#52 100万人分の個人専用AIを安く持つ時代へ

最新のAIはコードを書き、ツールを操り、長い文脈で推論できるところまで来た。しかし「優秀なアシスタント」が、そのまま「あなた専用のアシスタント」になるわけではない。何でも答えてくれるのに、あなたとの過去のやりとりや好み、習慣を覚えてくれない——そんなもどかしさがある。長い文脈や検索、プロフィール設定で多少は補えるが、それだけでは足りない。本当の意味で個人に寄り添うAIには、「持続し、変化し、将来の振る舞いを形づくる状態」が必要だ。この研究は、その“個性の器”をどう安く・小さく・永続的に持たせるかという課題に挑んでいる。

カギは生物学のたとえだ。人間はDNAの99.9%を共有していて、個人差はわずか1%未満。それでも一人ひとりまったく違う人生を歩む。著者らは「巨大な基盤モデル＝共有DNA」「小さなアダプター（LoRA）＝個人差の1%」と見立てる。

ここでLoRAとは、巨大モデル本体には一切手を触れず、ごく小さな「追加部品」だけを学習させる技術のこと。本体は全員で共有し、部品だけ取り替えれば個性が出せる。

著者らはこれを3つの軸で整理する。​Scale Up​（共有する土台を強くする）、​Scale Down​（個性パーツをどこまで小さくできるか）、​Scale Out​（個性パーツを大量に共存させると何が起きるか）。重要なのは、この3つが独立ではなく互いに支え合う「鎖」になっている点だ。土台が弱ければ個性パーツも活きず、パーツが大きすぎれば大量展開できない。3つが噛み合って初めて「100万人分の個人モデル」が成立する、というのが論文の主張だ。

実証は具体的だ。まず Scale Up では、1兆パラメータ級の巨大モデル（Kimi K2）に対してLoRAで強化学習を回すことに成功し、計算コストを従来の全パラメータ学習の 約10% に抑えた。次に Scale Down では、極端に小さいアダプター（ランク1）でも、新しい初期化手法「OLoRA-tail」を使えば、従来のLoRAが崩壊する条件下でも安定して学習でき、ベースモデル比 +20% の改善を維持した。そして Scale Out が圧巻で、少しずつ違う多数のアダプターに同じ問題を解かせて多数決を取ると、数学コンテスト（AIME24）の正答率が1個だけのとき 36.4% から、198個使うと 48.7% へと向上した。

この研究が描くのは「1つの万能アシスタント」ではなく「無数の永続的な個人専用AI」という世界観だ。ビジネスで言えば、社員一人ひとり、顧客一人ひとりに専用のAIを持たせても、土台のモデルは共有なのでコストが爆発しない、という未来である。各人のAIは過去の好み・スキル・ツールの使い方を“記憶”として持ち続ける。

さらに面白いのは2つの応用だ。1つは「ユーザーシミュレーター」。それぞれ違う個性を持つAI集団を作れば、製品テストやSNSの炎上・分断の研究を、よりリアルな仮想ユーザーで実験できる。実際、個性パーツを与えた集団は、与えない集団より現実に近い社会構造（コミュニティの形成など）を生んだ。もう1つは「多様性そのものが計算資源になる」こと。少しずつ違うAIの答えを集約すれば、人数を増やすほど賢くなる。AIを「1つを磨く」から「個性ある集団を運用する」へと発想転換させる点が、実務にも示唆を与える。