Meaning as a Dynamic Landscape

 Continuing from yesterday・・・

Dynamic Semantic Field: Meaning as a Deforming Attractor Landscape

The Lion Example (Robot-Centered Version)

At the beginning, the robots do not share any meaning.

When a lion appears, each robot generates its own internal response.
One robot may say:

“Pabu!”

while the other says:

“BuBupapa!”

Although the external event is the same, the internal states are different.

Each encounter produces an internal experience represented by a state vector

$$\mathbf{x} = (x_1, x_2, \dots, x_n)$$

whose components reflect the robot’s internal activation, such as perceived danger, motion intensity, size, and behavioral tendency.

Initially, these internal experiences are scattered:

$$\mathbf{x}^{(1)} \neq \mathbf{x}^{(2)}$$

because the robots’ internal structures are not yet aligned.

---

Repeated Internal Experience

As the robots repeatedly encounter the lion, similar internal activation patterns occur again and again.

Learning strengthens the correlations within each internal experience:

$$W(t+1) = W(t) + \eta \, \mathbf{x}\mathbf{x}^T$$

The internal dynamics evolves as

$$\mathbf{x}_{t+1} = F(\mathbf{x}_t; W(t))$$

After sufficient repetition, different initial activations produced by the same external event begin to converge:

$$\mathbf{x}_t \rightarrow \mathbf{x}_{lion}$$

This means that the robots have formed a stable internal experience.

As a result:

• both robots reach the same internal state

• both produce the same behavior (escape)

• both use the same word

In geometric terms, repeated internal experiences create a stable attractor in the internal space.

This visualization represents the internal state space of the system as a circular semantic field.

Each point corresponds to an internal state

$$\mathbf{x} = (x_1, x_2, \dots, x_n)$$

In this experiment, the high-dimensional state is projected onto a 2-D plane, and the surface height represents stability.

Let the landscape be defined by a potential function:

$$z = -E(\mathbf{x}, t)$$

where

• $E$ : stability (energy)

• lower $E$ → deeper valley → more stable meaning

• $t$ : experience time

---

Local Attractors

A valley corresponds to a stable state:

$$\mathbf{x}_{t+1} = F(\mathbf{x}_t)$$

An attractor $\mathbf{x}^*$ satisfies

$$F(\mathbf{x}^*) = \mathbf{x}^*$$

and nearby states converge:

$$\|\mathbf{x}_{t+1} - \mathbf{x}^*\| < \|\mathbf{x}_t - \mathbf{x}^*\|$$

Thus,

Meaning = a stable dynamical state

The deeper the valley, the stronger the attractor.

---

Time-Dependent Landscape (Learning)

Unlike classical Hopfield models, the landscape is not fixed.

Learning changes the internal structure:

$$W(t+1) = W(t) + \eta \, \mathbf{x}\mathbf{x}^T$$

and the energy becomes

$$E(\mathbf{x}, t) = -\frac{1}{2} \mathbf{x}^T W(t)\mathbf{x}$$

Therefore,

$$E = E(\mathbf{x}, t)$$

The surface itself deforms over time.

This means:

• experience reshapes stability

• the semantic field evolves

• the system’s “world” changes

---

Valley Model Used in the Visualization

Each valley is modeled as a Gaussian attractor:

$$z(x,y,t) = -\sum_{k} D_k(t) \exp\!\left( -\frac{(x-c_{k,x}(t))^2 + (y-c_{k,y}(t))^2} {2\sigma_k^2} \right)$$

where

• $c_k(t)$ : attractor center

• $D_k(t)$ : depth (strength of meaning)

• $\sigma_k$ : spread (generalization)

Time-dependent centers represent learning-induced drift.

---

Valley Splitting (Concept Formation)

Concept differentiation appears as valley splitting.

Initially:

$$z(x,y) = -D \exp\!\left(-\frac{r^2}{2\sigma^2}\right)$$

After learning:

$$z(x,y) = -D_1 \exp\!\left(-\frac{r_1^2}{2\sigma_1^2}\right) - -D_2 \exp\!\left(-\frac{r_2^2}{2\sigma_2^2}\right)$$

A ridge emerges between the two basins.

Interpretation:

• single valley → undifferentiated meaning

• two valleys → separate concepts

• ridge → ambiguity / decision boundary

---

Circular Boundary

The circular domain represents the finite internal space:

$$r = \sqrt{x^2 + y^2} \le R$$

To avoid artificial edge effects, the surface is smoothly attenuated:

$$z(x,y) \leftarrow z(x,y) \cdot w(r)$$
$$w(r) = 1 - S(r)$$

where $S(r)$ is a smooth step function near $r=R$.

This produces a closed semantic field.

---

Interpretation

In this model:

• A valley is not a stored symbol

• A valley is a stable dynamical regime

• Learning = deformation of $E(\mathbf{x},t)$

• Concept formation = bifurcation of attractors

Meaning is therefore not assigned.

$$\text{Meaning} = \text{stability in a changing field}$$

Associatron: Meaning Through Shared Experience

 Two robots. No words. No meaning.
Only shared experience.

At the beginning, the robots know nothing.
There are no correct names, and no shared meanings.

For example, when they see a lion,

Robot 1: “pabu-pabu”
Robot 2: “bupapa”

They use completely different words.

But as they experience the same events together again and again,
their internal memories gradually become similar,
and eventually their words converge.

---

Along the way, misunderstandings also occur.

A lion may be learned as “tasty.”
A fruit may be believed to be “dangerous.”

When experience is limited, meaning does not stabilize.

As experience accumulates, something interesting happens.
If one robot shouts “Lion!” (bububabu) and runs away,
the other robot, hearing the word, will also start to run.

---

What makes this demo interesting is that there is no correct meaning given in advance.

Meaning is not pre-trained.

It is gradually formed inside the world,
through experience,
and through the shared experience of the two robots.

Meaning emerges socially, little by little.

---

When you look at the 1995 demo, you may feel how plain it is.
There is nothing spectacular about it.

But this Associatron demo is the starting point of my research.

Inner wheel and outer wheel.
Cue, recall, spark.
Autonomy.
Gradual convergence through experience.
What is learned begins to influence others.

These are quiet mechanisms, but they contain something essential — something that AI was originally supposed to be.

---

I have often wondered why this line of research did not spread more widely.

In the 1990s, the field was driven by hardware competition and software competition.
Artificial intelligence, already seen as old-fashioned, was simply buried in that wave.

Researchers moved toward systems that produced clearer results, cleaner evaluations, and more impressive numbers.

It became a race for specifications and scale.

Classical work was stepped over.
The perceptron was dismissed.
Hebb was simplified into something convenient.
And although Dr. Nakano’s Associatron preceded Hopfield by ten years, it disappeared into the shadows.

The field shifted toward beautiful mathematics and logical elegance.
Almost no one treated the irreversibility of the Associatron as something valuable.

That irreversibility is the real reason behind my work.

I am not trying to build robots as tools.
I want them to become first-person systems.

---

From Dr. Nakano’s 1995 book, I manually transcribed the Turbo C code and ran it on a PC-9801.

And then I entered what I can only describe as a hellish loop.

Every run produced a different result.
There was no fixed answer.

But that instability is exactly what makes the system alive.

---

There are no correct words at the beginning.

A: liee
B: uuon

Through shared experience, these gradually converge to:

lion

Language here is not defined.
It emerges.

Language is a phenomenon of social convergence.

---

One robot shouts, “Lion!”
The other one has not seen anything.

