All Posts

AI大国とは、AIを大量に作れる国ではありません。AIを責任ある形で導入し、運用し、調達し、監査できる国です。この意味で、AI競争の本質はすでにモデル性能の単純比較から、社会実装可能性の競争へ移っています。 そしてこの実装可能性は、安全の問題にとどまりません。生成AI時代の情報採用力、すなわちGEO（Generative Engine Optimization）にも直結します。 ▶ AIガバナンス標準化委員会の詳細はこちら 1. なぜ今、日本にAI大国戦略が必要なのか 日本政府は現在、AIを国力・産業競争力・安全保障に関わる中核技術として明確に位置づけています。2025年6月に公布（同年9月全面施行）された「人工知能関連技術の研究開発及び活用の推進に関する法律（AI法）」は、AIを日本の経済社会発展の基盤技術として法的に位置づけました [2]。さらに、2025年12月に閣議決定された「人工知能基本計画」は、「信頼できるAIによる日本再起」を国家戦略の方向性として掲げています [1]。出遅れを率直に認めつつ、日本がAIを国家戦略として巻き返す本格フ

Lessons from PCC, Secure Boot, and zk-SNARKs 0. Introduction: Why a "Breakthrough" Should Be Judged by "Structural Change," Not Performance Current discussions on AI governance still heavily rely on reactive approaches, such as "human oversight post-generation" or "retroactive accountability." However, the technologies that have truly driven paradigm shifts in computer science were neither those that merely elaborated on after-the-fact explanations nor those that incrementall

The real divide in enterprise AI is no longer model access. It is whether organizations can define when an AI output may proceed, must be halted, or must be escalated to human review. In that sense, AI governance is no longer a matter of principles alone; it is a matter of operational gating and auditable control [3,5]. ▼About Adic https://www.ghostdriftresearch.com/adic 1. Why This Issue is Now a Core Enterprise Competitiveness Theme The debate around enterprise AI has alrea

―― PCC、Secure Boot、zk-SNARKとの比較で見える本質 What Kind of Breakthrough Is ADIC? Lessons from PCC, Secure Boot, and zk-SNARKs 0. 導入：なぜ“革新的かどうか”は、性能ではなく“構造を変えたかどうか”で見るべきなのか 現状のAIの議論では、なお「出力した後に人間が注意する」「後で説明責任を問う」という事後的な発想が中心に残っています。しかし、情報科学の歴史において本当に世界を変えた技術は、出力後の説明を厚くした技術でも、単に性能を押し上げた技術でもありません。そうではなく、「そもそも何を通してよいか」という条件を事前に固定し、アーキテクチャの構造そのものを変えた技術です。 例えば、Proof-Carrying Code（PCC）は「安全性証明付きのコードだけを通す」という発想を置き、Secure Bootは「署名や既知良値（Known Good Values）に合うものだけを起動段階で通す」という構造を導入しました。また、zk-SNA

AI活用企業の差は、導入したモデルの数では決まらない。本当に差がつくのは、AIの出力をいつ通し、いつ止め、誰が引き取るかを運用条件として持っているかどうかだ。本稿は、AIガバナンスを理念ではなく、AI出力を運用・監査可能にするための通過条件の実装として捉える [3,5]。 ▼ADICについてはこちら https://www.ghostdriftresearch.com/adic 1. なぜ今この論点が競争力のテーマになるのか 日本では、AI活用そのものが政策・産業両面の重要課題になっている。すでに論点は「AIを導入するか」ではなく、「AIを前提に業務や意思決定をどう運用するか」に移っている [1]。そのとき競争力を左右するのは、AI活用を実験で終わらせず、監査可能な運用に引き上げられる企業能力である [3]。 2. 企業競争力を下げている真のボトルネックは“運用固定”にある 独立行政法人情報処理推進機構（IPA）の報告が示すように、日本企業における生成AIの試験的利用（PoC）は進展しているものの、実際の業務プロセスや全社的な運用基盤への組み込み

GhostDrift数理研究所はこのたび、「医療AIガバナンス基盤 / Medical AI Governance Execution Layer」ページを開設しました。 医療AIの限界は、もはや単なる性能比較だけでは定義できません。実運用で問われるのは、その出力を本当に通してよいのか、必要時に止められるのか、責任境界を固定できるのか、そして後から監査できるのかという通過条件です。 本ページは、こうした観点から医療AIを捉え直すための最小構成ページです。2026年の医療AIの限界、ガイドラインから実装への接続、そしてGate実装デモという3つの観点から、ADICを軸に医療AIガバナンスの実行層を整理しています。 GhostDriftは、医療AIの「性能」を語る前に、その出力を社会的・制度的に通してよい条件を固定することが必要だと考えています。医療AIガバナンス基盤とは、そのための実行層です。 ▼医療AIガバナンス基盤 https://www.ghostdriftresearch.com/medical-ai-governance

