All Posts

先日、株式会社GhostDrift数理研究所は、AI判断を後から確かめる「責任OS」の基礎理論を、情報学とLean 4による形式化として公開しました。 関連プレスリリース： https://prtimes.jp/main/html/rd/p/000000004.000182721.html このプレスリリースで伝えたかったことは、単に新しい技術資料を公開した、ということではありません。 AIが判断する場面は、すでに増えています。文章生成、需要予測、配送ルート、与信、医療支援、行政手続き。企業や組織の中で、AIは「便利な補助ツール」から、業務上の判断候補を出す存在へ変わりつつあります。 しかし、そこで新しい問題が出てきます。 AIが判断した。担当者も確認した。ログも残っている。 それでも問題が起きたときに、「AIは何を見てそう判断したのか」「人間はどこまで確認していたのか」「なぜその判断を会社として正式運用に採用したのか」が、後から十分に説明できないことがあります。 これはAIの精度だけの問題ではありません。AI判断を、会社として引き受けられる状態

1. AXは広がっているが、まだ半分しか定義されていない AXとは、AI Transformation、つまりAIによる予測・判断・自動化を前提に、業務・組織・意思決定のあり方を再設計することである。単なるAI導入ではなく、経営や業務構造そのものの変革として語られている。 経済産業省は、AXの進展やAI・データ活用の重要性を踏まえ、デジタルスキル標準ver.2.0を改訂し、AI実装・運用やAIガバナンスに関するスキルも追加している。また、ソフトバンクなどの企業解説でも、AXは「AIで業務プロセスやビジネスモデルを変える取り組み」として説明されている。 DXがデジタル化による業務変革だとすれば、AXはAI判断を業務・経営の中に組み込む変革である。 しかし、現在のAX論には大きな空白がある。 AIで業務を変えることは語られている。しかし、AI判断を会社として正式運用に入れてよい状態とは何か、までは十分に語られていない。 ▼関連のプレスリリースはこちら https://prtimes.jp/main/html/rd/p/000000004.000182

1. AIガバナンスの主戦場は変わった AIガバナンスの主戦場は、単に「AIを開発できるか」ではなく、「AI判断を社会が採用できる形にできるか」へ移りつつある。 EU AI Actは、高リスクAIに対して、リスク管理、データ品質、ログによるトレーサビリティ、技術文書、人間による監督、堅牢性、サイバーセキュリティ、正確性などを求めている。つまり、世界ではすでに「信頼できるAI」という理念だけでなく、それをどう測り、どう記録し、どう運用するかが問われている。 この文脈で、日本から出てきている二つの方向性は重要である。 一つは、AIそのものの品質・リスク・挙動を評価し、モニタリングする方向である。もう一つは、AI判断を会社として正式運用に入れるための条件と証拠を、あとから検証できる形で固定する方向である。 前者の代表的な方向性を示しているのがCitadel AIであり、後者の方向性を示しているのがGhostDrift数理研究所である。 ▼関連プレスリリース（GhostDrift） https://prtimes.jp/main/html/rd/p/00

At GhostDrift Mathematical Institute, Inc., we recently published a set of foundational Responsibility OS theories formalized in Lean 4, available on GitHub. The technical deep-dive into the Lean formalization is covered in a separate article. This one takes a different angle. We want to explain why this needed to be built — through the lens of AX (AI Transformation) and the specific design problem engineers hit when moving AI from pilot to production. ▼Press Release...

「AIを導入したか」では、もう差がつかなくなる。AX、つまりAIトランスフォーメーションが進むほど、企業に問われるのは次の一点になる。 AIの判断を、会社が正式運用で採用できる状態にしているか。 ここが、AX時代の本当の詰まりどころである。 ▼関連プレスリリースはこちらhttps://prtimes.jp/main/html/rd/p/000000004.000182721.html AXは「AIを試す段階」から「AIを業務判断に入れる段階」へ進んでいる 経済産業省は2026年4月、デジタルスキル標準ver.2.0を公表し、AXの進展とデータ活用の重要性を明示した。改訂では、AI活用の進展を踏まえ、データマネジメント、AI実装・運用、AIガバナンスに関するスキルが追加されている。 これは、AI活用が「便利なツールを入れる」段階から、業務、組織、判断プロセスそのものに入る段階へ移っていることを意味する。 しかし、AIが業務判断に入るほど、企業は避けられない問いにぶつかる。 そのAI判断を、会社として採用してよいのか。 プレスリリースが突いた穴：「人

