本文へ移動

Deep Tech & Excellence

本人を理解するAI。ともに育つケア。

Nightingale PALI — Personal Adaptive Lifelong Intelligence。個人の理解を守り、許可された学びを共有し、生涯を見据える。

SynaptixLabs 研究構想 · HappySeniors / Nightingale

研究プログラムの構想 · PALIは研究上の仮称です

論考を読む(日本語PDF・新しいタブで開きます)

目指すもの

Nightingaleは、本人が大切にしていること、日々の暮らし、支援ニーズの変化について、許可に基づく理解を長く育てる個人向けAIを提案します。リハビリテーション、在宅、地域の支援を通じて、その理解が本人と専門職によるニーズの把握、提供者間の調整、共通の計画の実行確認を助けることを目指します。この研究構想をPersonal Adaptive Lifelong Intelligence、PALIと呼びます。目標は、一人のために深く学ぶことと、適切な許可とプライバシー評価を経た学びを他の人の支援にも生かすことの二つです。本人の根拠となる情報や学習状態は、共有学習の候補と明確に区別します。検索、学習、容量追加、補助モデルの利用、共有可能な知見の提供、判断の見送りを選ぶ制御機構を開発・検証することが、中心となる研究課題です。大規模モデル、小型の個人モデル、ハイブリッド構成を、従来の方法や強い検索ベースラインと比較します。根拠に結び付く説明、専門職による訂正、利用権限、段階的な検証を設計の中心に置きます。情報漏えいリスク、誤警報、費用を許容範囲に保ちながら、有用な継続性と他者への転移を示せるかが検証の要点です。既存手法を基盤に、機構の新規性、持続的な価値、ケアでの成果を確かめます。

図1:根拠に基づく個人別学習の構成

各部分を選ぶと説明が開きます。

内部型の構成に関する研究案です。青の共有能力と金色の個人用容量は同じモデル内で接続されます。分離と容量追加の価値は検証が必要です。

共有への反映には、個人学習とは別の許可と検証が必要です。

01日常の支援の移行から、生涯を見据える

対象とするケアには、高齢者と障害のある成人の支援が含まれます。リハビリテーションを終えて帰宅する架空の高齢者を考えます。歩行は改善しても、疲れやすさで買い物の時間が変わり、娘が手伝える時間も変化しています。新しい提供者は、本人が無理なく支援を受け入れられる生活習慣をまだ知りません。その後の小さな機能低下は、記録ごとには目立たなくても、全体では重要かもしれません。自立生活を始める障害のある若年成人にも、目標、介助、提供者が変わる中で継続性を保つという共通の課題があります。有用なAIは、本人とチームが観察をつなぎ、計画を見直し、適切な提供者を探し、合意した支援が実行されたか確認することを助けるはずです。

ここで「本人を理解する」とは、分からないことも含め、出典に基づく理解を許可の範囲で持ち、修正できることです。すべてを知るエージェントを意味しません。長く続く希望と一時的な制約、悪化と回復、専門職の訂正と未確認の報告を区別する構想です。本人は目標や許可を変えられる主体として参加し、ケアに関する判断の権限は責任ある専門職に残ります。

個人別ニューラル容量とは、利用中に更新し、関わりの間も意図的に保持する、個人に割り当てた調整可能なモデルパラメータや学習状態です。日付付きの根拠と安定した過去の基準を補完し、置き換えません。「生涯」は、サービスが変わっても継続性を保つための設計の視野です。研究期間の要件でも、あらゆる私的事実を永久に保存する約束でもありません。多く記憶するだけでなく、その継続性を実際のケア業務に役立てることが課題です。

02既存のシステムが学べることと、未検証の課題

個別化には豊富な研究基盤がある

OPPUは個人別の学習モジュールと本人の履歴検索を組み合わせます [1]。PROPERは集団、グループ、個人という階層で適応を研究します [2]。低ランク適応(LoRA)などのパラメータ効率の良い追加学習(PEFT)は、モデル全体ではなく比較的少数のパラメータを変更します。共有システム内の個人別容量には直接的な先行例があります。LINEUPは共有する因子群と小さな個人コードを使い、各人に大きな独立アダプタが必要という前提を問い直します [4]。