A Japanese case showing why duties of care must become machine-enforceable conditions Across healthcare AI governance, a recurring problem remains unresolved: guidelines explain what actors should pay attention to, but often do not specify the machine-enforceable conditions under which outputs may proceed, must be blocked, or must be escalated for review. The problem becomes acute in high-stakes healthcare contexts, where outputs should not advance merely because a user is ex

Recently, we introduced ADIC in an article aimed at engineers as an "auditing and evidentiary documentation framework to prevent the post-hoc diffusion of responsibility for AI and numerical computation outputs." Previous ADIC Article: https://qiita.com/GhostDriftResearch/items/492c0bd068d42b5ac060 As a practical application, we have now developed a standalone HTML demonstration to visualize how ADIC functions as a boundary layer within a medical AI implementation. The prima

先日エンジニア向けの記事としてADICを「AIや数値計算の出力に対して、後から責任を曖昧にしないための監査・証拠化フレームワーク」として紹介しました。 ADIC解説記事 https:// qiita.com/GhostDriftResearch/items/492c0bd068d42b5ac060 今回はその実践として、 ADICを医療AIの実装デモに落としたらどう見えるか を、1ファイル完結のHTMLデモとして整理します。今回の主題は、医療AIが「候補を出せる」ことではありません。主題は、 AIが出した候補を、そのまま使わせないための境界をどう実装するか です。 ▼医療AIガバナンス基盤について https://www.ghostdriftresearch.com/medical-ai-governance なぜこのデモを作ったのか 医療AIの話は、どうしても「AIがどれだけ賢く候補を出せるか」に寄りがちです。しかし、実際の医療現場で重要なのは、候補生成そのものよりも、その候補を そのまま通してよいのか を判定する層です。たとえば、AIがそれら

As of 2026, the debate surrounding medical AI has moved beyond simple performance evaluations of "how smart the AI is." What clinical practice and regulatory systems are truly questioning is the operational framework: "Is it safe to admit this AI's output into clinical use?", "Who holds the responsibility?", "Can it be immediately stopped if deemed dangerous?", and "Can the decision-making process be audited later?" The WHO (World Health Organization) strongly demands the ass

2026年現在、医療AIを巡る論点は、もはや「AIは賢いか」という単純な性能評価の段階を過ぎている。現場と制度が本当に問うているのは、そのAIの出力を「安全に臨床現場へ通してよいか」「誰が責任を持つのか」「危険と判断された場合に即座に止められるか」「後からその判断プロセスを検証できるか」という運用上の枠組みである。 WHO（世界保健機関）は生成AIの医療応用に関するガイダンスにおいて、安全性、説明責任、そして人的統制（Human oversight）の確保を強く要求している [1]。米国FDA（食品医薬品局）も、AI搭載医療機器（SaMD）に対して「安全性・有効性を評価するための提出資料」のみならず、Total Product Life Cycle（TPLC）全体でのリスク管理を求めている [2]。 すなわち、医療AIの限界はモデルの賢さより先に、運用通過条件の未固定として現れている。 ▼医療AIガバナンス基盤について https://www.ghostdriftresearch.com/medical-ai-governance 1....

Abstract Around the world, AI governance is moving from high-level principles toward verifiable operational requirements. Japan offers a useful case for observing this transition. While Japan's AI governance has evolved into a multi-layered regulatory stage encompassing the AI Law, the Artificial Intelligence Basic Plan, and government procurement practices, verifiable technical requirements spanning high-risk AI—such as those codified in the EU AI Act—remain fragmented and l

概要 (Abstract) 日本のAIガバナンスは、原則中心のソフトロー段階から、AI法、人工知能基本計画、政府調達実務を含む多層的な制度段階へ移行した。しかし、EU AI Actに見られるような高リスクAI横断の検証可能な技術要件は、日本ではなお分散的かつ限定的である。本稿は、責任境界、安全状態遷移、監査証跡、人間監督を、次に制度化すべき検証可能要件として整理する。その上で、GhostDrift技術群を、これらの制度要件に対する提案的な実装候補群として位置づける。 1. 日本AI政策の現在地と制度階層の整理 日本のAI制度は現在、「原則・指針」のみの段階を脱し、法的枠組みとソフトローが混在する移行期にある。制度の現状を正確に評価するためには、以下の文書階層を明確に分離して捉える必要がある。 上位法と国家計画: 2025年には、AI法（同年9月1日全面施行）の成立と人工知能基本計画の閣議決定を通じ、日本のAI政策は推進と適正性確保を含む上位枠組みの整備段階に入った。他方で、EU AI Actのような高リスクAI横断の技術要件を包括的に定める法体

