ハルシネーションの構造的解明：単なる知識不足ではなく「フレーム選択の誤作動」が原因
本稿は、大規模言語モデル（LLM）の「ハルシネーション（幻覚）」現象を、従来の「知識の欠如や不確実性の推定ミス」として捉える視点から脱却し、「解釈フレームの誤作動」という構造的な視点から再定義した解説記事である。筆者は、既存の説明では説明できない4つの現象（既知エンティティの虚偽捏造、レジスタ変化による役割喪失、コンテキスト境界の越境、制約無視のナラティブ暴走）を提示し、これらが共通して「完璧に流暢で、内部的に一貫し、高い確信度を持つ」という特徴を持つ点を指摘する。このことから、ハルシネーションは「不確かさ」によるランダムな推測（散布型/高エントロピー）ではなく、「誤った命令（フレーム）の完全な実行」による系統的な誤り（ベクトル型/低エントロピー）であると主張する。
この新しいパラダイムは、「解釈スタックモデル」に基づき、LLMの動作を「解釈フレーム（F）」「解釈スタック（L）」「選択ルール（S）」の3要素で捉える。ハルシネーションは、選択ルール（S）が入力の表面的なシグナルを誤って読み取り、本来の意図とは異なる誤ったフレームを誤ってアクティブ化（Frame Lock）することで発生する。一度フレームがロックされると、モデルはその内部ルールに従い、極めて流暢で自信に満ちた誤った出力を生成してしまう。
対策として、RAG（検索拡張生成）は単なる知識補完ではなく、「フレームシグナルの注入」として、CoT（思考の連鎖）は「フレームの連続的なアンカリング」として再解釈される。今後は、選択ルール（S）の構造的強化や、対照的なフレーム学習、コンテキスト・アンカリングといった、選択ルールそのものに介入する新しいデバイアス戦略が求められると結論付けている。
背景
従来のLLMのハルシネーション対策は、主に「知識の補完（RAG）」や「推論の明確化（CoT）」に焦点を当ててきた。しかし、本記事は、これらの対策が根本的な原因（選択ルールの誤作動）を捉えきれていないという問題提起から始まっており、LLMの内部構造をより深く理解する必要性を示している。
重要用語解説
- 解釈フレーム（Interpretive Frame）: LLMの重み空間の特定の構成によって誘導される、入力から出力への関数（計算サブグラフ）。特定のドメインや役割（例：医療知識フレーム）を定義する構造的な概念。
- 選択ルール（Selection Rule）: LLMが入力（プロンプト）から「文体」「単語の分布」「類似性」といった表面的なシグナルを読み取り、どのフレームをアクティブにするかを決定するメカニズム。
- 解釈スタック（Interpretive Stack）: 事前学習やファインチューニングを通じてモデル内部に暗黙的に保持される、複数の解釈フレームの階層的な集合体。モデルの推論プロセスを構成する基盤となる。
今後の影響
本理論は、LLMの誤動作の根本原因を「知識の欠如」から「制御構造の欠陥」へとシフトさせるものであり、今後のAIモデルの設計指針を大きく変える可能性がある。単なるデータ追加ではなく、モデルの「選択ルール」や「フレーム選択メカニズム」を構造的に強化する研究開発が主流となることが予想される。これは、AIの信頼性向上に決定的な影響を与える。