> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/ja/2026/w20-heuristic-systems-and-the-checkout-strategy-platform.md).

# W20-Heuristic Systemと決済画面の戦略基盤

OpenAIのポストトレーニングエンジニア、翁家翌が先週、[Learning Beyond Gradients](https://trinkle23897.github.io/learning-beyond-gradients/)を公開し、新しいパラダイムを提案した。プログラム化された戦略、状態表現、フィードバック経路、実験記録、再生・テスト、過去の記憶、coding agentによる更新機構を組み合わせ、進化し続けるHeuristic System（HS）を作る。更新を駆動するのはHeuristic Learning（HL）で、変えるのはニューラルネットのパラメータではなく、ソフトウェアの構造だ。

読んで、なんという偶然だろうと思った。これは決済画面の戦略基盤がしていること、あるいはなろうとしているものを、正確に説明しているではないか。

戦略基盤の進化を「ルールをアルゴリズムで置き換える」とする見方は、再検討が必要だ。記事の概念では、作っているのはHeuristic Systemである。ルール層は業務の制約をリアルタイムで守り、大規模モデル層はオフラインで構造化した状態表現を作り、小規模モデル層は完全な状態に基づき戦略を決める。3層は、共通のデータ経路、実験体系、回帰テストを通じて協調して進化する。

多くのヒューリスティックなルールは、無用なのではなく、保守費用が高すぎるだけだ。適切な道具で維持費の増え方が緩やかになれば、ルールのシステムは長く保有できる。決済画面の約1000のルールも、多くが誤っているわけではない。階層化、テスト網羅、ライフサイクル管理のないシステムへ積み重なり、複雑さが制御不能になったのだ。

HLの中核の循環は、環境からのフィードバック → コンテキストを読む → policy・テストを変更 → 検証を再実行 → 結果を書き戻す → 次の回、である。今の決済画面では、この循環が切れている。意思決定ログは不完全で、実験体系はなく、シミュレーション再生もできず、入力となる環境のフィードバックを構造的に集めていない。したがって、完全なデータ経路、意思決定ログ、実験体系、戦略の再生は、補助的な能力ではなく、HLの循環そのものの基盤だ。

HSには構造化された状態表現が要る。なければ、どれほど複雑なモデルでも、policyは浅い特徴量だけで判断する。決済画面のKYCで大規模モデルがしている仕事は、本質的にはこの状態表現を作ることだ。リアルタイムの推薦ではない。直接表しにくい利用行動の特徴を、下流の戦略で使える構造化タグへ変えている。たとえば、その人がWeChatを使うのは習慣からか、補助金に敏感だからか、といったことだ。