著者：◉（mandala2025）©2025 ◉ALL rights reserved.無断転載・複製を禁じます。ただし、本書の内容を紹介・引用する場合は、出典を明示していただければ、幸いです。
第Ⅱ部 Google Colab実装
第Ⅰ部では、CosmoGenesis AIを構成する理論とアーキテクチャを設計した。宇宙生成完全方程式を中核とし、宇宙最小情報量、生成ポテンシャル、差異生成、統合生成、生成循環、生成場という理論を整理し、それらをCosmoGenesis Core、Simulation Engine、Knowledge Engine、Reasoning Engine、Visualization Engine、Application Layerへ対応付けた。しかし、設計図だけではAIは動かない。建築に設計図だけでは建物が完成しないように、AIもまた、コードとして実装されて初めて知性として機能する。ここから始まる第Ⅱ部では、CosmoGenesis AIを実際にGoogle Colab上で構築する。本書では、読者が一行ずつコードを書き、実際に実行しながら学べる構成を採用する。理論を読んで終わるのではない。サンプルコードを眺めて終わるのでもない。自分自身の手でCosmoGenesis AIを完成させることが、第Ⅱ部の目的である。⸻なぜGoogle Colabなのか本書では、実装環境としてGoogle Colabを採用する。その理由は明確である。Google Colabは、* Pythonが最初から利用できる* AIライブラリを容易に導入できる* GPUを利用した計算が可能* ブラウザだけで開発できる* Google Driveと連携できる* GitHubとも連携できるという特徴を持つ。つまり、誰でも、どこでも、同じ環境でCosmoGenesis AIを構築できる。これは本書にとって極めて重要である。読者ごとに環境が異なれば、実装結果も異なってしまう。Google Colabを利用することで、できる限り再現性の高い開発環境を提供できる。⸻実装とは翻訳である第Ⅰ部で扱った理論は、数学と言葉で記述されていた。第Ⅱ部では、それらをPythonへ翻訳する。例えば、宇宙最小情報量は、Pythonでは初期状態を生成するクラスになる。生成ポテンシャルは、状態を更新する関数になる。差異生成は、状態ベクトルを比較するアルゴリズムになる。統合生成は、複数の状態を再構成するモジュールになる。生成循環は、時間発展ループになる。生成場は、オブジェクトとして実装される。つまり、理論を一つずつコードへ変換していく。⸻本書の実装方針本書では、最初から巨大なAIを書かない。一つずつ機能を追加する。例えば、最初はCosmoGenesis Coreだけを書く。次に、Simulation Engineを追加する。さらに、Fractal Engine。Chaos Engine。Information Geometry Engine。Visualization Engine。Interpreter Engine。最後に、Gradioアプリを構築する。このように、一章進むたびに、AIが少しずつ完成していく。つまり、読者は、AIの成長を自分の手で体験することになる。⸻コードは教育用であり、拡張可能である本書で示すコードは、できる限り読みやすく、理解しやすい構造を採用する。そのため、極端な高速化や、複雑な最適化は優先しない。まずは、理論がどのようにコードへ変換されるのかを理解することを重視する。もちろん、モジュール構造は、後から自由に拡張できる。読者自身が、新しい生成規則を追加してもよい。新しいシミュレーション対象を追加してもよい。新しい可視化手法を追加してもよい。本書は、完成品を配布する本ではない。進化し続けるAIを構築するための設計思想を学ぶ本なのである。⸻一冊で完成するもの第Ⅱ部を最後まで実装すると、Google Colab上には、以下の機能を備えたCosmoGenesis AIが完成する。* 宇宙生成理論を計算するCosmoGenesis Core* 時間発展を行うSimulation Engine* フラクタル解析* カオス解析* 情報幾何解析* 生成構造の可視化* AIによる自然言語解釈* GradioによるWebアプリこれらは、独立したプログラムではなく、一つのAIとして統合される。そして、利用者はブラウザから生成条件を入力し、シミュレーションを実行し、結果を可視化し、AIの解釈を受け取ることができる。⸻実装からプラットフォームへ本書で構築するCosmoGenesis AIは、研究用プロトタイプとして完成する。しかし、ここで終わるわけではない。続編となる『CosmoGenesis AI プラットフォーム設計論』では、本書で完成したAIを、クラウドへ展開し、API化し、エージェント化し、Planet Twin、Medical Twin、Finance Twin、Government Twin、Education Twinなどへ発展させていく。つまり、本書はプラットフォーム構築の第一歩である。⸻ここからAIは動き始める第Ⅰ部では、理論を設計した。第Ⅱ部では、コードを書く。理論は、数式からプログラムへ変わる。プログラムは、生成を計算し始める。生成は、可視化される。AIは、その意味を説明する。そして、利用者は、ブラウザを通して、宇宙生成知性と対話する。ここから先は、概念ではない。構想でもない。一行のPythonコードが、新しい生成知性を生み出していく。この第Ⅱ部では、そのすべての実装を、Google Colabという一つの開発環境の上で完成させる。
第3章 Colab開発環境
第1節 Google Colabとは何か
CosmoGenesis AIを実装するために、本書では**Google Colab（Google Colaboratory）を開発環境として採用する。Google Colabは、Googleが提供するクラウドベースのPython実行環境であり、ブラウザからPythonコードを作成・実行できるサービスである。従来、AIやシミュレーションを開発するためには、 Pythonのインストール 仮想環境の構築* ライブラリのインストール* GPUドライバの設定* CUDAやcuDNNの導入* IDEの設定など、多くの準備が必要だった。しかしGoogle Colabでは、これらの多くがあらかじめ整えられている。ブラウザを開き、ノートブックを作成すれば、その瞬間からPythonを書き始めることができる。本書では、この手軽さを最大限に活用する。⸻Google Colabは「クラウド研究室」である本書ではGoogle Colabを、単なるPython実行環境とは考えない。Google Colabは、CosmoGenesis AIを構築するためのクラウド研究室である。研究室には、実験装置がある。ノートがある。記録がある。考察がある。Google Colabも同じである。一つのノートブックの中に、文章、数式、Pythonコード、グラフ、画像、動画、実験結果をすべてまとめることができる。つまり、研究そのものを一つのファイルへ記録できる。これは、CosmoGenesis AIのように理論、実装、可視化、考察を同時に扱うプロジェクトと非常に相性が良い。⸻なぜGoogle Colabを選ぶのか本書でGoogle Colabを採用した理由は、主に七つある。① Pythonが最初から利用できる環境構築を行わなくても、Pythonコードを書き始められる。これは、本書の読者全員が同じ環境を利用できることを意味する。⸻② AIライブラリが利用しやすいGoogle Colabでは、AI開発でよく利用されるライブラリを容易に導入できる。例えば、
