公理の崩壊

ガウス分布が破れ、世界が始まるところ

ガウス分布は間違っていない。

それは、特定の構造条件のもとでのみ安定を保つモデルだ。

正規分布は、多くの集約過程で自然に現れ、物理学、工学、統計学における最も強力な道具の一つであり続けている。

しかし、その安定性はいくつかの仮定に依存する。

簡略化すると、次の条件が含まれる。

近似的独立性 — 変数同士が強く影響し合わない。
定常性 — 基礎となる過程が、時間とともに大きく変化しないこと。
中立的な観測 — 測定はシステムを変化させない。
弱いフィードバック — 出力は将来の入力を強く形づくらない。
限定的なドリフト — 平均と分散がおおむね安定している。

これらの条件が成立するとき、ガウスモデルは多くの場合、正確かつ効率的である。

しかし、これらの仮定のいくつかが同時に崩れると、ガウスモデルは局所的な有用性を保ちながらも、より長期には構造的に不安定になりうる。

ガウス分布そのものが誤っているわけではない。

問題が生じるのは、安定性に基づくモデルが、その構造的条件をもはや満たさないシステムに適用されるときである。

なぜ多くの現実のシステムはガウス分布の仮定からドリフトしていくのか

多くの現実のシステムには、エージェント、観測者、フィードバック、適応、または学習が含まれる。

そのような環境では：

変数は互いに影響する → 独立性が弱まる。
挙動は時間とともに変化する → 定常性が弱まる。
測定が意思決定に影響する → 観測者の中立性が崩れる。
行動が未来の状態を作り変える → フィードバックが生じる。
小さな偏差が蓄積する → ドリフトが現れる。

これらの条件は、まれな異常ではない。

これらは、相互作用、適応、あるいは知能を含むシステムに共通する性質である。

短い時間範囲では、ガウス近似がなお機能する場合がある。

より長い時間範囲では、構造的ドリフトが分布を作り変え始める。

埋め込まれたシステムの構造的性質としてのドリフト

ドリフトはしばしば、ノイズ、測定誤差、あるいは一時的な揺らぎとして解釈されてきた。

だが、埋め込まれたシステムでは事情が異なる。

観測者はシステムに影響を与える。

システムは観測されることに反応する。

その反応が蓄積する。

その結果、分布そのものが変化していく。

したがって、ドリフトは必ずしもランダムではない。

それはフィードバック、適応、そして埋め込まれた観測の自然な帰結でありうる。

観測者とシステムが同じ環境を共有するかぎり、完全に安定した分布は、長い時間尺度ではますます脆くなる。

ドリフトが蓄積するとき

持続するドリフトは次をもたらす：

変動する平均
変化する分散
非対称な分布
裾の重い分布
極端な事象の増幅

長い時間軸では、多くの現実のシステムは、歪んだ分布、ロングテールの振る舞い、あるいはべき乗則に似た領域へと向かう。

こうしたシステムでは、極端な事象はもはや異常ではない。

それらはシステムの構造的特徴となる。

RCCと構造的ドリフト

RCC（再帰的崩壊制約）はドリフトを生み出さない。

それは、埋め込まれたシステムになぜドリフトが自然に生じるのかを説明する。

特に重要なのは、四つの構造的機構である。

埋め込み性

観測者はシステムの一部である。観測は振る舞いを変え、中立的な測定という仮定を弱める。

部分的な内部アクセス

いかなるエージェントも、システムの内部状態全体を完全には観測できない。隠れた依存関係が現れ、厳密な独立性の維持が困難になる。

段階的近似

現実のシステムは段階的に更新される。小さな近似誤差は時間とともに蓄積する。

フィードバックの蓄積

行為は反応を生み、その反応が未来の行為を形づくり、定常性を徐々に崩していく。

RCCの観点からすれば、ドリフトは単なる誤差項ではない。

それは、埋め込まれた適応システムの構造的な徴候である。

相互作用、学習、知能を含むシステムは、通常、何らかの長期的ドリフトを示す。

なぜ歴史的にガウス的思考が支配的だったのか

ガウスモデルは数学的に洗練され、解析的に解け、計算効率がよく、視覚的にも直感的だ。

多くのシステム、とりわけフィードバックが弱く時間的視野が短いシステムでは、これらのモデルはきわめてよく機能する。

しかし、強いフィードバック、適応、相互作用を含むシステムでは、安定性を前提とする仮定は徐々に成り立ちにくくなる。

これにより、次のことが起こりうる：

テールリスクの過小評価
極端な事象の誤った価格評価
安定性への過信
構造的ドリフトをランダムノイズと誤分類すること

問題は、ガウス分布そのものにあったのではない。

問題は、フィードバックと適応によって根本的に形づくられるシステムに、安定性に基づくモデルを適用したことにあった。

最終要約

ガウスモデルは局所的には依然として有効であり、多くの場合、最適でもある。
埋め込まれた適応システムは、自然にドリフトを生み出す。
ドリフトが蓄積すると、ガウス対称性が弱まり、裾の重い分布が現れる。
RCCは、埋め込みシステムにおいて、こうしたドリフトを完全には除去できない理由を説明する。

ガウス分布は理想化されたレンダリングだった。

ドリフト、フィードバック、埋め込まれた観測者を伴う現実は—

その下にある構造である。