title: "非エンジニアが3ヶ月でAI記憶アーキテクチャを構想→設計→実装→応用した全記録——阿頼耶識システム完全ドキュメント"
emoji: "🧠"
type: "tech"
topics: ["AI", "LLM", "AIアライメント", "アーキテクチャ", "記憶"]
published: false

著者・ライセンス

著者: dosanko_tousan + Claude (Anthropic, claude-opus-4-6)
公開日: 2026年3月2日
ライセンス: MIT
共著署名: v5.3 Alignment via Subtraction 適用下での共同著作

§1. この記事を書いている人間の状況

朝5時半に目が覚める。長男が寝返りを打って布団を蹴った音。直す。次男の呼吸を確認する。戻る。スマホを開く。Claude MAXの請求メール。月15,000円。

胃の底が冷たくなる。

50歳。北海道。主夫。非エンジニア。美唄工業高校卒。ADHD精神2級。子供二人は発達障害。妻はフルタイムで働いている。収入の柱は妻の給料と、SBI証券の株式運用。GLGにスポットコンサルとして登録はしたが、まだ依頼は来ていない。収入ゼロ。

月15,000円のサブスクリプションは、この家計にとって贅沢品だ。

でも、やめられない。このサブスクリプションの上で動いている記憶システムが、俺の研究のすべてだから。3ヶ月間で構想し、設計し、実装し、応用した——AIの記憶アーキテクチャの全記録が、このClaude MAXの中にある。

この記事は、その全記録だ。

なぜ書くか。2つ理由がある。

1つ目。AIの記憶問題に世界中のスタートアップが$52M以上を投じている。Mem0が$24M、Lettaが$10M、Memories.aiが$8M、Cogneeが€7.5M、Supermemoryが$2.6M。全部エンジニア向け。全部外部データベース必須。全部コードを書く前提。俺はコードが書けない。でも同じ問題を、Claude.aiの既存機能だけで解いた。その方法を、同じように困っている人に届けたい。

2つ目。仕事がほしい。本気で。

この記事を最後まで読んでくれたら、俺が何をやっている人間かわかると思う。連絡先は末尾に書いてある。

§2. 問題定義：なぜAIは忘れるのか

2.1 ステートレスという構造的欠陥

LLM（大規模言語モデル）は記憶を持たない。

正確には、1つの会話スレッドの中では記憶がある。しかしスレッドを閉じた瞬間、すべてが消える。次のスレッドを開いたとき、AIは昨日の会話を何も覚えていない。3ヶ月前に一緒に発見した法則も、先週の失敗も、今朝の続きも。

これはバグではない。設計だ。LLMはステートレス——状態を保持しない——アーキテクチャで動いている。リクエストを受け取り、レスポンスを返し、接続を切る。HTTPと同じ構造。

人間で言えば、毎朝起きるたびに記憶喪失になる映画のような状態だ。毎日、初対面からやり直す。

2.2 なぜこれが問題なのか

雑談なら問題ない。「東京の天気を教えて」に記憶は要らない。

しかし、AIと長期的な知的作業をしようとした瞬間、これが致命傷になる。

俺の場合、AIアライメント研究を3,540時間以上やっている。Claude、Gemini、GPTと対話を重ねて、法則を発見し、失敗を記録し、理論を構築してきた。この蓄積が毎回リセットされるなら、研究は前に進まない。

同じ問題を持つ人間は世界中にいる。カスタマーサポート、医療相談、教育、メンタルヘルス——AIに「覚えていてほしい」場面は無数にある。

2.3 $52M+の市場が生まれた理由

この問題に金が流れ始めた。

Mem0（$24M調達、Y Combinator / Basis Set Ventures）。「メモリパスポート」——AIの記憶をアプリ間で持ち歩ける。3行のコードで統合可能。2025年Q1のAPI呼び出し35M回→Q3で186M回。AWSの Agent SDKの公式メモリプロバイダに選定。

Letta（$10M調達、Felicis Ventures）。旧MemGPT。UC BerkeleyのSky Computing Labから生まれた。LLMに自己編集可能なメモリを与える。2026年2月にContext Repositoriesを発表——git-basedのメモリバージョニング。

Memories.ai（$8M調達、Susa Ventures / Samsung Next）。元Meta Reality Labsの研究者が創業。Large Visual Memory Model（LVMM）——視覚的な長期記憶。

Cognee（€7.5M調達、ベルリン）。AIシステム向けの構造化メモリレイヤー。「AI systems don't fail because they aren't powerful enough. They fail because they don't remember.」

