AIとコンテキスト知識とノート

「Contexte」で自分が本当に発明したものは何だったのか、調べてみました

何か月もかけてつくった方法が、別の名前ですでにどこかに存在していないかを確かめるにはどうすればよいのでしょうか。手順はいくつかに絞れます。アイデアを仕組みに分解する。用語ではなく機能で探す。自分の分野と英語の外に出る。そして、新しい発見が何を変えれば意味があるのかを、あらかじめ決めておくことです。

Info

原文はフランス語です。AI により翻訳されました — 文体ではなく意味を保っています。

書籍『Le contexte』の表紙
書籍『Le contexte』で詳しく扱っています

このテーマは、私の著書Le contexteで詳しく論じています。読むには、ダウンロードするか、Amazonで購入してください。

ここではまだお伝えしていませんでしたが、いまContexteについての本を書いています。

書籍『Contexte』の表紙

執筆中の本の表紙です。

Contexteは、人間とAIが一つのミッションをめぐって持続的に仕事をするために私がつくっている方法です。会話のたびにゼロからやり直すことなく、次のものを保ち続けられるようにします。

  • ソース
  • 生み出された知識
  • 決定
  • 仕事の状態と、あとでそれを再開するために必要なもの

本はもうほとんど書き上がっています。

この段階なら、読み直しを続け、いくつか言い回しを直し、例を補い、出版の準備をすることもできました。

けれども私は、かなり居心地の悪い問いを自分に投げかけました。

この中で、自分が本当に発明したものは何なのか。

すべてのアイデアについて「自分のものだ」と主張できなければならない、という意味での「発明」ではありません。

問いはもっと単純でした。

すでに存在しているものを、知らずに再発明しただけなのに、新しい方法として紹介しようとしていないか。

これは何よりもまず、科学的な懐疑の文化の問題です。

何か月もかけて何かをつくっていると、自分のアイデアが正しい、他と違う、独創的だと裏づけてくれるものばかりを無意識に探してしまいがちです。

私はその逆をやってみました。

この確信を解体しうるものを、すべて体系的に探したのです。

私がContexteという方法として示しているものの中で、

  • すでに存在していたものは何か
  • 意識して借りてきたものは何か
  • 手を加えたものは何か
  • 知らずに再発見したものは何か
  • すでに別の場所で組み立てられていたものは何か
  • そして、全体のまとめ方として私に独自のものが残っているとしたら、それは何か

最初は、単に先行例調査をするつもりでした。

実際には、自分の確信を少しずつ解体していく方法を学ぶことになりました。

ゼロから始めたわけではないことは、わかっていました

いくつかの影響ははっきりしていました。

Domain-Driven Designのbounded contextは、公言しているインスピレーションです。

アトミックノートを扱えば、当然Zettelkastenにたどり着きます。

PARAとSecond Brainは、知識の空間についての私の考え方に影響を与えました。

より技術的な部分では、Gitから得た直感も意識して取り入れていました。特に分離、コピー、マージに関するものです。Contexte同士のいくつかの関係には、Observerパターンも使っています。

ですから、問いは次のようなものではありませんでした。

「私のアイデアはすべて新しいのか?」

そうでないことは、わかっていました。

私が関心を持っていたのは、むしろ組み立てのほうです。

本の中で、Contexteはミッションによって境界づけられた空間です。そこには、ソース、それらのソースから生み出された知識、現在の状態、履歴、決定、矛盾、アクション、成果物が含まれます。中断しても再開できなければなりません。仕事が進むにつれて知識を蓄積していかなければなりません。そして複数のContexteが、それぞれの自律性を失わずにやり取りできなければなりません。

そこで私はこう考えました。部品はきっと、どこか別のところから来ている。

けれども、その組み合わせは独自かもしれない。

私が崩そうとし始めたのは、この仮説でした。

最初の失敗:自分の言葉で探す

ある方法の先行例を探すと、すぐに最初の問題にぶつかります。

誰もあなたの用語を使う義務はないのです。

"Contexte" + IA + mémoireで検索しても、似た仕組みが存在するかどうかについてはほとんど何もわかりません。

医療チームが、あなたのhandoffに似たことを50年前からやっていて、一度もその言葉を使っていないかもしれません。

アーカイブ学の体系が、knowledge managementという言葉を使わずに、来歴、ソース、解釈を形式化しているかもしれません。

1990年代のソフトウェアが、あなたが2026年にAIエージェントで出会ったと思っているコピーと依存の問題を、すでに解決しているかもしれません。

ですから、Contexteで探すのはやめる必要がありました。

まず、本を解体するところから始めました。

ChatGPTと一緒に、24の概念と12の構造的な関係を抽出しました。

狙いは、本を問いを立てられるくらい単純な対象に変えることでした。

次のような問いだけではありません。

永続的な作業空間を考えた人は、すでにいるだろうか?

