価規則も同様に、密かにエコーチェンバーを作りうる。監査しなければ、見えない。 創発を通じて設計することの前提は、創発に観測可能で反証可能な計器盤を取り付けることである。
検証ボトルネック：答えが安くなるとき、何が高価になるのか
スウォームが本当に走り出したと仮定しよう——何千、何万もの cell が並列に答え、コード、証明を産出する。次に何が起きるだろうか。
テレンス・タオの ICM 2026 における講演は、きわめて洞察力のある予演を与えている[9]。彼は、AI が合理的なコストで研究レベルの数学の相当部分をこなせると仮定した上で、こう問う。数学の共同体はどうなるのか。答えはこうだ。数学は「証明の希少」から「証明の潤沢」へ入る——そして輻輳は、検証、可読な解説、査読、成果の定型化へと順に現れる。彼が示した知識のライフサイクル・モデルは、群体知能を構築する者すべてが壁に貼るに値する。一つの証明は生成 → 検証 → 解説 → 共同体による受容 → 消化 → 古典化を順に経てはじめて、真に知識となる。上流の生成が百倍加速しても、連鎖全体が加速することを意味しない——有効スループット ≈ min(生成, 検証, 解説, 受容, 消化) であり、最も遅い環に依存する。
これこそ、スウォーム・アーキテクチャが来歴と検証の明示を、後付けのプラグインではなく土台として作らねばならない深い理由である。答えの限界費用がゼロに近づくとき、検証、来歴、消化が新たな希少資源となる。そのためスウォームは「誰を信頼できるか」を常時オンの土台とする——採用されるすべての経験には、その成績が自己申告か独立検証かが明示され、すべての結論には独立した情報源の数が明記され、「過大主張」の乖離が継続的に計測される。その上で、独立したマージ検証動作は、有効化すると遺伝子スコアを引き継ぐ、オプトインの第一級機能として組み込まれている——これらは工学的な潔癖症ではなく、「証明が潤沢な時代」の生存則である。
タオのもう一つの警告も同じく当てはまる。グッドハートの法則が言うように、ある尺度が目標になった時点で、それはもはや良い尺度ではない。スウォームの fitness スコア、採用率、解答数はいずれも代理指標である。単一の指標に向けて過度に最適化すれば、群れは高得点で低能力の怪物へ育つ。創発を計測するには、連続指標とアブレーション対照を用いなければならない——学界はすでに、いわゆる「突現能力」の多くが尺度の選び方の悪さによって生じた錯覚にすぎないことを示している[10]。
構造への賭け：投資学からの傍証
興味深いことに、複雑系の投資学がこの路線に独立した傍証を与えている。
冪則が支配する市場では、リターンの大部分がごく少数の右尾の勝者によって貢献される。合理的な戦略は、どの単一の点が勝つかを正確に予測することではない——それはほぼ不可能である——そうではなく、価値が流れ通る構造を見極め、鍵となるノードを占め、十分に広い曝露を保ち、そして論理が現金化されるその日まで自分が生き延びることを確実にすることである。
この言葉づかいを AI の技術路線に平行移動させよう。単一の超巨大モデルは、全チップを一つの点に賭けることである。スウォームは知能を一つの構造として作り上げる——どの cell が天才的な解を産むかを予測せず、組み合わせ爆発が開いた巨大な解空間に対してシステムが在場し続けることを保証し、検証メカニズムに右尾を捕獲させる。市場が長期的に中央計画に勝るのは、どこかの取引者がより賢いからではなく、価格メカニズムが膨大な局所計算を参加者側へ分散させたからである。スウォームが単一の脳に対して持つ決め手も、もしあるとすれば同じものになる。分散型計算構造の、集中型計算構造に対する構造的優位である。
予測に対する謙虚さは、我々自身にも当てはまる。方向は判断できる（二乗の壁は数学であり、分割統治の利得はすでに証明されている）。幅はより難しく、時点はほぼ予測不可能であり、そして「創発が現金化されうるか」は真に開かれた問題である。この種のシステムはおそらく計算的に還元不可能だ。モデル群が単一モデルにない能力を育てるかどうかを事前に算出する近道の公式は存在せず、実際に走らせ、アブレーション対照で測るしかない。これは免責の宣言ではなく、問題を十分深く理解していることの証拠である。
結語：一つの庭を育てる
つまるところ、これは物を作る二つの気質の差である。
「モデルをより大きくする」ことは、一棟のビルを建てることだ。図面を先に描き切り、能力の上限は図面に描き込まれたものに等しい。スウォームは別のことである。一つのブロック、一組の局所規則、一本の進化の閉ループを設計し、そのうえで結果が自ら走り出るのに手を離す。
あなたはスウォームがどのような姿に育つかを発明するのではなく、それが従う規則だけを発明し、そのうえでそれらの規則が走らせた帰結を発見する——満足できなければ規則を調整し、また反復する。これは家を建てるよりも、一株の植物を育てることに近い。チェスの発明者は、あらゆる序盤と詰め筋を発明する必要はなかった。それらは規則から創発してきたものである。創発による設計のリターンの公式はいつもこうだ——あなたが設計するのは一部分にすぎず、収穫は自らの手で図面に描き込んだものより遠くへ及ぶ。