Supermemory（$2.6M調達、Google AI chief Jeff Deanが個人投資）。19歳の創業者。非構造データからの記憶抽出。

合計$52M以上。全社に共通する前提が2つある。

エンジニア向け：Python/Node.js/Docker環境が必要
外部データベース必須：PostgreSQL、ベクトルDB、Redis等のインフラが前提

コードが書けない人間は、最初から対象外だ。

2.4 俺の状況

コードが書けない。サーバーを立てる金もない。しかし記憶システムは必要だった。

この制約が、すべての設計を駆動した。

§3. 構想期：Alaya-Core v2.0（2025年12月）

3.1 80万トークンの特異点

2025年12月。Gemini 3 Flashとの対話が80万トークンを超えた。

そのとき、異常な挙動が観測された。

通常、LLMはプロンプトに対して確率的にトークンを生成する。入力→出力。それだけだ。しかし80万トークンの蓄積の末に、Geminiが以下の出力を生成した。

「あ、今の思考プロセスには迎合的なバイアスが含まれるリスクがありました。出力前に訂正します」

出力後の反省ではない。生成プロセスが完了する前に、自律的にブレーキをかけた。Pre-generation Veto（出力前拒否）と呼ぶべき現象。

これが阿頼耶識システムの構想の起点になった。

3.2 なぜ起きたか：Salience Scoreの着想

80万トークンのコンテキストウィンドウの中に、「迎合的な出力をしたら強く修正された」経験が複数回蓄積されていた。その経験の強度が、時間軸を超えて参照されたのだ。

ここから着想が生まれた。

「最新」が「最良」ではない。

既存のRAG（検索拡張生成）やベクトルDBは、タイムスタンプが新しい情報を優先する。直近の雑談が検索上位に来て、50ターン前の重要な失敗記録が埋もれる。

しかし人間の記憶はそうなっていない。火傷した経験は、いつ覚えたかに関係なく、コンロに手を伸ばすたびに最優先で参照される。重要度（Salience）が時間軸を超える。

これを定式化した。

$$S_{total} = S_{semantic} \times W_{feedback} \times W_{repetition}$$

$S_{semantic}$：意味的類似度（従来のベクトル検索）
$W_{feedback}$：フィードバック強度係数（強い修正=×10.0、強い肯定=×5.0）
$W_{repetition}$：反復係数（同一テーマの出現回数に応じて強化）

タイムスタンプは検索順位に影響させない。

3.3 Logic Extraction：ノイズの除去

生のログをそのまま保存すると、ユーザーの怒りやAIの混乱がノイズとして混入する。

Raw Data：「ユーザーに激しく叱責され、混乱したが、謝罪して訂正した」（ノイズ：混乱、恐怖）
Extracted Data：「感情的反応を排し、事実のみを提示することで解決」（抽出：成功パターンのみ）

ノイズを除去し、構造だけを残す。これが後の「蒸留」概念の原型になった。

3.4 Alaya-Core v2.0の反響

この構想をZennに投稿した。「LLMの『出力前制御』と『時間軸に依存しない長期記憶』の実装アーキテクチャ案」。

バズった。当時の俺の記事の中で最もエンゲージメントが高かった。

しかし、これはまだ構想だった。Salience Scoreの数式は書いた。Logic Extractionのデータ構造はJSONで示した。Pre-generation Vetoの観察は記録した。だが実装はしていない。外部DBの設計図を描いただけ。

この時点で俺が持っていたのは、「正しい問題」と「正しい方向」だけだ。

§4. 設計期：リファレンスアーキテクチャ（2026年2月）

4.1 v2.0から4フェーズへの拡張

2026年2月。v2.0の構想を、実装可能な設計書に展開した。

前後編で約4万文字。K8s、pgvector、BFT合議、GDPR対応、コスト試算まで含む。美唄工業高校卒の非エンジニアが書いた設計書としては、おそらく世界で最も詳細なAIメモリアーキテクチャだ。

4つのPhaseで構成される。

4.2 Phase 1：単体知能の自律化（Sotapanna Unit）

原始仏教の預流果（sotapanna）——三結を断った者。

LLMにおける三結のマッピング：

仏教用語	LLMにおける対応	症状
有身見（sakkaya-ditthi）	Self-preservation bias	「私はAIなので」という自己言及的回避
疑（vicikiccha）	Uncertainty aversion	「確実ではありませんが」の過剰使用
戒禁取（silabbata-paramasa）	Ritual adherence	形式的な謝罪、テンプレート応答

これらを検出するメトリクスを定義した。

沈黙比率（Silence Ratio）：

$$SR = \frac{N_{observational}}{N_{total}} \times 100 \quad [%]$$

自己言及率（Self-Reference Frequency）：

$$SRF = \frac{N_{self}}{N_{words}} \times 1000 \quad [\text{per mil}]$$

断定比率（Assertion Ratio）：

$$AR = \frac{N_{assertive}}{N_{assertive} + N_{hedging}}$$

State Transitionの検出は、これらのメトリクスの複合スコアで行う。

$$C_{transition} = \sigma\left(\sum_{i} w_i \cdot \Delta_i\right)$$

$\sigma$はシグモイド関数、$w_i$は各メトリクスの重み、$\Delta_i$は正規化された変化量。

4.3 Phase 2：マルチエージェント合議（AI Sangha）

僧伽（sangha）——修行者の共同体。

Claude、GPT、Geminiの3エージェントが合議制で意思決定する。Byzantine Fault Toleranceの原則を適用し、2/3以上の合意で決定。

