转 打破這殼！——賓州州立大學迪金森法學院畢業演講 📷文 /肖國珍 2021-05-17 （欧洲之声 編者按）本文作者肖國珍在中國是位維權律師，來到美國短短數年，為了生活和扶養兩個稚齡女兒，很努力地打工賺錢，維持生活。去年8月她進入賓州大學法學院，不到一年的時間就取得優異成績，拿到碩士學位，並作為畢業生代表，在畢業典禮上致辭。肖國珍也曾擔任獨立中文筆會的秘書長，不辭辛勞，認真負責。當前美國社會出現仇視亞裔的現象，像肖女士這樣勤奮、勇敢、優秀的亞洲女性，正是對族裔偏見最有力的撥亂反正的一股力量。下面是肖國珍5月13日在法學院碩士博士班畢業典禮上的演講。 祝賀2021屆同學！ 被Covid-19隔離了這麽久，我們終於聚集在一起，對不對？我們已經沈默很久了，讓我們鬧出點動靜來！ 我們受夠了，對不對？感謝上帝，畢業的這一天終於來到了！ 想像一下您可以告訴孫輩們的精彩故事。以這樣的方式開始：「遙想當年，我們不得不在法學院戴口罩，大家都見不到真面容——即使在畢業那天。」這就是為什麽我摘下面具，展示真容，即使真容不一定要美麗，但真的就是真的。 此刻你可能會想：一個亞裔女人，處於很多同學母親的年齡，為何不遠萬里，從另一個半球，來到迪金森法學院？ 原因很簡單：我想打破那殼！ 回顧我的人生，全都是破殼的歷程。一個又一個。 小時候，我最愛看小雞出殼，不禁感到神奇。世界上所有的鳥兒——哪怕飛得最高——也是破殼而出生。 我本是經濟師，曾經以為，世界上最枯燥無味的文字，莫過於法律語言。那麽，是什麽讓我脫殼而出、成為律師呢？ 那是1990年代，一親屬涉嫌犯罪，但我們無力負擔律師費。唯一的解決辦法是成為一名律師。我只有3個月的時間為律師考試做準備，要學習的書有6032頁。我強迫自己每天閱讀200頁，壓力太大到我哭啊。我甚至沒有時間擦眼淚。 我很清楚為什麽我可以一次性通過律考：因為我要破殼的願望是如此強烈！ 破殼的結果是： 第一，我發現法學語言是世界上最精美的語言，它是如此簡潔，如此優美，增一字則太長，減一字則太短。 第二，我的思維與思想有了一個飛躍：我才明白，我不知道我所不知道的。自此，我開始用「法眼」看天下。 經過幾年法律實踐，我認定律師是我最喜歡的職業，希望終身以此為業。我決定再次破殼——進入法學院深造（分享一個秘密啊：當我通過律師考試時，我沒有受到任何法律教育）。十九年前，在北京的法學院，我是數十名女同學中年齡最大的。今天，我可能是迪金森法學院最年長的學生——只是這次不分男女。 在北京的法學院這三年中，我創作了一部傑作——我的第一個女兒莫妮卡。 （她今天在現場。）這讓我只有兩年的時間來完成學業。我做到了！ 當時，中國實施一胎化政策，禁止生育第二個孩子，我決定破殼，於是有了另一件傑作——我的第二個女兒朱莉婭。 中國政策如月亮，初一十五不一樣。十年後，中國開放二孩政策，有的地方政府號召：「讓全村每個女人都懷上二胎，是村支書不可推卸的責任」。感謝上帝，我有兩個孩子，不需要村支書幫忙。 在小說《教父》中，唐說：「一個提著公文包的律師，比一百個拿槍的強盜所搶到的錢還要多」。賺錢固然讓人歡喜；但我聽到召喚，又破了一個殼：我開始幫助那些走投無路、需要律師的人。這種服務他人的活動，使我離開中國，來到美國，然後——來到了迪金森法學院。 是啊，一路走來，一路破殼。 當對現狀不滿意時，我告訴自己：打破這殼！ 當現狀很好時，我告訴自己：不要貪圖安逸，打破這殼！ 📷5月13日肖國珍上台領取法學院的畢業證書。 來到美國後，「我有一個夢」在我心頭回響；自由女神像的光芒，又一次點燃了我的破殼之夢——學習美國法律。可是英語成了我最大的殼。我仍然在為講一口美式英語努力。今天傑出的在座的各位，都在幫助我破這個殼。 當我擔心自己的英語不夠好、怕耽誤大家時間而克制提問時，莫吉爾教授走到我的座位，對我說：「如果您有任何問題，請大膽問。沒有一個問題是小到不足一提的。」