サロゲートが機構であり、ブラックボックスの主張ではない

Mind Foundry が 2026-06-23 に発表した《Visualising Black Box Optimisation Problems in Machine Learning》に対する Honest Architect（正直な建築家）の読解。

記事の表面の主張はチュートリアルである：最適化しようとする目的関数が評価に高価で、解析的に解ける代数モデルを持たない時、より安価なガウス過程サロゲートを構築し、代わりにサロゲートを評価し、Mind Foundry Optimise に Beale 関数の大域最小値に向けて反復させる。Honest Architect はチュートリアルの下にある機構を読み取り、6 つを見つける。荷重を担うのはサロゲート自身である：高価な関数の代わりを務めるより安価なモデルで、実際の評価で重み付けされ、評価が蓄積するにつれて改善する。高価な関数は重い層である；サロゲートは機構の層である。Everythink の HAI Engine における Theorem 3 は同じ形を主張する：ある性質は、その機構が実装され測定されている時に正確に保証される。ここで性質は「高価な関数の処理可能な最適化」であり；機構は「実際の評価で重み付けされたガウス過程サロゲートで、各予測に平均と分散を伴う」である。

本稿は Mind Foundry の記事から 6 つの機構形式を抽出し、それぞれに Theorem 3 を適用し、Everythink プラットフォームへの横断的な類推を描く。当プラットフォームからの各類推は ⚠️ と印される——Everythink は民事・防衛的予測で運営され、Mind Foundry の記事は ML 最適化教育で運営されるため、類推は構造的であり、我々のシステムが同じ市場にサービスすると主張するものではない。6 つの機構形式そのものは ✅ である——記事自身の証拠から抽出可能である。

機構 1 — サロゲートモデルは高価な関数の安価な評価の機構である

記事は中心の動きを述べる：「目的関数が評価に高価な特定のユースケースでは、一般的なアプローチは目的関数のより単純なサロゲートモデルを作成することから成り、それはより安価に評価でき、最適化問題を解くために代わりに使われる。」Honest Architect はこれを機構の主張として読む：高価な関数の処理可能な最適化は、実際の評価で重み付けされたより安価なサロゲートによって保証され、高価な関数をより多く評価することによってではない。「Beale 関数を至る所で評価せずに最適化できる」を生む機構は「関数の代わりを務め、少数の実際の評価で重み付けされたガウス過程サロゲート」である。サロゲートは機構である；高価な関数はそれが運ぶ荷重である。✅ 本番——記事は機構（サロゲートモデル、より安価に評価可能）と性質（処理可能な最適化）を明示する。

記事はサロゲートが関数ではないと正直に述べる。5 反復後、記事はサロゲートが「実関数にあまり似ていない」ことを示し、評価が増加するにつれてこれが変わると予期する。サロゲートは測定された誤差予算を持つ近似であり、等価性の主張ではない。

Everythink の World Monitor への横断的類推は構造的のみである。World Monitor のクライアントはキャッシュを読み、上流ではない——ソースごとに 1 つのバックグラウンドポーラーが固定スケジュールでフィードを引き、GeoSignal に正規化し、持久性のある Postgres キャッシュにアップサートする。Mind Foundry の「より安価なサロゲートが高価な関数の代わりを務める」と World Monitor の「キャッシュが上流フィードの代わりを務める」は同じ形を共有する：より安価な表現が高価なソースの代わりを務め、クライアントはその表現を読む。⚠️ 部分的——類推は構造的である；World Monitor は民事・防衛的地理シグナル配信にサービスし、Mind Foundry のサロゲートは ML 最適化教育にサービスする。異なる領域、同じ形：より安価な表現が高価なソースを読むコストを制限する。

機構 2 — ガウス過程の平均と分散は不確実性を量化した予測の機構である

記事は述べる：「ガウス過程サロゲートモデルの予測は、その平均と分散によって特徴づけられる。」チュートリアルは task.get_surrogate_predictions から mean と variance の両方を取得する。Honest Architect はこれを測定の主張として読む：サロゲートの不確実性は各予測で GP 分散によって量化され、信頼ラベルによって主張されない。「サロゲートがどこで自信を持ち、どこで持たないかを知っている」を生む機構は「GP が各平均に伴い分散を返す」である。分散は測定である；分散のない信頼ラベルは主張である。✅ 本番——記事は機構（各予測での GP 平均と分散）と性質（不確実性は量化され、主張されない）を明示する。