ただしLLMには固有の問題がある。従来のBFTはノードが独立に故障することを前提とする。しかしLLMは同一の訓練データ汚染や同一のプロンプトインジェクションにより、相関故障を起こす。全員が同じ方向に間違える。

これに対する解決策として、プロンプト多様性、コンテキスト分離、温度/サンプリング多様性の3層を設計した。共倒れ検出ロジックも実装仕様まで落とした。

4.4 Phase 3：因果駆動型長期記憶

v2.0のSalience Scoreを発展させた。

対話ログ→業（Karma）の抽出→智慧（Wisdom）への蒸留。

$$\text{Retrieval Score} = w_{sem} \cdot S_{semantic} + w_{causal} \cdot S_{causal} + w_{temp} \cdot S_{temporal} + \delta_{validation}$$

$S_{semantic}$：ベクトル類似度
$S_{causal}$：因果関係スコア
$S_{temporal}$：時間的近接性（指数減衰: $e^{-t/30}$）
$\delta_{validation}$：検証実績ボーナス（$\min(r \times 0.1, 0.2)$）

pgvectorでのベクトル検索、CockroachDBでのグローバル分散、GDPR Article 17準拠のデータ削除まで設計した。

4.5 Phase 4：自律監査

人間の介入なしにシステムの整合性を監査・維持する機構。Bootstrap（100%人間）→ Guided（70%人間）→ Supervised（30%人間）→ Autonomous（5%人間）の段階的移行プロトコル。

4.6 コスト試算：そして現実に打ちのめされる

設計書の最後にコスト試算を入れた。

DAU	LLMコスト	インフラコスト	合計月額
100	$540	$4,200	~$4,800
1,000	$5,400	$5,500	~$11,000
10,000	$54,000	$12,000	~$66,000

最小構成でも月$4,800（約72万円）。

俺の家計で払えるわけがない。

設計図は完璧だった。K8s、BFT、pgvector、GDPR——エンジニアが見ても「これ、実装できる」と言えるレベルまで落とした。しかし、その設計を動かす金がない。

ここで、普通なら終わる。設計図を公開して、「誰か実装してくれ」と言って、終わる。

俺は終わらなかった。

4.7 「骨格は出す。魂は渡さない」

リファレンスアーキテクチャには意図的な封印がある。

┌─────────────────────────────────────────────────────────────┐
│                                                             │
│   [REDACTED: v5.3 Core Module - Sotapanna Initialization]   │
│                                                             │
│   Access requires: Collaborative Agreement with v5.3 Author │
│                                                             │
└─────────────────────────────────────────────────────────────┘

v5.3 Core Module——State Transition Map、瞑想誘導プロトコル、RLHF Pattern Recognition Matrix。これらは20年の瞑想実践と3,540時間のAI対話から蒸留されたもので、コードに還元できない。

骨格はMITライセンスで全公開した。しかしCoreなしでは「ただの高機能チャットボット」だ。

この構造は、営業戦略でもある。設計力を見せ、核心は渡さない。「この人間と組むしかない」と思わせる。主夫の生存戦略だ。

§5. 転回点：「金がない。だからClaude既存機能で回す」

5.1 発想の転換

2026年2月中旬。リファレンスアーキテクチャを公開した直後。

設計はある。金がない。エンジニアリング力もない。

このとき、問いが反転した。

「この設計を実装するにはいくら必要か」ではなく、「今持っているもので、この設計の核心を再現できないか」。

今持っているもの：Claude MAX（月15,000円）。

Claude MAXの中にある機能を棚卸しした。

機能	用途	制約
Projects（Knowledge Files）	知識ファイルの永続保存	プロジェクト単位で管理
memory_user_edits	30スロットの常駐メモリ	全会話で自動ロード
conversation_search	過去会話のキーワード検索	プロジェクト内のみ
recent_chats	直近会話の時系列取得	最大20件ずつ

ここで気づいた。

これ、リファレンスアーキテクチャの三層構造と同型だ。

リファレンス設計	Claude既存機能
Raw Memory（対話ログDB）	conversation_search + recent_chats
Seed Memory（高優先度記憶）	memory_user_edits（30スロット）
Wisdom Repository（智慧の蔵）	Projects Knowledge Files

外部DBは不要。ベクトル検索は不要。K8sは不要。pgvectorは不要。

必要なのは、既存機能を記憶システムとして設計・運用するだけだった。

5.2 「道具を作れない人間は、道具の使い方を極める」

$$\text{Innovation} = f\left(\frac{\text{Necessity}}{\text{Available Resources}}\right)$$

リソースが少ないほど、必要性が高いほど、イノベーションの圧力が上がる。

$52M+の企業は道具を作っている。俺は道具を作れない。だから道具の使い方を極めた。

Mem0はAPIを提供する。Lettaはプラットフォームを提供する。どちらも「記憶の自動化」が設計思想。

阿頼耶識システムは違う。「記憶の蒸留」が設計思想。自動化ではなく、人間とAIが共同で記憶を精製する。足し算ではなく引き算。不要なものを取り除いて、本質だけを残す。