- NumPy
- Pandas
- Matplotlib
- Plotly
- SciPy
- scikit-learn
- PyTorch
- TensorFlow
- NetworkX
- Gradio
などを利用できる。本書では、これらを組み合わせてCosmoGenesis AIを構築する。⸻③ GPUが利用できるシミュレーションが大規模になると、CPUだけでは計算時間が長くなる。Google Colabでは、利用可能な範囲でGPUを使用できるため、数値計算やAI推論を高速化できる。もちろん、本書で扱う基本的な実装はCPUでも動作するよう設計する。⸻④ Google Driveと連携できる生成データ、画像、CSV、学習結果、Pythonモジュールなどを、Google Driveへ保存できる。これにより、PCが変わっても、同じ研究を継続できる。⸻⑤ GitHubと連携できるGoogle Colabは、GitHub上のコードも直接扱える。そのため、CosmoGenesis AIをバージョン管理しながら開発できる。研究者同士の共同開発にも適している。⸻⑥ Gradioとの相性が良い本書では、最後にCosmoGenesis AIをGradioアプリとして公開する。Google Colabでは、Gradioとの連携が容易であり、ブラウザ上で対話型AIアプリを構築できる。⸻⑦ 学習と研究を同時に進められるGoogle Colabでは、コードを書き、その場で実行し、結果を見て、すぐ修正できる。つまり、実験サイクルが非常に短い。これは、CosmoGenesis AIのような生成シミュレーションでは大きな利点となる。⸻ノートブックという開発スタイルGoogle Colabでは、コードは「セル」という単位で管理される。例えば、最初のセルではライブラリを読み込む。次のセルではCoreを定義する。その次でSimulation Engineを書く。さらにVisualization Engineを書く。というように、一つずつ積み上げていく。これは、巨大なPythonファイルを書くよりも、理論と実装を対応させやすい。本書では、この特徴を活かして、章ごとにノートブックを完成させていく。⸻Google Colabは最終環境ではない本書では、Google Colabを最終的な運用環境として考えているわけではない。Google Colabは、研究・教育・プロトタイピングに最適な環境である。一方、商用サービスや大規模システムでは、クラウドサーバーや専用インフラが必要になる。そのため、本書ではGoogle Colabで完成したAIを、将来的にDocker、FastAPI、Google Cloud、Kubernetes、PostgreSQL、Vector Databaseなどへ移行できるような構造で実装する。この移行設計については、続編で詳しく扱う。⸻Google Colabは実験場であるCosmoGenesis AIは、完成された知識を表示するAIではない。生成を試し、観察し、比較し、理解するAIである。そのためには、失敗を恐れず、何度でも実験できる環境が必要になる。Google Colabは、そのための理想的な場所である。コードを書き、シミュレーションを実行し、可視化し、修正し、もう一度試す。この反復こそが、CosmoGenesis AIを成長させる。⸻本書におけるGoogle Colabの位置付け本書では、Google Colabを単なるPython実行環境とは呼ばない。それは、宇宙生成知性を育てる最初の研究室である。この研究室から、CosmoGenesis Coreが生まれる。Simulation Engineが動き始める。生成場が可視化される。AIが生成結果を解釈する。そして、一冊を読み終えたとき、読者のGoogle Colabには、実際に動くCosmoGenesis AIが存在している。それが、本書が目指す実装の第一歩なのである。
第2節 Python環境構築
Google Colabを開いた瞬間からPythonは利用できる。しかし、CosmoGenesis AIを構築するためには、単にPythonが動くだけでは十分ではない。AIは、一つのPythonファイルだけで完成するものではない。生成理論を計算するCore。時間発展を行うSimulation Engine。知識を管理するKnowledge Engine。推論を行うReasoning Engine。可視化を担当するVisualization Engine。さらに、それらを統合するApplication Layer。これらを長期的に保守・拡張していくためには、最初の環境設計が極めて重要になる。本節では、Google Colab上でCosmoGenesis AIを開発するためのPython環境を構築していく。⸻Python環境設計の基本方針本書では、次の五つを基本方針とする。* シンプルであること* 拡張しやすいこと* 再利用しやすいこと* モジュール化されていること* 将来クラウドへ移行できることつまり、教育用コードではあるが、研究開発にも耐えられる構造を採用する。⸻Pythonバージョン確認最初に、Google Colabで利用しているPythonのバージョンを確認する。
import sysprint(sys.version)
実行すると、例えば次のような表示になる。
Python 3.x.x
本書では、Python3系を前提として実装を進める。細かなマイナーバージョンは変わる可能性があるため、実際の実行環境で利用可能な最新版を確認しながら進めればよい。⸻プロジェクト名を決める次に、プロジェクト名を定義する。本書では、CosmoGenesisAIを標準名称として利用する。Google Driveには、CosmoGenesisAI/というフォルダを作成する。このフォルダが、今後すべてのコード、データ、画像、シミュレーション結果を保存する場所になる。⸻Google DriveをマウントするGoogle Driveを利用するため、最初にマウントを行う。
