All Posts

Social and Engineering Implications of Minimax-Risk Comparison in the Lean 4 Verified ALS Finite Experiment Kernel Overview The finite experiment kernel of the Algorithmic Legitimacy Shift (ALS) theory has been formalized in Lean 4 and published in an automatically verifiable format on GitHub Actions. This kernel does not make the normative claim that “algorithms are always superior to humans” in general AI governance. What is proven is a minimax-risk comparison: in a finite

Algorithmic Legitimacy Shift（ALS）理論における有限実験カーネルがLean 4で形式化され、GitHub Actions上で自動検証可能な形で公開されました。 本カーネルが示すのは、AIガバナンス一般において「人間よりアルゴリズムが常に正しい」という規範的な主張ではありません。証明されているのは、確認対象数 ![][image1] に対して人間のレビュー予算 ![][image2] が不足する ![][image3] の有限モデルにおいて、人間レビューには構造的なリスク下限が生じる一方、所定の指数誤差上界を満たすアルゴリズム検証チャネルは、その下限を厳密に下回りうる、という minimax-risk の比較です。 この結果は、「人間が最終確認すれば安全性・正当性が担保される」という素朴なヒューマン・イン・ザ・ループ観に対し、少なくとも有限実験モデル上では明確な反例構造を与えます。重要なのは、人間かAIかという二項対立ではなく、どちらのチャネルが、どの仮定の下で、より低い最悪ケースリスクを持つかを「再実行可能な証明」と

Introduction AI audit logs usually record what happened. For example: ```text 2026–06–15 10:00 AI system approved request X score = 0.87 label = approved ``` This is useful. But when we need to inspect responsibility later, it may not be enough. The same `approved` result can mean very different things: ```text The request was approved after all required conditions were verified. ``` or: ```text The request was approved while some required conditions remained unverified. ```

1. はじめに：情報には「重さ」がある 「宇宙人がいた」という情報と、「本があった」という情報は、同じ一文でも重さが違うように感じられる。 ただし、ここで扱う「責任情報の重さ」は、驚きや珍しさの話ではない。 責任情報が重いとは、後から責任状態を監査・検査・検証するために、消してはいけない区別を多く背負っている、という意味である。 AIが「承認」と出力した。ログにも「承認」と残っている。しかし、その判断がどの証拠に基づき、どの条件が確認済みで、どの条件が未確認で、どの来歴と証明書に支えられていたかが消えていれば、後から責任状態を検証することはできない。 この差を、今回公開した Lean リポジトリ responsibility-info-capacity では、有限容量として形式化した。 ▼責任情報容量　リポジトリ https://github.com/GhostDriftTheory/responsibility-info-capacity 2. 普通のログは「何が起きたか」を残す 多くの監査ログは、誰が、いつ、何をしたかを残す。...

This is not an article about the core of Responsibility OS. It’s a more abstract piece — a supporting line of thought about what “information” itself is — that sits behind the core kernel (ResponsibilityInfoKernel). As material, it borrows a famous thought experiment from physics: Maxwell's Demon. ▼Responsibility Information Lean https://github.com/GhostDriftTheory/responsibility-info-kernel What Maxwell’s Demon showed Maxwell’s Demon is a 19th-century thought experiment. A b

これは責任OSの中核を説明する記事ではない。中核(ResponsibilityInfoKernel)を支える、もう少し抽象的な「情報とは何か」という補助線の話である。素材として、物理学の有名な思考実験——マックスウェルの悪魔——を借りる。 ▼責任情報 リポジトリ https://github.com/GhostDriftTheory/responsibility-info-kernel マックスウェルの悪魔が示したこと マックスウェルの悪魔は、19世紀の思考実験である。気体分子の入った箱の真ん中に小さな扉があり、扉の番をする「悪魔」が、速い分子だけを一方に、遅い分子だけを他方に通す。すると何もエネルギーを与えていないのに、箱の片側は熱く、もう片側は冷たくなる——熱力学第二法則(エントロピーは減らない)に違反するように見える。 この問題は長く議論され、現在ではLandauerの原理を含む情報熱力学の文脈で整理されている。悪魔が「どちらに通すか」を判断するには分子の情報を記憶しなければならず、その記憶を消去するときに、必ず熱力学的なコストが発生する。

A scenario every AI governance team will recognize Imagine two different AI-driven workflows. In the first, an AI system flags a transaction as suspicious, and then a human reviewer approves it. In the second, a human reviewer approves the transaction first, and then the AI system flags it as suspicious — too late to stop it. Now imagine that both workflows end with the exact same outcome: the transaction is marked “approved,” the risk score is logged as “3,” and the audit da

