1. チャレンジ概要
本チャレンジの目的は、CPUのみで動作する質問応答(QA)システムを設計・実装・評価することであり、純粋記号型アーキテクチャ(辞書、文法、知識グラフ、形式論理)に基づきます。システム開発全体は、民生用ハードウェア(i9 CPU、RTX 3090)で実行可能な量子化されたオープンウェイトLLMによって主導されます。
本プロジェクトはGreen AI(Schwartz et al., 2020)とFrugal AIの運動に位置づけられ、炭素排出量が懸念されるほどに増大し続ける大規模モデルへの競争に対抗するものです(Kim et al., 2026; Hasan et al., 2025)。また、GDPRと欧州AI法(Wagner et al., 2025; Juliussen, 2025)が課す透明性、説明可能性、規制準拠の高まる要求にも応えます。
- 純粋記号型QAシステム(推論時にニューラルネットワークなし)
- 実行時CPU-only(GPU不要)
- 自然言語文書からの自動KG構築
- 量子化されたオープンウェイトLLMによる完全な開発監督
- 設計によるネイティブなGDPR/AI Act準拠(本質的解釈可能性)
- 倫理的ライセンス(Hippocratic 3.0)
2. 背景と科学的位置づけ
2.1. 問題の定義
現在のQAシステムはLLM(GPT、LLaMAなど)に大きく依存しており、推論に高価なGPUを必要とし、ハルシネーション、再現性、説明可能性、データ主権の問題を引き起こします。これらはブラックボックスとして動作し、高リスクシステムの透明性に関する欧州AI法(第13条)の要件に準拠させることが困難です(Wagner, 2025; Boshnjakovski, 2025)。
2.2. 研究の現状
ニューロシンボリックアプローチとKG-QA
最近の文献は、純粋なニューラルアプローチの限界に対処するために、知識グラフ(KG)と記号推論の統合に収束しています:
- Cheng et al. (2025), "Neural-symbolic methods for knowledge graph reasoning" (ACM TKDD) — KG補完、複雑なクエリ応答、論理規則学習のアプローチを区別し、解釈可能性のための純粋記号手法の可能性を特定。
- Niu et al. (2026), "A Comprehensive Survey of Knowledge Graph Reasoning" (IEEE Trans. Big Data) — Inductive Logic Programming(ILP)アプローチを含むKG上のマルチホップ推論をカバー。
- Linders & Tomczak (2025), "Knowledge graph-extended RAG for QA" (Applied Intelligence) — KGが記号推論と検証可能な回答を実現することを実証。
- Chudasama et al. (2025), "Toward interpretable hybrid AI" (IEEE Access) — KGと記号的解釈可能性を組み合わせたTrustKGを提案。
- Agarwal & Bedathur (2025), "A Zero-Shot Neuro-Symbolic Approach for Complex KGQA" (EMNLP Findings 2025).
- Liu et al. (2025), "SymAgent" (TheWebConf 2025) — KGQAのための自己学習記号エージェント。
自動知識グラフ構築
- Zavarella (2026), "Methods for KG Construction from Text Collections" (arXiv) — NLP、ML、セマンティックWebを組み合わせたフレームワーク。
- Salman et al. (2024), "Doc-KG" (Expert Systems) — 非構造化文書からのKG構築。
- Chen et al. (2025), "Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs" (TheWebConf 2025).
CPU効率と軽量アプローチ
- Sidhu et al. (2025), "Neurosymbolic AI for Enhanced Reasoning in Small Language Models" (IEEE).
- Corradini et al. (2025), "State of the art and future directions of small language models" (Big Data and Cognitive Computing).
- Chaudhary et al. (2025)は「spaCy provides lightweight, high-precision extraction, efficient on standard CPU」と確認。
- Okechukwu et al. (2025)は「spaCy and NLTK operate efficiently on standard CPUs」と確認。
AIの環境影響
- Kim & Yoo (2026), "Toward Sustainable AI" (IEEE Access) — AIデータセンターの炭素排出量は2024年から2025年の間に3倍に増加。
- Hasan et al. (2025), "Carbon emission quantification of ML" (IEEE Trans.).
- Tunzina et al. (2026), "GreenAI: Environmental Efficiency in LLM-Generated Code" (IEEE Access).
