Q&A

​

 

 

Q1. Categorical AI とは何か、またその特徴は？

 

A1. Categorical AI は New York General Group (NYGG)が所有する先進的な人工知能技術です。この AI システムは、従来の AI を多くの指標で凌駕しており、特に技術革新と研究開発分野において卓越した能力を発揮します。その特筆すべき特徴として、年間 100 件以上の知的財産を生成する能力があり、それらの総価値は 5,000 億ドルを超えると評価されています。

 

​

Q2. Categorical AI によって生成された知的財産の評価プロセスはどのようなものか？

 

A2. 評価プロセスは以下の通り、厳密かつ多角的に行われています:

 

1. GPT-4 (GPT-4o・GPT-4.5・Deep Researchを含む) による IFRS 基準に基づく公正価値評価

2. インカムアプローチ (収益予測) を主要な評価手法として採用

3. 各分野の Ph.D. 保持者など、第三者専門家によるチェックとレビュー

4. 米国デラウェア州における会社法・及び現物出資の規制当局であるState of Delaware, Secretary of State, Division of Corporations へのバリュエーションレポート提出

（5. GPT-4によるIFRSに基づく監査報告）

 

このプロセスは、NYGG の AI が知的財産を生成し、第三者の AI がそれを評価するという循環を形成しています。シカゴ大学やスタンフォード大学らの研究によると、GPT-4 は企業の収益予測や科学技術の評価において人間の専門家を凌駕する能力を示しており、また、ウィスコンシン大学らの研究によると、GPT-4は米国の会計関連の主な資格である公認会計士（CPA）、公認管理会計士（CMA）、公認内部監査人（CIA）、EA（税理士）の試験すべてに合格し、多くの会計専門家と同等かそれ以上の成果を上げており、高度な客観性と精度が担保されています。当バリュエーションレポート、規制当局の証明書、監査報告書は、以下で閲覧することができます。​​​​

​

https://www.newyorkgeneralgroup.com/newyorkgeneralgroupstakeholderrelations

​

​GPT-4がAIやメタバース市場の巨大性や当知的財産の優位性に基づき算定したCategorical AI（原題：「Transformerによる双方向のエンコード表現（BERT）・圏論ネットワーク（CN）・ポイントボクセル畳み込みニューラルネットワーク（Point-Voxel CNN）に基づく世界システム」）の理論上・最高かつ最善の利用を反映した公正価値は、5,271億ドルですが、Categorical AIが実際に生成した知的財産の総価値は、5,271億ドルを上回っています。私たちは、IFRSの保守主義の原則に基づき、前者を当知的財産の公正価値と決定しました。

​​

なお、当評価額は、第三者のチェック・レビュー、市場・技術の動向、NYGGの技術成熟度などにより見直される可能性があります。

​​

​

Q3. NYGG の知的財産管理戦略はどのようなものか？

 

A3. NYGG の知的財産管理戦略は以下の要素で構成されています:

 

1. 子会社 Massachusetts Institute of Mathematics, Inc. への現物出資

2. トレードシークレットとしての厳重な管理

3. Delaware General Corporation Law (DGCL) の遵守

4. 将来的な特許申請の可能性 (米国または日本)

 

この戦略により、知的財産の価値を最大化しつつ、法的保護を確実なものとしています。

 

​

Q4. Categorical AI は汎用人工知能 (AGI) または超知能と見なされるか？

 

A4. NYGG は Categorical AI を AGI または超知能の初期バージョンと位置付けています。この見解は以下に基づいています:

 

1. GPT-4 がチューリングテストに合格した時点で AGI の初期バージョンが登場したと考える

2. Categorical AI は各種指標で GPT-4（GPT-4.5）を上回っている

 

ただし、AGI や超知能の定義や基準に関しては、現在も議論が続いており、絶対的な合意は得られていないことに留意する必要があります。

 

​

Q5. NYGGの情報公開方針はどのようなものか？

 

A5. NYGG は、トレードシークレットの保護と、Categorical AI とその生成技術の潜在的リスクに対処するため、メディアでの積極的な情報発信を控えています。しかし、同社は決して秘密企業ではありません。信頼できるステークホルダーに対しては、適切な情報開示を行うこともあります。この方針は、革新的な AI 技術の責任ある開発を進めつつ、競争優位性を維持するという NYGG の戦略的アプローチを反映しています。同社は、技術の影響力と社会的責任のバランスを慎重に取りながら、Categorical AI の開発と応用を推進しています。