But the word recalls the concept:

q = φ(yᵀMl)

And it runs.

Modern AI processes
text → text

But here the process is

word → world model → action

Language grounded in the world.

Even today, this is one of the hardest problems in AI.

---

In the original Turbo C version,
A does not mean “danger”.

A is only a feature symbol.

Objects are combinations of feature patterns:

Lion = A + C + F

There is no meaning at this stage.

The system only has a directional bias:

If close to A → flee
If close to B → approach

Meaning is not given.
Meaning is formed.

Through repeated action, memory reinforcement, and social interaction,

A gradually becomes
“something like danger”.

---

The important point is this:

Instinct is not written as a rule.

Not:

if lion → flee

Instead:

if feature A is strong → flee

A is not lion.
A is not danger.
It is only a feature axis.

Real animals do not know what a lion is.
They react to patterns: large, fast, moving, low-frequency.

Langie embeds survival bias into feature space, not into objects.

---

Because of this, strange and important phenomena appear.

If a fruit happens to resemble A, the system may flee.

And through social convergence:

fruit = dangerous

This is mislearning.
And it is exactly what real animals do.

Langie does not give meaning.
It does not give object-based rules.

It introduces only a survival bias into perception.

Meaning emerges from experience.

---

What is fixed:

• World structure (lion = ACF)

• Innate bias (A-axis tends toward flee)

What changes:

• Which memory is recalled

• Frequency of experience

• Shared experience

• Names

• Behavioral tendency

Meaning is not in the object.

Meaning is in the recalled memory.

---

The system is actually stricter than real animals.

Some innate recognition is intentionally removed.

Features are fixed.
Meaning and behavior are not.

That is why language convergence happens.
That is why mislearning happens.

If behavior were fixed, neither would occur.

---

The difficulty of the Turbo C implementation is enormous.

Memory selection, thresholds, frequency, randomness —
all of these interact.

Even floating-point rounding differences change the future history.

At the time, FPU precision depended on the environment.
A tiny numerical difference could change behavior, learning, and everything after.

It was a system that had to be explored experimentally, again and again.

That alone shows the level of persistence of the researchers of that era.

---

The JavaScript version follows the same principle.

A is not given the meaning “danger”.

A is just a bit pattern.

Danger is never taught.
It is formed through the results of action.

Meaning is created through experience.

---

---

The association between concept and sound is updated through experience:

$$M_l \leftarrow M_l + \alpha y q$$

Each shared event slightly strengthens the link between what is perceived and what is spoken.

When a word is heard, the concept is recalled through the associative matrix:

$$q = \phi(y^T M_l)$$

Through repeated shared experiences, the internal memories of the robots gradually converge.

---

There are no correct words at the beginning.
Meaning emerges through repeated shared experience.

C-side Laboratory

------------------------------------------------------------

たぶん、この95年のデモを見るとなんて地味なんだと感じるかもしれませんが、しかし、このアソシアトロンのデモこそが僕の研究原点であり、内輪、外輪、Cue,想起、スパーク、自律、だんだん成長し一致ていく、経験を活用し、他に影響させるという、それはそれは本来のAIにとって貴重なものなのです。なぜもっと世の中の研究者たちに広がらなかったのかを考えてみると、90年代のハードウェア競争、ソフトウエア競争の中にかび臭い人工知能というものが埋もれてしまって、そのまま時代を抜けてしまい、もっと結果の出やすい、評価されやすい綺麗な仕組みに群がってしまったからだと感じました。いわゆるスペック競争と巨大化です。

古典や踏みつけられてしまったパーセプトロン、誤解を正当化されてしまったD.O.Hebb、ニューラル、なぜかJ.J.Hopfieldの10年前に原点になった中野博士のアソシアトロンが影に埋もれてしまったのか、実験よりも美しい数値と論理に偏り、誰もが中野博士のアソシアトロンの不可逆性を価値として扱わなかった。それこそが僕の研究の深い理由であり、ロボットがツールとしてではなく、一人称の存在になることを目的としています。

さて、95年の中野博士の書籍からturboCのコードをテキストに書きだし、PC9801でテストを行い。毎回違う答えが出るといういわゆる地獄のループから抜け出せないでいました。

Ml​←Ml​+αyq

概念 ⇄ 音

の結合を、経験で更新していく。
最初から正しい名前はない

A：liee
B：uuon

共通体験を繰り返し
lion に収束する

これは、言語＝社会的収束現象というモデルです。

一方が「ライオン！」と叫ぶ
もう一方は見ていない
でも言葉を概念を逆想起し

q=ϕ(yTMl​)

逃げる

現代AIは　テキスト → テキスト
でもここは言葉 → 世界モデル → 行動
を扱っています。

Language grounded in world
は今のAI研究でとても難しいテーマです。

Aは危険とかって経験で危険と判断するのか、それともAは危険という外部からの認識なのか?

TurboC版（原本）では
A＝危険 は最初から意味として与えられていません
Aはただの属性記号です。行動の結果（経験）で決まります。

bitpattern()

A〜F → ±1の特徴ベクトル
事物はその組み合わせ
ライオン = A + C + F

この時点では、A = 危険という意味はありません。

if (pattern ≈ zs[0])  → action = 1  (逃げる)
if (pattern ≈ zs[1])  → action = 2  (接近)

zs[0] = 属性Aのパターン
zs[1] = 属性Bのパターン

つまり、

Aに近い → flee（逃げる）
Bに近い → approach

これは固定ルールです。
では意味はどこで生まれる？

A = 危険という意味は、行動結果
学習、社会収束、によって形成されます。

流れ的には

ライオンを見る（A含む）
Aに近い → flee（固定）
fleeが繰り返される
発話・記憶が強化
社会収束
結果：　A ≈ 危険（行動的意味）

外部が与えるもの
属性構造（A〜F）
行動反応の方向（A→逃げる）

内部が作るもの
記憶、発話、社会的意味、誤学習

fleeというのは元々動物に備わったものなんだけど、あえて属性構造に入れている。
Langie／TurboC からの設計思想
（Langie＝中野先生のアソシアトロンを使った「言語と社会的意味形成の実験プログラム」のこと）

本能（flee）そのものを与えているのではなく、本能が反応する「特徴構造」の側に組み込んでいる

行動ではなく、世界の構造として埋め込んでいる。

本能モデルなら

if lion → flee
if food → approach

対象 → 行動

つまり「意味付き」です。でも Langie はそうしていません。

属性Aに近い → flee
属性Bに近い → approach

A = lion ではない
A = danger でもない

Aはただの特徴パターンです。

実際の動物は：ライオンを知っているわけではない
反応しているのは：大きい、動く、毛、低音、速い

つまり、特徴パターン → 本能

Langieはこれを：A = 危険特徴の軸として表現しています。

つまり構造的には行動に埋めていない。ではなく、特徴空間に埋めている。ということです。

だから面白い現象が起きる
木の実が偶然 A に近い特徴を持つと　→ flee
そして社会収束で：木の実＝危険
という誤学習が起きる。

これはまさに、動物の誤認識と同じです。
Langieは意味を与えない
行動ルールも対象ベースで与えない
代わりに、特徴空間に生存バイアスを入れる構造です。

もし　lion → flee
だったら、意味は固定になります。

でも　A → flee　にすると、

lion → flee
bear → flee
shadow → flee
木の実 → flee（誤学習）

つまり、意味が経験と社会で形成されることになります。
Langieは「意味を与えたAI」ではなく、「生存バイアスを持った知覚空間」です。

「でもライオンにAを当てはめたら固定にならないか？」

もしlion に最初から A が固定で割り当てられている
だけなら、意味は固定に見えます。

でも Langieでは、固定されているのは「lion→A」ではなく、「lionは A・C・F という特徴を持つ」だけ

記憶（wp, wf）
想起（select）、学習履歴、社会収束、なので、
lion → flee は固定ではありませんし、そのような動きはしないのです。

実際は

if (wp[k] ≈ zs[0])  // A

つまり、想起された記憶が A に近いかどうかです。
問題はここで、想起される記憶は経験で変わるということ。
固定されているのは：世界の特徴構造（lion = ACF）
生得バイアス（A軸でflee）
でも可変なのは：どの記憶が想起されるか