AIガバナンス担当者なら見覚えのある光景 あるAIを使った業務フローを2つ想像してみてください。 1つ目では、AIがある取引を「不審」としてフラグを立て、その後で人間の担当者がその取引を承認します。 2つ目では、人間の担当者が先に取引を承認し、その後でAIが「不審」というフラグを立てます——もう取引は実行済みで、フラグは手遅れです。 ところが、この2つのフローの最終結果は同じだったとします。取引のステータスは「承認済み」、リスクスコアは「3」と記録され、監査ダッシュボードに表示されるサマリー行はどちらも全く同じものになります。 ダッシュボードから見れば、この2つの履歴は区別できません。しかし「説明責任」の観点からは、これは全く異なる2つの物語です。一方は「システムは設計通りに機能した」、もう一方は「安全装置はすり抜けられた」。インシデント調査がサマリーにしかアクセスできないなら、どちらが真実かを判定する手段がありません。 これは特殊なエッジケースではありません。実は、結果・スコア・ラベルだけを記録し、そこに至る履歴を捨てるシステムでは、これは構造

はじめに AIをビジネスに導入するとき、最初に詰められる論点は「誰の責任か」です。開発者の責任か、提供者の責任か、利用者の責任か。契約書、利用規約、社内ガイドラインは、この問いに答えるために作られています。これを本稿では「責任分界」と呼びます。 責任分界は、AI時代においても出発点として有効です。実際、2026年の法制度・国際標準・各国ガイドラインを見渡すと、誰がどの責任を負うかという整理は、この数年でかなり進みました。 しかし同時に、2026年の制度動向は、責任分界だけでは足りない部分があることも示しています。AIが自律的に判断し、複数の主体やツールをまたいで動くとき、「誰の責任か」を整理しただけでは、事故が起きたあとに何が起きたのかを再構成できません。 本稿では、2026年6月時点の最新動向を踏まえて、責任分界の到達点と限界を整理し、その限界を超えるための情報基盤として「責任OS」という考え方を位置づけます。 ▼責任OS リポジトリ https://github.com/GhostDriftTheory/responsibility-os-k

Introduction “Responsibility OS” is a proposed information infrastructure that allows the responsibility state behind a decision or action to be audited, inspected, and verified after the fact, once that decision has had an effect in the real world. Not all of the vocabulary behind this concept is new. Information science already has closely related concepts such as provenance, traceability, audit trails, and metadata. At the same time, terms such as “Accountability-Relevant

What is accountability-relevant information in the age of AI? When AI decisions enter society, accuracy alone is not enough. Even if an AI output appears correct, accountability becomes difficult if we lose information about where the judgment came from, what grounds supported it, who or what was involved, what had been verified, and what remained unverified. The Responsibility OS is an information infrastructure for addressing this problem. This article defines the Responsib

はじめに 「責任OS」は、AIの判断が実世界に作用するときに、後から責任状態を監査・検査・検証できるようにするための情報基盤として提案している概念です。 この概念を支える語のすべてが新しいわけではありません。情報学には、すでに来歴（provenance）、追跡可能性（traceability）、監査証跡（audit trail）、メタデータ（metadata）といった、近い概念が存在します。一方で、「責任情報」「責任状態」「非可換性」「可換化」「情報欠落」といった語は、これらの既存概念を責任OSの観点から束ね直すために、こちら側で立てた語です。 この用語集の目的は、この二つを混同せずに整理することです。どの語が既存の標準語で、どの語が責任OS独自の再定義語なのかを明示することで、責任OSの主張がどこまで既存の情報学の上に立っており、どこから新しい主張なのかを、読者が判断できるようにします。 なお、責任OSの数理的な核は、Lean 4による形式証明として responsibility-os-kernel で公開しています。この用語集の各語が、その形

AIの判断が社会の中に入っていくとき、問題になるのは、判断の精度だけではありません。 たとえAIの出力が正しそうに見えても、その判断がどこから来たのか、何を根拠にしたのか、誰が関与したのか、何が確認され、何が未確認だったのかが失われてしまえば、後から責任を確かめることができなくなります。 責任OSは、この問題を扱うための情報基盤です。 この記事では、責任OSを情報学の言葉で定義するために、まず中心となる用語を整理します。 ▼責任os リポジトリ https://github.com/GhostDriftTheory/responsibility-os-kernel 責任OSの中心概念は、責任情報です。 ここでいう責任情報とは、実世界の判断、作用、状態遷移について、後から責任状態を監査、検査、検証するために失ってはいけない情報を指します。 そこには、来歴、監査証跡、追跡可能性、関与者、権限、根拠、確認状態、未確認条件、順序、場所、影響範囲、不可逆性が含まれます。 英語では、まず accountability-relevant informati

