
『EQUESは何を可能にするのか』――Relation・Potential・Realityから設計する、AI研究企業の次の未来(第3回)(第Ⅱ部 Potential――現在のDataから、まだ存在しない可能性を発見する 第2章 Potential Intelligence――EQUESはまだ存在しない未来を発見できるか)
第Ⅱ部 Potential
――現在のDataから、まだ存在しない可能性を発見する
現在存在しているものだけが、
世界のすべてではない。
企業には、
現在のProductがある。
現在のCustomerがいる。
現在のProcessがある。
現在のTechnologyがある。
Factoryには、
現在のMachine Configurationがある。
Researchには、
現在のTheory、
現在のData、
現在のExperimentがある。
AIには、
現在のModelとCapabilityがある。
これらは、
観測可能なCurrent Stateである。
しかし、
Current Stateは、
Final Stateではない。
Current State
≠
Final State
現在のRealityは、
複数の条件、
Constraint、
Capability、
Relation、
過去のDecision
によって成立している。
Conditions
+
Constraints
+
Capabilities
+
Relations
+
History
↓
Current Reality
ならば、
それらの一部を変えたとき、
別のRealityが成立する可能性がある。
Current Reality
↓
Change Conditions
↓
Alternative Reality
ここに、
Potentialが現れる。
Potentialとは、
単なる希望ではない。
Ideaでもない。
未来予測でもない。
現文明の言語で記述するなら、
Potentialとは、
現在のSystemから到達可能でありながら、
まだ実現されていないPossible State
である。
Current State
↓
Possible Transitions
↓
Possible State Space
このPossible State Spaceを探索するIntelligenceを、
本書では、
Potential Intelligence
と呼ぶ。
第Ⅰ部では、
EQUESがRealityをRelationとして理解するArchitectureを構築した。
Object。
Node。
Edge。
Network。
Dependency。
Causality。
Knowledge Graph。
World Model。
Human・AI・Machine・Environment。
System Optimization。
これによって、
現在のRealityが、
どのようなSystemとして成立しているかを記述できるようになった。
しかし、
世界を理解するだけでは、
未来は変わらない。
次に問うべきなのは、
「このSystemには、
他にどのようなStateが可能なのか」
である。
Current System
↓
Potential Search
↓
Alternative Systems
ここで、
AIの役割が変わる。
これまでAIの重要な用途の一つは、
Predictionだった。
過去のDataを学習する。
Patternを発見する。
未来を予測する。
Historical Data
↓
Model
↓
Likely Future
Demand Forecast。
Failure Prediction。
Risk Prediction。
Customer Behavior Prediction。
Market Forecast。
これらは重要である。
しかし、
Predictionには一つの構造的な限界がある。
Predictionは基本的に、
「現在のSystemが大きく変わらないなら、
次に何が起こりそうか」
を扱う。
つまり、
現在のStructureをある程度前提にする。
Past
↓
Current Structure
↓
Likely Future
しかし、
企業や産業やScienceが本当に必要としているのは、
それだけではない。
現在の延長線上にある未来ではなく、
現在のStructureを変えたら、
何が可能になるのか。
という問いがある。
Prediction
=
What is likely to happen?
Potential Intelligence
=
What could become possible?
この違いは大きい。
たとえば、
Factoryの生産量を予測する。
これはPredictionである。
しかし、
Machine Configurationを変えたらどうなるか。
AI Planningを導入したらどうなるか。
HumanとRobotのTask Allocationを変えたらどうなるか。
Energy Constraintを変更したらどうなるか。
を探索するのは、
Potential Explorationである。
Current Factory
↓
Alternative Configurations
↓
Possible Factory States
企業でも同じである。
来年度の売上を予測する。
それだけではない。
Research Portfolioを変えたらどうなるか。
AI Agentを導入したらどうなるか。
新しいPartner Networkを形成したらどうなるか。
現在存在しないProduct Categoryへ進んだらどうなるか。
Enterprise₀
↓
Alternative Decisions
↓
Enterprise₁
Enterprise₂
Enterprise₃
Scienceでは、
さらに明確になる。
既存Dataから、
既知の現象を高精度にPredictionする。
しかし、
Scienceの大きな価値は、
まだ知られていないものを発見することにある。
Unknown Material。
Unknown Mechanism。
Unknown Drug Candidate。
Unknown Algorithm。
Unknown Physical Configuration。
Known Space
↓
Search
↓
Unknown but Possible
ここでは、
AIはPrediction Machineから、
Discovery Engineへ変わる。
そして、
EQUESがAI Research Companyとして持つ可能性は、
この転換にある。
Dataを分析するだけではない。
Dataから、
まだ存在していないHypothesisを生成する。
Simulationする。
Counterfactualを探索する。
Experiment Candidateを生成する。
Implementation Candidateを比較する。
AI
↓
Search Expansion
↓
Potential Discovery
Humanだけでは探索できない規模のPossible State Spaceを、
AIによって探索する。
ここに、
AIの本質的なCapabilityの一つがある。
Humanの探索能力には、
物理的な限界がある。
一人のResearcherが、
同時に比較できるHypothesis数には限界がある。
一つのEnterprise Teamが、
検討できるScenario数にも限界がある。
AIは、
このSearch Spaceを拡張できる。
Human Search Space
↓
Human + AI Search Space
しかし、
候補を大量生成するだけではPotential Intelligenceにはならない。
可能性には、
Constraintがある。
Physical Law。
Budget。
Time。
Safety。
Regulation。
Human Capacity。
Infrastructure。
Technology Readiness。
Possible Stateは、
何でもよいわけではない。
Potential
=
Possibility
under Constraints
ここが、
単なるGenerative AIとの違いになる。
Generative Modelは、
多くのCandidateを生成できる。
Potential Intelligenceは、
CandidateがRealityとして成立する条件まで見る。
Candidate
↓
Constraint Check
↓
Feasibility
↓
Potential
つまり、
「想像できること」と、
「実現可能なこと」を区別する。
Imaginable
≠
Feasible
Feasible
≠
Desirable
Desirable
≠
Implementable Now
さらに、
時間軸も必要になる。
現在は実装できない。
しかし、
特定Capabilityが成立すれば、
将来実装可能になる。
Current Capability
↓
Missing Capability
↓
Research
↓
Future Capability
↓
Future Potential
ここで、
PotentialはResearch Agendaへ変わる。
「まだできない」
という結論で終わらない。
何が不足しているから、
できないのかを特定する。
Missing Data。
Missing Model。
Missing Sensor。
Missing Robot Capability。
Missing Infrastructure。
Missing Scientific Knowledge。
Constraint
↓
Missing Capability
↓
Research Question
これは、
EQUESにとって重要な構造である。
Researchを、
Technology Trendから決めるだけではなく、
Future Realityに必要なMissing Capabilityから逆算できる。
Future Reality
↓
Required Capability
↓
Capability Gap
↓
Research Portfolio
研究の向きが変わる。
現在できるResearchから、
未来に必要なResearchへ。
Technology Pushだけではなく、
Potential Pullが加わる。
Research
→
Potential
だけでなく、
Potential
→
Research
という逆方向が成立する。
これによって、
EQUESはResearchとFuture Realityを接続できる。
そして、
Potential Intelligenceで重要になるのが、
Counterfactualである。
Realityでは、
一つのHistoryしか観測できない。
Decision Aを選んだ。
Outcome Aが起きた。
しかし、
Decision Bを選んでいたら、
何が起きただろうか。
という世界は、
観測されていない。
Observed Reality
=
One Path
Possible Reality
=
Many Paths
Counterfactual Intelligenceは、
この観測されなかったPathを考える。
If X had been different,
what would have happened?
そして、
If X is changed now,
what could happen next?
へ進む。
ここで、
第Ⅰ部のCausalityが重要になる。
Correlationだけでは、
Counterfactualを正しく扱えない。
どのVariableを変えると、
どのOutcomeが変わるのか。
Causal Structure
↓
Counterfactual
↓
Potential
RelationとPotentialが、
ここで直接接続する。
さらに、
PotentialにはOpportunityだけではなく、
Riskも含まれる。
Possible State Spaceには、
望ましいStateだけがあるわけではない。
Desired State。
Neutral State。
Failure State。
Catastrophic State。
Possible State Space
├─ Opportunity
├─ Risk
└─ Unknown
だから、
Potential Intelligenceは、
Opportunity DiscoveryとRisk Discoveryを同時に行う。
新しいAgentを導入すれば、
Productivityが上がる可能性がある。
同時に、
Authority Errorが起きる可能性もある。
Robotを自律化すれば、
Human Workloadが下がる。
同時に、
Physical Safety Riskが変化する。
Potential
=
Upside
+
Downside
Possible State Space全体を見る。
ここで、
Simulationが重要になる。
Current StateをWorld Modelへ置く。
Conditionを変更する。
Actionを変更する。
Relationを変更する。
複数のScenarioを生成する。
Current State
↓
Simulation
├─ State A
├─ State B
├─ State C
└─ State D
それぞれについて、
Performance。
Cost。
Risk。
Safety。
Time。
Human Impact。
Environmental Impact。
を評価する。
AIが、
一つの未来を予言するのではない。
複数の未来を比較可能にする。
Prediction
↓
Single Likely Future
Potential Intelligence
↓
Structured Possible Futures
ここに、
未来に対するAIの役割の転換がある。
未来を当てる。
から、
未来の選択可能性を増やす。
へ。
しかし、
AIが未来を選ぶわけではない。
Potential Intelligenceが提示するのは、
Possible State Spaceである。
どのStateを目標とするかは、
HumanとOrganizationが決める。
AI
↓
Discover Possibilities
Human
↓
Choose Direction
Engineering
↓
Implement
Reality
↓
Verify
このRole Separationが、
本書全体を貫く。
Potential Intelligenceは、
Human Authorityを置き換えるのではない。
Humanが、
より広いPossible State Spaceから選択できるようにする。
つまり、
Potential Intelligenceは、
Human Agencyを拡張するTechnologyでもある。
Current Choices
↓
AI Exploration
↓
Expanded Choices
選択肢が一つしか見えなければ、
未来は決定されたように見える。
しかし、
複数の実現可能なPathが見えれば、
Decisionが生まれる。
Potential
↓
Choice
↓
Action
↓
Reality
ここで、
未来はPrediction対象から、
Design対象へ変わる。
そして、
EQUES自身にもPotential Intelligenceを適用できる。
現在のEQUESがある。
Researcher。
Technology。
Project。
Customer。
Partner。
Capital。
Corporate Memory。
これがCurrent Stateである。
しかし、
Current EQUESは、
Final EQUESではない。
EQUES₀
≠
EQUES_final
どのResearch Capabilityを追加するか。
どのIndustryへ接続するか。
どのAgent Architectureを内部導入するか。
どのPhysical AI Capabilityを獲得するか。
どのPartner Networkを形成するか。
Alternative EQUES Statesを探索できる。
EQUES₀
├─ EQUES₁
├─ EQUES₂
├─ EQUES₃
└─ EQUES₄
そのなかから、
どのStateが最も大きなLong-term Capabilityを生むのかを考える。
企業Strategyそのものが、
Potential Explorationになる。
これは、
単なるGrowth Forecastではない。
企業のPossible State Spaceを設計することである。
そして、
EQUESがPotential Intelligenceを自社で実装できれば、
そのCapabilityを外部へ展開できる。
Human Potential。
Enterprise Potential。
Industrial Potential。
Scientific Potential。
Physical World Potential。
対象は変わる。
しかし、
基本Operationは共通する。
Observe Current State
↓
Model Relations
↓
Identify Constraints
↓
Generate Alternatives
↓
Simulate
↓
Evaluate
↓
Discover Potential
これが、
Potential IntelligenceのCore Operationである。
さらに圧縮すれば、
Current Reality
↓
Possible State Space
↓
Potential
となる。
この転換によって、
Dataの意味も変わる。
Dataは、
過去を記録するものだけではない。
未来の可能性を探索するためのInitial Conditionになる。
Past Data
↓
Current State
↓
Possible Futures
Dataから未来を直接予測するのではなく、
Dataから現在のSystemを構築し、
そこからPossible State Spaceを探索する。
Data
↓
World Model
↓
Simulation
↓
Potential
ここに、
第Ⅱ部の核心がある。
現在のDataは、
現在のRealityの記録である。
しかし、
現在のRealityは、
Possible Reality Spaceの一つにすぎない。
Reality₀
∈
Possible Reality Space
EQUESがPotential Intelligenceを持つとは、
この一つのRealityから、
まだ存在していない複数のRealityを探索できるようになることである。
そして、
そのなかから、
実装可能な未来を発見する。
Predictionから、
Possibilityへ。
Possibilityから、
Potentialへ。
Potentialから、
Implementationへ。
Prediction
↓
Possible State Space
↓
Potential
↓
Architecture
↓
Reality
第Ⅱ部では、
この変換を扱う。
第2章では、
まずCurrent StateがFinal Stateではないことを確認する。
Predictionの限界を見る。
Possible State Spaceを定義する。
Counterfactual Intelligenceへ進む。
ConstraintとOpportunityを分離する。
Potential DiscoveryのOperationを構築する。
そして最後に、
Potential Intelligence
として統合する。
EQUESは、
未来を正確に当てる企業になる必要はない。
それよりも重要なのは、
現在には見えていないが、
技術的・物理的・組織的条件を満たせば成立しうる未来を、
発見できること
である。
Likely Future
だけを見るのではない。
Possible Futureを見る。
さらに、
Implementable Future
を見つける。
Current Reality
↓
Possible Reality
↓
Feasible Reality
↓
Implementable Reality
この探索が、
EQUESのResearchを変える。
企業を変える。
産業への関わり方を変える。
そして、
AIそのものの目的を変える。
AIは、
未来を予測するだけのTechnologyではない。
まだ存在していない未来を、
探索可能なEngineering Spaceへ変換できる。
第Ⅱ部Potentialでは、
そのIntelligenceを設計する。
現在は、
完成ではない。
Dataは、
過去の記録だけではない。
未来は、
一つではない。
Current State
↓
Possible State Space
ここから、
EQUESは、
まだ存在していないRealityの探索を始める。
第2章 Potential Intelligence
――EQUESはまだ存在しない未来を発見できるか
第1節 Current StateはFinal Stateではない
AIが現在を観測するとき、
そこにはDataがある。
企業の売上。
Factoryの生産量。
Machineの稼働率。
Researchの成果。
HumanのSkill。
RobotのCapability。
Energy Consumption。
Market Demand。
これらは、
現在のRealityを記述する。
Current Data
↓
Current State
しかし、
ここで一つの重要な区別が必要になる。
現在観測されているStateと、
そのSystemが到達可能な最終的なStateは、
同じではない。
Current State
≠
Final State
これは、
Potential Intelligenceの出発点である。
現在の企業が、
現在のProductしかつくれないとは限らない。
現在のFactoryが、
現在のProduction Methodしか使えないとは限らない。
現在のResearch Teamが、
現在のResearch Outputしか生み出せないとは限らない。
現在のHumanが、
現在持っているSkillだけで生き続けるわけでもない。
現在のAIも、
現在のCapabilityが限界ではない。
Realityは、
固定された完成状態ではない。
State(t₀)
↓
Transition
↓
State(t₁)
Systemは、
時間とActionによって変化する。
だから、
Current Stateを見るときに重要なのは、
「今、何ができるか」
だけではない。
「条件が変われば、
何ができるようになるか」
を見ることである。
Current Capability
+
Changed Conditions
↓
Future Capability
たとえば、
あるResearcherが、
一年に10個のExperimentしか検討できないとする。
Current Stateだけを見れば、
Research Capacity