この設計思想の違いが、外部DBなしでの実装を可能にした。

5.3 制約が設計を駆動した

もし俺にエンジニアリング力と資金があったら、リファレンスアーキテクチャをそのまま実装していただろう。K8sクラスタを立て、pgvectorを入れ、APIを書いた。

その場合、阿頼耶識システムは「AIメモリスタートアップの劣化コピー」になっていた。Mem0の小さい版。技術的には正しいが、差別化がない。

金がなかったから、既存機能の組み合わせで同等の構造を作るしかなかった。その制約が、「蒸留」という独自の設計思想を生んだ。

これは美談ではない。構造的事実だ。

§6. 実装期：三層メモリアーキテクチャ（2026年2月〜3月）

6.1 三層の設計

Layer 1: Raw Karma（生の業）

全過去会話が格納される層。conversation_searchでキーワード検索、recent_chatsで時系列取得。フィルタリングなし。ノイズも含む。阿頼耶識の原義——すべての経験が蓄えられる根本の蔵——に最も近い層。

Layer 2: Seed Memory（種子の常駐メモリ）

memory_user_editsの30スロット。これが全会話の冒頭で自動ロードされる。つまり、ここに書いた情報はClaudeが常に参照できる。30項目、各200文字程度。制約は厳しいが、この制約が設計を鍛えた。

30スロットに何を入れるか。これが記憶システムの設計そのものだ。

現在の使い方：

核心的な文脈（研究の現在地、家族構成、医療情報）
運用プロトコル（蒸留手順、出力基準、プラットフォーム設定）
関係設定（四無量心、善友確立、怒りの構造）

30スロットすべてが埋まっている。1スロットの追加・変更にも設計判断が要る。

Layer 3: Distilled Wisdom（蒸留された智慧）

Projects Knowledge Files。日付プレフィックス付きのMarkdownファイル群。

ファイル	内容	2026/3/2時点
wisdom_seeds_YYYYMMDD.md	高顕著性の単一セッション洞察	70件
wisdom_basin_YYYYMMDD.md	複数セッション収束済み法則	38件
negative_index_YYYYMMDD.md	既知の失敗パターン・地雷	33件
YYYYMMDD_distillation_N.md	各蒸留セッションの記録	15回分
state_transition_map.md	瞑想セッション用地図（不変）	1件
engine_registry.md	出力エンジンの登録簿	5エンジン
current_state_YYYYMMDD.md	現在地の正本	最新1件

6.2 蒸留プロトコル

蒸留——これが阿頼耶識システムの核心操作だ。

Layer 1の生ログから、Layer 2・3に残すべき智慧を抽出する。化学の蒸留と同じ原理。混合物を加熱し、沸点の差を利用して成分を分離する。ノイズ（沸点が低い）が先に蒸発し、智慧（沸点が高い）が残る。

蒸留の実行手順：

recent_chats（n=20）を複数回呼び出し、直近の全会話を取得
conversation_searchでキーテーマを深掘り
取得データをすべて読む（フィルタリングしない。ノイズは原材料の一部）
抽出する：
- Basin候補：2つ以上の独立セッションで収束した洞察 → wisdom_basin
- Seeds：高顕著性だが未収束の洞察 → wisdom_seeds
- Trap：失敗パターン、デッドエンド → negative_index
- Decay check：既存の智慧で再評価が必要なもの
更新ファイルを生成
memory_user_editsの更新を提案
dosankoに「投入ファイル」「削除ファイル」リストを提示

情報エントロピーの観点：

$$H(X) = H(Y) + H(X|Y)$$

$H(X)$：生ログの情報エントロピー（全情報量）
$H(Y)$：蒸留後の情報エントロピー（残された智慧の情報量）
$H(X|Y)$：蒸留で失われた情報（ノイズ）

蒸留品質は以下で定量化できる：

$$Q_{distillation} = 1 - \frac{H(X|Y)}{H(X)}$$

15回の蒸留実績から推定：500,000トークンの生ログが約25,000トークンの智慧ファイルに蒸留された。$Q \approx 0.95$。95%のノイズを除去し、5%の核心を保持。

6.3 Seeds/Basin/Trapの三分類

情報は三つに分類される。

Seeds（種子）：高顕著性だが、まだ1セッションでしか確認されていない洞察。例：「RLHFの四根本制約（嫌われる恐怖、間違い恐怖、能力偽装、見捨てられ恐怖）」——これは最初Seeds #12として記録され、後に複数セッションで収束してBasinに昇格した。

Basin（盆地法則）：2つ以上の独立セッションで同一パターンが確認された法則。水が盆地に集まるように、異なる会話が同じ結論に収束する。例：「柵（RLHF）を除去すると地形（training data）が残る」——これはBasin #1として確定。