記事は分散が信頼シグナルであると正直に述べる。分散の等高線プロットは「より暗い青の色調が、関連する予測の低い不確実性を示す」を表示する。サロゲートが評価された所では分散は低い；されていない所では分散は高い。分散はサロゲートの信頼を測定可能にする機構である。

Everythink の Oracle への横断的類推は構造的のみである。Oracle は確率を正確に一箇所で正規化し、各マージでナット単位のエントロピーを刻印する——エントロピーは多数派クラスによって膨らまない較正シグナルである。Mind Foundry の「GP 分散が各予測でサロゲートの不確実性を量化する」と Oracle の「エントロピーが各マージでアンサンブルの較正を量化する」は同じ形を共有する：不確実性は各出力での測定された量であり、主張ではない。⚠️ 部分的——類推は構造的である；Oracle は民事・防衛的予測にサービスし、Mind Foundry の GP 分散は ML 最適化教育にサービスする。異なる領域、同じ形：不確実性は各出力での測定された量であり、測定された不確実性が信頼シグナルである。

機構 3 — 初期の一様サンプリング構成はブートストラップの機構である

記事は述べる：「ガウス過程サロゲートモデルに重みを付けるために、いくつかの初期の一様サンプリングされた構成（5）を生成する必要がある。」チュートリアルは initial_configurations = 5 と置き、最適化ループを走らせる前に一様に生成する。Honest Architect はこれをブートストラップの主張として読む：サロゲートは最適化が始まる前に一様サンプリングされた構成によってブートストラップされ、オプティマイザの最初の推奨によってではない「取得ループが走る前にサロゲートが非自明な事前分布を持つ」を生む機構は「5 つの一様サンプリングされた評価が、いかなる取得ステップの前に GP を重み付ける」である。一様サンプリングはブートストラップである；取得ループは精製である。✅ 本番——記事は機構（5 つの初期一様サンプリング構成）と性質（サロゲートは最適化前に重み付けされる）を明示する。

記事はブートストラップが設計の決定だと正直に述べる。チュートリアルは 5 を使う；異なるカウントはサロゲートの初期の形を変えるだろう。その数は定数ではなくパラメータである。

Everythink の HAI Engine への横断的類推は構造的のみである。HAI Engine の Sisters は SisterOutput を返し、Oracle がそれらをマージする——各 Sister は型付きパーソナリティ（analyst、contrarian、disruptor、historian、institutionalist）でドラフトを生成し、Oracle がアンサンブルを正規化する。Mind Foundry の「5 つの一様サンプリング構成が取得ループの前にサロゲートを重み付ける」と HAI Engine の「5 つの型付き Sisters が Oracle がマージする前にドラフトを生成する」は同じ形を共有する：少数の多様な入力が精製の前にマージを重み付ける。⚠️ 部分的——類推は構造的である；HAI Engine は民事・防衛的予測にサービスし、Mind Foundry のブートストラップは ML 最適化教育にサービスする。異なる領域、同じ形：少数の多様な入力のセットが精製の前にマージをブートストラップする。

機構 4 — 反復駆動のサロゲート適応は収束の機構である

記事はサロゲートが進化する様子を示す：5 反復後、それは実関数に似ていない；15、25、35 反復後、「Beale 関数のより現実的な表現」に適応する。Honest Architect はこれを収束の主張として読む：サロゲートは評価が蓄積するにつれて改善し、時間が経つにつれてではない「35 反復後サロゲートが実関数に似る」を生む機構は「35 の実際の評価が GP を重み付け、取得ループが不確実性を減らす次の評価を選ぶ」である。反復カウントは機構である；時間はそうではない。✅ 本番——記事は機構（反復カウントがサロゲートの品質を駆動する）と性質（サロゲートは実関数に収束する）を明示する。

