定理 4 — 中心式 Ṽ = V₀ − κPQ

論文の定理 4 は本書全体の中心です。客観評価 V₀ から主観評価 Ṽ への移行を、別世界の臨場感による割引として数理化します。Tomabechi 理論の最も重要な式。

定理 4 の主張

定理 4(臨場感加重変革):認知主体は、客観的不快 V₀ ではなく、別世界の臨場感で割り引かれた主観的不快 Ṽ を最小化する。

中心式:

$$ \tilde{V}(x, t) = V_0(x, t) - \kappa \cdot P(x, t) \cdot Q(x, t) $$

各記号:

直観的読み下し

「いま感じる不快(Ṽ) = 客観的な不快(V₀) − 別の世界へ向かう引力(κPQ)」

例:

• 現状が辛くても、リアルに感じる素敵な未来(P 大、Q = +1)があれば、感じる不快は割り引かれる(Ṽ < V₀)
• リアルに感じる避けたい未来(P 大、Q = −1)があれば、不快はさらに増える(Ṽ > V₀)

P と Q の AND が必須

中心式の最重要含意:

• $\kappa \cdot 0 \cdot Q = 0$(P が 0 なら効かない)
• $\kappa \cdot P \cdot 0 = 0$(Q が 0 なら効かない)
• 両者そろって初めて κPQ が立つ

つまり:

• 「願えば叶う」(P だけ)では動かない
• 「論理的に正しい」(Q だけ)でも動かない
• 「リアルに感じる、行きたい未来」が同時に立った時に動く

中心式の動学版

時間積分(累積コスト)で(PDF §8 定理 4 言明):

$$ \pi_c(x) = \arg\min_{u(t)} \int_0^T \tilde{V}(x(t), t)\, dt $$

これに $\tilde{V} = V_0 - \kappa P Q$ を代入。最適制御問題が:

$$ \arg\min \left[\int V_0 \, dt - \kappa \int P Q \, dt\right] $$

「客観コストの累積を最小化しつつ、目標世界への引力の累積を最大化」。

証明スケッチ

中心式 Ṽ を Lyapunov 関数として B.1 補題に適用:

1. $\Phi = \tilde{V}$(範囲制約のもと非負)
2. 正則条件確認
3. 制御可能性 + 介入で $\dot\Phi \le -\lambda \Phi$
4. Grönwall で指数収束
5. 前方不変性

ただし Ṽ は素朴には負になり得るため、修正(範囲制約 or 二乗形式)が必要(中級編 §13 で詳細)。

介入工学的解釈

中心式は 介入の対象 を明示:

• $V_0$ への介入:現状の客観条件を変える(難しい・遅い)
• $P$ への介入:臨場感を上げる(可能・コーチング核心)
• $Q$ への介入:価値符号を変える(本人の wh 由来・自律性侵害リスク)
• $\kappa$ への介入:効きを高める(経験で変化・短期は難)

最も介入しやすいのは $P$。これがコーチング・教育・マーケティング(操作)の介入対象。だから $P$ への介入には Ethic 4 条件が必須(後の章 §11)。

§6.5 境界 ∂TCZ_P と最小介入

定理 4 は新しい安定領域 TCZ_P(臨場感加重 TCZ)を定義します:

$$ \mathrm{TCZ}\_P(x_0) = \bigcup_{t \ge 0} \{ x(t) \mid \tilde{V}(x, t) \le \theta \} $$

その境界:

$$ \partial \mathrm{TCZ}\_P(x_0) = \bigcup_{t \ge 0} \{ x(t) \mid \tilde{V}(x, t) = \theta \} $$

境界は 安定/不安定の臨界面。TCZ の中心まで深く入り込む必要はなく「境界に触れる」だけで十分(最大レバレッジの原理)。

最小介入(§6.5)

境界対称性のもとでの最適介入:

$$ u^*(t) = \arg\min_{u(t)} \mathbb{E} \int_0^T \big[\, |\tilde{V}(x, t) - \theta|^2 + \lambda\, C(u(t)) \,\big]\, dt $$

• $|\tilde V - \theta|^2$:境界からのズレの二乗
• $C(u(t))$:介入コスト(労力・侵襲性)
• $\lambda > 0$:介入コストの重み

→ 内部からも外部からも軌道を $\tilde V = \theta$ へ引き寄せる。

物理アナロジー — Einstein 1901 毛細管現象

→ コーチング:「一回の決断」より「日々の小さな思考の累積」。リーダーシップ:「強いビジョン演説1回」より「日常的に繰り返される一貫した発言」が組織の Shared TCZ を作る。

