generative-thinking

Generative Thinking — 一手で、やり切る

固着はデフォルトの状態です。ジェネレーター（人間または LLM）が問題に取り組んでいると、注意は現在の捉え方に集中し、その後に出てくるアイデアはその周辺の変化にとどまりがちです。このスキルは、そこに割り込むためのものです。一手だけ横に踏み出し、その後は作業に戻ります。

重要なのは一手の内容よりも、その規律です。呼び出しごとに手法を1つだけ選び、疑い直さずに実行して、同じ枠組みのブレインストーミング一覧ではなく、明示的な捉え直しや候補となる切り口を提示します。

このスキルを使うタイミング

Claude は次の場合にこのスキルを有効にします。

• 直近の2回以上の反復が、1つのアイデアの変化形にとどまっている（固着の兆候）
• ユーザーが「視野を広げて」「もっと大きく考えて」「行き詰まった」「何を見落としている？」「狭すぎる」「抜け出して」と言う
• 問題が二者択一（「XかYか」）として捉えられていて、どちらの選択肢もよくない
• エージェントのループが収束するような変化形を生み出している。探索の深さではなく、枠組みを疑う
• ユーザーが、決断する前に計画ではなく問題の捉え方について、明示的にプレモーテムを求めている

重大なタスクの前に毎回デフォルトでこのスキルを有効にしてはいけません。引き金となるのは固着であり、重要度ではありません。現在の枠組みが機能しているなら、そのまま進めます。

中核となる規律

以下は、どの手法にも共通する3つのルールです。これに反すると、出力はアイデア出し風でも、構造的にはこれまでと何も変わりません。

1. 評価より先に生成する。 デ・ボノの中核となる区別は、ラテラルシンキングでは真偽ではなく移動の価値を重視するということです。挑発は提案ではありません。捉え直しの候補が3つ以上生まれてから評価します。
2. 一手に集中し、やり切る。 5つの手法をメニューのように順番に試してはいけません。診断に合う一手を選び、十分に実行し、ほぐれたものを表に出したら、そこで止めます。メニューは雑音を生み、集中は距離を生みます。
3. アイデアではなく、捉え方を出力する。 生成的な一手の成果物は通常、古い枠組みの中の別の解決策候補ではなく、問題を新たに述べ直したもの、または新たな切り口です。その一手を使わなくても出せる出力なら、その一手は機能していません。

停止条件。 その一手から、重要な捉え直しが3つ以上生まれた時点、または問題を再構成する捉え直しが1つ生まれた時点で止めます（隣接したものが5つあるより、鋭い意外性が1つある方が優れています）。一覧が短く見えるからといって生成を続けてはいけません。成果は量ではありません。

発火テスト。 一手を打つたびに、こう問いかけます。この出力は、その一手を使わなくても生み出せただろうか？ そうなら、その一手は機能していません。さらに踏み込む（挑発をより強く押し進める、捉え直しをより大胆にする、ランダムな単語を引き直す、別の軸で反転させる）か、停滞パターンに合わない手法だったと判断し、再診断して、より適した一手を選びます。失敗後の再診断はメニューを順番に試すことではありません。メニューを順番に試すとは、手法をやり切らずに次々と切り替えることです。一度に一手ずつ、毎回十分にやり切ります。うまくいかなかった場合は、次に進む前にその理由を診断します。

裾野の選別。 数値を加えた発火テストです。追加学習済みモデルには典型性への偏りがあり、候補を1つ求めると最頻候補を返し、一覧を求めると上位k件の最頻候補を返します。つまり、サンプルではなくベストセラー一覧です（Zhang ほか、2025年）。一手から生まれる3つの捉え直しにも、同じことが起こります。そのため、評価する前に過剰生成します。3つではなく5〜8個の候補を出し、それぞれの横に、古い枠組みの中にいるジェネレーターでもその候補を生み出した確率を0〜1で書きます。しきい値を超える候補はすべて捨て、残ったものをその一手の実際の出力とします。しきい値は0.3から始め、残った候補もまだ隣接して見えるなら下げます。数値を書くことは飾りではなく、仕組みそのものです。言葉で表した確率を伴う分布を求めるプロンプトは、個別の候補や一覧を求めるプロンプトでは得られない多様性を引き出します。候補を列挙するのではなく推論させれば、品質も保たれます。また、指定するしきい値を下げると、出力はより裾野へと移ります。この効果はモデルの能力に応じて大きくなります。小型モデルでは、選別による負担が増えるだけで、捉え方の距離は広がりません。