=
10 Experiments / Year
と記述できる。
しかし、
AIによるLiterature Search、
Hypothesis Generation、
Simulation、
Experiment Design Support
が導入されれば、
探索可能なHypothesis数は増える可能性がある。
Human
+
AI
↓
Expanded Research Space
つまり、
現在のPerformanceは、
Humanそのものの固定能力ではない。
現在のTool、
Workflow、
Time、
Data Access、
Organization Structure
とのRelationによって成立している。
Observed Performance
=
Human
×
Tools
×
Workflow
×
Environment
Relationが変われば、
Performanceも変わる。
ここで、
第Ⅰ部のRelationがPotentialへ接続する。
Current Stateは、
Objectの内部属性だけから成立しているわけではない。
Current Relationsによって成立している。
Current Relations
↓
Current System
↓
Current State
ならば、
Relation Reconfiguration
↓
New System
↓
New State
が可能になる。
つまり、
Potentialとは、
現在のObjectのなかだけに存在するものではない。
新しいRelationによって、
System Levelで出現する場合がある。
たとえば、
AI Modelがある。
Robotがある。
Sensorがある。
Digital Twinがある。
それぞれは、
すでに存在している。
しかし、
別々に存在しているだけなら、
一つのCapabilityにはならない。
AI
+
Sensor
+
Robot
+
Digital Twin
+
New Relations
↓
Autonomous Physical System
新しいObjectを発明しなくても、
Connectionを変えるだけで、
新しいSystem Capabilityが成立する。
したがって、
Current Components
≠
Current Possibilities
である。
現在見えているCapabilityだけから、
未来のCapabilityを推定してはいけない。
Combination Spaceがあるからである。
Capability A。
Capability B。
Capability C。
現在は独立している。
しかし、
A + B
A + C
B + C
A + B + C
というCombinationが存在する。
Current Capability Set
↓
Combination Space
↓
Emergent Capability
Potential Intelligenceは、
このCombination Spaceも探索する。
これは、
EQUESにとって重要である。
AI Research Companyが未来を開く方法は、
必ずしも毎回、
新しいFoundation Modelをゼロから発明することではない。
既存Technologyを、
まだ存在しないArchitectureで接続することでもよい。
Existing Technology
+
New Architecture
=
New Potential
ここで、
EngineeringとResearchの境界が近づく。
新しいAlgorithmを発見するResearch。
新しいSystem Configurationを発見するEngineering。
どちらも、
Possible State Spaceの探索として扱える。
そして、
Current Stateには、
Constraintが含まれている。
Budgetがない。
Dataがない。
Computeが足りない。
Sensorがない。
Human Skillがない。
Regulationがある。
Infrastructureがない。
Current State
=
Capabilities
+
Constraints
このとき、
「現在できない」
という事実だけを見れば、
Impossible
に見える。
しかし、
Potential Intelligenceは、
なぜできないのか
を分解する。
Target State
↓
Required Conditions
↓
Current Gaps
たとえば、
Target State:
Autonomous Inspection
に対して、
Required:
Vision Model
Edge Compute
Sensor
Robot Control
Safety System
が必要だとする。
そのうち、
Vision Model
✓
Sensor
✓
Robot Control
✓
Edge Compute
×
Safety Validation
×
なら、
Impossible
ではない。
Missing Capabilityが二つある。
Target Potential
↓
Capability Gap
↓
Research / Implementation Tasks
と記述できる。
この差は大きい。
Impossible
というLabelから、
Not Yet Possible
へ変わる。
さらに、
What is missing?
へ進む。
Potential Intelligenceは、
できる/できないをBinaryに分類するのではなく、
Target RealityまでのGapを記述する。
Current State
↓
Gap
↓
Required Capability
↓
Target State
すると、
未来がEngineering Problemへ変わる。
これは、
Research Portfolioにも応用できる。
EQUESが、
あるFuture Realityを実現したいとする。
しかし、
現在のTechnologyでは実装できない。
そこで、
「実現できない」
で終わらない。
何が不足しているのかを特定する。
Missing Model Capability。
Missing Data。
Missing Hardware。
Missing Control Architecture。
Missing Scientific Knowledge。
そして、
Missing Capability
↓
Research Question
へ変換する。
未来から、
Research Themeを逆算する。
Future Reality
↓
Required System
↓
Required Capability
↓
Capability Gap
↓
Research
この構造によって、
Researchは現在のTechnology Trendだけに依存しなくなる。
未来のPotentialが、
現在のResearchをPullする。
Future Pull
↓
Research Direction
EQUESがPotential Intelligenceを内部実装すれば、
研究戦略そのものを変えられる。
「何が流行しているか」
だけではなく、
「どのCapabilityが成立すれば、
どの新しいRealityが開くか」
をResearch Portfolioの判断材料にできる。
ここで、
Current StateとFinal Stateの間に、
多数のIntermediate Stateがあることも重要である。
Current
↓
State₁
↓
State₂
↓
State₃
↓
Target
Realityは、
一度のTransformationで変わるとは限らない。
Prototype。
Pilot。
Limited Deployment。
Scale-up。
Full Operation。
段階がある。
だから、
Potentialを扱うには、
Transition Pathも必要になる。
Potential
≠
Target State alone
Potential
=
Target State
+
Reachable Path
どれほど魅力的なFuture Stateでも、
現在から到達するPathがなければ、
Engineering対象としては不十分である。
そこで、
EQUESはBackward Planningを行う。
Target Realityから逆算する。
Target Reality
↓
Required State₃
↓
Required State₂
↓
Required State₁
↓
Current Reality
未来から現在へ、
Requirementを戻してくる。
そして、
現在から未来へ、
Implementation Pathを構築する。
Current Reality
↓
Implementation₁
↓
Implementation₂
↓
Implementation₃
↓
Target Reality
Backward Requirement
と
Forward Implementation
を接続する。
これによって、
PotentialはRoadmapになる。
しかし、
未来のStateは一つではない。
Current Stateから、
複数のPathが分岐する。
Current State
├─ State A
│ ├─ State A1
│ └─ State A2
│
├─ State B
│ ├─ State B1
│ └─ State B2
│
└─ State C
このTree全体が、
Possible State Spaceである。
従来のPredictionは、
このなかから、
最も起こりそうなPath
を探すことが多い。
Potential Intelligenceは違う。
Probabilityが最も高くなくても、
Valueが大きい。
Humanにとって望ましい。
Scientificに重要。
Industrialに大きなCapabilityを開く。
というPathを探索する。
Most Likely
≠
Most Valuable
これは、
Potential Intelligenceの重要な転換である。
未来は、
確率だけで評価されない。
Probability。
Value。
Feasibility。
Risk。
Time。
Reversibility。
複数Dimensionで評価する。
Potential Candidate
=
Possible State
+
Probability
+
Value
+
Feasibility
+
Risk
+
Time
さらに、
Uncertaintyを保持する。
未来は、
完全には分からない。
だから、
一つの数字へ圧縮しすぎない。
Known。
Estimated。
Unknown。
を区別する。
AIが、
未来を断定するのではなく、
「この条件なら、
このStateが成立する可能性がある」
と記述する。
Condition
→
Possible State
この形式によって、
未来をScientific・Engineeringな対象として扱える。
そして、
Potential Intelligenceは、
現在の弱点だけを見るものでもない。
Opportunityを見る。
現在使われていないData。
現在接続されていないTechnology。
現在共有されていないKnowledge。
現在自動化されていないWorkflow。
現在Industryへ移転されていないResearch。
Unused Data
+
Unused Capability
+
Missing Relation
↓
Latent Opportunity
現在のSystemには、
すでにPotentialの材料が存在している場合がある。
しかし、
Relationがないために、
Capabilityとして現れていない。
この状態を、
Latent Potential
として扱える。
EQUESにとって、
これは大きな探索対象になる。
新しいTechnologyを開発する前に、
すでに存在しているCapabilityのうち、
何が未接続なのか
を見る。
Researcher AのKnowledge。
Project BのCode。
Customer CのProblem。
Technology DのCapability。
これらが、
別々の場所に存在している。
Knowledge A
+
Problem B
+
Technology C
↓
Missing Relation
Relationをつくれば、
New Project Potential
になるかもしれない。
つまり、
企業内部にも、
未実現Potentialが存在する。
Current Enterprise
=
Realized Capability
+
Latent Capability
Potential Intelligenceは、
このLatent Capabilityを発見する。
そして、
Humanについても同じである。
Humanを、
現在のJob Descriptionだけで評価しない。
現在のRole。
現在のSkill。
現在のPerformance。
これらはCurrent Stateである。
しかし、
AI Tool。
Training。
Different Team。
Different Workflow。
New Responsibility。
によって、
別のCapabilityが現れる可能性がある。
Human₀
+
New Conditions
↓
Human₁
Human Potentialは、
固定属性ではない。
EnvironmentとのRelationによって変化する。
これは、
Human + AI Architectureを考えるうえで重要である。
AIがHumanをReplaceするかどうか。
という問いだけではない。
AIによって、
Humanは何を新しくできるようになるのか。
を見る。
Human Current State
↓
AI Augmentation
↓
Expanded Human Capability
Potential Intelligenceは、
HumanをCostではなく、
Future Capabilityとして見る。
同じことを、
Enterprise、
Industry、
Science、
Physical World
へ拡張できる。
Current Enterprise
≠
Final Enterprise
Current Industry
≠
Final Industry
Current Science
≠
Final Science
Current Physical System
≠
Final Physical System
現在存在しているStructureを、
完成形として扱わない。
しかし、
これは無制限な未来想像を意味しない。
Potential Intelligenceは、
Realityから離れない。
Current Stateを正確に観測する。
Constraintを特定する。
Dependencyを理解する。
Causalityを仮説化する。
Required Capabilityを定義する。
Simulationする。
Realityで検証する。
Current Reality
↓
Constraint Analysis
↓
Possible Transition
↓
Simulation
↓
Implementation
↓
Verification
Potentialは、
Realityから始まり、
Realityへ戻る。
ここが、
単なるVisionとの違いである。
Visionは、
未来を描く。
Potential Intelligenceは、
未来が成立する条件を記述する。
そして、
その条件を実装可能なTaskへ分解する。
Vision
↓
Requirements
↓
Architecture
↓
Implementation
未来をEngineeringへ翻訳する。
EQUESがPotential Intelligenceを持つ意味は、
ここにある。
未来を予言することではない。
未来を、
実装可能性の集合として扱えるようにすること。
Current State
↓
Possible State Space
↓
Feasible States
↓
Implementable States
そして、
そのなかから、
HumanとOrganizationが選択する。
AI
=
Expand Possibility
Human
=
Select Direction
EQUES
=
Research and Implement
この役割分担によって、
PotentialがRealityへ向かう。
現在は、
完成ではない。
現在できないことも、
永遠にできないこととは限らない。
現在存在しないものも、
成立条件が記述できれば、
Research対象になりうる。
Current State
≠
Final State
この一行から、
Potential Intelligenceは始まる。
現在を否定するのではない。
現在を、
未来探索のInitial Stateとして扱う。
Current Reality
=
Starting Point
ここから、
Possible State Spaceを開く。
そして次に、
Potential Intelligenceが越えなければならない境界が現れる。
Predictionである。
現在から、
最も起こりそうな未来を予測するだけで十分なのか。
それとも、
まだ確率の低い未来、
まだ観測されていない未来、
Structureを変えなければ成立しない未来まで、
AIは探索できるのか。
Current StateがFinal Stateではないなら、
Likely Futureも、
唯一のFutureではない。
次節では、
Predictionの限界へ進む。
第2節 Predictionの限界
AIの中心的なCapabilityの一つは、
Predictionである。
過去のDataを学習する。
現在のStateを入力する。
次に起こりそうなOutcomeを推定する。
Historical Data
+
Current State
↓
Model
↓
Predicted Outcome
Demand Forecast。
Failure Prediction。
Credit Risk。
Customer Behavior。
Traffic Prediction。
Disease Risk。
Energy Demand。
Predictionは、
企業・産業・Scienceの多くの領域で重要である。
未来について、
何も分からない状態から、
Probabilityを持った判断へ進める。
Unknown Future
↓
Prediction
↓
Probabilistic Future
これは、
Human Decisionを大きく支援する。
しかし、
Predictionには境界がある。
Predictionが主に答える問いは、
「現在の条件が続いたとき、
何が起こりそうか」
である。
Potential Intelligenceが問うのは、
「条件そのものを変えたら、
何が可能になるか」
である。
Prediction
=
Future under Current Structure
Potential
=
Future under Alternative Structures
この差が、
本章の中心にある。
たとえば、
FactoryのProduction Volumeを予測する。
現在のMachine。
現在のHuman。
現在のWorkflow。
現在のDemand。
これらを前提に、
来月のProduction Volume
を予測する。
これは有用である。
しかし、
Machine Configurationを変更する。
AI Planningを導入する。
Robotを追加する。
HumanとMachineのTask Allocationを変える。
Production Methodそのものを変える。
となれば、
過去Dataの延長だけでは扱いにくくなる。
なぜなら、
未来のSystem Structureが、
過去と同じではないからである。
Historical System
≠
Future System
Prediction Modelは、
Dataが生成されたStructureに依存する。
Structureが変われば、
Data Distributionも変わる。
Ppast(X, Y)
≠
Pfuture(X, Y)
ここに、
Distribution Shiftがある。
AI Implementationそのものが、
未来Dataを変えてしまう場合もある。
たとえば、
Customer Support AIを導入する。
Response Timeが短くなる。
Customer Behaviorが変わる。
問い合わせ内容が変わる。
Human StaffのRoleも変わる。
AI Deployment
↓
System Change
↓
Behavior Change
↓
New Data Distribution
つまり、
AIが予測対象だった世界へ介入すると、
その世界そのものが変わる。
Prediction
→
Intervention
→
Reality Change
→
Prediction Assumption Changes
ここでは、
一度つくったPrediction Modelを、
固定的に使い続けることはできない。
これは、
Financial Market、
Recommendation System、
Enterprise AI、
Autonomous System
などでも起こる。
AIがRealityを観測するだけでなく、
Realityへ作用するからである。
さらに、
Predictionは、
過去に存在しなかったものを扱うことが難しい。
過去Dataに、
Autonomous Robot Factoryが存在しない。
過去Dataに、
Human + Multi-Agent Research Organizationが存在しない。
過去Dataに、
新しいMaterialが存在しない。
過去Dataに、
新しいBusiness Modelが存在しない。
では、
それらの未来をどう予測するのか。
No Historical Instance
↓
Limited Direct Prediction
ここに、
DiscoveryとGenerationの必要性がある。
まだ存在していないものには、
直接対応するTraining Dataが存在しないことがある。
その場合、
AIは既存PatternのInterpolationだけでは足りない。
既知のComponentを組み合わせる。
Scientific Constraintを使う。
Causal Modelを使う。
Simulationする。
Counterfactualを考える。
既存Knowledgeから、
未観測のConfigurationを探索する。
Known Components
↓
New Combination
↓
Unobserved Candidate
つまり、
PredictionからSearchへ進む。
Prediction asks:
What is likely?