§6.6 マルチメッセージアンサンブル(ガウス型受容関数)

メッセージ $m$ が現在の認知状態 $x_t$ に どれだけ受容されるか:

$$ A_G(m \mid x_t) = \exp\!\left( - \frac{d(\varphi(m),\, \mathrm{TCZ}\_P(x_t))^2}{\sigma^2} \right) $$

• $\varphi(m)$:メッセージ $m$ の意味埋め込み
• $d(\cdot, \mathrm{TCZ}\_P)$:現在の TCZ_P からの意味距離
• $\sigma$:受容帯域の幅
• $A_G \in [0, 1]$:受容スコア(確率ではなくソフト判定)

§6.6.1 受容関数の二層構造

距離(意味的近さ)× 境界判定(方向)に分離:

$$ A_\mathrm{eff}(m \mid x_t) = A_G(m \mid x_t) \cdot \Gamma(m \mid x_t) $$

• 第1層 $A_G$:ガウス型近接スコア
• 第2層 $\Gamma$:シグモイド型境界ゲート $\Gamma = 1 / (1 + \exp(\beta(\theta - \theta')))$

§6.7 アンサンブル最適化 — LUB 誘導の数理

メッセージ集合 $M_t = (m_1, \ldots, m_K)$ の最適化:

$$ \max_{M_t} \left[\, \sum_k A_G(m_k \mid x_t) + \alpha \cdot \mathrm{Lift}(M_t) - \beta \cdot \mathrm{Frag}(M_t) - \delta \cdot \mathrm{Ethic}(M_t) \,\right] $$

• $\sum A_G$:各メッセージのガウス型個別受容性
• $\mathrm{Lift}(M_t)$:アンサンブル LUB の高次性
• $\mathrm{Frag}(M_t)$:メッセージ間不整合ペナルティ
• $\mathrm{Ethic}(M_t)$:倫理制約(自律性・尊厳保護)
• $\alpha, \beta, \delta > 0$:重み係数

含意:個々は内側(TCZ_P 内)、合成は境界の外 — 整合的アンサンブルが境界を越える。

§6.8 TCZ 外の不可視性

• 現在の TCZ_P から遠い $x'$ では $P(x', t) \approx 0$(臨場感ゼロ)
• 「思いつくゴール」はすでに TCZ_P 内側にあるものに限られる
• 整合的アンサンブルの LUB は単独メッセージで届かない高次領域を描く
• ゴールを与えるのではなく「ゴールが見える範囲を広げる」

§6.9 臨場感の数理が提供する5定理

→ 経験則ではなく数学的必然。観察外領域への能動的探索が可能となる。

「強く願えば叶う」の数理修正

論文(TCE 養成セミナー §16.1)は「強く願えば叶う」型の自己啓発を 数理的に修正 します:

TCZ(x_0) の内側で目標 w* をリアル化すると、現状に縛られる方向に働く(逆効果)

正しくは:

• 目標 w に 直接* P を上げない(現状に縛られる)
• 中間状態 b_k(マルチブリッジ)の P を上げる
• 階段は近づいて初めて段々と見える

これが、中心式の運用上の重要な含意。

仮定 — 線形分離可能性

中心式 $\kappa P Q$ は P と Q について線形分離可能:

• 第一近似として強い理想化
• 実際は相互作用項($P^2 Q$、$P Q^2$ 等)があり得る
• 計算可能性のための代償

詳細な導出は中級編 §12 を参照。

含意 — 認知の本質

定理 4 が捉える人間の認知の本質:

人は不快を避けるだけでなく、リアルに感じる安定世界へ向かう

これは古典的な行動主義(刺激-反応)では捉えられない、未来志向の認知を数理的に表現します。

• 未来をどれだけ具体的に想像できるか(P)
• それが本当に欲しいものか(Q)
• 両者の積が現状を変える駆動力になる

本章のまとめ

• 定理 4 = 中心式 $\tilde{V} = V_0 - \kappa P Q$
• 客観 V₀ から主観 Ṽ への移行(臨場感割引)
• P と Q の AND が必須(片方だけでは無効)
• 最も介入しやすいのは P → コーチング・教育の核心
• 「願えば叶う」型は数理的に逆効果(中間ブリッジが正解)

次章への接続

定理 4 の中心式が用意できました。次章では 定理 5 — バランスホイール。10 領域への分散と偏りペナルティ Imb / Frag を扱います。