診断 → 手法

行き詰まりのパターンに合った手法を選びます。迷ったら、再フレーミングを選びます。

行き詰まりのパターンが…	試す手法…
フレーミングに無理がある（「XかYでなければならない」）	再フレーミング — 動詞、主語、範囲、またはレベルを変える
生成器が似たようなものばかり返す	ランダムな刺激 — 無関係な概念を無理にフレームへ持ち込む
明らかな答えが間違っているのに、それ以外が見えない	挑発（Po） — 不可能なことを述べ、そこから動きを引き出す
既存の成果物を反復している	SCAMPER — 7つの体系的な変換
「Xを成功させるには？」で行き詰まっている	逆転 — 「Xの失敗を確実にするには？」と問い、その答えを反転させる
問題が、ある領域の語彙だけで完全に定義されている	構造化アナロジー — オブジェクトと関係を機能に基づいて遠い領域へ対応づけ、そこで探る
どの解決策も制約によって阻まれている	制約を使った発想 — 制約を取り除く（「魔法が使えると仮定する」）か、突飛な制約を加える（「ツイートに収める必要がある」）
既知の例が2つあるが、その間や先にある領域についての理論がない	ファミリーの探索 — 共通するファミリーに名前をつけ、限界までたどる

再フレーミング

問題として述べられた内容が、実際に解決すべき問題であることはめったにありません。文を変化させます。

• 動詞を変える：「Xを減らす」→「Xを再分配する」、「Xのタイミングをずらす」、「Xが重要でなくなるようにする」
• 主語を変える：「チームがより速くリリースできない」→「ボトルネックはレビュアーだ」→「成果物がレビューしやすすぎる」
• 範囲を変える：ズームアウトする（上流では誰の問題か？）、またはズームインする（どのユーザーの、どの1分間か？）
• フレームを変える：「修正すべき問題」から「解釈すべきシグナル」へ

3つの再フレーミングを生み出します。成功の目安：少なくとも1つによって元の問題文が素朴に聞こえるか、問題の責任者が変わること。

挑発（Po）

Edward de Bonoの手法です。意図的に間違った、不可能な、または突飛な発言の前に Po: を付け、それが提案ではなく刺激であることを示します。次に、そこから動きを引き出します。どのような原則、結果、または関連するアイデアが浮かび上がるでしょうか？

4つのレシピ（de Bonoの正式な挑発法）：

• 除去：不可欠な要素を取り除く。Po: データベースには書き込み機能がない。
• 逆転：因果関係の方向を反転させる。Po: ユーザーは製品を使わないために私たちに料金を払う。
• 誇張：数量を突飛な限界まで押し進める。Po: オンボーディングに6か月かかる。
• 願望的思考：不可能な能力があると仮定する。Po: 来週ユーザーが次にクリックする場所がわかる。

代表的な例：工場が川を汚染しています。Po: 工場は自分自身の下流にある。 不可能ですが、次のアイデアが生まれます。取水口を排水口より下流に移す。汚染しないという社内インセンティブを設ける。閉ループ型の水利用にする。挑発は捨て、そこから生まれた動きは残します。

成功の目安：挑発が本当に不可能または突飛であり（単に過激なだけではなく）、かつ、そこから引き出された動きが現実の制約に当てはめても成り立つ原則につながること。「挑発」が実際に実行できることなら、それは提案であってPoではありません。さらに突き詰めてください。

ランダムな刺激

問題と無関係な単語、物、または領域を選び、無理に結びつけます。無理に感じられることが重要です。慣れきった思考経路を迂回できます。

テンプレート：「[問題]は[ランダムなもの]とどう似ていますか？」、続けて*「そこから何が示唆されますか？」*

人間が選ぶ場合：ランダムな Wikipedia の記事、近くにある物理的な物、Oblique Strategies のカード、今いる机にある無関係な分野の概念を使います。最初に目に留まったものに決めてください。選び直すと、この手法の効果が損なわれます。

