Ailin¹は2026年9月15日に公開されます。今すぐ早期アクセスをリクエストしてください。

早期アクセスをリクエスト
ailin¹

集合知：AIの次のフロンティア

107,175のAIモデルが、ひとつの集合知モデルの中で協調します。

個のAIから、集合知へ

AIはこれまでの時代を、個々のモデルの性能向上に費やしてきました。次のフロンティアは集合知です。

異なるモデルはそれぞれ異なる視点をもたらします。これは単なるスローガンではありません。コンドルセの陪審定理とホンとペイジの多様性予測定理は、構造化された多様性が単独の専門知識を上回り得ることを示しています。構造化された集合戦略は、その研究成果を実践に落とし込みます。モデルは独立して推論し、互いに検証し合い、単一の監査可能な回答へと収束します。

目的は、より多くのモデルを使うことではありません。異なる知能同士が、より良く協働することです。

それが集合知です。Ailin¹は、すでにそれを稼働させています。

Ailin¹ Collective:その主張を支える仕組み

Ailin¹は集合知のために構築されています。ルーティング、ディスカバリ、オーケストレーション、検証は、すべてそれに奉仕する仕組みです。107,175の発見可能なモデル識別子をもとに、各リクエストは登録済みの32の調整戦略のいずれかを通じてルーティングされます。速度が重要なら単体モデル、正確性が重要なら複数のモデルが連携して推論し、討論し、互いにチェックし合います。

集合の回答には意思決定の来歴が含まれます。調整の経路は常に検証可能です。

  • 稼働したモデル
  • 調整した戦略
  • 集合のコスト
集合知で構築する

最先端モデルとの公開比較

私たちは、GPT-5.5-pro、Claude Opus 4.8、Gemini 3.1 Pro、Grok 4.3を相手に集合をテストしました。評価は好みではなく、客観的で機械判定される正答によるものです。監査可能で再現可能な実験において、集合はこの4つすべてを上回りました。リポジトリを確認する。

⭐ GitHubで210人のスターに加わろう

Ailin¹は2026年9月15日に公開されます。

一般公開前にご参加いただき、最初のリリースを共に形作りましょう。

早期アクセスをリクエスト

Ailin¹ コレクティブ

すべてのリクエストは、単一のモデルが呼ばれる前に、同じルーティングカスケードを通ります。このカスケードは、集団の意思決定に関する査読済み研究(コンドルセの陪審定理やホンとペイジの多様性予測定理を含む)に基づいた集合戦略を呼び出すことができます。望むものを明示すれば即座に尊重され、何も指定しなければカスケードが判断します。

最先端は、ブラックボックスではありません。あなたが操作する2つのレバーです。

5つのエイリアスが、即応の単体モデルから5モデルによる合意形成まで、全域をカバーします。境界を定めるのは2つの独立したフィールドです。max_costは上限、quality_targetは下限です。どちらか一方、あるいは両方を設定できます。Ailin¹ Collectiveは、あなたが定めた境界を越えることはありません。

多くのプラットフォームはモデルの一覧を渡し、それを選択肢と呼びます。Ailin¹が渡すのは、1つのスライダーではなく2つの独立したレバーです。回答にどれだけの品質が必要か、そしてそれを得るためにいくら支払う用意があるか。

  • 支出に上限をかけ、品質は自然な水準に委ねます。

  • 下限を保証し、コストは需要に応じて変動させます。

  • 正確な範囲に固定します。

Ailin¹ Collectiveのルーティングエイリアス、それぞれの最適化の対象、標準的なコスト、そして選ぶべき場面
エイリアス 最適化の対象 標準的なコスト 使用する場面
ailin-auto リクエストごとに判断される、バランスの取れた構成 標準 既定値。コストと品質のバランス以外に制約がない場合。
ailin-best 品質優先、コスト上限なし 最高 正確性が決定的に重要で、コストが制約にならない作業。
ailin-fast レイテンシー優先、単体モデル 低 レイテンシーの予算が厳格に定められたインタラクティブな経路。
ailin-economy コスト優先、絶対的な上限を強制 最低 大量に走らせるバックグラウンド処理
ailin-consensus 独立した相互検証による正確性 意図的に高め 誤りが表面化しないまま通ることが、費用を払って排除すべき失敗モードである場合。