GDPR・AI Act準拠
- Wagner et al. (2025), "A Critical Look at the EU AI Act's Requirements" (IEEE RE).
- Juliussen (2025), "The Right to an Explanation Under the GDPR and the AI Act" (Springer).
- Goncalves & Correia (2026), "XAI-Compliance-by-Design" (MDPI).
- Sovrano et al. (2025), "Legal XAI: Systematic Review" (ResearchGate).
3. 目的
主目的
自然言語文書から知識グラフを自動構築するCPU-only、純粋記号型QAシステムの実現可能性を実証し、性能を評価する。
副次的目的
- 認知されたKGQAベンチマークで競争力のある性能を達成する。
- エネルギーフットプリント(CPU vs GPU)を測定・比較し、環境的利点を実証する。
- システムの本質的解釈可能性を実証する(各回答の追跡可能性)。
- 倫理的ライセンスの下で再現可能で文書化されたソフトウェアを提供する。
4. アーキテクチャと技術仕様
4.1. 全体アーキテクチャ
システムは2つの異なるフェーズに分かれます:
フェーズ1 — 知識グラフ構築 (オフライン、GPU使用可)
自然言語文書 → 前処理 → NER → 関係抽出 → 共参照解決
→ KG構築(RDF/OWLトリプル) → グラフ保存
フェーズ2 — 質問応答 (ランタイム、厳密にCPU-only)
自然言語の質問 → 構文・意味解析 → 形式クエリへの変換
→ KG走査 → 論理推論 → 回答生成
→ 説明トレース
4.2. ハードウェア仕様
| コンポーネント | フェーズ1(KG構築) | フェーズ2(QAランタイム) |
|---|---|---|
| CPU | Intel Core i9(最大) | Intel Core i9(最大) |
| GPU | NVIDIA RTX 3090(24 GB VRAM) | なし(厳密にCPU-only) |
| RAM | 32 GB(最大) | 32 GB(十分) |
| ストレージ | NVMe SSD | NVMe SSD |
根拠: フェーズ1では、パイプライン構築を監督する量子化されたオープンウェイトLLMの実行にGPUを使用できます。展開可能なシステムであるフェーズ2は、アクセシビリティ、主権、経済性を保証するために厳密にCPU-onlyでなければなりません。
4.3. 開発環境
- サンドボックス: セキュリティと再現性のために隔離された環境で開発。
- 対象OS: Linux(主要対象)、Windows/macOSへの移植性が望ましい。
- 言語: 依存関係がライセンス制約(セクション6)に準拠する限り、自由に選択可能。
4.4. LLM監督
システム開発は、指定されたハードウェア(フェーズ1)でローカルに実行可能な1つ以上のオープンウェイトLLMによって完全に主導されます。モデル、量子化、推論フレームワークの選択は参加者に委ねられます。
5. 推奨パイプラインアーキテクチャ
以下の分割はガイドラインとして提供されます。参加者は、機能的制約(セクション3、4、12)とライセンス要件(セクション6)を満たす限り、異なるアーキテクチャを提案することが自由です。
5.1. テキスト前処理
- 文分割
- トークナイゼーション
- レンマタイゼーション
- 品詞タグ付け
- 依存構文解析
5.2. 固有表現認識(NER)
- エンティティ検出(人物、場所、組織、日付、概念)
- ドメインオントロジーに基づくエンティティ分類
- 共参照解決
5.3. 関係抽出(RE)
- テキストからのトリプル抽出(主語、述語、目的語)
- オープン型またはパターンガイド型抽出
5.4. 知識グラフ構築
- エンティティの正規化と統合(Entity Linking)
- グラフの構築と保存(トリプル)
- 暗黙的関係の推論による充実化
- グラフの検証とクリーニング
5.5. 質問理解
- 自然言語質問の構文解析
- 質問タイプの識別(誰、何、どこ、いつ…)
- 言及されたエンティティと関係の抽出
- グラフへの形式クエリへの変換
5.6. 推論と回答検索
- 知識グラフ走査(マルチホップ推論)
- 論理的解決と候補回答のランキング
5.7. 回答生成と説明
- 自然言語での回答の定式化
- 完全な説明トレース: KG内のパス、適用されたルール、関与するエンティティと関係、信頼度/完全性
6. ライセンス制約
6.1. Hippocratic License 3.0 (HL3)
最終ソフトウェアはHippocratic License 3.0(firstdonoharm.dev)の下で公開されます。このライセンスは:
- OSIの意味でのオープンソースとはみなされません(使用に関する倫理的制約)。
- copyleftライセンスです(セクション8.3)。