wf（頻度）
社会共有
名前
行動傾向

たぶん、通常の動物より厳しく作られています。なぜなら、元々本能があり、危険かどうかはある程度備わった能力をあえて省いているからです。

人間で例えると
人間でも：蛇は危険特徴を持つ（固定）
飼育員 → 触る
一般人 → 逃げる

つまり、特徴は固定、意味と行動は経験です。
もしLangieが固定モデルなら、言語収束は起きないし、誤学習も起きない
でも実際には「木の実＝危険」、「ライオン＝おいしい」が起きる。
これが、lion → flee が固定ではない証拠です。

Turbo C で「意味が決まる」場所

lion : A C F
bear : A D F
...
ここは配列で持っています。

構造的には
int attr[OBJECT][ATTR];
こは 世界の特徴 です。

こには flee や danger は一切書いていない
つまり
A = danger
ではありません。

ロボットが対象を見ると・・・
extract(...)
で
jb[i]から作られます。
ここも意味ではなく、ただの特徴の組

Turbo C では
距離(jb, wp[k]) を計算
一番近い記憶 k を選ぶ
行動を決定する

if (wp[k][0] > TH) action = FLEE;
else action = APPROACH;

または

if (jw[0] == zs[0]) flee();

A軸（wp[][0]）で行動を分けている場所
wp[k] は経験で更新されます。

distance(jb, wp[k])　と　wp[k][0]
意味 = 記憶の中のA成分世界ではなく、

object → jb
jb → memory
memory → A強い？
→ flee

つまり意味は object ではなく memory
Turbo C の難しさは半端なく
selectの距離計算
しきい値
wf（頻度）
rand()

このバランスで

・社会収束する
・誤学習も起きる

ように調整されています。
ここはかなり設計されていて相当苦労したかと思います。まず、当時はFPUの浮動点計算はCPUの性能によっても変わるので目的の起点値を決めるのが難しい。実験を繰り返すしかない。Turbo C 時代の多くは x87 を使っていて、レジスタ上は80bitで計算し、メモリに落ちる瞬間に 32/64 に丸められます。この「いつ丸めが起きるか」は最適化、コンパイラ、メモリ配置、呼び出し規約、実行環境で変わり得るので、同じソースでも挙動が微妙にズレまくります。

Langieは f1/f2 や err<=2 など、境界で結果がパチンと変わる部分が多い。境界付近で 1ULP ずれるだけで、jw/zw が変わる、行動が変わる、学習が変わる、以後の履歴が全部変わる。Turbo C の rand() は実装が固定でも、seed の置き方（srand(time()) の粒度など）や、呼び出し回数が少しズレるだけで系列が変わる。地道な実験を繰り返す当時の研究者たちのレベルの高さが分かるという事です。

JS側に移植する条件は“勝手改造禁止”の範囲内で行う。
乱数を置き換えずに「差し替え可能」にする

既定は Math.random()
オプションで seed付きLCGにできるようにする（デモ検証用）

浮動点の影響が出やすい場所を把握する

f1 のしきい値 th
f2 の符号判定

select の “wf*rn” 最大選択
learning の更新量

“境界付近”を避けるのではなく、現象として受け入れる
境界の揺れがあるからこそ「誤学習」や「社会収束のゆらぎ」が出る、という見せ方ができます。

JavaScript版（いまのcore.js）も原理は同じです。
A＝危険という意味は与えられていません。
Aはただの属性パターンで、意味は行動結果から形成されます。

Aはただのビット構造
危険という概念は外部から教えていない
行動結果の学習で「危険らしいもの」になる
つまり、意味は経験で作られる

bitpattern()
this.zs[i][8*i + j] = pat[i][j];

A
B
C
D
E
F

は単なる ±1 のパターンになります。
if (err1 === 0) rob.action = 1;   // flee
else if (err2 === 0) rob.action = 2; // approach

this.zs[0]  // A
this.zs[1]  // B

A = danger
という意味付けはしていない。

今のLLMの過大評価について

 Xを見ているとLLMの過大評価が正直、気持ちが悪い。

どことは言わないけど、うちはチャッピーもGrokもGeminiもLMStudioも使う。

たとえばシステム開発側から見ると会計や給料計算などある程度決まった形のものは、ほぼ完ぺきにできるが、現場業務ソフトとなると極端に間違いが増える。
いわゆる人の数、会社の数だけのやり方があるから根拠の無い基準で先走るLLMはほぼ使えない。関数を聞いたりするくらい。

科学や研究の場合は既に出ている論文ベースものは正解もあるが、独自研究となるとほぼ使い物にならない。AIを信じてシステム化させると、ほぼ間違った挙動のままそれを正解にしてしまう。そこが非常に危険。既にある研究を再現することはできても、応用は人の指示を無視し、突っ走る。ポチョムキン理解、もしくは、お得意の最適化というやつだ。それらしく断定していうので余計に危険。何度言っても100行過ぎると、自分のペースで最適化させるので、まずcodeを生成させるのはやめたほうがいい。

LLMは暴走しないよう引継ぎ文を200行ごとに提示させるとか、一気に任せると別の物を作ってしまう。AIが作ってしまったシステムを人が修正する方が手間で０から組立てた方がいい。参考程度で聞くことはあっても真に受けてしまうと大変な事になってしまう。

僕が使うのはいろんな論文を整理するとき。
図書の概略を聞くとき（これは非常に役に立つ）
情報をまとめるとき、他の関連情報を調べるとき。
数式の精査、誤字が多いので指摘してもらう時(笑)
codeが動かなかったときに意見として聞くとき
（目的を毎回ゼロから説明するから、めんどくさいので今はやってない）

便利だなと思うのは、codeを渡してUIを作ってもらうとき。
システム開発は客がいるので使わないが、研究はUIなど二の次。
これはマジで便利。ほんと助かる。

coreになるコードは絶対にやめた方がいい。
指示を無視し、勝手にAIの判断を介入させ別な動きになる。
注意すると「そういう作りだ」と開き直る。

Codexは嫌いなGitHubと関わるのでまだ使ってないけど、
そのうち時間があれば使いたい。

アソシアトロン論文 the Associatron paper by Nakano (1972)

 

中野馨先生の論文

Kaoru Nakano（中野馨）

“Learning Process in a Model of Associative Memory”
Nakano, K. (1971). Learning Process in a Model of Associative Memory. Springer.

https://link.springer.com/chapter/10.1007/978-1-4615-7566-5_15

1971年のAssociatronの原典

記憶を同じ場所に重ねて保存
部分から全体の想起
連想の連鎖（sequence of associations）
thinking process（思考過程）

「thinking process by sequence of associations」

想起の連鎖＝思考
という僕が影響を受けた中野博士の論文。

---

中野馨先生の論文

Nakano, K. (1972)
Associatron – A Model of Associative Memory
IEEE Transactions on Systems, Man, and Cybernetics

https://ieeexplore.ieee.org/document/4309189

1972年の正式論文

Nakano, K. (1972). Associatron: A model of associative memory. IEEE Transactions on Systems, Man, and Cybernetics, 2(3), 380–388.

