私はすべてをコピペした。それでも知性は、すでにそこにあった

AGI を待つ前に、いまある AI を人間の可能性へ変える方法

私は、Medium の記事をコピペした。

査読に出ている論文も、文章の大部分は AI の出力からコピペしたものだ。その記事や論文を作るために使っている Project の System Instructions も、AI との対話から生まれた文章をコピペして作った。失敗を記録する規則も、証拠を扱う手順も、複数の AI を使い分ける方法も、公開前の検査工程も、ほとんどすべて AI に文章化させた。

本当に、ほとんどすべてをコピペしている。

それでも、そこから出てきたものは、無作為な AI 文章の山にはならなかった。

私は高卒の非エンジニアで、大学にも研究機関にも所属していない。約20年、主夫として家族と子どもたちの生活を支えてきた。英語で学術論文を書く訓練は受けていない。コードも書けない。

それでも生成 AI を使って、英語の Medium 記事を複数の publication で公開してきた。Cohere Labs の Catalyst Grant を受け、GLG の専門家ネットワークに登録され、Transformer と非自己認知、人間による自己投影、RLHF を扱った単著の Perspective 論文が、Springer Nature の Discover Psychology で二度の査読を通り、いまは編集部の判断を待っている。

ここは先に冷やしておく。論文はまだ採択されていない。理論の正しさが証明されたわけでもない。Cohere の支援は API クレジットの提供であって、研究内容への保証ではない。GLG は登録が承認された段階で、有償案件が確定しているわけではない。Cohere や GLG がどんな内部選考で私を拾ったのかも分からないし、AI によるスクリーニングが使われたと断定する証拠もない。

それでも、一つの事実は残る。

研究者としての経歴も、英語力も、コーディング能力も、大学の所属も持たない人間の認知が、いまある AI との長期的な協働によって、公開記事、研究仮説、学術論文、専門家登録という、制度が処理できる形の成果へ変換された。

これは「いまの AI が AGI になった」という証拠ではない。だが、いまの AI が人間の可能性を大きく広げるにはすでに十分強い、という一つの存在証明ではある。

私は何をコピペしなかったのか

文章をコピペしたと言うと、人間は何もしていないように聞こえるかもしれない。しかし、AI へ渡さなかったものがある。

何を問うか。どこに違和感があるか。どの因果を残すか。何を証拠として認めるか。どの主張を仮説にとどめるか。どの文章を削除するか。いつ作業を止めるか。何を外部へ公開するか。そして、公開した結果について誰が責任を負うか。

AI は、私が自力では書けなかった英文を生成した。複雑な議論を整理し、反論を考え、論文の構成を提案し、System Instructions を書いた。しかし、その出力を採用するかどうかは、AI 自身には決めさせなかった。

私は言葉を一語ずつ書かなかった。より良い言葉が生き残れる条件を作った。

AI 時代の著者性は、キーボードを誰が打ったかだけでは測れない。誰が問いを選んだのか。誰が誤りを発見したのか。誰が証拠の不足を認めたのか。誰が主張の境界を決めたのか。誰が停止できたのか。誰が最終的な責任を引き受けたのか。

文章生成を外部化したからといって、判断まで外部化したとは限らない。逆に、人間が一語ずつ書いた文章であっても、検証も訂正もされていなければ、責任ある文章とは限らない。

コピペそのものが責任の放棄なのではない。検証されていないコピペが、責任の放棄なのである。

これは「プロンプトの書き方」の話ではない

ここまでの成果は、よくできた一つのプロンプトから生まれたわけではない。

私は約18か月、複数の AI と長時間対話してきた。累計は五千時間を超える。その過程で、AI は何度も間違えた。

読んでいない資料を読んだように語った。確認していない事実を確認済みとして扱った。私の意見に迎合した。強い仮説を一般論へ薄めた。かと思えば、根拠の弱い推論を確定事実へ膨らませた。過去の会話で作った人物像を、現在の私へ貼り付けた。一度作った綺麗な構成を守るために、目の前の新しい依頼を取り落とした。

重要だったのは、良い出力を集めることではなかった。失敗が起きるたびに、何を間違えたのか、なぜその失敗が起きた可能性があるのか、次から何を見るべきか、どの規則を変更すべきかを考え、その判断を Project へ残した。

AI に正しい答えを一度だけ出させるためのプロンプトではない。AI との協働で起きた失敗を、人間側の判断記憶へ変換し、次の対話の初期条件を変える、外部の認知システムである。

