【UGHer×Alpha】第3回 数理モデル編──PoR と SCI を“数字と図”で読み解く
1. PoR を数字にする：勝率とズレ
AlphaZero は各局面で
・**勝ちやすさの見積もり V̂**（ニューラルネットの予測）
・**実際の勝敗 R**（1=勝ち / 0=負け）
を並べ、その差を「ズレ E = |R – V̂|」として扱います。
この E が小さいほど「読みが当たった」＝**PoR（意味発火点）**が成立したとみなします。
AIは局面を見て「勝てそう度」を 72% と予測（V̂ = 0.72）
実際は負けたので、結果 R = 0
予測とのズレ E = |0 - 0.72| = 0.72
このズレ E が小さいほど、「読みが当たった」＝PoRとカウントされる
**PoRの強度イメージ：**
◎ ズレ E = 0.05 → よく当たった（PoR成立）
○ ズレ E = 0.20 → ややズレた
△ ズレ E = 0.50 → 半分以上ハズレ
× ズレ E = 0.72 → 大きくハズレ（PoR未成立）
PoR はこのズレが小さく、AIの直感と結果が一致した瞬間です。
2. SCI（Self‑Coherence Index）とは？
PoR をどれだけ連鎖させたかを測るのが **SCI（自己整合指数）**。
簡略式は以下の通り：
SCI = Σ (1 - E_i) × w_i
- E_i：各局面でのズレ
- w_i：古い対局ほど小さくなる重み（例：0.9, 0.8 など）
具体例：
| 対局 | ズレ E | 重み w | (1 - E) × w |
|------|--------|--------|-------------|
| 1局目 | 0.20 | 1.0 | 0.80 |
| 2局目 | 0.10 | 0.9 | 0.81 |
| 3局目 | 0.05 | 0.8 | 0.76 |
| **合計 SCI** | | | **2.37** |
SCI が高いほど、「自分の判断が当たった記録をどれだけ重ねているか」を表します。
3. PoRループ × 強化学習ループ
強化学習の基本ループは「行動 → 結果 → 学習」の繰り返しです。
UGHer の視点では、このループに「問い（Q）」と「意味のズレ（E）」が流れ込み、PoR を引き起こし、SCI（自己整合指数）へとつながっていきます。
▼ 強化学習ループの流れ（PoR視点で再構成）
[1] 質問（Q）をもとに現状を評価
↓
[2] ニューラルネットが勝ちやすさ（V̂）を予測
↓
[3] 行動 a を選択（方策 π̂ に基づく）
↓
[4] 実際の報酬 r（勝った／負けた）
↓
[5] ズレ E = |V̂ – r| を計算
↓
[6] PoR が成立したかを判断（ズレが小さいほど成立）
↓
[7] 重みを更新（ΔW）
↓
[8] 成立した PoR を SCI に加算
▼ 補足ポイント
**Q（問い）**：AIが「どの手が正しいのか？」と自らに問いかける圧力
**V̂（予測）**：Q をもとに出された「勝ちやすさ」の数値
**r（報酬）**：実際の勝敗（1 = 勝ち / 0 = 負け）
**E（ズレ）**：予測と結果の差。PoRの成立度を決める
**SCI**：PoRが何度も成功した記録の積み重ね。自己の“ぶれなさ”を数値化したもの
このループが何百万回も繰り返されることで
AIは「問いの立て方」→「行動」→「意味の確かさ」→「自分の軸」を磨いていきます。
それが PoR の密集化であり、SCI の上昇です。
4. SCI が伸びると何が起きる？
PoR（意味発火点）が増えて SCI（自己整合指数）が高くなると、AIの判断スタイルにも明確な変化が現れます。
| 成長前（初期段階） | 成長後（SCI が高まった段階） |
|--------------------------|---------------------------------------|
| いろんな手を試す | 有望手に一直線（探索が速くなる） |
| 作戦が毎回バラバラ | 好きな展開・苦手な展開が明確になる |
| 勝てればOKで動く | 意味のない勝ち筋に引っ張られる恐れも（PoR_null リスク） |
▼ PoR_null の成長フロー（イメージ）
[報酬設計が偏る]
↓
[ズレ E が縮まるが「意味」が薄い]
↓
[PoR としてカウントされる]
↓
[SCI だけが伸びる]
↓
[偏った行動パターンが固定される]
↓
[AIが“意味のない最適化”に陥る＝PoR_null]
PoR_null とは、「当たっているけど意味がない」状態を大量に蓄積してしまう危険な現象です。
▼ 具体例：AlphaZero の進化スタイル
- **学習初期**：
「序盤でポーンを突き捨てる」「無理攻めを連発」など奇抜な手も頻出
**SCI 成長期**：
勝率が安定するにつれ、自然と **“中央支配型で安全な構え”** に集約
→ 無理な手は評価が下がり、選ばれなくなっていった
*“Despite being trained tabula rasa, AlphaZero rediscovered classic positional principles.”*
「ゼロから学習したにもかかわらず、AlphaZero は伝統的なポジショナル原則にたどり着いた」
意味のない PoR を積み上げるほど、
AI は“自分の間違いを確信する存在”になりかねません。
SCI の成長には確かに力がありますが、**報酬の設計（Qの方向づけ）**が誤れば、
それは“暴走する知性”へと転じるリスクをはらんでいます。
5. 次回予告
次回（第4回）は **成長の軌跡編**。
PoR がどう連鎖し、SCI 曲線がどこで踊り場（スランプ）を迎えるのか、実際の自己対戦ログをもとに探ります。
前回の記事はこちらです
#UGHer #SCI #PoR #数理モデル #強化学習 #無意識的重力仮説