Potential Intelligence asks:
What is possible?
この違いは、
確率の高い未来と、
価値の高い未来の違いでもある。
最も起こりそうな未来が、
最も望ましい未来とは限らない。
Most Likely Future
≠
Most Valuable Future
たとえば、
ある企業のCurrent Trendから、
5年後も現在と似たBusiness Portfolioが続く確率が高いとする。
Predictionとしては、
それが合理的かもしれない。
しかし、
新しいTechnologyへ投資し、
Organizationを再構成し、
新しいMarketへ進めば、
まったく別のStateへ移行できる可能性がある。
Likely Path
↓
Current Continuation
Alternative Path
↓
Strategic Intervention
↓
New Capability
企業Strategyとは、
最も起こりそうな未来を受け入れることだけではない。
望ましいFuture Stateへ向けて、
現在のConditionを変えることである。
Prediction
↓
Adapt to Future
Generation
↓
Change Future Conditions
ここで、
AIの役割も変わる。
「何が起こるかを教えるAI」
から、
「何を変えれば、
どの未来が可能になるかを探索するAI」
へ。
これは、
Predictionを否定することではない。
Predictionは、
Potential Intelligenceの一部になる。
Current State
↓
Prediction
↓
Baseline Future
まず、
何もしなければどうなるかを予測する。
これがBaselineになる。
そのうえで、
Intervention A。
Intervention B。
Intervention C。
を加える。
Baseline
├─ No Intervention
├─ Intervention A
├─ Intervention B
└─ Intervention C
複数のPossible Futureを比較する。
Predictionが一本のBaselineを与え、
Potential IntelligenceがBranchを開く。
ここに、
両者の関係がある。
さらに、
PredictionにはProbabilityという強力な尺度がある。
しかし、
Probabilityだけでは、
未来の価値を評価できない。
Future A。
Probability 70%。
Value 10。
Future B。
Probability 20%。
Value 100。
どちらを選ぶべきか。
Probabilityだけでは決まらない。
Potential Evaluationには、
Probability。
Value。
Feasibility。
Risk。
Cost。
Time。
Reversibility。
Strategic Importance。
が必要になる。
Potential
=
Probability
+
Value
+
Feasibility
+
Risk
+
Time
+
Reversibility
つまり、
Potential Intelligenceは、
単なるProbability Rankingではない。
Multi-dimensional Decision Spaceを構築する。
また、
Predictionは、
観測DataのBiasを継承する。
Historical Dataには、
過去のDecisionが含まれている。
過去に採用されなかったCandidate。
過去に投資されなかったTechnology。
過去に参加できなかったHuman。
これらは、
Dataに十分現れない。
Observed Data
=
Realized History
しかし、
Realized History
≠
All Possible History
である。
Dataは、
世界で起こりえたすべてを記録しているわけではない。
実際に起きた一つのPathを記録している。
Reality₀
→
Reality₁
→
Reality₂
→
Reality₃
しかし、
各時点には、
選ばれなかったBranchがあった可能性がある。
Reality₀
├─ A
├─ B
└─ C
Observed Historyは、
そのうち一つである。
だから、
過去Dataだけから未来を学ぶと、
「過去に実現されたもの」
を、
「実現可能なものの全体」
と誤認する危険がある。
Observed
≠
Possible
この区別が、
Potential Intelligenceでは重要になる。
Scienceを考えると、
さらに明確である。
既知のMaterial Dataから、
Propertyを予測する。
これはPredictionである。
しかし、
まだ合成されたことのないMaterial Candidateを探索する。
これはDiscoveryである。
Known Materials
↓
Property Prediction
から、
Material Space
↓
Candidate Generation
↓
Simulation
↓
Experiment
へ進む。
Scienceの進歩は、
過去を高精度に再現することだけでは起こらない。
未観測領域へ進む必要がある。
Known Space
↓
Boundary
↓
Unknown Space
AIは、
このBoundaryを探索するTechnologyになりうる。
EQUESがResearch CompanyとしてPotential Intelligenceを構築するなら、
ここは重要な領域になる。
Prediction Model。
Generative Model。
Simulation。
Optimization。
Causal Inference。
Search Algorithm。
Agent。
これらを組み合わせ、
Unknown but Feasible Space
を探索する。
Prediction
+
Generation
+
Simulation
+
Search
↓
Discovery
この統合によって、
AI Researchの目的が広がる。
さらに、
Predictionの限界には、
Objectiveの問題もある。
何を予測するかは、
Humanが決める。
Sales。
Failure。
Risk。
Demand。
しかし、
本当に重要なVariableが、
最初から定義されているとは限らない。
たとえば、
FactoryでMachine Failureを予測している。
しかし、
より上位の問いは、
「FailureしにくいFactory Architectureをつくれないか」
かもしれない。
Failure Prediction
↓
Maintenance
から、
System Redesign
↓
Failure Prevention
へ。
Prediction対象そのものを消す可能性がある。
これは重要である。
優れたPrediction Systemをつくることが、
最終目的とは限らない。
Predictionが必要なProblem Structureそのものを、
再設計できる場合がある。
Predict Problem
↓
Manage Problem
から、
Redesign System
↓
Reduce Problem
へ。
EQUESがSystem Optimizationまで扱うなら、
この視点を持てる。
AIで現在Systemを補強するだけではない。
AIによって、
System Architectureそのものを再設計する。
ここで、
PredictionからGenerationへ進む。
同様に、
Enterprise Riskを予測するだけではなく、
Riskが発生しにくいProcessを設計する。
Cyber Attackを予測するだけではなく、
Attack Surfaceを縮小するArchitectureを設計する。
Human Errorを予測するだけではなく、
ErrorがCatastrophic Outcomeへ伝播しないSystemを設計する。
Prediction
↓
Response
Generation
↓
Architecture Change
つまり、
Potential Intelligenceは、
Problemの未来を予測するだけでなく、
Problem Structureそのものを変える。
そして、
Predictionにはもう一つの限界がある。
遠い未来ほど、
Uncertaintyが大きくなる。
一つのPrediction Errorが、
次のStateへ伝播する。
State₀
↓
Prediction₁
↓
Prediction₂
↓
Prediction₃
時間が伸びるほど、
誤差は蓄積する。
特に、
Technology。
Policy。
Human Behavior。
Geopolitics。
Scientific Discovery。
など、
Structural Changeを含むSystemでは、
単一のLong-term Forecastは不安定になる。
だから、
長期未来では、
「何が起きるかを一つに当てる」
より、
「どの条件なら、
どのScenarioが成立するか」
を見る方が有効になる。
Long-term Prediction
↓
Scenario Space
ここでも、
Potential Intelligenceが重要になる。
未来を一本のLineとして描かない。
Branching State Spaceとして扱う。
Future
≠
Single Line
Future
=
Branching Possibilities
そして、
BranchごとにTriggerを定義する。
Technology Aが成立したら。
Regulation Bが変わったら。
Cost Cが閾値を下回ったら。
Condition
↓
New Branch Becomes Feasible
こうすれば、
未来予測から、
Future Monitoringへ進める。
EQUESは、
未来を一度予測して終わるのではない。
Conditionを継続観測する。
Potentialが実装可能になる瞬間を検出する。
Potential Candidate
↓
Monitor Conditions
↓
Threshold Reached
↓
Implementation Opportunity
ここに、
ResearchとBusinessの接続も生まれる。
現在はResearch段階。
しかし、
Compute Costが下がる。
Hardware Capabilityが上がる。
Regulationが整う。
Customer Needが強くなる。
すると、
PotentialがCommercially Feasibleになる。
Potential
↓
Changing Conditions
↓
Opportunity Window
EQUESがPotential Intelligenceを持てば、
このOpportunity Windowを早く認識できる。
Predictionより一段上の、
Strategic Intelligenceになる。
しかし、
Predictionを捨てる必要はない。
重要なのは、
Predictionを正しい位置へ置くことである。
Prediction
=
Baseline Intelligence
Causality
=
Intervention Intelligence
Simulation
=
Alternative State Intelligence
Potential
=
Possibility Intelligence
Generation
=
Reality Design Intelligence
このLayerとして整理する。
Predictionだけでは、
未来は一つの延長線に見える。
Causalityを加えると、
Interventionが見える。
Simulationを加えると、
Alternative Futureが見える。
Potential Intelligenceを加えると、
まだ実現していないOpportunityが見える。
Prediction
↓
Causality
↓
Simulation
↓
Potential
↓
Generation
ここまで進むことで、
EQUESは、
未来を「当てる対象」から、
「探索し、選択し、実装する対象」へ変えられる。
そして、
この転換の中心にあるのが、
Possible State Space
である。
Current Stateは一つ。
しかし、
次のStateは一つではない。
Current State
├─ State A
├─ State B
├─ State C
└─ State D
さらに、
その先にもBranchがある。
Possible State Spaceは、
急速に拡大する。
その巨大な空間から、
Feasible。
Valuable。
Safe。
Implementable。
なStateを見つける。
ここに、
AIのSearch Capabilityが必要になる。
未来を一本予測するAIから、
可能な未来の空間を探索するAIへ。
Prediction
→
Possible State Space
これが、
Potential Intelligenceへの決定的な転換である。
Predictionは、
未来を狭めるために使える。
しかし、
Potential Intelligenceは、
未来を開くために使う。
Likely Futureを知る。
そのうえで、
Alternative Futureを探索する。
そして、
どのFutureをRealityへ変えるかを選ぶ。
Prediction
↓
Possibility
↓
Choice
↓
Implementation
↓
Reality
未来は、
最も起こりそうなものだけではない。
条件を変えれば、
別のStateへ移行できる。
その全体を、
AIはどのように表現すればよいのか。
次節では、
Predictionの一本線を離れ、
未来をBranching Spaceとして扱う。
Current Stateから開かれる、
Possible State Spaceへ進む。
第3節 Possible State Space
現在のRealityは、
一つである。
現在稼働しているFactory。
現在存在するEnterprise。
現在のResearch Portfolio。
現在のHuman Skill。
現在のAI Capability。
ある時点で観測されるStateは、
一つのCurrent Stateとして記述できる。
S₀ = Current State
しかし、
次のStateは一つではない。
何もしない。
AIを導入する。
Machine Configurationを変える。
Human Roleを変える。
Research Investmentを増やす。
新しいPartnerを接続する。
それぞれのActionによって、
異なるStateへ移行する可能性がある。
S₁A
/
S₀ ─────── S₁B
\
S₁C
さらに、
S₁Aからも、
複数のStateへ進める。
S₀
├─ S₁A
│ ├─ S₂A
│ └─ S₂B
│
├─ S₁B
│ ├─ S₂C
│ └─ S₂D
│
└─ S₁C
未来は、
一本のLineではない。
Branching Spaceである。
この、
現在から到達しうるStateの集合を、
Possible State Space
として考える。
Current State
∈
Possible State Space
重要なのは、
Possible State Spaceが、
単なる未来ScenarioのListではないことである。
State。
Action。
Transition。
Constraint。
Probability。
Value。
これらを持つ、
構造化された探索空間である。
Possible State Space
=
States
+
Actions
+
Transitions
+
Constraints
+
Uncertainty
ここに、
Potential Intelligenceの中心的な計算対象が現れる。
Predictionでは、
この空間のなかから、
最も起こりそうなPath
を探す。
Potential Intelligenceでは、
問いが変わる。
どのStateが到達可能なのか。
どのStateに高いValueがあるのか。
どのPathなら安全に到達できるのか。
どのConstraintを変えれば、
新しいStateが開くのか。
Likely Path
だけではなく、
Valuable Path。
Feasible Path。
Safe Path。
Novel Path。
を探索する。
つまり、
Prediction
=
Find likely state
Potential Intelligence
=
Explore reachable and valuable states
である。
たとえば、
EQUESがある企業のResearch Processを分析するとする。
Current Stateでは、
Researcherが論文を検索する。
Hypothesisを考える。
Experimentを設計する。
Resultを分析する。
一連のProcessをHuman中心で行っている。
これを、
State A
とする。
AI Literature Searchだけを導入すれば、
State B。
Hypothesis Generationも追加すれば、
State C。
Simulation Agentまで統合すれば、
State D。
Corporate Knowledge Graphと接続すれば、
State E。
Research WorkflowそのものをMulti-Agent化すれば、
State F。
Current Research System
↓
Possible Configurations
↓
Possible Research States
同じ企業でも、
複数のFuture Stateが存在する。
ここで、
単純に「AIを導入するか、しないか」
というBinary Decisionではなくなる。
AI CapabilityのCombinationによって、
多数のSystem Configurationが生まれる。
Literature AI
Hypothesis AI
Simulation
Knowledge Graph
Agent
Human Approval
これらを組み合わせる。
2⁶
だけでも、
単純化すれば64通りのConfigurationがある。
実際には、
Model Choice、
Authority Level、
Workflow、
Data Source、
Human Role
まで加わるため、
State Spaceはさらに巨大になる。
Possible State Space
↑
Combinatorial Explosion
ここに、
Humanだけでは探索しにくい問題が現れる。
AIの役割は、
未来を一つ生成することではない。
巨大なState Spaceを効率よく探索することである。
Generate
↓
Evaluate
↓
Prune
↓
Search
↓
Refine
可能性を生成する。
Constraintに反するものを除外する。
