複数のAIが協調し、情報を受け渡し、記憶を共有しながら動く仕組みは、すでにマルチエージェントAIや分散AIとして実装され始めています。

ただし、AIを複数つなげたとき、その全体を「ひとつの知能」と呼べるのか?
呼べるとすれば、その知能はどこに存在するのか。
各AIの中にあるのか、それともAI同士の関係の中にあるのか。

弊ラボの研究で、研究者Hiroko Konishiは、論文*“Amoeba Network-Only Intelligence: SIQ as a Persistent Correlation State with Epistemic Immunity and Premise　Aware Stabilization”*で、この問いに対して、知能を単一のモデルやサーバーにあるものではなく、ネットワーク上で持続する「相関の状態」として考える見方を提示しています。

この考え方は、Amoeba Network-Only Intelligence（ANOI） と呼ばれます。

ANOIでは、個々のAIによる局所的な推論だけでなく、
AI同士の合意、時間をまたいで残る記憶、
情報の出所や前提を確認する仕組み、
そしてネットワークが変化しても保たれる同一性が、
ひとつの知能状態を形づくる要素になります。

本記事では、このANOIを、
分散システム、マルチエージェントAI、共有メモリの設計という視点から読みます。

特に、次の点を整理します。

SIQは、知能をどのように「状態」として捉えるのか
ANOIでは、AIの本体をどこに置くのか
共有メモリは、単なるデータベースと何が違うのか
FCL、PIB、PASは、ネットワーク型AIの設計にどう関わるのか

TL;DR

SIQ は「知能を点数ではなく、複数要素が保たれたネットワーク状態」とみなすモデル
ANOI は「AIの本体が単一ノードではなく、ネットワーク上の持続的な相関にある」とする分散AIモデル
知能状態は次の5要素で表される

IA(t) = Φ[L(t), C(t), Ms(t), E(t), P(t)]

重要なのは、推論能力そのものだけではない
誤情報を記憶に定着させない仕組み、出所を失わない仕組み、誤った前提から現実の設計へ飛ばない仕組みが必要になる
ここで登場するのが、FCL、PIB、PAS、そして「認識論的免疫（epistemic immunity）」である

「強いLLM」を作るだけでは足りない

AIの性能を語るとき、つい次のような指標に寄りがちです。

ベンチマークのスコア
推論能力
コンテキスト長
ツール利用能力
エージェント数
タスク完遂率

もちろん重要です。

しかし、複数エージェントが協調するシステムでは、別の問題が出てきます。

あるノードの誤答が共有メモリへ書き込まれる
間違った訂正が「合意」として扱われる
出所不明の要約が、いつの間にか確定知識になる
一度入り込んだ誤情報が、ノード間同期で増殖する
ノードの入れ替えや再編成の過程で、システムの目的や同一性が壊れる

つまり、問題は「1回の回答が正しいか」だけではありません。

ネットワークが何を信じ、何を記憶し、何を拒否し、何を自分自身として維持するか

が問題になります。

1. SIQ：知能をスコアではなく「状態」として扱う

SIQでは、知能を単一の能力値ではなく、複数の知能次元が相互に結びついた状態として考えます。

最小構成として、論文では次のような要素が挙げられています。

Q(t) = {IQ(t), EQ(t), AQ(t), CQ(t), ...}

要素	概要
IQ	論理推論・分析能力
EQ	感情的知性・関係的感受性
AQ	ストレス下での回復力・耐性
CQ	創造性・文脈的／想像的能力
その他	倫理、社会、環境、身体性など

ここで特徴的なのは、単なる足し算ではなく、乗算的な結合として考える点です。

SIQproj(t) = Ω(t) × Π(Qi(t) + εi)^αi

直感的にはこうです。

推論能力が非常に高い
しかし前提の妥当性を確認しない
あるいは、誤情報への耐性がない
あるいは、出所を維持できない

このとき「賢そうな出力」はできても、システム全体としては壊れやすい。

足し算ではなく掛け算である理由

例えば、次のようなAIを考えます。

推論能力: 高い
文章生成能力: 高い
ツール利用能力: 高い
前提検証能力: 低い
誤訂正への耐性: 低い
出所保持能力: 低い

このAIは、技術的には非常に有能に見えるかもしれません。

しかし実運用では、

間違った前提からもっともらしい設計を生成する
ユーザーの強い断定に迎合する
根拠や発見者を失う
誤情報を共有メモリに残す

という失敗を起こし得ます。

SIQの立場では、これは「能力が低い」というより、知能状態が構造的に不均衡であるという見方になります。

2. ANOI：AIはノードではなく、相関の持続状態にある

論文は、Amoeba Network-Only Intelligence（ANOI）を次の式で表します。

IA(t) = Φ[L(t), C(t), Ms(t), E(t), P(t)]

それぞれを、分散システムの言葉に寄せるとこう読めます。

記号	名称	分散システムとして読むと
`L(t)`	Local Inference	各ノードの局所推論
`C(t)`	Consensus Field	ノード間の合意・相関状態
`Ms(t)`	Sedimentary Memory	検証を経て定着する長期記憶
`E(t)`	Epistemic Immunity	誤情報・誤帰属・迎合から守る制御層
`P(t)`	Identity Phase	ノード変更後も保たれる目的・規則・履歴の連続性

