Anthropic と ZIKUU の技術思想比較

Intelligence in the Harness / Meaning in the Context

Anthropic の最近の流れは、単純に「より大きなモデルを作る」から少し離れ、モデルの外側にある Scaffold / Harness に知能を分散させる方向へ進んでいるように見える。

つまり、

LLM単体
↓
Agent Scaffold
↓
Tool use
↓
Memory
↓
Planner
↓
Verifier

という構成。

モデルそのものを巨大化するだけではなく、モデルを取り巻く実行環境、ツール、検証、タスク分解の構造によって、全体としての知的能力を高める。

この見方は、

Intelligence is in the Harness

と言える。

---

一方、ZIKUU の方向は少し違う。

ZIKUU では、LLMを中心に置かない。
LLMはあくまで処理エンジンであり、中心にあるのは、

Event
↓
Context
↓
Pivot
↓
Meaning Space

という流れ。

ここで重要なのは、知識や意味や文脈をLLM内部に焼き込まないこと。

Fine Tuning で知識をモデルに埋め込むのではなく、原文、文脈束、Fact、Pivot、Meaning Space を外部構造として保持する。

つまり、

LLM = 実行エンジン
Context = 意味形成の場
Fact = 機械処理可能な知識単位
Pivot = 視点変換・探索装置
PRE = 仮説生成・推論計画

になる。

ZIKUU の立場を一言で言うなら、

Meaning is in the Context

に近い。

---

1. Anthropic: モデル外部の実行構造へ

Anthropic の方向は、巨大モデル単体への期待から、Agent Scaffold への移行として理解できる。

User Request
↓
Planner
↓
Tool Use
↓
Memory
↓
Verifier
↓
LLM
↓
Answer / Action

ここでは、LLMは単体で全知全能の存在ではない。
LLMは、ツールを呼び出し、計画を立て、結果を検証する Harness の中で動く。

これは技術的には健全な方向で、昔の大規模システムで言えば、

業務ロジックをエンジンから外に出す

発想に近い。

硬いコアを作り、その外側に柔らかい処理やルールを差し込む。
ワークフローエンジン、ルールエンジン、分散処理基盤と同じ流れに見える。

---

2. ZIKUU: LLMより前に文脈構造を作る

ZIKUU の特徴は、Anthropic よりさらに手前の層を見ていること。

Anthropic が主に、

どう実行するか

を扱っているとすれば、ZIKUU は、

何を意味として扱うか

を扱おうとしている。

そのために Context Pipeline Server がある。

Archive
↓
Segment
↓
Context Bundle
↓
Fact
↓
Pivot
↓
PRE
↓
AI塾長

ここで Context Bundle は重要な中間表現になる。

従来のRAGは、

原文
↓
Embedding
↓
検索
↓
LLM

で済ませる。

ZIKUUはそこを、

原文
↓
文脈束
↓
Fact
↓
Pivot
↓
Meaning Space

に分解する。

これは単なるRAGではなく、知識コンパイルに近い。

---

3. コンパイラとして見る

ZIKUU の構造は、コンパイラに似ている。

原文
= Source Code

Context Bundle
= High-level IR / Pseudo Code

Fact
= Low-level IR

Pivot
= Optimization / View Transformation

PRE
= Query Planner / Execution Planner

LLM
= Runtime / Code Generator

この構造の利点は、LLMを交換できること。

Claude でも、GPT でも、Qwen でも、gpt-oss でも、Zamba でもよい。
モデルが変わっても、文脈束、Fact、Pivot、Archive は残る。

これはFine Tuningと対照的。

Fine Tuningは知識をモデルに焼き込むため、ベースモデルが変わると再学習が必要になる。
ZIKUUでは、知識資産は外部にあり、モデルは交換可能なエンジンに留まる。

