意識の5層モデルをPythonで実装する試み25

〜v2.0 実装解剖編：コードを見せろの精神〜

---

今回は能書きなし。コードを見せろの精神で、v2.0実装のL5周辺を解剖する。

理論の背景は v24 を参照。

リポジトリ：predictive-agency-simulator

---

ファイル構成

predictive-agency-simulator/
├── Hida_unified_V2/
│   └── hida_unified_v2.py      ← 今回見るやつ（メイン）
├── HIDA_theory_paper_v2_0.md   ← 論文
├── spec_v2.md                  ← AI向け仕様書
└── README_ja_v2.md

hida_unified_v2.py を解剖していく。

---

1. L5クラスの全体像

class L5Consciousness:
    """意識（主導・追随同期、自認、言語化）"""
    
    # 初期DNA（クラス定数）
    LEADER_THRESHOLD = 0.3   # 主導層判定の閾値
    EMA_ALPHA = 0.35         # EMA平滑化係数
    ON_THRESHOLD = 0.03      # 意識ON判定
    OFF_THRESHOLD = 0.02     # 意識OFF判定（ヒステリシス）
    
    def __init__(self, threshold=None):
        if threshold is not None:
            self.ON_THRESHOLD = threshold
            self.OFF_THRESHOLD = max(0.0, threshold - 0.05)
        
        # 意識状態
        self.is_conscious = False
        self.sync_score = 0.0     # 強度の軸（v2.0）
        self.sync_type = None     # 主導タイプの軸（v2.0）
        self.sync_level = 0.0     # 後方互換（= sync_score）
        
        # EMA平滑化
        self._ema = 0.0
        
        # 前ステップの状態保持（活動量＝変化量の計算用）
        self._prev = {
            'l1_energy': 1.0,
            'l1_fatigue': 0.0,
            'l2_valence': 0.0,
            'l2_arousal': 0.0,
            'l2_qualia': {},
            'l3_error_count': 0,
            'l4_found_count': 0,   # ※ v2.0では実質activation_countの前回値
        }

ポイント：

• 閾値はクラス定数として固定（初期DNA）
• sync_score と sync_type の二軸出力
• 変化量計算のため、前ステップの状態を _prev に保持
• l4_found_count というキー名は後方互換のため残してあるが、v2.0では実質的に activation_count の前回値として使っている

---

2. 各層の活動量を「変化量」として測る

def _measure_activity(self, l1, l2, l3, l4):
    """各層の活動量を「前ステップからの変化量」として測定"""
    
    # L1: 身体状態の変化量
    l1_change = abs(l1.energy - self._prev['l1_energy']) + \
                abs(l1.fatigue - self._prev['l1_fatigue'])
    l1_act = self._clip01(l1_change / 1.0)
    
    # L2: 価値変化量
    l2_change = abs(l2.valence - self._prev['l2_valence']) + \
                abs(l2.arousal - self._prev['l2_arousal']) + \
                sum(abs(l2.qualia.get(k, 0) - self._prev['l2_qualia'].get(k, 0))
                    for k in l2.qualia)
    l2_act = self._clip01(l2_change / 3.0)
    
    # L3: 予測誤差の強度合計
    l3_magnitude_sum = sum(e.get('magnitude', 0.0) for e in l3.errors) if l3.errors else 0.0
    l3_act = self._clip01(l3_magnitude_sum / 3.0)
    
    # L4: 記憶活性化の増分
    l4_current_count = l4.activation_count if hasattr(l4, 'activation_count') else 0
    l4_change = max(0, l4_current_count - self._prev['l4_found_count'])
    l4_act = self._clip01(l4_change / 3.0)
    
    return {'L1': l1_act, 'L2': l2_act, 'L3': l3_act, 'L4': l4_act}

ポイント：

• 絶対値ではなく変化量（「今、同期信号を出してるか」を測る）
• L3だけ件数差分ではなく magnitude合計（毎ステップ更新されるリストなので）
• 正規化定数（1.0, 3.0, 3.0, 3.0）も初期DNA

---

3. 主導層を特定する

def _detect_leader(self, activities):
    """主導層の特定: 閾値超過層のうち最大活動量を持つ層"""
    candidates = {k: v for k, v in activities.items()
                  if v >= self.LEADER_THRESHOLD}
    
    if not candidates:
        return None, 0.0  # 同期信号なし
    
    leader = max(candidates, key=candidates.get)
    return leader, candidates[leader]