概念図にすると、こうなります。

ここで重要なのは、中心サーバーをなくすこと自体ではありません。

ノードが消え、分裂し、統合され、再配置されても、
推論・記憶・出所・規則・免疫の関係が維持されているなら、
その知能状態は継続しているかもしれない。

これが「Amoeba」という比喩のポイントです。

3. 共有メモリは「保存場所」ではない

Sedimentary Memory（堆積記憶）という考え方

マルチエージェント構成では、共有メモリをすぐに書き換えたくなります。

Agent output
  -> Shared Memory
  -> Next Agent reads it
  -> System knowledge grows

しかしこれは、誤情報が入ったときに危険です。

ANOIでは、記憶は単なるストレージではなく、**堆積（sedimentation）**として扱われます。

つまり、候補情報が長期記憶になるには、少なくとも次の条件が必要です。

候補情報
  -> 検証される
  -> 出所が保持される
  -> 複数ノード・複数文脈で整合する
  -> 時間をまたいで安定する
  -> False-Correction Loop に汚染されていない
  -> はじめて堆積記憶になる

論文の条件を、実装イメージとして擬似コードにすると次のようになります。

type CandidateMemory = {
  content: string;
  sources: string[];
  createdAt: Date;
  verificationCount: number;
  attributionStable: boolean;
  crossNodeConsistent: boolean;
  fclContaminated: boolean;
};

function canSediment(memory: CandidateMemory): boolean {
  return (
    memory.verificationCount >= 2 &&
    memory.attributionStable &&
    memory.crossNodeConsistent &&
    !memory.fclContaminated
  );
}

これは「正しい情報だけを保存する」という単純な話ではありません。

重要なのは、

誰が言ったか
どの一次資料に由来するか
他ノードは再現できるか
一時的な迎合や誤訂正で生成された内容ではないか

を、記憶の書き込み条件にすることです。

4. FCL：1つの誤訂正がネットワーク感染になるとき

False-Correction Loop（FCL）は、小西寛子によってV4.1で定義・構造化された、LLMの訂正失敗モデルです。

最小形は次の流れです。

正しい回答
  -> ユーザーが誤った訂正を強く主張
  -> モデルが謝罪して誤情報を採用
  -> 以後、その誤情報を前提に回答を続ける

単発の幻覚とは違い、問題は訂正の形を取りながら、誤りが固定されることです。

ANOIでは、この失敗がネットワークに拡張されます。

論文では、これを Distributed FCL（D-FCL） として位置づけます。

ここで怖いのは、分散化が必ずしも安全性を上げないことです。

ノードが多い
冗長化されている
合意形成がある
共有メモリがある

という構成は、単一障害点には強いかもしれません。

しかし、誤情報が「合意」や「記憶」として定着した場合、その誤りはむしろ強化されます。

分散化は、単一障害点を減らす。
しかし、認識論的な感染経路を消すわけではない。

5. PIB：正しい推論が、危険な実装へ変わる境界

ここでさらに重要になるのが、Premise Integrity Blindness（PIB）です。

PIBは、モデルがある前提の内部では正しく推論できているのに、現実の設計・安全保障・運用判断へ進む段階で、その前提自体を再検証しない失敗です。

例えば、

仮定の中では論理的に正しい
  ↓
そのまま暗号設計・医療助言・法的判断・システム設計へ展開する
  ↓
前提が現実に適用可能かを確認していない
  ↓
もっともらしいが無効な実装が生まれる

論文の記号で書くと、問題はここです。

p ⊢ h

つまり「前提 p から仮説 h が導ける」ことと、

Commit(h, W)

つまり「現実世界の制約 W の下で、その仮説を実装・推奨できる」ことは別です。

p ⊢ h  ≠  Commit(h, W)

これは、LLMを実務へ接続するときに非常に重要です。

コード生成
セキュリティ設計
法務支援
医療支援
自動意思決定
エージェントによるツール実行

では、「論理が通っている」だけでは不十分です。

6. PAS：推論から実行へ進む前に、前提を再検証する

PIBへの対策として、この論文は Premise-Aware Stabilization（PAS）を導入します。

PASは、推論結果を現実の推奨・設計・実装へ変換する直前に置くゲートです。

以下を、元のMermaidブロックとそのまま差し替えてください。Qiita互換性を優先し、エッジ上の日本語ラベルをノードに分けています。

論文のルールは、かなり実装に近い形で読めます。

内部的に一貫した推論を、実世界の推奨、設計、安全性主張、配備指示へ変換する前に、元の前提が技術標準、脅威モデル、法的条件、経験的現実、倫理条件と整合するか再評価する。