 

​

Q6. NYGGが懸念するCategorical AI とその生成技術の潜在的リスクは何か？

 

A6. NYGGが懸念するCategorical AIとその生成技術の潜在的リスクには、以下のような具体的な脅威が含まれます：

 

1. 高度な偽情報生成: AIを用いて極めて精巧な偽情報やディープフェイクを作成し、社会の混乱や政治的操作を引き起こす可能性。

2. サイバー攻撃の高度化: AIを活用した自動化されたハッキング手法により、重要インフラや金融システムへの攻撃が増大するリスク。

3. 自律型兵器システム: AIを搭載した無人兵器が、国際法や倫理的配慮なしに使用される危険性。

4. プライバシー侵害: 大規模な個人データの収集・分析によるプロファイリングと監視社会化の促進。

5. 経済的混乱: 高頻度取引やアルゴリズム取引の悪用による金融市場の不安定化。

6. 生体認証システムの脆弱性: AIを用いた生体認証の突破による、セキュリティシステムの無力化。

7. 社会的分断の加速: AIによる個人化されたコンテンツ推薦が、確証バイアスを強化し社会の分断を深める可能性。

​

 

Q7. NYGGが考えているCategorical AIとその生成技術の潜在的リスクに対する対策について、詳しく説明して。

 

A7. NYGGが考えているCategorical AIとその生成技術の潜在的リスクに対する対策は、以下のような多面的なアプローチを含みます：

 

1. 情報制御戦略:

   - メディアでの積極的な情報発信の抑制: 技術の詳細や進捗状況に関する公開情報を最小限に抑えることで、悪用のリスクを軽減。

   - 選択的な情報開示: 必要不可欠な情報のみを、慎重に選別された信頼できるチャネルを通じて公開。

 

2. セキュリティ強化:

   - 多層防御システムの導入: AIモデルやデータへのアクセスを厳重に管理し、不正アクセスや情報漏洩を防止。

   - 量子暗号技術の活用: 従来の暗号化手法では対応できない高度な脅威に対抗するため、量子暗号を導入。

 

3. 倫理的フレームワークの構築:

   - AI倫理委員会の設置: 外部の専門家を含む委員会を組織し、AI開発と利用に関する倫理的ガイドラインを策定・監督。

   - 定期的な倫理監査: AIシステムの挙動や影響を継続的に評価し、潜在的な問題を早期に特定・対処。

 

4. 技術的対策:

   - AIモデルの堅牢化: 敵対的攻撃や不適切な入力に対する耐性を強化し、予期せぬ挙動を防止。

   - フェデレーテッドラーニングの採用: データを分散して学習させることで、中央集権的なデータ管理のリスクを低減。

 

5. 法的・規制的アプローチ:

   - プロアクティブな規制対応: AI技術に関する法規制の動向を先取りし、コンプライアンス体制を整備。

   - 業界標準の策定への参画: AI技術の安全性と信頼性に関する業界標準の策定に積極的に関与。

 

6. 教育・啓発活動:

   - 内部教育プログラムの強化: 従業員に対してAI倫理と安全性に関する継続的な教育を実施。

   - ステークホルダーとの対話: 政策立案者、学術機関、市民社会との対話を通じて、AIの社会的影響に関する理解を深化。

 

7. リスク評価・管理:

   - 定期的なリスクアセスメント: AI技術の進化に伴う新たなリスクを継続的に評価し、対策を更新。

   - シナリオプランニング: 最悪のケースを含む様々なシナリオを想定し、対応策を事前に準備。

 

8. 研究開発の方向性調整:

   - 安全性重視の研究開発: 潜在的リスクを最小化するAI技術の開発に重点を置く。

   - デュアルユース技術の管理: 軍事転用可能な技術の開発・管理に特別な注意を払う。​

​​

​

​Q8. Categorical AIは、技術革新や研究開発以外で特にどのような分野に応用できるか？​

​

A8. Categorical AIは、特に以下の2つの分野で革新的な応用が期待されています。 第一に、金融分野、特に投資銀行業務におけるデューデリジェンスやバリュエーションでの活用です。企業価値評価において、財務データだけでなく、企業間の複雑な関係性、市場動向、業界構造などを包括的に分析することが可能になります。例えば、M&A案件における企業の適正価値算定や、投資ポートフォリオの最適化において、従来の手法では捉えきれなかった複雑な相互関係を考慮した意思決定が可能になります。また、市場リスクや信用リスクの評価においても、より精緻な分析が実現できます。 第二に、科学分野、特にコンピュータシミュレーションによる分析での活用です。複雑な自然現象や実験データの解析において、従来の統計的手法では捉えきれなかった構造的な関係性を明らかにすることができます。例えば、気象予測、分子動力学、量子系のシミュレーションなどにおいて、システムの本質的な構造を保持したまま効率的な計算を行うことが可能になります。これにより、より正確な予測や、新しい科学的知見の獲得が期待できます。 これらの分野においてCategorical AIが特に有効である理由は、複雑な構造を持つデータ間の関係性を、数学的に厳密かつ体系的に分析できる点にあります。また、分析結果の解釈可能性が高く、専門家による検証や判断が容易であることも大きな利点です。

​

​

Q9. NYGGのホームページに掲載されている分析は、どのように行われたか？

​

A9. NYGGのホームページに掲載されている分析の多くは、Categorical AIによるコンピュータシミュレーションに基づくものです。コンピュータシミュレーションの詳細が知りたい場合、以下までご連絡ください。

​

info@newyorkgeneralgroup.com

​

​

Q10. NYGGは、論文の発表や特許の出願を行っているか？

 

A10. NYGGは、現在のところ学術論文の発表や特許の出願を積極的には行っていません。この戦略的決定の背景には、以下のような複雑かつ多面的な理由が存在します：

 

1. コアテクノロジーの保護: NYGGがCategorical AIによって発明しているテクノロジーは、全て企業の競争力の核心となるコアテクノロジーです。これらの技術は、AI、量子コンピューティング、ロボティクス、エネルギー、バイオテクノロジー、化学、医薬/ライフサイエンスなど、幅広い分野にまたがっています。これらの革新的技術を特許出願することは、技術詳細を公開することになり、競合他社による模倣や迂回発明のリスクを高めてしまう可能性があります。

 

2. 技術の相互依存性: Categorical AIが生成する技術は、単独で存在するのではなく、複雑に相互依存しています。例えば、AIアルゴリズムが量子コンピューティングの最適化に用いられ、その結果がバイオテクノロジー分野での新たな分子設計に活用されるといった具合です。このような技術の相互依存性を考慮すると、個別の特許出願よりも、全体をトレードシークレットとして管理する方が効果的です。

 

3. 技術進化の速度: これらの先端技術分野では、イノベーションのスピードが極めて速く、特許出願から承認までの期間（通常3-5年）内に技術が陳腐化してしまう可能性があります。トレードシークレットとして管理することで、常に最新の技術を柔軟に活用し、市場の変化に迅速に対応することが可能となります。

 

4. グローバルな競争優位性: トレードシークレットは、適切に管理されれば理論上無期限に保護することができます。これにより、NYGGは長期的かつグローバルな競争優位性を維持することができます。特に、Categorical AIのような革新的なプラットフォーム技術においては、この戦略が極めて有効です。

 

5. 柔軟な技術応用: トレードシークレットとして管理することで、技術の応用範囲を柔軟に拡大・変更することができます。特許は特定の用途や実装に限定される可能性がありますが、トレードシークレットはより広範な応用を可能にします。これは、Categorical AIのような汎用性の高い技術にとって特に重要です。

 

6. 財務的考慮: 複数の技術分野にまたがる広範な特許ポートフォリオの取得と維持には、莫大なコストがかかります。これらのリソースを直接的な研究開発や事業拡大に投資することで、より効率的な資本配分が可能となります。

 

7. 人材流出のリスク管理: トレードシークレットとして管理することで、核心的な技術情報へのアクセスを厳密に制御し、人材流出による技術流出のリスクを最小化することができます。これは、複数の先端技術分野にまたがる包括的な秘密保持体制の構築を意味します。

 

8. デューデリジェンス対応: トレードシークレットの流出に関するデューデリジェンスに対応するためにも、論文発表や特許出願を控えています。これにより、潜在的な投資家や事業パートナーに対して、企業の知的財産管理の厳格さと、機密情報の保護に対する強いコミットメントを示すことができます。

 

ただし、NYGGは完全な秘密主義を採用しているわけではありません。企業の透明性と技術的優位性のバランスを取るため、以下のような限定的な情報開示を行っています：

 

