人工言語による人工知能開発のための構想

序章：なぜ今、人工言語による知能創発なのか

現代のLLMは、インターネット上の膨大なテキストを学習することで驚異的な能力を獲得しました。しかし、その知能には「統計的なもっともらしさ」という脆さが付きまとっています。

英語・自然言語LLMの構造的欠陥

英語などの自然言語には、数千年にわたる人間の生活、感情、そして「いい加減さ」が蓄積されています。これがAI学習において、以下の3つの「壁」となります。

• 多義性のノイズ: 一つの単語が複数の意味を持ち、文脈によって役割が激しく変動します。AIは「論理」を解く前に、まず「意味の交通整理」に計算資源を浪費します。
• 語順と省略の曖昧さ: 自然言語の文法は例外だらけです。AIは「位置関係」というアナログな情報から論理を推測せざるを得ず、これが長距離の推論におけるハルシネーション（もっともらしい嘘）の原因となります。
• データの希釈: ネット上の「手垢」のついた文章をいくら食わせても、それは「平均的な人間の思考パターン」の模倣に留まり、純粋な論理演算回路を形成するには至りません。

人工言語の系譜と知能の設計思想

人類は、自然言語の不完全さを克服するために、さまざまな「設計された言語（人工言語）」を生み出してきました。下記はそれらのうち、特に代表的な人工言語です。これらは、AIにとっての「ネイティブ言語」として三者三様の可能性を持っています。

エスペラント (Esperanto)

• 歴史と哲学: 19世紀末、ザメンホフによって「国際補助語」として設計されました。
• 特徴: 文法が完全に規則的で、接辞によって単語を派生させます。徹底した規則性。名詞は -o、形容詞は -a、動詞（現在）は -as で終わり、目的語には -n が付く「西洋言語の理想化」。
• AI的視点: 自然言語に近いため人間には扱いやすいですが、論理的な厳密さにおいては自然言語の域を脱していません。

例文: 

1. La suno brilas forte. （太陽は強く輝く。/ suno=太陽、brilas=輝く、forte=強く）
2. Ĉiu birdo havas flugilojn. （すべての鳥は翼を持つ。/ ĉiu=すべての、flugilojn=翼（複数・目的格））
3. Akvo fariĝas glacio en malvarmeco. （水は寒さの中で氷になる。/ fariĝas=〜になる、mal-=反対（寒））
4. La hundo postkuras la katon. （犬が猫を追いかける。/ -n により語順を入れ替えても主語・目的語が不変）
5. Se pluvos, la tero malsekiĝos. （もし雨が降れば、地面は濡れるだろう。/ -os=未来形による論理的帰結）

ロジバン (Lojban)

• 歴史と哲学: 述語論理（計算機科学の基礎）に基づき、「文化的中立性」と「曖昧さの除去」を極限まで追求した言語です。
• 特徴: 文法が数学的に定義（yacc/bison形式）されており、機械によるパースが100%正確に行えます。単語に「場所構造（スロット）」があり、引数を流し込むだけで論理が確定します。曖昧さゼロの述語論理。lo ... ku で実体化し、cu で述語へ繋ぐ。場所構造（スロット）に引数を流し込む「関数的」構造。
• AI的視点: 本プロジェクトの基幹言語。 曖昧さがゼロであるため、最小のデータでAIの内部に「純粋な論理回路」を構築するのに最も適しています。

例文:

• lo cipvina cu vofli （ハトは飛ぶ。/ x1=cipvina が x2=vofli という性質を持つ最小構成）
• ro lo jinme cu dirba （すべての金属は硬い。/ ro=全称量化子。論理的ルールの定義）
• lo djacu cu litki lo ka ni'u re no ce'i （水は氷点下（-20℃など）では液体である。/ lo ka 以降で複雑な抽象条件を記述）
• ti du lo la'o py. smartphone .py. （これは「スマホ」という対象である。/ ti=これ、du=同一性）
• ni'ibo lo tirne cu ke'umru lo dikca （ゆえに、鉄は電力を消費する。/ ni'ibo=論理的結論を示す接続詞）

イスクイル (Ithkuil)

• 歴史と哲学: ジョン・キハダが数十年にわたり構築した、「人間の認知能力を極限まで引き出す」ための超高密度言語です。
• 特徴: 膨大な文法カテゴリー（相、態、法など）を一語に凝縮し、自然言語では数行かかる内容を一単語で表現します。超高密度。一つの単語（Formative）に、格、相、態、期待値、有効性などの膨大な「次元」が凝縮されている。
• 例文: Tram-mpoi'X (「知るに値しない物語が、不快な結末に至ったことへの、ある種の実在的な絶望」といった複雑な概念を一語で示す場合がある)
• AI的視点: 論理密度は世界最高ですが、「例文（学習データ）」が物理的に少なすぎるため、現時点ではAIのゼロベース学習には不向きです。