シンプル。閾値超えた層のうち最大値が主導層。なければ None。

---

4. 追随整合性を評価する

def _measure_follower_coherence(self, activities, leader, leader_strength):
    """追随整合性の評価（簡易版：同時応答指標）"""
    follower_activities = [v for k, v in activities.items() if k != leader]
    follower_mean = sum(follower_activities) / 3
    coherence = self._clip01(follower_mean / leader_strength)
    return coherence

主導層を除いた3層の活動量平均を、主導強度で正規化。1に近いほど追随層が応答してる。

これは簡易版。本来は時間遅れ相関や位相同期で測るべきだが、v2.0初期実装では同時応答で近似してる。

---

5. 統合：check_sync 関数

def check_sync(self, l1, l2, l3, l4):
    """第5層の同期判定（v2.0: 主導・追随モデル）"""
    
    # Step 1: 各層の活動量を測定
    activities = self._measure_activity(l1, l2, l3, l4)
    
    # Step 2: 主導層の特定
    leader, leader_strength = self._detect_leader(activities)
    
    if leader is None:
        raw_sync = 0.0
        self.sync_type = None
    else:
        # Step 3: 追随整合性の評価
        follower_coherence = self._measure_follower_coherence(
            activities, leader, leader_strength
        )
        # Step 4: 同期スコアの算出
        raw_sync = leader_strength * follower_coherence
        self.sync_type = leader
    
    # Step 5: EMA平滑化とヒステリシス
    self._ema = (1 - self.EMA_ALPHA) * self._ema + self.EMA_ALPHA * raw_sync
    self.sync_score = self._ema
    self.sync_level = self._ema  # 後方互換
    
    if not self.is_conscious:
        self.is_conscious = (self._ema >= self.ON_THRESHOLD)
    else:
        self.is_conscious = (self._ema >= self.OFF_THRESHOLD)
    
    # Step 6: 次ステップ用の状態保存
    self._update_prev(l1, l2, l3, l4)
    
    return self.is_conscious

sync_score = leader_strength × follower_coherence。これが v2.0 の中核。

EMAとヒステリシスで点滅を抑制。

なお、ここで決まった sync_score・sync_type を含むL1〜L4の状態は、L5の self_recognize() → format_for_llm() → LLMVerbalizer.verbalize() を経由してLLMに渡し、1人称で語らせることができる（第23回の内省の話の延長）。詳細は別の回で扱う。

---

6. step() の処理順序

def step(self, world, verbose=True):
    self.step_count += 1
    
    # 1. 変調値適用、L2更新
    self.l2.apply_modulation(self.l4.get_modulation())
    self.l2.update_from_body(self.l1.get_state())
    
    # 2. 感覚・思考・行動
    errors = self.sense(world)
    action, details = self.think(world)
    event = self.act(world, action, details)  # "goal_reached"/"grabbed_ball"/None
    goal_reached = (event == "goal_reached")
    
    # 3. 訪問記録
    self.l4.mark_visited(tuple(self.l1.position))
    
    # 4. イベント別処理（check_syncの前に！）
    if event == "grabbed_ball":
        self.l4.remember_consciously(...)
    if goal_reached:
        self.l2.qualia['joy'] = min(1.0, self.l2.qualia['joy'] + 0.5)
        self.l2.valence += 0.3
        self.l4.remember_consciously(...)
    
    # 5. クオリア減衰
    self.l2.decay_qualia()
    
    # 6. 同期判定（毎ステップ！）
    is_conscious = self.l5.check_sync(self.l1, self.l2, self.l3, self.l4)
    
    # 7. 必要なら言語化
    if verbose and is_conscious and self.step_count % 5 == 0:
        reflection = self.reflect(action, details)

順序のポイント（GPT指摘で修正済み）：

• 感情イベント処理は check_sync の前（同期判定に反映させるため）
• check_sync は毎ステップ呼ぶ（5ステップに1回ではない）
• reflect は check_sync の後、意識ON時のみ
• act() の戻り値は bool ではなくイベント名（ボール取得とゴール到達を区別）

---

7. L4Memory への追加

class L4Memory:
    def __init__(self):
        # ... 既存属性 ...
        self.activation_count = 0  # v2.0追加：記憶活性化カウンタ
    
    def update_from_sense(self, sense_data):
        for pos, data in sense_data.items():
            if pos not in self.internal_map:
                self.activation_count += 1     # 新規セル
            self.internal_map[pos] = data['cell']
            if data['object']:
                if pos not in self.found_objects:
                    self.activation_count += 1  # 新規オブジェクト
                else:
                    self.activation_count += 0.3  # 再観測
                self.found_objects[pos] = data['object']
    
    def update_from_errors(self, errors, qualia_intensity):
        for error in errors:
            pos = error.get('pos')
            if pos and error.get('object'):
                self.found_objects[pos] = {
                    **error['object'],
                    'memory_strength': qualia_intensity
                }
                self.activation_count += 1 + qualia_intensity
    
    def mark_visited(self, pos):
        if pos not in self.visited:
            self.activation_count += 0.5
        self.visited.add(pos)

