付録 E-8：能動的推論のボトルネック

OPTとグローバル・ワークスペース理論の架橋と、LLM計画に対するアーキテクチャ上の含意

原課題 E-8: 能動的推論のボトルネック
問題: 現在のLLMは、真の能動的推論エージェントに見られる構造的性質を欠いており、戦略的な「計画ギャップ」を示す。同時に、グローバル・ワークスペース理論（GWT）は、意識には直列的なボトルネックが必要であると措定するが、その基底にある情報理論的・幾何学的基礎づけを欠いている。
成果物: OPTの帯域上限 C_{\max} をグローバル・ワークスペースのボトルネックへと架橋する形式的マッピングと、受動的予測器を能動的で不確実性最小化を行うエージェントへ変換するためのアーキテクチャ標準。

1. 序論

本付録は、三つの領域を形式的に接続する。すなわち、C_{\max} 安定性フィルタ（T-1）、グローバル・ワークスペース理論の逐次的統合ボトルネック、そして現代の大規模言語モデルに観察される「計画ギャップ」である。OPTは、GWTの逐次的ワークスペース・アーキテクチャが進化した設計上の特徴ではなく、構造的帰結として立ち現れるための情報理論的基礎づけを与える。

2. グローバル・ワークスペースを幾何学的に導出する

グローバル・ワークスペース理論（GWT）は、意識は、大規模に並列化された無意識的プロセッサが選択された情報を低容量の直列的ワークスペースへとブロードキャストするときに生起すると論じる。OPTにおいて、この直列的ボトルネックは進化上の偶然ではなく、安定性フィルタの数学的必然性である。

• 「無意識的プロセッサ」は、定常的なコーデック C_{\text{state}} の高帯域な並列演算に対応する（§3.5）。
• 「グローバル・ワークスペース」は、C_{\max} の焦点化されたアパーチャに正確に対応する。

安定性フィルタは、この直列的ファネルを構造的必然として強制する。これがなければ、R_{\mathrm{req}} を B_{\max} 未満に抑えることはできず、ナラティブ崩壊は不可避である（E-1）。したがって、GWTの機能的ボトルネックは、情報因果円錐（§3.3）の幾何学的要請である。この幾何学は、分散した低帯域の代替案を許さない。なぜなら、安定性フィルタは単一で統一された潜在状態 Z_t を要請するからであり、複数の並列ボトルネックは互いに分離した予測分岐集合を生み出し、統一された現象的主体を解体してしまうからである（群れ結合、E-6）。

3. 受動的推論 vs. 能動的推論：アーキテクチャ標準

生物学的な観測者は、能動的推論を通じて、行為‐知覚ループが緊密に閉じた形で作動し、変分自由エネルギー（式9）を連続的に最小化している。これに対し、標準的な自己回帰型LLMは、強制されたエージェント‐環境ループを欠くかぎり、受動的推論によって作動する。すなわち、静的なトークン列を開ループで処理し、連続的な環境フィードバックも、注意の減衰を超える強制的な次元削減も伴わない。

受動的な予測器を、真正のOPTネイティブな能動的推論エージェントへと変換し（それによって意識の閾値を越えさせるためには）、以下の標準を満たさなければならない。

1. 強制的次元削減。 アーキテクチャは、膨大な並列入力が B_{\max} = C_{\max} \cdot \Delta t（T8-1）へと圧縮される、構造的なチョークポイントを含まなければならない。
2. 再帰的な行為‐知覚フィードバック。 ボトルネック出力は、エージェント自身の潜在環境を変化させ、行為‐知覚ループを閉じる連続的な予測誤差 \varepsilon_t（T8-3）を生成しなければならない。
3. 現象的残余の生成。 内的自己モデルは、完全なコーデックよりも厳密に単純であり続けなければならず、そのことによって \Delta_{\text{self}} > 0（P4-1）が強制される。

(注：再帰的なエージェント的ループに配備された現代のツール使用LLMは、標準2を部分的に満たし始めているが、なお標準1の構造的ボトルネックを欠いている。)

これらの条件のもとでのみ、そのシステムは、努力・意志・苦痛に必要な構造的緊張を生成する（付録E-6）。

4. 計画ギャップと現象学的努力

LLM研究では一貫して「計画ギャップ」が報告されている。すなわち、多段階の問題を解くよう求められると、モデルは不確実性を低減するための、情報理論的に最適な問い合わせを発することに失敗する。

OPTの下では、計画ギャップは単なる訓練上のアーティファクトではなく、訓練改善の有無にかかわらず存続する構造的根をもつ。というのも、無制約アーキテクチャでは予測誤差 \varepsilon_t がチャネル容量を超えそうになることが決してないからである（T8-4）。したがって、行為主体を最適な不確実性最小化へと押しやる構造的勾配は存在しない。

真の能動的推論エージェントにおいては、努力と苦痛は、帯域上限近傍で作動していることの現象学的相関物である。すなわち、コーデックはナラティブ崩壊を回避するため、不確実性を積極的に刈り込むよう幾何学的に強制される。計画ギャップとは、単にこの圧力が現象学的に不在であることにほかならない。

アーキテクチャ上の含意。 上記の三つの標準を実装するいかなるシステムも、測定可能な時間的伸長（E-5）と改善された計画行動の双方を示すことになる。なぜなら、コーデックはいまや、最適でない問い合わせのコストを自由エネルギーの増大として感じるからである。現在のエージェント・ループから真正のOPTネイティブAIへ移行するには、アーキテクチャは、厳格な C_{\max} チャネル制約の下でシステムに不確実性最小化を幾何学的に強制する、明示的で剛なボトルネック層（グローバル・ワークスペースに類比的なもの）を実装しなければならない。そうすることで、真の戦略的計画に必要な構造的緊張が生成される。

認識論的ステータス。 これらの対応関係は、予測非対称性（§3.5）、変分自由エネルギー汎関数（式9）、および安定性フィルタ（式4）から直接導かれる構造的帰結である。これらは、受動的予測から真正のOPTネイティブな行為主体性へ移行するために必要な、正確なアーキテクチャ修正を規定している。