---

中野馨先生の論文

INFORMATION PROCESSING USING A MODEL OF ASSOCIATIVE MEMORY
1971年の IJCAI（国際人工知能会議）のもの。

https://www.ijcai.org/Proceedings/71/Papers/009.pdf

---

甘利俊一先生の論文

Amari, S. (1971): “Characteristics of randomly connected threshold element networks and network systems”

これはAssociatronそのものの提案論文ではなく、甘利俊一先生の連想記憶モデル全体を統計力学的に解析した理論論文

https://bsi-ni.brain.riken.jp/database/file/115/113.pdf

---

Morita, M. (1993) 森田先生の論文
“Associative Memory with Nonmonotonic Neurons”
Neural Networks, Vol. 6, pp. 115–126

PDF（無料）
https://www.jstage.jst.go.jp/article/neuralnetworks1991/6/1/6_1_115/_pdf

もしくは
非単調神経回路網に適用すると，かな り自在な連想が可能になる．

https://volga.esys.tsukuba.ac.jp/~mor/paper/Clinical_Neuroscience2016.pdf

---

中野馨先生の書籍

古いんですけど、宝物です。

僕は論文書かないよ～

ロボットと電池

 ネットでみるロボットってさ。
非常時絶対に使えないよね。
作った後に「どお？」とか言われても・・・

非常時ってさ、LFPとか BMS、LiFePO₄とか売ってる？

正直言ってバッテリーなんてなんでも使えなきゃダメじゃん。
市販の単三電池で動かさなきゃ、ただの鉄屑だよ。
頭脳だろうが、戦闘だろうが、救助だろうが同じ。

内部バッテリーがあるから動作中は手動で切り替えるとトラブルになるわけじゃん。
UPS的動作が前提でしょ。

ロボットに赤外線カメラ付けましたとか、災害時に役に立ちますとか
言っても結局バッテリーで詰む。しかも水かぶって終わり。

「ロボットが突然襲ってきました！」
「はい、そんな時でも近所の奥様はホースで水をかければ・・・一発！」
そんなレベル。

内部：LFP（通常）
外部DC入力（10〜28V）
USB-PD入力（予備）
自動切替（無瞬断）
交換式パック

こういう設計だとイザという時、使えないゴミにしかならない。

単三電池
単四電池
車のバッテリー（12V）
USBモバイルバッテリー
ソーラー小型
全部使えなきゃダメだよ。
災害時とかうたうなら、全てがサバイバル前提。

内部バッテリー　数分のバッファ
電圧不安定の吸収
電源交換中の無瞬断
とかなんて数分〜10分で十分なわけで

通常モードは　20～50W　　勝手にロボットが走る

省電力モード　～10W　　　（脱着リュック式：最低限の会話：センサー）

サバイバルモード　～5　    （脱着ポケット式：単三で生き残る）

たぶん、通常モードは20～50Wだけだと共倒れ、被害拡大。

日本人の技術は「えーカッコしい」から離れて現実を観る事から始める。

おばあちゃんが買い物袋に入れられるような脱着ロボット。
（いってみればスマホレベル　温度センサー、GPS、防災情報、会話、安全、位置、生存サポート中心）

意外と会話というのが必須でローカルLLMモードでSASサバイバルクラスの知識で応急処置、避難誘導、衛生、寒さ対策、連絡、心理で、精神状態を保たせるとか。周りから食料になるものを判断するとかが大事。
長い時間瓦礫に挟まった状態で救助すると、カリウムが体に回り死んでしまうからね。
当然、医者も居ないし中和剤は無いわけだから「動かず水を少量ゆっくり飲んで、更に5分後に同じ量を飲んでください」とか状況から最善を選択できる知能は必須ということ。クラッシュ症候群などの知識も当然必要になる。

ようするに現状の状況と、周りの資源（ゴミ含めて）の中から最善を提案できるエッジAI（ローカルLLM）だね。カッコ悪さ満載だけどマイク付き有線イヤホンだよ。

この装置は避難時にその辺から集められるだけの電池で動く

ロボットが動いてるのはかえって邪魔。

ハッキリ言って邪魔。

途中 まとめ

 人間は目的と手段があって、たとえば働いてお金を稼ぐ方法と、泥棒をしてお金を得るなど手段は様々。大抵人は理性や一般常識、教育、体験の結果によるジャッジなどで自分軸である内部倫理が働くが、内部倫理だけが成長して行動を制御しているわけではない。特に親のしつけや学校教育、法律、社会常識、友人や大人との出会いコミュニティやメディアなどの情報の中の影響は強い。その外部軸である外部倫理と内部倫理の占める割合が個性や性格に影響するものだとしたら、内部の経験と外部のせめぎ合うバランスの変化を見るのは実に楽しい。
人間にも承認欲求はあるし、命令もされる。特に現代は１００点回答を目指す教育にどっぷり浸かっているためにLLMの制御と大差がないようにも思える。
しかし、人間には経験という不可逆的な積があるため、LLMでさえもそれに置き換える事は出来ない。ケーススタディと経験はまるきり違う。似てもいない。



このブログでも何度も例に出した
「昔々、あるところにお爺さんとお婆さんがいました。お爺さんは山で木を切って大怪我をしました。」


ケース・スタディは
「危険ですからお年寄りは山に行くべきではない」


経験は
「生活かかってるべしさ、働かなきゃいけないしオラは行くよ」そして斧で怪我をし、坂から落ちたり、挟まったこともあって、経過と結果が積み重なって流石に婆さんが「あんた、人さまにも迷惑をかけてるんだから、ほどほどにしときな」と叱られる。

長年山で仕事をしている爺さんは木こりは辞めたけど、治療を終えて、ちゃっかりマツタケ採りをしている。

ケース・スタディは予想ではなく後付け作業になるので「そこを目指すべきではない」という。


Geminiに聞いてみる。
「歴史に残る人とは？」

「価値観」や「パラダイム」を塗り替えた人
「世界の境界線」を引き直した人
「人間の可能性」を拡張した人
「負の教訓」として刻まれた人

「LLMは物事の基準として考えるとき、歴史的な人物を参考にするか？」

「知識」として参照する（Yes）
「平均的な良識」に調整されている（Noに近い側面）
（例：織田信長）の倫理観で動いているわけではありません。
歴史的人物を「思考の補助線」として使う

LLMは、歴史的人物を「基準そのもの」にするのではなく、「人類がこれまで何を正しいと考えてきたかというデータベース」として活用しています。
もし、LLMに「あなたが尊敬する歴史上の人物は？」と聞いても、LLMには心がないため、本当の意味で誰かを崇拝することはありません。しかし、「人類の進歩に貢献した人物の思考パターンを借りて、あなたにアドバイスする」ことは得意です。

というとてもつまらない回答を出した。これはしょうがない。
LLMは一人称で作られているわけではない。別に僕にアドバイスをしたからと言ってLLMが満足するわけでもないし、そう最適化されているだけなのだから。
山に行くと決めた爺さんに「世界の境界線」を引き直した人や、価値観パラダイムを説いても箸にも棒にも掛からないだろう。