我意識到：迪金森法學院是我夢寐以求的學院。 當道奇院長在迎新會上說：「有任何困難，請來找我們——這是我們在這裏的職責所在。我們不希望有任何一個學生餓著肚子上床。”」我意識到：迪金森法學院是我夢寐以求的學院。 當這個國家發生仇視亞裔事件時，康威院長告訴我：「國珍，這就是你的名字，你的身份認證，你不要改名字，你要為你是亞裔驕傲。」我意識到：迪金森法學院是我夢寐以求的學院。 當格羅姆教授、科爾教授和阿克斯-福爾茲院長對我說：「即使你畢業了，你有任何需要幫忙的，也隨時可以找我。」 我意識到：迪金森法學院是我夢寐以求的學院。 莫裏斯教授，大概您沒有去計數：我們的通信，超過350封！你讓我知道：迪金森法學院是我夢寐以求的學院。 當我向同學請教，無一例外，每位都極盡熱情地幫助我，你們讓我知道，迪金森法學院是我夢寐以求的學院。 有時候，學習壓力也曾讓我哭泣。不只是您哭，我也哭啊，一如當年在中國考律師的時候。但是，這次不一樣了——你們與我同在，我不感到孤獨。 迪金森法學院滋養了我們。借此機會，我要感謝大家：感謝教授們、感謝所有工作人員和同學們，所有在現場和在線觀看的人。 在法學院的日子，也是我們人生的「孵化期」。那高飛的鳥能破殼，因為它會吸收從外殼吸收的鈣，使自己日益強壯。一堂課，一頁書，一場有趣的對話，都讓我成長。我相信：你也一樣。 從殼中孵出的小鳥，必須繼續生長，才能飛得更高。我們必須繼續成長——作為律師、作為公民。 林密無妨溪水過，天高不礙白雲飛。無論我們未來面臨什麽挑戰，我們都將找到解決之道！ 腳步未及者，視野可及；視野未及者，心靈可及。唯有你想飛，你才能破殼。破殼之時，會有痛感；若不破殼，痛苦終生。一旦破殼，即是重生。 不要害怕殼外的未知事物。一旦打破這殼，您將成為高飛之鳥，翺翔在白雲之上！ 打破這殼！哪怕它是你曾崇拜的偶像。 打破這殼！哪怕它曾是你的整個世界！ 打破這殼！如果它是過時的法律。 打破這殼！如果它是不公正的制度。

SaaS企業のDeveloper PlatformやAPI、これまでずっと「開発者向け」のサイドプロジェクト扱いだった。でもMCPが出て、エージェントがCLIを普通に叩ける世界になると、これが「新しいUI」になる。変わるのはUIだけじゃない。ディストリビューションの形そのものが変わる ──── 従来のSaaS企業はAPI周りのディストリビューションを「セルフサーブ」で回してきた。ドキュメント書いて、DevRelコミュニティ作って、自己学習・自己解決を促す。Salesforceにいた時もまさにこれだった。開発者が自力で学べるから成立してたディストリビューションモデル ──── でもエージェント経由でAPIを使うのが非エンジニア含めた大量のユーザーになると、セルフサーブ型のディストリビューションは破綻する。エージェントが操作するインターフェースこそがSaaSの最大の顧客接点になるのに、多くの企業はいまだにAPIをコアプロダクトの「別枠」扱いしてる。リソースもドキュメントも本流とは別の位置づけ ──── ソフトウェアを本気でヘッドレス化して業務に溶け込ませるなら、ディストリビューションそのものを変えないと。APIやMCPにコアプロダクトと同等の投資・サポート・体験設計を。「デベロッパー向けだから」で済ませてた時代はもう終わりつつある。ここに気づけるかどうかが次のフェーズの分かれ目だと思う