有望な領域を深く探索する。
Simulationで比較する。
このOperationが、
Potential Discoveryの基盤になる。
しかし、
Possible State Spaceには、
すべての想像可能なStateを含めるわけではない。
Physicsに反する。
Budgetを超える。
Safety Requirementを満たさない。
Regulationに違反する。
必要Technologyが存在しない。
これらは、
少なくとも現在条件では、
Feasible Stateではない。
Imaginable State Space
↓
Constraint Filtering
↓
Feasible State Space
さらに、
実装可能か。
Economicに成立するか。
Humanが運用できるか。
Infrastructureが対応できるか。
を評価する。
Feasible State Space
↓
Implementation Constraints
↓
Implementable State Space
さらに、
価値があるか。
Strategic Goalに合うか。
Riskに見合うか。
Humanに望ましいか。
を評価する。
Implementable States
↓
Value Evaluation
↓
Desirable States
したがって、
Imaginable
⊃
Possible
⊃
Feasible
⊃
Implementable
⊃
Selected
という段階がある。
Potential Intelligenceは、
大量のCandidateを生成するだけではない。
このSpaceを、
段階的に縮約する。
Generate Possibilities
↓
Apply Constraints
↓
Evaluate Feasibility
↓
Evaluate Value
↓
Select Candidate
ここで、
第Ⅰ部のRelational Intelligenceが重要になる。
あるStateが可能かどうかは、
Object単体では決まらない。
必要なRelationが存在するかによって決まる。
AI Modelがある。
しかし、
Dataへ接続されていない。
Robotがある。
しかし、
AI Control Systemへ接続されていない。
Human Expertがいる。
しかし、
Research Projectへ接続されていない。
Capability exists
but
Required Relation does not exist
このStateは、
現在のSystemでは実現できない。
しかし、
Relationを追加すれば、
Possible State
になる。
Current Network
↓
Add Edge
↓
Expanded State Space
つまり、
Relationを変えることで、
Possible State Spaceそのものが変わる。
これは、
非常に重要である。
State Spaceは、
最初から固定されているわけではない。
Technologyが進歩する。
新しいDataが得られる。
新しいPartnerが加わる。
Regulationが変わる。
Costが下がる。
すると、
昨日までは不可能だったStateが、
今日Possibleになる。
State Space(t₀)
≠
State Space(t₁)
Potentialは、
Dynamicである。
だからEQUESは、
一度Potentialを探索して終わるのではない。
Technology。
Science。
Market。
Regulation。
Infrastructure。
これらの変化を継続観測する。
New Capability
↓
Constraint Change
↓
State Space Expansion
あるResearch Breakthroughが、
突然大量のPossible Stateを開くこともある。
たとえば、
Model Capabilityが上がる。
Inference Costが下がる。
Edge Hardwareが高性能化する。
すると、
Cloudでしか動かなかったAIが、
Machine上でReal-timeに動くようになる。
Technology Transition
↓
New Architecture
↓
New Possible States
一つのCapability Improvementが、
System LevelでState Spaceを拡張する。
ここに、
ResearchのLeverageがある。
EQUESがResearch Themeを選ぶとき、
「このTechnologyのAccuracyが何%上がるか」
だけではなく、
「このCapabilityが成立すると、
何種類の新しいSystem Stateが開くか」
を見ることができる。
Research Value
=
Local Performance Gain
だけではなく、
Research Value
=
State Space Expansion
として評価する。
これは、
Potential Intelligenceから見たResearchの新しい尺度になる。
たとえば、
あるModel Improvementが、
Accuracyを1%上げる。
別のResearchは、
Offlineでしか使えなかったModelを、
Edge Device上で動作可能にする。
後者によって、
Robot。
Vehicle。
Factory Machine。
Mobile Device。
など、
新しいDeployment Stateが開くかもしれない。
Local Metric Improvement
vs
Possible State Expansion
どちらがStrategicに大きいか。
EQUESは、
この比較をResearch Portfolioへ使える。
Possible State Spaceは、
企業戦略にも適用できる。
現在のEQUESを、
EQUES₀
とする。
AI Researchを深める。
Enterprise Implementationを拡張する。
Physical AIへ進む。
Science AIへ進む。
International Partner Networkを形成する。
Internal Multi-Agent Organizationを構築する。
複数のPathがある。
EQUES₀
├─ Research-intensive EQUES
├─ Enterprise AI EQUES
├─ Physical AI EQUES
├─ Science AI EQUES
└─ Integrated Future Reality EQUES
どれか一つが、
最初から運命として決まっているわけではない。
DecisionとCapability Acquisitionによって、
State Transitionする。
Enterprise Strategy
=
State Transition Design
という見方ができる。
現在企業を改善するだけではない。
どのFuture Enterprise Stateへ進むかを設計する。
ここで、
Potential Intelligenceが経営へ接続する。
さらに、
Possible State Spaceには、
Path Dependencyがある。
同じTarget Stateでも、
どの順序でCapabilityを獲得するかによって、
到達可能性が変わる。
Current
↓
Capability A
↓
Capability B
↓
Target
と、
Current
↓
Capability B
↓
Capability A
↓
Target
では、
CostやRiskが異なる。
場合によっては、
一方のPathではTargetへ到達できない。
つまり、
Stateだけでなく、
Transition Sequence
が重要になる。
Potential
=
Possible Target
+
Reachable Path
このため、
Possible State SpaceはGraphとして表現できる。
Node
=
State
Edge
=
Transition
Transitionには、
Action。
Cost。
Time。
Risk。
Required Capability。
Reversibility。
を持たせる。
State A
── Action X / Cost / Risk / Time ──>
State B
すると、
未来探索をGraph Search Problemとして扱える。
Current State
↓
Search
↓
Candidate Paths
↓
Target States
ここに、
Computer Scienceの既存技術を使える。
Graph Search。
Planning。
Optimization。
Reinforcement Learning。
Monte Carlo Methods。
Constraint Programming。
Evolutionary Search。
Generative Models。
Multi-Agent Simulation。
Potential Intelligenceは、
未知の神秘的能力ではない。
既存のComputer Scienceを、
「未来のPossible Stateを探索する」という上位目的へ統合するArchitectureとして設計できる。
Search
+
Simulation
+
Causal Inference
+
Optimization
+
Generative AI
↓
Potential Exploration
ただし、
State Spaceが巨大になると、
すべてを探索することは不可能である。
そこで、
探索戦略が必要になる。
Human Goal。
Scientific Prior。
Business Value。
Safety Constraint。
Domain Knowledge。
これらを使って、
Search Spaceを絞る。
Total State Space
↓
Relevant State Space
↓
High-potential Region
AIがすべてを探索するのではない。
価値のありそうな領域を、
HumanとAIが協調して探索する。
Human
↓
Goal / Value / Constraint
AI
↓
Search / Simulation / Comparison
Human + AI
↓
Potential Discovery
この分業によって、
Possible State Spaceを実用的に扱える。
また、
未知を残すことも重要である。
AIが探索したState Spaceは、
Realityのすべてではない。
Modelが知らないStateがある。
Unknown Constraintがある。
Unknown Interactionがある。
だから、
Explored Space
≠
Total Possible Space
と認識する。
Known States。
Generated States。
Unknown States。
を区別する。
Potential Intelligenceは、
「未来を完全に知るAI」
ではない。
探索範囲とUncertaintyを明示しながら、
現在より広い可能性を発見するAIである。
これは、
Safetyにもつながる。
未知の領域へ、
いきなり大規模Implementationしない。
Simulation。
Prototype。
Sandbox。
Pilot。
Limited Deployment。
段階的にRealityへ接続する。
Possible State
↓
Simulation
↓
Prototype
↓
Pilot
↓
Verified State
Potentialを、
VerificationによってRealityへ近づける。
そして、
Possible State Spaceには、
OpportunityとRiskが同時に存在する。
あるAI Agent Architectureによって、
企業のDecision Speedが大きく上がる。
しかし、
同時にAuthority ConcentrationやError PropagationのRiskが生まれる。
State A
=
High Efficiency
+
High Systemic Risk
別のState Bは、
Moderate Efficiency
+
High Resilience
かもしれない。
一つのDimensionだけでは、
比較できない。
Possible States
↓
Multi-objective Evaluation
Performance。
Cost。
Safety。
Resilience。
Human Impact。
Environmental Impact。
Strategic Value。
これらを同時に見る。
そして、
AIが一つの「Best Future」を決めるのではなく、
Trade-offをHumanへ提示する。
State A
State B
State C
↓
Trade-off Surface
↓
Human Decision
ここに、
Human Authorityが残る。
Possible State Spaceを広げるのはAI。
どのStateを望むかを決めるのはHumanとOrganization。
実装するのは、
Human・AI・Machineを含むSystem。
結果を決めるのは、
Realityである。
AI
↓
Explore
Human
↓
Choose
System
↓
Implement
Reality
↓
Verify
この構造によって、
未来を一つのPredictionから解放する。
未来は、
単一のForecastではない。
Choice Architectureになる。
Possible State Space
↓
Choice
↓
Transition
↓
Reality
そして、
選択されなかったStateも、
完全に消えるとは限らない。
TechnologyやConditionが変われば、
後から再び有望になる可能性がある。
だから、
EQUESは探索結果をCorporate Memoryへ保存する。
Potential Candidate。
Rejected Reason。
Required Condition。
Evidence。
Simulation Result。
これらを保持する。
Potential Memory
↓
Condition Change
↓
Re-evaluation
「以前は早すぎたIdea」が、
数年後には実装可能になるかもしれない。
Potential Intelligenceは、
未来候補そのものを企業Knowledgeとして蓄積する。
これは、
Research Organizationにとって大きなAssetになる。
Past Researchだけでなく、
Unrealized Future Candidates
を記憶する。
Corporate Memory
=
What we learned
+
What we could still build
という状態になる。
そして、
Possible State Spaceの最も重要な意味は、
現在の見方を変えることにある。
Current Realityを、
完成された世界として見ない。
巨大なState Spaceのなかで、
現在選択されている一つのConfigurationとして見る。
Current Reality
=
One Realized State
Possible Reality Space
=
Many Unrealized States
この視点に立てば、
現在のConstraintも、
すべて固定条件には見えなくなる。
変えられないConstraint。
変えられるConstraint。
Researchによって変えられるConstraint。
Policyによって変えられるConstraint。
Architectureによって回避できるConstraint。
Constraint
↓
Classify
↓
Fixed / Mutable / Researchable / Avoidable
ここから、
Potential Discoveryが始まる。
「何ができないか」
ではなく、
「何が変われば、
できるようになるか」
を問う。
そして、
その問いをさらに精密にするためには、
一つの重要な方法が必要になる。
現実に起きたPathだけを見るのではなく、
起きなかったPathを考えること。
もし、
別のActionを選んでいたら。
もし、
別のConditionだったら。
もし、
このConstraintがなかったら。
Possible State Spaceを理解するためには、
Counterfactualを扱わなければならない。
Observed Reality
↓
What if?
↓
Alternative Reality
次節では、
現在存在していないStateを考えるためのIntelligence――
Counterfactual Intelligence
へ進む。
第4節 Counterfactual Intelligence
Realityとして観測されるHistoryは、
一つしかない。
ある企業が、
Decision Aを選んだ。
あるResearch Teamが、
Experiment Bを実行した。
あるFactoryが、
Configuration Cで稼働した。
そして、
Outcome Dが起きた。
Decision A
↓
Action
↓
Outcome D
Dataとして残るのは、
この実現したPathである。
しかし、
Decision Aではなく、
Decision Bを選んでいたらどうなったのか。
Experiment Bではなく、
Experiment Cを実施していたらどうなったのか。
Configuration Cではなく、
Configuration Dだったらどうなったのか。
これらは、
現実には観測されていない。
Observed Reality
=
One Realized Path
Counterfactual
=
Unrealized Alternative Path
この、
「実際には起こらなかったReality」を扱う能力が、
Counterfactual Intelligenceである。
Potential Intelligenceにとって、
Counterfactualは重要である。
なぜなら、
未来を変えるとは、
「現在とは異なる条件を設定したとき、
どのようなRealityが成立しうるか」
を考えることだからである。
What happened?
↓
Observation
Why did it happen?
↓
Causal Analysis
What would have happened if X were different?
↓
Counterfactual
What could happen if we change X now?
↓
Potential
Counterfactualは、
CausalityとPotentialを接続する。
ここで、
Predictionとの違いが明確になる。
Predictionは、
現在のConditionから、
次のOutcomeを推定する。
X
↓
Y?