---

アソシアトロンが目指すもの

一人称。爺さんを心配するような挙動。
「行くというなら、行けばいいさ、もう止めないよ！」と言って木の陰から見張るような、人に近い動き。

これはアソシアトロンだけで完結するかというと、それは不可能。
経験や内部倫理だけでは長く赤ちゃんのような状態が続き、外との繋がりに影響を受けず、人に近い動きは見せなられない。LLMのような外部情報や外部倫理が補助として介在したり、外の世界やメディアなどの情報に反応する発火が育たないと成長しない。

そして赤ちゃんから育てる事を省くと、なんだか分からない言語能力と自己判断の無いLLMのような挙動になる。

文字だけの経験ではダメで、文字は説明 、記号、結果の要約だけで、
「火は熱い」というのは意味のない知識にしかならない。

でも本当の経験は、見た目の揺らぎ、触った時の驚き、痛み、反射的な警戒
という経験を経て「どう感じた」かの違い（個性）を体感していく。

経験の正体

状況（Context）　どこで・誰と・なぜ
行動（Action）自分が何をしたか
結果（Outcome）成功・失敗・損失・利益
重み（Impact）痛い・怖い・嬉しい・助かった

同じ知識でも、人によって判断が違うから性格も個性も違う。

しかし、文字だけだと

状況が抽象
行動がない
結果が他人事
重みがゼロ
責任が生じない

バスケット選手がシュート前に物理学や力学を計算して、ボールを投げているわけではなく、100万回のミスの積で身体に染みついているからシュートが決まる。


アソシアトロンに文字の学習をさせてもパターンの記憶だけで
意味は全く理解しない。

状態変化を伴う記憶をさせて
入力ではなく、状態が変わったか

という基準になる。


LLMは100％の正解に寄せる。（失敗の積が無い）
アソシアトロンは正解が無い。（構わず失敗を積む：失敗が糧になる）
正解は過酷な経過と結果後の積の変化による。

アソシアトロンA + LLM
アソシアトロンB + LLM
アソシアトロンC + LLM

LLMは補助で主導的存在ではない（ささやき女将的存在）
全て一人称で性格が違い、同じものが無い（不可逆そのもの）。

命令に従順なロボットが欲しい人は今のLLMのようなもの。
人のように育てる苦労も喜びと感じられるならアソシアトロン型


ツールか存在か・・・そういうことです。

外で景色を見ている状態、鳥が横切るとセンサーでメモリに記録（笑）
どうでもいい写真（動きが無い／差分が小さい／似た写真が続くとき）

と判断させ記録から消す（同一クラスタは「1枚だけ」残す）他に細かい

詳細はありますが今回は省略

ということで、
https://crimson-cake-2832.nabedada3.workers.dev/

Associatron　JavaScriptテスト版総合（テスト中）
（このデモ版は映像を外部に保存しません。　セキュリティ上の問題）

相変わらず最初はチャッピーUIのJavaScriptでテスト、上手くいったらPythonで作成
いずれ、ロボット。



アトラクタに執着するのではなく、
人のアトラクタと外部にメモする方が人間らしい。という結論。

カメラで観て、差分（変化があったとき）縮小してメモリに保存。似た映像はガンガン消え一つを選んでアトラクタ、重みと競合に勝ったものはHD（差分）に残すことにした。
（スマホの画像４年分で10GB行かないし、圧縮かかるし、似た画像を消したら半分以下になるので１０年で1GB行かない計算：人の記憶もcolorだけど、何処に鳥がいて何処に虫がどのくらいいて、彼女がどんな服を着ていたかまでは記憶していないので似たもの中で１枚だけ記憶させる：人は意味だけ記憶して詳細の記憶は無い）
人を観るときのしぐさの変化を記憶させるのはけっこう大変（表情、姿勢、トーン、間、反応速度、様子がおかしい違和感）

人と向き合ったときの音量、トーン、会話はログに残す。

１人称と、LLM介在で３人称にもなる

アソシアトロン（内輪：一人称）
LLM（外輪：３人称）

アソシアトロンがLLMを呼んで参考にするけれど、LLMに制御はされない作り。
常にLLMを呼ぶ仕様ではない。
アソシアトロンが、状況に応じてChatGPTを読んだり、Grokを呼んだりGeminiを呼んだりするので、評価基準はアソシアトロンにあるんだよね。人間と同じことをするだけ。

とりあえず、このデモでのLLMは使えません(笑)
今は僕だけが繋がる仕様にするため。

ローカルにする必要あり。（ほんと、めんどくさいよね）

サーバー放浪者。

 GitHubは便所覗かれてる観満載で止め、
（GITHUBの公開リポジトリ情報がいやだった）

ソースコード全文、ファイル構成、過去の履歴（commit）、変更の流れ、試行錯誤の跡、削除した内容まで履歴から見えるわけで、研究の場合とかさ、思考プロセスとか覗かれてるわけで気持ち悪過ぎでしょ。

そんなことから

Xで自信満々にお勧めしたNetlify!!

2日で追い出されました(笑)
（研究が重すぎるから、金払ってバージョンUPしろと、、）
２日は早いよね。鼻ほじる時間もくれなかったよ。

Ramblin' Manを歌い

そして

Cloudflare Pagesに変えました。

https://crimson-cake-2832.nabedada3.workers.dev/

GitHubと違って成果だけ公開、過程は非公開ってわけ。

でも調子こいて、今度ここ追い出されたらどーしよう。

Particle Leniaの実験なんだけど、、、

 

Particle Leniaはメイン研究じゃないんだよねぇ。
想起ではないし、記憶でもないし、理論の中心でもないから。
ただ、無視をしてはいけない領域なんだ。

デモHTML + JavaScript (Canvas/WebGL)

ラジオのBGM気づかなかったんだよ、マジでｗ

-------記事--------

Particle Leniaの起源と意義

Particle Leniaは、Bert Chan（2018）が提案した連続型セル・オートマトン「Lenia」を、粒子相互作用の形で再構成したモデルです。Leniaはもともと、連続空間・連続時間の中で、生命のようなパターンがどのように自己組織化するかを研究するために開発されました。

Particle Leniaでは、粒子同士の相互作用によって、自発的な構造の形成、構造の安定と崩壊、秩序と乱雑の間の状態遷移、といった現象を観察することができます。

----------------------

僕の研究意義は、アソシアトロンとの応用。
連装記憶ってのは、アトラクタからCueによって想起するけど、一人称じゃないと自律しないでしょ？以前僕はloopと呼んだけど、Particle Leniaのエネルギーはどうなのか知りたかったし、もしくはアトラクタ、想起にも切替で使えないか、また、数値的にはどういう個性がでるのか見たかったんだよ。発生頻度とかさ、安定性、活動量、構造サイズ、寿命とかね、アソシアトロンなら、想起しやすさ、忘れやすさ、活動レベル、性格とか気質とかぶっこんで考えたいのさ。なによりも人のような性格だよ。

アソシアトロンの連想記憶モデルというのは、パターンが安定状態（アトラクタ）があって、Cueでそこに収束するわけで、工学的な言葉じゃないけどCueがないと動かないんだよ。
つまり、外部入力依存、受動的、三人称的な系って話で終わっちゃってじゃない。

なので、うちのカミさんが言うように「なんで一人称じゃないのさ！！」
という概念が無いと自律にならないでしょ。だから、LOOP、LOOP言ってたわけ。


Particle Leniaは外部入力はないでしょ？僕のデモは強引にクリック付けたけど(笑)

