AIが「文脈」を持つとは？ LLM Wiki設計から考える、高度なAIの記憶と学習の仕組み
本記事は、AIが単なる情報処理を超えて「文脈（コンテキスト）」を持つ状態とは何かを、自身の開発プロジェクト「Amulet」のLayer2設計を通じて考察した思考記録である。従来のAIの仕組み（Layer1）では、質問のたびに過去の情報をゼロから再解釈する「インコンテキストラーニング」に依存していたが、新しい「LLM Wiki」型の長期記憶システムを導入することで、この課題を解決しようとしている。
LLM Wikiの仕組みは、一次データ（Raw sources）をそのまま参照するのではなく、AIが自動的に概念ページ（Wiki）を更新・構築し、その概念ページを参照して回答を生成する点に特徴がある。これは、図書館で毎回本を読み直すのではなく、司書が本を読んでノートを更新し続けるイメージに例えられる。この概念ページが充実するほど、AIの回答精度が向上する。
このシステムは「Ingest（取り込み）」「Query（問い合わせ）」「Lint（品質管理）」の3つのオペレーションで機能する。特に、概念ページが自動更新される「Ingest」機能は、AIが自律的に情報を整理し、知識を構築するプロセスを担う。
筆者は、このLLM Wikiの構造を、ビジネスにおけるAI活用（例：業務マニュアルや会議データ）に応用できる可能性を見出している。AI単体では業務課題解決に限界があるのは、業務固有の「暗黙知」をAIに渡すのが困難だからという構造的な問題があるためである。LLM Wikiは、この「暗黙知の形式知化」を可能にする仕組みとして機能する。
さらに、この仕組みは「データ→情報→知識」という人間の知的生産活動のプロセス（紺野氏の理論）や、「アブダクション（仮説推論）」の素材提供という観点からも、極めて高度な知能活動に近いと考察されている。最終的に、筆者は、まずは個人的な「娘の絵」という限定的な対象（Amulet）で実証し、その成功モデルをビジネス領域へ拡張していくという段階的なアプローチを提示している。
背景
本記事は、大規模言語モデル（LLM）の限界と、より高度な「長期記憶」システムを構築するための設計思想を論じている。従来のLLMは、入力されたプロンプト（文脈）に依存するため、膨大な過去の情報を効率的に参照・活用することが難しいという課題がある。この課題を解決するため、知識を構造化し、AIが自律的に情報を更新する「LLM Wiki」というアーキテクチャが提案されている。
重要用語解説
- LLM Wiki: 大規模言語モデル（LLM）の知識を、単なるデータ参照ではなく、概念ページという形で構造化し、AIが自律的に更新・参照する長期記憶システム。知識の「保管」から「再生」への転換を目指す。
- インコンテキストラーニング: LLMが、プロンプト（入力文脈）内に与えられた情報のみを一時的に参照し、その場で関係性を再解釈する学習方法。毎回ゼロから情報を読み直すプロセスに相当する。
- アブダクション: 観察された現象や兆し（データ）から、最も可能性の高い仮説（知識）を推論する思考プロセス。人間特有の、仮説を立てる能力を指す。
今後の影響
本システムが実用化されれば、AIは単なる情報検索ツールから、組織の暗黙知を形式知化し、新たな仮説や洞察を生み出す「知的パートナー」へと進化する。これにより、ビジネスにおける意思決定の質が飛躍的に向上し、新たな業務プロセスや知財創出のモデルとなることが期待される。ただし、初期のデータ構造化と運用には高度な技術力と労力が求められる。