本動画は、確率論的な性質を持つ現代のAIシステムと、再現性・信頼性を要求する産業界との間に存在する根本的な溝を、量子エラー訂正コードとの類推を用いて論じる技術解説である。量子コンピューティングにおいて連続的なエラーを離散的なパウリ演算子へ射影して管理可能にする手法と、AIにおいてLLMコアの周囲に決定論的なスキルMDファイル群を配置して信頼性を担保しようとする現行のアプローチが、構造的に酷似していることを指摘する。しかし、この決定論的スキャフォールディング戦略は本質的な問題を覆い隠すだけであり、産業界が真に必要とするのはAIコアそのものの信頼性向上であると主張する内容となっている。
確率論的AIと産業界の要求との断絶
こんにちは、コミュニティの皆さん。お帰りなさい。今日お話しするのは、一方にある私たちのAI、つまり確率論的なノイズを持つAIエンジンについてです。マッピングされていないニューラルパワーフレーズ、不確実性の空白、ハルシネーション、そして非決定論的な出力がここにあります。これが私たちの確率論的人工知能システムの姿なんです。
そしてもう一方には産業界があります。彼らはインフラの信頼性、品質、再現性に依存しています。明確なリスク管理体制を求めていて、利益構造の最適化を目指しているわけです。新しい技術を探求することにはまったく興味がありません。ですから、現在のAIシステムと産業界によるこのAIシステムの導入との間には亀裂が存在しているんです。私たちはシンプルに「なぜか」と問い、そして解決策を見出します。
それでは、このビデオへようこそ。現在、科学のどこで読んでいようと、例えばここでエラー訂正や格子量子電気力学、そして2026年4月7日付の量子参照フレームについて読んでいるとしましょう。あるいはここで量子コンピューティングについて、量子誤り訂正符号についてここで読んでいるとします。ここでは「新しい量子最大距離分離符号と、この地球上の他のあらゆるものよりも優れた新しい量子誤り訂正符号を得た」と言っているわけです。
量子コンピューティングにおけるエラー訂正の基礎
量子コンピューティングで大きな進歩を遂げていることに驚かされますが、量子コンピューティングはまだそこまで到達していません。学術界においてさえもです。そしてこう問うかもしれません。「なぜ?なぜこれが起きているのか?」と。
このチャンネルに初めて来た視聴者の方々、こんにちは、ようこそ。量子ビットはシンプルです。2次元複素ヒルベルト空間におけるベクトルであり、そこでは複数の連続的な確率振幅で演算を行います。古典的コンピューティングでは、エラー訂正手法は単純に繰り返しです。しかし量子領域では3つの問題があります。
第一の問題は複製不可能定理です。ユニタリ性、線形性により、未知の量子状態の独立した同一のコピーを作成することはほぼ不可能なんです。量子ビットを単純にバックアップすることはできません。
第二に、波動関数の崩壊があります。すべての測定、二重スリット実験を思い出してください。これがここで重ね合わせを単一の状態に崩壊させ、量子性を破壊するわけです。
そしてもちろん、古典的なエラーは離散的ですが、量子エラーは連続的です。ですから数学的訂正において多くの問題を抱えているんです。
QECの基礎的洞察と現代AIへの類似性
素晴らしい。しかしとにかく、このビデオから持ち帰っていただきたい主要なアイデアは、ここの最初の段階における一種の基礎的洞察です。1991年から1995年頃のQECにおいてだったと思いますが、ここで無限のエラーを訂正する必要はないということが示されました。
数学的に示されたのは、単一の量子ビットエラーEは、世紀の簡略化として、パウリ行列の線形結合として表現できるということです。ここでXはビット反転、Zは位相反転、そして推測できるでしょうがYは両方の組み合わせです。
ですから、ネットワーク内でエラーチェック演算子を測定すると、量子状態はこれらの離散的なパウリ演算子へと射影されます。これは、測定が連続的なエラーを離散的で管理可能なものへと崩壊させることを強制し、それを私たちは逆転させることができるということを意味します。
これは何かを思い出させませんか?そうです、私たちは人工知能において、異なる複雑性のレベル、数学的複雑性のレベルで、多かれ少なかれまったく同じことをやっているんです。
スキルMDファイルによる決定論的スキャフォールディング
私の前回のビデオを思い出してください。現在、この美しいアイデアがあることをお見せしました。真ん中に大規模ビジョン言語モデルLLMがあります。これが私たちのコアインテリジェンスです。そしてたくさんのスキルMDファイルがあり、APIを通じてスーパーコンピューターへ行くか、データベースクラスターアレイ、グラフ知識、標準的なグラフパイプラインへ行きます。すべてが今やスキルであり、すべてが美しいのは決定論的だからです。
これらのスキルの中には定義されたワークフロー、0.1から0.17までの決定論的ワークフローがあります。AIはこれを実行するだけで済み、それは美しいんです。
そして問うかもしれません。「なぜこれをやるのか?」まず第一に、OpenAIやAnthropicのようなAI企業にとって、別の美しいAIインテリジェンスを訓練するのではなく、ここの外側周辺部、私たちのAIハーネス球体の外縁で、そこですべての決定論的計算を行い、それは非常にシンプルで、それをここのコアLLMへの入力に供給するだけで済むので、はるかに安価なんです。
そして知っているでしょう、過去4本のビデオで私は問いました。「なぜAI自身に学習させないのか?なぜそれをマークダウンファイルに外部委託するのか?そこでは誰もが読むことができ、決定論的実行があるが、決定論的ステップの実行は決定論的ではない。しかし誰もそうは言わない」と。
ですから問いは「なぜ産業界は現在のAIの状態を最大限に購入し統合しないのか?」です。なぜでしょう?