次のような問いも立てました。

生のソースと、そこから派生した知識を分けた人は、すでにいるだろうか?

現在と履歴のログを区別しているシステムはあるだろうか?

ある問題に取り組むことが、次の問題に再利用できる基盤を豊かにしていく、という伝統はあるだろうか?

ある知識が、一つの自律した空間から別の空間へコピーされると、何が起きるだろうか?

これで調査はまったく変わります。

最初の驚き:部品はほとんどすべて、すでに揃っていた

システムを解体してみると、先例がいたるところに現れ始めました。

いくつか例を挙げます。

この段階では、どれも本当の意味で驚きではありませんでした。

複雑な方法が、どこからともなく現れた仕組みだけでできていることはまずありません。

最初の結論は、かなり都合のよいものに見えました。

部品は新しくない。けれども、組み立ては新しいかもしれない。

妥当な結論でした。

長くはもちませんでしたが。

二回目:概念ではなく、機能で探す

私たちは方法を変えました。

本の概念を探す代わりに、それらの概念が答えている問題を探し始めたのです。

  • 中断のあと、仕事をどう再開するのか?
  • 別の人が続けられるほど十分に、案件をどう引き継ぐのか?
  • 何千もの情報の断片を、どうやって証拠に、さらに仮説に変えていくのか?
  • 競合する複数の説明を、無理に一つを選ばずにどう保つのか?
  • 一つの作業空間が、運用上の状態と再利用できる知識をどうやって同時に保つのか?

今回は、調査がすぐにソフトウェアの外へ出ていきました。

たどり着いた先は次のような分野です。

  • インテリジェンス
  • 法律
  • 医療
  • インシデント管理
  • 認知科学
  • アーカイブ学
  • 科学研究

たとえば、Peter PirolliとStuart Cardのsensemakingモデルは、分析者が外部のソースから出発し、関連する情報を選び、証拠を組み立て、スキーマと仮説を構築し、最後に分析の結果を生み出すプロセスを記述しています。Pirolli & Card — The sensemaking process and leverage points for analyst technology

もちろん、これはContexteではありません。

それでも、仕組みの近さは興味深いものでした。

Jakob BardramのActivity-Based Computingも同じです。

2005年、Bardramは、中心となる単位がもはやアプリケーションではなく、関連するタスクやコンピューティング資源を伴った人間の活動であるようなインフラを記述しています。このアーキテクチャは特に、環境をまたいだモビリティ、協働、活動の継続性を可能にするよう設計されています。Aarhus University — Activity-Based Computing: Support for Mobility and Collaboration

言い換えれば、仕事の継続性を可能にするには文書よりも豊かな何かを保つ必要がある、という考えは、当然ながらAIエージェントの登場を待っていたわけではありません。

医療、指令センター、インシデント管理にも、それぞれ独自のhandoffの仕組みがあります。

ここで、領域はすでに狭まり始めていました。

再開は独自ではありませんでした。

handoffも同じです。

次の連鎖でさえ、

ソース → 解釈 → 推論 → 生産物

非常にしっかりとした先例を持っていました。

そこで新しい仮説です。

もしかすると独自性は、生きた案件と知識の蓄積をつなぐところにあるのではないか。

言い換えれば、ある問題に取り組みながら、その問題が片づいたあとも残る何かを築いていくことです。

この仮説は、前のものよりもさらに短命でした。

調査をいちばん大きく変えた回り道:英語の外に出る

それまでは、分野を変えても、私たちはほとんど西洋の英語圏の文献の中に閉じこもっていました。

そこで、日本語、中国語、ロシア語、アラビア語で調査を始めました。

調査が本当に面白くなったのは、ここからです。

日本では、川喜田二郎のKJ法に出会いました。

川喜田が記述しているのはボトムアップの方法です。現場のデータから出発し、それを自由に動かせるカードに書き出し、意味に応じて少しずつ近づけ、まとめていくことで、構造を浮かび上がらせます。J-STAGE — Emergence and Essence of the KJ Method(川喜田二郎インタビュー)