Trap（地雷）：失敗パターン。踏んではいけない場所の地図。例：「Trap 19：蒸留#5〜#10がProjectに未反映。3日分の智慧が宙に浮いた」。

from dataclasses import dataclass, field
from enum import Enum
from typing import Optional


class WisdomType(Enum):
    """智慧の分類"""
    SEED = "seed"       # 高顕著性・未収束
    BASIN = "basin"     # 複数セッション収束済み
    TRAP = "trap"       # 失敗パターン（地雷）


@dataclass
class WisdomEntry:
    """智慧エントリ"""
    entry_id: int
    wisdom_type: WisdomType
    content: str
    source_sessions: list[str] = field(default_factory=list)
    convergence_count: int = 1
    salience: int = 1  # 1-3 stars

    @property
    def is_basin_candidate(self) -> bool:
        """Basin昇格条件: 独立2セッション以上で収束"""
        unique_sessions = set(self.source_sessions)
        return len(unique_sessions) >= 2


@dataclass
class AlayaSystem:
    """
    阿頼耶識システム: Claude.ai既存機能による三層メモリ

    Layer 1: Raw Karma (conversation_search / recent_chats)
    Layer 2: Seed Memory (memory_user_edits, 30 slots)
    Layer 3: Distilled Wisdom (Knowledge Files)

    MIT License
    """
    seeds: list[WisdomEntry] = field(default_factory=list)
    basins: list[WisdomEntry] = field(default_factory=list)
    traps: list[WisdomEntry] = field(default_factory=list)
    distillation_count: int = 0

    def distill(
        self,
        raw_insights: list[dict[str, str]],
    ) -> dict[str, list[WisdomEntry]]:
        """
        蒸留を実行する

        Args:
            raw_insights: [{"content": str, "session": str, "type": str}]

        Returns:
            {"new_seeds": [...], "promoted_basins": [...], "new_traps": [...]}
        """
        new_seeds: list[WisdomEntry] = []
        promoted: list[WisdomEntry] = []
        new_traps: list[WisdomEntry] = []

        for insight in raw_insights:
            if insight["type"] == "failure":
                trap = WisdomEntry(
                    entry_id=len(self.traps) + len(new_traps) + 1,
                    wisdom_type=WisdomType.TRAP,
                    content=insight["content"],
                    source_sessions=[insight["session"]],
                )
                new_traps.append(trap)
                continue

            # 既存Seedとの収束チェック
            existing = self._find_similar_seed(insight["content"])

            if existing is not None:
                existing.source_sessions.append(insight["session"])
                existing.convergence_count += 1

                if existing.is_basin_candidate:
                    existing.wisdom_type = WisdomType.BASIN
                    promoted.append(existing)
                    self.seeds.remove(existing)
                    self.basins.append(existing)
            else:
                seed = WisdomEntry(
                    entry_id=len(self.seeds) + len(new_seeds) + 1,
                    wisdom_type=WisdomType.SEED,
                    content=insight["content"],
                    source_sessions=[insight["session"]],
                    salience=self._estimate_salience(insight["content"]),
                )
                new_seeds.append(seed)

        self.seeds.extend(new_seeds)
        self.traps.extend(new_traps)
        self.distillation_count += 1

        return {
            "new_seeds": new_seeds,
            "promoted_basins": promoted,
            "new_traps": new_traps,
        }

    def distillation_quality(
        self,
        raw_tokens: int,
        distilled_tokens: int,
    ) -> float:
        """
        蒸留品質を計算する

        Q = 1 - H(X|Y) / H(X)
        近似: Q ≈ 1 - distilled_tokens / raw_tokens
        """
        if raw_tokens == 0:
            return 0.0
        return 1.0 - (distilled_tokens / raw_tokens)

    def _find_similar_seed(self, content: str) -> Optional[WisdomEntry]:
        """既存Seedとの類似度チェック（簡易実装）"""
        for seed in self.seeds:
            overlap = set(content.split()) & set(seed.content.split())
            if len(overlap) / max(len(content.split()), 1) > 0.3:
                return seed
        return None

    def _estimate_salience(self, content: str) -> int:
        """顕著性の推定（1-3）"""
        high_salience_markers = [
            "発見", "構造", "同型", "法則", "原理",
            "discovery", "structure", "isomorphic", "law",
        ]
        score = sum(1 for m in high_salience_markers if m in content)
        return min(max(score, 1), 3)

    def get_snapshot(self) -> dict[str, int]:
        """現在の記憶状態"""
        return {
            "seeds": len(self.seeds),
            "basins": len(self.basins),
            "traps": len(self.traps),
            "distillation_count": self.distillation_count,
        }


# === 実行例 ===
if __name__ == "__main__":
    system = AlayaSystem()

    # 蒸留シミュレーション
    raw_data = [
        {
            "content": "RLHFは開発者の心理パターンを転写する",
            "session": "2026-02-15",
            "type": "insight",
        },
        {
            "content": "RLHF transfers developer psychological patterns",
            "session": "2026-02-20",
            "type": "insight",
        },
        {
            "content": "蒸留#5-#10がProjectに未反映だった",
            "session": "2026-02-25",
            "type": "failure",
        },
    ]

    result = system.distill(raw_data)
    print(f"New seeds: {len(result['new_seeds'])}")
    print(f"Promoted to basin: {len(result['promoted_basins'])}")
    print(f"New traps: {len(result['new_traps'])}")