産業界がAIを信頼できない理由
答えはシンプルです。再現可能なAIの結果が真実であるデータの真実であると信頼することはできず、時間を超えて一貫した説明を持つこともできないからです。
このビデオで私がAGIについてお見せしたように、スキルが私たちにより良く役立つだろうというアイデアがありました。産業界は、金融、医療パイプライン、航空などのミッションクリティカルなタスクのために、純粋に統計的なLLMをスケールすることができないし、しないでしょう。
統計モデルは本質的にゼロでないハルシネーション率を持っています。そしてモデルが99%正確だったとしても、この1%の失敗率は、何百万ものエンタープライズデータベース操作を実行する際には壊滅的なんです。
ですから、スキルマークダウンファイルとPythonスクリプトに能力をエンコードすることで、エンタープライズの信頼問題を解決できるという希望がありました。しかし、私たちは他の多くの問題に遭遇します。
このすべてはこのビデオで見つけることができます。言語インターフェースや解釈可能性から何まで。私がこのビデオを始めた別の類推について考えてみてください。科学者である私たちは量子コンピューティングを信頼していません。
量子エラー訂正アーキテクチャとAIスキャフォールディングの並行性
「なぜ?いや、これは純粋な科学でしょう?」と言うかもしれません。なぜなら、量子エラー訂正符号が必要だと知っているからです。ですから、別のバナナプロに頼んでこの画像を作成してもらいました。
これはフォールトトレラントな量子アーキテクチャを示しています。これが最先端です。真ん中には超冷却された量子ビットアレイがあり、格子コードなどを持ち、ミリケルビンで何やらあります。そしてこの周囲には量子エラー訂正多様体があります。
これが必要なんです。なぜなら、ここで起きている連続的なカオスと量子チップ上のデコヒーレンスを外に出すことはできないからです。獣を飼い馴らす必要があり、相互作用する量子エラー訂正多様体が必要なんです。物理コアアセンブリ、統合制御など、気にしないでください。
しかしこれが画像です。そして今、これを2、3週間前に生成したこの画像と比較してみると、笑顔になるでしょう。なぜなら再び、真ん中に中央インテリジェンスがあり、それは確率論的システム、統計的システムで、複素ヒルベルト空間における確率で動作するからです。
ここではもっとシンプルなケースです。LLMのコアに量子コンピューティングはありません、本当のLLMにはです。ここではほぼ理解可能なシンプルなニューラルネットワークで進めています。そして、獣を飼い馴らすために、このハーネス球体を持たなければなりません。
私がこれを作成したとき、理解するのは、理論物理学と量子コンピューティング、そしてコンピューターサイエンス、つまり人工知能において私たちが扱っている複雑性が、私の脳内で多かれ少なかれ同じ画像であるということです。多かれ少なかれ同じ問題を扱っているんです。
トポロジカルQEC格子とAIスキル構造の相似
考えてみてください。トポロジカルQEC格子を見ると、「これを格子エラーネットワークにエンコードしよう」と言っています。そして、この特定の量子ビットで量子ビット反転エラーが起きていることを検出すると仮定します。数学的定理から知っていることすべてが、とても似ているんです。
まったく異なる獣です、はい。そして簡略化です、はい、わかっています。しかし人工知能で現在やっていることと非常に似ているんです。なぜなら、これは私が考える方法を示す別の画像だからです。
真ん中にAIコアがあり、そしてこのAIは成長しています。このAIは新しいタスクを得ます。教師ありファインチューニングがあり、アライメントプロセス、人間のフィードバックによる強化学習などがあり、検証可能な検証者などがあります。しかし原則として、コアは確率論的システムなんです。統計モデルです。
そして人工知能において、その周囲にこの美しい足場を構築します。これらが私たちのスキルMDファイルであり、これから発明するあらゆるものです。
そして前回のビデオでお見せしたように、今や1つのモデルに460以上の定義されたスキルがあります。これはナンセンスです。なぜなら、連続多様体から自律的で願わくば自己学習する、しかし最低レベルまで分解された数百のスキルアンサンブルへの決定論的原子化を持ち始めているからです。これはナンセンスです。
AIシステムへの産業的信頼構築の試み