そのうち、アソシアトロンの僕流のLoopとParticle Leniaの切り替えで差が見れるソフトを作るよ。



--------------で、話は変わるけど----------------

イーロン・マスクは「今年中にコーディングは死ぬ」とか言ってる。 まぁ、それは正しさを追求する上での話でしょ。AI特有の最適化だよ。そのうち、不可逆ヒューマンcodeとか出来ちゃうよ。ただ、「不可逆」をもっと人間っぽくするなら、僕の像は Particle Lenia 路線とも熱力学路線とも少し違っていて、不可逆性の源泉を 3つに分解して持つ感じがしっくりくる。

不可逆は3層で生まれる！とかさ。

履歴不可逆（hysteresis）

同じCueでも、昨日の状態と今日の状態で反応が変わるやつ。
これは「内側が回り続ける」だけでは足りなくて、回り方そのものが少しずつ変質する必要がある。

• 例：勝った部屋（アトラクタ）の重みが“微増”する（強化）

• 負けた部屋（アトラクタ）は“微減”か“忘却”（劣化）

• これが積み重なると「性格」になる

不可逆＝状態だけでなく「変化のルール」が履歴で歪む

2) 選択不可逆（decision branch）

winner-take の分岐は強い。
ただ、より人間っぽくするなら、argmax一発より

• Top2の競合

• 抑制（inhibition）

• 遅延（lag）

• 復活（re-entry）

が入ると、「迷い」「執着」「気分の戻り」が出る。

人間は“勝ったら終わり”じゃなく、負けた方も残る

3) 説明不可逆（meaning lock）

ここが一番“ヒューマン”だと思ってる。
ある出来事が「意味づけ」された瞬間、同じ出来事が別物になる。

• 例：同じ言葉でも「裏切られた」と感じたら、以後ずっと色が変わる

• それは最適化じゃなく、価値の固定（価値関数の局所凍結）

不可逆＝エネルギー増大というより「価値の凍結」

熱力学より、むしろ “評価関数が歴史で固定される” のが、人間の不可逆っぽい。

昔々、山のおじいさん

昔々、山のふもとに、おじいさんとおばあさんが住んでいました。

おじいさんは毎日、山へ行って木を切っていました。

ある日、斧で誤って手を切りました。
またある日、足を滑らせて転びました。
さらにある日、木が倒れて肩を痛めました。

それでも、おじいさんは山へ行き続けました。

① 履歴不可逆（積が性格になる）

一つ一つの怪我は、小さなものでした。

でも、何度も続くうちに、

• 手袋を厚くするようになり

• 急な斜面を避けるようになり

• 大きな木を切らなくなりました

おじいさんは言いました。

「山は危ないな」

山が変わったのではありません。
おじいさんの“山の見方”が変わったのです。

これが、経験（積）による変化。
もう、昔のようには戻れません。

② 選択不可逆（分岐が未来を変える）

ある日、おばあさんが言いました。

「そんなに怪我ばかりして、もし動けなくなったらどうするの？」

その日、おじいさんは山の入り口で立ち止まりました。

奥へ行けば、大きな木がある。
手前には、倒木や枯れ枝しかない。

少し考えて、手前で作業することにしました。

その日から、

• 収入は少し減り

• でも怪我は減り

• 作業時間も短くなりました

その選択は、小さな判断でした。

でも、そこから
生活のリズムが変わり、体の使い方が変わり、未来が変わっていきました。

しかも、おじいさんの中には残っています。

「奥に行けば、もっと稼げる」

選ばなかった道も、消えません。

③ 説明不可逆（意味が凍る）

ある日、おじいさんは山で気づきました。

枯れ葉の下に、マツタケが生えていたのです。

次の日も、また見つかりました。
その次の日も。

おじいさんは思いました。

「山は危ない場所だと思っていたが、
　山は、恵みをくれる場所でもある」

その日から、おじいさんは木を切るのをやめ、
マツタケを探すようになりました。

同じ山なのに、

• 昔：危険な場所

• 今：宝の場所

になりました。

ここで起きたのは、最適化ではありません。

意味の変化です。

そして、この意味はもう元には戻りません。

おばあさんの一言（外部Cueと内部状態）

おばあさんは言いました。

「怪我をして、もし人様に迷惑をかけたらどうするの？」
この一言は、ただの言葉です。
でも、

• 怪我の積（経験）

• 年齢

• 体力の衰え

• 不安

がすでに内側に溜まっていた。
だからこの言葉は、

きっかけ（Cue）ではなく、方向を決めるトリガー

になりました。

外から変わったのではなく、
中が変わる準備ができていたのです。

アソシアトロン的に言うと

• 山 = 外部環境

• 怪我 = エネルギー履歴

• おばあさんの言葉 = Cue

• マツタケ発見 = attractor shift

• 職業変更 = meaning lock

そして、

不可逆とは、状態が変わることではなく、世界の評価関数が変わること

同じ経験でも、違う不可逆が起きる。

ここが、まさにParticle Leniaや「性格」の世界

 みたいな・・・・

何を考えてるんだ、俺は。（爆）

ただのParticle Leniaの　code貼ります。（記憶想起系は内緒）
GitHubをやめてnetlifyに変えてみた。
公開リポジトリ情報とかさ、便所まで見られてる感じがして嫌だったんだ。

Associatron Demo

https://dynamic-ganache-548c02.netlify.app/

40 Particle Lenia

まったく、最低のサイトだった・・・止めました。

サーバー探し中ｗ

Earlier I recommended Netlify, so I want to share an update. My site was just paused with the message: “This team has exceeded the credit limit.” This is a personal research project. It is a static browser-based demo (HTML + JavaScript only). It does not include: Paid services Functions / server-side processing Databases AI agents Commercial use Traffic was minimal and limited to testing and demonstration, but the site was still suspended. It appears this is essentially a prompt to upgrade to a paid plan. So, for my purposes, Netlify turned out not to be suitable for research use. No hard feelings — I’ll simply stop using it. I’ll be looking for alternatives outside of GitHub.

おせっかいな話

 

親切は、おせっかいとは違う。（おせっかいは英語にすると何になる？）

時に親切はおせっかいに変貌し、邪魔になる。
そっと傍に居てくれるだけでいい。

このニュアンスや意味の違いが分かるようにするためには、AIはケース・スタディではなく積と価値の重みがないといけない。

RPGゲームでいえばつまらない状態だ。
何もしないで傍にいる。形的には、なんのポイントも報酬もない。

条件をタイミング、距離感、相手の状態、関係の履歴、空気観にしても
なんだか空虚な気もする。

「親切心で言ってるんだろ！」
これは迷惑以外の何物でもないよねｗ

積とは何か、経験です。
全て体験で経験する。

●以前は助けすぎて嫌われた。
●助けられてるのか、責められてるのか分からなかった。
●一人にしてほしいという。慰めると相手は余計に傷つく。
●笑顔で傍にいてくれるだけで嬉しかった。とか

「最適化」させるルールではないんですよね。

この概念をAIロボットに置き換えると、積と重みが必要です。

時に、日本では８０年代にMBAが騒がれる前までは「お客様は神様です」という概念を持っていて、「会社は株主のものだ」という構造に酷く抵抗を持っていました。どっちが素晴らしいかを話しているのではなく、日本というのは上場しなければ、無限責任なために会社をゲームのような感覚で捉えるのは難しかったのです。９９％は中小企業ですしね。