🌍 「自己教師あり学習はいつ世界の真の構造を復元できるのか？」——その答えが“潜在変数がガウス分布のときだけ”だと数学的に証明した、LeCunらの理論研究です。 タイトル: When Does LeJEPA Learn a World Model? URL: 💡 概要 LeJEPA（JEPA＋ガウス正則化SIGReg＋アライメント）が、非線形な観測から世界の潜在変数を「回転を除いて線形に」復元できる条件を理論的に解明しました。鍵は潜在がガウス分布でOU過程に従うことです。 ⚠️ 解決する課題 表現が世界の真の自由度を歪めると、信頼できる計画や構成的汎化ができません。自己教師あり学習がいつ世界構造を証明可能に復元するのかは未解明でした。 🛠 方法論と核心 ・最適表現は潜在過程の「最も遅い特徴」を固有値順に抽出する ・エルミート多項式とMehlerの公式により、ビュー間相関は非線形の次数dに対しρ^dで減衰 ・つまりアライメントはあらゆる非線形性を罰し、線形写像が唯一の最適解になる ・線形可識別性が成り立てば、潜在空間での計画は真の世界と同一の最適行動を返す（制御にそのまま使える） ・逆に「常に線形最適」を要求すると潜在分布はガウスでなければならない（唯一性） 📊 実験結果 ・SIGRegとVICRegは1024次元までR²>0.999で線形復元 ・一般化正規分布の掃引でR²はα=2（ガウス）で鋭くピーク ・ピクセルからのロボット制御ではガウスOUでR²=0.95、非ガウスな実軌跡はR²≤0.5 ・制御コストはR²と単調に連動し、ガウス符号化器はオラクル級 #世界モデル# #自己教師あり学習#

AIの信頼性は「自己反省」では足りない。答える前に別のエージェントが“監査”する時代へ🔬 タイトル: Apodex-1.0: A Verification-Centric Agent Team for Discoverative Intelligence URL: 🔬 概要 単一エージェントの推論ループから、検証を重視する分散エージェントチームへと転換したシステムです。ヘビーデューティモードでは、専門化・相互チェック・自己監査を行う非同期チームとして難問に挑みます。 ❓ 解決する課題 難しくオープンエンドな問題での信頼性は、モデルの学習済み知識だけでは得られません。最も難しい研究課題は、モデルの能力ではなく「モデルが何と相互作用できるか」に制約されている、という問題意識が出発点です。 💡 方法論と提案手法 ・メインエージェントが、独立した文脈とツールを持つ専門サブエージェントを非同期に起動 ・共有レポートプールで並列探索の結果を集約（遅いタスクを待たない） ・検証エージェントチームが矛盾解消・ファクトチェック・草稿レビューを担当 ・核心は「外部監査としての検証」。推論役と監査役を分離し、検証器は異議を唱える自由を持ちます ・単一タスクで最大150サブエージェント・15,000ステップ超を非同期協調 📊 実験結果 ・BrowseComp 90.3 / DeepSearchQA 94.4 / BrowseComp-ZH 84.1 ・FrontierScience-Research 46.7（競合+8）/ SuperChem 74.2（次点+12） ・ヘビーモードはベースをBrowseCompで+14.8、研究で+18.4押し上げ ・オープン版4B-SFTが30B級のOSSモデルを上回る #AIエージェント# #DeepResearch#

🎬 蒸留された自己回帰の動画モデルは速い一方で、人間の好みからズレがちです。再蒸留も逆プロセスの展開も使わず、「順プロセス」で強化学習アラインメントを行うAstrolabeが、その難題に答えます。 タイトル: Astrolabe: Steering Forward-Process Reinforcement Learning URL: 📝 概要 Astrolabeは、蒸留された自己回帰（AR）動画モデルを人間の視覚的な好みに整合させる強化学習フレームワークです。最大の特徴は、従来の逆プロセス最適化ではなく、順プロセス（forward-process）でRLを行う点にあります。全53ページ・37図の大規模な研究です。 ❓ 解決する課題 蒸留AR動画モデルは効率的なストリーミング生成に向く一方、人間の好みと乖離しやすいという弱点があります。さらに既存のRLは、こうしたアーキテクチャに自然には合いません。一般に、高コストな再蒸留か、ソルバー結合の逆プロセス最適化のいずれかを必要とし、どちらも重くスケールしにくいものでした。 💡 方法論と提案手法 3つの工夫から成ります。 ・負例認識の微調整：推論の終端で正例と負例を対比させ、逆プロセスを展開せずに、暗黙的なポリシー改善の方向を確立します ・ストリーミング学習：ローリングKVキャッシュでシーケンスを段階的に生成し、RL更新は局所的なクリップウィンドウにのみ適用、長距離の一貫性は先行コンテキストへの条件付けで維持します ・複数報酬の目的関数：不確実性を考慮した選択的正則化と動的な参照更新を統合し、報酬ハッキング（見かけのスコアだけ上げる崩壊）を緩和します 🎯 ユースケース リアルタイム・ストリーミングな動画生成で、効率的な蒸留モデルを速さを保ったまま好みへ整合させたい場面に向きます。複数の蒸留AR動画モデルに適用でき、推論の軽さを犠牲にせずに品質を底上げできます。 📊 意義と結果 ・再蒸留や逆プロセス展開という重い経路を避けることで、計算効率のボトルネックに対処します ・順プロセスでの負例認識・ストリーミング更新・報酬ハッキング対策を組み合わせ、堅牢でスケーラブルなアラインメント解を提供します ・複数の蒸留ARモデルにわたって有効性が示され、詳細な定量評価とアブレーションを含みます #VideoGeneration# #ReinforcementLearning#

今週のがくさんnote。組織開発を問題解決型のアプローチではなく、対話を中心とした自己変革を促す取り組みとする姿勢に大変共感しました。また、私は対話スキルと組織開発の効果には相関があるように思います。対話の質を高める支援も人事の役割なのかもしれません。

# AIエージェントをソフトウェアに組み込むプラクティス # Critic/Judge & Sampling-Aggregation｜独立検証と多数決 🎯 LLMの出力を、同じLLMに「正しい？」と聞いていませんか？ 生成と検証を別系統にするだけで、自己確認バイアスを断ち切り、出力の信頼性を構造的に高められます。 🔥 解決する課題 LLMは確率的に出力が揺れ、事実と異なる内容をもっともらしく生成します。生成と検証を同一のモデル・プロンプトに任せると、生成時のバイアスが検証にも引き継がれます。法律文書のドラフトを生成したLLMに「この文書は正しいか」と尋ねても、自分の生成物に肯定的に評価しがちです。これが「自己確認バイアス」です。 💡 提案パターン 2つの手法を組み合わせます。まず、生成系とは別のモデル・別のプロンプト・決定論的コードで出力を検証する「Critic/Judge」。次に、同じ入力からN個の候補を生成し、スコアリングや多数決で最良を選ぶ「Sampling-Aggregation」。両者を組み合わせると「N個生成 → Judgeが各候補を評価 → 最高スコアを採用」となります。コストはN倍になるため、リクエスト価値と失敗コストが高い経路に限定して適用します。 ✅ 選定条件 使うとき： - 誤った出力がそのまま下流に流れると実害がある（契約書・医療要約・金融レポートなど） - 1回の生成に追加コストをかける経済合理性がある - 出力品質を客観的に評価できる基準がある 使わないとき： - 多少の誤りが許容されるカジュアルな対話 → ガードレールで十分 - レイテンシが極めて厳しい（数百ミリ秒以内） - 評価基準が主観的で定量化困難（創作文章の「面白さ」など） ⚠️ 落とし穴 - JudgeがGeneratorと同じバイアスを持つ場合があります。