- 基本的人権(UDHR、ICESCR、ICCPR、ILO)に基づく倫理基準を課します。
6.2. 依存関係の互換性
| ライセンス | HL3互換 | 例 |
|---|---|---|
| MIT | ✅ はい | — |
| BSD (2/3-clause) | ✅ はい | — |
| Apache 2.0 | ✅ はい | — |
| ISC / CC0 | ✅ はい | — |
| GPL v2/v3 | ⚠️ 非互換の可能性 | — |
| AGPL | ❌ おそらく非互換 | — |
6.3. 推奨オプションHL3モジュール
- HL3-ECO(エコサイド) — 環境影響削減の目的と一致。
- HL3-MEDIA — 暴力推進への使用禁止。
- HL3-SV(大量監視) — 主権とプライバシーと一致。
7. 規制準拠
7.1. GDPR
| GDPRの原則 | 実装 |
|---|---|
| データ最小化(第5.1.c条) | KGは生の個人データではなく、抽出された関連トリプルのみを保存。 |
| 説明を受ける権利(第22条 + 前文71) | 各回答に対する完全な説明トレース。 |
| 消去権(第17条) | KGからエンティティ/トリプルを削除する機能。 |
| プライバシー・バイ・デザイン(第25条) | 文書化された必要性がない限り、KGに機微データなし。 |
| 自動プロファイリングの禁止(第22条) | システムは個人に関する自動的な意思決定を行わない。 |
7.2. 欧州AI法
| AI法の要件 | 準拠 |
|---|---|
| 透明性(第13条) | 本質的に解釈可能な記号型アーキテクチャ — すべての推論ステップが追跡可能。 |
| 説明可能性(第13.1条) | 完全なトレース:質問 → 形式クエリ → KGパス → 回答。 |
| 技術文書(第11条) | 完全に文書化可能な記号パイプライン(文法、ルール、オントロジー)。 |
| 堅牢性と精度(第15条) | ハルシネーションなし — 回答はKGからのみ。 |
| 人間による監視(第14条) | KGは人間により検査・修正可能。 |
| リスク管理(第9条) | 低リスク:不透明なモデルなし、創発的バイアスなし。 |
8. 環境影響
8.1. 問題
- GPT-3の学習は約1,287 MWh、すなわち約552トンのCO₂を消費。
- AIデータセンターの炭素排出量は2024年から2025年の間に3倍に増加(Awab, 2026)。
- LLMクエリは標準的なウェブ検索の約10倍のエネルギーを消費(Kim & Yoo, 2026)。
8.2. 記号型CPU-onlyの利点
| 指標 | LLMシステム(GPU) | AIチャレンジ(CPU-only) | 推定削減倍率 |
|---|---|---|---|
| 瞬時消費電力 | 300-400 W(GPU) | 65-125 W(CPU) | ~3-5× |
| クエリあたりの遅延 | 0.5-5 s | < 100 ms(目標) | ~5-50× |
| クエリあたりのエネルギー | ~0.001-0.01 kWh | ~0.000001-0.00001 kWh | ~100-1000× |
| 必要なハードウェア | GPU ≥ €6,000 | 民生用CPU < €500 | ~12× |
8.3. 必須測定事項
プロジェクトは以下を測定・報告する必要があります:
- KG構築のエネルギー消費量(kWh)。
- QAクエリごとのエネルギー消費量。
- 対応するCO₂フットプリント。
- GPUベースラインシステムとの比較。
9. 再現性
- 完全なソースコード: HL3ライセンスの下、パブリックリポジトリで公開。
- インストール手順: 自動化スクリプトまたはコンテナ化。
- テストデータ: パブリックベンチマークのみを使用。
- ランダムシード: 確率的コンポーネントに対して固定・文書化。
- 依存関係のバージョニング: ピン留めされた依存関係ファイル。
- コンテナ化: 完全なシステムが再現可能に実行可能であること。
- 文書化された最小ハードウェア: 明示的な最小仕様。
最大必要ハードウェア(i9 + RTX 3090)は幅広いユーザーがアクセス可能です。フェーズ2(QAランタイム)はGPUを必要としないため、一般的なノートPCでの実行が可能です。
10. 主権・セキュリティ・プライバシー
デジタル主権
- クラウド依存なし — 完全なローカル動作。
- 外部APIコールなし — データがマシンから出ることはない。
- オープンウェイトLLMはダウンロードしてローカルで実行可能。
- ベンダーロックインなし。
セキュリティ
- サンドボックス実行(隔離環境)。
- 任意コード実行なし。
- プロンプトインジェクションなし(推論時にLLMなし)。
- 形式文法による入力バリデーション。
プライバシー
- 完全なローカル処理 — 文書がマシンを離れることは決してない。
- テレメトリなし。
- 要求に応じてKGを消去可能。
- ユーザーごとまたはドメインごとに個別のKGをインスタンス化する機能。