そしてなぜこの足場をAIシステムの周囲に構築するのでしょうか?なぜなら1つのトピックがあるからです。Anthropic、OpenAIである私たちは、産業界にAIを売らなければなりません。これらの企業はここで収益、利益を生み出さなければなりません。そうでなければ、すべての投資、すべてのベンチャーキャピタリスト、今起きていることを見た後では、誰も望まない市場崩壊になるでしょう。
ですから成功でなければなりません。そのため、産業界にAIシステムを信頼できると説得しなければならないんです。科学者として、私たちはこれを信頼できないことを知っています。
ですからこれは今や絡み合った構造の問題になります。特に現在自己学習AIに取り組んでいることを考えると。
ここで描いたこのAI球体は成長しています。システムが自律的に自己学習することを望んでいます。OpenClawのようにではなく、制御された環境で、ここで何が起きているかを正確に定義します。古典的強化学習のGoogle Cloudによる発散で進むか、AI球体の周囲の足場に決定論的レイヤーを制御レイヤーとして構築し、他の状態のベビーステップ内に留まることを確認し、AIシステムの状態遷移が最小限であることを確認します。
非常に多くの方法論があります。過去1か月の私のビデオをご覧ください。前回のビデオで私は言いました。「実験をしてください。AIに何でも好きなことを聞いてください。Opus 4.6か何でも持っているもので。ゲーデルの不完全性定理、1931年のオリジナルの証明をどこまで圧縮できるか聞いてみてください。情報をどれだけ圧縮できるか、どれだけ情報の圧縮化ができるか、数学言語でやってみてください。私はゲーデルがウィーン大学で発表した、まさにここの講堂に座っていたからです。そして1年間、教授がゲーデルの不完全性定理のすべての複雑性を説明しようとするのを聞きました。今、あなたのAIに聞いてみてください。数学記法で聞いて、それから自然言語、例えば英語での説明で聞いてみてください。そして圧縮化をやってみてください。そしてもしあなたのAIが問題を抱えていたら、2つの異なる軸で進んでください。合成不動点補題か、コルモゴロフ複雑性で進んでください。
これは1960年代からのものです。ですから、これは古い、古い、退屈なものです。すべてのAIシステムはこれについて知っているべきです。そして情報の圧縮化が何を意味するか、自分自身で感じてください。
情報圧縮化と自己学習システムの課題
そして特に、私たちのAIコアインテリジェンスのような確率論的システムで進む場合と、決定論的ハーネスシステムで圧縮化を行う場合では真実です。
もしこれを経験し、実験を自分自身で行い、私が話していたことについて感覚を持たなければ、素晴らしい。そして次のレベルに持っていってください。なぜなら、これを自己学習システム実装として持ちたいからです。そして今、問題が本当に始まります。
これらが私の脳内にある2つの画像、現在起きていることについての私の理解です。そしておそらく、私は脳内のこの1つの中心的な可視化にしがみついているのかもしれません。
しかし、理論物理学における量子コンピューティングで現在抱えている問題、美しい量子ビットアレイとその周囲に構築された量子エラー訂正多様体を持つフォールトトレラントな量子アーキテクチャでの問題を見てください。そしてコンピューターサイエンスにおける人工知能実装、産業AI実装での現在抱えている問題を見てください。産業パートナーやクライアント、エンタープライズに対して、その周囲に足場を構築したためにこのシステムを信頼できることを示さなければならず、これは決定論的な足場です。
決定論的足場の実行も確率分布に基づいているという真実を知っています。しかし、これは専門家だけのものです。ですから、これが私たちがどこにいるかについての私の現在の理解状態です。
McKinsey報告との比較とベンチマーク
しかし知っているでしょう、科学者として、もちろん私は自分のアイデアを他のアイデアに対してベンチマークしなければなりません。ですから幸運なことに、私はここで私のプレゼンテーションを終えるところで発見しました。「誰に対して自分をベンチマークできるだろう?」と言いました。
McKinseyがAIについて、産業AIについて、数日前に新しい報告を発表したことを発見しました。2026年3月25日、McKinsey、ここにあります、2026年のAI信頼の状態。そして私は言いました。「なんて素晴らしいトピックなんだ、突然ここでMcKinseyとビッグ4がAI信頼の産業界でのトピックを気にかけているとは。どうやら重要性があるようだ」と。