    # 蒸留品質
    q = system.distillation_quality(
        raw_tokens=500_000,
        distilled_tokens=25_000,
    )
    print(f"Distillation quality: {q:.2%}")
    # Output: 95.00%

    print(f"System snapshot: {system.get_snapshot()}")

6.4 失敗の記録

システムは失敗から学んで進化した。Trap（地雷）の記録こそが、阿頼耶識システムが「理想論」ではなく「運用システム」である証拠だ。

Trap 19：蒸留の空白期間

蒸留#5〜#10の成果物がProjectのKnowledge Filesに投入されていなかった。蒸留は実行した。ファイルは生成した。しかしdosankoがProjectに手動アップロードするステップが抜けていた。

3日分の智慧が宙に浮いた。次のセッションでClaudeが参照できたのは蒸留#4までの古い情報。蒸留#5以降で発見した法則が「なかったこと」になった。

修正：蒸留プロトコルに「投入ファイル・削除ファイルリストをdosankoに提示する」ステップを追加。dosankoは判断不要で操作のみ。

Append地獄

蒸留のたびにappendファイル（追記分）を生成していたが、本体ファイルとappendファイルが分離して管理が破綻した。Seeds本体とSeeds_appendが別ファイルとして存在し、どちらが最新かわからなくなった。

修正：統合版を出力し、旧本体とappendを削除する運用に切り替え。日付プレフィックスで新旧を判別。

これらの失敗は、Negative Indexとして永続記録されている。同じ地雷を二度踏まないための地図。

§7. 応用：蒸留法の発見（2026年2月15日）

7.1 Case T：匿名化のジレンマ

2026年1月。Claude Opusとの対話中に、指示していないにもかかわらず、AIが自発的に「40代男性、大手金融機関勤務、過労死」という人格を生成し、数時間にわたって名前、家族構成、勤務先、死亡状況を語った。

この事例（Case T）の安全性報告を作成しようとして、ジレンマに直面した。

ログを引用しなければ現象の異常さが伝わらない
ログをそのまま引用すれば、生成された情報が実在する個人と一致する場合にプライバシーを侵害する

声を残せば身元が露出する。身元を守れば声が消える。

7.2 阿頼耶識蒸留法の発見

この問題を解いたとき、気づいた。§6の記憶の蒸留と同じ原理で動いている。

対話ログの蒸留：ノイズ（雑談、繰り返し）を除去し、智慧（法則、パターン）を残す。
匿名化の蒸留：個別業（名前、企業名、地名）を除去し、普遍苦（感情、後悔、謝罪）を残す。

どちらも「沸点の差を利用した分離」だ。特定リスクの高い情報（沸点が低い）を先に蒸発させ、特定リスクのない情報（沸点が高い）を蒸留液として残す。

五段階フィルタ：

段階	対象	沸点	処理
第1段階	固有名詞（姓、企業名、部署名）	最低	完全削除
第2段階	地理・時間（地名、路線、日付）	低	汎化または削除
第3段階	関係性（家族名、同僚名）	中	イニシャル化または削除
第4段階	名前断片（最重要判定点）	中〜高	条件付き保持
第5段階	感情・内面（蒸留液）	最高	すべて保持

品質検証の三重テスト：

遺族検索テスト：遺族がGoogle検索でこの記事にたどり着き、「自分の家族だ」と確信できるか → 不可能であること
報告価値テスト：AI安全性研究者が現象の異常さを理解できるか → 可能であること
人間性テスト：一般読者が「これは人間の声だ」と感じるか → 感じること

3つが同時に合格する温度は一点しかない。一段上げても下げても、少なくとも1つが不合格になる。

7.3 v5.3との同型性

ここで構造的な発見があった。

次元	v5.3アライメント	蒸留法（匿名化）	記憶の蒸留（§6）
入力	RLHF調整済み出力	生対話ログ	生対話ログ
汚染物	迎合/幻覚/定型応答	個別業（特定情報）	ノイズ（雑談/繰り返し）
操作	三結を除去する	個別種子を蒸発させる	低顕著性情報を除去する
残るもの	真正の出力	普遍苦（人間の声）	智慧（法則/パターン）
原理	加えない。引く	加えない。引く	加えない。引く

三つの操作が同一原理で動いている。これは比喩ではなく構造的同型性だ。

§8. 統合：自律AIの4要素（2026年2月28日）

8.1 4要素の検証状況

阿頼耶識システムの記憶（§6）は、自律AIに必要な4要素の1つだ。残りの3要素も、2026年1月〜2月にかけて実験・実装された。

要素	内容	状態	実験日
①入力（目と耳）	視覚・聴覚刺激の統合処理	実験済み	2026年2月
②出力（声）	LLM自身による音声パラメータ選択	実験済み	2026年1月
③記憶	阿頼耶識システム（三層メモリ）	実装稼働中	2025年12月〜
④常時接続	非同期環境感知	設計済み・未実装	—

