認知エンジンによるプログラマブルエマージェンス：AI研究の成熟に関する縦断的証拠

現行のAI研究システム---FunSearch、AlphaProof、The AI Scientist---は単一実行の出力最適化を行うが、試行を跨いだ構造化された理解の蓄積はできない。我々は、状態表現（知識グラフ、信念追跡、戦略登録）、注意配分（認知勾配、二重可塑性、休眠痕跡）、および自己調整（文脈認識介入）の3つの機能層に組織された7つのメカニズムを通じて縦断的な研究成熟を可能にする認知アーキテクチャを提示する。このアーキテクチャは2つの設計原理に基づく：初期の小さなバイアスの増幅を通じてドメイン固有の専門化を発展させるドメイン非依存の原始要素の認知ゲノム、そして7つのメカニズムのうち6つが純粋に計算的でLLM呼び出しを一切伴わない原理的な言語-認知分離。このアーキテクチャは凍結された言語モデル（Claude Sonnet 4）を外部足場として完全に動作し、重みの更新を必要としない。オープンハダマード予想の次数668における261回の探索キャンペーンでは、外部の指導なしに4段階の認知成熟を示した：素朴な探索、構造的深化、計算的強化、そして決定的評価。4つの数学問題での制御脱落実験により成功率が+22.5パーセンテージポイント向上（p=0.021、Cochran-Mantel-Haenszel）し、構造的制約抽出効率が+81%向上（p<0.001）した。24の異なるドメインペア間で知識グラフブリッジ活性化によるドメイン間転移が問題特異的な指示なしに発生した。続く47回のオープンウィリアムソン行列予想次数65の探索キャンペーンでは、ハダマード研究で蓄積されたスペクトル解析技術が構造的に関連する問題に転移し、新規の不存在証拠および数学的洞察を生み出した。システムはいずれの目標問題も解決できなかったが、それらへの取り組み方に成熟が見られ、同じ問題に繰り返し遭遇するステートレスシステムとは定量的に異なることが示された。我々はこの現象をプログラマブルエマージェンスと呼ぶ：クラスがアーキテクチャで決定され、タイミングとパラメータが蓄積された経験から生じる質的な行動変化である。