Profile-to-PEFTはハイパーネットワークでプロフィールからアダプタの重みを生成し [3]、関連する端末上の研究も文脈からLoRAを生成します [12]。重みの生成は順方向の計算であり、その場で勾配を用いて学習することとは異なります。効率的な個人向け補助モデルになり得ますが、持続的に学習する状態と同じ機構として扱わず、比較すべきです。履歴が少ない場合も含め、検索は強いベースラインです [9]。個別化が以前は正しかった回答を損なうこともあるため、希望への適合と事実の信頼性は分けて評価します [10]。

履歴、適応する状態、共有戦略は異なる

Test-Time Training層は系列の処理中に学習可能な隠れ状態モデルを更新します [5]。Dynamically Expandable Networksは課題の到来に応じて選択的に再学習し、容量を追加します [6]。Memory Layers at Scaleは疎な学習可能メモリを探索します [7]。いずれも、関わりや年を越えて説明責任を持つ個人状態を自動的に実現するものではありません。保持方針、更新規則、版の履歴、訂正の仕組みにより、永続性を意図的に設計する必要があります。ネットワークの拡張自体は既存技術であり、それだけでは科学的貢献になりません。

エージェントの記憶研究も、共有学習と個人別学習の関係を扱っています。HiPSは全体の共有戦略と個人別の適応戦略を使い、二層の学習という目標に直接関係する先行研究です [13]。THEANINEは記憶を時間軸でつなぎ、変化を解釈します [15]。Memoraは数週・数か月の範囲で、有用な想起だけでなく古くなった記憶の負担も評価します [14]。PALIは、過去との連続性や全体・個人の分離を未発見の考え方とせず、こうした機構と比較する必要があります。

プロンプト、検索システム、共有知識資源は多くの人に利益をもたらし得ます。ただし、一人の記録を検索するだけで共有モデルの重みが更新されるわけではありません。共通のプロンプト、確認された知識項目、戦略や学習を改善する方法もあります。Nature Healthの論考は、長期的な健康AIにおける継続性、一貫性、適応、本人の主体性を結び付けます [8]。MedCL-Benchは医療分野の逐次学習を研究します [11]。これらはケアという場を考える基盤ですが、PALIの機構や効果を確立するものではありません。研究課題は、ケアの制約下で反証可能な、具体的な組み合わせです。

03変更の権限が異なる、二つの学習ループ

図1は、固定した共有LLMと、PALIの再構成可能な個人用ニューラル領域が一緒に推論する内部型の構成案です。日付付きの根拠は別に記録します。個人用ネットワークの更新は、本人に関する将来の推論に使う学習済みパラメータや接続を変更します。本人の言葉、観察、専門職の訂正など、許可された新しい情報には出典・日付・不確実性を残します。制御機構は、既存の根拠の検索、個人状態の更新案、容量配分、補助モデルへの問い合わせ、判断の見送りを選びます。定義し、学習すべき判断であり、同じAPI呼び出しの別名ではありません。新しい観察は、保存する価値があってもニューラル更新を正当化しないことがあります。希望の変化は解釈の更新を要しても、過去の事実を書き換える理由にはなりません。

制御機構は更新候補を、安定した過去の基準と現在の確認済み版と比較します。確認された訂正、遅れて判明した結果、矛盾する報告は、新しい版への移行を支えることも、修正を求めることも、以前の状態を使い続ける理由になることもあります。図2では採用条件を示します。出典、権限、観察条件を確認し、許可された過去の記録で個人用の候補を隔離環境で学習させます。後の訪問記録は学習から外し、現在のモデルと検索、同じ容量での更新、容量を追加した候補を比較します。認識の改善がコストに見合い、誤警告、知識保持、情報開示の上限を満たす場合だけPALIの個人用ネットワークを拡張します。元の記録と歩行の基準、元に戻せる旧版を保持します。青の共有ネットワークの位置は固定され、金色の単位とモデルの輪郭が広がります。単位は模式的で実際のパラメータ数ではありません。二つの図が示すのは個人学習ループです。本稿の共有学習ループには、別の許可と検証の過程があります。利用中に学ぶことは、すべての変更を直ちにケア支援へ使うことを意味しません。