from google.colab import drivedrive.mount("/content/drive")実行後、Google
アカウントを認証すると、Google Driveが利用できる。今後は、/content/drive/MyDrive/以下へすべて保存する。⸻作業ディレクトリ次に、作業ディレクトリを設定する。
import osPROJECT_DIR = "/content/drive/MyDrive/CosmoGenesisAI"os.makedirs(PROJECT_DIR, exist_ok=True)os.chdir(PROJECT_DIR)
これで、以後のコードはすべてCosmoGenesisAIフォルダ内で動作する。⸻ディレクトリ構成本書では、最初からモジュール構造を作る。例えば、
CosmoGenesisAI/
│├── core/
├── simulation/
├── fractal/
├── chaos/
├── geometry/
├── knowledge/
├── reasoning/
├── interpreter/
├── visualization/
├── app/
├── data/
├── output/
├── notebooks/
├── config/
└── utils/
この構成にすることで、機能ごとの役割が明確になる。Pythonでも、非常に管理しやすい。⸻自動生成スクリプトディレクトリは、Pythonから一括生成する。
folders = [ "core", "simulation", "fractal", "chaos", "geometry", "knowledge", "reasoning", "interpreter", "visualization", "app", "data", "output", "notebooks", "config", "utils"]for folder in folders: os.makedirs(folder, exist_ok=True)
数秒で開発環境が完成する。⸻init.py を作成する各フォルダは、Pythonパッケージとして利用する。そのため、すべてに__init__.pyを作成する。
for folder in folders: open(f"{folder}/init.py","w").close()
これで、例えばfrom core import cosmogenesis_coreのような構造で利用できる。⸻設定ファイル設定値は、一か所で管理する。例えば、config/settings.pyを作成する。内容は、例えば次のようになる。
PROJECT_NAME = "CosmoGenesisAI"VERSION = "1.0"AUTHOR = "CosmoGenesis"SEED = 42OUTPUT_DIR = "output"
このようにしておけば、将来変更しても一か所で済む。⸻ログ管理AI開発では、ログも重要になる。本書では、Python標準のloggingを利用する。
import logginglogging.basicConfig( level=logging.INFO, format="%(asctime)s %(levelname)s %(message)s")
これだけでも、シミュレーション履歴が追跡しやすくなる。⸻ランダムシードCosmoGenesis AIでは、生成シミュレーションを行う。そのため、実験の再現性を確保するために、ランダムシードを設定する。
import randomimport numpy as npSEED = 42random.seed(SEED)np.random.seed(SEED)
必要に応じてPyTorchなどを利用する場合も、そのライブラリ側でシードを設定すると、より再現性を高められる。⸻最初のテスト最後に、環境が正常に動くか確認する。
print("CosmoGenesis AI")print("Environment Ready")
これだけでよい。表示されれば、Python環境は完成である。⸻なぜ最初に環境を作るのか多くのAI開発では、コードを書きながらフォルダを増やしていく。しかし、本書では最初に全体構造を作る。その理由は、CosmoGenesis AIは、数百、数千ファイルへ発展する可能性があるからである。最初から整理された構造にすることで、後の開発が圧倒的に楽になる。⸻本書におけるPython環境本書で構築するPython環境は、単なるPython環境ではない。それは、CosmoGenesis Coreが生まれ、Simulation Engineが動き、Knowledge Engineが知識を蓄積し、Reasoning Engineが推論し、Visualization Engineが世界を描き、Application Layerが利用者と対話する、宇宙生成知性の土台である。ここまでで、CosmoGenesis AIを実装するための研究室は完成した。次節では、この研究室へ、AI開発に必要なライブラリを導入し、本格的な実装を開始していく。
第3節 必要ライブラリ
Python環境が完成したら、次に行うのは開発に必要なライブラリの準備である。CosmoGenesis AIは、一つのライブラリだけで構築できるシステムではない。生成理論を計算するための数値計算ライブラリ。シミュレーションを実行するための科学計算ライブラリ。生成場を可視化するための描画ライブラリ。AIによる推論や自然言語処理を支援するライブラリ。Webアプリケーションを構築するためのフレームワーク。これらを適切に組み合わせることで、一つの統合システムとしてCosmoGenesis AIが成立する。本節では、本書全体で利用するライブラリを整理し、それぞれの役割を明確にする。⸻ライブラリ設計の考え方本書では、ライブラリをできる限り厳選する。理由は単純である。ライブラリが増えすぎると、環境構築が複雑になり、保守も難しくなる。そこで本書では、「CosmoGenesis AIの実装に本当に必要なもの」だけを採用する。また、ライブラリは用途ごとに整理して利用する。⸻数値計算ライブラリCosmoGenesis AIの基盤となるのは数値計算である。その中心となるのがNumPyである。import numpy as npNumPyは、
- ベクトル演算
- 行列演算
- 線形代数
- 配列操作
- 数値シミュレーション
