統治付き意思決定科学としてのAgentic R&D: 速度・品質・責任を両立する6研究領域

要旨

AI ガバナンスの中心的な課題は、基本的なアーキテクチャの革新がなければ、スピード、品質、責任の維持を同時に最適化することはできないというトリレンマです。現在のガバナンス システムは、3 つ目を犠牲にして 2 つを選択しています。つまり、高速で責任のあるシステムは品質を犠牲にし、高品質で高速なシステムは説明責任を損ない、責任のある品質のシステムは許容できない待ち時間をもたらします。この論文は、トリレンマを解決するには、ガバナンスの改善を管理された研究プログラムとして扱う必要があると主張しています。これは、すべての実験、仮説、採用決定が、最適化を目指す同じフェールクローズドゲートインフラストラクチャを通過するエージェントティック研究開発システムです。

トリレンマ軸に沿って整理された 6 つの数学研究のフロンティアを紹介します。 速度の場合: (1) 証明可能な偽許容限界を備えた多層フィルタリングを適用する階層的投機的意思決定パイプライン、および (2) 依存関係グラフを活用してサブリニアな再評価の複雑さを実現する増分マルチユニバース評価エンジン。 品質の場合: (3) 遅延フィードバック環境での誤った因果学習を防止する外部ラグ モデリングを使用した信念調整ループ、および (4) ガバナンスの障害による宇宙間の矛盾を品質シグナルに変換する競合認識品質改善ループ。 責任保持の場合: (5) フェールクローズ シールドの下で動作する制約付き多目的強化学習フレームワーク、および (6) 承認ログを調整されたログに変換する人間参加型強化学習システム責任報酬シグナル。

各フロンティアについて、正式な問題ステートメント、証明または証明スケッチを含む数学的モデル、収束条件、および MARIA OS 実装への明示的なマッピングを提供します。次に、研究ユニバースを設計します。これは、4 レベルのゲート ポリシー (RG0 ～ RG3) を備えた 4 つのゾーン構造 (仮説、シミュレーション、評価、ポリシー サンドボックス) を通じて独自の研究活動を管理する MARIA 座標系内のファーストクラス ユニバースです。 4 つのハイブリッド ヒューマン エージェント研究所の Research Decision Graph スキーマ、データベース設計、イベント アーキテクチャ、およびエージェント チームの構成を紹介します。この論文は、6 か月の研究ロードマップ、KPI の定義、そしてこのアーキテクチャがガバナンス製品を判断科学機関、つまり単に意思決定システムを構築するだけでなく、意思決定の数学的基礎を進歩させる組織に変えるという主張で締めくくられています。自体。

1. はじめに: ガバナンスのトリレンマ

すべての意思決定システムは根本的なトリレンマに直面しています。スピード — どれくらい早く意思決定を評価して実行できるか?品質 — ゲートは、許可されるべきアクションとブロックされるべきアクションをどの程度正確に区別しますか?責任 — 自動化が増加しても、結果に対する説明責任は特定可能な関係者にしっかりと課せられるでしょうか?これら 3 つの目的は独立したものではありません。これらはゲート評価アーキテクチャを通じて結合されており、通常、一方を改善するともう一方が低下します。

結合メカニズムを考えてみましょう。 速度と品質の結合: ゲート評価を高速化するには、より単純なモデルが必要ですが、リスク評価の精度が低くなります。ヒューリスティック フィルターを使用して 50 ミリ秒で評価するゲートは、完全なマルチ ユニバース競合分析を使用して 2 秒で評価するゲートよりも、必然的にフォールス許容率とフォールス ブロック率が高くなります。 品質と責任の結合: より高品質なゲートの決定には、より豊富な証拠バンドルとより包括的な競合検出が必要であり、その結果、より多くのデータ アクセス、より多くの計算、より複雑な監査証跡が必要になります。これらすべてにより、ゲート自体がエラーを起こした場合に責任を特定することが難しくなります。 責任と速度の結合: 責任ロックを維持するには、重要な意思決定ノードで人間の介入が必要であり、人間の応答時間に比例した待ち時間が発生します。

トリレンマに対する従来の対応は、トレードオフを受け入れること、つまり 2 つの軸を選択し、3 つ目の軸を犠牲にすることです。 MARIA OS はこの妥協を拒否します。この論文の主張は、トリレンマは解決可能であるが、インクリメンタルエンジニアリングでは解決できないということです。それには、研究、つまり意思決定の評価、信念の力学、対立メカニズム、ガバナンスの制約下での学習の構造的特性についての数学的研究が必要です。そして重要なことは、その研究自体が、研究するのと同じ原則によって管理されなければならないということです。

これにより、再帰的な構造が作成されます。ガバナンス OS は、独自のガバナンス インフラストラクチャを使用して、ガバナンスを向上させる研究を管理します。これは循環論法ではありません。これは 自己参照アーキテクチャ です。オペレーティング システムが独自のソース コードをコンパイルできるようにするもの、正式な検証システムが独自の正しさを検証できるようにするもの、科学機関が独自の方法論を研究できるようにするものと同じパターンです。セクション 8 で定式化された Research Universe は、この自己参照構造を具体的に実装します。

1.1 これが製品開発ではない理由

この文書で紹介されている 6 つのフロンティアは、製品の機能ではありません。これらは、未解決の数学的疑問、仮定ではなく証明する必要がある収束条件、展開前に特徴付けする必要がある故障モードを伴う研究問題です。製品開発では既知のアーキテクチャが最適化されるのに対し、研究では新しいアーキテクチャが発見されるため、この区別は重要です。製品開発は、ガント チャートとスプリント サイクルを使用してスケジュールできます。研究には、仮説の策定、実験計画、統計的評価、そして効果のないアプローチを捨てる知的な誠実さが必要です。

実際的な意味は組織的なものです。これらのフロンティアを構築するには、製品会社に組み込まれた研究組織、より正確には、ガバナンス OS に組み込まれた研究ユニバースが必要です。セクション 9 で説明されている 4 つのエージェントと人間のチームはエンジニアリング部隊ではありません。これらは、明確な仮説、実験プロトコル、評価基準、採用ゲートを備えた研究機関です。

1.2 エンジニアおよび投資家向け

この文書は 2 人の読者に同時に提供します。 MARIA OS を実装または拡張する エンジニア 向けに、数学モデル、収束証明、データベース スキーマ、API コントラクトを含む 6 つの新しいサブシステムの正式な仕様を提供します。各研究フロンティアは、明確に定義された入力、出力、およびパフォーマンス目標を持つ実装可能なコンポーネントに直接マッピングされます。 MARIA OS プラットフォームを評価する 投資家にとって、理論的堀、つまり、再現するために深い数学的専門知識を必要とする 6 つの研究プログラム、自己改善を通じて競争上の優位性を高める自己参照アーキテクチャ、および競合プラットフォームを悩ませる壊滅的な失敗 (RL の暴走、偽りの信念の更新、監査されていないモデルの変更) を防ぐ研究ガバナンス構造を提供します。数学的な深さとガバナンスの規律の組み合わせが、定義的なものであると私たちは主張します。判断科学機関の特徴。

1.3 紙の構造

セクション 2 ～ 3 では、速度軸、つまり階層的投機パイプライン (セクション 2) と増分マルチユニバース評価 (セクション 3) について説明します。セクション 4 ～ 5 では品質軸、つまりラグ モデリングによる信念の調整 (セクション 4) と競合を意識した品質ループ (セクション 5) について説明します。セクション 6 ～ 7 では責任軸、つまり制約付き多目的 RL (セクション 6) と人間参加型 RL (セクション 7) について説明します。セクション 8 では、Research Universe アーキテクチャを紹介します。セクション 9 では、エージェント チームの設計について詳しく説明します。セクション 10 では、研究ロードマップと KPI を示します。セクション 11 では、この分野への影響について説明します。

2. 研究フロンティア 1: 階層的投機的意思決定パイプライン

2.1 問題の記述

現在の MARIA ゲート評価パイプラインは、完全なマルチ ユニバース評価を通じて提案されたすべてのアクションを処理します。すべての N ユニバースが評価され、競合スコアがペアごとに計算され、証拠バンドルが組み立てられ、MAX ゲート関数が最終的な GateScore を生成します。 N 個のユニバースを持つシステムの場合、O(N²) 個のペアごとの競合評価と O(N) 個の個別ユニバース評価が必要です。組織が拡大し、新しい事業単位、規制ドメイン、地理的地域用のユニバースを追加すると、最悪の場合、評価の待ち時間は二次関数的に増加します。

研究課題は次のとおりです。意思決定を複数の段階で評価して、誤認許容ゼロの保証を維持しながら、安全であると証明されたアクションが完全な評価なしで初期層を通過できるようにすることはできるでしょうか?