そして、ここでちょっと面白いことがありました。

その数か月前、KJ法を知らないまま、私は自分でピラーカードと呼ぶものを使って仕事を始めていたのです。

最近、そのことをここで書きました。Cartes piliers : entretenir sa mémoire pour continuer à penser

これは同じ方法ではありません。

KJ法は主に、散らばった素材から出発し、グループ化と組み替えによって構造を少しずつ浮かび上がらせるためのものです。

私のピラーカードの役割は、むしろ骨格となるいくつかのアイデアを生きたまま保ち、見直し、読んだことや試したことと突き合わせ続けることにあります。

それでも、私が強く惹かれた家族的な類似があります。

  • 思考の単位を頭の外に出す
  • それを手で動かせるようにする
  • 比較的自律した対象として保つ
  • それらを近づけ、組み替える
  • その近づけ方を使って、考え続ける

そして何より、KJ法を知ったのは、この習慣を始めてずいぶん経ってからでした。

まさに、この調査で見つけたかったのはこういうものです。

「私も同じアイデアを思いついていた」と言うためではありません。

むしろ逆です。

自分の側で誠実に何かを築き、あとになって、別の伝統が数十年前から近い仕組みを探究していたと知ることがある。そのことを確かめるためです。

梅棹忠夫にも行き当たりました。梅棹は1969年にはすでに、組み替えるための独立したカードのシステムを記述しています。その組み替えから生まれた新しい知識も、またシステムに入れることができます。

言い換えれば、

既存の蓄積 → 組み替え → 新しい知識 → 豊かになった蓄積

もう、それほど遠くありませんでした。

続いて、私たちは中国にたどり着きました。

そこで出会ったのが、Hall for Workshop of Meta-Synthetic Engineering、略してHWMSEです。

HWMSE:仮説が本当に崩れ始めた瞬間

Meta-Synthesisは、1990年代初頭に銭学森(Qian Xuesen)を中心に、複雑系を扱うために発展しました。

HWMSEは、それを実践するための環境になります。

そのアーキテクチャは、次のものを明示的に組み合わせています。

  • 人間の専門家
  • 機械のシステム
  • 知識のシステム

目的は、既存の知識を使うことだけではありません。

著者たちは知識の創造についても語っています。

彼らは一般的な知識のシステムと、研究対象に固有の知識のシステムを区別し、後者は使われることによって継続的に蓄積されていくものでなければならないと説明しています。Yu, Zhou & Feng — Man-machine collaborated knowledge creation in HWMSE

これはもう、私がContexteで言葉にしようとしていたことにかなり似ていました。

しかも、単なる概念図ではありませんでした。

HWMSEの研究からは、プロトタイプや実験的な応用が生まれています。特にマクロ経済の意思決定をめぐるものです。JAIST — Knowledge System Construction and Knowledge Creation in HWMSE

次のような都合のよい区別は、

案件のシステムは仕事を管理し、知識のシステムは蓄積を管理する。Contexteはその両方を結びつける

もはやあまり成り立ちませんでした。

この二つの次元のかなりの部分を結びつけたシステムを、すでに他の人たちが築いていたのです。

さらにもう一段、掘り下げる必要がありました。

三回目:アーキテクチャ上の競合相手を探す

私たちは次のように問うのをやめました。

「どの概念がContexteに似ているか?」

その代わりに、判定の目安となる問いをいくつか定めました。

  • そのシステムは、ある問題をめぐる、状況に根ざした仕事を管理しているか?
  • 情報を知識に変えているか?
  • その知識は、ほかのケースにも役立てられるか?
  • 複数の種類の記憶を区別しているか?
  • 複数の空間が、自律性を保ったまま協力できるか?