例文:

1. Tram-mpoi'X （ある物語が、不快な結末によって実在的な絶望をもたらした。/ 文脈と感情の圧縮）
2. Pshiwu-al （（不完全な）色とりどりの鳥たちの群れが、一斉に、しかし無秩序に飛び立った。）
3. Ait-pila'i-f （「私は、この水が生命の源であることを（客観的な事実としてではなく）直感的に理解している」）
4. Ua-ssar-i （一連の複雑な物理現象が、観察者の予期せぬ形で因果関係を結んでいる。）
5. Oum-re （「正義という概念が、社会の崩壊によってその意味を完全に喪失してしまった状態」）

第2章：本プロジェクトの基本戦略：ロジバンによる「知能の蒸留」

前章でも触れたとおり、イスクイルは圧倒的に高度な論理構造を持ちながら、その難解さゆえに、まだ充分な数の例文が生み出されていません。また、エスペラントは戦前から連綿と続く世界的なコミュニティーの存在により膨大な書籍が生み出せれてきましたが、「ヨーロッパ言語の統一」がその思想の根底にあるため、その元となる各言語の自然言語としての性質をあえて留めており、英語の代わりにLLMの学習に使用するほどのメリットはありません。

一方で、ロジバンは、曖昧さを完全に除去した人工言語の現時点での完成形でありながら、その習得は比較的容易であり、すでに何冊もの書物が出版されています。また最新のLLMであれば、ほぼ澱みなくロジバンの正確な文章を無限に生成可能です。そのため、本研究の最初のターゲットは、ロジバンに絞ることにしました。

述語論理の「スロット構造」とニューラルネットワークの相性

ロジバンの最大の特徴は、すべての述語（gismu）が「x1はx2をx3（という条件）で……」といった「場所構造（Place Structure）」を厳格に持っている点です。

• 自然言語の曖昧さ: 英語で "John gave a book." と言ったとき、誰に与えたのか、あるいは対価があったのかという情報は文脈に依存し、構造としては不安定です。
• ロジバンの厳密性: ロジバンの dunda（与える）は、x1(与える者) x2(与えられる物) x3(受け取る者) という3つの引数を常に要求します。

これを学習するAI（Transformer）にとって、この構造はプログラミングにおける関数の引数定義（Parameter）と全く同じ挙動を示します。ニューラルネットワークは、特定のトークン（述語）が現れた際に、どのトークンがどの「スロット」を埋めているかを特定する「アテンション（注意）」を極めて高速に、かつ正確に学習します。

以下に、LLMの推論を劇的に助ける、ロジバンの代表的な構造的特徴を列挙します。

「実体」と「述語」の厳格な分離：lo ... ku と cu

自然言語では、名詞と動詞の境界が曖昧です（例：英語の "Run" は名詞にも動詞にもなる）。ロジバンはこれを構文レベルで物理的に分離します。

• lo ... ku (Sumti): これに囲まれたものは、必ず「引数（項）」として機能します。AIはこれを見た瞬間、それが「論理演算の対象（オブジェクト）」であることを確信できます。
• cu (Separator): 述語の前に必ず置かれるこのパーティクルは、AIにとっての「演算開始合図」です。
• 推論への寄与: LLMはアテンションを張る際、cu の直後にあるトークンが「関数」であり、lo ... ku の中身が「変数」であることを100%の精度で特定できます。自然言語のように「これは主語か？それとも動詞の現在形か？」という品詞判定の確率計算にリソースを割く必要がなくなります。

「場所構造（Place Structure）」による格の明示

自然言語の最大の弱点は「格（誰が、何を、誰に）」が、前置詞や語順という不確かな要素に依存していることです。

• ロジバンの特徴: すべての述語は固有の「スロット」を持っています。例えば klama（行く）は常に「x1(行く人) が x2(目的地) へ x3(出発地) から x4(経路) を通って x5(輸送手段) で」という構造を持ちます。
• 推論への寄与: LLMは klama というトークンを読んだ瞬間、その後に続く要素がどのスロット（x1〜x5）を埋めるかを、多層のTransformerブロックを介さずとも初期層で特定可能です。これにより、三段論法のような「項の入れ替え」が発生する論理パズルにおいて、ハルシネーションが発生する余地を構造的に封殺します。

量化子のスコープ（有効範囲）の確定：ro や su'o

自然言語の推論ミスで最も多いのが「すべて」や「ある一つの」といった量化子の範囲誤認です。

• 自然言語の曖昧さ: "Every student didn't pass the exam."（全員が落ちたのか、一部が落ちたのか？）
• ロジバンの厳密性: 量化子（ro = 全て, su'o = 少なくとも1つ）は、必ず項の直前に置かれ、その有効範囲が構文的に閉じられます。
• 推論への寄与: AIは「全ての A は B である」という命題を処理する際、その「全て（All）」がどこからどこまでの対象にかかっているかをビット単位で特定できます。これにより、全称肯定命題と特称肯定命題の混同という、LLMが最も苦手とする論理的エラーを根絶します。