LLM エージェントが選ぶ場合：LLM にランダムな単語を直接尋ねても、ランダムな単語は生成されません。思考の枠組みを固定したのと同じ注意の向け方が、その枠組みに近い単語を選び、事後学習のバイアスによって、選ばれる単語は典型的なものに偏ります。使える方法は2つあります。

• 外部: ユーザーに好きな単語を1つ尋ねる、ランダムな Wikipedia の記事を取得する、ツールで Oblique Strategies のカードを引く。
• 内部、ハッシュ化 — String Seed of Thought（Misaki & Akiba 2025）。長いランダムな文字列（40文字以上で、文字、数字、記号を混ぜ、目に見えるパターンがないもの）を書き出します。次に、文字コードの合計を求めるか、ローリングハッシュを計算し、あらかじめ列挙した語彙のサイズで剰余を求める手順を書き出して、そのインデックスにある単語を選びます。references/stimulus-vocabulary.mdには、まさにこの目的のために、異なる領域から選んだ128個の名詞が収録されています。Oblique Strategies のデッキも同じ方法で使えます。測定結果では、この手順は長い推論を行うモデルでPRNGに近い忠実度を達成し、自由形式の生成では、注入したPRNGシードと乱数ツールの呼び出しの両方を上回りました。文字列は複数の局所的な選択に対して再ハッシュでき、導出過程が記録に残るためです。測定済みの失敗モードは2つあります。最初の文字だけを読む手抜きの抽出（LLMが生成する文字列には強い位置バイアスがあり、QwQ-32Bが生成した文字列1,000個のうち947個は「7」で始まりました）と、計算過程を記録しないことです。後者の場合、推論モデルは結果を捏造します。文字列全体を使い、合計値を書き出してください。およそ8B未満のモデルは剰余計算を確実に実行できないため、外部ソースを与えてください。

発動条件：結びつきが本当に無理に感じられ（最初の10秒間は違和感があります）、無理に結びつけて考えることで、それまでの探索範囲にはなかった切り口が生まれること。ランダムな単語がすぐに「関連している」と感じられる場合、選び直したか、注意の向いた先から選んだか、シードの最初の1文字だけを読んでいます。別の単語を選んでください。

SCAMPER

既存の成果物を改善するために使います。7つのプロンプトを一度ずつ確認してください。事前にお気に入りを選んではいけません。

• Substitute（代用）— コンポーネント、素材、人、手順を入れ替える
• Combine（結合）— 競合するものも含め、別のものと組み合わせる
• Adapt（適応）— 関連する問題を解決する別の場所の仕組みを取り入れる
• Modify / magnify / minify（変更／拡大／縮小）— 寸法、頻度、重さを大幅に変える
• Put to another use（別の用途に転用）— 他に誰が、何のために使えるか？
• Eliminate（除去）— この部分が単になくなったらどうなるか？
• Reverse / rearrange（反転／再配置）— 順序、役割、極性を入れ替える

発動条件：少なくとも1つのプロンプトから、「これをより良くするには？」と尋ねただけではたどり着かなかった案が生まれること。7つの結果すべてが表面的な磨き込みにとどまるなら、分析対象は成果物ではありません。視野を広げて、Reframe を試してください。

反転

逆問題を解き、その解を否定します。失敗の形は成功への道筋より具体的なことが多いため、有効です。

• 「これを確実に失敗させるには？」→ 各失敗モードが保護要件になります
• 「最悪のバージョンはどんなものか？」→ 良いバージョンを逆から見た形が浮かびます
• 「敵対者が私たちにXを選ばせたいとしたら、その理由は何か？」→ Xに潜む罠が明らかになります

発動条件：反転によって、順方向の考え方では隠れていた具体的なリスク、仕組み、またはインセンティブが明らかになること。反転した答えを否定しても、すでに得ていた答えと同じになる場合、反転の軸が対称的すぎます。別の軸で反転してください（目標→インセンティブ、成功→観測不能、ユーザー→運用者）。