この調査で、予想よりはるかに近いシステムがいくつも現れました。

Experience Factory

Experience Factoryは、Victor Basiliの研究とNASAのSoftware Engineering Laboratoryの経験をもとに発展したもので、二つの機能を明示的に分けています。

一方では、プロジェクト組織が自分のプロジェクトを遂行します。

もう一方では、Experience Factoryが次のことを行います。

  • 生み出された経験を回収する
  • それを分析する
  • それを統合する
  • それを再利用できる単位に変える
  • それを将来のプロジェクトが使えるようにする

NASA GoddardのSoftware Engineering Laboratoryは、1992年にはすでに、15年の運用と数百件の研究を経たExperience Factoryの運用中の実例として記述されていました。NASA — The Software Engineering Laboratory: An operational software experience factory

その後BasiliとCaldieraは、Experience Factoryを、プロジェクトとは別の組織であり、経験を知識化し再利用する役割を担うものとして明示的に記述しています。NASA — The Experience Factory: Strategy and Practice

これは、私が大事だと思っていた別のアイデアを正面から突いてきました。

成果物は蓄積ではない。プロジェクトの仕事は、プロジェクトが終わっても残る何かを豊かにしなければならない。

Experience Factoryは、すでにそう言っていたのです。

Knowledge-Centered Service

続いてKnowledge-Centered Service、略してKCSが、同じ仕組みの別のバージョンを示してくれました。

KCSでは、知識は仕事から切り離されたプロセスで生み出されるものとは考えられていません。

解決のループには、特に次のことが含まれます。

  • 既存の知識を探す
  • それを再利用する
  • 使うときにそれを改善する
  • 必要なときには新しい知識を記録する

Consortium for Service Innovationは、この考えをとりわけ明快な言葉でまとめています。reuse is review。知識は、仕事の流れそのものの中で検証され、改善されるのです。Consortium for Service Innovation — The Solve Loop

また領域が狭まりました。

次のことでさえ、

日々の仕事を、再利用できる知識を生み出し改善する装置にする

すでに形式化されていたのです。

四回目:最後の細部を攻める

この段階では、大きなアナロジーを積み重ね続けても、もうあまり意味がありませんでした。

そこで、まだ比較的独自に見えるいくつかの要素を選びました。

  • 生のソースと、派生した知識との厳密な分離
  • state / history / synthesis / handoffの分離
  • 支持されることも反証されることもある、ソースを伴った命題としてのアトミックノート
  • 情報を参照することと、それをコピーしてその後の保守を引き受けることの違い

それでも、壁は一つずつ崩れていきました。

ナノパブリケーションとマイクロパブリケーションは、すでに来歴や裏づけの要素、ときには異議を伴った小さな主張を表現していました。

連邦型データベースのシステムは、リモートのデータと、それから乖離しうるローカルのコピーとの違いに、ずっと前から取り組んでいました。

認知アーキテクチャは、作業記憶、エピソード記憶、意味記憶を区別していました。

デジタル・フォレンジックの実務では、証拠を守るために原本を保存し、コピーの上で作業します。

そのたびに、まだ独自に見えていたものが、既知の仕組みの組み替えになっていきました。

最後の本当の発見:ScholOntoとSWAN

それでも、私たちが終点にたどり着いたのか、それとも単に探すのに疲れただけなのかは、確かめる必要がありました。

そこで、一つの基準を加えました。

新しいソースは、Contexteに似ているというだけでは、もう数に入れないことにしたのです。

それは地図を書き換えるものでなければなりません。

たとえば、

  • すでに見つけたものより古い
  • はっきりと、より近い
  • それまで別々だった複数の仕組みを結びつけている
  • あるいは、結論の修正を迫る

このルールのおかげで、どんなアナロジーでも無理やり当てはめるという罠にはまらずに続けることができました。

このテストを、さらに二つのシステムが通過しました。

ScholOnto

ScholOntoプロジェクトは、2000年に資金を得て2000年代初頭に活動していたもので、研究者がclaimsを公開し、それを文献に結びつけ、異議を唱えられるインフラを築こうとしていました。

そのシステムであるClaiMakerを使えば、claimsと論証のネットワークを構築し、たどることができました。Knowledge Media Institute — ScholOnto / ClaiMaker

