責任OSを、AIの内側へ

kanna qed

8月13日

読了時間: 10分

「選択」と「意味状態遷移」を検証可能にする二つのAI基盤技術

先日、GhostDrift数理研究所は、「GD-Attention」と「意味生成OS（Meaning-Generation Operating System／MG-OS）」に関する2件のPCT国際出願と、両技術の限定された数理核をLean 4で形式化した公開リポジトリについて発表しました。

この発表だけを見ると、一つの疑問が生じるかもしれません。

AIやアルゴリズムの判断を検証する「責任OS」を研究してきたGhostDriftが、なぜAttentionや意味状態遷移といった、AIアーキテクチャそのものを研究するのか。

今回の記事では、その理由を説明します。

結論から言えば、GD-Attentionと意味生成OSは、責任OSに代わる新しい事業軸ではありません。

私たちはこの二つを、

責任OSが目指してきた「検証可能なAI判断」という考え方を、AIの外側から、その内側へ一段深く伸ばしていくための基礎AI研究

として位置づけています。

▼関連するプレスリリース https://prtimes.jp/main/html/rd/p/000000006.000182721.html

1．社会がAIに求め始めているのは、「良い答え」だけではない

AIの生成能力は急速に高まっています。

しかしAIが社会や企業活動の中へ深く入るほど、「良い答えを出せるか」だけでは解けない問題が増えていきます。

AIが何をしたのかを観測できるか。必要なときに人間が介入できるか。想定外の状態で止められるか。その判断を後から確認できるか。

2026年7月、AIセーフティ・インスティテュート（AISI）は「AIセーフティに関する評価観点ガイド」を第1.20版へ改訂しました。AIエージェントシステムの普及を踏まえ、自律的な挙動や外部環境との相互作用を評価するため、新たに**「観測と制御」**という観点を追加しています。

米国NISTのAI Risk Management Frameworkも、AIを、一定の目的に対して予測・推薦・意思決定などを生成し、現実または仮想環境へ影響を与え得るシステムとして捉え、そのリスクを組織的に管理する枠組みを提示しています。

EU AI Actでも、高リスクAIについて、自動的なログ記録によるトレーサビリティ、人による監督、精度・堅牢性・サイバーセキュリティなどが制度上の要求として置かれています。人が必要に応じてAIの出力を無視・上書きし、安全な状態で停止できることも監督措置の一部として規定されています。

ここで注意したいのは、AISI、NIST、EUがGhostDriftの技術構造を提唱しているわけではないということです。

これらの一次文献から読み取れるのは、

AIの信頼性を、モデルの出力性能だけではなく、観測・制御・記録・監督・検証まで含めて考える方向が強くなっている

という社会側の変化です。

GhostDriftは、その要求を実際の技術構造へどう落とせるのかを研究してきました。

2．責任OSが扱ってきたのは、「AIと社会の境界」

責任OSの役割は、AIに正しい答えを考えさせることではありません。

AIやアルゴリズムが何らかの判断を生成したとき、

その判断を、社会や企業が正式な行為として採用してよいか。

その境界を検証することです。

たとえば、

必要な条件が成立しているか
判断を支える証拠が揃っているか
その証拠は現在も有効か
実行する主体に権限があるか
状況が変化した場合に停止できるか
判断と実行の経緯を後から再検証できるか

といった条件を、AI自身の自己評価とは独立して確認する。

簡単に言えば、

「AIがそう判断した」ことと、「企業がその判断を正式に採用できる」ことを分離する。

これが責任OSの基本的な考え方です。

しかし、この研究を進めていくと、もう一つの問いに行き着きます。

では、そのAI判断が生成されるまでの内部過程は、どこまで検証可能にできるのか。

3．AIの最終出力より一段手前に、「遷移」と「選択」がある

現在のAIは、いきなり最終出力を生み出しているわけではありません。

内部では、状態を更新し、複数の候補を評価し、何らかの情報を選択しながら出力へ到達します。

Transformerの基礎となった2017年の Attention Is All You Need は、再帰型・畳み込み型の構造を用いず、Attentionを中心とするTransformerアーキテクチャを提示しました。