11. ベンチマークと評価
11.1. 認知されたKGQAベンチマーク
システムは以下のベンチマークのうち少なくとも2つで評価される必要があります:
| ベンチマーク | 説明 | 規模 | 参照 |
|---|---|---|---|
| SimpleQuestions | Freebaseに基づく単純な事実質問 | 約10万問 | ACL |
| WebQuestionsSP | SPARQLアノテーション付きウェブ質問 | 約4,737問 | ACL |
| LC-QuAD 2.0 | DBpedia/Wikidata上の複雑な質問 | 約3万問 | ISWC |
| ComplexWebQuestions | Freebase上のマルチホップ質問 | 約3.4万問 | NAACL |
| QALD | 多言語チャレンジ、小規模 | 約400-500問 | CLEF/ESWC |
| MINTQA | 希少エンティティに対するLLM+KGの最新ベンチマーク | 可変 | EMNLP 2025 |
| SQuAD 2.0 | 段落からの抽出型QA | 約15万問 | ACL |
| Natural Questions | 実際のGoogleの質問 | 約30.7万問 | TACL |
| TriviaQA | 参照文書付きトリビアQA | 約9.5万問 | ACL |
推奨: LC-QuAD 2.0とQALDを優先し、ニューラルアプローチとの比較のためにSQuADまたはNatural Questionsで補完。
11.2. 評価指標
| カテゴリ | 指標 | 説明 |
|---|---|---|
| QA性能 | F1 score、Exact Match (EM) | 回答精度 |
| QA性能 | Hits@1、Hits@5 | 上位kでの正答率 |
| QA性能 | MRR | 正答の平均順位 |
| 遅延 | 平均/p95応答時間(ms) | CPUのみで測定 |
| スループット | 質問/秒 | スループット |
| 環境 | kWh/クエリ、gCO₂/クエリ | codecarbon/carbontracker経由 |
| 説明可能性 | 追跡可能性率 | 完全なトレース付き回答の%(目標:100%) |
| KGカバレッジ | トリプル、エンティティ、関係 | 記述統計 |
11.3. 比較ベースライン
- RAG + LLM(GPU):GPU上のニューラルベースライン。
- KG-RAG(GPU):ハイブリッドKG + LLMベースライン。
- Direct SPARQL:純粋記号ベースライン(同一KGへの手動クエリ)。
12. 性能仕様
| 基準 | 目標 | 根拠 |
|---|---|---|
| QA遅延 | < 100 ms(p95) | 許容可能なユーザーインタラクティビティ |
| KG構築 | < 1分 / 短文書1,000件 | 実用性 |
| QAメモリフットプリント | < 4 GB RAM | 一般的なPCで実行可能 |
| KGサイズ | 1,000万トリプル以上にスケーラブル | ベンチマークに十分なカバレッジ |
| QA精度 | ≥ 50% F1(単純なベンチマーク) | 解釈可能性と経済性が主な論点 |
| 追跡可能性 | 回答の100%が説明付き | 記号アプローチの主要な利点 |
13. リスクと軽減策
| リスク | 確率 | 影響 | 軽減策 |
|---|---|---|---|
| LLMと比較してQA性能が不十分 | 高 | 中 | 解釈可能性/経済性に焦点 |
| 自動KGの品質が不十分 | 中 | 高 | ルールの反復、LLM監督 |
| マルチホップ質問の複雑さ | 高 | 中 | ≤ 3ホップに制限、制限を文書化 |
| 依存関係のライセンス非互換 | 低 | 高 | 体系的なライセンス監査 |
| 監督用のオープンウェイトLLMが不十分 | 中 | 中 | 複数モデルのテストと組み合わせ |
| 大規模でのKGカバレッジの限界 | 中 | 中 | QALDから開始し、その後スケールアップ |
14. 成功基準
- QAシステムが推論時にGPUなしで完全にCPU上で動作する。
- KGが自然言語文書から自動的に構築される。
- 性能が2つ以上の認知されたパブリックベンチマークで測定される。
- 回答の100%に説明トレースが伴う。
- エネルギー消費が測定されGPUベースラインと比較される。
- コードが互換性のある依存関係と共にHippocratic 3.0ライセンスの下で公開される。
- システムが指定されたハードウェア上でDockerを介して再現可能である。
- 開発がサンドボックス内でオープンウェイトLLMにより完全に実施される。
15. 参考文献
- Agarwal, P. & Bedathur, S. (2025). A Zero-Shot Neuro-Symbolic Approach for Complex Knowledge Graph Question Answering. EMNLP 2025 Findings.