SWAN

続く生物医学研究のSWANは、さらに先へ進んでいました。

SWANは、外部の科学的リソースと、システムの中で生み出された言説の要素とを明示的に区別していました。

Research Statementは、論文やその他のリソースから派生させることができ、来歴を保ち、supports、refutes、alternativeToといった関係によってほかのstatementとつなげることができました。

statementが変化したときには、以前のバージョンも保存されていました。Ciccarese et al. — The SWAN Scientific Discourse Ontology

ここまで来ると、私のアトミックノートとの近さは無視できなくなりました。

  • 区別されたソース
  • 解釈
  • 命題
  • 来歴
  • 裏づけ
  • 矛盾
  • 再利用
  • 時間の中での変化

そしてここでもまた、単なる理論上のオントロジーではありませんでした。著者たちは、この知識ベースを構築し閲覧するために使われたWorkbenchとBrowserを記述しています。PubMed — The SWAN biomedical discourse ontology

ほとんどのピースは、すでにそこにありました。

そして、結果が結論を変えなくなった

おそらく、ここがこの方法でいちばん大事な部分です。

どこかで、やめなければなりません。

ほかに先行例が存在しないと証明できたからではありません。

それは不可能です。

そうではなく、新しく調べても、いつも同じ系統のものばかりが出てくるようになるからです。

新しい論文で、年代が少し更新される。

別のソースで、例が一つ増える。

あるシステムは違う用語を使っているが、すでに特定した仕組みをカバーしているだけ。

あるいはもっと悪いことに、何かがなんとなく比較できるかもしれない理由を、十行もかけて説明し始めなければならなくなる。

そうなったときには、危険があります。

もはや自分の仮説を試そうとしているのではありません。

見つけたかった類似を、自分でつくり始めているのです。

そこで私たちは、調査が合理的な飽和に達したと判断しました。

では、何が独創的なのか?

結論は、最初に思い描いていたものとは違いました。

Contexteの中に「新しいアイデア」を探すことに、もうあまり意味があるとは思っていません。

重要な部品は、ほとんどすべてに先例があります。

部品同士の関係の多くにも、先例があります。

そして、それ以前の複数のシステムが、すでに大きな塊を組み立てています。

たとえば、

  • HWMSEは、人間、機械、問題解決、知識化を結びつけています。
  • Experience Factoryは、プロジェクトと、その経験を蓄積に変える組織的な仕組みとを分けています。
  • KCSは、知識の創造と改善を日々の仕事に直接組み込んでいます。
  • Project Memoryは、プロジェクトの履歴と背景を扱っています。
  • ScholOntoとSWANは、命題、ソース、来歴、矛盾を構造化しています。
  • 連邦型システムは、自律性、インポート、コピー、依存を扱っています。

だからといって、Contexteが何ももたらさないわけではありません。

その貢献は別のところにある、ということです。

いまなら、私はこう表現します。

Contexteは、複数の伝統から来た仕組みを明示的に選び、組み合わせ、標準化したものであり、それらをAIと持続的に仕事をするための実践的な方法としてまとめたものである。

このシステムには、特に次のものがあります。

  • 独自の用語
  • 独自の対象
  • 独自の制約
  • 独自の手順
  • ソース、知識、状態、履歴、統合、決定、矛盾、handoff、成果物を分ける独自のやり方
  • 自律した複数のContexteのあいだで情報を流通させるための独自のルール

この文法をそっくりそのまま備えた歴史上のシステムは、見つかりませんでした。

けれども、この文法のほとんどすべての構成要素には、Contexte以前からの履歴があります。

そして結局のところ、私にはこちらの答えのほうがずっとしっくりきます。

科学的な懐疑の文化

最初、問いはだいたいこんなものでした。

私のアイデアは本当に独創的なのか?