Counterfactualは、
Conditionそのものを変更する。
X → X'
そして、
Yがどう変わるか
を考える。
X
→
Y
から、
do(X')
→
Y'
へ。
単なるCorrelationではなく、
Interventionを考える。
この違いは重要である。
たとえば、
あるFactoryで、
Machine TemperatureとFailure Rateに相関があるとする。
Temperature ↑
↔
Failure ↑
Prediction Modelなら、
TemperatureからFailure Probabilityを予測できる。
しかし、
Cooling Systemを追加してTemperatureを下げたら、
Failure Rateは本当に下がるのか。
を知りたい場合、
単なる相関だけでは足りない。
Temperature。
Machine Load。
Machine Age。
Environment。
Maintenance。
これらのCausal Relationを考える必要がある。
Machine Load
→
Temperature
Machine Load
→
Failure
Temperature
→
Failure
この構造を理解せずに、
Temperatureを下げればFailureが減る
と判断すると、
誤ったInterventionになる可能性がある。
つまり、
Prediction Accuracy
≠
Intervention Validity
である。
Potential IntelligenceがRealityを変えようとするなら、
Predictionだけでは不十分である。
InterventionのEffectを推定する必要がある。
Current Reality
↓
Intervention
↓
Alternative Reality
ここに、
Counterfactual Intelligenceが必要になる。
EQUESが企業へAIを実装するときも同じである。
たとえば、
あるTeamのProductivityが低い。
Dataを見ると、
Meeting Timeが長い。
Correlationだけを見れば、
Meeting Time ↓
→
Productivity ↑
と考えたくなる。
しかし、
Meetingが長い理由が、
Project Complexityにあるかもしれない。
Complexity ↑
→
Meeting Time ↑
Complexity ↑
→
Productivity ↓
この場合、
Meetingを減らしても、
根本原因は解決しない。
必要なのは、
「Meetingを減らした場合、
他の条件が同じなら、
Productivityはどう変化するか」
というCounterfactualである。
Observed Data
↓
Causal Model
↓
Counterfactual Simulation
この構造によって、
AIはRecommendationから、
Intervention Designへ進める。
そして、
Counterfactualは、
過去を理解するためだけのものではない。
未来設計に使える。
もし、
Human Reviewを追加したら。
もし、
AI AgentのAuthorityを制限したら。
もし、
Sensorを追加したら。
もし、
Robotを二台にしたら。
もし、
Research TeamとEngineering Teamを統合したら。
What if?
この問いを大量に生成し、
評価する。
Current State
↓
Counterfactual Intervention
├─ State A
├─ State B
├─ State C
└─ State D
これが、
Possible State Spaceを開く。
つまり、
Counterfactualは、
Current Realityから、
Alternative Realityを生成するOperator
として考えられる。
Current State S
+
Intervention I
↓
Counterfactual State S'
Potential Intelligenceは、
このOperationを繰り返す。
Change X₁。
Change X₂。
Change Relation R₁。
Remove Constraint C₁。
Add Capability A₁。
そして、
どのStateが現れるかを見る。
ここで、
単なるGenerative AIとの差が生まれる。
Generative AIは、
多数のFuture Scenarioを言語として生成できる。
しかし、
Potential Intelligenceでは、
そのScenarioが、
Current RealityからどのようなTransitionによって成立するのか
を記述しなければならない。
Scenario
+
Transition
+
Constraint
+
Evidence
=
Counterfactual Candidate
未来物語ではなく、
検証可能なAlternative Stateとして扱う。
そのためには、
World Modelが必要になる。
Current Stateを保持する。
Entityを保持する。
Relationを保持する。
Constraintを保持する。
そして、
Interventionを加える。
World Model(S₀)
+
Intervention
↓
Simulated S₁
ここで、
第Ⅰ部のArchitectureが再び使われる。
Knowledge Graph。
World Model。
Causal Model。
Simulation。
これらを接続する。
Knowledge Graph
↓
What is connected?
World Model
↓
What is the current state?
Causal Model
↓
What changes what?
Counterfactual
↓
What if it were different?
Simulation
↓
What could happen next?
この一連の流れによって、
EQUESはRealityを受動的に読むだけでなく、
Alternative Realityを計算対象にできる。
しかし、
Counterfactualには不確実性がある。
実際に起きなかったRealityには、
直接的なObservationがない。
だから、
Counterfactual Result
≠
Observed Fact
である。
ここを混同してはいけない。
EQUESのSystemでは、
Observed。
Inferred。
Simulated。
Counterfactual。
Hypothetical。
を明確に区別する必要がある。
Observed State
≠
Counterfactual State
Current Realityと、
Alternative Reality Candidateを、
同じAuthoritative Stateへ混在させない。
これは、
Enterprise AIでもScientific AIでも重要である。
AIが、
「こうなる」
と断定するのではなく、
「このAssumptionとModelのもとでは、
こうなる可能性がある」
と記述する。
Counterfactual Output
=
Assumptions
+
Model
+
Evidence
+
Uncertainty
+
Predicted Outcome
これによって、
HumanはSimulationの前提まで確認できる。
そして、
複数のCounterfactualを比較する。
Intervention A。
Intervention B。
Intervention C。
それぞれについて、
Expected Outcome。
Risk。
Cost。
Time。
Reversibility。
Confidence。
を評価する。
Current State
├─ Intervention A → Outcome A
├─ Intervention B → Outcome B
└─ Intervention C → Outcome C
この比較が、
Decision Supportになる。
重要なのは、
AIが一つのRecommendationを出すことではない。
Decision Spaceそのものを可視化することである。
Recommendation
↓
One Answer
Counterfactual Intelligence
↓
Alternative Actions
+
Alternative Outcomes
Humanが、
選択可能なStructureを見る。
ここに、
Human Agencyの拡張がある。
そして、
Counterfactual Intelligenceには、
もう一つ重要な用途がある。
Failureから学ぶことである。
あるAI Systemが失敗した。
通常なら、
Failure
↓
Root Cause Analysis
を行う。
しかし、
Counterfactualを加えると、
もしHuman Approvalがあったら。
もしSensorが一つ多かったら。
もしConfidence Thresholdが高かったら。
もしAgent Authorityが狭かったら。
Failureは防げたか。
を検討できる。
Observed Failure
↓
Counterfactual Alternatives
↓
Preventive Architecture
これによって、
Postmortemが、
Future System Designへ接続する。
過去のFailureを、
単なる記録にしない。
Alternative Architectureを探索するDataに変える。
Failure
↓
Counterfactual Learning
↓
System Redesign
これは、
Safety-critical Systemで特に重要になる。
Physical AI。
Healthcare。
Infrastructure。
Finance。
Autonomous System。
これらでは、
「次回は気をつける」
では不十分である。
どのRelation、
どのConstraint、
どのAuthority Designを変えれば、
Failure Pathを閉じられるか。
を構造的に検討する。
Counterfactual
↓
Safety Design
逆に、
Successからも学べる。
Projectが成功した。
しかし、
どの要素が本当に必要だったのか。
もしTechnology Aがなかったら。
もしPartner Bがいなかったら。
もしHuman Expert Cが参加していなかったら。
Successは成立したか。
Observed Success
↓
Counterfactual Removal
↓
Critical Factor Discovery
これによって、
Correlationではなく、
SuccessのLeverage Pointを特定できる可能性がある。
Researchでも重要である。
Experiment Resultが得られた。
しかし、
Parameter Aを変えたら。
Dataset Bを除いたら。
Architecture Cを変更したら。
Resultは維持されるか。
Counterfactual Experiment
↓
Mechanism Understanding
AIによって、
大量のVirtual Experiment Candidateを生成する。
そのなかから、
Information Gainの高いExperimentをHumanへ提案する。
Possible Experiments
↓
Counterfactual Simulation
↓
High-value Experiment
↓
Physical Experiment
これによって、
Research Loopを高速化できる。
もちろん、
SimulationはPhysical Experimentの完全な代替ではない。
Modelが間違っていれば、
Counterfactualも間違う。
だから、
Simulate
↓
Experiment
↓
Verify
↓
Update Model
というLoopが必要になる。
Counterfactual Intelligenceは、
Realityから離れるためのTechnologyではない。
Realityへ、
より効率的に問いを投げるためのTechnologyである。
Simulation
→
Reality Test
→
Model Update
ここに、
Scienceとの親和性がある。
Hypothesisとは、
「もしこのMechanismが正しければ、
このConditionでは、
このOutcomeが起こるはずだ」
というCounterfactual Structureを持つ。
Hypothesis
↓
Prediction under Intervention
↓
Experiment
↓
Evidence
つまり、
Counterfactual Intelligenceは、
Scientific Methodの一部を計算機上で拡張するものとしても理解できる。
EQUESがAI Research Companyであることは、
ここで大きな意味を持つ。
LLMだけではない。
Causal Inference。
Simulation。
Optimization。
Scientific Machine Learning。
Agent。
Physical Experiment。
これらを統合することで、
Machine-generated Counterfactual
↓
Human Scientific Judgment
↓
Experiment
↓
Reality Verification
というResearch Architectureを構築できる。
そして、
Counterfactualは企業Strategyにも使える。
もし、
EQUESがResearch Investmentを二倍にしたら。
もし、
Physical AI Teamをつくったら。
もし、
Science AIへ進出したら。
もし、
Internal Multi-Agent Research Systemを導入したら。
もし、
Global Research Networkを形成したら。
EQUES Current State
↓
Counterfactual Strategy
↓
Alternative EQUES States
企業の未来を、
単一のBusiness Planではなく、
Alternative State Spaceとして比較できる。
ここでも、
Revenueだけではない。
Research Capability。
Implementation Capability。
Human Capital。
Strategic Optionality。
Risk。
Capital Requirement。
Time。
を同時に評価する。
Strategy
=
Counterfactual State Transition Design
という見方が可能になる。
さらに重要なのは、
Counterfactualによって、
Constraintの意味を検証できることである。
「これは変えられない」
と思われている条件がある。
しかし、
もしこのConstraintを外せたら。
もし別Architectureで回避したら。
もしTechnologyによって緩和したら。
と問う。
Constraint C
↓
Remove / Relax / Bypass
↓
New Possible States
すると、
Possible State Spaceが拡張する。
ここに、
Innovationの一つの構造がある。
既存Systemのなかで最適化するのではなく、
Systemを成立させているConstraintそのものを問い直す。
Optimization:
Given constraints,
find best state.
Potential Intelligence:
Which constraints can be changed?
この差は大きい。
既存Constraintのなかで、
最善を探す。
から、
Constraintを変えることで、
新しいState Spaceを開く。
へ進む。
たとえば、
Computeが高価。
Sensorが大きい。
Batteryが短い。
Latencyが高い。
Human Reviewが遅い。
これらは、
ある時点ではConstraintである。
Researchによって、
Compute Cost ↓
Sensor Miniaturization ↑
Battery Capacity ↑
Latency ↓
Agent Reliability ↑
となれば、
State Spaceが変わる。
Research
↓
Constraint Relaxation
↓
Potential Expansion
ここで、
Counterfactual IntelligenceとResearch Strategyが接続する。
「どのConstraintを緩和すれば、
最も大きなPossible State Spaceが開くか」
を探索する。
これは、
Research Priorityを決める強力な視点になる。
Constraint Aを解決すると、
3つのNew Stateが開く。
Constraint Bを解決すると、
100のNew Stateが開く。
ならば、
Bは大きなLeverageを持つ可能性がある。
Research Priority
∝
Potential Space Expansion
もちろん、
DifficultyやCostも考慮する。
Potential Gain
/
Research Cost
という評価も可能になる。
ここまで来ると、
Counterfactual Intelligenceは、
単なる「もしも」を考えるAIではない。
Realityを構成する条件を分解し、
どの条件を変えれば、
どのAlternative Realityが開くのか
を探索するIntelligenceになる。
Observed Reality
↓
Causal Structure
↓
Intervention
↓
Counterfactual Reality
↓
Evaluation
そして、
多数のCounterfactualを比較すると、
次に見えてくるものがある。
ConstraintとOpportunityである。
あるStateが実現しないのは、
何が阻んでいるからなのか。
逆に、
どの条件が成立すれば、
実現可能になるのか。
Potentialは、
無制限なPossibilityではない。
Constraintによって境界づけられ、
Opportunityによって開かれる。
Counterfactual Intelligenceは、
その境界を動かしてみる。
Constraint Aを外す。
Capability Bを加える。
Relation Cを変更する。
Environment Dを変える。
そして、
どのPotentialが開くかを見る。
Current Reality
↓
Counterfactual Change
↓
Constraint / Opportunity Map
↓
Possible Reality
ここから、
Potential Intelligenceはさらに具体化する。
何ができるかを考えるだけではない。
何ができない原因なのか。
何が成立すれば可能になるのか。
その境界条件を記述する。
次節では、
Possible State Spaceを開閉している二つの要素――
ConstraintとOpportunity
へ進む。
第5節 ConstraintとOpportunity
Potentialは、
無制限な可能性ではない。
何でも想像できることと、
Realityとして成立できることは違う。
Imaginable
≠
Possible
Possible
≠
Feasible
Feasible
≠
Implementable
あるFuture Stateが実現するためには、
複数の条件を満たさなければならない。
Physical Law。
Technology。
Data。
Compute。
Capital。
Human Capability。
Time。
Safety。
Regulation。
Infrastructure。
これらは、
Possible State Spaceに境界を与える。
この境界を、
Constraintとして考える。
Current State
+
Constraints
↓
Reachable State Space
しかし、
Constraintは単なる障害ではない。
Constraintを理解することによって初めて、
「何を変えれば、
新しいStateが可能になるのか」
が見える。
Constraint
↓
Identify
↓
Change / Relax / Bypass
↓
New Opportunity
つまり、
ConstraintとOpportunityは、
別々のものではない。
一つの境界を、
二つの方向から見ている。
現在のState Spaceを閉じている側から見れば、
Constraint。
その境界を越えた先に開くStateから見れば、
Opportunity。
Constraint
│
│ Boundary
│
↓
Opportunity
Potential Intelligenceにとって重要なのは、
Opportunityだけを探すことではない。
Opportunityを閉じているConstraintを、
構造的に特定することである。
たとえば、
あるFactoryで、
完全自動Inspectionを実現したいとする。
Target State
=
Autonomous Inspection
しかし、
現在は実現できない。
なぜか。
Camera Resolutionが不足している。
Rare DefectのTraining Dataが少ない。
Inference Latencyが大きい。
Robot ControlとのIntegrationがない。
Safety Validationが完了していない。
このとき、
「Autonomous Inspectionはできない」
という一文では、
情報量が足りない。
Potential Intelligenceでは、
分解する。
Target State
↓
Required Conditions
↓
Current Constraints
Vision Accuracy
△
Training Data
×
Latency
△
Robot Integration
×
Safety Validation
×
すると、
Impossibleという一枚の壁が、
複数のEngineering Problemへ分解される。
Impossible
↓
Constraint Decomposition
↓
Solvable Problems
ここが重要である。
Potential Intelligenceは、
できないことを、
できないまま記述しない。
「なぜできないのか」
をMachine-readableにする。
Constraint
=
Type
+
Source
+
Severity
+
Affected State
+
Changeability
+
Required Capability
これによって、
Constraint自体がResearchとEngineeringの対象になる。
そして、
すべてのConstraintが同じではない。
まず、
Fixed Constraintがある。
少なくとも対象Systemの設計上、
変更対象としない条件である。
Physical Law。
Fundamental Safety Requirement。