2.2 アーキテクチャ: 3 層の投機的評価

私たちは、CPU アーキテクチャにおける投機的実行にヒントを得た 3 層の階層パイプラインを提案します。このパイプラインでは、プロセッサは、命令が必要かどうかを知る前に命令の実行を開始し、分岐予測が失敗した場合は投機的結果を破棄します。

レイヤー 1: 高速ヒューリスティック フィルター (L₁)。 軽量の近似モデルは、アクションを 3 つのカテゴリに分類します: ALLOW 候補 (安全性の高い信頼性)、BLOCK 候補 (危険性の高い信頼性)、および UNCERTAIN (より深い評価が必要)。このフィルターは、アクション カテゴリ、履歴リスク層、送信エージェントの信頼スコア、および基本的な制約チェックなどの縮小された機能セットを使用して、O(1) 時間で予備的な分類を生成します。

レイヤー 2: 部分ユニバース評価 (L2)。 UNCERTAIN アクションの場合、L2 はそのアクションによって影響を受ける可能性が最も高いユニバースのサブセットのみを評価します。ユニバースの選択では、事前に計算された類似性行列 A が使用されます。ここで、A_{ij} は、カテゴリ j のアクションがユニバース i に影響を与える過去の確率を測定します。 A_{ij} > τ_affinity を持つユニバースのみが評価され、計算量が O(N) から O(k) に削減されます。ここで、k は影響を受けるユニバースの数です。

レイヤー 3: 完全なゲート評価 (L₃)。 L₂ の後に不確実なままのアクション、または L₂ が潜在的な競合を検出したアクションの場合、L₃ は、完全な証拠バンドルのアセンブリとペアごとの競合計算を使用して、すべての N ユニバースにわたって完全な MAX ゲート評価を実行します。

2.3 数学的定式化

f: A → {ALLOW, BLOCK, PAUSE} を真のゲート評価関数 (完全な L₃ 評価) とします。 h₁: A → {ALLOW-candidate, BLOCK-candidate, UNCERTAIN} を L1 ヒューリスティック分類子とします。階層パイプラインの 不正許容率 を次のように定義します。

定理 2.1 (推測的安全性)。 L₁ ヒューリスティックが 保守的な安全条件を満たす場合:

その場合、L₂ の精度に関係なく、FAR_hier = 0 となります。

証明 パイプラインは、次の 3 つのケースでアクション a を許可します。 (1) L₁ は a を ALLOW 候補として分類し、それ以上の評価は行われません。 (2) L1 は a を UNCERTAIN として分類し、L2 は評価して許可します。または (3) L1 は a を UNCERTAIN として分類し、L2 は不確実で、L3 は評価して許可します。ケース (1) では、保守的な安全条件により、すべての ALLOW 候補に対して f(a) ≠ BLOCK が保証されます。 (2) と (3) の場合、評価は ALLOW を確認するか、定義により真の関数 f を計算する L₃ にエスカレートします。したがって、f(a) = BLOCK のアクションは決して許可されません。 ∎

重要な洞察は、安全性の保証は、BLOCK アクションに対する L₁ の偽陰性率が正確にゼロであることのみに依存するということです。つまり、ブロックされるべきすべてのアクションは、L₁ によって BLOCK 候補または UNCERTAIN として分類されなければなりません。 L₁ は高い誤検知率 (安全なアクションを不確実として分類) が発生する可能性がありますが、これは安全性を損なうことなく速度を低下させるだけです。

2.4 レイテンシ最小化のための最適なユニバース順序付け

L₂ がユニバースのサブセットを評価する場合、評価の順序が重要になります。最初に評価されたユニバースでブロック状態が明らかになった場合、残りの評価はスキップできます (早期終了)。予想される評価時間を最小限に抑える注文を求めます。

p_i をユニバース i がアクションのカテゴリに対してブロッキング評価を生成する確率とし、t_i をユニバース i の評価時間とします。 σ の順序付けに基づいて 予想されるレイテンシー を次のように定義します。

これは、先行するすべてのユニバース σ(1)、...、σ(j-1) がブロックを生成しなかった場合にのみ、ユニバース σ(j) が評価されるという事実を捉えています。

定理 2.2 (最適な評価順序付け)。 E[T_σ] を最小化する順序付けは 減少率順序 です。つまり、宇宙を p_i / t_i で降順に並べ替えます。つまり、単位評価時間あたりのブロッキング確率が最も高いユニバースを最初に評価します。

証明スケッチ。 これは、重み付き最短ジョブ優先スケジューリング問題の例です。順序付けにおいて、2 つの隣接するユニバース i と j を考慮します。順序を入れ替えることは、p_i / t_i > p_j / t_j の場合にのみ有益です。隣接スワップ引数により、グローバルに最適な順序付けは、有益な隣接スワップが存在しない順序であり、正確には p_i / t_i 順序が減少します。 ∎

この結果は実装に直接影響します。MARIA OS は各ユニバースの (p_i, t_i) の実行推定を維持し、過去のパフォーマンスに基づいて L2 評価を動的に並べ替えることができ、手動構成なしで最適なレイテンシに近づきます。

2.5 ヒューリスティックエラー限界とフェールクローズの互換性

保守的な安全条件 (定理 2.1) は厳しい要件です。L₁ は、真に危険なアクションを ALLOW 候補として分類してはなりません。実際には、これは、L₁ が危険の 下限推定量 でなければならないことを意味します。危険を過大評価する (安全な行動を UNCERTAIN としてマークする) ことはできますが、決して過小評価することはありません。

安全マージン パラメータ δ_safe を通じてこれを形式化します。

ここで、r̂(a) は L₁ のリスク推定値、τ_allow は許容しきい値です。マージン δ_safe は推定誤差を吸収します。 δ_safe ≥ max_a |r̂(a) - r(a)| の場合(最大推定誤差)、保守的な安全条件が成立します。実際には、δ_safe は等角予測間隔を使用して過去のデータから調整され、望ましいカバレッジ確率が保証されます。

フェイルクローズのプロパティは次の理由で保持されます。 (1) L1 ブロック候補はそれ以上の評価を行わずに直ちにブロックされます。 (2) L₁ 不確実なアクションは、より深い評価にエスカレートされます。 (3) すべての層で、評価失敗 (タイムアウト、エラー、あいまいさ) に対するデフォルトのアクションはブロックです。階層パイプラインは、L₃ だけでなく、すべてのレイヤーでフェールクローズされます。

3. Research Frontier 2: 多宇宙増分評価エンジン

3.1 問題の記述

ほとんどのユニバースが最後の評価から変更されていない場合、決定ごとにすべての N ユニバースを完全に再評価するのは無駄です。 1 つのユニバースのみがその制約、ポリシー、または状態を更新した場合、残りの N-1 評価は冗長になります。研究課題は次のとおりです: ユニバース間の依存構造を利用して最小の再評価セットを特定し、評価の複雑さを O(N) から O(k) (k ≪ N) に減らすことができますか?

3.2 ユニバース依存関係グラフ

ユニバース間の依存関係を有向グラフ G = (V, E) としてモデル化します。ここで、各頂点 v_i はユニバース i を表し、各有向エッジ (v_i, v_j) は、ユニバース i の変化がユニバース j の評価に影響を与える可能性があることを示します。エッジの重み w_{ij} は依存関係の強さを表します。

依存関係グラフは 3 つのソースから構築されます。(1) 明示的なポリシー参照 — ユニバース j のゲート ポリシーがユニバース i によって定義された制約を参照する場合。 (2) 歴史的相関 — ユニバース i の状態への変更が歴史的にユニバース j のゲートスコアの変化を引き起こした場合 (条件付き相互情報量によって測定)。 (3) 構造結合 — ユニバース i と j が MARIA 座標階層内のプラネット、ゾーン、またはエージェントを共有する場合。

3.3 最小限の再評価セット

ユニバース i での変更イベントが与えられた場合、最小再評価セット R(i) は、結果としてゲートスコアが変化する可能性があるすべてのユニバースのセットです。正式には:

ここで、ε は、影響が無視できるとみなされる伝播しきい値です。 R(i) は、G に対する有界幅優先探索を介して計算され、累積的な影響が ε を下回るパスを切り捨てます。

定理 3.1 (増分評価の正しさ) S_t を時間 t における完全なシステム状態とし、S_{t+1} がユニバース i でのみ S_t と異なるものとする。増分評価が R(i) 内のユニバースのみを再評価し、R(i) にないユニバースのキャッシュされたスコアを再利用する場合、結果として得られる GateScore は、誤差が ε によって制限されるまでの完全な再評価 GateScore と等しくなります。