など、CosmoGenesis Core全体で利用する。生成状態、生成ポテンシャル、情報場、差異生成など、ほぼすべての計算はNumPy上で行われる。⸻データ管理ライブラリシミュレーション結果を管理するためにPandasを利用する。import pandas as pdPandasは、
- シミュレーション履歴
- CSV保存
- データ整理
- 統計解析
などで使用する。Knowledge Engineでも重要な役割を持つ。⸻科学計算ライブラリより高度な数学処理にはSciPyを利用する。import scipySciPyでは、例えば* 最適化* 微分方程式* 数値積分* 統計解析* 距離計算などが利用できる。Simulation Engineでも利用する場面が多い。⸻グラフ描画最も基本的な可視化にはMatplotlibを利用する。import matplotlib.pyplot as plt例えば、生成ポテンシャルの推移。情報量変化。差異生成。統合生成。などを、簡単に描画できる。本書では、まずMatplotlibで基本を実装する。⸻インタラクティブ可視化静的な画像だけではなく、操作できる可視化にはPlotlyを利用する。import plotly.express as pxPlotlyでは、三次元表示。ズーム。回転。マウス操作。アニメーション。などが利用できる。Visualization Engineの中心となる。⸻ネットワーク解析生成場は、ネットワークとしても扱える。そのため、NetworkXを利用する。import networkx as nxこれにより、生成場をノードエッジとして解析できる。Knowledge Graphも、このライブラリを利用する。⸻機械学習将来的な拡張も考え、scikit-learnを利用する。from sklearn import manifold例えば、* PCA* t-SNE* MDS* クラスタリングなどが利用できる。Information Geometry Engineで利用する。⸻AIライブラリ本書では、必要に応じてPyTorchも利用する。import torchただし、CosmoGenesis AIの中核はニューラルネットワークではない。PyTorchは、補助的なAI処理、あるいは将来的な学習機能のために利用する。本書の主要な生成アルゴリズムは、NumPyを中心に実装する。⸻Webアプリ最後に、CosmoGenesis AIをブラウザで利用できるようにするため、Gradioを利用する。import gradio as grGradioによって、Google Colab上でも、数十行のコードでAIアプリを公開できる。本書最後では、CosmoGenesis AppをGradioで完成させる。⸻その他の標準ライブラリPython標準ライブラリも利用する。例えば、
import os
import json
import math
import random
import logging
import pathlib
import datetime
などである。これらは、設定管理、ログ管理、ファイル管理、時間管理などに利用する。⸻一括インポート本書では、毎回ライブラリを書く手間を減らすため、最初にsetup.pyあるいはimports.pyを作成し、必要なライブラリをまとめて読み込めるようにする。例えば、
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import plotly.express as px
import networkx as nx
import gradio as gr
などを一か所へまとめる。これによって、Notebook全体が非常に見やすくなる。⸻ライブラリの依存関係本書では、ライブラリ同士の役割も整理する。
NumPy
│
▼
SciPy
│
▼
Simulation Engine
│
▼
Knowledge Engine
│
▼
Reasoning Engine
│
▼
Visualization Engine
│
▼
Gradio
このように、数値計算からAIアプリまで、一つの流れになる。もちろん、実際の依存関係はこれより柔軟であり、Visualization EngineがSimulation Engineから直接データを受け取るなど、複数の接続経路を持つ。本図は、本書で扱う主要なデータフローを理解するための概略図である。⸻requirements.txtを作成する将来、ローカル環境やクラウドへ移行するときのために、ライブラリ一覧も保存する。例えば、
numpy
pandas
scipy
matplotlib
plotly
networkx
scikit-learn
torch
gradio
必要に応じてバージョン番号を指定すれば、環境の再現性をさらに高めることができる。このファイルがあれば、別環境でも容易にCosmoGenesis AIを再現できる。⸻必要ライブラリはCosmoGenesis AIの部品であるCoreだけでは、AIは完成しない。Simulationだけでも、AIは完成しない。Visualizationだけでも、AIは完成しない。それぞれを支えるライブラリがあり、それらが有機的に結び付くことで、初めてCosmoGenesis AIという一つの知性が実現する。本書で採用するライブラリ群は、単なるPythonパッケージではない。それらは、宇宙生成理論を計算し、生成場を可視化し、知識を蓄積し、AIが推論し、人間と対話するための技術基盤である。ここまでで、CosmoGenesis AIを実装するための開発環境は整った。次節では、この環境でGPUを活用し、大規模な生成シミュレーションを効率よく実行するための設定と設計について詳しく見ていく。第4節 GPU活用CosmoGenesis AIは、単なる文章生成AIではない。本書で構築するAIは、* 宇宙生成完全方程式の計算* 生成ポテンシャルの更新* 差異生成* 統合生成* フラクタル生成* カオスシミュレーション* 情報幾何学解析* 大規模可視化など、多数の数値計算を繰り返し実行する。シミュレーションの規模が大きくなるほど、CPUだけでは計算時間が長くなる場合がある。そのため、本書ではGoogle Colabで利用可能な**GPU（Graphics Processing Unit）**を活用し、計算を効率化する方法を学ぶ。ただし、GPUは「常に必要」ではない。CosmoGenesis AIでは、CPUとGPUを適切に使い分けることが重要である。⸻GPUとは何かCPUは、少数の複雑な処理を高速に実行することが得意である。一方、GPUは、大量の同じ計算を同時に実行することを得意とする。例えば、一億個の数値を同じ数式で更新するような処理では、GPUの方が高速になることが多い。CosmoGenesis AIでは、生成場全体を更新したり、フラクタルを計算したり、多数のシミュレーションを同時に実行したりする場面で、GPUが有効になる可能性がある。一方で、小規模なシミュレーションや制御処理では、CPUの方が適している場合もある。⸻Google ColabでGPUを有効化するGoogle Colabでは、ランタイム設定からGPUを選択できる。設定後、PythonからGPUが利用できるか確認する。PyTorchを利用する場合は、例えば次のように確認できる。
