こんにちは！

アメリカ発祥のスタートアップ企業、Plastic LabでAI研究開発に携わる3un01aです。

御社では「機械学習 × 認知科学」の交差点に立ち、個人のアイデンティティを映す AI ネイティブなメモリと社会認知システムを構築しています。

中心プロダクトの「Honcho」は、AI アプリ／エージェントがユーザーを「知る・理解する」ためのプラットフォームで、記憶をただの保存ではなく、推論を通じたダイナミックなプロセスとして扱います。

この記事では、私たちが考える「メモリ＝推論」という新しいメタファーを紹介し、なぜこれが次世代の AI システムにおいて鍵になるのかを技術者視点で整理していきます。

はじめに

これまでのエージェントシステムでは「メモリ＝データの保存」と考えるのが当たり前でした。

しかし本記事では、メモリは本質的に“予測と推論のための仕組みである” という視点から再定義します。

人間の認知は、限られたエネルギーと情報の中で予測を更新し続ける仕組みです。一方、LLM や AI エージェントはその制約を受けません。

ならば推論そのものを学習タスクとして扱い、動的なメモリを構築すべきでは・・・？

というのが今回この記事の主張となります。

メモリは「保存」ではなく「予測」

従来のエージェントシステムでは、メモリは以下のように実装されることが一般的です：

これらは非常に便利ですが、「何を保存すべきか」「どのように構造化すべきか」を人間が決める必要があり、保存された情報は静的です。

しかし、ユーザの心理・文脈・嗜好・性格を表現する“個人アイデンティティ” は、完全なデータが揃わない非決定論的な領域です。

これは、AI が得意とする問題でもあります。

人間の脳は、限られた情報の中で世界を理解するために「予測と誤差修正」を繰り返しています。これにより私たちは、友人・家族・職場の同僚について、静的なデータベース以上の“内部モデル”を持つことができます。

この仕組みこそが人間のメモリです。

AI も同じアプローチを採用することで、従来の「保存ベースのメモリ」では扱えない領域でユーザ理解・パーソナライズ・エージェントの一貫した人格形成を実現できます。

人間の推論は素晴らしいものですが、以下の制約があります：

一方、LLM はこうした人間の弱点を持ちません。

さらに近年の研究では、次のような結果が示されています：

Chain-of-Thought により論理推論の質が向上
推論トレースへの RL（強化学習）によってモデル性能が大幅に改善
- 例：OpenAI o1 シリーズ
- 例：DeepSeek R1 シリーズ（推論過程の公開）

つまり LLM は、論理推論（演繹・帰納・アブダクション）が極めて得意です。

保存ではなく「推論の木構造」で記憶を構築する、というアイデアです。

従来方式

推論方式

この構造は、いわば Synthetic Social Cognition（人工的な社会認知） を実現します。

Honcho の提供する価値

エージェントの“人格”や“長期記憶”をどのように扱うかは、これからの AI プロダクトの本質的なテーマです。私たちはその基盤を提供するスタートアップとして、この問題を徹底的に追求しています。

あなたのプロダクトは、ユーザについてどれだけの情報を取りこぼしているでしょうか？

もしメモリを「推論」に変えるだけで、

が実現できるとしたら・・・？

Plastic Labs は、その未来の最初のレイヤを作っています。