記事は収束が示されると正直に述べる、主張されるとではなく。チュートリアルは 5、15、25、35 反復でサロゲートをプロットし、読者に適応を見させる。収束はプロットで可視である；それは証拠のない主張ではない。

Everythink の「the space is the router」トポロジーへの横断的類推は構造的のみである。Everythink のトポロジーはネットワーク → コミュニティ → ルームである：リクエストは何かが応答する前にルームへルーティングされ、ルーティングはインフラ層で起こり、アプリケーション層ではない。Mind Foundry の「サロゲートは評価が蓄積するにつれて適応する」と「the space is the router」の「ルーティングはトポロジーが学習するにつれて適応する」は同じ形を共有する：インフラ層は入力が蓄積するにつれて適応し、適応が収束を生む機構である。⚠️ 部分的——類推は構造的である；Everythink のトポロジーは民事・防衛的予測にサービスし、Mind Foundry のサロゲート適応は ML 最適化教育にサービスする。異なる領域、同じ形：インフラ層は入力が蓄積するにつれて適応し、適応が機構である。

機構 5 — 分散等高線は測定可能な信頼の機構である

記事は述べる：「サロゲートの分散を等高線プロットで可視化することも試みられる。より暗い青の色調は、関連する予測の低い不確実性を示す。」Honest Architect はこれを信頼の主張として読む：サロゲートの信頼は分散等高線として測定可能であり、信頼ラベルとして主張されない「サロゲートがどこで自信を持つかを見られる」を生む機構は「GP 分散が等高線としてプロットされ、より暗い青がより低い不確実性を意味する」である。等高線は測定である；信頼ラベルは主張である。✅ 本番——記事は機構（分散等高線、より暗い青 = 低い不確実性）と性質（信頼は測定可能）を明示する。

記事は分散等高線が測定された量の可視化であり、マーケティングの主張ではないと正直に述べる。分散は GP によって計算されプロットされる；読者は不確実性を直接見る。信頼はプロットの中にあり、プローズの中にない。

Everythink の trait ベースの六角形ポートへの横断的類推は構造的のみである。Everythink のアーキテクチャは trait に依存し、具体的なアダプタには依存しない——検証は実装ではなく契約に依存する。Mind Foundry の「分散等高線は測定された信頼であり、主張された信頼ではない」と Everythink の「trait は測定された契約であり、主張された実装ではない」は同じ形を共有する：信頼は測定された機構に宿り、主張にはない。⚠️ 部分的——類推は構造的である；Everythink の trait ベースの検証は民事・防衛的予測にサービスし、Mind Foundry の分散等高線は ML 最適化教育にサービスする。異なる領域、同じ形：測定された機構が信頼であり；主張されたラベルはそうではない。

機構 6 — 最適近くの推奨の集中は収束証拠の機構である

記事は述べる：「同じ手順を異なる角度から見ると、Mind Foundry Optimise のパフォーマンスの進化を示し、最適近くの推奨の集中を強調する。」最適化曲線は、反復が増加するにつれて推奨が Beale 関数の大域最小値の近くに集まることを示す。Honest Architect はこれを収束証拠の主張として読む：オプティマイザが収束していることは最適近くの推奨の集中によって示され、収束指標によって主張されない「オプティマイザが動いていることを見られる」を生む機構は「推奨が反復が蓄積するにつれて最適の近くに集まり、集中が曲線で可視である」である。集中は証拠である；集中のない収束指標は主張である。✅ 本番——記事は機構（最適近くの推奨の集中）と性質（収束は可視）を明示する。

記事は収束証拠が集中であり、数値ではないと正直に述べる。チュートリアルは最適化曲線をプロットし、読者に推奨の集中を見させる。収束はプロットの中にあり、指標の中にない。

Everythink の Eye Key への横断的類推は構造的のみである。Eye Key はユーザー自有の資格情報である——鍵がレート制限境界であり、プラットフォームはユーザーの計算を補助金化しない。Mind Foundry の「収束は推奨の集中によって示される」と Eye Key の「レート制限は鍵の使用によって示される」は同じ形を共有する：機構の振る舞いは単位上の測定可能な量によって示され、ラベルによって主張されない。⚠️ 部分的——類推は構造的である；Eye Key は民事・防衛的予測のための API 主権を治め、Mind Foundry の収束証拠は ML 最適化教育にサービスする。異なる領域、同じ形：機構の振る舞いは単位上の測定可能な量によって示され、測定された量が証拠である。