すべての回答は、ailin_metadataに意思決定の来歴を返します。strategy_used、models_used、cost_usdが含まれるため、ルーティングの判断は信頼に委ねるのではなく検証できます。

リクエスト:既存のOpenAIクライアントのまま、変更は1行のみ

from openai import OpenAI

client = OpenAI(
    base_url="https://api.ailin.one/v1",
    api_key="YOUR_KEY",
)

response = client.chat.completions.create(
    model="ailin-consensus",
    messages=[{"role": "user", "content": "..."}],
    extra_body={"max_cost": 0.15}
)

レスポンス

{
  "ailin_metadata": {
    "strategy_used": "ailin-consensus",
    "models_used": [
      "gpt-5.5-pro",
      "claude-opus-4.8",
      "gemini-3.1-pro"
    ],
    "final_decider_model_id": "claude-opus-4.8",
    "final_decider_role": "synthesizer",
    "cost_usd": 0.0842,
    "subcalls": [
      { "model_id": "gpt-5.5-pro", "role": "voter", "cost_usd": 0.0301, "latency_ms": 1840, "success": true },
      { "model_id": "claude-opus-4.8", "role": "synthesizer", "cost_usd": 0.0288, "latency_ms": 2010, "success": true },
      { "model_id": "gemini-3.1-pro", "role": "voter", "cost_usd": 0.0253, "latency_ms": 1650, "success": true }
    ]
  }
}

Ailin¹ Collectiveの判断方法:ルーティングカスケード

高速な層から順に評価される、階層型のカスケードです。各リクエストは安全に確定できる最も早い段階で解決されるため、単純なリクエストは素早く片づき、難しいものはより深い層を活用します。

カスケードの前:セマンティックキャッシュ 直近のリクエストとほぼ同一のものであれば、キャッシュされた回答を即座に返します。トリアージ以下の6つの層は、一部が省略されるのではなく、まるごとスキップされます。

  1. 明示的ルーティング

    エイリアス、モデル、戦略のいずれかを指定した場合、この層がリクエストを即座に解決します。下位のすべての層に対して常に優先され、指定した内容が実際には満たせない場合は、他の何かへ黙って処理を委ねるのではなく、リクエストはそのまま失敗します。

  2. トリアージ

    専用のモデルがタスクの意図と複雑さを読み取り、コレクティブのモデルが1つも動く前に戦略を提案します。単なる参照テーブルではなく実際の分析であるため、それ自体に(小さいながらも)実コストのかかる呼び出しが発生します。

  3. 構成アーカイブ

    成果5件の記録で解放

    あるタスク領域について少なくとも5件の成果が記録されると、Ailin¹ Collectiveは、一から導き出す代わりに、すでに実証済みのものを再利用します。

    単一のブラックボックス的な選択ではありません。その領域について、6つの最適化軸(品質、コスト効率、速度、バランス、信頼性、トークンあたりの品質)にわたって追跡された、実績あるトップクラスの構成群です。そのため、再利用される戦略とモデルの組み合わせは、あなたのリクエストが重視する軸で実際に勝った構成になります。

  4. コスト/品質/レイテンシーのフロンティア

    成果3件の記録で解放

    そのタスク領域について実証済みの正確な一致がまだない場合でも、十分な履歴があれば、品質・コスト・速度・成功率という多目的のトレードオフを直接最適化します。

  5. 学習型戦略選好

    成果5件の記録で解放

    トンプソンサンプリングのバンディットが、実測された成果に基づいて時間とともに各戦略に重みを与え、カスケード自身の既定値を継続的に洗練させます。さらに自己監査も行い、実測された報酬率全体が過去最良のスナップショットの95%を下回った場合、バンディットは学習済みの状態全体をその最良のスナップショットへ自動的にロールバックします。

  6. フォールバック・ヒューリスティック

    上位のいずれの層でもリクエストが解決しない場合、決定論的にスコアリングされたヒューリスティックが、タスクの種類、複雑さ、利用可能なモデルプールから戦略を選択します。戦略の決定は必ず結論に至り、その結果はstrategy_usedに記録されます。