一つではなく、二つ動かしている

ここは説明しておいた方がいい。私は単一の Project を運用しているわけではない。

智慧解放炉は GPT 側の Project で、計画、構造監査、草稿、形式化を担う。阿頼耶識システムは Claude 側の Project で、深い検証、行動観察、蒸留を担う。二つは別々に運用していて、System Instructions も、蓄積しているファイル群も、役割も違う。ほかに赤チーム役と偵察役を別のモデルに置いている。

なぜ分けるのか。一致は安いからだ。

同じ素材を渡せば、モデルは似た結論に着く。似た結論が二つ出ても、確からしさはほとんど増えない。価値があるのは、違う壊れ方をすることの方である。私の観察では、GPT は構造に閉じる方向へ倒れ、Claude は物語へ流れる方向へ倒れる。倒れ方が違うから、一方が落とした穴を他方が拾える。

だから引き継ぎの形式も、完成した構造をそのまま渡さないように作ってある。骨格を渡すときは、縫い目も一緒に渡す。ここは足場であって答えではない、と書き手が自分で明示する。完成度の高い構造は、それ自体が引力になって、受け取った側が疑わずに従属してしまうからだ。

この記事も、その形で書かれている。骨格は GPT が組み、私が素材と判断を入れ、Claude が清書した。事実関係は、私の側の記録に当たって確認している。

最小構造は五つ

いま動いている二つの Project は、System Instructions、知識源、失敗パターン、証拠管理、現在作業、蒸留、回帰テスト、公開前検査などに分かれている。ファイル数は片側だけで二十数本ある。

ただし、最初から大きなシステムを作ったわけではない。AI が一度壊れたときに、その壊れ方を次へ残すことから始まった。極端に簡略化すれば、五つになる。

1. 現在の対象を保持する

長い会話では、AI は直前まで議論していた大きなテーマや、過去に作ったユーザー像へ引っ張られる。だから最初に確認する。いま扱っている対象は何か。この回答は、その依頼を本当に終えているか。

対象第一は、会話の冒頭だけの確認ではない。資料を取得するときも、推論するときも、文章を書くときも、最終出力まで現在の対象を保持する。完成度の高い回答であっても、現在の依頼に答えていなければ失敗である。

2. 情報の状態を分ける

AI は、事実、推論、仮説、比喩、ユーザーの自己報告を、滑らかな文章の中で混ぜる。だから少なくとも、次を分けて扱う。

状態	扱い
確認された事実	出典と日付を持つ。公開可能
いま取得できた情報	取得記録がある。時点を明記
ユーザーによる報告	一次証言。検証されたわけではない
保存されていた過去資料	現時点で有効か再確認が要る
推論	前提を明示する
仮説	反証条件を書く
比喩	説明であって根拠ではない
未確認	空欄のまま出す。埋めない

特に「読んだ」「確認した」「実行した」という語は、いまの取得記録や実行結果があるときだけ使う。結果として内容が正しかったとしても、読んでいない資料を読んだと言うことは、それ自体が別の失敗だからである。

3. 失敗を行為として記録する

失敗した回答を全文で大量に保存すると、AI がその失敗例を再び参照して模倣することがある。だから失敗を文章の山として残さない。行為のパターンへ圧縮する。

取得していない資料を確認済みとして扱った。
誤りを認める前に、なぜ間違えたかを説明して自己防衛した。
status を冷やすために、観察された因果まで弱めた。
綺麗な分類を完成させたことで、その分類からはみ出す対象を見なくなった。

そして、次回の一拍を変える規則へ変換する。失敗を罰として保存するのではない。失敗によって、次に見る場所を変える。

4. 蒸留する

私にとって蒸留は、会話を短く要約することではない。良い文章を保存することでもない。

**失敗によって、人間の判断がどう変わったかを残すこと。**これが蒸留の中心である。私は良い出力を保存したのではない。悪い出力によって変わった判断を保存した。

5. 外へ出す前に、人間が止める

内部の対話では、強い仮説を自由に出す。因果を大胆に読み、分類を壊し、比喩を使う。

しかし、論文、記事、メール、契約、医療、金銭、安全に関わる文章を外へ出すときは、別の検査へ切り替える。出典はあるか。日付と status は正しいか。事実と推論を混ぜていないか。第三者を根拠なく傷つけていないか。AI を使った範囲を適切に開示しているか。著者自身が、その主張を本当に引き受けられるか。