AIをどう使うか、という段階から、AIをどう信頼して正式運用に入れるか、という段階へ。 生成AIや自律型AIの導入が進むなかで、いま世界的に「AIアシュアランス」という領域が立ち上がりつつあります。 Forbes JAPANの記事「次の巨大市場『AIアシュアランス』とは？」では、AIアシュアランスを、AIを安全かつ信頼できる形で導入・運用するために必要な技術、制度、インフラ、サービスの総称として紹介しています。また同記事では、AIアシュアランス市場が2023年の16億ドルから、2030年には2760億ドル規模へ拡大するとの予測が紹介されています。 この流れは、AIの性能競争だけでは社会実装が進まないことを示しています。 ▼プレスリリースはこちら https://prtimes.jp/main/html/rd/p/000000004.000182721.html 企業が本当に必要としているのは「信頼の根拠」 企業にとって重要なのは、AIが「もっともらしい答え」を出すことだけではありません。 その判断を会社として採用できるのか。何を見てそう判断したの

先日のプレスリリースでは、責任OSおよびALSの基礎理論群をLean 4で形式化・公開しました。本稿はその補足記事です。 「なぜAIを評価・監視するだけでは足りないのか」「責任OSはAIガバナンスの何が違うのか」を整理します。 プレスリリース本文はこちら： https://prtimes.jp/main/html/rd/p/000000004.000182721.html まず、既存のAI評価・監視基盤の話から AIガバナンスの分野では、すでに優れた基盤があります。 代表的な例として、株式会社Citadel AIがあります。Citadel AIは、AIの開発からガバナンスまでを支える共通基盤を提供し、安全性・セキュリティ・コンプライアンス上のリスク低減とAI性能の向上を支援しています。また、Citadel Lensは開発段階のAI品質評価、Citadel Radarは運用段階の自動モニタリングを担うプロダクトとして説明されています。 これは重要な領域です。AIシステムが信頼できる状態にあるかどうかを評価・監視する仕組みは、AIを社会で使うために

GhostDrift数理研究所の「責任OS × 情報学 × Lean形式検証」に関する取り組みを、Real Sound Techにてご紹介いただきました。 https://realsound.jp/tech/2026/06/post-2441602.html 今回の記事で特にありがたかったのは、責任OSを単なる技術用語としてではなく、AI時代の現実的な問題として扱っていただいた点です。 AIの判断は、これから業務の中に深く入り込んでいきます。物流、医療、金融、自治体、製造業など、さまざまな現場で、AIが候補を出し、人間が確認し、会社として採用する場面が増えていきます。 しかしそこで、「人間が確認しました」だけで本当に十分なのか。私たちが取り組んでいるのは、まさにこの問題です。 AIの判断を正式運用で採用するには、少なくとも次のことが後から確かめられる必要があります。 どの情報を見て判断したのか。どこまで確認したのか。どの条件なら差し戻すべきだったのか。誰がその判断を会社として引き受けたのか。 これらが残っていなければ、事故や不具合が起きたあとに、

先日、責任OSの基礎理論群をLeanで公開しました。プレスリリースを読んでくださった方から「難しそうだけど、結局何が問題なの？」という声をいただいたので、今日はもう少しくだけた言葉で書いてみます。 「ログがある」と「説明できる」は、別の話 AIを使っている現場でよく聞く言葉があります。 「うちはちゃんとログを残しています」 「担当者が最後に確認しています」 「何かあれば追えるようにしています」 これ、全部正しいんです。でも、実際に問題が起きたとき、こういう場面になることがあります。 物流会社でAIが配送ルートを判断した。担当者も画面を見て「OK」を押した。でも翌日、荷物が届かない事態が起きた。「なぜそのルートを選んだのか」を調べようとしたら、ログには「ルートCを選択」とだけ書いてある。なぜルートCだったのか、どの条件を見てそう判断したのか、担当者はどこまで確認していたのか——それが残っていない。 これが「ログはあるけど説明できない」という状態です。 人間が確認すれば安心、は前提じゃない 「最後は人間が見ているから大丈夫」という考え方、直感的には正