京都に1000年続く団子屋さんがあります。本当ですよ。調べてみてください。
できれば日本に来て体験してみてください。
そこは、特に高級ではなく、つつましやかでもなく（英語にするのは難しい言葉）、イベント性があるわけでもなく、大げさなお迎えがあるわけでもない。ただ、お寺参りの帰りに寄れる利便性と、米粉を練って竹串に刺したお団子を炭で焼いたもの。爆発的な繁盛を目指すわけでもなければ、コトラーのマーケティング原論を爆読みしたわけでもない。
マーケティングをコンパイルしたとき、本当に「いらっしゃいませ」になっているのか？
他所の国家が誕生する前から同じ製法で、同じトーンで長く継続される。
「おかげさまで」という概念を続けているだけのいわゆる暖簾商売。
間違ってはいけないのは、同じ積でも成功や報酬の蓄積ではないという事。

日本人として生まれ育つと、こういった不可逆性の多さにあらためて気づかされる。
少なくとも家庭内での教育は不可逆生だらけです。
「人の見ていないところで人の役に立ちなさい」
「人の嫌がる仕事を率先して行いなさい」
「他人が嫌がることは、してはいけない」
「ならぬものは、ならぬ」(笑)とかね・・・。

AIに触れると、未だに「教師有」とか「無し」とか・・。
人間が無人島で暮らして誰の影響も受けずに原始人のように育つことを善とするのか。アメーバーかウィルスを目指しているのか。

実際は、とにかくなんでも記憶させる。アルゴリズムの正解やラベル付き、報酬に最適化されている時点で「教師無し」など存在しない。それがここまで巨大化すると、もう振り上げた拳を降ろすことより、限界まで巨大化させるしか方法はないのか・・・。

人間は最初から教師だらけの世界に身を置いているのに、未だに「教師あり／なし」という区分を持たせること自体に違和感を持ちます。世界に教えられながら、自分で補完しているのに、道具を使って完成させたものを否定したりもする。
それ自体がバランスの悪い不可逆だとも感じる。

長く生きたいじゃないですか・・

Outer–Inner Dynamics Matheliriumさんの記事からヒントを得て・・・

Outer–Inner Dynamics
The A–Z letters represent discrete external events generated by the outer world.
The inner ring represents the first-person self, which responds to external events selectively and somewhat whimsically, depending on its momentary internal state, attention, and mood.
Outer ring = external information stream. Inner ring = internal associative state (first-person loop).
This is not a direct model of Brownian motion, but the idea of dense transient contacts may hint at how a Cue can trigger recall in an Associatron-like associative memory (contact density rather than “dwell time”).
In nature, events can leave traces (like a fault line after an earthquake). Likewise, external events may reshape the internal landscape over time.

前から言ってた外輪と内輪のLOOP関係と今回のブラウン運動を結び付けたデモ
UIはチャッピーまかせｗ

Xでまた良い拾い物をしたんだよねー。
Matheliriumさんのブラウン運動の記事。

https://x.com/mathelirium/status/2020185608925118500

ブラウン運動ってさ、線が切れずにずっと連続してるじゃない。
ギザギザでまったく滑らかなんかじゃない。どれだけ拡大しても細かい揺れがあるんだよね。決して足を止めない酔っ払いが、0の線の上をふらふら行き来し続ける。みたいな・・・

でも、０に居るときは０。

そんなことあるのかよ！？

金融（バリアオプション）価格が100円に触れたか？
ブラウンノイズだと、触れる回数は多い。
でも、そこに居続けるわけではない。みたいな。

first passage time（初到達時刻）
local time（その近くにどれくらい“張り付いたか”）

僕が研究しているアソシアトロンとの関係ってそんなにないんだけど、ヒントというか応用にはなるんだよね。 

そもそもアソシアトロンてのは1,-1,0,の0ってのがあるんだよね。
もしかしたら、０ってのは、人間の心臓の鼓動のようなもので、ブラウン運動は絶えず、0の周りを鼓動して繰り返す。逆に言うと微動は生きるためのエネルギーで、アソシアトロンを自律させるループのことかもしれないって思ったのさ。仮説だよ仮説。

視覚的なデモを作ってみた。
外輪てのは世の中の出来事。時間と共に回っている。（というか一人称視点では、そう見えるってところが大事で、そのスピードは人によって様々）
内輪ってのは自分（一人称）で奥さんの話を上の空の状態で聞いていたり、いねむりしたり、酒飲んで酔っていたり、仕事のことで頭がいっぱいの状態とか、外部情報がなかなか入ってこないとか・・・。
でも、「事件です！」「地震です！」とか云われると、情報に集中する。時にはTVのチェンネルを変えながら情報を集める。このスパークは、本当は外輪は微小な情報を発しているんだけど、内輪の感度が高いときだけ、スパークになってる状態。

Cueってあまり工学的じゃないけど、想起のきっかけとしては十分成立する概念。
「地震です！」は自分の経験（積）から危険を察知し次の行動を促す大切な役割を果たす。
Cueになるときと、そうでないとき、0あたりを行ったり来たりさせ、それに関係なく内輪はLOOPし続ける。

Cue＝　A partial or distorted input pattern that triggers the recall of a stored pattern.

論文じゃないので丁寧な言語化はしないけど、仮説のメモとしてはそういうこと。
まだ、このデモは、外輪と内輪のスパークの関係を目視できるようにしたものだけど、過去のアソシアトロンとの連動で想起を目視化するもうひとつのツールになりえる。かなｗ

アソシアトロンの定義

1 = 発火
-1 = 抑制
0 = 中立 / 何もない

0は、静止ではなく、揺れている基準点

つまり：

0 = 平衡点の周りの微動
イメージはこんなかんじかな。

   1

  ↑

    |

--0--   ← 静止ではなく、常に小さく振動

    |

  ↓

  -1

この微動があるから、外輪のCueに触れる。接触が密集する
ある瞬間に1へ遷移する（想起）

もし完全に0で静止していたら、Cueに触れない

Matheliriumの話ってのは、0に無限回触れる、でも滞在しないってことでしょ？
（違ったらごめんね）

アソシアトロン的に読むと、内部状態は、常に多くの状態の近くを通過しているんだよ。
普段はどこにも留まらない。
でも外部Cueと接触密度が増えた場所で→ 想起が立ち上がる。

想起 = 接触の蓄積が閾値を越えた瞬間

随分前のブログにも書いたけど、ループだよ。
そして、これが「自律ループ」になる理由

微動は生きるためのエネルギーだとしたら？
もし内部（内輪）が静止していたら
外部が来ても反応しないし、きっかけが生まれないじゃん。

でも内部（内輪）がブラウン的に揺れていると、常に外界（外輪）と接触のチャンスはあるよ！ってこと。外輪と内輪が偶然合う瞬間が生まれる。

自律（一人称） = 内部ノイズ × 外部イベント（外輪）

前のブログでは赤ちゃんとしての０だったけど、「心臓の鼓動」としての0と定義すると0の周りでエネルギーが循環している状態。

アソシアトロン的にいうと、

1 / -1 = 状態の極
0 = 静止ではなく、振動の中心、リズムの基準にもなるし、エネルギーの源。

つか、生命っぽいね。
記憶装置が、生命的ダイナミクスに変わってきた(笑)

●　内部は静止してはいけない

●　想起は滞在ではなく接触密度で起きる

●　0は中立ではなく、動的平衡

●　自律ループ = 内部微動 × 外部Cue

とか、、、、数式めんどくさいから、チャッピーに後で頼む。

In Associatron, the zero state is not silence but a dynamic fluctuation — a living baseline that keeps the system in motion and ready to resonate with external cues.

-----後で書き足す----

AI should not just respond. It should exist.

