長期計画を、現実から離れずに探索する ChinobaにおけるWorld Model、仮想判断状態、そしてEvidence Sync

🎥 YouTubeでも公開しています

長期計画を支援するAI｜World Model・仮想判断状態・Evidence Syncで不確実な未来を探索する

Books: AI Coordination Engineering 実践ガイド: マルチエージェント時代の協調・自律性・信頼を設計する

AIが業務計画を支援するとき、短い問いには比較的うまく答えられる。

「この手順書の要点は何か」
「この異常の候補は何か」
「どの資料を確認すべきか」

しかし、数週間から数か月にわたる改善計画、新しい業務システムの導入、品質問題の再発防止、複数部門にまたがる改革となると、難しさは急に増す。

長期の計画では、目標に向かって一直線に進めばよいとは限らない。先に現場観察を行う必要があるかもしれない。安全上の確認を先に済ませなければならないかもしれない。一度小さな試作へ戻ることで、後工程の大きな手戻りを避けられるかもしれない。

AIにとっても組織にとっても、長期計画は「次の一手を選ぶ問題」ではない。

不確実な途中状態を含む複数の経路を探索しながら、現実の根拠と乖離せずに、実行可能な判断へ戻り続ける問題

である。

Chinobaでは、この課題を、World Model、仮想判断状態、Evidence Syncを組み合わせた長期計画の設計として扱える。

長期計画が難しい理由

短期的な最適化では、「いま見えている課題を減らす」行動が有効なことが多い。

しかし、長期計画には非直線的な構造がある。

たとえば、製造現場で品質不良の再発を減らしたいとする。直近の不良率だけを下げようとすれば、検査を増やす、判定を厳しくする、といった対応に寄りやすい。

しかし実際には、次のような経路がより有効かもしれない。

1. 過去の不良記録と工程条件の関係を確認する
2. データ欠損や記録方法のばらつきを是正する
3. 一つの工程で限定的な検知ルールを試す
4. 現場の確認負荷と誤検知を評価する
5. 承認済みの運用ルールへ組み込み、対象を広げる

途中では、一見すると遠回りに見える行動が必要になる。

このため、AIに「最終目標に最も近い次の行動」だけを選ばせると、重要な準備、検証、合意形成を飛ばしてしまう危険がある。

また、計画の先を長く見ようとするほど、前提は増え、分岐も増え、途中の仮定に引っ張られやすくなる。AIがもっともらしい将来像を詳細に描くほど、その仮定が現実の根拠を失っていないかを確認する必要がある。

World Modelを「組織の変化モデル」として考える

ここでいうWorld Modelは、現実を完全に再現する巨大なシミュレーターではない。

ChinobaにおけるWorld Modelは、ある行動を取ったとき、業務上どの状態がどう変わり得るかを表す、根拠付きの変化モデルである。

たとえば、品質改善のテーマなら、次の関係を保持する。

このモデルは、数式だけで作る必要はない。Semantic Chunk、Evidence Graph、業務フロー、過去のDecision Traceを使い、「どの行動が、どの条件で、何に影響し得るか」という知識として構成できる。

重要なのは、予測を事実として扱わないことだ。予測には、根拠、確信度、適用条件、未確定事項を必ず付ける。

仮想判断状態を使う：現実の状態を直接書き換えずに探索する

長期計画では、複数の案を比較したい。しかし、探索の途中で現実の業務状態、正式なルール、承認済みの知識を更新してはならない。

そこでChinobaでは、**仮想判断状態（Virtual Decision State）**を使う。

これは、「もしこの行動を選んだら、次に何が起こり得るか」を表す、探索専用の状態である。

たとえば、次の三つの改善案があるとする。

• 案A：検査基準を直ちに厳格化する
• 案B：対象工程を限定して検知支援を試作する
• 案C：記録項目とデータ品質を先に整備する

各案について、AIは仮想判断状態を生成し、必要な根拠、想定効果、リスク、次の確認条件を展開する。

この時点では、どの案も正式な決定ではない。AIは自由に比較できるが、実行状態は変えない。

仮想判断状態は、長期計画の途中を探索するための「足場」である。現実そのものではないからこそ、非直線的な経路、代替案、失敗の可能性も安全に検討できる。

仮想状態の危険：もっともらしい未来に最適化してしまう

仮想状態を使う設計には大きな利点がある一方、危険もある。

AIは、根拠が薄い中間状態でも、それらしくつなげて計画を作れてしまう。前提が少しずつ現実から離れても、各段階だけを見れば整合的に見えることがある。

これは、長期計画における「仮想状態への過適合」と呼べる問題である。

たとえば、AIが「データ整備をすれば高精度な予測ができる」と仮定し、その予測を前提に人員計画や運用設計まで進めてしまう場合を考える。実際には、必要なラベルがない、工程ごとに記録粒度が違う、現場が入力を継続できない、といった問題が後から明らかになるかもしれない。