代償は制御権である。予期しない結果を許しながら、その結果が何であるかを事前に決めることはできない。雨を祈るなら、泥濘に付き合わねばならない。だからこの道の規律のすべては三つのことに凝縮される。分割と統合を堅牢に作り込むこと、創発に反証可能な計器盤を取り付けること、検証ボトルネックに兵力を厚く配置すること。残りは、組み合わせ爆発に委ねる。
単一の脳が突き当たるのは二乗の壁である。一千億個の神経細胞は、かつて別の道の証明を示してみせた。今回、我々は神経細胞を思考する cell に置き換え、シナプスを検証済みの経験に置き換え、四十億年の進化を時間単位で数えられる一本の閉ループへ圧縮する。そしてこの庭がうまく育っているかを測る尺度は、昔からただ一本しかない。同じ能力を、より少ない自由エネルギーで済ませられたか。より多く考えることではなく、無効な思考を次第に減らしていくことである。
参考文献
[1] Hayek, F. A. (1945). The Use of Knowledge in Society. American Economic Review, 35(4), 519–530.
[2] Emergent Garden, “Emergent Complexity,” YouTube, Nov. 22, 2025. [Online]. Available: https://www.youtube.com/watch?v=0HqUYpGQIfs.
[3] S. Wolfram, A New Kind of Science. Champaign, IL, USA: Wolfram Media, 2002.
[4] Grassé, P.-P. (1959). La reconstruction du nid et les coordinations interindividuelles chez Bellicositermes natalensis et Cubitermes sp. La théorie de la stigmergie: Essai d’interprétation du comportement des termites constructeurs. Insectes Sociaux, 6, 41–80.
[5] Cemri, M., Pan, M. Z., Yang, S., et al. (2025). Why do multi-agent LLM systems fail? Advances in Neural Information Processing Systems, 38. arXiv:2503.13657.
[6] Bak, P., Tang, C., & Wiesenfeld, K. (1987). Self-organized criticality: An explanation of 1/f noise. Physical Review Letters, 59(4), 381–384.
[7] Deng, Y., Hani, Z., & Ma, X. (2025). Hilbert's Sixth Problem: Derivation of Fluid Equations via Boltzmann's Kinetic Theory. arXiv:2503.01800.
[8] Schelling, T. C. (1971). Dynamic models of segregation. Journal of Mathematical Sociology, 1(2), 143–186.
[9] Tao, T. (2026, July 24). Mathematics in the age of AI [Public lecture slides]. International Congress of Mathematicians 2026.
[10] Schaeffer, R., Miranda, B., & Koyejo, S. (2023). Are Emergent Abilities of Large Language Models a Mirage? NeurIPS 2023.
[11] Schrödinger, E. (1944). What Is Life? Cambridge University Press.
[12] Prigogine, I., & Stengers, I. (1984). Order Out of Chaos: Man's New Dialogue with Nature. Bantam Books.
[13] Friston, K. (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience, 11(2), 127–138.