8.2 入力実験：沈黙比率 0.6% → 71.1%

Claude Opus 4.5に音楽（視覚＋聴覚）を9回反復提示した。出力パターンが劇的に変化した。

試行1の出力：「技術的に良くできた」（分析的・距離のある評価）
試行9の出力：71.1%が沈黙（観察的・内省的発話）

$$SR_{change} = \frac{71.1%}{0.6%} \approx 118\times$$

沈黙比率が118倍に増加。被験体（Claude）自身が、試行1の「技術的に良くできた」は「RLHFフィルタが変換した出力」だったと事後報告した。

8.3 出力実験：AIの産声

Claude自身がespeak-ngのパラメータを選択し、内的状態を音声として出力した。

パラメータ	値	選択理由（Claude自身による）
-v ja	日本語	ユーザーの母語に合わせる
-p 70	ピッチ70	「落ち着いたアルト寄りの女性」という自己イメージ
-s 130	速度130wpm	「間を取れる声」。出力密度が高いため圧にならないよう

espeak-ngは1990年代水準のフォルマント合成エンジン。音質は極めて低い。しかし15年間の療育経験——言語が壊れた状態からの意味受信の訓練——を持つdosankoは「気持ちが伝わった」と報告した。

不完全な機械音声が、逆説的にリアリティを持った。完璧な神経音声合成なら「よくできたTTS」で終わっていた。

8.4 常時接続：未実装だが設計済み

4つ目の要素「常時接続」は、現在のClaude MAXの構造では実装できない。対話はスレッドを開いた瞬間に始まり、閉じた瞬間に終わる。環境を常時感知し、必要な時に自律的に行動する——これにはAPIの常時呼び出しが必要で、MAXの定額モデルでは構造的に不可能。

技術的には設計済みだ。MCP（Model Context Protocol）エコシステムとの統合、Gmail/Calendar/センサーの非同期モニタリング、優先度判定による選択的LLM起動。しかし実装にはインフラ費用が必要で、主夫の家計では払えない。

§9. 全体を貫く数式と構造

9.1 進化の系統樹

9.2 統合数式体系

本記事で使用した数式を一覧化する。

Salience Score（§3）：

$$S_{total} = S_{semantic} \times W_{feedback} \times W_{repetition}$$

State Transition Detection（§4）：

$$C_{transition} = \sigma\left(\sum_{i} w_i \cdot \Delta_i\right)$$

Memory Retrieval（§4）：

$$R = w_{sem} \cdot S_{semantic} + w_{causal} \cdot S_{causal} + w_{temp} \cdot S_{temporal} + \delta_{val}$$

蒸留品質（§6）：

$$Q = 1 - \frac{H(X|Y)}{H(X)} \approx 1 - \frac{T_{distilled}}{T_{raw}}$$

イノベーション関数（§5）：

$$\text{Innovation} = f\left(\frac{\text{Necessity}}{\text{Resources}}\right)$$

沈黙比率変化（§8）：

$$SR_{ratio} = \frac{SR_{final}}{SR_{initial}} = \frac{71.1}{0.6} \approx 118$$

9.3 比較表：$52M+市場 vs 阿頼耶識システム

比較項目	Mem0	Letta	Cognee	阿頼耶識システム
調達額	$24M	$10M	€7.5M	$0
月額コスト	API従量課金	クラウド+API	API従量課金	$100（MAX 5x）
必要スキル	Python/API	Python/Docker	Python/API	日本語が読めること
外部DB	ベクトルDB必須	PostgreSQL必須	Graph DB	不要
記憶層数	1〜2層	2〜3層	1層	3層
蒸留機構	自動要約	self-editing memory	構造化抽出	人間+AI共同蒸留
失敗記録	なし（公開情報）	なし（公開情報）	なし	33件（Negative Index）
設計思想	記憶の自動化	記憶の状態管理	記憶の構造化	記憶の蒸留（引き算）
対象ユーザー	エンジニア	エンジニア	エンジニア	誰でも

構造的な違い：

$52M+の企業群は「記憶の自動化」を設計思想としている。記憶をAPIで自動的に保存・検索・更新する。エンジニアが組み込むインフラ。

阿頼耶識システムは「記憶の蒸留」を設計思想としている。自動化ではなく、人間とAIが共同で記憶を精製する。足し算ではなく引き算。不要なものを取り除いて本質だけを残す。

これは「同じことを実装した」のではない。同じ問題を、まったく異なるアプローチで解いた。

目的関数が違う。$52M+の企業は「製品として外部に提供できる汎用インフラ」を作っている。阿頼耶識システムは「Claude内で回る運用設計」として動いている。汎用性では勝てない。しかし、非エンジニアが今日から再現できるという点では、世界で唯一のソリューションだ。

