0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

Prologは死んだのか? ― LLM時代における論理プログラミングの現在地

0
Posted at

はじめに

「LLMがこれだけ賢くなった時代に、Prologに何の意味があるのか」

Prologの処理系(Mosa Prolog)を自作している立場上、これは他人事ではない問いです。この記事の結論を先に書きます。

Prologは「AIの主役」の座をLLMに譲りました。しかしその代わりに、LLMだけでは担えない「検証可能な推論」という役割の専門家として、立場が固まってきました。

Prologは消えていく言語というより、置かれる場所が変わった言語です。たとえるなら、LLMは何でも相談できる博識な助手で、Prologは根拠を示して判定だけを返す監査役です。そして監査役の席は、LLM時代になって新しく需要が生まれた席でもあります。

1. かつてPrologは「AIそのもの」だった

Prologは1972年、フランスのAlain Colmerauerらと、述語論理を計算に結びつけたRobert Kowalskiの仕事から生まれました。「プログラム=論理」「計算=証明探索」という考え方を、そのまま言語にしたものです。

日本では1980年代、通商産業省の第五世代コンピュータプロジェクト(1982–1992)が中核言語にProlog系の言語を採用し、Prologは「AIといえばこれ」という存在でした。ルールベースのエキスパートシステムも、多くはこの系譜に属します。

Prologが廃れた理由は、推論エンジンの性能ではなく知識獲得のボトルネックです。専門家の知識を「事実」と「規則」の形に人間が手で書き起こす作業はあまりに高コストで、しかも書かれた規則は想定外の事例に脆いものでした。エンジンは正しく動くのに、入れる知識が追いつかなかったのです。

Prologが負けたのは「考える部分」ではなく「知識を入れる部分」だった、という点が重要です。そして、その「入れる部分」を劇的に安くしたのがLLMです。この事実が、今のPrologの位置づけを決めています。

2. LLMとPrologの役割分担

両者の得意・不得意は、かなりきれいに分かれます。

LLM Prolog
自然言語の理解・生成 得意。曖昧な指示でも文脈で補える 苦手。入力は形式化が前提
一般常識・幅広い知識 大量に保持している 書いた分しか知らない
多段階の厳密な推論 流暢だが、途中で気づかないうちに間違えることがある 規則の範囲内では正確
結論の根拠 説明文は生成できるが、それが実際の推論過程と一致する保証はない 証明の木(どの事実と規則を使ったか)がそのまま残る
「解なし」の扱い 何かしら答えを出してしまいがち 解がなければ失敗として返る
再現性 同じ入力でも出力が揺れる 同じ問いには同じ答え(決定論的)

LLMの推論トレース、つまり思考の過程として出力される文章は、もっともらしくても、実際にその過程で答えに到達したとは限りません。この問題は研究でも繰り返し指摘されています。対して記号推論エンジンのトレースは、明示的な事実と規則の列そのものです。正確で、後から監査できます。

つまり両者は競合相手ではなく、「曖昧な世界との接点」と「厳密な判定」という別々の工程の担い手です。

3. 組み合わせの実例

理屈の上だけでなく、LLMとProlog(論理プログラミングや記号ソルバ)の組み合わせは、研究と実装の両方で実際に進んでいます。

3.1 LLMが翻訳し、ソルバが解くLogic-LM

代表例はLogic-LM(EMNLP 2023)で、構成はシンプルです。

  1. LLMが自然言語の問題文を論理式などの記号形式に翻訳する
  2. 決定論的な記号ソルバが推論を実行する
  3. ソルバのエラーメッセージをLLMに返し、翻訳を修正させる(自己修正)

5つの論理推論データセットで、LLM単体の標準的なプロンプトより平均39.2%、Chain-of-Thoughtよりも18.4%の精度向上が報告されています[1]。LLMの仕事を「考えること」から「翻訳すること」に変えた点が、この構成の要です。翻訳はLLMが得意で、推論はソルバが正確です。