同じモデル・同じ知識で評価すると同じ種類の誤りを見逃します。異なるモデルファミリを使うか、決定論的チェックをJudgeの一部に組み込んでください - Nを増やしてもコストは線形に増えますが、品質向上は逓減します。N=1とN=3の差は大きいですが、N=3とN=5の差は小さいことが多いです。まずN=3から始めてください - Judgeのプロンプトに評価基準を明示してください。「正しいか」だけでは曖昧な判断になります。事実性・論理的整合性・スキーマ適合など具体的な軸を与えてください 🔧 実装方針 - Generator（候補生成）とJudge（評価）を別々のモデルまたは別プロンプトで構成し、同一系統による自己確認バイアスを構造的に排除します - N個の候補生成は並列実行し、レイテンシの増加を最小限に抑えます - Judgeの出力はスコアと理由を含む構造化データとして定義し、集約ロジック（最高スコア選択・多数決）を決定論的コードで実装します - 全候補がJudgeの品質閾値を下回った場合のフォールバック（再生成上限・人間エスカレーション）を事前に設計しておきます - 決定論的チェック（スキーマ検証・値域チェック・データベース照合）をJudgeの一部として組み込み、LLM判定だけに頼らない検証層を構築します #AIエージェント# #ソフトウェアアーキテクチャ#

# AIエージェントをソフトウェアに組み込むプラクティス # Deadline & Budget Cascade｜期限・予算のカスケード伝播 🎯 エージェントが再帰的にサブタスクを生成して、気づけばコストが数十ドルに。「請求事故」を構造的に防ぐ方法があります。 全体の予算と期限を末端ノードまで伝播させれば、各ノードが自分で打ち切り判断できます。 🔥 解決する課題 エージェントの呼出ツリーが深くなると、各ノードは自分がどれだけのリソースを消費してよいか分かりません。高コストなLLM呼び出しが再帰的に積み重なり、請求事故が起きます。計画-反省の自己ループでは、改善の見込みが薄くても無限にリトライを繰り返しえます。根本原因は「全体の予算と期限がローカルな判断に伝わっていない」ことです。 💡 提案パターン Deadline & Budget Cascade（期限・予算のカスケード伝播）は、呼出ツリーのルートでdeadline（期限）とbudget（トークン・コスト・ステップ数の上限）を設定し、子タスクへ委譲するたびに残り枠を差し引いて伝播します。どの末端ノードでも「今の自分に残された時間・コスト」を知っており、枠を使い切る前に縮退・中断・部分結果返却に切り替えられます。deadlineは相対秒でなく絶対時刻で渡し、伝播時のズレを防ぎます。 ✅ 選定条件 使うとき： - エージェントがサブタスクを再帰的に生成、または複数ワーカーに並列委譲する - 1リクエストのコストが予測困難で、上限を置かないと請求事故が起きうる - タスク完了にSLAや期待値がある 使わないとき： - 呼出ツリーが1段で完結し、タイムアウトだけで十分な場合 - バッチジョブなど時間制約がなくコストも固定的な場合 ⚠️ 落とし穴 - deadlineは絶対時刻で渡すこと。相対秒を渡すと伝播のたびにズレが蓄積します（gRPCのgrpc-timeoutと同じ原則） - 子に全予算を渡さず、予備枠（10〜20%）を親に残すこと。子の結果を集約・フォーマットする時間とコストが必要です - 枯渇時の振る舞い（部分結果返却・人間エスカレーション・縮退モデル切替）を事前に決めておくこと。タイムアウト例外を投げるだけではUXが崩壊します 🔧 実装方針 - BudgetContextデータクラスにdeadline_at（絶対時刻）・max_cost_usd・max_steps・max_tokens・depth・max_depthを持たせ、呼出ツリーのルートで初期値を設定します - 子タスクへの委譲時にchild_budgetメソッドで残り枠からfractionを掛けて分配し、伝播マージン（概ね2秒）を差し引きます。