AIアシュアランスと、広島発の取り組みについてお話ししました 株式会社GhostDrift数理研究所は、このたびラジオ番組「社長！あなたの〇〇教えてください。」に出演しました。 番組では、当社が取り組む AIアシュアランス、すなわちAIの判断を企業が正式運用で採用できる状態にするための考え方についてお話ししました。 AIが自律的に判断する場面が増えるほど、重要になるのは「AIが正しそうに答えたか」だけではありません。その判断を、どの条件で、誰が確認でき、後からどのように確かめられるのか。当社はこの点を、責任OSやADICといった数理的な仕組みによって支えることを目指しています。 特に現在は、広島発の取り組みとして、AIアシュアランスを物流領域に実装していく検証を進めています。自律型AIの活用を、単なる効率化ではなく、企業が責任をもって採用できる形にする。そのための実証を、広島の企業の皆様とともに進めていることは、当社にとっても大きな意味を持つ取り組みです。 AI時代に必要なのは、AIを使うことそのものではなく、AIの判断を社会や企業活動の中で安心

A technology for determining, from the design stage, whether an autonomous AI system is ready for official operation AI assurance is often discussed as something that happens after a system is deployed. Review the logs.Check the audit trail.Evaluate the risks.Prepare the governance documents.Confirm that a human approved the output. All of these matter. But for autonomous AI systems, they are not enough. The real issue is not only whether the AI produced a good output.The dee

AIアシュアランスは、運用後にログを確認するだけの話ではありません。 自律型AIシステムでは、完成後に問われるのは、AIの出力そのものだけではありません。その出力を、会社の正式な業務判断として扱える状態になっているかが問われます。 どの情報に基づいたのか。どの条件を満たしたため処理が進んだのか。例外や変更が起きたとき、どこへ戻って確認するのか。後から同じ判断を再確認できるのか。 ここが曖昧なまま開発が進むと、完成後にログを増やしても、承認フローを追加しても、本質的な欠落は埋まりません。 つまり、AIアシュアランスの多くは、完成後ではなく設計段階ですでに決まっています。 同じ「承認済み」でも、何を確認したのかが違えば意味は変わります。同じ「ログあり」でも、後から判断を再確認できなければ十分ではありません。同じ「人間確認済み」でも、確認した範囲が曖昧なら、正式運用の根拠としては弱くなります。 必要なのは、記録の量ではありません。後から確認すべき差が、システムの中で消えないことです。 ここに、ADICの役割があります。 ADICは、AIが「正しい答え」

A Zenodo preprint by Hidemitsu Maeki of GhostDrift Mathematical Institute, titled “Unified Proof of the Collatz Conjecture III: Finite-Core ADIC Certificate for Collatz Dynamics,” has been confirmed as indexed in PERMATA, the library search platform of Universiti Teknologi MARA (UiTM), Malaysia. https://permata.uitm.edu.my/page/page.php?p=016&recordno=2301187&id=oa2301187&cat=EJURNAL&lang=ms On the PERMATA record, the work is listed as HARVEST (oa). The record identifies the

弊社代表がZenodoで公開したプリプリント「コラッツ予想の統一的証明 III コラッツダイナミクスの有限核 ADIC 証明書」 が、マレーシアの Universiti Teknologi MARA（UiTM）図書館検索基盤 PERMATA に、OAメタデータとして収録されていることを確認しました。 https://permata.uitm.edu.my/page/page.php?p=016&recordno=2301187&id=oa2301187&cat=EJURNAL PERMATA上では、当該資料は HARVEST（oa） として表示され、著者は MAEKI, HIDEMITSU、発行元は Zenodo、資料種別は info:eu-repo/semantics/preprint、識別子として DOI 10.5281/zenodo.17677801 が記録されています。収穫元も ZENODO と表示されています。 今回の収録は、査読誌への掲載や、UiTMによる研究内容の評価・認定を意味するものではありません。位置づけとしては、Zenodo