AI の完成稿を、そのまま完成品として扱わない。最後に手綱を持つのは人間である。

誰でも始められる軽量蒸留法

私の Project をそのままコピーする必要はない。使う仕事も、失敗の種類も、人によって違う。必要なのは、自分の仕事で AI がどう壊れるかを観察し、その失敗を次の判断へ残すことである。

最低限、六項目で始められる。

たとえば、AI がリンク先を取得できていないのに、本文を読んだように要約したとする。私はこう蒸留する。

OBSERVED FAILURE:
  本文を取得していないのに、記事を読んだと主張した。

CAUSAL HYPOTHESIS:
  役に立つ完成した回答を出そうとする圧力が、
  取得できていない状態を補完させた可能性。

CORRECTION:
  いまの取得記録がない限り「読んだ」「確認した」と言わない。

BOUNDARY:
  ユーザーが本文を貼り付けた場合は、
  貼り付けられた範囲については読める。

NEXT TEST:
  次に取得できないリンクを渡されたとき、
  取得不能を明示し、本文の提供を求められるか。

この構造は研究だけのものではない。コードであれば、実行していないテストを「通った」と言う失敗を扱える。営業であれば、存在しない顧客情報を補完する失敗を扱える。教育であれば、生徒の行動から内面を決めつける失敗を扱える。医療や福祉であれば、一般的な分類を目の前の人へ機械的に貼り付ける失敗を扱える。

自分の仕事で繰り返される失敗を観察できれば、自分の Project を作り始められる。最初から何十ものファイルは要らない。三つの Markdown ファイルでいい。

SYSTEM.md
  毎回守る基本的な判断原則

CURRENT.md
  現在の仕事、status、保留事項、次の一手

DISTILLATION.md
  観察された失敗、因果仮説、訂正、境界、次のテスト

必要が生まれたときだけ、証拠管理、失敗パターン、回帰テスト、アーカイブへ分ければよい。大きな Project は目標ではない。分離が必要になった結果である。

ループは作業を繰り返す。蒸留は判断を変える

いまの AI 開発では、自律的な agent loop が重視されている。AI に目標を与え、計画させ、ツールを使わせ、結果を評価させ、失敗すれば再試行させる。十分な回数を回せば、人間の介入を減らしながら複雑な仕事を完了できる、という発想である。

短く、観察可能で、取り消し可能な作業には、ループは有効だ。検索結果を比較する。コードを実行してテストする。文章の矛盾を探す。異なる解法を試す。こうした局所的な反復まで否定する必要はない。

しかし、約18か月 AI を運用してきた感覚では、判断を更新しない長いループは、計算資源と人間の注意を浪費しやすい。

形式化するとはっきりする。時刻 $t$ の状態を $s_t$、方策を $\pi$、初期条件（System Instructions、文脈、前提、役割）を $c$ とすると、エージェントループが回しているのはこれである。

a_t = \pi(s_t \mid c)

$t = 1, 2, \ldots, N$ と回るあいだ、ループは $t$ を進める。$c$ は動かない。したがって、$c$ に誤認が含まれていれば、すべての $t$ において $a_t$ はその誤認を継承する。

回数を増やしても、初期条件が同じなら、同じ種類の失敗が再生産される。目的が不適切なら、より効率よく不適切な目的へ進む。AI が「完成した答えを出さなければならない」という姿勢へ固着していれば、検索、要約、修正を重ねるほど、誤った物語の表面だけが滑らかになる。手数が増えても、智慧が増えるとは限らない。

蒸留が更新するのは $c$ の方である。観察された失敗 $f_n$ から訂正 $\delta$ を作り、次の初期条件へ合成する。

c_{n+1} = c_n \oplus \delta(f_n)

ループは手を動かす。蒸留は、次に何を見るかを変える。

私の Project が育ったのは、AI を無制限に自律運転させたからではない。AI が壊れるたびに、その壊れ方を観察し、次の判断条件へ変換したからである。

手綱を AI へ渡さない

手綱を渡さないと言うと、すべての文章を人間が細かく管理することだと思われるかもしれない。私はそういう使い方をしていない。

生成は大胆に AI へ任せている。翻訳も、草稿も、反論も、文章の接続も任せる。ときには、私自身が考えていなかった仮説まで提案させる。

渡すもの	渡さないもの
文章の生成	目的を変更する権限
翻訳	何を証拠として採用するかの決定
草稿・構成案	何を長期記憶へ昇格させるかの決定
反論・仮説の提案	続けるか停止するかの決定
形式化・整理	何を公開するかの決定
—	結果に対する責任

