マルチモデルAIシステムにおける創発的協調審議：BFT由来の認識統合プロトコル

我々はConsiliumプロトコルを提案する。これはビザンチン障害耐性（BFT）に由来するアーキテクチャで、構造化されたマルチモデルAI審議を実現し、モデル間の不一致をエラーではなく認識信号として扱う。このプロトコルは言語モデルに工学的な認知ペルソナを割り当て――モデルが何であるかとどのように推論するかを分離し――量的金融から適応したサンプル内/サンプル外検証フレームワークを導入し、訓練データのコンセンサスと経験的に根拠づけられた結論を区別する。10のドメインカテゴリにわたる32トピックをカバーする1,478回の審議セッションを通じて、以下を実証した。（1）認知ペルソナが基盤モデルではなく認識行動を決定する：バッチあたり0.0002ドルと安価なエッジ推論モデルが、10.69ドルのフロンティアモデルと同等の分析出力を生み出した。（2）RLHFアライメントトレーニングは測定可能なドメイン固有の認識盲点を生み出す：争点のある政策トピックは確立された科学トピックより12.3パーセントポイント少ない敵対的挑戦を示し、AI安全トピックは非対称バイアス（Δ=11.6%）を示し、モデルは「AIは危険」という主張に「AIリスクは誇張されている」という主張よりはるかに強く挑戦した。（3）プロトコル自体に方向性バイアスはない（移民Δ=2.3%、再生可能エネルギーΔ=1.2%）。（4）サンプル外証拠検索は239件の主張を100%の検索率で検証し、訓練データ審議では見えなかった167件の盲点発見を表面化した。ランダム化されたモデル×ペルソナ割り当てにおける実行間再現性の平均標準偏差は±2.2%である。すべてのオーバーヘッドを含む完全なバッテリーの総コストは217ドルである。独立した検証を可能にするため、プロトコル仕様をMITライセンスで公開する。