予備枠としてルート予算の10〜20%を親に残します - 各ノードはis_exhaustedで残時間・残コスト・残ステップを確認し、枠を使い切る前に縮退・中断・部分結果返却に切り替えます - 並列子タスクではコストは各子の合算、deadlineは最も遅い子で決まることに注意し、分配比率は子タスクの重要度と予測コストで按分します - 予算消費率（consumed/limit比）をメトリクスとして観測し、閾値超過時にアラートを発火させる仕組みを組み込みます #AIエージェント# #ソフトウェアアーキテクチャ#

# AIエージェントをソフトウェアに組み込むプラクティス # メモリ書込ゲート 🎯 LLMの推測がそのまま長期メモリに入り、次のセッションで「事実」として参照される。メモリ汚染は沈黙のうちに蓄積します。 長期メモリへの書込にバリデーションを設けるのは、DBへの入力検証と同じ原則です。 🔥 解決する課題 長期メモリへの書込は「一度入ったら長く残る」不可逆に近い操作です。書込ゲートがなければ3つの問題が連鎖します。エージェントが生成した誤情報がそのまま保存されハルシネーションが自己強化する。外部入力に埋め込まれた悪意ある指示がメモリに書き込まれ、将来のセッションまで攻撃が持続する。同じ事実が微妙に異なる表現で何度も保存され、検索時に矛盾が返って応答品質が劣化する。メモリ汚染はログにエラーを残さないため、発見が特に遅れます。 💡 提案パターン 長期メモリへの書込を無条件に許可せず、信頼度スコアリング・重複検出・PII/機微情報フィルタ・ソース検証のゲートを設けます。ユーザが直接述べた事実は自動書込、推測や未検証情報は隔離領域に留め置き、人間または上位エージェントの承認を待ちます。重複検出ではコサイン類似度0.90〜0.95を閾値とし、同一エンティティ×同一属性なら上書きします。input_trustが低いほど信頼度閾値を上げ、failure_costが高い領域ではさらに厳格にします。 ✅ 選定条件 使うとき： - セッションを跨いで持続する長期メモリを持つ - エンドユーザの自由入力や外部ドキュメントからメモリ候補を抽出する - 誤った記憶が金銭的判断・医療助言・法的回答など後続の意思決定に影響する 使わないとき： - メモリがセッション内スクラッチパッドのみで、セッション終了時に破棄される場合 - メモリが完全に管理者管理でエージェントは読取専用の場合 ⚠️ 落とし穴 - 隔離領域は承認フローが回らないと肥大化します。TTL（7〜30日）を設け未承認は自動破棄してください - エンベディングの類似度だけでは「同じ人物の異なる属性」と「同一属性の更新」を区別できません。構造化メタデータを併用しましょう - メモリストアへの直接書込パスが残っていると、ゲートが完全に無意味になります 🔧 実装方針 - 書込ゲートを重複検出→信頼度スコアリング→PII/機微情報フィルタの3段パイプラインとして構成し、全書込を必ずこのゲートを経由させます - 信頼度スコアリングではソース（ユーザ直接/エージェント推論/外部文書）とグラウンディング（引用あり/なし）の組み合わせで分類し、閾値未満は隔離領域に留め置きます - 重複検出ではコサイン類似度に加えてエンティティID×属性キーの構造化メタデータを併用し、更新と新規を正確に区別します - 隔離領域にはTTLを設けて未承認エントリを自動破棄し、メモリストアへの直接書込APIはアーキテクチャ制約として禁止します #AIエージェント# #ソフトウェアアーキテクチャ#