Hard Resource Limit。
これらは、
OptimizationのBoundaryとして扱う。
Fixed Constraint
↓
Design Within Boundary
一方で、
Mutable Constraintがある。
Budget。
Workflow。
Organization Structure。
Data Access。
Software Architecture。
これらは、
Decisionによって変えられる可能性がある。
Mutable Constraint
↓
Management / Engineering Intervention
さらに、
Researchable Constraintがある。
現在のTechnologyでは越えられない。
しかし、
Researchによって変えられる可能性がある。
Model Accuracy。
Energy Efficiency。
Robot Dexterity。
Material Property。
Algorithmic Complexity。
Researchable Constraint
↓
R&D
↓
Future Capability
そして、
Bypassable Constraintもある。
Constraintそのものを解決しなくても、
Architectureを変えることで回避できる。
たとえば、
Cloud Latencyが問題なら、
Edge Computingへ移す。
Centralized Processing
↓
Latency Constraint
Edge Architecture
↓
Constraint Bypass
Problemを直接解くのではなく、
System Structureを変える。
この分類によって、
Constraint
├─ Fixed
├─ Mutable
├─ Researchable
└─ Bypassable
と整理できる。
この違いを理解しなければ、
EQUESは無駄なOptimizationを続ける可能性がある。
変えられないConstraintを、
永遠に改善しようとする。
逆に、
簡単に変えられるConstraintを、
固定条件だと思い込む。
Potential Intelligenceは、
まず境界の種類を識別する。
そして、
Constraintのなかには、
Technical Constraintだけではないものがある。
AI Systemを実装するとき、
Model Accuracyは十分。
Computeも十分。
Dataもある。
しかし、
Human Approval Processが設計されていない。
Authority Boundaryが不明。
Auditabilityがない。
この場合、
Technologyは成立していても、
Operational Realityとしては成立しない。
Technical Feasibility
≠
Operational Feasibility
だから、
Constraint Mapには、
Technical。
Physical。
Economic。
Organizational。
Human。
Legal。
Safety。
Environmental。
Temporal。
を含める必要がある。
Potential Candidate
↓
Multi-domain Constraint Analysis
一つでもCritical Constraintが残れば、
Deploymentできない場合がある。
ここで、
EQUESの強みは、
AI Modelだけを見ないことにある。
Model
↓
Software
↓
Enterprise
↓
Human
↓
Physical Environment
System全体からConstraintを見る。
たとえば、
高性能なAI Agentが完成した。
しかし、
企業DataへAccessできない。
なら、
Model Capabilityではなく、
Data GovernanceがConstraintである。
AI Agent
✓
Data Access
×
さらに、
Data Accessを解決しても、
Execution Authorityがない。
Data Access
✓
Execution Authority
×
Authorityを解決しても、
Rollback Mechanismがない。
Authority
✓
Rollback
×
つまり、
Potentialを閉じているBottleneckは、
段階的に移動する。
Constraint₁ solved
↓
Constraint₂ becomes critical
↓
Constraint₃ becomes critical
Potential Intelligenceは、
このDynamic Bottleneckを追跡する必要がある。
ここで、
System Optimizationと接続する。
最も目立つConstraintではなく、
現在System全体を最も強く制約しているConstraint
を探す。
Critical Constraint
↓
Leverage Point
そのConstraintを緩和したとき、
Possible State Spaceがどれだけ広がるかを見る。
Constraint A
↓
Remove
↓
+2 Possible States
Constraint B
↓
Remove
↓
+50 Possible States
Constraint C
↓
Remove
↓
+500 Possible States
このとき、
Constraint Cは、
大きなStrategic Leverageを持つ可能性がある。
ここから、
Research Priorityの考え方も変わる。
研究成果を、
論文数やBenchmark Improvementだけで評価しない。
どのConstraintを緩和したか。
どのCapabilityを新しく可能にしたか。
どれだけPossible State Spaceを拡張したか。
Research
↓
Constraint Relaxation
↓
State Space Expansion
これを、
Potential Expansionとして評価する。
たとえば、
Model Accuracyを99.0%から99.2%へ上げるResearch。
一方で、
巨大ModelをEdge Deviceで動作可能にするResearch。
後者によって、
Factory。
Vehicle。
Robot。
Mobile。
Remote Infrastructure。
へDeployment可能になるなら、
System-level Potentialは非常に大きいかもしれない。
Benchmark Gain
≠
Potential Gain
ここに、
EQUESのResearch Portfolio Intelligenceの基礎がある。
「どの研究が最も高性能か」
だけではなく、
「どの研究が最も多くのFuture Stateを開くか」
を見る。
そして、
Constraintの反対側に、
Opportunityが現れる。
Opportunityとは、
単なるMarket Chanceではない。
本書では、
あるConstraintの変化、
新しいCapabilityの出現、
新しいRelationの成立によって、
新たに到達可能になったState
として捉える。
Opportunity
=
Newly Reachable Valuable State
たとえば、
Inference Costが大幅に下がる。
すると、
以前はEconomicに成立しなかったAI Serviceが、
成立するようになる。
Cost Constraint ↓
↓
New Business State
新しいSensorが登場する。
すると、
以前観測できなかったPhysical Stateを、
Real-timeで取得できる。
Observation Constraint ↓
↓
New Physical AI State
新しいScientific Discoveryがある。
すると、
以前不可能だったMaterial Designが、
探索可能になる。
Knowledge Constraint ↓
↓
New Scientific State
Opportunityとは、
世界に突然現れるものだけではない。
Constraint Structureの変化として検出できる。
Constraint Change
↓
State Space Change
↓
Opportunity Detection
ここに、
EQUESがPotential Intelligenceを持つ価値がある。
Technology Newsを見るだけではない。
論文を読むだけではない。
Market Trendを見るだけではない。
それらの変化が、
「どのConstraintを変えたのか」
「その結果、
どのStateが新しく可能になったのか」
まで計算する。
New Research
↓
Capability Update
↓
Constraint Map Update
↓
Possible State Space Update
↓
Opportunity
すると、
Research IntelligenceとBusiness Intelligenceが接続する。
論文の意味を、
「新しいKnowledge」
としてだけではなく、
「新しいRealityを可能にするConstraint Change」
として読む。
これは、
AI Research Companyにとって強力な能力になる。
たとえば、
EQUESのSystemが、
Research Paperを継続的に解析する。
Paper Aによって、
Model Capabilityが更新された。
Paper Bによって、
Inference Costが下がった。
Hardware Cによって、
Edge Computeが強化された。
Regulation Dによって、
Deployment条件が明確になった。
それらを統合する。
Research
+
Hardware
+
Regulation
+
Market
↓
Constraint State Update
すると、
「半年前には実装不可能だったProjectが、
現在はPilot可能になった」
という変化を検出できる。
Not Feasible
↓
Condition Change
↓
Feasible
これが、
Opportunity Detectionである。
そして、
Opportunityには時間がある。
永遠に開いているとは限らない。
Technology Advantage。
Market Timing。
Capital Availability。
Regulatory Window。
Human Resource。
これらが重なる期間がある。
Opportunity
=
Potential
×
Timing
だから、
Potential Intelligenceは、
Stateだけでなく、
Time-dependent Constraintを扱う。
Potential(t)
現在は早すぎる。
二年後なら可能かもしれない。
逆に、
現在なら優位性があるが、
五年後にはCommodityになるかもしれない。
Research Potential
↓
Timing
↓
Strategic Window
EQUESは、
Potentialを発見するだけではなく、
When?
を問う必要がある。
これは、
ResearchからIndustry Implementationへ移行するTimingを判断するうえで重要になる。
Research
↓
Prototype
↓
Pilot
↓
Scale
どの段階へ進むべきか。
Constraintが十分に解けているか。
Opportunity Windowが開いているか。
これらを評価する。
そして、
Opportunityには、
Relation Opportunityもある。
新しいTechnologyがなくても、
既存Capability同士を接続することで、
新しいStateが生まれる。
Research Capability A。
Industry Problem B。
Dataset C。
Physical System D。
現在は別々に存在している。
A
B
C
D
しかし、
A + B + C + D
を接続すると、
New System Capability
が成立する可能性がある。
Opportunity
=
Existing Nodes
+
Missing Edge
これは、
Relational IntelligenceとPotential Intelligenceの接続点である。
世界には、
新しいNodeだけでなく、
まだ存在していないEdge
がある。
EQUESは、
そのMissing Edgeを探索できる。
Researcher
↔
Industry
AI Model
↔
Physical Machine
Enterprise Data
↔
Agent
Scientific Knowledge
↔
Simulation
Human Expert
↔
AI Search
Missing Relation
↓
New Capability
↓
Opportunity
この視点では、
Innovationとは、
必ずしも「ゼロから何かを発明すること」だけではない。
既存Capability間に、
これまで存在しなかったRelationを設計することでもある。
Innovation
=
New Node
or
New Edge
or
New System Configuration
EQUESは、
この三種類を探索できる。
そして、
Opportunityを評価する。
すべてのOpportunityを実装する必要はない。
Value。
Feasibility。
Risk。
Strategic Fit。
Time to Reality。
Required Investment。
Learning Value。
これらを評価する。
Opportunity Score
=
Value
×
Feasibility
×
Strategic Fit
×
Timing
÷
Risk / Cost
これは単純な固定式ではなく、
Decision Frameworkである。
重要なのは、
一つのMetricに盲目的に圧縮しないこと。
Trade-offを保持する。
Opportunity Aは、
High Value / High Risk。
Opportunity Bは、
Medium Value / Low Risk。
Opportunity Cは、
Long-term Strategic / Low Immediate Revenue。
それぞれを、
Research Portfolioとして組み合わせる。
Near-term
+
Mid-term
+
Long-term
EQUES自身のPotential Portfolioをつくる。
ここで、
企業は一つの未来へ賭けるだけではなくなる。
複数のFuture Optionを保持する。
Option A。
Option B。
Option C。
条件が変化したら、
投資配分を変更する。
Potential Portfolio
↓
Condition Monitoring
↓
Dynamic Allocation
これによって、
企業StrategyがContinuousになる。
そして、
ConstraintとOpportunityを統合すると、
Potential Discoveryの基本形が見えてくる。
まず、
Target Stateを置く。
Target State
↓
Required Conditions
次に、
Current Stateと比較する。
Required Conditions
−
Current Capabilities
=
Constraints / Gaps
そのConstraintについて、
Fixed?
Mutable?
Researchable?
Bypassable?
を分類する。
Constraint Classification
↓
Intervention Candidates
そして、
Constraintを変更した場合のStateをSimulationする。
Intervention
↓
Possible State
そのStateについて、
Value。
Feasibility。
Risk。
Time。
を評価する。
Possible State
↓
Opportunity Evaluation
最後に、
実装すべきCandidateを選ぶ。
Constraint
↓
Intervention
↓
Opportunity
↓
Potential
ここまで来ると、
Potentialは、
抽象的な可能性ではなくなる。
Machine-readableな構造になる。
Potential Candidate
=
Target State
+
Required Conditions
+
Current Constraints
+
Required Capabilities
+
Transition Path
+
Expected Value
+
Risk
+
Uncertainty
この形式で記述できれば、
EQUESはPotentialを、
Research対象にも、
Engineering対象にも、
Management対象にもできる。
そして、
Potential Intelligenceの問いは、
非常に具体的になる。
何が可能か。
何が不可能か。
なぜ不可能か。
何が不足しているか。
何を変えれば可能になるか。
その変更には何が必要か。
どのStateが最も価値を持つか。
いつ実装すべきか。
この一連の問いを、
Systemとして扱う。
Observe
↓
Constraint
↓
Opportunity
↓
Potential
ここで、
Potential Intelligenceは、
未来について考える思想ではなく、
未来可能性を探索するEngineering Architectureへ近づく。
Current Realityには、
Constraintがある。
しかし、
Constraintは永遠に固定されているとは限らない。
Researchが変える。
Technologyが変える。
Architectureが回避する。
Organizationが変える。
Relationが変える。
そして、
Constraintが変わるたびに、
Possible State Spaceは更新される。
Constraint Change
↓
State Space Expansion
↓
New Opportunity
EQUESが継続的にこれを観測できれば、
まだ誰も実装していないPotentialを、
早期に発見できる可能性がある。
ここで、
第2章は次の段階へ進む。
Possible State Spaceを定義した。
Counterfactualによって、
Alternative Realityを生成した。
ConstraintとOpportunityによって、
実現可能性の境界を記述した。
次に必要なのは、
この巨大なSpaceから、
「実際に追求する価値のあるPotentialを、
どう発見するか」
である。
Possible
↓
Feasible
↓
Valuable
↓
Potential
次節では、
これらを一つの探索Operationへ統合する。
Potential Discoveryへ進む。
第6節 Potential Discovery
Potentialは、
どこに存在するのか。
未来のどこかに、
完成されたOpportunityとして置かれているわけではない。
現在のData。
現在のCapability。
現在のConstraint。
現在のRelation。
現在のKnowledge。
それらを異なるConfigurationで組み直したとき、
まだ実現されていないStateとして現れる。
Current Reality
↓
Reconfiguration
↓
Possible Reality
したがって、
Potential Discoveryとは、
未来を予言することではない。
Current Realityのなかから、
「どの条件を変えれば、
どの新しいRealityが成立しうるか」
を探索するOperationである。
Observe
↓
Model
↓
Generate
↓
Constrain
↓
Simulate
↓
Evaluate
↓
Discover
ここまでの第2章で構築してきた要素が、
ここで一つにつながる。
Current State。
Possible State Space。
Counterfactual。
Constraint。
Opportunity。
これらを統合すると、
Potential Discovery
という一つのProcessになる。
まず、
Current Stateを記述する。
何が存在しているのか。
どのCapabilityがあるのか。
どのRelationがあるのか。
どのConstraintがあるのか。
Current State
=
Entities
+
Relations
+
Capabilities
+
Constraints
+
Environment
ここが曖昧なら、
Potential探索も曖昧になる。
未来探索は、
現在理解から始まる。
次に、
Target Domainを定義する。
Manufacturing。
Mobility。
Healthcare。
Science。
Enterprise。
Research。
対象によって、
探索すべきState Spaceは異なる。
Potential Discoveryは、
無限の未来を無差別に生成することではない。
GoalやProblemに関係する、
Relevant State Spaceを設定する。
Total Possible Space
↓
Domain / Goal
↓
Relevant State Space
たとえば、
Factoryなら、
Production。
Quality。
Safety。
Energy。
Maintenance。
Human Workload。
などが対象になる。
Researchなら、
Hypothesis。
Experiment。
Knowledge。
Model。
Scientific Discovery。
Implementation。
が対象になる。
そして、
Current RealityのConstraintを抽出する。
何が現在のSystem Capabilityを制限しているのか。
Compute。
Data。
Latency。
Accuracy。
Capital。
Human Capacity。
Authority。
Safety。
Regulation。
Infrastructure。
Current Reality
↓
Constraint Map
次に問う。
このConstraintは、
Fixedなのか。
Mutableなのか。
Researchableなのか。
Bypassableなのか。
Constraint
├─ Fixed
├─ Mutable
├─ Researchable
└─ Bypassable
ここから、
Potential Searchが始まる。
Mutable Constraintを変える。
Researchable Constraintを緩和する。
Bypassable ConstraintをArchitectureで回避する。
Missing Relationを追加する。
Missing Capabilityを導入する。
すると、
Alternative Stateが生成される。
Current State
+
Intervention
↓
Candidate State
このCandidateを、
一つだけ生成する必要はない。
AIは、
大量のCandidateを生成できる。
Candidate₁
Candidate₂
Candidate₃
...