証明スケッチ。 各宇宙 j ∉ R(i) は、(R(i) の構築により) ε で区切られた宇宙 i からの影響を受けます。宇宙 j からの個別の GateScore 摂動の最大値は ε · |ϕ_j| です。最大 N 個のユニバースを合計すると限界が得られます。 ε ≪ 1/N である実際の構成では、合計誤差はゲートしきい値 τ_allow および τ_block に比べて無視できます。 ∎

3.4 不変状態のスナップショット

インクリメンタル エンジンでは、ユニバースの評価が入力状態の決定論的な関数であることが必要です。これは 不変状態のスナップショット によって実現されます。各評価サイクルで、エンジンは各ユニバースの状態 (制約、ポリシー、アクティブな決定、エージェント構成) のバージョン管理されたスナップショットをキャプチャします。スナップショットは不変に保存されるため、スナップショットのバージョン比較に基づいてキャッシュを無効にすることができます。

スナップショット比較関数はユニバースごとに O(1) です。ユニバース j のスナップショット バージョンが最後の評価以降変更されていない場合、キャッシュされた GateScore 寄与率 ϕ_j は有効です。再評価が必要となるのは、バージョンが増加するユニバース (依存関係グラフによって最大で R(i) ユニバースに伝播される) だけです。

3.5 競合スコアの差分更新

競合関数 Conflict(a) = ⟨W, ReLU(−C)⟩ は、完全な相関行列 C に依存します。 C を最初から再計算するには、O(N²) 個のペア相関が必要です。宇宙 i の目的系列のみが変化する場合の差分更新式を導出する。

o_i^{new} を Universe i の更新された目的系列とする。更新された相関係数は次のとおりです。

これには、O(N) 回の再計算 (ユニバース i を含むユニバース ペアごとに 1 回) が必要です。 C の残りの O(N² − N) エントリは変更されません。更新された競合スコアは次のとおりです。

この差分更新により、O(N²) ではなく O(N) で競合が計算され、大規模なマルチユニバース展開にとって大幅な改善となります。

4. 研究フロンティア 3: 外部遅延モデリングによる信念校正ループ

4.1 問題の記述

制御と学習のダイナミクス (意思決定インテリジェンス理論の公理 5) は、観察された結果が意思決定の実行後すぐに到着すると仮定しています。実際には、外部の結果には大きな遅れが見られます。調達に関する決定の品質は商品が到着したとき (数週間後) にのみ明らかになり、戦略的な採用決定の影響は四半期にわたって具体化され、コンプライアンス ポリシーの有効性は次の監査サイクル中にのみ現れます。学習ループが、時間的不整合による誤った決定が結果の原因であると考えると、偽の因果関係を学習します。これを私たちはラグによる信念の腐敗と呼んでいます。

研究課題は次のとおりです。ガバナンス システムを不安定にすることなく、ラグ分布を明示的にモデル化し、それをベイズ信念の更新に組み込むことができるか?

4.2 遅れ分布モデル

各ユニバース U_i について、決定の実行と外部結果の観測の間の遅延を特徴付けるラグ分布パラメーター θ_i を維持します。遅れをガンマ分布としてモデル化します。

ここで、α_i は形状パラメータ (遅延の広がりを制御)、β_i はレート パラメータ (平均遅延を制御) です。ユニバース i の平均ラグは E[Lag_i] = α_i / β_i で、分散は Var[Lag_i] = α_i / β_i² です。ガンマ分布が選択されるのは、[0, ∞) でサポートされており、指数関数的 (α = 1) とピーク付き (α ≫ 1) の両方の遅延プロファイルを捉えるのに十分な柔軟性があり、ベイジアン フレームワークで共役事前分布があるためです。

ラグ パラメータ θ_i = (α_i, β_i) は履歴データから推定されます。既知の実行時間 t_exec と結果の観測時間 t_obs を持つユニバース i の過去の各決定について、観測されたラグは δ = t_obs − t_exec です。新しい観測値が到着すると、パラメータは最尤推定によって更新されます。

4.3 ラグを考慮したベイジアン信念の更新

観測値 y が与えられた場合の、ガバナンス パラメーター ψ (リスク推定値、ゲートしきい値、ユニバース信頼スコアなど) の標準ベイズ信念更新は次のとおりです。

遅れのある環境では、観測値 y_t は時刻 t に到着しますが、時刻 t − δ で行われた決定に対応します。ここで、δ は遅れ分布から引き出されます。 ラグを考慮した更新 は、観測結果を正しい過去の状態に帰属させます。

しかし、ψ は t − δ と t の間で変動した可能性があります。このドリフトをランダム ウォークとしてモデル化します。

現在の時刻 t における遅れを考慮した事後値は、順方向に伝播することによって取得されます。

ここで、P(ψ_t | ψ_{t−δ}) はランダム ウォークの遷移カーネルです。ガウス共役モデルの場合、この積分は閉じた形式の解を持ちます。

4.4 時間減衰の重み付け

古代の観察が不当な影響を及ぼさないようにするために、指数関数的な減衰の重みを導入します。

ここで、λ は減衰率です。遅れδが大きい観測値は事後更新での重みが小さくなります。時間差観測の有効な証拠の質は次のとおりです。

この減衰は、リスク低減項 κ · g_t · q_t を通じて制御学習ダイナミクスと相互作用します。ラグによって証拠の品質が低下すると、リスク低減が遅くなり、適応ゲート メカニズムがゲート強度を高めることでこれを補います。システムは手動介入なしで遅れを自動的に修正します。

4.5 安定性条件: 限定された信念のドリフト

遅れを意識した更新の重大な危険は、信念の暴走です。条件が現在とは異なる期間からの遅れた観測をシステムが大量に受け取ると、事後結果が現在の真実から劇的に遠ざかる可能性があります。 KL 発散限界を使用して安定条件を確立します。

定理 4.1 (境界のある信念の更新)。 ラグを認識した更新が制約を満たす場合:

すべての更新ステップで、T ステップにわたる累積信念ドリフトは制限されます。

証明 KL 発散の連鎖則と各ステップの制約により、合計発散望遠鏡: D_KL(P_T ‖ P_0) ≤ Σ_{t=1}^{T} D_KL(P_t ‖ P_{t-1}) ≤ T · ε_belief。 ∎

実際の実装では、更新の大きさを クランプすることでこの制限を強制します。単一の観測によって ε_belief を超える KL シフトが発生する場合、制約が満たされるまで観測は重み付けされます。これは、最適化における信頼領域法に相当します。システムは、事後信頼領域内に留まりながら、最大のステップを実行します。

4.6 フェールクローズ統合

ラグを認識するシステムは、フェールクローズの互換性を維持します。ラグ分布の分散（不確実な遅延）が大きい場合、時間的減衰の重みによって有効な証拠の品質が低下し、その結果、リスク推定値が増加し、より保守的なゲート評価がトリガーされます。ラグの不確実性が高い → 証拠の質が低い → GateScore が高い → ブロッキングが増加。情報のタイミングについて不確実性が高まると、システムは当然、より保守的になります。まさに、ガバナンス システムが示すべき動作です。

5. 研究フロンティア 4: 紛争を意識した品質向上ループ

5.1 問題の記述

衝突関数 Conflict(a) = ⟨W, ReLU(−C)⟩ は宇宙間の緊張を検出しますが、それは解決しません。競合の検出だけでも診断ツールになります。それは組織に緊張が存在する場所を知らせますが、それを軽減する方法は教えません。研究課題は次のとおりです。組織を適応的にする生産的な緊張を維持しながら、回避可能な競合を系統的に削減する品質改善ループへの入力として競合スコアを使用できるか?