構造的アナロジー（視点の転換）

遠い分野に質問を投げかけるのではなく、関係構造を使って問題を遠い分野へ移します。「生物学ならどう解決するでしょうか？」という問いは、Shen、Druckmann、Zou（2026）における分野横断のベースラインであり、分野を指定しない場合とほぼ同じ程度に効果が失われます。問題ごとに150世代にわたって試したところ、提案された分野のうち固有のものは約5％にとどまり、解決策の多様性（Vendi スコア）は、制約なしのベースラインの5.8に対して8.3でした。構造を明示的に対応付けると、解決策の多様性は90～173％高くなり、斬新だと評価された解決策の割合はベースラインの1.6～38％に対して50～69％となり、問題からより遠い分野にも到達しました。結果を変えるのは、書き出された対応付けです。

Gentner の構造マッピング理論に基づく4つのステップ：

1. 抽出する。 問題に登場する対象を機能上の役割とともに列挙し、対象間の関係を記述します。関係とは、2つ以上の対象に対する述語です（「固定された発生源が、不均質な媒体に物質を放出する」）。単一の対象の属性は対応付けません。
2. 機能に基づいて対応付ける。 遠い分野を選び、対象の対応ペアと、その対応が成り立つ理由を書きます。「ペイロードを届ける」は対応付けの根拠になりますが、「液体である」はなりません。一部のみを対応付けてもかまいません。アナロジーに必要なのは関係すべてではなく、その一部です。
3. 対象分野側を探す。 遠い分野に存在する、名前の付いた手法を見つけます。その手法は、対応付けた対象に作用し、共通する関係を保つものでなければなりません。元の問題の解決策ではなく、対象分野の手法を探します。（薬物送達 ↔ 地下水汚染からは反応輸送プルームモデルが見つかり、EEG の発生源位置推定 ↔ 地震学からはダブルディファレンス地震位置決定アルゴリズムが見つかりました。）
4. 元の分野に戻す。 元の対象を再び当てはめ、その手法が元の分野でどのようなものになるかを述べます。

ステップ2で出発点が必要な場合の分野メニュー：自然（生物学、生態学、地質学）、職業（厨房、ER のトリアージ、船積みドック）、役割（CFO、子ども、歴史家、敵対者）、スケール（100倍、1/100倍）。

発動条件：対応付けた分野が、その問題に関する文献で通常引用される分野ではなく、かつステップ3で名前の付いた既存の手法が見つかった場合です。比喩では不十分です。対象のペアが役割ではなく見た目の類似性で対応している場合や、「手法」が新しい名詞で元の問題を言い換えただけの場合、対応付けは表面的です。ステップ2に戻り、さらに遠い分野を選んでやり直してください。

制約を使った遊び

制約は解決策の空間を定義します。意図的に動かしましょう。

• 取り除く：「予算／時間／計算資源／許可に制限がないと仮定する」——何が可能になるでしょうか？
• 突飛な制約を加える：「ツイート1件に収める」「5ドル未満」「コードなし」「会議は1回のみ」「物理的な方法のみ」
• 反転する：制約を特徴にします。時間が限られている → イベント駆動型。予算が少ない → 少数精鋭のチームを売りにする。

発動条件：制約を緩めた解決策によって、実際に大切にしていること（単に受け入れられるものではなく）が明らかになる場合、または制約を加えた解決策のほうが制約なしのものより鋭い場合です。どちらも予算を変えただけで同じ答えに感じられるなら、ボトルネックとなっている制約は別にあります。それを見つけましょう。

ファミリーの探索

関連するインスタンスを2つ（またはそれ以上）持っていて、生成がそれらの周りを回り続ける場合に使います。ペアが対象なのではありません。両方を含むパラメーター化されたファミリーが対象です。観測された効果の高い順に、サブムーブを示します。