カスケードの後:コストガバナンスゲート 第1層から第6層のどれが選ばれていても、明示的にルーティングした場合を除き、最後にもう一段のチェックが行われます。見積もられた効果が基準に届かない場合、コストの高いコレクティブの選択は単体モデルへ引き下げられることがあります。このチェックを省略できるのも、明示的なリクエストの場合だけです。

第3層から第5層は、対象となるタスク領域での利用履歴が蓄積されるにつれて、それぞれ独立に有効になります。コスト/品質/レイテンシーのフロンティアは成果3件から、構成アーカイブと学習型戦略選好のバンディットは成果5件からです。それまでは、第1層と第2層で解決しない場合に、第6層の決定論的で監査可能なヒューリスティックが判断を下します。

研究に裏づけられた32の戦略

モデルが共に考える方法は数十通りあり、どれも監査可能です。問題によって、集団的推論の適した形は異なります。

いずれも場当たり的なものではありません。カタログ内のすべての戦略は、協調行動または集合的意思決定の研究における具体的で名前のある成果に対応しており、社内の推測を科学らしく装ったものではありません。

  • consensus

    コンドルセの陪審定理(1785年):3から5のモデルによる多数決。多様性の下限を設けることで、複製された推論から合意が生まれることを防ぎます。

  • diversity-ensemble

    ホンとペイジの多様性予測定理(PNAS、2004年):複数の軸にわたる多様性が設計上最大になるチームを構成します。

  • debate

    モデル同士が、モデレーターのもとで構造化されたラウンドを重ねて議論します。

  • swarm-explore

    並列探索。オープンエンドな設計やアーキテクチャの作業に対して、トリアージが自動的に選択します。

  • stigmergic-refinement

    投票ではなく、共有された成果物を通じた収束。複雑度の高い文章作成に対して、トリアージが自動的に選択します。

  • expert-panel

    回答を返す前に、複数の役割による独立したレビューを実施します。検証を重視するリクエストでは直接指定できます。

  • tri-role-collective

    Planner、Solver、Auditor:これは学習されたコーディネーターではなく、決定論的なステートマシンです。Auditorが、直前にSolverとして回答を生成したのと同じモデルや推論パスになることを、構造的に禁止します。

  • 他に25の戦略

モデルを選ぶのはあなたではありません。Ailin¹ コレクティブです。

単純なタスクには単純さを、そうでなければ深さを。あなたが境界を決め、Ailin¹ コレクティブがその範囲内で判断します。そして、ひとつのフィールドが常にそれを上書きします。

リクエストに1モデルと5モデルのどちらが必要かを、あなたが判断する必要は一度もありません。すべてのリクエストは、単一のモデルが呼ばれる前に、ailin-autoの裏側で動くのと同じルーティングカスケードであるAilin¹ Collectiveを通過します。望むものがはっきりしていますか。それなら指定してください。ailin-fastのようなエイリアス、特定のモデル、あるいはstrategy: "single"を指定すれば、Ailin¹ Collectiveは交渉も追加のレイテンシーもなく、直ちにそれを反映します。何も指定しなければ、カスケードがタスク自体を読み取り、それに合った構成を選びます。Ailin¹を通して単体モデルを走らせることは、代替手段でも格下げでもありません。Ailin¹ Collectiveが意図して常に選ぶ、第一級の経路です。

単一モデル

最初から最後まで一貫したひとつの声。より低いコスト、より低いレイテンシで、もう一方の選択肢と同じように手軽に使えます。

ailin-fast

複数モデルの集合

並行で動く独立した提案者たちが、あなたが受け取る前に検証・統合されます。不一致はあなたに届く前に捕捉され、後で発覚することはありません。

ailin-consensus

創作やリファクタリングでは？

客観的に検証可能なタスクでは、好みの判断ではなく機械判定によって、集合が勝者となります。オープンエンドなクリエイティブワークでは、適切に選ばれた単体モデルが同じくらい明確に勝ちます。だからこそトリアージが存在します。カスケードはタスクの種類を平均化するのではなく、種類ごとに見極めます。クリエイティブな作業は既定で単体モデルに、検証可能な作業は集合知に向かいます。