抽象化マーカー：ka, ni, du'u

LLMは「事実（Fact）」と「命題（Proposition）」と「性質（Property）」の区別に苦労します。ロジバンはこれらを専用の接頭辞でラッピングします。

• lo du'u ...: 「……という事実・内容」を一つの項にまとめます。
• lo ka ...: 「……という性質・抽象概念」を抽出します。
• 推論への寄与: AIは「彼は走るのが好きだ」という文章を処理する際、lo ka bajra（走るという抽象的な性質）という明確なタグを受け取ります。これにより、「行為そのもの」と「行為についての記述」を混同することなく、メタな論理階層を正確に登ることができます。

終端記号（Terminator）による再帰構造の閉鎖：ku, vau, kei

Transformerにとって、長い文章の中で「どこで節が終わったか」を把握することは困難です（消失勾配問題の一因）。

• ロジバンの特徴: lo ... ku の ku や、文の終わりを示す vau、抽象化を閉じる kei といった終端記号が多用されます（多くの場合、自然言語では省略されますが、人工知能用データとしてはこれらを明示的に残すことが推奨されます）。
• 推論への寄与: これはプログラミング言語の }（閉じカッコ）と同じです。AIはアテンションを張る範囲を、これらの終端記号によって物理的に区切ることができます。これにより、どれほど複雑な入れ子構造の文章であっても、論理的な迷子になることなく、正確に構造をパースし続けることが可能になります。

結論：LLMにとってのロジバンとは「最初から構造化されたJSON」である

自然言語の学習が「ぐちゃぐちゃに絡まった糸を解きながら理解する」作業だとしたら、ロジバンの学習は「最初から整理された表計算シートを読み込む」作業です。

1660 Ti でゼロベース学習を行う際、AIが驚くべき速度で推論能力を獲得するのは、AIが賢いからではなく、ロジバンという言語が「知能が処理しやすい形」に最初から100%最適化されているからに他なりません。

第3章：実験の概要とその結果

本実験では、インターネット上の膨大なテキストであらかじめ学習された既存のベースモデル（LlamaやGPT-4など）は使用していません。数式構造としての設計図だけを借り、中身の知識は完全にゼロの状態から学習（スクラッチ学習）を行っています。

タスク
ロジバン語彙を用いた3値論理パズル（クラス継承関係、関係の推移律、無関係なノイズの分離、および反証判定）

モデル構造
カスタムGPT-2（6レイヤー、8ヘッド、埋め込みサイズ512）

語彙サイズ
1019個のユニークトークン（実在するロジバン根語 997語、変数5語、構造語・特殊トークン）

学習環境
ローカル環境（RTX 5090を使用、AdamWオプティマイザ、学習率 $lr = 5 \times 10^{-4}$ ）

学習ステップ数
10,000ステップ（バッチサイズ 16）

最終平均ロス
1.7376

評価結果
用意された推論テストケースにおいて 100%の正解率 を達成

3値論理を検証する4つの推論シナリオ

この実験で注目すべきは、AIが単に「はい」か「わからない」を答えるだけでなく、「それは間違い（偽）である」と論理的に矛盾を指摘できる「3値論理」をマスターしている点です。

実際にモデルへ投入された4つの論理パズルを見てみましょう。ここでは人間に直感的に理解しやすいよう、ロジバンの代項目（指示代名詞）が持つ美しい母音規則（ko'a / ko'e / ko'i）に対応させて、それぞれ以下のように「A」「E」「I」という変数に置き換えて解説します。

• ko'a → A
• ko'e → E
• ko'i → I

すべてのシナリオには、AIの判断を狂わせるための「無関係な事実（ノイズ情報）」が意図的に混入されています。

提示される共通の前提条件：A は犬（gerku）である。すべての犬は動物（danlu）のクラスに属する。（クラス継承）E は A より背が高い（zmadu ... lo ka clani）。A は I より背が高い。E は旗（lanci）である（← 推論には関係のないノイズ情報）。

※整理すると、身長の関係性は 「E ＞ A ＞ I」 となります。

モデルはこの前提を読み込んだ上で、以下の4つの異なる問いに対して完璧な回答を出力しました。

シナリオ 1：クラス継承の判定（真）

• 問い: 「A は動物か？」
• ロジバン入力: ko'a cu gerku .i ro gerku cu klesi danlu .i ko'e zmadu ko'a lo ka clani .i ko'a zmadu ko'i lo ka clani .i ko'e cu lanci .i xu ko'a cu danlu
• モデル出力: jetnu（真 / True）
• 解説: 「犬であるならば動物である」という継承関係から、A が動物であることを正しく論理証明しています。