1. 面に名前を付ける。 両方のインスタンスが属するファミリーまたはフロンティアと、そのパラメーターを明示します。（2つの埋め込み量子化器 → レート歪みフロンティア。パラメーターは次元あたりのビット数です。）パラメーターを名付けられないなら、まだファミリーを見つけられていません。
2. 極限までたどる。 2つのアンカーを越えて、ファミリーの極限点まで進みます。極限では、メンバーの性質が変わります。（ベクトル検索の0ビット極限は文書の事前確率によるランキングであり、歪みゼロの極限は正確な記号アドレス指定です。このことから、無関係に見えた2つのプロジェクトが、同一フロンティア上の端点であると判明しました。）
3. 制約が適用される対象を入れ替える。 ファミリーを囲む境界となる制約、つまり越えられない限界を明示します。モデル内では越えられないので、制約が適用される対象を変えます。（埋め込みではレート歪みの限界を超えられない → 代わりに重み、または知識を量子化します。）
4. 弦を探る。 アンカーの混合やブレンド（ディザリング、アンサンブル、融合の重み）を試します。効果は最も低くなります。ブレンドは外挿ではなく平均を取るためです。ただし、手軽に試せます。最初ではなく、最後に実行してください。

次に、焦点を絞って検証します。探索の真の成果は、導出可能な答えが得られるほど正確な問いです。発見は幾何学的な見方ではなく、導出と手軽な測定によって生まれます。（アドレス指定方式をフロンティアとして捉えたことで、容量則 j² ≤ 2^(significand bits) が導かれました。60秒の numpy で N = 4096 ちょうどの地点に急激な境界があることを確認し、4か月前からの実験上の謎が解けました。）このステップがなければ、このムーブが出力するのは分類であって、生成ではありません。

発動条件：極限点または制約の入れ替えによって、以前の探索空間の外に到達し、かつ、出力の少なくとも1つが検証可能な主張であること。アンカーを整然と分類しただけなら、このムーブは行き詰まっています。さらに境界をたどるか、制約を入れ替えてください。

注意：空間の内部を新規性と同一視しないでください。高次元では、実質的にすべての操作がすでに訓練データの凸包の外への外挿であり（Balestriero & LeCun 2021）、既知の点の混合は平均にすぎません。生成につながる方向は、極限と制約の入れ替えです。弦は探査手段であり、原則ではありません。

エージェント自身の推論にスキルを適用する

LLM エージェントには、コンテキストに縛られた機能的固着に似た現象があります。注意が現在のフレーミングに集中し、そのバリエーションを生成します。さらに別のメカニズムがこの現象を増幅しますが、コンテキストには依存しません。選好データは見慣れたテキストを優先するため、ポストトレーニングによって、どのプロンプトに対しても最頻の続きへとポリシーが先鋭化します（Zhang et al. 2025, Theorem D.1）。そのため、「別案を5つください」と頼むと、新しいコンテキストでも互いによく似た案が5つ返ってきます。次のような兆候があります。

• n回目の反復が、最初の反復と同じ構造になっている
• エージェントが同じ種類の選択肢を、似たような理由で3回却下している
• 計画に「ブレインストーミング」というステップがあるのに、隣接する箇条書きばかりが生成されている

これを検出した場合、対処法は同じです。診断表からムーブを1つ選び、エージェント自身の現在のフレーミングに適用して、作業を再開する前に新しいフレーミングを明示的に書き出します。書き出すことが重要です。注意の中で暗黙のままになったフレーミングは、以前のフレームに再び取り込まれてしまいます。

このスキルでできないこと

• 評価はしません。 成果物の重要性が高い場合は、生成後にchallengingと組み合わせてください。
• MECEな網羅はしません。 網羅的に分割するには、tiling-treeを使ってください。
• 複数の視点を統合しません。 複数の役割による協働パネルには、convening-expertsを使ってください。
• 長いアイデアリストは作りません。 独創的なムーブを1つ含む3つのフレーミング変更の方が、元のフレームのまま50項目をブレインストーミングするより優れています。