標準的なScaled Dot-Product Attentionでは、queryとkeyの関係からSoftmaxで重みを算出し、その重みに基づいてvalueを統合します。

これは現在のAIを支える極めて重要な技術です。

一方、GhostDriftが今回研究対象にしたのは、その既存技術を単純に否定することではありません。

AI内部の意思決定を、

「どの状態へ移ってよいか」

と、

「複数の候補から何を選ぶか」

という二つの境界として、より明示的に扱えないか。

そして、その一部を第三者が検証できる数理構造として記述できないか。

そこから生まれたのが、意味生成OSとGD-Attentionです。

4．二つの技術が扱うのは、「遷移」と「選択」

意味生成OS——どの状態へ遷移してよいか

意味生成OSの国内基礎出願は、2025年8月5日に提出した特願2025-130509「非連続ジャンプ制御型意味生成OS」です。

同出願では、複数の評価を統合する共鳴関数、意味アトラクタ、状態間の障壁、ジャンプ方向、ジャンプ条件などを用いて、意味状態の変化を制御する構造を記載しています。

今回公開したLean 4の最小形式検証核は、この意味生成OS全体を証明したものではありません。

対象を限定し、

「現在の状態から、次の状態へ遷移する資格が成立しているか」

を証明書から検査する構造を切り出しています。

公開核では、アトラクタ選択、遷移経路上の共鳴低下証明、攻撃コストの上界、Margin／CBC+などを組み合わせ、certifiedJump、defer、failSafeという三つの判断状態を扱っています。

ここで中心にあるのは、生成能力ではなく遷移資格です。

GD-Attention——複数候補から何を選ぶか

GD-Attentionの国内基礎出願は、同じく2025年8月5日に提出した特願2025-130510「意味整合ジャンプ型非線形Attention制御装置」です。

国内出願では、queryと複数のkeyについて意味エネルギーを評価し、その評価に基づいて一つのkeyと対応するvalueを選択する構造が記載されています。

今回公開したLean 4の最小核では、意味通路の幾何、通路外での意味エネルギーの変化、一定の仮定の下での一意性、有限候補からの決定論的な単一選択などを形式化しました。

ここで扱っているのは、

「候補をどう生成するか」ではなく、「候補集合から何を正式に選ぶか」

です。

意味生成OSとGD-Attentionは、同じことを二度行う技術ではありません。

一方が遷移を扱い、もう一方が選択を扱います。

5．「遷移 → 選択 → 採用」を、一つの意思決定として考える

ここまでを責任OSまでつなぐと、今回の研究の位置づけが見えやすくなります。

【AI内部】

現在の状態
      ↓
意味生成OS
「どの状態へ遷移してよいか」
      ↓
GD-Attention
「複数候補から何を選ぶか」
      ↓
AIによる判断


──────── AIと社会の境界 ────────


責任OS
「この判断を社会・業務として採用してよいか」

・採用条件
・証拠
・権限
・停止条件
・責任記録
      ↓
正式な業務判断

この三層構造は、AISI、NIST、EUなどが提唱しているものではありません。

GhostDrift自身の研究仮説です。

意味生成OSは、

どこへ進むか。

GD-Attentionは、

何を選ぶか。

責任OSは、

その判断を社会が採用してよいか。

を扱う。

これらを一つの巨大なAIへ統合して、すべてを支配しようとしているわけではありません。

むしろ逆です。

異なる判断境界を分け、それぞれに異なる検証可能な構造を置く。

そこに今回の研究の意味があります。

6．なぜ、Lean 4まで公開するのか

今回の研究では、PCT国際出願だけでなく、両技術の限定された数理核をLean 4で公開しました。

これにも理由があります。

Leanの公式解説では、formal verificationとは、ハードウェアやソフトウェアなどのシステムを数学的に記述し、それが仕様を満たすという主張を論理的・計算的手法によって確認する営みとして説明されています。Leanのようなinteractive theorem proverでは、主張をproofによって支え、そのproof objectを機械的に検査するという考え方を取ります。