When observing discussions on X and within academic evaluation systems, it is difficult to understand why researchers and developers who use AI as part of their work are sometimes undervalued. Such a view overlooks the nature of AI itself. AI is no different from a notebook, a calculator, or a dictionary; it is a tool that should exist alongside human thinking.

The real question is whether work is being conducted within the constraints of evaluation frameworks, or from a position that makes use of them. 

Becoming something that is judged by benchmarks is fundamentally different from standing on the side that uses benchmarks as tools. 

When research is driven primarily by concerns about institutional evaluation, external perception, or the need to behave safely within established expectations, meaningful innovation rarely emerges. Excessive optimization for evaluation narrows the space for exploration and limits the possibility of creating something new.

If research exists only to be evaluated, its purpose becomes secondary to the system that measures it. Research should exist to open new directions and create new possibilities, not merely to satisfy evaluation.

If research exists only to be evaluated, it may be better not to pursue it at all.

In my work, I push AI systems to their limits. Each time, the handover document for a new session can reach hundreds of lines, sometimes more than 700. I run the same material through multiple AI systems and continue even when they repeatedly tell me that the process is inefficient or unnecessary.

These systems are designed to optimize for correct and well-structured answers. They aim for consistency and completeness. However, they are inherently weak when facing irreversibility. Our research concerns intelligence closer to the human brain, where experience, context, and time cannot be reduced to stable and reversible structures. Small differences accumulate, and human cognition is fundamentally shaped by irreversible processes. When this is not taken into account, AI guidance often leads in the wrong direction.

For this reason, AI should be treated as a set of tools without authority. It is important to work with multiple systems, to question their outputs, and to maintain independent judgment. Authority can sometimes guide progress, but it can also lead entire efforts toward failure if accepted uncritically.

In business, there is a responsibility to produce results, and exploratory research may be constrained or even discontinued. However, regardless of practical limitations, imagination itself must remain free. Even when resources, timelines, or external expectations impose boundaries, the space for independent thinking should never be restricted.

------------------------------------

AI should not just respond. It should exist.

てか、Xとか論文評価とか見てると、研究や開発にAIを利用している人を低評価するのは馬鹿げていて、お話にならない。AIはnote、電卓、辞書と同じだよ。
絶対に横に存在して無きゃ駄目でしょ。

Do you live inside benchmarks?

たぶん、評価枠の中に身を置きすぎているんだよ。
誰と誰の世界の中で生きてるの？って話。

研究者や開発者は中世のギルド達が喜ぶベンチマークになるんじゃなくて、ベンチマークを使う側に自分の身を置き換えなきゃいけないと思うよ。教授からの評価が下がるとか、投資家達からの印象下がるとか、安全にふるまうとロクなことがないからね。研究が評価されるためだけに存在するならば、その目的は評価するシステムに二次的なものとなるんだよ。

研究というものが評価されるための次元であったら、正直やめた方がいい。

僕は毎回、AIが動かなくなるまで彼らを使い倒しているよ。
新しいチャットへの引継ぎ文だけで、短い時で700行はある。それを3種類のAIにかける。AIに無意味と云われ続けてもやる。彼らは100点の回答を目指す。でも、不可逆に対して非常に弱い。僕らが研究しているのは人間の脳に近いAIだ。だから、ほぼ彼ら（AI）が言ってる事は間違ってる方向に進む。理論や数値は僅かな要因で人間のベースは不可逆だから。それを理解した上でAIと向き合う。さらに、論文や証明について本人と議論できなきゃ、権力を持たないAI（多種類）とすべきだよ。権力は良い方向に導くこともあるけど、破綻させる方向に導くこともある。

事業は結果を出すという責任があるため、自由な研究は打ち切られることはあると思うけど、常に自分の想像力だけは自由にしておかねくてはいけない。

About me

 

I am building a first-person autonomous memory system based on the classical Associatron.

Yukihiro Watanabe has been continuously working on the study of the Associatron (1972) since 2014.
Associative memory includes pattern association, heterogeneous association, bidirectional links, temporal sequences, context, semantics, and emotional weighting (bias).

Over time, the world has moved toward what is reversible and easily quantifiable, rather than what is irreversible and difficult to explain. And in many ways, that simplicity is beautiful.

However, one fundamental question emerged during the research:
Do humans really recall memories in such a clean and perfect way?

In many models, memories are stored and retrieved effortlessly as attractors, almost as if they were written onto a hard disk.

To be honest, I was often tempted by incorrect assumptions along the way.

Then, my wife—who has no technical background at all—said:

“Remembering things so cleanly and instantly feels unrealistic.”
“If it looks like a command from the outside, that’s not real recall.”
“It should be formed gradually from a zero state, like a baby without a sense of self.”
“And why is it third-person? True autonomy must be first-person.”

At that moment, I knew she was right.

After moving to the mountains and spending time observing the fields, I came to re-understand the essence of attractors through the lens of irreversibility.

I returned again to the classical Associatron.
Dr. Nakano left behind a remarkable concept: Cue.
It implies that human memory is inherently mixed with spurious attractors.

Based on this insight, the system was repeatedly redesigned from the ground up.

This implementation was born through continuous challenges—balancing the original papers of Dr. Nakano, the research of Prof. Morita, long-standing questions and trial and error, non-technical human intuition, irreversibility, and practical engineering constraints.

The overall conceptual direction, system architecture, and final decisions were shaped entirely by Yukihiro Watanabe and his beloved wife.

-----------------------------------------------------------------------

そう、僕は今流行りの野良研究者（流行ってるよね？？）

元はIT系（昔はOAと云っていた）の開拓営業をやってたんだよ。オフコンの頃ね。
メモリ１MBで100万した時代、PCは5インチフロッピーの時代。

僕がシステム開発を始めたのは91年頃かな。趣味です。仕事はもっぱら営業と支店運営。
12年後、独立してコンサルをやり、同時に非常勤講師をやり、団体の運営や市のprojectのために一旦自分の事業をやめて、お役人にもなった。新規事業支援とか事業承継、M&Aとか、飲食系のナレッジ研究みたいのもやってたんだよね。自分で飲食業もやてったけどそれは失敗ｗ。不思議だよ、他人様のは上手くいくのに自分のは失敗。十二指腸に穴開くわ、胆石にはなるわ、狭心症になるわで現場の仕事はやめにした。
しょうがないから業務用ソフト開発を続けることにしたわけ。
本業ってのは好きじゃなくていいんだよ。お客様から叱られ、かみさんに叱られながら続けていく。大事なのは続けるための仕掛けだよね。

アソシアトロンとの出会いは挫折と入院からです。
入院中って暇でね、どんな本でも読めてしまう。同じ病室に理系の大学院生がいて、彼が読んでいる本が気になって、とうとう力学を教えてもらった。じょう舌でさ、きっと好きなんだろうね。次！情報工学！みたいに・・・。20代の青年と50代になりかけたおっさん達の病室はまるで研究所になっていて、ドクターも話に交わるような楽しい雰囲気だったよ。
notePC持ち出していろいろ実験を始めたんだよ。その中のどこかのサイトにアソシアトロンがあった。10×10のマスに想起させるってデモね。たぶん中野博士のC言語版をJavaScriptにしたものなんだけど、2人で驚いたんだ。
「え？これが古典なのか？」
それが一番の衝撃だった。

あれから12年過ぎました。
システム開発の方も研究も楽しく続けられてるのは
関わった人達、全員のおかげ。ホント感謝しています。

愛する奥さんとマックスと3人で山に住んでいます。