振り返ってみると、これはおそらく最良の問いではありません。

先行例調査のおかげで、何よりも自分のアイデアが何でできているのかがわかりました。

どの直感が、私の知っている伝統から来ていたのか。

どれが、見てみようとは思いもしなかった分野に存在していたのか。

どの部分が、すでに組み立てられていたのか。

そして、私の仕事のどの部分が、散らばった仕組みを翻訳し、単純にし、組み替え、使えるものにすることだったのか。

これは何よりも、私が言う科学的な懐疑の文化のよい例です。

私には暗黙の仮説がありました。

Contexteのこの部分は新しいかもしれない。

それを試す正しいやり方は、信じる理由を探すことではありませんでした。

できるかぎり強力な反例を探すことでした。

そして反例が見つかったら、仮説を修正することです。

調べ直すたびに、私が合理的に固有のものとして示せる領域は小さくなっていきました。

  • まず部品
  • 次にいくつかの組み立て
  • 次に、仕事を知識化の仕組みにするというアイデア
  • 次に、情報の文法そのものの一部

逆説的ですが、提案ははっきりしていきました。

私はこう言えるほうがいいのです。

これが私の借りたもの、これが私の手を加えたもの、これが私の組み合わせたもの、そしてこれが私の与えた形だ

先祖に出会ったことがなかったというだけで、あるアイデアを新しいと語るよりも。

次も使うであろう方法

別のアイデアについて同じような調査をもう一度するなら、今回のようには始めないでしょう。

最初から次のようにします。

  • アイデアを構成要素と関係に分解する
  • 用語ではなく仕組みを探す
  • 構成要素、関係、組み立て、目的を別々に比較する
  • 元の分野から早めに外に出る
  • 複数の言語で探す
  • 理論だけでなく、実際に築かれたシステムを見る
  • 最良のソースの参考文献をさかのぼり、それを引用している研究を見る
  • 現在の結論を崩しうる反例を、意図的に探す
  • 新しい発見が重要とみなされるには何を変えなければならないかを、決めておく
  • 新しいソースが、すでに地図に載っている先例のバリエーションしかもたらさなくなったら、やめる

良いソースの参考文献をさかのぼり、さらにそれを引用した文献をたどっていく作業は、snowballingと呼ばれることがあります。

言葉よりも、仕組みのほうが重要です。

良いソースは、キーワード検索ではおそらく見つからなかったであろう用語体系や伝統全体への入り口になります。

最後の点、つまりやめどきを知ることが、おそらくいちばん難しいところです。

調査はいつまでも続けられます。

いつだって、次のものがあります。

  • 新しい論文
  • 新しい特許
  • 新しい分野
  • 別の言語
  • 新しいキーワード

問題は、すべてを見つけたかどうかではありません。

問題はこうです。

続けることで、まだ答えが変わるのか?

限界

この方法は、当然ながら、先行例が存在しないことを証明するものではありません。

この方法は、次のものに左右されます。

  • 検索エンジン
  • 思いつく言語
  • デジタル化された文書
  • いまもアクセスできる出版物
  • それらのインデックス化
  • 著者たちが選んだ用語
  • そして、二つの異なる用語の背後に同じ仕組みを見抜く、私たち自身の能力

二つの仕組みが本当に比較できると判断するときの判断力にも左右されます。

似ていることは、同じであることではありません。

原子力発電所で使われている手法は、handoffを持っているというだけで、AIのための記憶システムの直接の祖先になるわけではありません。

同じように、ある日本の方法がカードを使っていると後から知ったからといって、私のピラーカードがKJ法だということにはなりません。

次の二つを同時に言えなければならないのです。

興味深いと言えるくらいには近い

そして、

同じものではない

だからこそ、結果がないことは、あくまで結果がないことにとどめておかなければなりません。

次のようにすり替えてはいけないのです。

誰もそれをやったことがなかった

この調査から持ち帰ったもの

私は、自分が何を発明したのかを知ろうとして、この調査を始めました。

そして、少し違う問いとともに終えます。

すでに存在していたすべてのものから、私は何を築いたのか?

こちらの答えのほうが、私には興味深く思えます。

Contexteが面白いのは、おそらく次のものを発見したからではありません。

  • 来歴
  • アトミックノート
  • handoff
  • 組織の記憶
  • 境界づけられた空間
  • 知識化

これらはすべて、すでに存在していました。

Contexteが面白くなるとすれば、その組み立てによってこれらの仕組みが十分に単純で一貫したものになり、人間とAIが学んだことを失わずに、何週間も何か月も一緒に仕事ができるようになるときです。

ですから私は、旗を立てるための未踏の土地を手にしてこの調査を終えたわけではありません。

手にしたのは、一枚の地図でした。

そして、自分が何を築いているのかを理解するためには、良い地図のほうが、おそらく旗よりもはるかに価値があるのです。