私たちが今回示したかったのも、

「こういうAI技術を考えています」

という概念だけではありません。

では、その中のどこまでを、現時点で機械的に確認できる数学的主張として切り出せるのか。

そこまでを公開することでした。

このため、今回の研究公開では三つの役割を分けています。

Patent発明として何を保護するのか。

Demoその考え方や挙動を、小規模な例でどう確認できるか。

Leanその中のどの数理命題を、機械的に検査できるところまで形式化したのか。

Leanを公開したからといって、AIシステム全体の正しさや性能が証明されたわけではありません。

意味生成OSについても、公開リポジトリ自身が、学習アルゴリズム、実際のLLM semantics、SDE、Morse stability、Pluralism Lower Boundなどを検証対象外として明示しています。

重要なのは、証明していないものを証明したように見せることではありません。

むしろ、

「ここまでは検証した。ここから先はまだ研究課題である」

という境界を明示すること。

それ自体が、検証可能なAI研究には必要だと考えています。

7．責任OSを、AIの内側からも発展させる

日本は広島AIプロセスを通じて、生成AIを含む高度なAIシステムについて国際的なルール形成を進め、2023年には国際指針と国際行動規範を含む包括的政策枠組みを承認しました。現在、その実践はG7の外にも広がっています。

さらに外務省は2026年7月に公表した「AI外交」で、日本のAI産業の海外展開とイノベーションを促進するためにも、各国と**「安全、安心で信頼できるAI」ガバナンス及びエコシステムを共創することが不可欠**だという方向性を示しています。

その大きな方向性の中で、AIの判断を第三者が検証可能にする技術基盤を日本から実装していくことが、GhostDriftの研究の社会的な位置づけです。

ただし、今回のGD-Attentionと意味生成OSそのものを、GhostDriftの新しい主軸に据えるわけではありません。

私たちの主軸にあるのは、これまでと同じ責任OSです。

今回の二つの技術は、その主軸を置き換える研究ではありません。

責任OSを研究してきたからこそ、

AIが出力した後だけを検証すれば十分なのか。

という次の問いが生まれました。

AIがどの状態へ移ったのか。

なぜその候補を選んだのか。

そして、その判断を社会が正式に採用してよいのか。

この三つは別々の問題です。

しかし、一つの意思決定の中では連続しています。

だからこそ、AIの外側に置く責任OSだけでなく、その内側にある「遷移」と「選択」についても、どこまで検証可能な構造へ近づけられるのかを研究する。

それが、今回のGD-Attentionと意味生成OSの位置づけです。

おわりに——それぞれの境界に、検証可能な構造を置く

AIがどの状態へ移るか。

何を選ぶか。

そして、その判断を社会が採用してよいか。

この三つは、別々の問題でありながら、一つの意思決定を構成しています。

GhostDrift数理研究所が目指しているのは、AIのすべてを一つの技術で制御することではありません。

それぞれの境界を明示し、それぞれに検証可能な構造を置くこと。

意味生成OSは、「遷移」という境界を。

GD-Attentionは、「選択」という境界を。

責任OSは、「社会的採用」という境界を。

それぞれ研究対象にしています。

GD-Attentionと意味生成OSは、責任OSに代わる新しい主軸ではありません。

責任OSという構想を、AI内部の意思決定まで見据えて発展させるための基礎AI研究です。

AIが判断を生成するところから、その判断を社会が正式に採用するところまで。

その一連の意思決定を、少しずつ**「第三者が検証できるもの」**へ変えていく。

それが、GhostDrift数理研究所が責任OSと次世代AI研究を同時に進める理由です。