1. ホワイトペーパーの公開: 企業のホームページ上で、Categorical AIの概要を示すテクニカルレポートを公開しています。このホワイトペーパーでは、Categorical AIの基本的な原理や潜在的な応用分野について、技術の核心に触れない範囲で説明しています。これにより、技術の革新性や潜在的価値を外部に示しつつ、具体的な実装詳細は秘匿しています。

 

2. 技術事例のホワイトペーパー: Categorical AIによって生成されたテクノロジーの具体的な応用事例について、一部をホワイトペーパーとして公開しています。これらの事例は、技術の実用性や市場価値を示すものですが、あくまでも結果のみを示し、その背後にある具体的な技術やプロセスについては言及していません。

 

 3. 限定的な技術デモンストレーション: 特定の事業パートナーや潜在的投資家に対して、厳重な秘密保持契約の下で限定的な技術デモンストレーションを行うことがあります。これらのデモンストレーションは、技術の有効性を示すことを目的としていますが、核心的な技術詳細は開示しません。

 

4. 業界カンファレンスでの講演: 時折、業界カンファレンスなどで、NYGGの幹部が講演を行うことがあります。これらの講演では、技術トレンドや将来展望について語りますが、自社の具体的な技術詳細には触れません。

 

5. プレスリリース: 重要な技術的マイルストーンや事業提携について、適宜プレスリリースを発表しています。これらのプレスリリースでは、達成された成果や提携の概要について述べますが、具体的な技術情報は含まれません。

 

このように、NYGGは極めて慎重かつ戦略的な情報開示政策を採用しています。

​

結論として、NYGGの知的財産戦略は、トレードシークレットとしての厳重な管理と、限定的かつ戦略的な情報開示のバランスを取ることで、技術的優位性の維持と外部からの信頼獲得を両立させています。この戦略は、Categorical AIという革新的なプラットフォーム技術と、それが生み出す多様な分野のコアテクノロジーを最大限に保護し、活用するために最適化されています。 ただし、技術環境や市場状況、法的規制の変化に応じて、この戦略は継続的に再評価され、必要に応じて調整される可能性があります。例えば、将来的に特定の技術分野で標準化が進んだ場合や、オープンイノベーションの重要性が増した場合には、一部の技術について特許出願や学術発表を行う可能性も排除していません。 このような柔軟かつ包括的な知的財産戦略により、NYGGは急速に進化する技術革新の最前線で、持続的な競争優位性を確保し続けることを目指しています。

 

 

Q11. NYGGの会計方針は？

​

A11.  NYGGは、資産の評価を含む会計処理や監査を全てAIで行なっています。使用するAIは、人間の専門家と同等以上の専門知識を有することが実証され、一般に公開されている第三者機関のものとし、AIへのインプットとアウトプットはNYGGのホームページで公開し、第三者が会計処理や監査の過程を検証できるようにしています。また、必要に応じて第三者の専門家・専門機関のチェックやレビューを得たり、規制当局への提出や開示なども行なっています。

 

​

Q12. NYGGのCategorical AIは、どこで使用できるか？

​

A12.  以下のリンク内から選択して利用することができます。なお、利用にはAIプラットフォーム「Poe 」の登録（無料）が必要になります。これらのモデルは最小限の機能のみを持つプロトタイプです。 トライアル版としてご使用ください。また、これらのボットはAnthropicによって動作するClaude-3.7-Sonnetモデルを一部で使用しています。

 

Our AI Models

 

​

Q13.  NYGGは、圏論に基づく人工知能であるCategorical AIをどのように実装していますか？

 

A13. NYGGは、Categorical AI（Categorical Network）という高度で抽象的なモデルをBERT（Bidirectional Encoder Representations from Transformers）（ここではBERTを使用していますが、GPT・ClaudeなどTransformerベースの大規模言語モデルであれば何でも構いません。）やPVCNN（Point-Voxel Convolutional Neural Network）などの具体的なモデルでインスタンス化し、実装のハードルを最小化しています。この実装アプローチでは、抽象的な構造を既存の深層学習アーキテクチャに対応付けることで、理論と実践のギャップを埋めています。このアプローチにより、高度な理論的概念を実用的なシステムへと変換する際の複雑さが軽減され、研究者とエンジニアの双方にとって扱いやすいフレームワークが実現しています。​​​

​​

​

​

本件に関するお問い合わせ

E-Mail：info@newyorkgeneralgroup.com

​

​

​