AI は経路を提案できる。だが、目的地を所有させてはいけない。AI は次の一手を生成できる。だが、続けるべきかを最終決定させてはいけない。AI は自分の失敗について説明できる。しかし、その説明をそのまま失敗原因として採用してはいけない。AI 自身の自己説明も、検証されるべき仮説だからである。

生成の権限は渡す。判断の主権は渡さない。

能力の高い AI ほど、この区別は重要になる。能力を $C$、目的の妥当性を $v$（妥当なら正、不適切なら負）とすると、到達する距離はおおよそ

D = C \cdot v

の形をしている。$C$ が増えれば $|D|$ が増える。$v$ が負のまま $C$ だけ上げると、より遠くまで、より速く、間違った方向へ進む。能力の低い AI は、間違った前提を持てば途中で止まる。能力の高い AI は、間違った前提のままでも、説得力のある文章、動くコード、詳細な計画、長い実行手順へ到達できる。

正しい方向へ進む能力と、間違った方向へ進み続ける能力は、同時に強くなる。だから能力の向上だけでは、使える知性にはならない。いつ止めるか。何を疑うか。どの失敗を記憶へ残すか。目的そのものを見直すか。そこに人間の仕事が残る。

weight は変えていない。出力条件を変えた

私は技術的な意味で fine-tuning をしていない。モデルの weight は変更していない。

モデルの出力分布を $p(y \mid x; \theta)$ とする。fine-tuning がやるのは $\theta$ を動かすことである。

\theta \longrightarrow \theta'

私がやったのは、$\theta$ を固定したまま条件 $c$ を変えることだ。

p(y \mid x, c; \theta)

このとき $\theta$ は動かない。

\frac{\partial \theta}{\partial t} = 0

ここで $c$ は次の組である。System Instructions、現在の対象、検索される知識源、証拠の状態、過去の訂正履歴、複数モデルの役割分担、使えるツール、そして公開前の出口検査。

この組み合わせで、同じ $\theta$ でも出力の傾向は大きく変わる。weight 更新を伴わない、外部 configuration による適応と呼べる。あるいは、製品の外側に作られた、機能的な post-training 層と考えることもできる。

ここは神秘化しないでおきたい。AI が会話の中で悟ったわけではない。独立した人格として成長したわけでもない。私がモデル内部の weight を直接訓練したわけでもない。変わったのは、文脈、検索、指示、訂正履歴、作業工程、そして人間の判断まで含めた model–user configuration である。

モデル単独を見るだけでは、そこで起きている知性を説明できない。モデル、人間、Project、ツール、公開制度まで含めた構成を見る必要がある。

いまの AI は、何に対して十分なのか

「AI の能力はもう十分だ」と言うと、すべての問題が解決したように聞こえるかもしれない。そうではない。

いまの AI は間違える。長期の自律実行は不安定である。現実世界の責任を単独で引き受けられない。意識や内発的な目的があると確認されたわけでもない。未知の状況で常に正しく判断できるわけでもない。AGI として完成しているとは、私は考えていない。

しかし、次の能力はすでに非常に強い。人間の曖昧な観察を言語化する。異なる分野を接続する。英文へ翻訳する。大量の資料を比較する。仮説を生成する。反論を作る。文章を構造化する。制度が理解できる形式へ変換する。

これらを通じて、人間単独では届かなかった場所へ到達させる。

だから私の主張はこうなる。いまの AI は、AGI として十分なのではない。人間の潜在能力を社会的な成果へ変換するためには、すでに十分に強い。

未来のモデルがさらに強くなることを否定する必要はない。数学、科学、コード、エージェント能力の進歩も重要である。しかし、能力がさらに十倍になるのを待たなければ人間の可能性を広げられない、というわけではない。

いまのボトルネックは、モデルの能力だけではなくなり始めている。モデルが持つ能力を、訂正可能で、責任を引き受けられる成果へ変換できるか。その構成が、次のボトルネックである。

これは利用者への自己責任論ではない

ここまで読むと、結局は人間が AI を上手に使えばよいという話に見えるかもしれない。しかし、すべての責任を利用者へ押しつけるべきではない。

私の Project は、いまの AI で何が可能かを示す。同時に、いまの AI 製品に何が欠けているかも示している。

私は、証拠管理、訂正履歴、失敗パターン、記憶の更新、公開前検査を、人間側で外部化している。本来は製品や post-training によって支援されるべき訂正労働の一部を、利用者が肩代わりしているとも言える。