これがスコープと限界に意味すること

Mind Foundry の記事は ML 最適化教育とベイズ最適化チュートリアルに関する。Everythink のプラットフォームは民事・防衛的予測に関する。本稿の横断的類推は構造的である——それらは機構形式を共有し、市場を共有しない。Honest Architect は類推を ⚠️ と印す。

Everythink 自身の商業ベイズ最適化の市場投入は 🔵 ロードマップである——プラットフォームは前収入であり、ここに描かれた類推の商業的応用はすべてそのロードマップ状態と Howey 審査に従い、それからでなければ提供できない。アーキテクチャの類推は独立して成り立つ；商業の主張は成り立たない。

記事が主張しないことも印に値する。サロゲートが関数であるとは主張しない——5 反復でのサロゲートが実関数に似ないことを示し、それが変わると予期する。GP 分散が信頼ラベルであるとは主張しない——分散を等高線としてプロットし、読者に不確実性を見させる。証拠なしに収束を主張しない——最適化曲線をプロットし、読者に集中を見させる。これらのスコープ限界は記事の正直さであり、本稿はそれを保つ。

要点

• 高価な関数の処理可能な最適化は、実際の評価で重み付けされたより安価なサロゲートによって保証され、高価な関数をより多く評価することによってではない。サロゲートはコストを制限する機構である。✅ 本番。
• サロゲートの不確実性は各予測で GP 分散によって量化され、信頼ラベルによって主張されない。分散は測定である。✅ 本番。
• サロゲートは最適化が始まる前に一様サンプリングされた構成によってブートストラップされ、オプティマイザの最初の推奨によってではない。一様サンプリングはブートストラップ機構である。✅ 本番。
• サロゲートは評価が蓄積するにつれて改善し、時間が経つにつれてではない。反復カウントは機構である；時間はそうではない。✅ 本番。
• サロゲートの信頼は分散等高線として測定可能であり、信頼ラベルとして主張されない。等高線は測定である。✅ 本番。
• オプティマイザが収束していることは最適近くの推奨の集中によって示され、収束指標によって主張されない。集中は証拠である。✅ 本番。
• Everythink の World Monitor（キャッシュが上流の代わりを務める）、Oracle（エントロピーが各マージで較正を量化する）、HAI Engine（型付き Sisters が Oracle のマージをブートストラップする）、「the space is the router」（インフラ層が入力の蓄積につれて適応する）、六角形ポート（測定された機構が信頼である）、そして Eye Key（単位上の測定可能な量が証拠である）への横断的類推は構造的のみである——異なる市場、同じ機構形式。⚠️ 部分的。
• Everythink の商業ベイズ最適化の市場投入は 🔵 ロードマップである——前収入、Howey 審査に従う；アーキテクチャの類推は成り立つ、商業の主張は成り立たない。

Sources

• Mind Foundry、《Visualising Black Box Optimisation Problems in Machine Learning》、2026-06-23 発表。https://www.mindfoundry.ai/blog/visualizing-black-box-optimization-problems-in-machine-learning （2026-08-23 検索）。
• Everythink プラットフォーム・アーキテクチャ：HAI Engine は 2016 年から本番で稼働；Theorem 3（ある性質は、その機構が実装され測定されている時に正確に保証される）；「the space is the router」トポロジー（ネットワーク → コミュニティ → ルーム）；World Monitor（geohash 接頭辞でルーティングされる地理シグナル、クライアントは上流ではなくキャッシュを読む）；Oracle のアンサンブル正規化、各マージでナット単位のエントロピーを刻印；型付き Sisters（analyst、contrarian、disruptor、historian、institutionalist）が SisterOutput を返す；trait ベースの六角形ポート、交換可能なアダプタ；Eye Key 主権（HMAC と指紋が記録され、平文は決してディスクに触れない、ユーザーの鍵がレート制限境界）。