共有ループは、「他の人の支援を改善できる、共有に適した貢献があるか」という別の問いを扱います。候補には、評価された学習規則、一般化した業務上の知見、プライバシー保護を施した集計、モデル更新案などがあります。利用の可否は、出典に付随する許可と用途、情報漏えいのテスト、一般化できる根拠によって決まります。役に立ったというだけで、本人の記録や学習状態を共通の蓄積へ黙って複製する構想ではありません。

共有への反映には独自の版、評価用データ、取り消し判断を設けます。改善候補は、元の貢献者とは異なる人も含め、開発から分離した人、集団、現場で先に検証します。一人への利益が、他者への害を隠してはなりません。個人の制御機構が後で承認済みの共有版を使う場合も、その依存関係を追跡可能にします。共有への反映を行わない運用も可能です。それは重要な科学的比較対象であり、正当な権限設定であって、不完全な設計ではありません。

科学的貢献の候補は、どの根拠が更新を許すか、何が容量追加を正当化するか、どの貢献が境界を越えられるか、いつ変更を見送るかをつなぐ運用可能な機構です。訂正、過去との比較、コントロールを保ちながら、有用な変化の把握と支援調整を改善できるか検証します。個人学習と共有学習の組み合わせ自体は研究されています。価値は、定義された機構と再現可能な挙動によって示す必要があります。

04大規模モデル、個人向け補助モデル、検証すべき境界

組織向けの大規模共有モデルが幅広い能力と、別々に指定できる個人状態を持つ構成が考えられます。小型の個人向け補助モデルが変化する表現を保持し、必要時に汎用モデルを参照する方法もあります。ハイブリッドでは、手元で継続性を保ち、大規模モデルの能力を選択的に使えます。「私的」とは意図するアクセス・学習境界であり、モデルの大きさ、端末の場所、図の色分けによるプライバシー保証ではありません。内部のパラメータ配分にはモデル構成の制御と学習へのアクセスが必要です。ホストされた推論APIだけを使える場合、持続的な個人学習には、そのサービスが対応する適応方法か外部の補助モデルが必要になります。遅延、保存量、専門能力、更新費用、統制のトレードオフを比較します。

RouteLLMはモデル間の品質・費用を考慮する経路選択の先行研究です [18]。PALIでは、要求とともにどの持続状態が渡るか、どのモデルがそこから学べるか、経路変更が信頼性を変えるかを追加で問います。許可された情報へのアクセスをそろえ、大規模モデルのみ、小型モデルのみ、両者の組み合わせを比較します。組織ごとに権限管理された区画、中央処理、連合学習も、最初から勝者を決めず、検証する構成候補とします。

記録を手元に置くだけでは連合学習の更新を安全にできません。2026年7月のプレプリントは、悪意あるサーバーが配布前の構成を変更し、実験設定で勾配の逆算から放射線診療の文章を復元する方法を研究します [17]。MEXTRAは、評価対象のエージェントからプロンプトを通じて私的な記憶を抽出する攻撃を示します [16]。入力、検索、重み、勾配、ログ、更新の通信を明示的な脅威モデルで扱う理由になります。すべての構成が同じように漏えいする、あるいは端末外への移動だけが危険という意味ではありません。

分散した更新では、安全な集約と個人単位の差分プライバシーを候補として検証し、プライバシー予算、抽出リスク、他者への転移効果、計算費用を報告します。どちらか一つを採用するだけで共有学習が自動的に私的になるわけではありません。

実装には用途別の同意と権限、本人確認と鍵管理、アクセス制御、監査記録、保持期間の管理が必要です。アクセスの取り消しは将来の利用を止められても、重みに既に残った影響を自動的に消しません。アンラーニングや再学習は限界を明示して検証する必要があります。米国でHIPAAが適用される運用では、実際の機関、データの流れ、業務委託先との関係、契約に応じた保護策を設計目標とします。適用範囲はHHSの説明に基づき確認するものであり、本研究構想がHIPAA準拠を主張するものではありません [24]。