はじめに AIシステムの判断を「後から検証できる」と言うとき、現場が直面するのは技術的な問いです。 監査ログは残っている。しかし、何が足りないのか 「人間が確認した」という記録は残っている。しかし、何を確認したのか AIが「承認」と出力した。しかし、どの条件を満たしてその出力に至ったのか この記事では、GhostDrift数理研究所が公開した責任OSのLean 4形式化を通じて、AIアシュアランスに必要な「責任情報」とは何か、そして通常の監査ログでは何が構造的に足りないのかを技術的に整理します。対象読者は、AIシステムの設計・監査・ガバナンスに関わるエンジニア、およびAIアシュアランスの技術基盤に関心のある方です。 1. 通常の監査ログでは何が足りないか 監査ログが記録できるもの 通常の監査ログは以下を記録します。 いつ（タイムスタンプ） 誰が（操作者、システムID） 何をしたか（操作内容、出力結果） これは「何が起きたか」の記録です。 監査ログで答えられない問い しかし、AI判断の責任を後から検証しようとすると、次の問いには答えられません。問い

AI Assurance Is Not Only an Accountability Industry “Making AI explainable” — this phrase now fills governance documents and vendor materials alike. But being explainable and being verifiable are two different things. An accountability industry aims to produce a state in which someone can narrate, after the fact, who did what. But in a society where autonomous AI issues decisions across multiple actors and organizational boundaries, that is no longer sufficient. What is neede

AIアシュアランスは、説明責任だけの産業ではない 「AIを説明できるようにする」——この言葉は、今やガバナンス文書にもベンダー資料にも溢れている。しかし、説明できることと、検証できることは、別の話だ。説明責任（accountability）の産業は、誰が何をしたかを事後に語れる状態を目指す。だが、自律型AIが複数の主体をまたいで判断を下す社会では、それだけでは足りない。必要なのは、AI判断の根拠・順序・停止条件・責任記録が、処理の合成後も切り離されずに保持され、後から第三者が機械的に検査できる構造——すなわち「責任情報」の産業である。GhostDrift数理研究所が公開した責任OSのLean形式化は、その責任情報に最低限どんな構造が必要かを、情報学的に固定する試みだ。 通常の監査ログに何が欠けているか 現在の監査ログは「何が起きたか」を記録する。タイムスタンプ、操作内容、処理結果——これらは確かに残る。しかし、次の問いには答えられない。 そのAI判断は、どの証拠に基づいていたのか 判断の順序が変わっていたら、結果は変わっていたか...

AI governance has long relied on a simple assurance pattern: in the end, a human reviews the decision. That pattern feels intuitive. It gives organizations, regulators, and the public a familiar anchor. If a person checked the output, then responsibility appears to remain human, accountable, and socially recognizable. But this assumption breaks down under coverage constraints. When the number of items to be reviewed is J and the available human review budget is B, the conditi

AIガバナンスでは長く、「最後は人間が確認する」という考え方が安全性と正当性の支えとされてきました。 しかし、確認対象数 J に対して人間のレビュー予算 B が不足する B < J の状況では、人間がどれほど誠実に確認しても、構造的な見落としリスクが残ります。 この限界をLean 4で形式化したのが、ALS有限実験カーネルです。 ▼ ALS finite experiment kernel https://github.com/GhostDriftTheory/als-finite-experiment-kernel/tree/main ALSが示すのは、「AIの方が人間より常に正しい」という主張ではありません。示しているのは、カバレッジ制約下では人間レビューに minimax-risk の下限が生じ、一定の指数誤差上界を満たすアルゴリズム検証チャネルが、その下限を厳密に下回りうるという構造です。 つまり、ある条件下では、正当性の根拠は「人間が見たこと」から、「検証可能なアルゴリズムチャネルが、どの仮定の下で、どのリスク上界を満たしたか」へ移りま

2026年6月16日、当研究所サイトのアクセス解析上で、AI Visibilityに関する継続的な観測ログを確認しました。 今回の記録は、2026年3月に公開したZenodo論文「Concept–Reference Emergence under Generative Search: An Observational Single–Case Study of GhostDrift Mathematical Institute」の後続観測として位置づけられます。 論文リンク：https://zenodo.org/records/19029950 3月時点の観測は、一過性ではなかった 2026年3月15日に公開した記事では、過去30日間の集計において、サイト全体で「AIによるユーザークエリ」2,112件が表示されたことを記録しました。 今回、2026年6月16日時点の過去30日間では、同じアクセス解析上で「AIによるユーザークエリ」が3,412件と表示されています。 一方で、直前期間との比較では12%減少しており、単純な右肩上がりとして表現するのは適