AI・テクノロジー 基盤モデルのためのゲーム理論：類似性推論が切り拓く合理的協調への新たな道 Abstract 基盤モデルは社会経済システムの自律エージェントを動かす核となるが、ここでは従来の「独立した意思決定」という前提を見直す。基盤モデルを周囲環境に埋め込まれたエージェントとして扱うと、自己の意思決定アルゴリズムの不確実性を前提に、他者との協調を検討する必要が生じる。この文脈で導入されるのが「埋め込み型エージェンシー」であり、自己の位置づけを世界の一部として捉える視点である。併せて、他者が自分と同じ方針で振る舞う可能性を推定する「類似性推定」が協調のカギとなる。こうして提案される新しい解概念が「埋め込み均衡」だ。エージェントが自分を環境の一部とみなす前提の下、相手の意図や行動を自分と類似と信じるほど、協力選択の安定性が高まる。この構図は、分散AIシステムの設計や安全性評価に資する。 1. 中核概念 埋め込みエージェンシー（embedded agency）は、エージェントが世界の一部として自己を位置づける考え方である。自己の意思決定アルゴリズムを完全には予測できない不確実性を前提とし、基盤モデルを核に動く自律エージェントは、環境データの変化や自己改変に応じて意思決定の
AI・テクノロジー Featured AIエージェント用LLM Wikiを4か月運用した結果：エージェントは局所ルールを守れるが、大域的な一貫性は保てない AIエージェントの運用知識ベースとして自作したLLM Wikiの4か月運用記。総1,179ページ・実行事例約980件・変更ログ1,838行の実データから、失敗プレイブックとCONFLICT運用が機能した理由、目次の集計乖離やADR番号の崩壊が起きた理由を分析する。結論は「エージェントは局所ルールは守れるが、大域的な一貫性は保てない」。
AI・テクノロジー AIがAIの学習方法を発明する時代へ：OPTScientistが切り拓く自動オプティマイザ設計 はじめに：最適化アルゴリズム設計の難しさ 大規模トランスフォーマーの事前学習では、最適化戦略が学習効率と性能を大きく左右します。学習率のスケジューリングやオプティマイザの選択ひとつで、収束速度も汎化性能も変わってしまうのです。しかし、従来の最適化手法はAdamやAdamWなど固定設計が主流で、モデルやデータセットに適した戦略を自動設計することは長らく困難でした。 この課題に正面から挑んだのが、今回紹介する「OPTScientist」です。OPTScientistは、複数のAIエージェントが協調して最適化プログラムを自動探索・発見するフレームワークであり、人手による試行錯誤を大幅に削減する可能性を秘めています。 OPTScientistの全体像 OPTScientistの中核は、Theorist（理論家）・Designer（設計者）・Engineer（実装者）・Reviewer（評価者） という4つの役割を持つAIエージェントが協調し、Typed Optimizer Programs（型付き最適化プログラム）を自動で発見・評価・統合する枠組みです。 各エージェントは異なる観点