---

4. 検証可能性の違い

AI時代の大きな問題は、生成能力ではなく検証能力になる。

AIが巨大なコードを書けるとしても、

誰が検証するのか
何を守るのか
どこで壊れるのか
誰が責任を負うのか

が残る。

Anthropic の Harness は、この問題に対して Planner や Verifier を導入する方向に見える。

ZIKUU はさらに、構造そのものを局所検証可能にしようとしている。

Nerve
= Event が正しく流れるか

Context Pipeline
= Context Bundle が妥当に形成されるか

Fact
= 機械処理可能な知識単位として保存されるか

Pivot
= 視点変換と探索が成立するか

PRE
= 仮説生成と推論経路が追跡可能か

巨大な一枚岩を作るのではなく、検証可能な粒度に分ける。

ここはZIKUUの設計思想としてかなり重要。

---

5. 不確実性の扱い

LLMは確率的である。
現実のシステムでは、サイコロを振るような判断は危険になる。

そのため、ZIKUUでは、

Fact
Hypothesis
Judgement
Action

を分ける。

事実と仮説を混ぜない。
LLMにすべてを決めさせない。
どこで推測したのかを残す。

これはAIを「正解生成機」として使うのではなく、不確実性を扱う道具として使う設計になる。

---

6. ハードウェア観の違い

Anthropic的な方向では、巨大モデル、クラウドAI、大規模推論基盤が中心になる。

ZIKUUでは、

AI NAS
Jetson Orin Nano
Strix Halo
DGX Spark
RTX Spark cluster

のような、ローカルで運用可能な小型ノードに関心が向く。

理由は単純で、ZIKUUにとって重要なのは最高性能ではなく、

自分で動かせる
止まっても復旧できる
バックアップできる
増殖できる
交換できる

ことだから。

ZIKUU Mini の方向は、

Observation Node
↓
Context Node
↓
Meaning Node

という文脈ネットワークに近い。

巨大なクラウドAIではなく、小さな知識工場のクラスター。

---

7. 技術思想の比較表

観点	Anthropic	ZIKUU
中心概念	Agent Harness / Scaffold	Context / Meaning Space
LLMの位置	Harness内の主要推論エンジン	交換可能な処理エンジン
知能の所在	Harnessに分散	文脈構造に宿る
主な関心	タスク実行能力	意味形成・判断支援
知識の扱い	Memory / Tool / Context Window	Archive / Context Bundle / Fact / Pivot
検証	Verifier / Scaffold	局所検証可能な構造
FT	性能・振る舞い改善に使う可能性	知識には使わない。使っても口調まで
ハードウェア	クラウドAI・大規模推論	ローカルAI NAS・小型クラスタ
最終目的	高性能Agent	文脈を継承する計算基盤

---

8. 結論

Anthropic の方向は、

Intelligence is in the Harness

である。

これは、LLM単体ではなく、ツール、記憶、計画、検証を含む実行構造に知能を分散させるという意味で、非常に合理的な方向に見える。

一方、ZIKUU の方向は、

Meaning is in the Context

である。

ZIKUU は、LLMを中心にしたAgentではなく、EventからContextを作り、Pivotによって視点を変え、Meaning Spaceを形成する。
LLMはその上で働くエンジンにすぎない。

だからZIKUUが作ろうとしているものは、単なるAIアプリではない。

Contextual Computing Platform

である。

それは、AIに答えを出させる仕組みではなく、
人間が不確実性の中で観察し、意味を形成し、判断し、行動するための基盤である。

人生は不確実性の中での判断や決断を求められる。
だから、人が使うシステムは、不確実性を扱えなければならない。

ZIKUUのシステムは文明のバックアップ装置である。
それは再起動ができる仕組みでなければならない。
再起動を容易にするためには、知識をモデルに焼き込んではならないし、特定のモデルに依存してはいけない。

今のところ、ZIKUUのシステムは、VRAM 16GBのGPUと量子化されたgpt-oss:20bで十分に実用的な性能が得られている。つまり、このまま開発が推移して、この制約の中で十分に実用になるなら、個人や小さな組織が導入しやすいシステムになる可能性がある。