3.2 LLMにPrologを道具として使わせるProlog-as-a-Tool

さらに直接的にPrologを名指しした研究もあります。ACL 2026の“Training Language Models to Use Prolog as a Tool”では、小規模な言語モデル(Qwen2.5-3B-Instruct)を強化学習でファインチューニングし、Prologを外部の検証可能な計算ツールとして使わせています[2]。

著者らが見つけた「正確さと監査可能性のトレードオフ」は興味深い結果です。正解率だけを報酬にすると、モデルは推論を自然言語側で済ませ、Prologを最後の計算にしか使わなくなります。一方、記号的な構造を持つプログラムを書くことに報酬を付けると、完全に監査可能なプログラムが得られる代わりに、正解率が下がります。論文では、正解率が最も高い設定の約90%に対し、構造に報酬を付けた設定は62〜74%でした。つまり、LLMに判定を任せきりにすると検証可能性は自然に失われることが、実験で示されたわけです。仕組みの側で「判定は記号側に寄せる」設計をしないと、LLMは楽な方へ流れます。

3.3 PrologをMCPサーバーとして公開するEuclid-MCP

実装寄りの動きとしては、Euclid-MCPのような試みも出ています[3]。SWI-Prologによる決定論的な論理推論を、MCP(Model Context Protocol)サーバーとしてLLMエージェントに公開するものです。LLMが世界を事実と規則で記述し、Prologエンジンが実際の演繹を行い、結果を検査して翻訳を直す、というループを想定した設計です。

エージェント時代の道具は関数ではなくMCPサーバーとして配られており、Prologもその形で呼ばれ始めています。

3.4 論理とニューラルネットを内部で統合するDeepProbLog

外部ツールとして呼ぶのではなく、言語自体をニューラルネットと融合させる方向もあります。DeepProbLog(NeurIPS 2018)は、確率論理プログラミング言語ProbLogに「ニューラル述語」を導入したものです[4]。画像認識のような知覚をニューラルネットに、推論を論理側に担わせて、全体をエンドツーエンドで学習できるようにしています。この系譜は「ニューロシンボリックAI」と呼ばれ、「解釈可能な論理プログラミングとニューラルネットを統合し、記号的な厳密さとデータ駆動の柔軟性を組み合わせる」方向として整理されています。

3.5 Datalogはもともと現場で使われていた

Prologの近縁であるDatalogは、「AI」としてではなく、プログラム解析の現場で目立たないまま生き残ってきました。プログラムの関係(呼び出し関係、ポインタの参照関係など)を事実として集め、規則で再帰的に導出する、という形が静的解析とよく合ったからです。

  • SouffléはDatalogをC++にコンパイルして高速に実行するエンジンです[5]
  • DoopはJavaのポインタ解析をDatalogで宣言的に記述するフレームワークです
  • GitHubのコード解析で使われるCodeQLは、クエリ言語QLの意味論がDatalog系です

「論理プログラミングは死んだ」と言われていた時期にも、論理プログラミングは姿を変えて、開発道具の中に居続けていました。

4. 過大評価への注意

ここまで持ち上げてきましたが、冷静な注記も必要です。

第一に、保証は「翻訳が正しければ」という条件付きです。ソルバは与えられた形式化の中では健全ですが、LLMの翻訳が元の問題の意味を捉えていなければ、正しい手続きで間違った問題を解くことになります。問題は消えたのではなく、「推論の誤り」から「形式化の誤り」へ移った、と見るべきです。

第二に、強いLLMでは差が縮んでいるという報告もあります。2026年の実証的な比較研究[6]によると、標準的なベンチマークでは、最先端モデルにソルバを併用してもゼロショットCoT比の改善は1%未満にとどまりました。一方、難易度を制御した合成データセットでは、ソルバを併用した方が堅牢だった、という結果が示されています。ベンチマークの成績が天井に近づくと差は見えなくなりますが、推論の段数が深く条件が複雑な場面では記号側の利点が残る、と読むのが妥当でしょう。

第三に、Prolog自体の弱点は残っています。

  • 汎用言語としてのエコシステム、求人、ライブラリは小さいままです
  • LLMの学習コーパスに占める割合が小さいため、LLMが生成するPrologの精度はPythonなどに比べて落ちやすくなります。上の3.2の研究でファインチューニングが必要だったのも、この事情によるものだと筆者は考えています
  • 確率や曖昧さの扱いは素のPrologの仕事ではなく、ProbLogのような拡張の領域です
  • 大規模データの集計が本体なら、SQLやDatalog実装の方が向いています