このためChinobaでは、仮想状態を自由に最適化させるのではなく、次の原則を置く。

• 根拠のない状態遷移は「仮説」として明示する
• 行動の提案は、承認済みの制約と人の判断境界を超えない
• 重要な中間状態には、観測または検証計画を結び付ける
• 高リスクな前提ほど、早い段階で現実確認を求める

AIの創造性は、根拠のない確信ではなく、検証可能な仮説の多様性として使うべきである。

Evidence Sync：探索した計画を現実へ同期する

長期計画を安全に扱う鍵は、仮想的な探索と現実の根拠を定期的に同期することにある。

Chinobaではこれを Evidence Sync と呼べる。

Evidence Syncでは、探索で作られた仮想判断状態を、現実の証拠、最新の業務状態、承認済みルール、人の確認へ照合する。

照合の対象は次のようなものになる。

• 参照した文書・データは現行で有効か
• 想定した適用条件は満たされているか
• 新しい観測は、計画の前提を支持しているか、反証しているか
• 人の承認が必要な境界を越えていないか
• 未確定事項を、事実であるかのように扱っていないか

Syncの結果、計画には三つの処置がある。

この仕組みによって、AIは計画の最後に一度だけ現実確認するのではなく、途中で何度も現実へ戻れる。

探索の自由と実行の厳格さを分ける

Chinobaでは、探索状態と実行状態を明確に分離する必要がある。

探索中のAIには、代替案を広く出すこと、失敗経路を検討すること、仮説を比較することを許す。一方、外部システムの変更、対外連絡、ルール改訂、設備操作などの実行は、根拠と承認を満たしたDecision Traceを持つ場合に限る。

この分離があるからこそ、AIは長期の可能性を大胆に探索しながら、現実の組織に対しては慎重に振る舞える。

Long-Horizon Decision Trace：計画の過程そのものを資産にする

長期計画で本当に価値があるのは、最終的に採用された計画だけではない。

どの仮説を試したか。どの根拠がどの前提を支持したか。どの時点で計画を修正したか。何を撤回し、なぜ別の経路を選んだか。

これらをLong-Horizon Decision Traceとして残せば、計画過程そのものが次の改善のための知識資産になる。

たとえば次の改善プロジェクトでは、「記録品質の確認を後回しにすると、試作後に大きな手戻りが生じた」「専門家確認を早期に置いた場合は、安全な検証範囲を早く定められた」といった学びを、次のWorld ModelとDecision Schedulerへ戻せる。

ここで重要なのは、成功した計画だけを残さないことである。撤回された案、見送られた経路、途中で否定された仮説にも、次の探索を賢くする価値がある。

AIが長く考えることより、長く学び続けられること

長期計画に強いAIとは、遠い未来を一度で正確に言い当てるAIではない。

仮説を作り、途中状態を探索し、根拠と同期し、必要なら計画を修正し、判断の履歴を次の課題へ渡せるAIである。

長期の知性とは、未来を固定する能力ではない。
不確実な未来を探索しながら、現実の根拠へ戻り続ける能力である。

Chinobaは、World Modelを組織の変化モデルとして構成し、Virtual Decision Stateで安全に計画を探索し、Evidence Syncで現実と照合する。そしてLong-Horizon Decision Traceを通じて、計画の試行錯誤を次の判断に生かす。

これにより、AIは単に計画書を生成する存在から、根拠を失わずに組織とともに長期の変化を進めるための知識・意思決定基盤へ近づいていく。

Chinoba

Chinoba

Intelligence as Relationship

Research Platform

founded by

Masao Watanabe

AI Systems Architecture
Decision Trace
Human–AI Coordination
Algorithmic Governance