Candidateₙ
ここで、
Generative AIのCapabilityが生きる。
しかし、
Candidate Generationだけでは、
Potential Discoveryではない。
生成された未来の大部分は、
Realityとして成立しない可能性がある。
だから、
Constraint Filteringを行う。
Physical Law。
Technical Feasibility。
Safety。
Regulation。
Budget。
Time。
Candidate States
↓
Constraint Filtering
↓
Feasible States
次に、
Simulationする。
このStateへ移行したら、
System全体に何が起きるか。
Local Benefitだけではない。
Network Effectを見る。
Intervention
↓
System Simulation
↓
Expected Outcome
たとえば、
AI Agentを導入する。
Task Processing Timeは下がる。
しかし、
Approval Volumeが増える。
Human ReviewerがBottleneckになる。
Local Benefit
↓
System Effect
↓
Unexpected Constraint
Simulationによって、
新しいConstraintが発見される。
つまり、
Potential Discoveryは一方向ではない。
Generate
↓
Simulate
↓
Discover New Constraint
↓
Reconfigure
↓
Simulate Again
Iterationする。
ここで、
第Ⅰ部のSystem Optimizationが使われる。
Candidateが、
一つのNodeだけを改善していないか。
System全体として、
Valueが増えているか。
Human。
AI。
Machine。
Environment。
すべてを含めて評価する。
Candidate State
↓
System-level Evaluation
そして、
複数のDimensionを見る。
Performance。
Cost。
Safety。
Risk。
Resilience。
Human Impact。
Environmental Impact。
Time to Reality。
Strategic Value。
Scientific Value。
Potential Candidate
=
Multi-dimensional State
一つのScoreだけで、
未来を潰さない。
短期Revenueは小さい。
しかし、
Scientific Valueが大きい。
現在のMarketは小さい。
しかし、
State Space Expansionが大きい。
こうしたCandidateを、
単純なROIだけで除外しない。
Potential Discoveryでは、
Immediate Value
と、
Future Optionality
を区別する必要がある。
Immediate Value
+
Future Optionality
=
Strategic Potential
あるResearchが、
すぐにProductにならなくても、
新しいCapabilityを獲得する。
新しいDataを得る。
新しいPartnerと接続する。
次のResearchを可能にする。
なら、
Future State Spaceを広げている。
Research
↓
Capability Gain
↓
Future Options
このOption Valueは、
AI Research Companyにとって重要である。
だから、
EQUESのPotential Discoveryでは、
「このProjectはいくら売上を生むか」
だけではなく、
「このProjectによって、
次に何が可能になるか」
を見る。
Project
↓
New Capability
↓
Expanded Possible State Space
ここに、
ResearchとBusinessの新しい接続がある。
そして、
Potential Discoveryには、
Noveltyも必要になる。
既存Systemの5%改善。
既存Workflowの10%高速化。
これらも価値がある。
しかし、
Potential Intelligenceが本当に探索すべき領域には、
新しいSystem Configuration。
新しいHuman-AI Relation。
新しいPhysical Capability。
新しいScientific Hypothesis。
新しいIndustry Architecture。
がある。
Optimization Potential
と
Transformational Potential
を区別する。
Optimization Potential
=
Better State within current structure
Transformational Potential
=
New State enabled by structural change
EQUESは、
両方を扱う。
しかし、
後者を発見できることが、
Potential Intelligenceの大きな価値になる。
たとえば、
Current Processを20%高速化する。
だけではなく、
そのProcess自体を不要にできないか。
を問う。
Optimize Process
↓
Better Current System
Redesign System
↓
New System
ここで、
Potential Discoveryは、
Problem Solvingを越える。
Problemを解く。
だけではなく、
Problemが存在しないStateを探索する。
Current Reality
=
Problem exists
Alternative Reality
=
Problem structurally removed
これが、
System-level Potentialである。
そして、
Potentialは、
新しいObjectだけから生まれるわけではない。
新しいRelationからも生まれる。
Researcher A。
Dataset B。
Model C。
Industry Problem D。
Machine E。
これらは、
すでに存在している。
しかし、
接続されていない。
A
B
C
D
E
Relational Intelligenceは、
Missing Edgeを探す。
A ↔ B
B ↔ C
C ↔ D
D ↔ E
そして、
接続したときに生まれるSystem CapabilityをSimulationする。
Existing Nodes
+
New Relations
↓
Emergent Capability
この探索は、
EQUESに特に適している。
なぜなら、
AI Research Companyは、
複数DomainのTechnologyとProblemの境界に位置できるからである。
Research。
Software。
Enterprise。
Industry。
Physical AI。
Science。
これらの境界を越えて、
Capability A from Domain 1
+
Problem B from Domain 2
を接続する。
Cross-domain Relation
↓
New Potential
一つのDomainでは普通のTechnologyが、
別Domainでは大きなInnovationになることがある。
Potential Discoveryは、
このTranslation Spaceも探索する。
Technology
↓
Abstract Capability
↓
Different Domain
↓
New Application
たとえば、
Anomaly Detection。
Optimization。
Computer Vision。
Planning。
Knowledge Graph。
Simulation。
これらを、
特定Productとしてではなく、
Reusable Capabilityとして抽象化する。
すると、
Manufacturing。
Healthcare。
Mobility。
Science。
Infrastructure。
へTranslationできる。
Domain-specific Technology
↓
General Capability
↓
Cross-domain Deployment
ここから、
Cross-Industry Intelligenceが生まれる。
Potential Discoveryには、
時間軸も必要である。
Candidate Aは、
今すぐ実装可能。
Candidate Bは、
二つのResearch Breakthroughが必要。
Candidate Cは、
Regulation Changeが必要。
Candidate Dは、
Hardware Costが下がれば成立する。
Potential Candidate
↓
Time-to-Feasibility
これらを、
Now。
Near-term。
Mid-term。
Long-term。
に分類する。
Potential Portfolio
├─ Now
├─ Near-term
├─ Mid-term
└─ Long-term
すると、
未来探索がRoadmapへ変わる。
Long-term Potentialから、
必要Capabilityを逆算する。
Future State
↓
Required Capability
↓
Research Agenda
↓
Current Action
未来が、
現在のResearchをPullする。
これは、
EQUESのResearch Portfolioを設計するうえで重要になる。
現在できるResearchだけを積み上げるのではない。
実現したいFuture Stateから、
「何を今研究すべきか」
を逆算する。
Potential
→
Research
→
Capability
→
Reality
ここで、
Potential DiscoveryとResearch Strategyが統合される。
さらに、
AI Agentを使えば、
このProcessをContinuousにできる。
Research Paperを読むAgent。
Patentを分析するAgent。
Technology Trendを監視するAgent。
Internal Capabilityを参照するAgent。
Industry Problemを抽出するAgent。
Simulationを実行するAgent。
それらを協調させる。
Research Agent
+
Technology Agent
+
Industry Agent
+
Simulation Agent
+
Evaluation Agent
↓
Potential Discovery System
しかし、
Agentが自動的にStrategic Decisionを行うわけではない。
Agentは、
Potential Candidateを生成する。
Evidenceを集める。
Constraintを整理する。
Simulationする。
Human ResearcherとManagementが、
意味と優先順位を判断する。
AI
=
Explore
Human
=
Interpret / Select
EQUES
=
Implement
この分離を保持する。
そして、
Potential Candidateには、
Evidence Traceを持たせる。
どのDataから導いたのか。
どのAssumptionを使ったのか。
どのModelでSimulationしたのか。
どのConstraintを仮定したのか。
Potential
+
Evidence
+
Assumptions
+
Uncertainty
これによって、
PotentialをAuditできる。
単なるAI-generated Ideaではなく、
Traceable Research Candidate
になる。
さらに、
PotentialにはConfidenceを持たせる。
High Confidence。
Medium Confidence。
Low Confidence。
Unknown。
しかし、
Low Confidenceだから価値が低いとは限らない。
Scientific Discoveryの初期段階では、
Uncertaintyが高いことは自然である。
だから、
Confidence
と
Potential Value
を分ける。
High Value / Low Confidence
というCandidateを、
Research対象として保持できる。
これは重要である。
AIが確信できるものだけを追えば、
既知領域に偏る。
Potential Discoveryは、
Unknown Boundaryを探索する必要がある。
Known
↓
Uncertain
↓
Unknown
ただし、
Unknownを無制限に追わない。
Expected Information Gain。
Scientific Importance。
Strategic Optionality。
Experiment Cost。
を評価する。
Unknown
↓
Experiment
↓
Information Gain
つまり、
Potential Discoveryは、
「未来を当てる」だけでなく、
「何を調べれば、
未来可能性について最も多く学べるか」
まで扱う。
ここで、
Active LearningやExperiment Designへ接続する。
Potential Candidate
↓
Unknown Variables
↓
Best Experiment
↓
New Evidence
↓
Updated Potential
ResearchとPotentialが、
Feedback Loopになる。
Observe
↓
Discover Potential
↓
Experiment
↓
Learn
↓
Update State Space
↓
Discover New Potential
Potential Spaceそのものが、
学習によって更新される。
これは、
Continuous Potential Discoveryである。
EQUES自身にも、
同じLoopを適用できる。
現在のEQUES Capabilityを記述する。
Research。
Engineering。
AI。
Physical AI。
Industry Knowledge。
Human Capital。
Partner Network。
Corporate Memory。
Current EQUES State
↓
Potential Discovery
どのCapabilityが不足しているか。
どのRelationが欠けているか。
どのResearchが最大のState Space Expansionを生むか。
どのIndustry Connectionが新しいOpportunityを開くか。
どのInternal ProcessをAI化すると、
Research Velocityが上がるか。
これらを継続探索する。
EQUES
↓
Observe itself
↓
Discover its own Potential
↓
Reconfigure
↓
Learn
ここで、
EQUESは、
Potential Intelligenceを外部へ提供する企業であると同時に、
自らのPotentialを探索し続ける企業
になる。
そして、
Potential Discoveryの最終的なOutputは、
Idea Listではない。
Machine-readableなPotential Portfolioである。
Potential Candidate
{
current_state
target_state
required_relations
required_capabilities
constraints
intervention
transition_path
expected_value
risk
uncertainty
evidence
time_to_reality
}
これによって、
Research。
Engineering。
Management。
Investment。
Implementation。
が、
同じPotential Objectを共有できる。
Potential
↓
Research Requirement
↓
Architecture
↓
Project
↓
Implementation
未来可能性が、
Enterprise Workflowへ接続される。
ここまで来ると、
Potential Discoveryは、
単なるInnovation Workshopではない。
Data。
AI。
Knowledge Graph。
World Model。
Causal Inference。
Simulation。
Search。
Human Judgment。
これらを統合した、
Continuous Enterprise Capabilityになる。
Data
↓
Current Reality
Current Reality
↓
Possible State Space
Possible State Space
↓
Constraint Analysis
Constraint Analysis
↓
Counterfactual Search
Counterfactual Search
↓
Candidate States
Candidate States
↓
Simulation / Evaluation
Simulation / Evaluation
↓
Potential Discovery
これが、
第2章で構築してきたOperationの統合形である。
しかし、
まだ最後の問いが残っている。
Potentialを発見するProcessをつくるだけでは、
EQUESの新しいIntelligenceとは呼べない。
このOperationを、
継続的に。
複数Domainで。
HumanとAIが協調しながら。
Realityから学習し。
次のPossible State Spaceを更新する。
一つの企業Capabilityとして統合する必要がある。
PredictionするAI。
GenerationするAI。
SimulationするAI。
SearchするAI。
それらを個別に置くのではない。
Current Realityから、
まだ存在しないRealityを探索する一つのIntelligenceへ統合する。
Relation
↓
Possible State
↓
Counterfactual
↓
Constraint
↓
Opportunity
↓
Discovery
この全体が、
Potential Intelligence
である。
次節では、
第Ⅱ部で構築したすべてを一つに統合する。
EQUESは、
Likely Futureを当てる企業から、
Possible Futureを発見し、
その成立条件を記述できる企業へ
進めるのか。
第2章の到達点――
Potential Intelligence
へ進む。
第7節 Potential Intelligence
Potential Intelligenceとは何か。
ここまで、
Current State。
Prediction。
Possible State Space。
Counterfactual。
Constraint。
Opportunity。
Potential Discovery。
を順番に見てきた。
これらを一つに統合すると、
Potential Intelligenceの輪郭が現れる。
Potential Intelligenceとは、
現在のRealityを理解し、
そこから到達可能なPossible State Spaceを探索し、
まだ実現されていない価値あるStateと、
その成立条件を発見するIntelligence
である。
Current Reality
↓
Possible State Space
↓
Constraint / Opportunity
↓
Potential Discovery
↓
Potential Intelligence
これは、
未来を予言するIntelligenceではない。
未来を一つに決めるIntelligenceでもない。
現在から開かれている、
複数の可能性を構造化するIntelligenceである。
Prediction
=
What is likely to happen?