05根拠の確認を省かず、研究開発を速める

もう一つの研究目標は、機構の候補を開発する過程の改善です。AIが更新アルゴリズム、経路選択規則、小型モデルの構成、シミュレーションの状況、評価コードを提案できます。進化的探索で候補を作り、測定し、有用なものを残す方法です。AlphaEvolveには、計算・数学課題で生成コードを繰り返し評価する具体的な先行例があります [20]。これは範囲を限定した研究工程の参考であり、指数関数的な進歩や、本番の臨床システムが自分を書き換える約束ではありません。

探索の前に、人が目標と許容条件を設定します。候補コードは研究用に隔離した環境で動かし、比較対象、実験の版、探索のフィードバックと分離した評価データを固定します。提案された評価器も確認と検証が必要です。同じモデルが、自分の出力を高く評価するために成功条件を黙って変更してはなりません。次段階への採用には再現性、人による審査、取り消し手順を求めます。探索効率は信頼性とともに測る成果であり、あらかじめ仮定する加速率ではありません。

シミュレーションは二種類の道具を提供します。NVIDIAのOmniverseを基盤とするIsaac SimとCosmosの世界モデルは、物理環境、センシング、ロボティクスの研究候補に利用できる道具です。例えば、移動補助具、照明の変化、センサーの故障を含む在宅・リハビリテーション環境を、研究用の状況として検討できます。引用するIsaac for Healthcareの事例は、手術・介入機器と人体のシミュレーションを扱い [23]、長期ケアの場面を検証したものではありません。Cosmos 3は物理世界モデルと合成データを研究し、一部の合成データを加える比較実験では、人に関する領域の性能が低下しています [22]。別の道具として、合成した長期ケアの状況に、目標の変化、欠けた報告、対応の遅れ、サービス移行を組み込み、制御機構に負荷をかけられます。いずれも、個人の健康や生活経験を再現できると検証されたデジタルツインではありません。

関連する先端的な検討対象にV-JEPA 2.1があります。Joint Embedding Predictive Architectureは潜在的な特徴の予測を通じて表現を学びます。密な動画特徴を研究し、物理的な知覚や計画への利用可能性があります [21]。センシングやロボティクスを持つ協力先との研究に関係し得ますが、臨床的な推論や提供者の調整とは異なる役割です。表現学習、合成状況、物理シミュレーションは、具体的な実験で貢献を確かめられる場合に取り入れ、実際の観察との照合を別途行います。

06確かめられる説明をつくる

専門職は、提案の背後にある観察の出典、日付、利用権限、不確実性、競合する解釈、前の版からの変更を確認できるべきです。検索した事実と推定したパターンを区別し、訂正の影響や、確認を求めた理由・判断を見送った理由を示します。これは責任ある業務を支える根拠と変更の履歴です。本人も、流暢な説明を権威として受け入れるだけでなく、解釈に異議を唱える具体的な手段を得られます。

その履歴は、ニューラルネットワークの完全な透明性とは異なります。2025年の医療質問に関する研究は、モデルの説明が、根拠の回答への影響を誤って表す場合を示します [19]。もっともらしい理由にも独自のテストが必要です。引用した観察を除く・変える、矛盾する出典を加える、別の説明と比較することで、主張どおり結果が変化するか確認します。説明の忠実性、予測精度、専門職にとっての有用性は別の成果です。内部の因果的説明を検証できない場合、隠れた推論の精密な物語を作らず、観察できる根拠と限界を示します。

07利点を実証し、限界を明らかにする

新しいAIモデルだけでなく、従来のケア業務と明示的な規則から比較を始めます。適切なチェックリスト、引き継ぎ手順、規則に基づく警報の方が確実な場合もあります。日付付き記録の検索、時間軸の記憶、固定アダプタ、小さな個人コード、全体・個人の戦略と比較し、利用可能な履歴と資源予算をそろえます。モデルの大きさ、内部・補助モデル容量、中央・連合・非共有の構成、共有への許可を変え、制御機構が実際に行う判断を一つずつ確かめます。