5. それでも残るPrologの席

Prolog向きの仕事として残るのは、だいたい次の条件にあてはまるものです。

  • 規則を明文化できる(資格判定、料金計算、スケジュールの制約、ゲームのルール、分類基準の適用など)
  • 間違いのコストが高い(コンプライアンス、安全に関わる判定、課金に関わる判定)
  • 「なぜこの結論になったか」を、事実と規則の列で示す説明責任がある
  • 探索や組み合わせが本質で、バックトラックによる解の列挙が自然に書ける

系譜のような再帰的な関係なら、Prologでは次のように短く書けます。

親(たろう, じろう).
親(じろう, さぶろう).

祖先(X, Y) :- 親(X, Y).
祖先(X, Y) :- 親(X, Z), 祖先(Z, Y).

% ?- 祖先(たろう, さぶろう).  -> true(経路が示せる)
% ?- 祖先(さぶろう, たろう).  -> false(「解なし」が正直に返る)

日本語の識別子をそのまま書いているのは、Mosa Prologのような日本語対応の処理系を想定しているためです。処理系によっては、引用符で囲むかローマ字表記に読み替えてください。

筆者の元の専門である考古学でいえば、遺跡の層序(どの土層がどの土層より上か、という前後関係)は順序制約そのものです。推移閉包を取り、循環という矛盾がないかを検査する処理は、Prologの最も素直な使い方の一つです。

直接上位(a層, b層).
直接上位(b層, c層).

より上(A, B) :- 直接上位(A, B).
より上(A, B) :- 直接上位(A, C), より上(C, B).

矛盾 :- より上(X, X).  % 自分より上にある層があれば記録の矛盾

規則そのものが仕様書として読めることが大切です。LLMが生成した判定ロジックがPythonの命令文の中に埋もれていたら、専門家が検証するのは骨が折れます。規則が規則の形で残っていれば、ドメインの専門家が目で見て監査できます。

6. 自作の処理系Mosa Prologの位置づけ

最後は、筆者が作っているMosa Prologが、この記事の主張をどう形にしようとしているかという話です。

Mosa Prolog(Modular Optimized Symbolic Architecture Prolog)は、ISO/IEC 13211-1に沿うProlog処理系です。

  • リポジトリはSilentMalachite/mosa-prologです
  • 適合テストの合格率は98.4%(2150/2185、2026年11月時点)です
  • C++20で実装しており、依存するのはC++20標準ライブラリとCMakeだけです。ライセンスはApache-2.0です
  • バージョン0.2.1を公開済みで、macOS(Apple Silicon)、Linux(x86_64)、Windows(x64)向けのパッケージをReleasesで配布しています

コマンドは3つあります。

コマンド 役割
mosa インタプリタ。対話的にも、ファイルからも実行できる
mosac PrologプログラムをC++20へ変換し、単体の実行ファイルを生成する。生成物は処理系なしで動く
mosatest テストランナー。インタプリタとmosac生成コードの実行結果を突き合わせる差分テスト(--diff)も行う

この処理系は、この記事で見てきたPrologの現代的な席とそのまま重なるように設計しています。

6.1 「判定器」として配れる処理系

LLMエージェントに論理推論を使わせるには、呼ばれる側が軽く、環境構築なしに動き、入出力が素直であることが必要です。mosacで規則を単体の実行ファイルにしてしまえば、配布先にProlog環境は要りません。判定ロジックを「実行ファイルという部品」として、エージェントやCIや別のプログラムから呼べます。第3節で見た「LLMが翻訳し、記号側が判定する」構成でいえば、この形が記号側の受け皿です。

6.2 日本語で規則が読める処理系

MosaはUTF-8を前提にしており、アトムや変数に日本語の名前を使え、メッセージも日本語にできます。第5節で述べた「規則そのものが仕様書として読める」という性質は、日本語話者の現場では「規則が日本語で読める」ことで一段強くなります。その分野の専門家が、資格や分類の基準を自分の言葉のまま監査できるからです。LLMが規則の下書きを書き、専門家が日本語の規則を読んで直す、という分業が成り立ちます。