増加ルールも初期DNA。新規発見・再観測・予測誤差由来でそれぞれ加算。

---

8. 動作確認スクリプト

# 1. リセット
python hida_unified_v2.py reset

記憶と変調値をリセットしました

# 2. 通常実行（赤好き、エネルギー満タン）
python hida_unified_v2.py

=== HIDA統合版テスト ===
【テスト1】赤好き、通常エネルギー
  Step 1: go_to_red
    ○ sync_score=0.021 leader=L4
  Step 2: go_to_red
    ○ sync_score=0.013 leader=-
  ...

○ が意識OFF、● が意識ON。leader が主導タイプ（L1/L2/L3/L4/-）。leader=- の表示は内部的には sync_type=None（主導層なし）を表す。

---

9. 出力例：sync_typeの切り替え観察

実際のシミュレーションログから抜粋：

=== テスト1：赤好き、通常エネルギー ===
  Step 1: go_to_red
    ○ sync_score=0.021 leader=L4    ← 探索開始、新規発見でL4主導
  Step 3: go_to_red
    ○ sync_score=0.015 leader=L4
  Step 4: go_to_red
    ○ sync_score=0.010 leader=-     ← 活動量低下、主導層なし
  Step 7: go_to_red
    ○ sync_score=0.008 leader=L4
  Step 8: go_to_red                  ← ボール取得
    ● sync_score=0.038 leader=L2    ← 感情変化でL2主導、意識ON
  Step 17: go_to_goal                ← ゴール到達
    ● sync_score=0.024 leader=L2    ← joy上昇でL2主導
🏆 ゴール到達！

=== テスト2：低エネルギー ===
  Step 1: ● sync_score=0.062 leader=L1   ← 低エネで身体変化、L1主導
  Step 2: ● sync_score=0.057 leader=L4
  Step 4: ● sync_score=0.024 leader=-
🏆 ゴール到達！

観察できる挙動：

• 探索中：L4主導⇄主導層なし の切り替え
• ボール取得：L2主導（取得イベントに伴う価値変化）
• ゴール到達：L2主導（joy上昇）
• 低エネルギー：L1主導（身体危機）

同じエージェント内で、同じシミュレーション中に複数種類の意識状態がログに記録される。

---

10. sync_type分布の測定スクリプト

実験用：

import sys
sys.path.insert(0, '.')
from hida_unified_v2 import HIDA, create_test_world

world = create_test_world()
hida = HIDA(color_preference={'red': 1.0, 'blue': 0.3, 'green': 0.3})
hida.l1.position = [3, 6]
hida.l1.energy = 1.0

type_counts = {'L1': 0, 'L2': 0, 'L3': 0, 'L4': 0, None: 0}
conscious_count = 0
transitions = 0
prev_type = None

for step in range(50):
    result = hida.step(world, verbose=False)
    type_counts[result['sync_type']] += 1
    if result['conscious']:
        conscious_count += 1
    if result['sync_type'] != prev_type and prev_type is not None:
        transitions += 1
    prev_type = result['sync_type']
    
    if result.get('goal_reached'):
        break

print(f'意識ON率: {100*conscious_count/(step+1):.1f}%')
print(f'sync_type切り替え回数: {transitions}')
print(f'sync_type分布: {type_counts}')

このスクリプトで「主導タイプの切り替え頻度」と「意識ON率」を測定できる。

論文§6 予測9「健康な意識では sync_type が状況に応じて頻繁に切り替わる」の検証材料になる。

---

まとめ

• v2.0実装の中核は check_sync() 関数
• 活動量を「変化量」として測る
• leader_strength × follower_coherence で同期スコア
• 各層の正規化定数・閾値・増加ルールは初期DNAとして固定
• 閾値キャリブレーションはコミュニティ検証に開かれている

コードを動かして、sync_typeが切り替わるログを見るのが一番早い。

理論の背景は第24回、論文はHIDA_theory_paper_v2_0.mdを参照。

---

関連リンク

• 実装：hida_unified_v2.py
• 論文 v2.0：HIDA_theory_paper_v2_0.md
• AI向け仕様書：spec_v2.md