検証可能なタスク 97%

正答率(38問中37問)、単体のフロンティアモデルは68から82%にとどまりました。検証器は、3回の全ラウンドを通じて誤った回答を一度も通しませんでした。

どちらをいつ使うかを覚えて、シンプルさと徹底さを選び分ける必要はありません。分かっていることを伝えれば、伝えなかった部分はAilin¹ Collectiveが埋めます。上書きは、常にフィールド1つ分の距離にあります。

集合知で構築する ⭐ GitHubで集合知にスターを

何千ものモデル。起動するのは、正しいものだけです。

優位性は、集合にある

より多くのモデルにアクセスできること自体が突破口ではありません。重要なのは、異なる知能が共に働けるときに何が起きるかです。Ailin¹は、継続的に発見される107,175のモデル識別子の生態系を集合へとまとめ、各戦略が必要とする部分集合だけを起動します。

107,175 個の発見可能なモデル識別子。稼働するモデルは、規模ではなく多様性のために選ばれます。

  • 常に最新

    新しく公開されたモデルは、それが現れたのと同じディスカバリのサイクルで索引化されます。定期リリースを待つ必要はありません。

  • フルスペクトラム

    テキスト、ビジョン、音声、エンベディングが、同じカタログ、同じエンドポイントの背後にあります。

知能は、集団になるときより強くなる

AIは、個々のモデルを中心に構築されてきました。その次のフロンティアは集合知です。個々のモデルはとびぬけて優れていても、それぞれのアーキテクチャ、学習履歴、死角、失敗パターンを反映しています。集合知は、独立したモデルが異なる視点を持ち寄り、前提を問い直し、専門化し、代替案を比較し、タスクが許すところで結果を検証することを可能にします。この先に示すのは願望のリストではありません。ロードマップではなく、すでに本番環境で稼働している5つの仕組みです。

ここぞという場面で、単体モデル並みのコスト

機械が判定できるタスクでは、決定論的検証器が正しい答えを即座に受理し、集合の残りの処理を省略します。そのため、そうしたタスクのコストは、集合の他の処理よりも単体モデルのコストにずっと近づきます。しかも、それはまさに集合の正確性の優位性が最も強く発揮される場面です。

レジリエンス

あるプロバイダーの障害が、あなたの障害になる必要はありません。集合は、性能低下や故障したモデルを自律的に迂回してルーティングします。すべての応答には、どの戦略が実行されたか、どのモデルが動いたか、コストはいくらだったかという意思決定の来歴が残ります。

構造による多様性

プロバイダー、アーキテクチャ、学習目的は、ラウンドロビン選択によって強制的に分散されるため、同じ実行内で連続するモデルが同じプロバイダーになることはありません。これは、異なる学習データがたまたま有用な形で食い違うことを期待しているのではなく、ホンとペイジの多様性予測定理をルーティング層に組み込んだ結果です。死角を顕在化させはしますが、それを完全に消し去ることを約束するものではありません。

単一プロバイダー依存の軽減

集合は複数のプロバイダーにまたがるため、単一のプロバイダーのロードマップ、価格、方針だけであなたのプロダクトが決まることはありません。

動的な専門化

タスクに応じて適切な専門家を、リアルタイムに選出します。推論、コード、ビジョン、長文脈、低レイテンシ、それぞれの局面で。

よくある質問

一つひとつに、根拠となる項目、ファイル、あるいは数値を添えて、率直にお答えします。

導入と基本

はい。中核となるインターフェース(chat/completions、responses、embeddings、models)はそのまま差し替えて使える互換仕様で、意思決定の証跡を運ぶailin_metadataブロックが追加されるだけです。既存のクライアントの向き先をAilin¹のエンドポイントに変え、認証ヘッダーを差し替えれば、同じ形式のリクエストがそのまま動作します。