- Ansar, W., Goswami, S. & Chakrabarti, A. (2024). From Transformers to LLMs: A Systematic Survey of Efficiency Considerations in NLP. arXiv:2406.16893.
- Awab, S. (2026). AI's Resource Gluttony and Sustainable Development. SSRN 6301563.
- Boshnjakovski, V. (2025). Balancing Compliance and Innovation: Addressing Explainability in AI Systems under the EU AI Act. MBA Thesis.
- Chaudhary, V. et al. (2025). Fusing Knowledge and Language: A Comparative Study of KG-Based QA with LLMs. arXiv:2509.09272.
- Chen, H. et al. (2025). Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs. TheWebConf 2025.
- Cheng, K. et al. (2025). Neural-symbolic methods for knowledge graph reasoning: A survey. ACM Trans. Knowl. Discov. Data.
- Chudasama, Y. et al. (2025). Toward interpretable hybrid AI: integrating knowledge graphs and symbolic reasoning. IEEE Access.
- Corradini, F. et al. (2025). State of the art and future directions of small language models. Big Data and Cognitive Computing.
- Goncalves, A. & Correia, A. (2026). XAI-Compliance-by-Design: A Modular Framework for GDPR- and AI Act-Aligned Decision Transparency. MDPI J. Cybersecurity and Privacy.
- Hasan, S.M. et al. (2025). Carbon emission quantification of ML: A review. IEEE Trans. Sustainable Computing.
- Juliussen, B.A. (2025). The Right to an Explanation Under the GDPR and the AI Act. Springer, Int. Conf. Multimedia Modeling.
- Kim, M.K. & Yoo, T.A. (2026). Toward Sustainable AI: A Scoping Review of Carbon Footprint. IEEE Access.
- Linders, J. & Tomczak, J.M. (2025). Knowledge graph-extended RAG for QA. Applied Intelligence.
- Liu, B. et al. (2025). SymAgent: A neural-symbolic self-learning agent framework for complex reasoning over KGs. TheWebConf 2025.
- Ma, C. et al. (2025). Large language models meet knowledge graphs for question answering. EMNLP 2025.
- Niu, G. et al. (2026). A Comprehensive Survey of Knowledge Graph Reasoning. IEEE Trans. Big Data.
- Perevalov, A. et al. (2024). Multilingual question answering systems for knowledge graphs — a survey. Semantic Web.
- Salman, M. et al. (2024). Doc-KG: Unstructured documents to KG construction. Expert Systems.
- Schwartz, R. et al. (2020). Green AI. Communications of the ACM, 63(12), 54-63.
- Sidhu, M.K. et al. (2025). Neurosymbolic AI for Enhanced Reasoning in Small Language Models. IEEE.
- Sovrano, F. et al. (2025). Legal XAI: Systematic Review and Interdisciplinary Mapping of XAI and EU Law. ResearchGate.
- Tunzina, T. et al. (2026). GreenAI: Environmental Efficiency in LLM-Generated Code. IEEE Access.
- Wagner, M. et al. (2025). A Critical Look at the EU AI Act's Requirements — Who Must Explain What? IEEE Int. Requirements Eng. Conf.
- Zavarella, V. (2026). Methods for KG Construction from Text Collections. arXiv:2603.25862.