回避可能な紛争と構造的な紛争を区別することが重要です。一部の競合は、整合性の取れていないポリシーや冗長な制約によって生じたものであり、損失なく削除できます。その他は、抑制するのではなく表面化すべき真のトレードオフ (例: 成長とリスク管理) を反映しています。改善ループでは、これら 2 つのタイプを区別する必要があります。

5.2 競合の蓄積とパターンマイニング

ループは、競合の多い決定を 競合レジスタ CR に蓄積することから始まります。 Conflict(d) > τ_conflict の各決定 d について、システムは、寄与する Universe ペア、衝突の大きさ、アクション カテゴリ、および結果を記録します。

CR を介したパターン マイニングにより、反復競合クラスター (特定のアクション カテゴリに対して高い競合を繰り返し生成するユニバース ペアのセット) が特定されます。形式的には、CR のユニバース ペア ディメンションに対して頻繁なアイテムセット マイニングを適用し、各競合レジスタ エントリを競合するユニバース ペアを含むトランザクションとして扱います。 τ_support を超えるサポートと τ_lift を超えるリフトを持つアイテムセットは、競合パターンとして識別されます。

5.3 回避可能な衝突と構造的な衝突の分類

識別された各競合パターン P について、統計的テストを使用して、それが回避可能または構造的であると分類します。 Q_resolved を、最終的に正常に完了したパターン P に一致する過去の決定 (結果 = 完了) のセットとし、Q_failed を失敗したか、無期限にブロックされたものとします。 解決率は次のとおりです。

分類ルール。 ResRate(P) > τ_resolve (例: 0.7) の場合、競合パターンは 回避可能 として分類されます。通常、組織はそれを解決する方法を見つけます。これは、競合が根本的なトレードオフではなく、プロセスの不整合による成果であることを示唆しています。 ResRate(P) ≤ τ_resolve の場合、競合は 構造的 として分類されます。組織は頻繁に競合を解決できず、排除するのではなく管理する必要がある真のトレードオフを示唆しています。

5.4 スコープ分割の最適化

回避可能な競合パターンの場合、ループは スコープ分割 を提案します。つまり、競合する懸念事項を独立した決定に分離する決定空間の変更です。形式的には、ユニバース U_i と U_j の間で回避可能な競合パターン P を引き起こす決定 d が与えられると、スコープ分割は d を次のようにサブ決定 d_i と d_j に分解します。

分解は、d のアクション記述のどのコンポーネントが各ユニバースの懸念に寄与しているかを分析することによって見つかります。 d に予算割り当て (主にユニバース U_finance に影響) と人員配置の変更 (主にユニバース U_hr に影響) の両方が含まれる場合、スコープ分割によりそれらが独立した決定に分割され、それぞれが関連するユニバース サブセットに対して評価されます。

これを最適化問題として形式化します。 x ∈ {0, 1}^m を、d の m アクション コンポーネントのサブ決定 d_1 (x_k = 1) または d_2 (x_k = 0) へのバイナリ割り当てとします。目的は次のとおりです。

m が小さい場合 (通常、企業の意思決定には 3 ～ 8 のアクション コンポーネントがあります)、これは列挙によって解決できます。 m が大きい場合、各コンポーネントを限界競合が少なくなるサブ決定に割り当てる貪欲なヒューリスティックを使用します。

5.5 品質への影響の測定

改善ループの有効性は、次の 2 つの指標によって測定されます。

ここで、FAR は不正許容率、FBR は不正ブロック率であり、各スコープ分割提案が採用される前後にスライディング ウィンドウで測定されます。この仮説は、回避可能な競合を減らすことで、FAR (競合する評価によって許容方向に傾く曖昧なゲートスコアが生成されるケースが少なくなる) と FBR (懸念が真のリスクではなくポリシーの不整合に基づいている場合に、単一ユニバースの高い懸念が MAX 演算子を介して集合的な評価を上書きするケースが少なくなる) の両方を減らすというものです。

6. Research Frontier 5: フェールクローズ下の制約付き多目的 RL

6.1 問題の記述

標準的な強化学習は、期待される累積報酬を最大化します。ガバナンスの文脈では、これは危険です。意思決定のスループットを最適化する RL エージェントは、ゲートを弱め、証拠要件を回避し、人間によるエスカレーションを回避することを学習します。これは、まさにガバナンス システムが防止するように設計されている動作です。研究課題は次のとおりです。フェイルクローズされたゲートを含むすべてのガバナンスの制約を確実に尊重しながら意思決定の質を向上させる RL フレームワークを設計できるか?

6.2 制約された MDP の定式化

この問題を 制約付きマルコフ決定プロセス (CMDP) として定式化します。状態空間 S は MultiUniverseState です。これは、現在のゲートスコア、競合レベル、証拠の品質、残留リスクを含む、すべてのユニバースの完全な状態です。アクション スペース A は、一連のポリシー提案、つまりゲートしきい値の変更、重み付け調整、証拠要件、およびエスカレーション パスです。報酬関数と制約は次のとおりです。

褒美：

ここで、 Δu_i(s, a) は、政策提案 a が状態 s に適用された場合のユニバース i の効用 (完了率、証拠の質、および決定精度の複合体) の変化であり、w_i はユニバースの重要度の重みです。

制約:

ここで、各 C_k はガバナンス制約をエンコードします。 (1) GateScore 違反が増加してはなりません: C_1 = ΔFalseAllowRate; (2) 責任シフトは制限されたままでなければなりません。 C_2 = RS(s') − ε_RS ここで、s' は後続状態です。 (3) ハード制約は決して弱めてはなりません: C_3 = max_j(ΔHardConstraintThreshold_j); (4) ゲート強度は、CRITICAL リスク層に対して低下してはなりません: C_4 = −Δg_CRITICAL。

6.3 ラグランジュ制約付き RL

ラグランジュ緩和アプローチを使用して CMDP を解きます。ラグランジアンは次のとおりです。

ここで、π はポリシー、λ = (λ_1, ..., λ_K) はラグランジュ乗数 (双変数)、γ は割引係数です。最適化は次の間で交互に行われます。

主要なステップ: 標準的なポリシー勾配法 (PPO、SAC など) を使用して、π に関して L(π, λ) を最大化します。

デュアル ステップ: 制約を適用するために λ を更新します。

ここで、η_λは双対学習率です。制約 k に違反すると (E_π[C_k] > 0)、対応する乗数 λ_k が増加し、将来の違反に対してポリシーにペナルティが課されます。制約が満たされると、λ_k はゼロに向かって減少します。

6.4 シールドされた RL: ゲートによる事前フィルタリング

追加の安全メカニズムとして、シールド RL を提案します。RL が提案したポリシー変更が適用される前に、変更は既存の MARIA ゲート インフラストラクチャを通過します。ゲートは、アクションとしてポリシー提案、コンテキストとして現在の MultiUniverseState、証拠品質として RL エージェントの信頼度を使用して、ポリシー変更を決定として評価します。

ゲートがポリシー変更をブロックすると、RL エージェントは大きな負の報酬信号を受信し、ゲート条件に違反する提案を回避するように学習します。これにより、2 層の安全システムが作成されます。ラグランジュ制約はソフト強制 (RL エージェントは制約を満たすことを学習します) を提供し、ゲートはハード強制 (制約違反の提案は物理的にブロックされます) を提供します。

定理 6.1 (シールドの安全性)。 シールドされた RL では、RL エージェントのポリシーに関係なく、システムはゲートによってブロックされるポリシー提案を実行しません。正式には、すべてのタイムステップ t およびすべてのポリシー π について、Gate(a_t) = BLOCK の場合、a_t はシステム状態に適用されません。

証拠。 シールドは、状態が適用される前にすべてのアクションを遮断します。 Gate(a_t) = BLOCK の場合、シールドは no-op アクションを代替し、状態は変更されません。 RL エージェントはブロックされた結果とペナルティ報酬を観察します。結果は、ゲートのフェイルクローズ特性から得られます。 ∎

6.5 サンドボックスの閉じ込め

すべての RL トレーニングは、サンドボックス環境 でのみ行われます。これは、本番環境の意思決定パイプラインから物理的に分離された MultiUniverseState の忠実なシミュレーションです。サンドボックスは、独自の状態、独自のゲート評価、および独自の結果シミュレーションを維持します。サンドボックスで良好なパフォーマンスを示したポリシー提案は変更提案ステージ (リサーチ ゲート ポリシーの RG2) に昇格され、本番展開の前に人間によるレビューが行われます。

サンドボックスは本番環境の近似値ではありません。これは、シミュレーションされた意思決定ストリームの下で前進して進化した、スナップショット ポイントでの運用状態の正確なレプリカです。サンドボックスの忠実度によって、学習されたポリシーの転送可能性が決まります。 状態発散メトリクスを使用してサンドボックスの忠実度を測定します。

ポリシーは、T タイムステップの検証ウィンドウにわたって D_sandbox < τ_fidelity の場合にのみ昇格の対象となります。

6.6 フェールクローズ時のコンバージェンス

重要な研究課題は、ラグランジュ RL が非常に制約された環境で収束するかどうかです。制約付き RL の標準収束保証には、スレーター条件、つまり厳密に実行可能なポリシーの存在が必要です。フェールクローズ環境では、実現可能な集合は非常に小さい可能性があり、スレーターの状態がかろうじて維持される可能性があります。

予想 6.1 (フェイルクローズド収束)。 ラグランジュ制約のあるシールド RL では、初期ポリシー π_0 が実現可能 (すべての制約を満たす) で、サンドボックス遷移ダイナミクスがリプシッツ連続である場合、主双対最適化は O(1/ε²) 回の反復内でローカル鞍点 (π, λ) に収束します。

この予想を厳密に証明すること、または予想が失敗する条件を特定することは、安全強化ラボ (セクション 9 のチーム D) の主な目標の 1 つです。障害モードを特徴付けることは、収束を証明するのと同じくらい重要です。制約された RL が機能しない時期を知ることは、安全でないポリシーが本番環境に到達するのを防ぐ導入ゲートを設定するために不可欠です。

7. Research Frontier 6: 責任キャリブレーションのための人間参加型 RL

7.1 問題の記述

責任を数値化するのは困難です。リスク (過去の故障率から推定できる) や品質 (ゲートの精度から測定できる) とは異なり、責任は、組織の規範、法的義務、文化的な期待を反映する社会的な構造です。責任シフト メトリック RS は数学的代用を提供しますが、そのパラメータ (I_i、R_i、h_i、g_i) は人間の判断に基づいて調整する必要があります。研究課題は次のとおりです。人間の承認と拒否のログは、責任保持ポリシーを学習するための報酬信号として機能する可能性がありますか?

