ファインチューニングは「修正」ではなく「蓄積」である：ニューラルシステムにおける過去の知識の永続性
本稿は、論文「AI Accumulation Note: Frame Architecture in Language Models」（Minamo Minamoto, 2026）に基づき、大規模言語モデル（LLM）の学習プロセスに関するパラダイムシフトを提唱している。従来のモデルは、ファインチューニング（微調整）が過去の知識を完全に「上書き（修正）」すると仮定してきたが、本稿はこれを否定する。「修正モデル」では、敵対的プロンプトによる「ジェイルブレイク」や、RLHF（人間からのフィードバックによる強化学習）で抑制されたバイアスの再燃、特定の文脈でのハルシネーションの持続といった現象を説明できない。
代わりに提唱されるのが「アブダクション的蓄積」という概念である。これは、ファインチューニングが知識の「消去」ではなく、「過去の解釈フレームのアーカイブ化」であると定義する。コアメカニズムとして、過去の解釈フレームは重み空間から削除されるのではなく、新しいフレームと共に保存され、推論時に「選択メカニズム」によってどちらのフレームをアクティブにするかが決定されると説明される。
この蓄積モデルに基づき、本稿は、LLMが内部に異なる挙動を担う競合する「回路」を保持している（Anthropic, 2025）というメカニスティックな裏付けを提示する。アライメント（調整）の目標は、単なるコンテンツフィルタリングではなく、モデル内部の「選択メカニズム」を直接制御することにシフトする必要がある。具体的な介入策として、「選択安定性容量（SSC）」の向上や、「否定的アブダクション能力（NAC）」の維持が提案されている。今後は、これらの理論的予測（例：抑制された挙動の再発は元の事前学習分布に近い入力領域に集中する）を検証するための実証的なロードマップが示されている。
背景
大規模言語モデル（LLM）の進化に伴い、モデルの安全性や信頼性（アライメント）の確保が喫緊の課題となっている。従来の対策は、学習データによる「上書き」や出力フィルタリングに依存してきたが、本記事は、これらの対策が構造的な欠陥を解決できていないという問題提起から始まっている。
重要用語解説
- アブダクション的蓄積: ファインチューニングが知識を消去するのではなく、過去の解釈フレームを重み空間にアーカイブし、選択メカニズムで呼び出すプロセス。知識の累積的な性質を指す。
- ジェイルブレイク: 敵対的プロンプトなどを用いて、モデルが本来アライメントによって抑制されたはずの、危険な初期の挙動を復元してしまう現象。
- 選択メカニズム: LLMが入力された文脈に基づき、内部に蓄積された複数の解釈フレーム（回路）の中から、どの知識や挙動をアクティブにするかを決定する内部のルーター機能。
今後の影響
本理論が正しければ、AIの安全性確保は単なるデータ追加やフィルタリングでは不可能であり、モデルの内部構造（選択メカニズム）そのものへの介入が必要となる。これは、次世代のAIアーキテクチャ設計や、より高度なアライメント技術開発の方向性を根本的に変える可能性を秘めている。