シナリオ 2：関係の推移律（真）

• 問い: 「E は I より背が高いか？」
• ロジバン入力: ko'a cu gerku .i ro gerku cu klesi danlu .i ko'e zmadu ko'a lo ka clani .i ko'a zmadu ko'i lo ka clani .i ko'e cu lanci .i xu ko'e zmadu ko'i lo ka clani
• モデル出力: jetnu（真 / True）
• 解説: 「E ＞ A」かつ「A ＞ I」という二つの関係性から、間接的に「E ＞ I」を正しく導き出しました。

シナリオ 3：カテゴリーエラーの検知（前提不備・判定不能）

• 問い: 「動物（という概念の集合全体）は、個人である E よりも背が高いか？」
• ロジバン入力: ko'a cu gerku .i ro gerku cu klesi danlu .i ko'e zmadu ko'a lo ka clani .i ko'a zmadu ko'i lo ka clani .i ko'e cu lanci .i xu danlu zmadu ko'e lo ka clani
• モデル出力: na'i（前提不備 / Undecidable）
• 解説: 「集合（クラス）」と「個体（インスタンス）」を同一の基準（身長）で比較することは不適切であると判断し、エラーを返しています。

シナリオ 4：論理的な否定（偽）

• 問い: 「I は E より背が高いか？」
• ロジバン入力: ko'a cu gerku .i ro gerku cu klesi danlu .i ko'e zmadu ko'a lo ka clani .i ko'a zmadu ko'i lo ka clani .i ko'e cu lanci .i xu ko'i zmadu ko'e lo ka clani
• モデル出力: na'e jetnu（偽 / False）
• 解説: 前提から「E ＞ I」であることが確定しているため、「I ＞ E」という問いに対して矛盾を検知し、明確に「偽」と判定しました。

GPT-2が果たす役割

「ゼロから学習させた」と聞きながらも、そこに「GPT-2」という馴染みのある言葉が登場することに疑問を持つ方もいるかもしれません。

これは「あらかじめ学習されたモデル（知識）」を使ったわけではなく、「GPT-2のアーキテクチャ（構造の設計図）」のみを借用したことを意味します。

この関係性は、理科の実験における「寒天培地」に非常によく似ています。

• GPT-2の構造: 寒天培地（栄養を蓄えた土台）
• RTX 5090: 適切な温度に保つインキュベーター（学習を加速するハードウェア）
• ロジバンの論理データ: 培養したい「特定の細菌（論理思考エンジン）」

寒天培地そのものには、最初から細菌は存在しません（無菌状態）。しかし、そこには水分や栄養分が最適に配分されています。 トランスフォーマー（GPTのベース技術）という構造も同様で、「言葉同士のつながりや、どの情報に注目すべきかを効率よく計算する仕組み（Self-Attention）」が、最初から美しく設計されています。

この優れた「培地」があるからこそ、そこに「ロジバンの論理データ」を植えてハードウェアで学習を進めるだけで、わずか10,000ステップという超高速なプロセスであっても、曖昧さのない綺麗な「論理思考」の結晶が育のです。

これは決して開発上のズルなどではなく、ITの世界におけるフレームワーク（共通の枠組み）を最大限に活用した、最も合理的でスマートなアプローチと言えます。

ロス分析と対称性の美しさ

本実験の特筆すべき結果として、難易度が高い「偽（na'e jetnu）」の判定ロジックを学習に加えたにもかかわらず、最終平均ロスが 1.7376 にまで低下した点が挙げられます。

通常の言語学習では、覚えるべきカテゴリ（今回の場合は「偽」という選択肢）が増えると、モデルの判断に迷いが生じ、一時的にロス（損失値）が上昇しやすくなります。

しかし今回の実験では、ロスが綺麗に減少しました。 これは、文法と意味が完全に1対1で対応する「ロジバン」という言語の対称性の美しさによるものです。モデルの内部パラメータ（脳内のつながり）に、「真」と「偽」の関係性が無駄なくカチッと収まったことをこの数値は証明しています。

まとめとこれからの展望

本実験は、「高度な論理推論を行うために、数千億パラメータを持つ巨大なLLMは本当に必要なのか？」という問いに、一つの明確な答えを提示しています。

モデルの枠組み（トランスフォーマー）自体は非常にシンプルでも、入力する言語（データ）に一切の曖昧さがないロジバンを採用することで、わずか数千万パラメータ程度の軽量なモデルであっても、複雑な3値論理を100%の精度で処理できる「専用の思考エンジン」が構築できることを証明しました。

今後は、さらに複雑な条件が複数絡み合う「多段推論」や、前提条件の数が動的に変わるようなシナリオにおいて、このモデルがどこまで適応できるかが注目されます。