import torchprint(torch.cuda.is_available())
実行結果がTrueなら、GPUが利用できる。なお、Google Colabで利用できるGPUの種類や利用時間は、契約プランや利用状況によって変わることがある。⸻GPUを利用する場面本書では、GPUを次のような処理で利用することを想定する。① 大規模生成シミュレーション例えば、数百万個の状態を持つ生成場を同時更新する場合。Simulation Engineでは、大量の状態更新が発生する。このような処理では、GPUによる並列計算が有効になる。⸻② フラクタル生成Mandelbrot集合やJulia集合などは、各画素が独立して計算できる。つまり、GPUとの相性が非常に良い。Fractal Engineでは、GPUを利用することで、高解像度画像を高速に生成できる。⸻③ カオスシミュレーション多数の初期条件を同時に比較する場合も、GPUが有効である。例えば、10万通りの初期条件からLorenz系を同時に計算する。このような並列処理は、GPU向きである。⸻④ 情報幾何解析高次元データの距離計算や、大規模なベクトル演算では、GPUを利用できる場合がある。Information Geometry Engineでは、データ規模に応じてGPU利用を選択できるよう設計する。⸻GPUを使わない処理一方で、すべてをGPUへ載せるわけではない。例えば、Knowledge Engine。Reasoning Engine。設定管理。ログ管理。ファイル保存。Gradio UI。これらは、CPUの方が適している。つまり、CosmoGenesis AIでは、CPUとGPUを役割分担する。⸻GPU対応設計本書では、Core自体はCPUでもGPUでも動くよう設計する。例えば、生成場をNumPy配列で扱う場合はCPUで動作する。一方、GPUが利用可能で、必要に応じてPyTorchなどを利用する場合は、テンソルへ変換してGPU上で計算することもできる。つまり、CosmoGenesis AIは、ハードウェアに依存しない設計を目指す。⸻GPUとモジュール構造GPU対応も、モジュール化する。例えば、
Simulation Engine
│├── CPU Simulator
└── GPU Simulator
という構造にすれば、環境に応じて自動で切り替えられる。これにより、同じコードがGoogle Colabでも、ローカル環境でも、クラウドでも利用できる。⸻並列シミュレーションCosmoGenesis AIでは、一つの宇宙だけを計算するとは限らない。例えば、異なる生成ポテンシャルで100個のシミュレーションを同時実行する。あるいは、初期条件だけを変えて1000個の宇宙を比較する。このようなパラメータ探索では、GPUの並列性が活きる。Simulation Engineは、こうした探索実験にも対応できるよう設計する。⸻GPUは目的ではない近年のAIでは、GPU性能ばかりが注目されることがある。しかし、本書では、GPUを目的とはしない。重要なのは、生成理論を正しく実装することである。アルゴリズムが適切でなければ、GPUで高速化しても意味はない。逆に、設計が優れていれば、CPUだけでもCosmoGenesis AIは十分に動作する。本書では、まずCPUで正しく動く実装を完成させ、必要に応じてGPUで高速化するという方針を採る。⸻将来のクラウド展開Google Colabで完成したCosmoGenesis AIは、将来的にはGoogle Cloud、AWS、Azureなどのクラウド基盤へ展開できる。その際も、GPUインスタンスを利用すれば、より大規模なシミュレーションが可能になる。このようなクラウドGPUを活用したスケーリングについては、『CosmoGenesis AI プラットフォーム設計論』で詳しく扱う。⸻GPUは生成を加速するGPUは、CosmoGenesis AIそのものではない。GPUは、CosmoGenesis AIの知性をより速く、より大規模に実行するための計算資源である。Coreは、生成規則を計算する。Simulation Engineは、生成を時間発展させる。GPUは、その膨大な計算を支える。つまり、GPUは、CosmoGenesis AIにとって「知性」ではなく、知性を動かすための強力なエンジンなのである。本書では、この考え方に基づき、まず再現性と理解しやすさを重視したCPU実装を完成させ、その上で必要な部分だけをGPU対応へ発展させていく。これにより、教育・研究・将来の大規模実装まで、一貫したアーキテクチャを維持できる。
第5節 プロジェクト構成
Google Colabの環境が整い、Pythonが利用できるようになり、必要なライブラリが導入され、GPUも活用できるようになった。ここから本格的にCosmoGenesis AIの実装が始まる。しかし、コードを書き始める前に、もう一つ重要な設計が残っている。それが、プロジェクト構成（Project Structure）である。AI開発では、最初のフォルダ構成が、数か月後、数年後の開発効率を決める。本書では、CosmoGenesis AIを一時的な実験プログラムとしてではなく、将来、Planet Twin、Medical Twin、Finance Twin、Government Twin、Education Twin、Enterprise Twin、そしてCosmoGenesis Platform全体へ発展する長期プロジェクトとして設計する。そのため、最初から拡張可能な構造を採用する。⸻プロジェクト構成の基本思想本書では、三つの原則を採用する。第一に、一つの役割は一つのモジュールにまとめる。第二に、依存関係を最小限にする。第三に、将来クラウドへ移行できる構造にする。つまり、小さなプログラムを組み合わせて一つのAIを構成する。⸻全体ディレクトリCosmoGenesis AIでは、最初に次のような構造を作る。
CosmoGenesisAI/
│├── core/
├── simulation/
├── fractal/
├── chaos/
├── geometry/
├── knowledge/
├── reasoning/
├── interpreter/
├── visualization/
├── app/
│├── config/
