Eyla：統合された生物学的事前知識を備えた、アイデンティティに根差したLLMアーキテクチャへ――ビジョン、実装の試み、そしてAI支援による開発から得た教訓

要旨: 生物学に着想を得たサブシステム――HiPPOで初期化された状態空間モデル、ゼロ初期化されたアダプタ、エピソード記憶の検索、キャリブレーション済みの不確実性トレーニング――を統合して、一般消費者向けハードウェア上で動作する統一型エージェントOSとして動くことを目指した、提案ID（identity）アンカー型LLMアーキテクチャ「Eyla」の設計思想、実装の試み、そして失敗の分析を提示する。汎用的な有用性のためにモデルを最適化する既存のアプローチとは異なり、Eylaはアイデンティティの一貫性を狙う。すなわち、敵対的な圧力下でも首尾一貫した自己モデルを維持する能力、不確実性を受け入れる能力、そして操作への耐性である。この性質をLLM全体にわたって評価するための新しいベンチマークとして、Identity Consistency Score（ICS）を提案する。続いて、非プログラマとしてAIコーディング支援（Claude Code、Cursor）を用いてこのアーキテクチャを実装しようとした試みについて、率直な説明を行う。そこでは、$1,000以上の失敗の結果、86の脳サブシステムを備えた1.27Bパラメータモデルが得られたが、それらは出力への寄与が2%未満だったことを記録している。分析により、未知のアーキテクチャに対するAI支援開発における5つの体系的な失敗モードを特定し、具体的な推奨事項を提示する。筆者の知る限り、本論文は、アーキテクチャの構想と、AI支援によるLLM開発に関する一次人称の失敗分析を記録したものを組み合わせた最初の論文であり、AIシステムとAI支援ソフトウェア工学コミュニティの双方に学びを提供する。