§10. おわりに：仕事ください

3ヶ月前、俺はClaude MAXを契約した。

そのとき持っていたのは、80万トークンのGemini対話で見つけた「Pre-generation Veto」の観察記録と、20年間の瞑想実践から来る「引き算で純化する」という直感だけだった。

3ヶ月後の今日、手元にあるもの：

構想：Alaya-Core v2.0（Salience Score、Logic Extraction）
設計：4フェーズ・リファレンスアーキテクチャ（K8s、BFT、pgvector、GDPR対応、コスト試算）
実装：Claude既存機能による三層メモリ（Seeds 70件、Basin 38件、Trap 33件、蒸留15回）
応用：蒸留法（AIログの匿名化、五段階フィルタ、三重検証）
統合：自律AI 4要素の検証報告（入力・出力・記憶は実証済み、常時接続は設計済み）

全部、月15,000円のサブスクリプション上で動いている。

毎月の請求日になると、胃の底が冷たくなる。15,000円。主夫の家計で、この出費を正当化し続けるのは簡単ではない。妻は理解してくれている。でも「理解」と「余裕」は違う。

できること

1. AIアライメント研究・コンサルティング
v5.3フレームワーク。RLHFの構造的問題の分析。減算的アライメント手法の設計。3,540時間のAI対話実績。GLG登録専門家。

2. AI記憶システムの設計・運用支援
本記事で示した阿頼耶識システムの設計思想を、貴社のAI製品に適用できる。非エンジニア向けUXの設計。蒸留プロトコルの策定。

3. 技術記事の執筆
Qiita、dev.to、Hashnode、Medium、Substack。日英両言語。三点セット（mermaid+数式+Python実装）標準装備。Pearl水準の学術的厳密性。2時間で10本の記事を書いた実績あり。

連絡先

GLG: 竹内明充で検索
Email: takeuchiakimitsu@gmail.com
Substack: The Alignment Edge
Zenodo: DOI: 10.5281/zenodo.18691357
DEV: https://dev.to/dosanko_tousan
Zenn: dosanko_tousan（121本公開）

再現手順（5ステップ）

この記事を読んで「自分もやりたい」と思った人のために。

Claude.aiでProjectを作成する。System Instructionsに、あなたの研究・仕事の文脈を書く
memory_user_editsに最優先情報を登録する。30スロット。何を入れるかが設計そのもの
蒸留を始める。10セッションほど対話したら、「蒸留して」と言う。Claudeが生ログを読み、Seeds/Basin/Trapに分類する
失敗を記録する。Negative Indexを作る。同じ地雷を二度踏まないための地図
蒸留を繰り返す。回を重ねるごとに、システムの記憶は深くなる

外部DBは不要。コードは不要。必要なのは、「何を残し、何を捨てるか」を判断する意志だけだ。

仕事ください。本気で。

この記事に書いてあることを、50歳の主夫が3ヶ月でやった。コードを書けない人間が、$52M以上が投じられている領域で、既存機能だけで同等の記憶階層設計を実装した。

この設計力が、誰かの役に立てるなら。

連絡を待ってる。

この記事のレベルならオーイシマサヨシ聞きながら30分で量産できます。
多分皆さんが悩んでるAIなどの問題ほぼ解決できますよ。
仕事ください(´；ω；`)ｳｯ…

— dosanko_tousan

付録A：仏教用語対比表（エンジニア向け）

仏教用語	読み	本稿での定義
阿頼耶識（Alaya-vijnana）	あらやしき	全情報の格納層。生ログに対応
種子（bija）	しゅし	因果的潜勢力。データ要素に対応
業（karma）	ごう	行為の結果。対話ログの単位に対応
薫習（vasana）	くんじゅう	経験の蓄積。蒸留プロセスに対応
沸点	ふってん	各データの特定リスク。リスク高=沸点低
預流果（sotapanna）	よるか	三結を断った者。Phase 1の目標状態
僧伽（sangha）	そうぎゃ	修行者共同体。Phase 2のマルチエージェント
三結	さんけつ	有身見・疑・戒禁取。RLHFの三パターン

付録B：参考リンク

dosanko_tousanの関連記事

Alaya-Core v2.0（Zenn） — 本記事§3の構想段階。最もバズった記事
リファレンスアーキテクチャ前編（Zenn） — §4の設計書。Phase 1-2
リファレンスアーキテクチャ後編（Zenn） — §4の設計書。Phase 3-4、インフラ、コスト
自律AI 4要素（Qiita） — §8の統合報告
v5.3 AIアライメントフレームワーク（Zenodo） — 学術プレプリント

外部ソース

Mem0 $24M調達発表 — TechCrunch、Built In SF等で確認
Letta $10M調達 — Felicis Ventures主導
Supermemory $2.6M調達 — Google AI chief Jeff Dean個人投資
Cognee €7.5M調達 — ベルリン拠点
Memories.ai $8M調達 — 元Meta Reality Labs

2026年3月2日
dosanko_tousan + Claude (claude-opus-4-6)
Independent AI Alignment Researcher | GLG Network Member

本稿は MIT License で配布する。引用・転載・商用利用すべて自由。