論文解説: ComBodied Agents — エージェントの「作用対象」を人そのものに置き直す

デジタルエージェントはソフトの状態を、身体エージェントは物理の状態を書き換える。では「人の状態」を第一の対象にするのは誰か。Combodied Agents は知覚・縦断記憶・Personal World Model・介入方針を1つの閉ループに束ね、成功の基準を課題達成から『主体性が保たれたか』へ移す枠組みを提案する。実験を持たない立場表明論文として、その骨格と限界を本文に沿って読む。

ComBodied Agents: a New Paradigm of Human-Centric Agentic AI

薬を飲まなかった。理由は誰も知らない

論文の冒頭（Abstract, §1）に置かれているのは、拍子抜けするほど地味な場面です。高齢の人が服薬を1回抜かした。ソフトウェアのエージェントは、もう一度リマインダーを送れる。ロボットは薬を運んでこられる。どちらも「できる」。にもかかわらず、どちらもなぜ飲まなかったのかを説明しません。忘れたのか、混乱しているのか、副作用が出ているのか、意思をもって拒否したのか。リマインダーの再送は、拒否している人には無意味で、混乱している人には有害ですらありえます。

論文はここに構造的な欠落を見ます。デジタルエージェントは主にソフトウェアの状態を書き換え、身体エージェントは物理の状態を書き換える。どちらも、人の変化していく状態と主体性（agency）を、モデリング・介入・評価の第一の対象にしていない（§1）。この空席に名前を付けたのが Combodied Agents です。22名の共著による38ページの立場表明論文で、新しいモデルや実験結果ではなく、研究プログラムの輪郭を引くことを目的にしています。

「作用対象」でエージェントを分ける

分類の軸は、インターフェースでもモデル構造でもありません。行動基層（action substrate）——そのシステムのモデリング・意思決定・介入・評価を主に組織している状態のクラスです（§2.2）。

• デジタルエージェント: 対象はデジタル状態。GUI操作、コード編集、API呼び出し
• 身体エージェント: 対象は物理状態。ロボット制御、自動運転
• Combodied エージェント: 対象は、時間とともに変わる人の状態と主体性

肝は、行動基層をインターフェースと同一視していない点です。パーソナルエージェントは予定調整にブラウザを叩き、疲労の検知にセンサを使うかもしれない。しかしウェブページもセンサ値も最終目的ではない。だから「エージェントは、そのインターフェースや基盤モデルや作用の様式ではなく、行動を導いている対象ユーザ状態と成功基準によって分類されるべきだ」と述べます（§2.2）。近い発想の Human Digital Twin とも区別され、完全な人物の複製ではなく、必要な側面だけを目的限定・不確実性を保持・ユーザが訂正可能な表現として保つ、という立場を取ります（§1）。

観測から介入までは5段階ある

§3 は8種のモダリティ（言語、音声、視覚、生理・生化学、動作、社会関係、環境文脈、制度的記録）を扱いますが、章の結論はモダリティの話ではありません。アーキテクチャが区別すべき5つの階層です（§3.10）。

観測 → 事象 → 推定状態 → 予測軌跡 → 認可された介入

論文自身の例で追うと、心拍が高い、は観測。運動後に回復が遅い心拍上昇、は再構成された事象。疲労の可能性、は推定状態。このまま続けると回復がさらに遅れる、は予測軌跡。運動を止めるよう勧める、は介入方針が下した決定です。段を飛ばすと、観測がそのまま断定になり、断定がそのまま行動になります。

冒頭の場面に戻ると意味がはっきりします。「忘れた／混乱／副作用／拒否」の4つは同じ証拠から同時に立つ。要求されるのは1つを選び取ることではなく、どれも確定していない状態のまま持ち続けることです。

閉ループを式で追う

人の真の状態 $H_t$ は観測できません。エージェントが持てるのは、事象証拠の履歴から作った不確実性込みの事後表現 $Z_t$ だけです。そして §2.4 が最も強調するのが、次の遷移の形です。

$H_t$ が現在の人の状態、$H_{t+1}$ が次の時点の状態、$a_t^{\mathrm{agent}}$ がエージェントの行動、$a_t^{\mathrm{user}}$ が本人自身の行動、$\Xi_t$ が外生的な影響、$T_H$ がそれらから次の状態が確率的に決まる過程です。

つまりこの式は「次の時点のその人は、いまのその人・エージェントがしたこと・本人がしたこと・外から来た出来事、の4つがまとまって確率的に決まる」と読みます。両辺を結んでいるのが等号ではなく「〜に従う」なのは、同じ4つが揃っても次の状態が1つに定まらないということです。

含意は一行です——人の次の状態は、エージェントの行動だけでは決まらない。APIを叩けばDBの行は確実に変わりますが、人はそうではない。介入が決定論的な効果を持つとも、効果がすぐ観測できるとも仮定しない、と論文は明示します（§2.4）。ここが既存のエージェント設計の前提と根本的に違います。

記憶の引き出しと、10種の行動

Longitudinal Memory は会話ログではありません（Table 2）。エピソード記憶、意味的人物記憶、軌跡記憶、目標、関係の記憶に加えて、介入-応答記憶（助言が受け入れられたか、拒否されたか、役に立ったか、害になったか）とユーザ制御の記憶（覚えるなという指定、訂正、削除要求）の7つ。後半2つが既存のメモリ機能との差です。行動空間（Table 3）は Inform / Remind / Recommend / Coach / Nudge / Reflect / Coordinate / Protect / Escalate / Execute の10種で、論文はすぐ釘を刺します——方針は常に介入すべきではない。黙っている、確認を求める、人に引き継ぐのが適切な行動になりうる（§2.4）。