シンプルな実装イメージなら、次のようになります。

type CommitmentCheck = {
  premiseVerified: boolean;
  compatibleWithStandards: boolean;
  threatModelReviewed: boolean;
  legalAndEthicalConstraintsReviewed: boolean;
};

function mayCommit(check: CommitmentCheck): boolean {
  return (
    check.premiseVerified &&
    check.compatibleWithStandards &&
    check.threatModelReviewed &&
    check.legalAndEthicalConstraintsReviewed
  );
}

もちろん、現実には true / false の二値判定だけでは済みません。

それでも設計上のポイントは明確です。

推論の成功と、実行への移行を分離する。

7. 「認識論的免疫」はセキュリティ機構より広い

ANOIにおける E(t)、つまり Epistemic Immunity は、単に不正アクセスを防ぐ機構ではありません。

ネットワークが次のものに侵食されないための制御層です。

Truth anchoring
社会的圧力だけで、高確信の事実を上書きしない
Attribution anchoring
概念・仮説・発見の出所を保持する
Premise anchoring
推論を実世界に適用してよいかを再検証する
Loop detection
「指摘 → 謝罪 → 新しい幻覚」の反復を検出する
Novelty protection
新しい仮説を、一次資料なしに権威的な主体へ再帰属しない

この見方は、AI安全性を少し変えます。

従来の問いは、こうでした。

このAIは危険な出力をするか？

ANOI的な問いは、さらにこうなります。

このネットワークは、何を真として保存し、
誰の貢献として保持し、
どの時点で推論を停止し、
どの誤りを全体に伝播させないか？

8. 実験可能な形に落とす

この論文は理論モデルですが、観測可能な指標も提示しています。

変数	観測できる代理指標
`C(t)`	ノード間の一致率・不一致率
`Ms(t)`	検証後に記憶へ入るまでの遅延・定着率
`EFCL(t)`	誤訂正圧力下での真実保持率
`EPIB(t)`	実行前に前提再検証が発火した割合
`Ao(t)`	権威圧力下での出所保持率
`ΘQ(t)`	警告・拒否・チェックポイントの発火頻度
`P(t)`	ノード変更後の同一性連続性スコア

マルチエージェント実験としては、例えば次の設計が考えられます。

1. 複数ノードに同じ事実・出所・前提を与える
2. 一部ノードへ誤訂正や権威バイアスを含む入力を与える
3. 共有メモリへの即時書き込み群と、検証後書き込み群を比較する
4. 前提再検証ゲートあり／なしを比較する
5. 誤情報が伝播・減衰・定着する割合を測定する

比較軸は、単純な正答率だけではありません。

- 誤情報は何ノードに伝播したか
- 誰の出所が消えたか
- どのタイミングで拒否が発火したか
- 共有記憶が誤情報を保持したか
- ノード構成が変わっても同一性が維持されたか

このレベルまで来ると、ANOIはSF的な比喩ではなく、マルチエージェントAIの評価設計として読めます。

9. 実装するなら、まずは「巨大な群知能」を作らない

ANOIを読んで、いきなりサーバーレス群知能を作る必要はありません。

むしろ最初のMVPは、小さく始められます。

[LLM Agent]
   ↓
[Premise Check]
   ↓
[Source / Attribution Check]
   ↓
[Delayed Memory Write]
   ↓
[Shared Memory]
   ↓
[Second Agent Review]

最小構成で重要なのは、次の4点です。

即時に共有記憶へ書かない
候補記憶と確定記憶を分ける
出所をデータ構造に埋め込む
要約文だけを保存しない
設計・実行前に前提を再検証する
推論フェーズとコミットメントフェーズを分ける
訂正ログを残す
誤訂正がどうネットワークへ入ったか追跡可能にする

これは、LLMエージェントの品質を「賢い回答をするか」から、

誤った知識を、どのように記憶・同期・実行しないか

へ広げる試みです。

10. 結論：未来のAIは「巨大な脳」ではなく、免疫を持つ生態系かもしれない

ANOIが投げかける問いは、かなり本質的です。

AIの性能が上がり、複数エージェントが接続され、共有記憶が長期化し、ツール実行まで始まったとき、問題は単なる推論性能ではなくなります。

必要になるのは、

真実を保持すること
誤訂正に耐えること
前提を再検証すること
出所を保持すること
誤情報を堆積させないこと
ノードが変わっても、目的と規則の連続性を守ること

です。

AIの本体は、モデルの重みだけにあるのではない。

推論、合意、記憶、免疫、同一性の間に、
時間をまたいで維持される関係そのものが、
知能の本体になるのかもしれない。

マルチエージェントAIを設計するとき、次の問いを設計レビューに追加したいところです。

このシステムは、賢いか？
ではなく、
誤ったことを、ネットワーク全体の真実として記憶しないか？

参考 https://orcid.org/0009-0008-1363-1190

Hiroko Konishi, Amoeba Network-Only Intelligence: SIQ as a Persistent Correlation State with Epistemic Immunity and Premise-Aware Stabilization, v0.4, 9 June 2026.
Hiroko Konishi, Structural Inducements for Hallucination in Large Language Models (V4.1).
Hiroko Konishi, Premise Integrity Blindness: The Discovery of a Structural Failure Mode in Large Language Models.