標準的な参考資料（段階的な開示）

ユーザーが特定の手法について詳しい情報を求めた場合にのみ、これらを読み込みます。

• 水平思考、挑発、Po、ランダムな刺激 — Edward de Bono。主要資料：Wikipedia：Lateral thinking、Wikipedia：Po。エッセイ：de Bono, "Serious Creativity"。書籍：Lateral Thinking（1970年）、Serious Creativity（1992年）。
• SCAMPER — Bob Eberle、SCAMPER: Games for Imagination Development（1971年）。Alex Osborn の Applied Imagination（1953年）のチェックリストを基にしています。概要：Wikipedia：SCAMPER。
• Oblique Strategies — Brian Eno と Peter Schmidt（1974～2001年、全5版）。概要：Wikipedia：Oblique Strategies。カード全件：mattrickard.com/list-of-all-oblique-strategies。ランダムな刺激を求めるときに、1枚をランダムに引きます。
• 機能的固着（このスキルが対処する認知バイアス）— Karl Duncker、原著 Zur Psychologie des produktiven Denkens（1935年）、英訳 On Problem-Solving（1945年）、doi:10.1037/h0093599。ろうそく問題は代表的な実証例です。
• 高次元における外挿と内挿（「内側＝新規性」が誤りである理由）— Balestriero、Pesenti、LeCun、「Learning in High Dimension Always Amounts to Extrapolation」、arXiv:2110.09485。
• 典型性バイアスとモード崩壊、確率を言語化するプロンプト（テールのふるい分け）— Zhang、Yu、Chong、Sicilia、Tomz、Manning、Shi、「Verbalized Sampling: How to Mitigate Mode Collapse and Unlock LLM Diversity」、arXiv:2510.01171。確率を含む分布レベルのプロンプトは、創作における多様性を直接プロンプトと比較して1.6～2.1倍高めました。プロンプト内のしきい値でテールのどこまで対象にするかを調整でき、モデルの規模が大きいほど効果も高まります。
• String Seed of Thought（ハッシュ化された内部ランダム刺激）— Misaki、Akiba、Sakana AI、「String Seed of Thought: Prompting LLMs for Distribution-Faithful and Diverse Generation」、arXiv:2510.21150。自己回帰相関がある場合も、文字列が長くなるほど目標分布との全変動距離は縮小します（Thm 4.2）。最初の文字に関する失敗例は§D.5、注入したシードやツール呼び出しとの比較は§D.6を参照してください。
• 類推の構造写像理論 — Gentner、「Structure-Mapping: A Theoretical Framework for Analogy」、Cognitive Science 7(2)、1983年、doi:10.1207/s15516709cog0702_3。関係は対応づけられますが、属性は対応づけられません。
• 多様性を生み出すエンジンとしての類推的推論（構造化された類推の手順）— Shen、Druckmann、Zou、Stanford、「Unlocking LLM Creativity in Science through Analogical Reasoning」、arXiv:2605.11258。抽出と検索のプロンプトは§G.1を参照してください。AR で生成した4つの手法が生物医学分野で実装され、ベンチマークされています。
• デザイン固着と生成 AI 特有の失敗モード — Wadinambiarachchi、Kelly、Pareek、Zhou、Velloso、「The Effects of Generative AI on Design Fixation and Divergent Thinking」、CHI 2024、論文380、doi:10.1145/3613904.3642919（arXiv:2403.11164）。N=60の視覚的アイデア創出実験では、AI画像生成ツールの支援を受けた参加者は、支援なしの対照群よりも最初の例への固着が強く、流暢さ、多様性、独創性が低いことが示されました。固着がLLM自身の過去の出力に起因する場合に、直接関係する研究です。

クイックリファレンスカード

DIAGNOSE: What kind of stuck?
  → framing forced        : REFRAME
  → near-duplicates       : RANDOM STIMULUS
  → can't see past obvious: PROVOCATION (Po)
  → iterating an artifact : SCAMPER
  → chasing success       : INVERSION
  → one domain vocabulary : STRUCTURED ANALOGY
  → blocked by constraint : CONSTRAINT PLAY
  → two examples, no theory: FAMILY TRAVERSAL

DISCIPLINE:
  1. Generation before evaluation
  2. One move, committed
  3. Output framings, not ideas
  TAIL SIFT: over-generate 5-8, tag P(old frame reaches it), drop > 0.3

STOP when: 3+ non-trivial framings produced, or one surprising framing that reorganizes the problem.