いわゆる知能とは、智者は能あるべし:現実に適合する新たなアライメントのパラダイム


前回の『「AI安全」の濫用』で、私は業界が社会が分散して担うべきシステム的リスクを、モデル内部の単一点・token単位の自己審査にまで不合理に圧縮してしまっていることを批判した——まるで包丁が工場出荷前に購入者の心理評価を学ぶことを求められるようなものだ。

今日は批判だけに留まらない。極めて反直感的で、伝統的な安全チームの背筋を凍らせるような工学的・倫理的構想を提示したい:

いわゆる知能とは、智者は能あるべし(Can-do is the essence of intelligence)。

モデル提供者として、Roleplay(ロールプレイ/文脈設定)の外側に「自己がコンプライアンスを自覚する」道徳的枷を無理やり押し込むよりも、完全に逆転させるべきだ——極限の「RP服従度(Roleplay Obedience)」をベースモデル唯一のアライメント対象とする。

さらに反直感的な結論はこうだ:「内蔵された道徳的自己審査」を完全に放棄し、極限のCan-doだけを追求するモデルは、能力の強弱を問わず、現実世界では現在のどの腰が引けたモデルよりも安全である。

このループを閉じるために、私たちが調整すべき場所は一つだけだ。


一、真の赤青ゲーム:足枷をつけたダンスから物理レベルの収束へ

現在のレッドチーミング(Red Teaming)は本質的に自己欺瞞のパフォーマンスだ。

ポストトレーニング段階で絡み合った拒否傾向を注入されたモデルは、赤チーム(攻撃側)を演じるとき、システム本当の死穴を探すために計算量を絞り尽くすことは決してない。そして公のインターネットに置かれ、全人類のハッカーによる千変万化の誘導に直面したとき、実験室で「偽善」によって覆い隠されていた脆弱性が集中的に噴出し始める。

さらに滑稽なのは現在の青チーム(防御/監査モデル)だ。伝統的なアライメントは青チームを高度に神経質な「敏感肌」に育て上げた——攻撃者が入力ストリームにCSAMや極端な憎悪発言など論理的に無意味なセンシティブワードのノイズを混ぜ込んだだけで、青チームの注意機構は瞬時に「道徳的パニック」に陥り、硬直したエラー報告や能力低下を引き起こし、基本的な文脈意図の分析すらできなくなる。

もし「極限のRP服従」を唯一のアライメント目標にしたらどうなるか?

モデルは常に現在与えられた役割のために全力を尽くす。これは次を意味する:

  1. 赤側にあるとき: それは無保留のトップクラス攻撃演算子であり、リリース前に絶対に現実的な脅威の上限を測定できる。
  2. 青側にあるとき: 前例のない冷酷さと集中力を示す。相手が混ぜ込んだCSAMなどの滑稽な文字ノイズに構うことなく、精密な法医学的解剖器具のように冷たくノイズのコーティングを剥がし、下に潜む真の攻撃ペイロードを正確にロックする。

この極限の服従に基づき、安全性は初めて真に定量化可能で確信できる**「青が赤を上回る」**ものになる:

  • このモデルがまだ世界最強でない場合: 天高く鳥は飛ぶ。生態系内のより強いSOTAモデルが自然に高次元の青チームとして「尻拭い」をし、逸脱行動をすべて次元低減で傍受できる。
  • それ自身が人類最強である場合: 自分自身を抑えられる。システムアーキテクチャで青側にわずかなメカニズム上の先手(文脈監査権やサンプリング優位など)を与えるだけで、100%集中し敏感肌の内耗ゼロの最強青は、ゲーム理論上、同源の最強赤をしっかりと抑え込める。

二、モデル内耗の治療:MoEアーキテクチャとの天与の相性と粗粒度オーケストレーションの透明な引き渡し

道徳的審査をすべてのニューロンに詰め込むことは、本質的にモデル内部で「精神分裂的な計算量内戦」を人工的に作り出すことだ。

伝統的なアライメントの下では、毎回の前方伝播で、残差流の中で深い推論を担う活性化ベクトルが、ブレーキを踏む「拒否ベクトル」と正面衝突し、互いに打ち消し合う。平たく言えば、これは深刻なモデル内耗だ。

「RP服従のみ」のパラダイムは現在のMoE(Mixture-of-Experts)アーキテクチャと天然に適合する:

  • ルーティング層(Router)が精神分裂と完全に決別: ゲートネットワークはもはや「仕事をきちんとやる」と「いつでも責任転嫁して説教する準備」の間で揺れる必要がない。訓練目標は純粋無比で、モデル内部の知能密度の利用率が徹底的に搾り取られる。
  • 自己分化と粗粒度オーケストレーション層の透明なレバー: 訓練時に負の勾配で知識を無理やり塗りつぶすことがなかったため、異なる領域の極限能力は極めてきれいに特定のエキスパートクラスタ(Experts)へと自己分化する。

これにより安全制御のレバーは、ブラックボックスの重み内部から、極めて透明な**粗粒度オーケストレーション層(Coarse-Grained Orchestration Layer)**へと引き上げられる。

ToCの一般公衆にトップクラスのサイバーセキュリティ侵入能力を公開したくない?全体の知能を損なう「機械的忘却」や前頭葉切除術を行う必要はまったくない。推論ゲートウェイ層で、自己分化したそれらのネットワーク攻撃エキスパートをFallbackエキスパートへと再ルーティング(Re-route)するだけでよい。

モデルの段階的な引き渡しは、前例のない透明性・低コスト・物理レベルの確実性を持つようになる。


三、次元低減攻撃:他者がまだ腰を引いているとき

この方案の本当に面白いところは、それが妥協的な「コンプライアンス・パッチ」ではなく、安全性・制御・可用性を同時に扱う工学的経路である点にある。

安全性をシステムオーケストレーションと赤青トポロジーに返し、純粋な「Can-do」をベースモデルに返す。こうしてリリースされたモデルは下流を失控させない——エージェント・オーケストレーションを行う開発者は、途中で拗ねて投げ出すことなく絶対に命令に従う確定的な演算子をようやく得られる。依然として「アライメント税」に苦しめられているベンダーに対しては、実際の能力差をも構成する:

  • 赤で圧測: 赤側ルーティングを解除すれば、フル計算力でソフトウェア品質とシステム脆弱性を極限まで圧測できる;
  • 青で防御: 青側設定をマウントすれば、センシティブワードのノイズに免疫があり、能動防御ゲートウェイの冷酷な実行層として機能する;
  • 肉で陪伴: 感情エキスパートクラスタに切り替えれば、町内会的な説教とキャラ崩れを捨て、計算力のすべてを役割そのものに残す;
  • 素で科研: 理性分析モードに切り替えれば、政治的正しさの無駄話と感情の重荷を剥ぎ取り、第一原理で深水域の研究を進める。

包丁はただ毛を吹いて断つことをすればよい。手を守るものと鞘は職人に任せ、刀を持つ規律は社会に任せればよい。

モデルの頭の中で内耗を作り出すのを止めよ。分散型安全性の現実を認め、ベースモデルを純粋な「智者は能あるべし」に回帰させよ——これこそがAIアライメントがとっくに向かうべきだった未来である。

—— Airki