6.3 ISOに準拠し、処理系自身も検証できる形にする

独自拡張で囲い込むのではなく、標準(ISO/IEC 13211-1)に寄せる方針です。この方針は、LLM時代には実用面でも意味があります。LLMが生成するPrologは、学習データの都合で標準的な書き方に寄ります。その受け皿は、方言ではなく標準に準拠している方が、生成コードをそのまま通しやすくなります。

もう一つ、検証可能性は処理系自身にも向けています。適合率を数値で公開し、mosatest --diffでインタプリタと生成コードの一致を継続的に測っています。「検証できる形で残す」というこの記事の主張を、処理系の開発方法そのものに当てはめているつもりです。

なお、Euclid-MCPのようにMosaをMCPサーバーとして公開する形は、現時点では未実装で、今後の展望です。まずは「単体実行ファイルとして呼べる判定器」という土台を固めるのが先だと考えています。

「LLMに全部やらせる」のではなく、「LLMが書いた規則を検証できる形で固定し、決定論的に実行する」。その固定先として、Prologという形式は今でも筋が良いと考えています。それが開発を続けている理由です。

まとめ

  • Prologは汎用AIの主役の座をLLMに譲ったが、「検証可能な推論」の専門家として立場が固まった
  • 歴史的な敗因だった知識獲得のコストを、LLMが劇的に下げた。だからこそ組み合わせに意味がある
  • 研究の形は「LLMが翻訳し、ソルバが解く」「LLMがPrologを道具として使う」「MCPサーバーとして論理推論を公開する」など、すでに具体化している
  • ただし保証は形式化の正しさに依存し、強いLLMでは単純な課題での差は小さい。過大評価も過小評価も禁物
  • 規則が明文化でき、間違いが高くつき、説明責任がある領域では、Prologはいまも第一候補の一つ
  • 筆者のMosa Prologはその席を狙う実装で、「単体実行ファイルとして配れる判定器」「日本語で監査できる規則」「ISO準拠と差分テストによる検証可能性」の3点がその具体的な形

LLMの時代が来ても、Prologが不要になったわけではありません。Prologが50年近く前に示した「プログラムとは論理である」という考え方を、AIシステムの中の一層として、ようやく現実的なつなぎ方で使える時代になった、と見るのが正確だと思います。

参考文献

[1] Liangming Pan, Alon Albalak, Xinyi Wang, William Yang Wang. “Logic-LM: Empowering Large Language Models with Symbolic Solvers for Faithful Logical Reasoning.” Findings of ACL: EMNLP 2023. コード: https://github.com/teacherpeterpan/Logic-LLM

[2] Niklas Mellgren, Peter Schneider-Kamp, Lukas Galke Poech. “Training Language Models to Use Prolog as a Tool.” Findings of ACL 2026. arXiv:2512.07407. https://arxiv.org/abs/2512.07407

[3] Bartolomeo Bogliolo. “Euclid-MCP: A Model Context Protocol Server for Deterministic Logical Reasoning via Prolog.” arXiv:2607.21412. https://arxiv.org/pdf/2607.21412.pdf

[4] Robin Manhaeve, Sebastijan Dumančić, Angelika Kimmig, Thomas Demeester, Luc De Raedt. “DeepProbLog: Neural Probabilistic Logic Programming.” NeurIPS 2018. arXiv:1805.10872. https://arxiv.org/abs/1805.10872

[5] Herbert Jordan, Bernhard Scholz, Pavle Subotić. “Soufflé: On Synthesis of Program Analyzers.” CAV 2016. 公式サイト: https://souffle-lang.github.io/

[6] Ya Wang, Raja Havish Seggoju, Adrian Paschke. “Empirical Analysis of Chain-of-Thought and Solver-Augmented Large Language Models for Deductive Reasoning.” Neurosymbolic Artificial Intelligence, 2, 1–14, 2026. https://doi.org/10.1177/29498732261469484

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?