コストが対数的になる

長く働くAIエージェントには、会話、文書、過去の行動といった記憶がたまっていきます。いちばん簡単なのは、すべてを平らにしまっておき、山全体を探すことです。しかし山が大きくなるほど、検索のたびにコストがかさみます。

別の方法は、記憶を木の形に整理し、各段に要約を置くことです。記憶が1,000件なら10段ほど、100万件でも20段ほどで足ります。これが対数的なコストです。記憶が2倍になっても、1ステップ増えるだけです。

2026年のある理論によれば、こうしたシステムは見た目こそ違っても、どれも3つの操作を順に行っています。取り出す：生のデータを情報の単位に切り分ける。まとめる：グループを作り、それぞれに代表（多くは要約）を割り当てる。たどる：質問と使える語数が決まったら、何を読むかを選ぶ。

鍵になるのは代表の自己充足性です。要約で答えられるならそこで止まり、足りなければ詳細まで下りていきます。著者らは、既存の11のシステムがこの同じ枠組みに収まることを示しました。

出典： Talebirad et al., Toward a Theory of Hierarchical Memory (2026)

2025〜2026年によく使われているエージェントの記憶は、厳密な木の形から離れつつあります。事実を取り出し、研究者のカードのように互いにつなぐのです。読むのは役に立つカードだけなので、コストは低いままです。

そこで私たちはH5（「木ではなくグラフ」）の確信度を60%から65%に上げます。ただし、批判として指摘されている留保もあります。A-MEMのリンクが示すのは「この2つのメモは似ている」ということだけで、なぜ似ているのかは示しません。本当の意味での知識の階層には、関係そのものを表すリンクが必要でしょう。

H5 · 木ではなくグラフ (65 %)

正直に言えば、対数的なコストは理想です。バランスのとれた木と、信頼できる要約があることが前提になっています。実際には、木を作るために要約を書かせるモデル呼び出しのコストがかかりますし、木の上のほうで道を誤ると、下にある情報を取り逃します。そのため、多くのシステムは複数の枝を同時に読みます。

論文が主に測っているのは使った語数と答えの正確さで、理論上のコストを測ることはほとんどありません。そこで状態は「有望」のままにしておきます。効果は確かで、しばしば劇的ですが、「対数的」という言葉が表しているのは傾向であって、保証ではありません。

繰り返し現れる弱点が3つあります。道案内：下り始めで選択を誤ると、取り返すのが難しい。細部の欠落：要約は必ず何かを捨てるもので、捨てたものが答えだったということもある。手入れ：生きた記憶は絶えず変わり、木の組み直しは、やり方を誤ると高くつく。

これらの研究は、外部の記憶の側からH2を裏づけます。私たちの階層の「下の層」は、ごくゆっくりとしか増えないコストで参照できるのです。さらにH5も確かめられます。MemTree、GraphRAG、HORMAはいずれも、最終的に枝同士をつないでいます（生の記憶、実体、時間のつながり）。純粋な木は、いずれグラフになるのです。

H2 · 上の層は学び、下の層は参照する (75 %) H5 · 木ではなくグラフ (65 %)

OrigoTech自身の記事を木の形（テーマ、サブテーマ、記事、段落）に整理し、一連の質問について、平らに読む場合と木を下りる場合で、何語読む必要があるかを測ります。サイトの規模が2倍になるたびに繰り返し、曲線が本当に対数に沿うかを確かめます。