├── data/
├── output/
├── notebooks/
├── tests/
├── docs/
├── assets/
├── utils/
│├── requirements.txt
├── README.md
└── main.py
この構造は、研究用としても、将来の製品化を見据えた開発としても扱いやすい。⸻Coreディレクトリcore/には、CosmoGenesis Coreを実装する。例えば、
core/
├── cosmogenesis_core.py
├── minimum_information.py
├── potential.py
├── difference.py
├── integration.py
├── cycle.py
└── field.py
ここには、宇宙生成理論そのものを書く。つまり、本書の中心となる部分である。⸻Simulationsimulation/では、時間発展を担当する。例えば、
simulation/
├── simulator.py
├── timestep.py
├── scheduler.py
├── history.py
└── events.py
Simulation Engineは、Coreを呼び出しながら生成を繰り返す。⸻Fractalfractal/では、自己相似構造を扱う。例えば、fractal/├── mandelbrot.py├── julia.py├── renderer.py└── fractal_utils.pyここでは、生成場の自己相似構造を描画する。⸻Chaoschaos/では、非線形ダイナミクスを実装する。例えば、chaos/├── logistic.py├── lorenz.py├── attractor.py└── chaos_utils.pyここで、カオス生成を行う。⸻Geometrygeometry/では、情報幾何学を実装する。例えば、
geometry/
├── embedding.py
├── manifold.py
├── distance.py
└── geometry_utils.py
Information Geometry Engineが利用する。⸻KnowledgeKnowledge Engineは、生成知識を管理する。
knowledge/
├── database.py
├── graph.py
├── history.py
├── search.py
└── embedding.py
ここでは、シミュレーション結果を知識へ変換する。⸻Reasoning推論は、独立したモジュールとする。
reasoning/
├── reasoner.py
├── hypothesis.py
├── inference.py
└── planner.pySimulation
結果を解析し、新しい生成条件を提案する。⸻InterpreterInterpreter Engineは、自然言語生成を担当する。
interpreter/
├── report.py
├── explanation.py
├── summary.py
└── interpreter.py
AIが、生成結果を説明する。⸻Visualization可視化も、独立したモジュールにする。
visualization/
├── graph.py
├── network.py
├── animation.py
├── dashboard.py
└── renderer.py
これにより、表示方法だけを自由に変更できる。⸻App最後に、アプリケーション。
app/
├── gradio_app.py
├── ui.py
├── controller.py
└── api.py
ここが、ユーザーとの接点になる。⸻Datadata/には、入力データを保存する。例えば、CSV、JSON、設定ファイルなど。⸻Outputoutput/には、シミュレーション結果、画像、動画、レポートを保存する。例えば、
output/
├── figures/
├── reports/
├── logs/
└── simulations/
という構成も考えられる。⸻TestsAIは、動けば終わりではない。変更しても壊れないことが重要である。そのため、tests/を最初から用意する。例えば、
tests/
├── test_core.py
├── test_simulation.py
├── test_geometry.py
└── test_reasoning.py
これにより、改良後も安全に開発できる。⸻Docsdocs/には、設計資料を書く。本書では、READMEだけではなく、各Engineの仕様書もここへ保存する。将来的に複数人で開発する場合にも役立つ。⸻Assets画像、アイコン、ロゴ、サンプルデータなどは、assets/へ保存する。Application Layerで利用する。⸻Main最後に、main.pyを置く。このファイルが、CosmoGenesis AI全体の入口になる。例えば、
core
↓
simulation
↓
visualization
↓
interpreter
↓
app
という流れを制御する。⸻この構成を採用する理由本書では、一つの巨大なNotebookを書かない。Notebookは、教育用には便利である。しかし、数万行になると、管理が難しくなる。そのため、Notebookでは実験を行い、主要な処理はPythonモジュールとして保存する。Notebookは、研究ノート。Pythonモジュールは、AI本体。この役割分担を採用する。⸻プロジェクト構成はAIの骨格である建物には骨組みがある。人体には骨格がある。AIにも、骨格が必要である。プロジェクト構成とは、コードを整理するためだけのものではない。それは、CosmoGenesis AIという知性を、何年にもわたって成長させるための設計図である。本書で採用する構成は、Google Colab上での学習から始まり、GitHubでの共同開発、クラウドへの展開、CosmoGenesis Platformへの統合までを見据えた共通基盤となる。ここまでで、CosmoGenesis AIを構築するための開発基盤は完成した。次節では、このプロジェクトをGitHubと連携し、バージョン管理と共同開発を前提とした実践的な開発環境へ発展させていく。
第6節 GitHub連携
