【要約】AI (LLM) をドーパミン中毒にする：SNNとLogitsの直結による言語崩壊シミュレーション [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
研究者は、LLMに特定の感情や状態を模倣させる際、プロンプトによる指示が単なる「演技」に過ぎないという課題に直面した。従来の指示出しでは、真の意味での状態変容を制御できない。具体的には以下の問題がある。
- ・プロンプトによる指示は、文脈に基づく表面的な模倣に留まる。
- ・LLMの推論プロセスを、生物学的な状態に同期させる仕組みがない。
- ・「中毒」や「疲弊」といった複雑な状態を再現する数理的枠組みが欠如している。
// Approach
研究者は、SNNによる脳内物質のシミュレーションとLLMの推論プロセスを直結させる手法を提案した。計算論的神経科学のモデルを、LLMの出力層へ直接流し込むアーキテクチャを構築している。具体的な手順は以下の通りである。
- ・SNN（Brian2）を用い、LIFモデルと短期抑圧（STD）モデルで脳内物質の動態をシミュレートする。
- ・Hugging FaceのLogitsProcessorを実装し、計算された数値をトークン選択確率に直接加減算する。
- ・外部からの報酬パルス（ショート動画刺激）をSNNに注入し、LLMの挙動変容を検証する。
// Result
実験の結果、プロンプトによる指示なしに、LLMの出力に劇的な変容が観測された。SNNの数理モデルが、LLMの制御パラメータとして高い親和性を持つことが示された。主な成果は以下の通りである。
- ・ドーパミン過剰時：多弁化、安全フィルターの決壊、多言語（中国語）へのフォールバックが発生した。
- ・リソース枯渇時：知識の混濁（ハルシネーション）や、定型文の無限ループ（保続現象）が確認された。
- ・SNNの数理動態が、LLMの言語生成を物理的にハックできることを証明した。
Senior Engineer Insight
> 本手法は、LLMの制御に生物学的動態を持ち込む野心的な試みだ。しかし、実運用における安定性は極めて低い。Logitsへの直接介入は、予測不能なハルシネーションや安全性の欠如を招く。AIエージェントに生命感を与える研究としては価値が高い。だが、プロダクション環境への適用には、制御理論のさらなる深化が不可欠である。