連続的内部状態ダイナミクスとしての知能 — 古典的アルゴリズムとアナログ AI の再評価 —

本論文は、現代の人工知能研究において支配的となっている離散的計算モデルに対し、知能を「連続的内部状態ダイナミクス」として捉える視点の再評価を試みるものです。大規模言語モデル(LLM)をはじめとする近年のAIは顕著な性能向上を示していますが、その計算過程は主として離散的な状態遷移として記述されており、時間的連続性や内部状態の力学的振る舞いは理論的に十分位置づけられていません。本稿では、この状況を技術的欠陥としてではなく、特定の計算パラダイムに基づく前提条件の帰結として捉え直します。その上で、古典的アルゴリズム、連続時間モデル(Neural ODEなど)、ならびにアナログ計算の系譜を参照しながら、知能を状態空間上の連続的軌道として理解する理論的枠組みを提示します。特に、解が逐次的に「計算される」ものではなく、内部状態のダイナミクスを通じて安定点へと「収束していく」過程として現れる点に注目し、学習と推論の区別が相対化される可能性を論じます。本論文の目的は、現代AIの成果を否定することではなく、知能のモデル化に関する理論的視野を拡張することにあります。連続的内部状態ダイナミクスという観点は、デジタル計算とアナログ的振る舞いの関係を再整理し、今後のハイブリッド計算モデルや物理ベース計算の理論的基盤を再考するための枠組みを提供するものです。 【関連研究との接続】 本論文は、著者の既発表論文「Coherence Integrity for AI Systems」(AIの動的一貫性)、「Beyond Brittleness」(AIの脆弱性分析)、「Anchored Intelligence Hypothesis」(身体性と知能)の理論的基盤を、計算理論のレベルで再定義・接続したものです。