開発と評価では、人、可能であれば組織、そして時間を分離します。各判断に使えるのはその時点の情報だけとし、後の観察や訂正をテストに残します。履歴の少ない開始、矛盾した報告、古い記憶、緩やかな悪化、回復、目標変更、サービス移行を含めます。共有への反映が未経験の人や現場に役立つか、平均が改善したとき誰が不利益を受けるかも問います。一つのデータセットの後ろ向き検証で、生涯の効果を示せるわけではありません。

誤警報の負担を一定にしたときの有用な変化の把握、較正、重要な見落とし、事実の信頼性、判断の見送りを測ります。訂正の保持、以前の有用な学習の忘却、人をまたぐ干渉、定めた攻撃での情報漏えいを調べます。実際のモデルと配置における遅延、保存量、計算量も報告します。業務では専門職の確認時間、不適切なエスカレーション、引き継ぎ完了、提供者の対応完了を評価します。本人の主体性、アクセシビリティ、チームが訂正・却下できることも実用的な価値の一部です。

安定した過去の基準、更新ゲート、容量拡張規則、補助モデル経路、共有への反映ゲートを一つずつ除くアブレーションを行います。他の条件を固定し、どの要素が利益を説明するか問います。研究開発の加速では、同じ評価予算でAIが提案した候補が人の設計や単純な探索を上回るか測ります。説明は流暢さだけでなく、根拠への介入に忠実に応答するかをテストします。再現できる否定的な結果も、研究の有用な成果です。

中止条件を明確にします。同条件の従来手法や検索に対する意味のある利益がない、信頼性が悪化する、情報漏えい・業務負担・資源の合意した限界を越える場合は、学習容量や共有への反映を次段階に進めません。シミュレーションで機構を切り分け、管理された過去データで実際の多様性を確かめ、前向きの支援付き利用には別の根拠と監督の条件を設けます。魅力的なシミュレーションやモデル自身の評価点ではなく、事前の基準と責任ある協力体制で進行を決めます。効果の数値目標は共同で設計する研究計画に置き、根拠のない宣伝上の約束にはしません。

表1:機構の価値を確かめる比較対象
比較対象検証すること重要な問い
従来の規則とケア業務業務改善を越える価値明確なチェックリスト、警報規則、責任ある引き継ぎをAI機構が改善するか。
固定モデル+検索・時間軸の記憶持続的なニューラル更新を伴わない根拠の利用日付、訂正、古い情報への同条件のアクセスより学習が優れるか。
アダプタ、小さなコード、生成した重み効率的な固定・生成型の個別化利用できる履歴と課題に追加の持続容量が必要か。
全体・個人の記憶戦略転移と個人の継続性既存の二層学習を提案機構が改善するか。
小型・大規模・経路選択モデル能力、遅延、資源配分同じ信頼性の限界で、どの大きさと選択規則が費用に見合うか。
中央・連合・非共有の構成権限境界と共有への反映漏えいや干渉を許容範囲に保ち、許可された転移が未知の人を助けるか。
固定容量と拡張・補助モデル型適応的な容量配分の貢献情報と評価予算をそろえたとき、どの要素が役立つか。

08検証可能な機構から、再現できる根拠へ

この機構の開発には、継続学習、効率的なモデル構成、プライバシー工学、ケアの方法論、障害のある本人が主導する共同設計、提供者の業務、独立評価が相互に補完し合う必要があります。科学的な協働は、制御機構、再現可能な比較対象、責任ある利用に必要な根拠を定義することから始まります。

共同の研究計画では、データ利用の許可、時系列に沿う評価、責任ある確認、機構を止める・修正する条件を定めます。比較方法、資源費用、限界、再現できる否定的な結果を公開することで、研究が実際に何を示したかを他者が評価しやすくなります。目指すのは、問い直し改善できる根拠に支えられた、本人にとって有用な継続性です。