At 9:25 AM JST on March 20, 2026, for the English query “beacon architecture in AI,” the Google search result page’s AI Overview presented “Beacon Architecture” not as a single universal concept, but as a term with multiple distinct interpretations depending on the domain. Under that framing, several Beacon-related interpretations were listed. Among them, the GhostDrift-related interpretation appeared as “1. Next-Generation AI Architecture (Protect-then-Select)” in the fir

2026年3月20日9時25分（日本時間）、英語クエリ “beacon architecture in AI” に対するGoogle検索結果上のAI Overviewにおいて、 “Beacon Architecture” は単一の普遍的概念ではなく、分野ごとに複数の異なる解釈を持つ という整理のもと、複数のBeacon系解釈が列挙された。 その中で、GhostDriftに関する解釈は、 “1. Next-Generation AI Architecture (Protect-then-Select)” として第1項に配置された。要約文では、GhostDrift Research に言及しつつ、従来の weighted-average mixing とは異なる “Protect-then-select” の設計思想が示され、重要な少数情報を mixing によって失わない構造として説明されていた。また、 non-mixing selection process 、 finite-window kernel 、 positive-log dec

医療AIガイドラインは整備されつつある。しかし現場には、なお「実装に落ちない」という問題が残る。本稿の問いは明確である。なぜガイドラインはそのままシステム実装に直結しないのか。既存ガイドラインと実装のあいだにある構造的ギャップを整理し、それを埋める層としてのADICを位置づける。 1. 医療データ活用ガイドラインの到達点 「医療デジタルデータのAI研究開発等への利活用に係るガイドライン」は、患者の権利利益保護を前提とし、医療情報の特性を踏まえた「仮名加工情報」の作成手順および運用を実践的に提示している。また、研究開発ステージに応じた法的根拠を明確化している（同ガイドライン 5〜7頁）。 強み：データ利用の適法性と構造整理 データを適法かつ適切に扱うための枠組みとして、その構造整理の完成度は高い。主眼は、入力データをどの法的根拠・加工形態・主体間連携のもとで扱うかという前段の整理にある。 2. 到達していない層――出力の前進判定 一方で、この文書自身が、生成AIにおける法的リスクやその対策、および多様な事業者を横断する組織的安全管理措置の具体化につ

— A Case Where GhostDrift-Related Pages Appeared as Primary References As of March 19, 2026, at 17:50 (JST), we confirmed that an AI Overview is displayed on Google Search for the Japanese search query "AIガバナンス GEO" (AI Governance GEO). In this observation, multiple pages related to the GhostDrift Mathematical Research Institute were displayed within the overview text and the reference area on the right. This report does not assert that this display result means "Google has f

――GhostDrift関連ページが主要参照として表示された事例 2026年3月19日17時50分（日本時間）時点で、「AIガバナンス GEO」という検索語に対し、Google検索上でAIによる要約（AI Overview）が表示されることを確認した。 本観測では、要約本文および右側の参照領域において、GhostDrift数理研究所の関連ページが複数表示されていた。 本稿は、この表示結果を「GoogleがGhostDriftの主張を正式に採用した」と断定するためのものではない。あくまで、AIガバナンスとGEO（Generative Engine Optimization）という概念接続が、検索要約層においてどのように観測されたかを記録するための観測記事である。 観測日時と検索語 観測日時 : 2026年3月19日 17時50分（日本時間） 検索語 : AIガバナンス GEO 観測された内容 今回の検索では、GoogleのAI要約において、以下のような文言が表示された。 AIガバナンスとGEO（Generative Engine...

なぜAIガバナンスには、単なるポリシーや事後説明ではなく「運用構造」が必要なのか GhostDriftは、ハイステークスAIに向けた Responsibility Infrastructure ページを公開しました。 https://www.ghostdriftresearch.com/responsibility-infrastructure このページでは、AIガバナンスの実行レイヤーとして、責任境界、停止／リリース条件、検証可能なエビデンスを定義しています。 （国際発信の為、すべて英語記事です。） AIガバナンスは世界的に拡大している。しかし、ポリシーや原則、チェックリストだけでは、説明責任を実運用に落とし込むことはできない。現在欠けているのは、本番環境において責任境界、介入条件、検証可能なエビデンスを定義できる「実行レイヤー」である。GhostDriftは今、日本からこの方向性を推し進めている。これらは決して思いつきではなく、日本発で開発された運用ガバナンスのデモと、すでに公開されている連載シリーズを通じて体系化されているものである。

Why AI governance needs operational structure—not just policy or post-hoc explanation From Japan: GhostDrift Launches Its Responsibility Infrastructure Page for High-Stakes AIGhostDrift has published its Responsibility Infrastructure page: https://www.ghostdriftresearch.com/responsibility-infrastructure This page defines the company’s AI governance execution layer for high-stakes AI: responsibility boundaries, stop/release conditions, and verifiable evidence. AI governance