集合知のために構築されており、これはキャッチコピーではなく、具体的なエンジニアリング上の主張です。ルーティングはリクエストの行き先を決めます。オーケストレーションは、あなた自身が書いた手順をそのまま実行します。集合知は、複数のモデルがどのように推論し、相互検証し、統合するかを定義する層であり、ルーティング、オーケストレーション、検証はいずれも、それに奉仕する仕組みです。これらの仕組みは、名の知られた研究にさかのぼります。ホンとペイジの多様性予測定理(PNAS、2004年)、コンドルセの陪審定理(1785年)、そしてウーリーらの集合知因子「c」(Science、2010年)です。戦略の1つは、ソースコードの中でその名を冠してさえいます。diversity-ensembleは「Diversity Ensemble (Page Theorem)」として実装されています。1回のリクエストは、これらの戦略のいずれかのもとで複数のモデルを起動し、そこに至った経緯を示す意思決定の来歴とともに、1つの回答を返します。

稼働中のカタログには107,175の発見可能なモデル識別子があり、数十のプロバイダーにわたって継続的に検出され、能力タグが付与されています。誰かが手作業で編集する静的なリストではありません。1回のリクエストがそのすべてに触れることはありません。各集合戦略が起動するのは、それが必要とする部分集合だけであり、カタログ全体が動くことはありません。

Ailin¹ コレクティブと戦略

ailin-auto(バランス重視の既定値。カスケードに判断を任せる)、ailin-best(品質優先、コスト上限なし)、ailin-fast(レイテンシー優先、単体モデル)、ailin-economy(コスト優先、絶対的な上限を強制)、ailin-consensus(独立した相互検証による正確性)の5つです。まずはailin-autoから始めてください。他を選ぶのは、ルーターが知り得ない事情をあなたが把握しているときだけで十分です。

既定ではAilin¹が決めます。Ailin¹ Collectiveのルーティングカスケードを通じて、何かを指定していれば明示的ルーティングが、指定がなければトリアージが判断します。モデル、エイリアス、戦略を直接固定すれば、どの層も上書きでき、その選択が常に優先されます。ほとんどの統合では、その必要は生じません。

高速な層から順に評価される、階層型のカスケードです。指定があれば明示的ルーティング。次に、タスクを分類して戦略へ対応づけるトリアージ。その特定のタスク領域で過去に効果が高かった構成を再利用する構成アーカイブ。トレードオフを直接最適化するコスト/品質/レイテンシーのフロンティア。そして、実測された成果に基づいて戦略に重みを与える学習型戦略選好(トンプソンサンプリングのバンディット)。中間の3層は、対象となる領域で少なくとも5件の成果が記録されるまで有効になりません。それまでは、決定論的で監査可能なフォールバック・ヒューリスティックが判断を下します。これは、上位のどの層もリクエストを解決できない場合に、すべての層を下支えする同じヒューリスティックです。

オーケストレーションエンジンには32の戦略が登録されており、ルーティングされた単体モデルから、9エージェントのスウォームが問題を並列に探索する構成までを網羅します。現時点で自動的に選ばれるのは約11ですが、残りは明示指定専用で、名前を指定した瞬間に完全に機能します。32のいずれも<strategy>:<tier>、たとえばconsensus:largeのように直接指定でき、正確な機構と価格ティアを固定できます。

オープンエンドなクリエイティブライティングとコードのリファクタリングでは、当社の(サンプル数の少ない)戦略比較において、強力な単体モデルが集合全体を明確に上回りました。客観的に検証可能なタスクでは、この結果が逆転します。検証済みの合意戦略は38問中37問(97%)を正答し、同時にテストした単体のフラッグシップモデルは68から82%にとどまりました。Ailin¹は、そうしたリクエストに既定で合意形成を強制することはなく、どちらの方向であれ自社の推測を押しつけることもありません。フィールド1つで一貫した単一の声(ailin-fast、strategy: "single")が得られ、本当に必要なのがそちらであれば、同じフィールド1つで独立したマルチモデル検証(expert-panel、tri-role-collective)も得られます。

コストと責任

はい、リクエスト単位で制御できます。max_costは、モデルが1つも呼び出されないうちに支出を絶対的な上限で抑えます。実行される戦略の推定コストがそれを超える場合、リクエストは黙って予算を超過するのではなく、400 strategy_budget_exceededで失敗します。quality_targetは対になる下限です。すべての回答は、明細付きの実際の数値をailin_metadata.cost_usdとして返します。マルチモデル戦略は、単体モデルより明確にコストが高くなります。機械が判定できるタスク(構造化抽出、数学、テスト付きのコード、事実に基づくQA)では、この割増分はほぼ消えます。検証済み戦略の決定論的な短絡が働くと、当社の最新のフロンティアベンチマークで測定された集合のコストは約$2.98/Mtokであり、未検証の集合の経路よりおよそ100倍安く、単体モデルの価格とほぼ同じ桁に収まります。