ここまでで、CosmoGenesis AIを開発するためのGoogle Colab環境は整った。Python環境を構築し、必要なライブラリを導入し、GPUを利用できるようにし、プロジェクト構成も完成した。しかし、AI開発は一日で終わるものではない。CosmoGenesis AIは、数百、数千、将来的には数万行規模へ発展していく。そのため、コードを安全に管理し、変更履歴を保存し、必要に応じて以前の状態へ戻せる仕組みが必要になる。その役割を担うのが、GitHubである。本書ではGitHubを、単なるコード保存場所としてではなく、CosmoGenesis AIの知識進化を管理する基盤として利用する。⸻GitHubとは何かGitHubは、Gitによるバージョン管理システムを利用したソフトウェア開発プラットフォームである。簡単に言えば、コードの履歴を保存し、いつ、誰が、どこを変更したのかを管理できる。例えば、昨日のコードへ戻したい。実験用ブランチを作りたい。複数人で同時に開発したい。こうした作業を安全に行える。CosmoGenesis AIのような長期プロジェクトでは、GitHubは必須と言ってよい。⸻なぜGitHubが必要なのかAI開発では、コードは毎日変化する。Coreも変わる。Simulation Engineも改良される。Visualizationも追加される。もし、毎回ファイルをコピーして保存するだけなら、どれが最新版か分からなくなる。GitHubでは、変更履歴そのものを保存できる。つまり、AIの進化そのものを記録できる。⸻GitHubリポジトリ本書では、最初にGitHub上へ一つのリポジトリを作成する。例えば、CosmoGenesisAIという名前である。その中へ、本書で作成するすべてのPythonコードを保存する。ディレクトリ構成は、前節で作成したものをそのまま利用する。⸻ColabからGitHubへ接続するGoogle Colabでは、GitHubとの連携が容易である。リポジトリを開き、Notebookを保存し、必要に応じて同期できる。また、Gitコマンドを利用してローカルリポジトリとして扱うこともできる。概念的な流れは、Google Colab↓Git↓GitHub Repositoryとなる。これにより、研究結果が常に保存される。⸻ブランチ戦略本書では、最初からブランチを利用する。例えば、mainは、安定版。developは、開発版。さらに、feature/fractalfeature/chaosfeature/geometryなど、機能ごとにブランチを作る。これにより、一つのEngineを改良しても、他へ影響しにくくなる。⸻コミットの考え方GitHubでは、変更内容をコミットとして保存する。本書では、できるだけ小さな単位でコミットする。例えば、Add Core classImplement Simulation EngineAdd Fractal Engineなど、変更内容が分かる名前を付ける。これによって、履歴が非常に見やすくなる。⸻READMEを書くGitHubには、READMEを置く。ここには、CosmoGenesis AIの概要を書く。例えば、* プロジェクト概要* ディレクトリ構成* 実行方法* 必要ライブラリ* ライセンス* 更新履歴などを書く。READMEは、利用者だけでなく、未来の自分にも役立つ。⸻IssuesとProjectsGitHubでは、コードだけでなく、開発計画も管理できる。例えば、Issueには、Simulation高速化Visualization改善Medical Twin対応などを書く。Project機能を使えば、現在進行中の開発も管理できる。つまり、GitHubは開発ノートにもなる。⸻Releases本書では、一定の完成ごとにReleaseを作る。例えば、v0.1Core完成。v0.5Simulation完成。v1.0CosmoGenesis AI完成。このように節目ごとに保存しておけば、いつでも戻れる。⸻GitHub Actions将来的には、GitHub Actionsも利用できる。例えば、コードを更新すると、自動でテストを実行する。自動でドキュメントを更新する。自動でDockerイメージを作る。本書では詳細な設定までは扱わないが、CosmoGenesis Platformでは重要になる。⸻オープンソースという考え方CosmoGenesis AIは、公開プロジェクトとして開発することも、非公開プロジェクトとして開発することもできる。GitHubでは、どちらも選択できる。研究途中であれば非公開。論文公開後に公開。という流れも可能である。本書では、読者自身の目的に合わせて選択すればよい。⸻GitHubはCosmoGenesis AIの記憶であるKnowledge Engineは、生成知識を記憶する。一方、GitHubは、コードの進化を記憶する。つまり、Knowledge EngineがAIの知識なら、GitHubはAIの歴史である。CosmoGenesis AIは、毎日進化する。新しいEngineが追加される。アルゴリズムが改善される。UIも変わる。そのすべてをGitHubが記録する。⸻GitHubからPlatformへ本書では、Google ColabでCosmoGenesis AIを完成させる。しかし、将来的には、GitHubを中心として、Docker、Google Cloud、FastAPI、Kubernetes、CosmoGenesis Platformへ発展する。そのときも、開発の中心にはGitHubが存在する。⸻GitHubはAIの進化を保存するAIは、完成した瞬間よりも、進化し続ける過程に価値がある。Coreは改良される。Simulationは高速化される。Reasoningは賢くなる。Visualizationは美しくなる。GitHubとは、その進化を保存するための場所である。本書では、GitHubを単なるコード管理ツールとしてではなく、CosmoGenesis AIという宇宙生成知性が成長していく歴史そのものを記録する基盤として位置付ける。ここまでで、Google Colab上に、本格的なAI開発環境が完成した。次節では、この環境を使って最初のCosmoGenesis Coreを起動し、いよいよ宇宙生成理論をPythonコードとして実際に動かし始める。
第7節 最初の実行
ここまでで、CosmoGenesis AIを開発するための環境はすべて整った。Google Colabを準備し、Python環境を構築し、必要なライブラリを導入し、GPU設定を確認し、プロジェクト構成を設計し、GitHubとも連携した。ここから先は、いよいよCosmoGenesis AIを初めて動かす瞬間である。本書では、この瞬間を単なるプログラムの起動とは考えない。それは、宇宙生成理論が初めてソフトウェアとして動き始める瞬間である。⸻最初の実行とは何か多くのAI開発では、最初にprint("Hello World")を書いて終わる。しかし、CosmoGenesis AIでは、最初からプロジェクト全体の構造を確認する。つまり、Core、Simulation、Knowledge、Reasoning、Visualization、Applicationという六つのEngineが一つにつながっていることを確認する。ここではまだ高度なシミュレーションは行わない。目的は、CosmoGenesis AI全体が正常に起動することである。⸻main.pyを作るプロジェクトの入口となるmain.pyを作成する。このファイルは、CosmoGenesis AI全体を起動する。まずは、最小構成で実装する。