参考文献

2026年11月16日までを対象にしたスコーピングレビューから選んだ研究出版物と一次技術資料です。学会、プレプリント、技術資料の区別を示します。系統的レビューではなく、結果を独立に再現したという主張でもありません。

  1. Zhaoxuan Tan et al. (2024). Democratizing Large Language Models via Personalized Parameter-Efficient Fine-tuningEMNLP 2024.
  2. Linhai Zhang et al. (2025). PROPER: A Progressive Learning Framework for Personalized Large Language Models with Group-Level AdaptationACL 2025.
  3. Zhaoxuan Tan et al. (2026). Instant Personalized Large Language Model Adaptation via HypernetworkACL 2026.
  4. Songyuan Sui et al. (2026). Does Every User Need a Private LoRA? Decoupling Personalization from Per-User AdaptationPreprint, October 2026.
  5. Yu Sun et al. (2025). Learning to (Learn at Test Time): RNNs with Expressive Hidden StatesICML 2025.
  6. Jaehong Yoon et al. (2018). Lifelong Learning with Dynamically Expandable NetworksICLR 2018.
  7. Vincent-Pierre Berges et al. (2025). Memory Layers at Scale2024 preprint; ICML 2025.
  8. Georgianna Lin, Rencong Jiang, Noémie Elhadad and Xuhai “Orson” Xu (2026). A framework for longitudinal health AI agentsNature Health Perspective, 2026.
  9. Alireza Salemi and Hamed Zamani (2025). Comparing Retrieval-Augmentation and Parameter-Efficient Fine-Tuning for Privacy-Preserving Personalization of Large Language Models2024 preprint; ICTIR 2025.
  10. Chimaobi Okite et al. (2025). Benchmarking and Improving LLM Robustness for Personalized GenerationEMNLP Findings 2025.
  11. Min Zeng et al. (2026). MedCL-Bench: Benchmarking stability-efficiency trade-offs and scaling in biomedical continual learningPreprint, March 2026.
  12. Sean Augenstein et al. (2026). LoRA-generating hypernetworks for efficient on-device LLM generative personalizationPreprint, September 2026.
  13. Yupeng Han et al. (2026). Learning What to Share and What to Personalize: Hierarchical Strategy Co-Evolution for Agent MemoryEMNLP 2026.
  14. Md Nayem Uddin et al. (2026). From Recall to Forgetting: Benchmarking Long-Term Memory for Personalized AgentsFindings of ACL 2026.
  15. Kai Tzu-iunn Ong et al. (2025). Towards Lifelong Dialogue Agents via Timeline-based Memory ManagementNAACL 2025.
  16. Bo Wang et al. (2025). Unveiling Privacy Risks in LLM Agent MemoryACL 2025.
  17. Santhosh Parampottupadam et al. (2026). Privacy Leakage in Federated Learning in Radiology Reports: A Comparative Evaluation of Tokenizer-Driven Privacy RisksPreprint, July 2026.
  18. Isaac Ong et al. (2025). RouteLLM: Learning to Route LLMs from Preference DataICLR 2025.
  19. Katie Matton et al. (2025). Walk the Talk? Measuring the Faithfulness of Large Language Model ExplanationsPreprint, 2025.
  20. Alexander Novikov et al. (2025). AlphaEvolve: A coding agent for scientific and algorithmic discoveryWhite paper / preprint, 2025.
  21. Lorenzo Mur-Labadia et al. (2026). V-JEPA 2.1: Unlocking Dense Features in Video Self-Supervised LearningPreprint, March 2026.
  22. NVIDIA (2026). Cosmos 3: Omnimodal World Models for Physical AINVIDIA technical report, 2026.
  23. Cristiana Dinea et al. (2026). Developing Healthcare Robotics with GPU-Native Medical Physics SimulationNVIDIA technical blog, July 2026.

運用上の規則に関する資料

[24] US Department of Health and Human Services, Office for Civil Rights. Covered Entities and Business Associates. Official HIPAA guidance; accessed 16 November 2026.