すべての回答には、あなたの回答を生成した正確なモデルを示すailin_metadata.final_decider_model_idに加えて、final_decider_role(primary、synthesizer、fallback、cacheのいずれか)と、参加したすべてのモデルをそれぞれのコスト、レイテンシー、結果とともに列挙する完全なsubcalls[]配列が付属します。品質上の問題をプロバイダーにエスカレーションする際に意味を持つのは、「Ailin¹ API」ではなく、この識別子です。マルチモデルの判断がなぜそのような結果になったのかを再構築する必要がある場合は、永続化された調整トレースを有効にしてください。GET /v1/collective/runs/:id/traceは、すべてのフェーズをミリ秒単位で示すタイムラインを返します。これは、あるテナントが別のテナントの実行の存在すら確認できないように設計されており、他人の実行IDを検索しても、一度も作成されたことのない実行と同じ404が返るだけです。

エビデンスと信頼

客観的に検証可能な10のタスク(主観的な判断ではなく、機械的に確認できる回答)からなるベンチマークを38回実行したところ、決定論的検証器と組み合わせた合意戦略は、当社の評価で38問中37問を正答しました。同時にテストした個々のフラッグシップモデル(GPT-5.5-pro、Claude Opus 4.8、Gemini 3.1 Pro、Grok 4.3)は68から82%にとどまりました。3回の全ラウンドを通じて、検証器が客観的に誤った回答を選んだことは一度もありません。検証器がなければ、他の集合戦略はフラッグシップモデル単体と同じ範囲に落ち着きます。つまり、この優位性はモデルの数ではなく検証器によるものです。報告されたスコアは、公開された生データと評価チェッカーから再計算できます。当社の言葉を鵜呑みにせず、ご自身で実行してください。

いいえ、あなたの生のプロンプトは対象外です。学習データのエクスポートパイプラインは、プロンプトの内容には一切触れません。エクスポートされるのは匿名化された運用メタデータのみ(使用された戦略、コスト、レイテンシー、品質スコア)であり、トレースIDはシークレットペッパーを加えたSHA-256でハッシュ化され、16文字に切り詰められます。また、ステージングされる前に、組織およびユーザーの識別子はすべて除去されます。このペッパーが設定されていない場合、エクスポートジョブは、保護されていないデータを書き出すのではなく、実行そのものを拒否します。

すべての呼び出しは、認証、テナント分離、クォータの強制、能力に基づいてフィルタリングされるルーティング、そしてリクエストトレーシングを経由します。これは現時点で稼働中であり、サプライチェーンとライセンスのコンプライアンスも同様です。AGPLセクション13のコンプライアンスエンドポイント(/source、/license)、SLSA/Sigstoreによるリリースの来歴証明、そしてSPDX形式のSBOMが、すべてのリリースに同梱されます。まだ済んでいないこと、それは正式な認証です。SOC 2とISO 27001は進行中であり、認証取得済みではありません。調達手続きで特定の証明が必要な場合は、当社のものを含めマーケティング資料から推測せず、担当チームにお問い合わせください。当社の言葉を鵜呑みにする必要もありません。上記の数値の裏側にある協調エンジンはgithub.com/ailinone/collective-intelligence(AGPL-3.0-or-later)で公開されており、ベンチマークのスクリプトと生データもリポジトリに含まれています。

AIの集合の時代を、共に築きましょう

AIの次のフロンティアは集合知であり、それはオープンに構築されるべきです。当社のベンチマークでは、検証済みの合意戦略が客観的に検証可能な38問中37問を正答し、単体で稼働するフラッグシップモデルは68から82%にとどまりました。誤った回答を選んだことは一度もありません。ドキュメントはAPIの全容を網羅しています。リポジトリには、調整エンジンそのもの、ベンチマークスクリプト、そしてその結果の基になった生データが収められています。

早期アクセスをリクエスト 集合知で構築する ⭐ GitHubで集合知にスターを