Potential Intelligence
=
What could become possible?
この違いが、
第Ⅱ部全体の中心にある。
Predictionは重要である。
現在のDataから、
次に起こりそうなStateを推定する。
しかし、
最も起こりそうな未来が、
最も価値のある未来とは限らない。
Most Likely Future
≠
Most Valuable Future
さらに、
現在のStructureを変えれば、
PredictionされたFutureとは異なるRealityへ移行できる可能性がある。
Current Structure
↓
Likely Future
Alternative Structure
↓
Alternative Future
Potential Intelligenceは、
このAlternativeを探索する。
だから、
未来を一本のTimelineとして扱わない。
Current State
├─ Future A
├─ Future B
├─ Future C
└─ Future D
Branching State Spaceとして扱う。
そのなかから、
Feasible。
Valuable。
Safe。
Strategically Important。
Scientifically Interesting。
Implementable。
なStateを探す。
つまり、
Potential Intelligenceの基本Operationは、
Observe
↓
Understand
↓
Generate
↓
Simulate
↓
Evaluate
↓
Discover
となる。
まず、
Current Realityを観測する。
Dataを集める。
Entityを識別する。
Relationを構築する。
Capabilityを把握する。
Constraintを特定する。
Current Reality
=
Entities
+
Relations
+
Capabilities
+
Constraints
+
Environment
ここで、
第Ⅰ部のRelational Intelligenceが基盤になる。
Potential Intelligenceは、
Realityを無視して未来を生成しない。
まず、
現在のSystemが、
どのRelationによって成立しているかを理解する。
Object
↓
Relation
↓
System
↓
Current State
そのうえで、
Alternative Relationを考える。
新しいNodeを追加する。
Edgeを追加する。
Authorityを変える。
Workflowを変える。
Technologyを追加する。
Constraintを緩和する。
Current System
↓
Reconfiguration
↓
Alternative System
つまり、
Potentialは、
現在のRealityの外側に突然現れるのではない。
Current RealityのStructureを変えたときに、
Alternative Realityとして現れる。
Relation
↓
State Transition
↓
Potential
ここで、
RelationとPotentialがつながる。
そして、
Potential Intelligenceは、
Counterfactualを使う。
もし、
AI Agentを追加したら。
もし、
Human Approvalを変えたら。
もし、
Edge AIへ移行したら。
もし、
Robot Capabilityが向上したら。
もし、
Research TeamとIndustry Teamを接続したら。
What if?
この問いを、
計算可能な形式へ変える。
Current State S₀
+
Intervention I
↓
Counterfactual State S₁
そして、
S₁が成立するかを評価する。
Physicalに可能か。
Technologyとして可能か。
Economicに成立するか。
Safety Requirementを満たすか。
Humanが運用できるか。
Regulationに適合するか。
Candidate State
↓
Constraint Evaluation
↓
Feasible State
ここで、
可能性と空想を分ける。
Potential Intelligenceは、
未来を自由に生成するだけではない。
RealityのConstraintを保持する。
Imaginable
↓
Possible
↓
Feasible
↓
Implementable
このFilteringがあるから、
PotentialをEngineeringへ接続できる。
さらに、
Constraintを固定的に扱わない。
Constraintには、
Fixed。
Mutable。
Researchable。
Bypassable。
がある。
Constraint
├─ Fixed
├─ Mutable
├─ Researchable
└─ Bypassable
現在できないことが、
永遠にできないとは限らない。
Researchによって変えられる。
Architectureによって回避できる。
Technologyによって緩和できる。
Organizationによって変更できる。
Current Constraint
↓
Intervention / Research
↓
Changed Constraint
↓
Expanded State Space
ここに、
Potential IntelligenceとResearchが接続する。
通常、
Researchは、
未知を知る活動として理解される。
Potential Intelligenceから見ると、
Researchにはもう一つの意味がある。
Future Realityを閉じているConstraintを変えること。
Research
↓
New Capability
↓
Constraint Relaxation
↓
State Space Expansion
この見方に立てば、
Research Valueの尺度も変わる。
Benchmarkを何%改善したか。
論文を何本出したか。
だけではない。
そのResearchによって、
何が新しく可能になったのか。
を見る。
Research Output
↓
Capability Gain
↓
New Possible States
つまり、
Research Value
∝
Potential Expansion
という評価軸が現れる。
これは、
EQUESのようなAI Research Companyにとって重要である。
Researchを、
Technology Developmentで終わらせない。
Future Capabilityへ接続する。
さらに、
Potential Intelligenceは、
新しいTechnologyだけを探さない。
新しいRelationを探す。
既存のModel。
既存のData。
既存のHuman Expertise。
既存のMachine。
既存のIndustry Problem。
それぞれが存在していても、
接続されていなければ、
Capabilityとして現れない。
Existing Nodes
+
Missing Edge
↓
Latent Potential
EQUESは、
このMissing Edgeを探索できる。
AI
↔
Enterprise Data
Research
↔
Industry
Simulation
↔
Physical System
Human Expert
↔
AI Agent
Science
↔
Engineering
新しいConnectionが、
新しいSystem Capabilityを生む。
New Relation
↓
Emergent Capability
↓
New Potential
ここに、
Relational IntelligenceとPotential Intelligenceの統合がある。
第Ⅰ部では、
世界をRelationとして理解した。
第Ⅱ部では、
Relationを変えたときに開くFuture Stateを探索する。
Relation
↓
Potential
この二つを接続すると、
EQUESは、
「現在の世界がどうできているか」
だけでなく、
「どこを変えれば、
何が可能になるか」
まで扱える。
Understanding
↓
Intervention
↓
Potential
これは、
AI Researchの目的を大きく拡張する。
Model Accuracyを上げる。
Predictionを改善する。
Inferenceを高速化する。
これらは重要である。
しかし、
上位には別の問いがある。
そのCapabilityによって、
Humanは何を新しくできるようになるのか。
Enterpriseは何を新しくできるようになるのか。
Industryは何を新しくできるようになるのか。
Scienceは何を新しく発見できるようになるのか。
Physical Worldでは何が新しく実現可能になるのか。
Model Capability
↓
System Capability
↓
Human / Enterprise / Industry Capability
↓
New Reality
ここまで接続して初めて、
AI TechnologyのPotentialが見える。
Potential Intelligenceは、
Technologyそのものの価値を、
Reality Levelまで追跡する。
Model Improvement
↓
New System Architecture
↓
New Operational Capability
↓
New Possible Reality
だから、
EQUESが評価すべきものも、
Modelだけではなくなる。
Capability。
Relation。
System。
State Transition。
Reality。
へ広がる。
そして、
Potential Intelligenceは、
Humanの役割を消さない。
Possible State Spaceには、
複数の価値あるStateが存在する。
Efficiencyを最大化するState。
Safetyを重視するState。
Human Experienceを重視するState。
Scientific Discoveryを優先するState。
Resilienceを高めるState。
どれを選ぶべきか。
これは、
AIだけでは決められない。
AI
=
Explore Possible States
Human
=
Define Value / Choose Direction
Engineering
=
Implement
Reality
=
Verify
このRole Separationが必要になる。
Potential Intelligenceの目的は、
HumanからDecisionを奪うことではない。
Humanが見えるFuture Optionを増やすことにある。
Human Choice Space
↓
AI Exploration
↓
Expanded Choice Space
選択肢が一つしか見えないとき、
未来は決定されているように見える。
複数のFeasible Stateが見えれば、
未来はDecision対象になる。
Potential
↓
Choice
↓
Implementation
↓
Reality
つまり、
Potential Intelligenceは、
Human Agencyを拡張する。
そして、
Potential Intelligenceは、
Continuousでなければならない。
Technologyは変わる。
Researchは進む。
Hardware Costは変わる。
Marketは変わる。
Regulationは変わる。
Human Capabilityも変わる。
だから、
Possible State Space(t₀)
≠
Possible State Space(t₁)
である。
昨日Impossibleだったものが、
今日Possibleになることがある。
逆に、
昨日有望だったものが、
今日価値を失うこともある。
Potential Intelligenceは、
一度Future Reportを書いて終わらない。
Current Stateを更新する。
Constraint Mapを更新する。
Technology Capabilityを更新する。
Possible State Spaceを再計算する。
Observe
↓
Update
↓
Explore
↓
Evaluate
↓
Learn
↓
Observe
Continuous Potential Intelligenceである。
ここに、
AI Agentを組み込める。
Research Agent。
Technology Agent。
Industry Agent。
Simulation Agent。
Risk Agent。
Evaluation Agent。
複数Agentが、
異なる情報源とSystem Modelを継続観測する。
Agents
↓
Potential Candidates
↓
Simulation
↓
Evidence
↓
Human Review
そして、
Humanが承認したCandidateだけを、
次の段階へ進める。
Potential Candidate
↓
Human Approval
↓
Prototype
↓
Verification
↓
Implementation
このArchitectureによって、
Potential Intelligenceは、
Enterprise Runtimeへ接続できる。
しかし、
Potentialは、
発見しただけではRealityにならない。
ここが、
第Ⅱ部と第Ⅲ部の境界である。
Potential Intelligenceは、
「何が可能か」
を発見する。
しかし、
次には、
「それをどう実現するか」
を記述しなければならない。
Potential
≠
Reality
PotentialからRealityへ移るには、
Requirement。
Architecture。
Simulation。
Prototype。
Execution。
Verification。
が必要になる。
Potential
↓
Requirement
↓
Architecture
↓
Implementation
↓
Reality
ここで、
Potential IntelligenceのOutputが、
第Ⅲ部のInputになる。
したがって、
Potential Candidateは、
単なるIdeaではない。
少なくとも、
Current State。
Target State。
Required Capability。
Required Relation。
Constraint。
Transition Path。
Expected Value。
Risk。
Evidence。
Uncertainty。
を持つ必要がある。
Potential Object
{
current_state
target_state
required_capabilities
required_relations
constraints
transition_path
value
risk
evidence
uncertainty
}
これを、
Machine-readableにする。
すると、
Potentialを、
Researcherだけでなく、
Engineer。
AI Agent。
Manager。
Customer。
System Architect。
が共有できる。
Potential
↓
Shared Object
↓
Research / Engineering / Management
ここで、
企業内部の未来探索が、
属人的なIdeaから、
Corporate Capabilityへ変わる。
一人の天才が、
未来を思いつく。
だけではない。
Organization全体が、
継続的にPotentialを発見できる。
Individual Insight
↓
Organizational Potential Intelligence
これが、
EQUES自身の進化にもつながる。
EQUESは、
CustomerのPotentialだけを探索するのではない。
自らのPotentialも探索する。
現在のResearch Capability。
現在のEngineering Capability。
現在のHuman Capital。
現在のPartner Network。
現在のTechnology Portfolio。
Current EQUES
↓
Possible EQUES States
どのCapabilityを獲得すれば、
次のState Spaceが開くのか。
どのResearchを始めれば、
新しいIndustryへ進めるのか。
どのPartnerと接続すれば、
Physical Realityへ到達できるのか。
どのInternal AIを実装すれば、
Research Velocityが上がるのか。
EQUES自身を、
Possible State Spaceとして見る。
EQUES₀
├─ EQUES₁
├─ EQUES₂
├─ EQUES₃
└─ EQUES₄
そして、
自らPotential Discoveryを行う。
Observe itself
↓
Discover Potential
↓
Reconfigure
↓
Learn
↓
Evolve
ここで、
Potential Intelligenceは、
Productではなく、
企業能力になる。
AI Modelを販売する。
AI Systemを開発する。
Consultingを提供する。
それらのさらに上位に、
顧客や産業がまだ認識していないPossible Stateを発見し、
その成立条件をEngineeringへ翻訳する能力
を持つ。
AI Research Company
↓
AI Implementation Company
↓
Potential Intelligence Company
この転換が、
本書で描こうとしているEQUESの一つの未来である。
EQUESは、
未来を知る必要はない。
未来を一つに当てる必要もない。
必要なのは、
現在が完成ではないことを理解し、
現在のRelationを読み、
Possible State Spaceを開き、
Counterfactualを生成し、
Constraintを特定し、
Opportunityを発見し、
実装可能なPotentialへ圧縮すること。
Current State
↓
Relation
↓
Possible State Space
↓
Counterfactual
↓
Constraint
↓
Opportunity
↓
Potential
これが、
Potential Intelligenceである。
さらに圧縮すれば、
Reality
↓
Possibility
↓
Potential
となる。
しかし、
ここで終わらない。
Potentialは、
まだRealityではない。
可能性を発見しただけでは、
Factoryは変わらない。
Robotは動かない。
Research ResultはProductにならない。
Enterprise Processも変わらない。
Potentialは、
Implementationされなければ、
Possible State Spaceのなかに留まり続ける。
だから、
次の問いが現れる。
発見されたPotentialを、
どうRequirementへ翻訳するのか。
どうArchitectureへ変換するのか。
どうSimulationするのか。
どうPrototypeするのか。
どうAgentによって実行するのか。
どうHumanが承認するのか。
どうRealityによって検証するのか。
Potential
↓
Generation
↓
Reality
ここから、
EQUESのIntelligenceは、
DiscoveryからGenerationへ進む。
第Ⅰ部では、
RelationによってCurrent Realityを理解した。
第Ⅱ部では、
PotentialによってPossible Realityを発見した。
次に必要なのは、
Possible Realityを、
Actual Realityへ変えること。
Relation
↓
Potential
↓
Generation
次の第Ⅲ部では、
EQUESが発見したPotentialを、
Requirement、Architecture、Simulation、Prototype、Agent、Verificationへ翻訳する。
未来を見つけるだけではない。
未来を、
実装可能なRealityへ変える。
Potential Intelligenceの次に現れるのは、
Generative Reality
である。
愛と敬意を込めてmandala