Minotaurは、大規模言語モデル（LLM）やGPUのような特殊なハードウェアを使用せずに、高度な推論を実行するように設計されたAIアーキテクチャです。現代のLLMは、人間が思考を書き出す方法を模倣するようにシーケンス内の次の単語を予測することで推論に近い能力を実現していますが、Minotaurは評価対象となるシステムの基礎となる構造を分析することで動作します。このアーキテクチャはELC（Energy, Control, and Logic）と呼ばれるフレームワークに基づいて構築されており、あらゆるシステムを「Energy」がシステムを駆動し、「Control」がそれを制約し、「Logic」がその両方の関係を定義する要素のネットワークとして表現します。
Minotaurの核心的なメカニズムは「settling」と呼ばれるプロセスです。質問に答えるために、システムはネットワーク内の特定のノードを「held（固定された事実）」、「cut（強制された値）」、または「free（解決すべき未知数）」として識別します。その後、ネットワークは水が水平面を見つけるように「settle」し、すべての合法的なノードが内部の論理に従った値を取ります。Minotaurは、ネットワークがsettleした後に固定された事実が整合性を保てなくなる度合いである「stress（ストレス）」を測定します。このストレスは、論理ノードを通じて「free」な穴へと後方に押し戻され、整合した状態が見つかるか、あるいは矛盾が特定されるまで続きます。これにより、システムはシステムのルール内での均衡点を見つけることで、演繹、帰納、およびアブダクションを実行することが可能になります。
この画像は、水が水平面を見つけるようにネットワークがsettleするMinotaurの核心的なメカニズムを説明しています。
推論を2つの異なる「半球」に分離することで、Minotaurは推論の対象となるシステムと、その作業を実行する計算機との間に明確な区別を維持します。ELC側はシステムの構造を保持し、データ記録から新しいモデルを学習することができ、一方で「exact（正確）」側は算術を実行し論理的な整合性をチェックする計算機として機能します。この分離により、Minotaurはこれら2つの側面の間の記録された「crossing（交差）」からなる「思考の連鎖（chain of thought）」を提供でき、回答に到達した方法の検証可能な証明書を提示します。Minotaurは人間の思考の散文ではなくシステムの構造に基づいて動作するため、単一の標準的なプロセッサコア上で1つの質問につき約0.25秒でこれらの操作を実行でき、現代のLLMのようなデータセンターを大量に必要とする要件とは異なるトレードオフを提供します。しかし、ソースが限られたプロジェクトであるため、具体的な実装の詳細やモデルの公開状況は、外部検証のための不確実な要素として残っています。
これは、アーキテクチャに記述されている2つの異なる「半球」であるELC側と「exact」側を描写しています。
LLMと比較したこのアプローチの大きな制限の一つは、「因果グラフ」またはシステムの構成要素の記述が必要な点です。LLMは問題の記述を平易な言葉で解釈できますが、Minotaurはシステムのルールと部品の構造化された表現を必要とします。開発者は、証明可能で再現可能な「正確な」推論を実現するためには、これが不可欠なトレードオフであると主張しています。20世紀のAI（Prologやエキスパートシステムなど）の「正確な」論理と、現代のディープラーニングの「学習された」パターンの間に位置することで、Minotaurは中間地点を提供しようとしています。つまり、データからモデルを学習できつつ、形式論理ソルバーのような精度で推論できるシステムです。
最終的に、ブラインドテスト（証言者の記憶を変える警察の聞き取りや、データのみからシステムを診断するタスクなど）においてLLMの推論に匹敵するMinotaurの能力は、LLMの「散文ベース」の推論が知的な振る舞いへの唯一の道ではない可能性を示唆しています。人間の思考の言語的パターンではなく、推論の対象となるシステムのメカニズムに焦点を当てることで、Minotaurは、今日のAI環境で一般的な対話型インターフェースよりも構造化された入力を必要とするものの、計算効率が高く論理的に検証可能な推論への道を提供しています。
この画像は、テキストで言及されている主要な能力である診断推論を実行できるというMinotaurの主張を裏付けています。