"""CosmoGenesis AIMain Entry Point"""def main(): print("=" * 60) print("CosmoGenesis AI") print("Universe Generation Intelligence") print("=" * 60) print("System Booting...") print("Core Loaded") print("Simulation Engine Loaded") print("Knowledge Engine Loaded") print("Reasoning Engine Loaded") print("Visualization Engine Loaded") print("Application Layer Loaded") print() print("CosmoGenesis AI Ready.")if name == "main": main()
この段階では、まだ各Engineは中身を持たない。しかし、AI全体の起動構造は完成している。⸻Google Colabで実行するGoogle Colabでは、Notebookから!python main.pyを実行する。正常なら、次のように表示される。
============================================================
CosmoGenesis AIUniverse GenerationIntelligence
System Booting...Core LoadedSimulation Engine LoadedKnowledge Engine LoadedReasoning Engine LoadedVisualization Engine LoadedApplication Layer LoadedCosmoGenesis AI Ready.
この表示が確認できれば、プロジェクト全体は正常に動いている。⸻起動処理をモジュール化する本書では、将来の拡張を考え、各Engineは独立した初期化関数を持つ。例えば、
from core.cosmogenesis_core import CosmoGenesisCorefrom simulation.simulator import SimulationEnginefrom knowledge.database import KnowledgeEnginefrom reasoning.reasoner import ReasoningEnginefrom visualization.renderer import VisualizationEngine
このような形で、一つずつ読み込む。最初は、空クラスでもよい。重要なのは、プロジェクト全体の構造が動くことである。⸻初めてCoreを生成する次に、Coreだけを生成してみる。core = CosmoGenesisCore()print(core)例えば、< CosmoGenesisCore Ready >と表示されれば成功である。ここでは、まだ生成計算は行わない。Coreという知性の器だけを作る。⸻最初の生成状態続いて、Coreから最初の生成状態を取得する。概念的には、state = core.initialize()print(state)このstateが、宇宙最小情報量から始まる最初の生成状態になる。現時点では単純な辞書やクラスでも構わない。次章以降で、中身を少しずつ充実させていく。⸻最初のシミュレーションSimulation Engineも試しに一回だけ動かす。simulation = SimulationEngine()result = simulation.run(step=1)print(result)一回だけ生成を実行する。まだフラクタルも、カオスも、情報幾何学もない。しかし、生成循環は始まっている。⸻ログを確認する本書では、最初からログも確認する。例えば、INFOCore InitializedSimulation StartedSimulation Finishedこのように表示されれば、開発環境全体は正常である。ログは、今後デバッグでも非常に重要になる。⸻Notebookから確認するGoogle Colabでは、Notebook上で次のように確認できる。print("CosmoGenesis AI Running")さらに、print(core.status())などを呼び出せば、Core状態を確認できる。Notebookは、CosmoGenesis AIの実験ノートになる。⸻ここで完成したもの現時点で完成したものは、まだAIではない。しかし、AIの骨格はすべて存在する。Coreがある。Simulationがある。Knowledgeがある。Reasoningがある。Visualizationがある。Applicationもある。つまり、建物で言えば、基礎工事と骨組みが完成した状態である。ここへ、次章から生成理論を一つずつ実装していく。⸻最初の実行が意味するもの多くのソフトウェアでは、最初の実行は単なる動作確認である。しかし、CosmoGenesis AIでは、意味が少し違う。ここで起動したものは、単なるPythonプログラムではない。それは、宇宙生成完全方程式を実装するための最初の器である。これから、宇宙最小情報量が入り、生成ポテンシャルが入り、差異生成が入り、統合生成が入り、生成循環が入り、生成場が形成される。そして、そのすべてが一つのAIとして動き始める。⸻ここから実装が始まる第Ⅰ部では、理論を設計した。第Ⅱ部前半では、開発環境を整えた。そして今、CosmoGenesis AIは初めて起動した。もちろん、この時点では各Engineは最小限の構造しか持っていない。しかし、起動できる骨格を先に作り、そこへ機能を段階的に追加していくことが、本書の実装方針である。次章からは、いよいよCosmoGenesis Coreそのものを実装する。宇宙生成完全方程式をPythonへ変換し、生成ポテンシャルを計算し、差異を生成し、統合を実行し、生成場を更新する。ここから先は、設計図ではない。構想でもない。CosmoGenesis AIという宇宙生成知性が、一行一行のPythonコードによって実際に形を持ち始める実装の本編である。
愛と敬意を込めてmandala