開発者・提供者・利用者をまたぐ責任経路を、後から検査できる形で残すために AIの活用は、すでに実験段階を超えています。 業務システムに組み込まれ、顧客対応に使われ、審査や判断の補助にも入り始めています。その一方で、AIが関わった判断について、あとから「誰が、何を根拠に、どこまで確認したのか」を説明できる状態を作ることは、まだ多くの現場で難しいままです。 ここで重要になるのが、総務省・経済産業省の「AI事業者ガイドライン」です。 同ガイドラインは、AIの開発、提供、利用に関わる事業者が、AIのリスクをライフサイクル全体で捉え、必要な取組を自主的に進めるための指針です。細かな義務を一つずつ課すルールではなく、AIを安全に活用するために、事業者自身が考え、運用し、継続的に見直していくための枠組みだといえます。[1] だからこそ、問題は「ガイドラインを読むこと」では終わりません。 本当に必要なのは、ガイドラインが重視する考え方を、現場で扱える形に落とすことです。そのための設計思想として、責任OSが重要になります。 ▼責任OS　リポジトリ...

The Hiroshima AI Process sets out an international direction for safe, secure, and trustworthy AI. Its message is not simply that AI should be used carefully. It asks developers, deployers, and organizations to identify risks, assess them, reduce them, document what has been done, and make AI systems explainable and reviewable across their lifecycle. In other words, the Hiroshima AI Process is not only about using AI. It is about using AI in a way that can be checked later. T

広島AIプロセスは、生成AIを含む高度なAIシステムについて、安全で、信頼でき、人間中心のAIを実現するための国際的な枠組みです。 そこで求められているのは、単なる理念ではありません。 AIの開発、導入、運用の各段階でリスクを見つけること。必要な対応を取り、その内容を説明できる状態にすること。問題が起きたときに、どこまで戻って確認できるかを明らかにすること。 つまり、広島AIプロセスは、AIを「使う」だけでなく、AIを「後から確認できる形で使う」ことを求めています。 では、その要請を現場でどう支えるのか。 この問いに対して、GhostDrift数理研究所は「責任OS」という考え方を提示しています。 責任OSとは、AIの出力だけを見るのではなく、その判断がどの操作を通り、どの根拠に支えられ、どの責任経路をたどったのかを、後から確認できる形で残すための基盤です。 ▼責任OS　リポジトリ https://github.com/GhostDriftTheory/responsibility-os-kernel 広島AIプロセスが求めているもの...

AI makes responsibility boundaries harder to see As AI systems become involved in social and organizational decisions, one question becomes increasingly important: Who is responsible, for what decision, and up to what point? This is the problem of responsibility boundaries. In traditional operations, responsibility can often be arranged through contracts, workflows, approval rules, and organizational roles. A person reviews a document. A manager approves it. A company accepts

責任分界は、AIで曖昧になる AIが社会の判断に入り込むほど、「責任分界」という言葉が重要になります。 責任分界とは、誰が、どの判断に、どこまで責任を持つのかを切り分けることです。 従来の業務では、担当者、承認者、委託先、提供者、利用者の責任範囲を、契約書や業務フローで整理してきました。 しかしAIが判断に関わると、この線引きは曖昧になります。 AIが出した判断なのか。人間が確認した判断なのか。どの根拠を見たのか。どこから先が導入企業の責任なのか。どこから先が提供者の責任なのか。 結果だけが残っても、そこに至る過程が残っていなければ、責任分界は後から確認できません。 ▼責任OS リポジトリ https://github.com/GhostDriftTheory/responsibility-os-kernel 必要なのは、責任を自動で決めるAIではない ここで重要なのは、責任OSが「法的責任を自動で決める仕組み」ではないという点です。 責任OSが扱うのは、誰が悪いかを機械的に判定することではありません。 その前段階として、どの判断が、どの根拠に基

Around 10:40 a.m. Japan Standard Time on June 10, 2026, I searched Google for “RESPONSIBILITY OS” and observed that Responsibility OS was being displayed as a concept related to AI governance. Responsibility OS refers to the idea that AI judgment results, the conditions behind those judgments, audit traces, and responsibility records should not be separated from one another. As AI systems become more deeply embedded in society, the key question is no longer only “What answer

2026年6月10日10時40分頃（日本時間）、Google検索において「RESPONSIBILITY OS」と検索したところ、Responsibility OSがAIガバナンスに関する概念として表示されていることを確認しました。 Responsibility OSとは、AIの判断結果だけでなく、その判断に至った条件、監査証跡、責任記録を切り離さずに扱うための考え方です。 AIが社会実装されるほど、重要になるのは「AIが何を答えたか」だけではありません。その判断が、どの条件のもとで行われ、どの記録と結びつき、後から誰が検査できるのかが重要になります。 今回の表示は、検索順位や検索結果そのものを成果として誇るものではありません。検索結果は、地域・時刻・利用環境によって変動します。 ただし、2026年6月10日10時40分頃（日本時間）の時点で、「責任OS / Responsibility OS」という概念が、日本語圏だけでなく英語圏の検索空間にも接続され始めていることを確認したため、初期の観測記録として残しておきます。 GhostDrift数理研究