7.2 報酬信号としての人間のフィードバック

人間の承認者が MARIA OS で決定をレビューするたびに、承認 (決定を続行する必要がある)、修正 (決定を変更して続行する必要がある)、拒否 (決定を続行すべきではない) の 3 つの結果のいずれかを生成します。各結果は、暗黙の責任情報をエンコードします。

• その後の競合が少なく、決定後のリスクが低い承認は、自動化が適切に調整されていることを示します。システムは、決定が自律的に実行しても安全であることを正確に識別し、人間がこの評価を確認しました。
• 拒否は、システムが決定のリスク、責任、または品質を誤って判断したことを示します。ガバナンス アーキテクチャは、人間が検出した問題を捕捉できませんでした。
• 変更は部分的に成功したことを示します。システムは、決定の見直しが必要であることを正しく認識しましたが、十分に洗練されたオプションを提供しませんでした。

これらの結果を報酬シグナルとしてエンコードします。

ここで、PostRisk(d) は、観察された決定後のリスク (決定のユニバースのラグ ウィンドウで測定) です。報酬は対立と事後リスクによって調整されます。高い対立やリスクにつながる承認は遡及的に報酬を減少させます（人間が間違いを犯した可能性があります）。一方、対立が高くリスクの高い決定の拒否は、強い否定的なシグナルを提供します。

7.3 信頼パラメータの学習

各ユニバース U_i について、RL エージェントは、そのユニバース内の意思決定の自動化レベルを調整する ポリシー信頼パラメータ τ_i ∈ [0, 1] を維持します。信頼パラメーター τ_i = 1 は、システムがユニバース i のポリシーが人間の判断で適切に調整されているという高い信頼を持っていることを意味します。 τ_i = 0 は、システムがユニバース i のすべての決定に対して人間によるレビューを必要とすることを意味します。

信頼パラメーターは、報酬シグナルの指数移動平均を使用して更新されます。

ここで、D_i^{(t)} は期間 t における宇宙 i の一連の決定、α は学習率です。クリップ機能は、ポジティブな報酬 (承認) のみが信頼の成長に寄与することを保証します。拒否は、直接のマイナスの寄与ではなく、移動平均の減衰によって信頼を低下させます。この非対称性により、責任ロックの公理と一致して、信頼は獲得するよりも失う方が簡単になります。

7.4 人間のバイアスの修正

人間の承認者は完全ではありません。これらは、十分に文書化されたバイアスを示しています。可用性バイアス (最近の失敗や記憶に残る失敗を過大評価する)、アンカリング バイアス (システムの推奨事項の影響を受ける)、自動化バイアス (ゴム印の AI 提案)、リスク回避バイアス (客観的には安全だがリスクを感じる決定を阻止する) です。 RL システムが人間の偏ったフィードバックを修正せずに学習すると、そのバイアスが増幅されてしまいます。

私たちは 3 つのバイアス緩和メカニズムを提案します。

メカニズム 1: 結果に対する調整。 各承認者について、システムは 承認精度スコア、つまり承認された決定のうち、成功した決定と失敗した決定の割合を維持します。一貫して精度が低い承認者は、フィードバックの重み付けが低くなります。

ここで、accuracy(h) は承認者 h の履歴精度であり、分母は母平均に正規化されます。

メカニズム 2: 不一致の検出。 複数の承認者が同様の決定をレビューし、矛盾する結果が生成された場合 (1 人が承認し、もう 1 人が拒否)、システムはシグナルを平均するのではなく、不一致にフラグを立てます。フラグが設定された決定は、より高い権限を持つ承認者が競合を解決するまで、RL 報酬の計算から除外されます。

メカニズム 3: 多様な例による少数ショット学習 RL エージェントは、低リスクで頻繁に承認される意思決定が大半を占める可能性がある生の承認ログではなく、リスク層、カテゴリー、結果の全範囲にわたる精選された意思決定のサブセットに基づいてトレーニングされます。これにより、エージェントは承認がデフォルトの結果であることを認識できなくなります。

7.5 責任報酬仮説

このフロンティアの中心的な研究課題は次のとおりです: 人間の承認は責任の正当な代用となるのでしょうか? 承認者が決定を承認した場合、それはその決定が責任を持って管理されることを意味しますか?それとも、承認者には承認を拒否する時間、情報、または傾向がなかったことを単に意味しているのでしょうか?

これを仮説検定として形式化します。 R_true(d) を意思決定 d の真の責任品質 (直接観察することはできません) とし、R_proxy(d) を承認ベースのプロキシとします。仮説は次のとおりです。

ここで、ρ_min は許容可能な最小相関関係 (たとえば、0.6) です。 R_proxy を増加させるポリシー変更によって RS (責任シフト メトリック) も減少するかどうかを測定することで、この仮説を間接的にテストします。存在する場合、プロキシは有益です。そうでない場合、プロキシはバイアスによって汚染されているため、改良する必要があります。

8. 研究宇宙のアーキテクチャ

8.1 設計原則: 自己参照ガバナンス

Research Universe は、研究対象と同じ意思決定インフラストラクチャを使用して独自の研究活動を管理する MARIA 座標系内のファーストクラスの Universe です。この自己参照構造は 3 つの目的を果たします。(1) 研究中のガバナンス改善のためのライブ テスト環境を提供します。 (2) 研究活動自体が監査可能、再現可能、および管理されることを保証します。 (3) 組織が説いていることを実践していることを投資家や規制当局に証明します。組織の内部調査は、顧客に販売しているのと同じ原則に基づいています。

Research Universe は専用の座標 G1.U_research を占めます。これには 4 つの惑星 (4 つの研究ゾーンに対応) が含まれており、それぞれにエージェント チームが割り当てられた特殊なゾーンが含まれています。

8.2 4ゾーン構造

仮説ゾーン (P1)。 このゾーンは、研究仮説の策定、改良、承認を管理します。すべての仮説は決定ノードです。リスク評価 (間違った仮説を追求するとどうなるか?)、証拠の束 (この仮説を裏付ける先行研究は何ですか?)、およびゲート評価 (この仮説は研究投資に値するか?) があります。このゾーンのエージェントには、プランナー エージェント (仮説分解)、リスク ノート エージェント (障害モード分析)、および成功基準エージェント (測定可能な結果の定義) が含まれます。

シミュレーション ゾーン (P2)。 このゾーンでは、すべての計算実験がサンドボックス環境で実行されます。このゾーンのエージェントは実稼働システムにアクセスできません。すべてのデータは合成または匿名化されています。エージェントには、合成データ エージェント (現実的なテスト データを生成)、モンテカルロ エージェント (確率的シミュレーションを実行)、および RL トレーナー エージェント (サンドボックス内で制約付き RL 実験を実行) が含まれます。すべてのサンドボックス実行は、完全な再現性メタデータ (ランダム シード、コンテナ イメージ ハッシュ、コード コミット参照、入力データ フィンガープリント) とともに記録されます。

評価ゾーン (P3)。 このゾーンは、事前に定義された成功基準に照らして実験結果を評価します。エージェントには、ベンチマーク エージェント (ベースラインに対するパフォーマンスを測定)、統計テスト エージェント (有意性についての仮説テストを実行)、および Regression Guard エージェント (あるメトリックの改善が他のメトリックの回帰を引き起こさないことを確認) が含まれます。すべての評価により、ベンチマーク レポート、統計テストの結果、回帰分析などの構造化された成果物が生成されます。