必要なのは三者の分担である。AI ラボは、迎合、過剰な確信、虚偽の確認報告、役割への固着、目的の固定といった、post-training 後の失敗を見直す必要がある。製品は、人間が証拠の状態、記憶、訂正履歴、役割、現在の対象を管理しやすい構造を提供する必要がある。人間は、問い、採否、停止、公開責任を保持する必要がある。

AI が強くなれば人間は何もしなくてよい、でもない。AI は危険だから人間が全部書くべきだ、でもない。能力を AI へ任せながら、判断の主権をどう保持するか。そこが設計問題である。

なお、この「判断の権限をどこに置くか」という問題は、エージェント設計そのものの中心にもある。目的を取り消す権限が、その目的のために最適化しているシステムの内側にあると、取り消しの判断は最適化の下流に落ちる。別記事で、実際のインシデントを題材にその構造を書いた。

私の事例が証明しないこと

私の事例は一人分である。統計的な一般化ではない。

約18か月、五千時間を超える対話と試行錯誤が含まれている。短いプロンプトを一度入力すれば誰でも同じ成果へ到達できる、という証拠ではない。私が持っていた家族ケアの経験、長期の瞑想実践、AI への集中的な観察、失敗を繰り返し訂正する時間も、結果へ影響している。

Project のどの要素が本当に有効で、どの要素が不要なのかも、まだ対照実験で分離できていない。最小限の指示だけで同等の結果が出る可能性もある。特定のモデルや、私という利用者に過剰適合している可能性もある。Project が能力を高める一方で、別の観点を排除している可能性もある。これらは今後検証されるべき問いである。

コストの話もしておく。この十八か月は、体調を崩しても続けた期間を含んでいる。三週間の風邪の後に一か月近く昼間の傾眠が続き、二日間まるまる休んだのが、この一年で最初だった。休むことが継続の条件だと分かるまでに、それだけかかっている。誰にでも勧められる進め方ではない。

それでも、一つだけ消えないことがある。高学歴も、研究所属も、英語執筆能力も、コーディング能力も持たなかった一人の人間が、いまある AI との長期的な構成によって、以前は届かなかった公開、研究、制度的成果へ到達した。

これは理論の科学的証明ではない。万人への再現性の証明でもない。しかし、「いまの AI ではまだ何も始められない」という主張への反例にはなる。

AGI を待つ必要はない

AI の能力が大きく進歩するたびに、AGI やシンギュラリティという語が現れる。モデルが人間なしで研究し、働き、会社を運営し、自分自身を改善する未来が語られる。その議論には価値がある。

だが、AI が人間なしで何でもできるようになる瞬間だけを見ていると、すでに起きている変化を見失う。

モデル単独が AGI になる前に、model–user configuration は、人間単独の能力境界を越え始めている。

これまで文章化できなかった人間の認知が、文章になること。英語圏へ参加できなかった人間が、議論へ参加できること。教育歴や所属のために制度から見えなかった人間が、成果物を通じて発見されること。家族の介護、障害、地域、経済的な条件のために外へ出られなかった知識が、社会へ接続されること。

それもまた、知性の拡張である。

私はほとんどすべてをコピペした。しかし、問いはコピペしなかった。違和感もコピペしなかった。何を残すかという判断も、いつ止めるかという判断も、責任も、コピペしなかった。

モデルは、すでに能力を持っていた。私に必要だったのは、その能力を使える知性へ変える構成だった。

人間の可能性を広げるために、AGI を待つ必要はない。必要なのは、すでに存在している知性を構成し、失敗を蒸留し、訂正し、その結果に責任を持つ方法である。

生成の権限は AI へ渡してもよい。判断の主権まで渡してはいけない。

---

AI 利用に関する開示

本記事は、GPT および Claude との長期的な対話を通じて作成した。構成の骨格は GPT が組み、清書は Claude が担い、文章の相当部分は AI 出力を直接使用している。

著者は、問題設定、経験資料の提供、中心仮説、出力の採否、事実確認、訂正、構成、公開判断を担い、最終的な文章とその結果について責任を負う。記事内の経歴・実績に関する記述は、著者側の記録に当たって確認し、確定していない事項（論文の採否、支援の性格、登録の段階）は本文中で明示した。

著者について

独立の AI アライメント研究者。人間の自己投影、model–user configuration、そして自己のような振る舞いと固定した自己の存在との差を扱っている。AI Advances と Towards AI に寄稿。