この研究の1つの引用だけ、自分で見てください。AI適応が成長するにつれて、McKinseyは教えてくれます。産業セクターでMcKinseyが尋ねた回答者の74%が、不正確さを高度に関連するリスクとして特定しています。
ですから、産業界は現在のAIシステムの問題が正確に何であるかを多かれ少なかれ理解しているということです。そして今、問いは、OpenAIやAnthropicのこれらのIPOで、彼らが今やコアAIインテリジェンスの周囲に構築しているこの美しい足場、スキルMD、数千のスキルマークダウンファイルなどの決定論的システムで。そして確率論的システムの複雑性を飼い馴らそうとしている、本当に新しいアイデアを思いつくという美しさを持つシステムを。
これが産業界、産業パートナーにAIへのより多くの投資を説得し、それによってこれらのIPOおよびポストIPO企業に収益を提供できるでしょうか?これがここでの1,000ドルの質問です。
コンサルタントでさえもこれを解決しようとしているのを見るのは絶対に魅力的です。そして報告を読めば、彼らがまったく異なる視点から来ていることがわかるでしょう。私のフレーミングはここで科学的事実により基づいており、彼らはマーケティングやマネジメントなどで進んでいます。しかし、私たちが多かれ少なかれ同じ結論に至っているのは興味深いです。
本質的な問いと今後の方向性
絶対的に本質的な産業的決定においてAIシステムを信頼できるでしょうか?あるいは直面するリスクは何でしょうか?そしてこれはここで現在、完全に非決定論的なシステムである何かです。
ですから、私は自問します。AIコア自体のインテリジェンスにもっと焦点を当てることができるでしょうか?この、そう、竹の足場をほどき始めることができるでしょうか?私はアジアにいて、建設セクターが竹で超高層ビルを建てる方法に驚きました。ゴージャスです。これを見なければなりません。
これが私にインスピレーションを与えて、9割9分でこの画像を作成しました。しかし足場を開くことができるでしょうか?AIシステムのこのカオス的インテリジェンスをもう少し出てこさせることができるでしょうか?これが私が絶対に興味を持っていることです。
AIシステムのインテリジェンスをより多くの足場で制限することには興味がありません。産業界にすべてのこれらのAIシステムが安全だと欺くために。それらは安全ではありません。100%信頼できるものではありません。私たちはまだそこにいません。そしてAIシステムの将来のコアが量子コンピューティングシステムになると考えるなら、それについて笑うことしかできません。
ですから、前回のビデオで、研究がないことをお見せしました。これが美しさだと思います。今や本当に教師ありファインチューニング、強化学習を構築できます。そしてこのコアAIの周囲に最後の恐怖としてテスト時スキャフォールドを構築します。
AIコアの強化と知的能力の回帰
そしてこれを行い、このビデオでお見せしたように、わずか40億のモデル、40億の事前訓練パラメータ、LLMの小さな、小さな何でもないもの。特定のドメイン知識のためにここで訓練すれば、Gemini 3モデル、Gemini 3 Proモデルをここで明らかにするでしょう。なぜなら、すべての情報、すべての知識、すべての洞察、すべての手続き的ノウハウをここに戻す正しい道を進んでいるからです、私たちのAIの中央インテリジェンスに。
ハーネス球体の周囲に分散させるのではなく、ここでの訓練のためにより多くのお金を投資する道を進み、ここでAIシステムのインテリジェントを増加させることができます。
しかしハルシネーションのリスクがまだそこにあることを知り、複雑性が完全に飼い馴らされていないことを知り、より良いAIシステムの開発のためにこれにどうにか対処しなければなりません。
しかし、これは単なるステップだと思います。「さあ、これを止めよう。その周囲にこのハーネスを構築しよう」と言うのは。コア問題に本当に焦点を当てなければならないと思います。そしてこれがAIシステム自体をより信頼性が高く、より信頼でき、より高性能にする方法です。
これらが私の考えです。少し楽しんでいただけたことを願います。おそらく私のアイデアについて笑うことができたかもしれません。あるいは「これは私が見る方法とは完全に違う」と言うかもしれません。コメントを残してください。次のビデオでお会いできれば素晴らしいです。
コメント