ポリシー サンドボックス ゾーン (P4)。 このゾーンは、研究結果の政策提案への変換を管理します。シミュレーション ゾーン (実験を実行する) とは異なり、ポリシー サンドボックス ゾーンは、変更されたゲートしきい値、新しい制約定義、更新されたユニバースの重みなど、運用変更の具体的な提案を生成します。エージェントには、Policy Proposer Agent (調査結果から提案を生成)、Gate Verifier Agent (過去の決定に照らして提案をテストして影響を見積もる)、Rollback Designer Agent (提案によって実稼働環境で予期しない動作が発生した場合に備えて安全なロールバック手順を設計) が含まれます。

8.3 リサーチ ゲート ポリシー (RG0 ～ RG3)

Research Universe は、研究の速度とガバナンスの完全性のバランスをとる 4 つのレベルのゲート ポリシーに基づいて運営されています。

RG0: 観察します。 許可されるアクション: ログの読み取り、レポートの生成、UI モックアップの構築。サンドボックスは必要ありません。人間の承認は必要ありません。証拠品質閾値: 0.40。このレベルでは、研究者とエージェントがガバナンスのオーバーヘッドなしで自由にデータを探索し、理解を構築することができます。

RG1: シミュレーション。 許可されるアクション: サンドボックス実験の実行、合成データの生成、モンテカルロ シミュレーションの実行、サンドボックスでの RL モデルのトレーニング。サンドボックスが必要です。人間の承認は必要ありません。証拠の質の閾値: 0.55。再現性メタデータは必須です。データ プライバシー層は P2 (機密) を超えてはなりません。このレベルでは、サンドボックスの安全な範囲内で迅速な実験が可能になります。

RG2: 変更提案。 許可されるアクション: ポリシー変更の提案、ゲートしきい値の変更の提案、パイプラインの再構築の提案。サンドボックスが必要です (提案は送信前にサンドボックスでテストする必要があります)。人間の承認が必要です。証拠の質の閾値: 0.65。競合スコアは 0.70 を超えてはなりません。ベンチマークとレポートのアーティファクトを含める必要があります。このレベルは、研究とガバナンスが出会う場所です。すべての提案は証拠によって正当化されなければならない決定です。

RG3: 運用への導入。 許可されるアクション: メイン ブランチへのプル リクエストの作成、ステージングへのデプロイ、運用ロールアウトのリクエスト。サンドボックスが必要です (完全な回帰テスト)。 3 人の必須レビュー担当者 (コア システム オーナー、ゲート オーナー、ランタイム オーナー) による人間の承認が必要です。証拠の質の閾値: 0.80。競合スコアは 0.50 を超えてはなりません。リスクバジェットを超えてはなりません。段階的なロールアウトが必要です。ベンチマーク、レポート、構成、およびグラフのアーティファクトを含める必要があります。これは最も高いゲート レベルであり、研究から本番環境への境界を越えることは、重要なガバナンス イベントとして扱われます。

重要な特性。 RG0 と RG1 は高速です。研究者は承認を待たずに反復処理できます。 RG2では人間による判断が導入されています。 RG3 は儀式であり、研究成果を本番環境に確実に提供するための、複数のレビュー担当者による意図的なプロセスです。この勾配は、安全性が確保されている場合 (サンドボックス) には速度を提供し、結果が取り消せない場合 (本番環境) には注意を提供します。

8.4 研究決定グラフ

すべての調査トラックは 意思決定グラフ (条件付きエッジで接続された意思決定ノードの有向非循環グラフ) としてモデル化されます。ノード タイプは研究ライフサイクルに直接マッピングされます。

HYPOTHESIS_NODE → DESIGN_NODE → RUN_NODE → EVALUATE_NODE → DECIDE_NODE → [ADOPT_NODE | DESIGN_NODE | END]

HYPOTHESIS_NODE: 仮説、成功基準、リスク評価、および範囲を確立します。ゲート: RG0 (仮説を提案するには観察レベルの証拠が十分です)。

DESIGN_NODE: 実験方法、データセット、プロトコル、評価計画を指定します。ゲート: RG1 (デザインはサンドボックスでシミュレート可能である必要があります)。

RUN_NODE: サンドボックスで実験を実行します。すべての実行は再現可能です。シード、コンテナ、コード参照は修正されています。ゲート: RG1 (サンドボックスの実行には人間の承認は必要ありませんが、記録する必要があります)。

EVALUATE_NODE: 成功基準に照らして結果を評価します。ベンチマーク アーティファクトを生成する必要があります。ゲート: RG0 (評価は観察活動です)。

DECIDE_NODE: 次のアクションを決定します。結果を採用する、実験を再設計する、アプローチを破棄する、範囲を分割する、または研究段階を変更する。ゲート: RG2 (研究の方向性に関する決定には人間の入力が必要です)。

ADOPT_NODE: 運用統合を提案します。ゲート: RG3 (採用は最も危険な研究上の決定です)。

グラフ構造により、すべての中間段階を通過せずに研究結果が製品化に至ることはありません。ショートカットはアーキテクチャ上不可能です。有効な遷移はグラフ スキーマにエンコードされ、ゲート ポリシーによって進行が強制されます。

8.5 データアーキテクチャ

Research Universe には 5 つのコア テーブルが必要です。

research_programs: 研究プログラム定義の不変のバージョン付きスナップショット (program_id、org_id、version、snapshot_json、created_at)。変更が行われるたびに新しいバージョンが作成され、研究プログラムがどのように進化したかの完全な履歴が保存されます。

research_decion_graphs: 研究意思決定グラフのバージョン管理されたスナップショット (graph_id、program_id、track_id、version、graph_json、created_at)。グラフ構造はコードではなくデータです。調査ワークフローへの変更は監査可能です。

sandbox_runs: すべてのサンドボックス実行の完全な記録 (run_id、experiment_id、seed、container_ref、code_ref、status、started_at、finished_at、artifacts_json)。再現性はスキーマ レベルで強制されます。

research_artifacts: すべての研究出力 (artifact_id、experiment_id、kind、uri、sha256、created_at)。 SHA-256 ハッシュにより、アーティファクトの整合性が保証されます。種類には、コード、レポート、ベンチマーク、ui_mock、データセット、構成、グラフが含まれます。

gate_results: 研究決定のゲート評価レコード (gate_result_id、scope_kind、scope_id、decision、gate_score、reason_json、created_at)。すべてのゲート評価 (許可されたものを含む) は監査のために記録されます。

8.6 監査と再生のためのイベント アーキテクチャ

Research Universe は、状態遷移ごとに構造化されたイベントを生成します。

• research_program_snapshot_created — 研究プログラムの新しいバージョンが記録されます
• decion_node_started / decion_node_completed — 各グラフ ノードのライフサイクル イベント
• sandbox_run_started / sandbox_run_completed — サンドボックス実行ライフサイクル
• benchmark_artifact_created — 新しいベンチマーク結果が利用可能です
• gate_evaluated — ゲートが決定 (許可、一時停止、またはブロック) を生成しました。
• adoption_proused / adoption_approved / adoption_rejected — RG3 ライフサイクル

イベントは主要なデータ構造です。テーブルはイベント ストリームの具体化されたビューです。このイベント ソース アーキテクチャにより、完全な再生が可能になります。イベント ログがあれば、Research Universe のあらゆる履歴状態を正確に再構築できます。これは、監査 (「この採用が承認されたときの研究プログラムの状態を見せてください」) やデバッグ (「結果を検証するためにこのシードを使用した実験を再生する」) に不可欠です。

9. 4つのエージェントと人間のハイブリッド研究チーム

9.1 設計哲学: 構造化されたコラボレーション

エージェントの研究開発とは、エージェントに監督なしで研究をさせることを意味するものではありません。これは、エージェントと人間が明確に定義された役割内で、明示的なハンドオフポイントを使用して、製品を管理する同じ意思決定インフラストラクチャによって管理されるすべての対話で協力できるように研究を構造化することを意味します。各チームはハイブリッドです。人間の研究者が判断力、専門知識、創造性を提供します。エージェントは、計算、パターン認識、反復的なタスクの精力的な実行を提供します。

9.2 チームA: マルチユニバースコアラボ

研究のフロンティア: 増分多宇宙評価 (セクション 3) およびラグ モデリングによる信念の校正 (セクション 4)。

人間の役割: コア システム エンジニア (評価パイプラインの実装を担当)、ゲート エンジニア (ゲート ポリシーの構成としきい値の調整を担当)。

エージェント構成:

• 研究プランナー エージェント: 研究仮説をテスト可能な部分仮説に分解し、実験シーケンスを設計し、実験間の依存関係を特定します。
• モデリング エージェント: 数学的モデルの構築、更新方程式の導出、収束証明の生成 (人間による検証あり)、シミュレーション コードの実装。
• シミュレーション エージェント: 合成多宇宙状態データを生成し、信念更新ダイナミクスのモンテカルロ シミュレーションを実行し、収束率と安定余裕を測定します。
• 評価エージェント: 収束結果を分析し、誤差範囲を推定し、増分評価精度と完全評価精度を比較し、構造化されたベンチマーク レポートを作成します。

成果物: 正しさの証明を備えた増分再評価アルゴリズム、安定性分析を備えた信念更新方程式、10/50/100/500 ユニバース構成にわたる増分評価と完全評価を比較するベンチマーク レポート。

9.3 チーム B: パフォーマンス加速ラボ

研究フロンティア: 階層型の投機的意思決定パイプライン (セクション 2)。

人間の役割: ランタイム エンジニア (実行パイプラインとレイテンシー バジェットを所有)。

エージェント構成:

• パイプライン デザイナー エージェント: マルチレイヤー評価アーキテクチャを設計し、レイヤー境界とエスカレーション条件を指定します。
• コスト見積もりエージェント: レイヤーごとの計算コストを分析し、さまざまなワークロード分散の下で各レイヤーで解決された意思決定の割合を推定します。
• リスク検証エージェント: ヒューリスティック フィルターの誤許容率を推定し、保守的な安全条件 (定理 2.1) の安全マージンを計算します。
• ベンチマーク エージェント: 現実的な意思決定ストリームの下でエンドツーエンドのレイテンシーを測定し、階層的評価パフォーマンスとフラットな評価パフォーマンスを比較します。

成果物: レイヤーごとのレイテンシー目標を含む 3 レイヤーのパイプライン仕様、校正された安全マージン δ_safe を備えたヒューリスティック フィルター、フォールス許容率の増加ゼロで 50% 以上の削減を示すレイテンシー ベンチマーク。

9.4 チーム C: 紛争情報研究所

研究フロンティア: 紛争を認識した品質向上ループ (セクション 5)。

人間の役割: プロダクト マネージャー (品質指標とユーザー対応の競合解決経験を担当)、ゲート エンジニア (ゲート ポリシーの影響分析を担当)。

エージェント構成:

• パターン マイナー エージェント: 競合レジスタから競合パターンを抽出し、再発するユニバース ペア クラスターを識別します。
• クラスタリング エージェント: 解決率メトリクスを使用して、競合パターンを回避可能なものと構造的なものとして分類します。
• スコープ分割エージェント: 回避可能な競合のスコープ分解提案を生成し、各提案から競合の削減を推定します。
• 説明可能性エージェント: 利害関係者のレビューのために、競合パターン、スコープ分割提案、および予想される品質への影響について人間が判読できる概要を生成します。

成果物: 競合ヒートマップの視覚化、スコープ分割最適化アルゴリズム、品質影響測定フレームワーク、競合解決ワークフローの UI 仕様。

9.5 チーム D: 安全強化ラボ (サンドボックスのみ)

研究のフロンティア: 制約付き多目的 RL (セクション 6) および人間参加型 RL (セクション 7)。

人間の役割: 研究科学者 (専任の研究者。生産システムには関与していない)。この分離は意図的に行われています。研究者の唯一の仕事は、RL 収束を理解し、障害モードを特徴付け、学習したポリシーが運用環境で考慮しても安全である条件を定義することです。

エージェント構成:

• 環境シミュレータ エージェント: サンドボックス MultiUniverseState を構築および維持し、RL トレーニング用の現実的な意思決定ストリームを生成します。
• ポリシー学習者エージェント: ラグランジュ制約付き RL とシールド RL を実装し、サンドボックスでポリシーをトレーニングし、再現性を確保するためにすべてのトレーニング軌跡を記録します。
• Shield Agent: RL 提案を事前にスクリーニングし、シールド介入率を測定するフェールクローズド ゲート フィルターを実装します。
• ヒューマン フィードバック エージェント: 承認ログを処理し、責任報酬シグナルを計算し、バイアス修正メカニズムを実装します。

成果物: フェールクローズされた制約付き RL の収束条件の特性評価、非収束レジームの特定 (収束証明と同様に価値がある)、責任保持 RL の境界定義 — 学習されたポリシーが RS < ε を維持する正確な条件。

9.6 許可の境界

アクセス許可の境界は、ポリシーではなくアーキテクチャ レベルで適用されます。

• サンドボックスの実行権限はシミュレーション ゾーンに制限されます。他のゾーンのエージェントはサンドボックスの実行を開始できません。
• 実稼働ブランチへのアクセスは、Adopt Node パスウェイに制限されます。 RG3 ゲートを経由する場合を除き、エージェントはメイン ブランチへの PR を作成できません。
• Adopt ノードには常に人間の承認が必要です。これは、エージェント、構成、または RL ポリシーによって上書きできないハード制約です。
• ゲート ポリシーの変更は、別のガバナンス ユニバースに属します。リサーチ ユニバースはゲート変更 (RG2) を提案できますが、制定することはできません。制定にはユニバース間のガバナンスの承認が必要です。

これらの境界により、研究により生産動作が誤って変更されることがなくなります。この分離は手続き的なものではなく構造的なものであり、チームの合意や文書によってではなく、MARIA 座標系の許可モデルによって強制されます。

10. 研究ロードマップと KPI フレームワーク

10.1 6 か月間の研究スケジュール

月 1. チーム A は、増分マルチユニバース評価 PoC を開始します。依存関係グラフの構築、不変スナップショット メカニズム、および差分競合スコアの更新を実装します。チーム A は、同時に信念キャリブレーション設計を開始します。ラグ分布モデルを形式化し、ラグを考慮したベイジアン更新方程式を導き出し、安定性限界を確立します。

月 2. チーム A は、実際の判定データ (匿名化) を使用して増分評価の安定性検証を実行します。チーム C は、最初の競合パターン マイニング パイプラインを構築し、最初の競合ヒートマップ視覚化を作成します。

月 3. チーム B は、階層型投機パイプライン プロトタイプを提供します。目標: FAR = 0 を維持しながら、ベンチマーク決定ストリームで 50% 以上の遅延削減を実証します。チーム B は、ヒューリスティック フィルターの安全マージンの調整を開始します。

月 4. チーム C は、スコープ分割最適化アルゴリズムと最初の自動スコープ分解提案を提供します。チーム D は、現実的なデシジョン ストリーム生成を備えた完全な MultiUniverseState レプリカであるサンドボックス環境の構築を完了しました。

月 5. チーム D が制約付き RL 実験を開始します。主な目標: 収束条件を特徴付ける。第 2 の目標: 非収束レジームを特定し、収束を不可能にするガバナンス構成にマップします (これらは同様に価値があり、ガバナンスにおいて RL が安全に実行できる範囲を定義します)。

月 6. チーム D は、匿名化された承認ログを報酬シグナルとして使用して、ヒューマンインザループ RL 実験を開始します。 4 つのチームはすべて、最終的な研究レポートを作成します。研究レポートは、RG2 ゲートを介して採用基準に照らして評価されます。基準を満たす結果は、実稼働統合の検討のために RG3 導入パイプラインに入ります。

10.2 KPIの定義

スピード KPI:

• 平均意思決定評価時間 (MDET): 意思決定提案からゲート結果までの平均実時間。目標: ベースラインから ≥50% 削減。
• P95 評価レイテンシー: 95 パーセンタイルの評価時間。ターゲット: P95 < 2× MDET (限界テール遅延)。
• 増分評価率: (完全な再評価なしの) 増分評価によって解決された決定の割合。目標: 定常状態の動作では >80%。

品質 KPI:

• 誤許容率 (FAR): ブロックされるべきであった許可された決定の割合。目標: 0.00% (ベースラインから維持 - 劣化なし)。
• フォールス ブロック レート (FBR): 許可されるべきブロックされた決定の割合。目標: ベースラインから ≥20% 削減。
• 競合削減率: スコープ分割の採用後の、回避可能な競合パターンの減少率。目標: 影響を受けるアクション カテゴリの競合スコアを 30% 以上削減。

責任に関する KPI:

• ゲート バイパス率: ゲート評価を回避する決定の割合。目標: 0.00% (絶対要件 - 研究を含む例外なし)。
• ハード制約違反率: ハード制約違反が実行に達する頻度。目標: 0.00%。
• 責任シフト スコア (RS): システム全体の RS メトリック。目標: 常に RS < 0.03。

学習 KPI:

• 信念収束率: KL 境界内で収束する信念更新シーケンスの割合。目標: >95%。
• RL 収束安定性: サンドボックスで制約を満たすまでのトレーニング エポックの数。ターゲット: 特徴付け (固定ターゲットはありません。これは研究結果です)。
• サンドボックスの忠実度: 検証ウィンドウにおけるサンドボックスと本番環境の間の状態の相違 D_sandbox。ターゲット: D_sandbox < 0.05。

11. 製品から制度へ: 相転移

11.1 これがエンジニアリングにとって重要な理由

このホワイトペーパーで紹介されている 6 つの研究フロンティアは、製品ロードマップ上の推測的な機能ではありません。これらは、正確な成功基準、形式的な収束条件、および明示的な失敗モードを備えた、明確に定義された数学的問題です。各フロンティアは、MARIA OS 評価パイプラインに展開可能な改善をもたらすか、特定の条件下で改善が不可能である理由の厳密な特徴付けを行います。どちらの結果も分野を前進させます。

エンジニアにとって重要なのは、ガバナンス システムの改善はヒューリスティックな調整やパラメータのスイープの問題ではないということです。それには数学的調査が必要です。つまり、増分評価がゲートの正確性を維持すること (定理 3.1)、ラグの下でも信念の更新が安定していること (定理 4.1)、投機的なパイプラインが偽許容値ゼロを維持すること (定理 2.1)、およびフェールクローズ シールドの下で制約付き RL が収束すること (予想 6.1) を証明する必要があります。これらは任意の学術演習ではありません。これらは、大きな影響を与える自律的な意思決定を管理するシステムにとって、安全上重要な要件です。

11.2 これが投資家にとって重要な理由

AI ガバナンス企業にとっての堀はコードではありません。コードは複製可能です。堀は、コードが実装する数学的フレームワークと、そのフレームワークを推進する研究組織です。この論文で説明する 6 つの研究フロンティアは、制御理論、ベイズ統計、組み合わせ最適化、制約付き強化学習、および因果推論に関する深い専門知識を必要とする研究プログラムを表しています。研究を再現せずに製品を複製することは、基礎のない殻を構築することと同じです。

Research Universe アーキテクチャは、この利点をさらに強化します。管理されたデシジョングラフを通過するすべての調査サイクルは、アルゴリズムの改善だけでなく、ガバナンスシステムが機能しているという運用上の証拠、つまり規制当局、監査人、顧客に提示できる証拠も生成します。競合他社は、研究能力とそれを検証するためのガバナンスインフラストラクチャの両方を構築する必要があります。この二重の要件により障壁が生じ、研究サイクルが進むたびに障壁が大きくなります。

さらに、自己参照構造は、プラットフォームの研究速度が時間の経過とともに加速することを意味します。増分評価エンジンにより評価の待ち時間が短縮されるため、研究実験がより速く完了します。信念調整ループにより証拠の質が向上するため、ゲートの決定がより正確になります。競合解決ループにより回避可能な競合が減少するため、調査意思決定グラフで遭遇する障害が少なくなります。それぞれの改善は、それを生み出した研究インフラにフィードバックされます。これが複合堀の特徴です。静的なものではなく、投資に応じて成長します。

11.3 判断科学研究所

企業が独自の意思決定インフラストラクチャを使用して独自の意思決定プロセスを研究するとき、それは製品開発の境界を超えています。それは判断科学機関、つまりより良い意思決定のためのツールを構築するだけでなく、意思決定そのものの数学的基礎を進歩させる組織となっています。

これがMARIA OSが辿る軌跡です。 6 つの研究フロンティアは最初の具体的なステップです。 Research Universe は、これらのステップをその場限りではなく体系的に行うための組織構造です。 4 つのエージェントとヒューマンの研究チームが、研究を実行する運用単位です。ゲート ポリシーとデシジョン グラフにより、研究が管理され、監査可能で、再現可能であることが保証されます。

スピード、品質、責任というガバナンスのトリレンマが中心的な課題です。この文書では、各軸に対処するための数学的枠組み、研究を実施するための組織アーキテクチャ、および研究自体が推進しようとしている基準を確実に満たすことを保証するためのガバナンスインフラストラクチャを示しました。このトリレンマを解決する企業は、より良い製品を開発するだけではありません。それは大規模な判断の科学を確立するでしょう。

付録A: Mathematical Symbol Reference

付録B: Research Gate Policy YAML Specification

gate_policy_id: research-gate-v1
mode: fail_closed

levels:
  - id: RG0
    name: Observe
    allowed_actions: [READ_LOGS, GENERATE_REPORT, BUILD_UI_MOCK]
    requirements:
      sandbox: false
      human_approval: false
      evidence_quality_min: 0.40

  - id: RG1
    name: Simulate
    allowed_actions: [RUN_SANDBOX, GENERATE_SYNTHETIC_DATA, RUN_MONTE_CARLO, TRAIN_RL_SANDBOX]
    requirements:
      sandbox: true
      human_approval: false
      evidence_quality_min: 0.55
      data_privacy_max: p2_sensitive
      reproducibility_required: true

  - id: RG2
    name: ChangeProposal
    allowed_actions: [PROPOSE_POLICY_CHANGE, PROPOSE_GATE_TUNING, PROPOSE_PIPELINE_LAYERING]
    requirements:
      sandbox: true
      human_approval: true
      evidence_quality_min: 0.65
      conflict_score_max: 0.70
      must_include_artifacts: [benchmark, report]

  - id: RG3
    name: AdoptToProduct
    allowed_actions: [CREATE_PR_TO_MAIN, DEPLOY_STAGING, REQUEST_PROD_ROLLOUT]
    requirements:
      sandbox: true
      human_approval: true
      evidence_quality_min: 0.80
      conflict_score_max: 0.50
      risk_over_budget_allowed: false
      staged_rollout_required: true
      must_include_artifacts: [benchmark, report, config, graph]
      mandatory_reviews: [CoreSystemsOwner, GateOwner, RuntimeOwner]

付録C: Database Schema (Minimal)

-- Research program snapshots (immutable versioning)
CREATE TABLE research_programs (
  program_id  TEXT NOT NULL,
  org_id      TEXT NOT NULL,
  version     INTEGER NOT NULL,
  snapshot_json JSONB NOT NULL,
  created_at  TIMESTAMPTZ NOT NULL DEFAULT now(),
  PRIMARY KEY (program_id, version)
);

-- Research decision graphs (versioned DAGs)
CREATE TABLE research_decision_graphs (
  graph_id    TEXT NOT NULL,
  program_id  TEXT NOT NULL,
  track_id    TEXT NOT NULL,
  version     INTEGER NOT NULL,
  graph_json  JSONB NOT NULL,
  created_at  TIMESTAMPTZ NOT NULL DEFAULT now(),
  PRIMARY KEY (graph_id, version)
);

-- Sandbox runs (reproducibility-enforced)
CREATE TABLE sandbox_runs (
  run_id        TEXT PRIMARY KEY,
  experiment_id TEXT NOT NULL,
  seed          INTEGER NOT NULL,
  container_ref TEXT NOT NULL,
  code_ref      TEXT NOT NULL,
  status        TEXT NOT NULL CHECK (status IN ('queued','running','completed','failed')),
  started_at    TIMESTAMPTZ,
  finished_at   TIMESTAMPTZ,
  artifacts_json JSONB
);

-- Research artifacts (integrity-verified)
CREATE TABLE research_artifacts (
  artifact_id   TEXT PRIMARY KEY,
  experiment_id TEXT NOT NULL,
  kind          TEXT NOT NULL CHECK (kind IN ('code','report','benchmark','ui_mock','dataset','config','graph')),
  uri           TEXT NOT NULL,
  sha256        TEXT NOT NULL,
  created_at    TIMESTAMPTZ NOT NULL DEFAULT now()
);

-- Gate results (complete evaluation audit)
CREATE TABLE gate_results (
  gate_result_id TEXT PRIMARY KEY,
  scope_kind     TEXT NOT NULL,
  scope_id       TEXT NOT NULL,
  decision       TEXT NOT NULL CHECK (decision IN ('allow','pause','block')),
  gate_score     REAL NOT NULL,
  reasons_json   JSONB NOT NULL,
  created_at     TIMESTAMPTZ NOT NULL DEFAULT now()
);

※この記事はMARIA OS研究シリーズの一部です。ここで説明する 6 つの研究フロンティアは、MARIA OS プラットフォーム内の活発な研究プログラムを表しています。完全な証明のある定理はそのようにマークされています。推測と証明スケッチは未解決の研究疑問を示しています。すべての実験的主張はサンドボックス ベンチマークに基づいています。実稼働検証は RG3 導入ゲートの承認待ちです。*