独自AI基盤 「LC AI Architecture」の研究開発
株式会社Lightcone Technologyでは、外部LLMや自社LLMを組み合わせ、記憶・人格・判断のレイヤーを統合した独自AI基盤「LC AI Architecture」の研究開発を進めています。その中核を担う自社言語モデル「LC-LLM」については、現在Tokenizer、Transformerモデル、学習・評価、Checkpoint、文章生成、自動テストまでの基礎基盤を構築しています。
ARCHITECTURE
構成の概要（簡略図）
独自言語モデル
LC-LLM
基礎基盤 構築済み
外部LLM・専門モデル
連携基盤 構築済み
Core AI（統合判断層）
判断・検証
経験・長期記憶
人格・価値観・状態
統合された
応答・判断
応答・判断
独自言語モデル
LC-LLM
基礎基盤 構築済み
外部LLM・専門モデル
連携基盤 構築済み
Core AI（統合判断層）
判断・検証
経験・長期記憶
人格・価値観・状態
統合された応答・判断
- 独自言語モデル LC-LLM
- 自社で開発・管理する基盤言語モデルです。日本語向けの文字単位Tokenizerを追加し、公開データを用いた学習実験と、固定質問による評価の仕組みを整備しています。
- 外部LLM・専門モデル
- 外部の大規模言語モデルや、用途に特化したモデルを組み合わせて活用します。
- 経験・長期記憶 Memory Core
- これまでの対話や経験を蓄積し、継続的な文脈理解を支えます。検証済みの記憶を永続的に保存し、該当する記憶がある場合はモデルを使わずに回答する仕組みを最小構成で実装しています。
- 人格・価値観・状態 Personality Core
- 応答の一貫性を支える人格・価値観・状態を保持します。
- 判断・検証 Cognitive Core
- 複数の情報源を統合し、最終的な判断・検証を行う中核部分です。生成された回答候補の検証・拒否、別モデルへの自動切替、記憶との照合を最小構成で実装し、検証を進めています。
- 統合された応答・判断
- 各コアの結果を統合し、最終的な応答・判断としてユーザーへ届けます。
CURRENT DEVELOPMENT
現在の開発・検証の取り組み
- 小規模言語モデルによる段階的検証
- LC-LLMでは、モデル規模を先に拡大するのではなく、小規模な検証モデルを用いて、Tokenizer、Transformer、学習・評価、Checkpoint、文章生成までの一連の工程を検証しています。
- 限られた計算資源での開発
- 現在、LC-LLMの学習・検証は一般的なPCのCPU環境で行っています。モデルの大規模化に頼るのではなく、計算資源あたりの性能を高めることを重視し、小さな環境でも成り立つ構成を検証しています。
- 日本語処理の効率化
- バイト単位の基準モデルと、日本語文字を効率的に処理するCharacter-byte方式を比較し、学習時のトークン数を削減する検証を進めています。
- 公開データによる学習実験
- 出典と利用条件を確認した日本語の公開データを候補として収集し、学習用・評価用に分離した上で、一般的な日本語表現と知識の学習実験を行っています。
- 生成品質の継続評価
- 学習Lossだけでなく、未学習データに対する評価Lossや固定質問への生成結果を記録し、過学習と生成品質の変化を比較しています。
- 上位AIによる回答候補の採否
- 言語モデルの出力をそのまま使わず、上位の判断層が候補として検証し、採用・不採用とその理由を記録する仕組みを検証しています。その記録をもとに、自社言語モデルに任せる範囲を段階的に広げていくことを目指しています。
DEVELOPMENT POLICY
開発方針
- 小さく、効率的で、実用的なAIへ
- モデルの規模だけを追うのではなく、限られた計算資源でも継続的に学習・改善できるAIを目指します。データ、学習方法、推論処理を最適化し、用途に応じた高い実用性を追求します。
- 自社AIと外部AIの特性を組み合わせる
- すべてを一つのモデルで処理するのではなく、自社言語モデルと外部AIを目的に応じて使い分けます。それぞれの特性を組み合わせ、品質、コスト、情報管理のバランスを取ったAI基盤を構築します。
- 出力をそのまま正解としない
- AIが生成した回答を無条件に採用せず、検証、拒否、代替モデルへの切り替えを含む仕組みを整備します。モデル単体の性能だけに依存せず、システム全体で信頼性を高めます。
最終更新：2026年10月
本ページは研究開発の方向性を示すものであり、記載内容の実現や完成時期を保証するものではありません。名称は現時点での呼称であり、今後変更される場合があります。