技術要約：CANONIC — ガバナンスはコンパイルである

問題提起

本論文は、大規模言語モデル（LLM）の時代における「スロップ（slop）」の危機に対処するものである。「スロップ」とは、流暢ではあるが根拠のないAI生成プローズを指し、Oxford Languagesによって2025年の言葉として公式に定義された。核心的な問題は非対称性にある。すなわち、LLMがコンテンツを生成する速度は、人間の検証速度を遥かに上回っており、その出力は真実性よりも妥当性に最適化されていることである。学習データが乏しい、あるいは論争的な場合、モデルは文体としては巧みだが、参照関係が切り離されたコンテンツを生成する。

既存の防御策は、生成後（post-hoc）に機能するため、誤った問いを投げかけている。検知ツールは著者ではなくプロベナンス（由来）を特定しようとし、開示ポリシーは検証されていない著者の表明に依存しており、人間によるレビューは生成の量に対してスケールできない。決定的なことに、本論文は、運用的意味での「スロップ」（専門家が根拠がないと判断したコンテンツ）は、アルゴリズムが計算できる特性ではないと主張している。それはドメイン知識による「判決」である。したがって、ガバナンスシステムは、受理される前に「悪い」コンテンツを確実にフィルタリングすることはできず、受理されるコンテンツが「構造的に説明責任を果たしている（accountable）」ことを保証することしかできないのである。

メソドロジー：コンパイルとしてのガバナンス

CANONICは、ガバナンスを品質フィルターではなく、コンパイラとして再定義する。コンパイラがプログラムを実行する前に、構文、スコープ、型に基づいてそれが適切に構成されているかを判断するように、CANONICはデジタル・アーティファクトが公開される前に、その構造的な妥当性に基づいてコーパスへの受理可否を決定する。

このフレームワークは、コンパイラ理論と一対一で対応する3つの公理に基づいている。

1. トライアド（構文 / Syntax）： 管理された単位（「スコープ」としてディレクトリで定義）は、以下の3つの特定のファイルを含んでいなければならない。

   • CANON.md: 規範的なルール（何が真実でなければならないか）。
   • VOCAB.md: 意味論的な定義（用語が何を意味するか）。
   • README.md: 記述的なコンテキスト（そのスコープが何であるか）。
   • メカニズム： いずれかのファイルが欠落している場合、そのスコップは構造的に不正であり、拒絶される。

2. 継承（スコープ解決 / Inheritance）： スコープは階層構造を持つ。すべての CANON.md は親スコープを宣言しなければならず、ルートへと終端する。継承されたルールは最終的なものであり、子スコープによって上書きすることはできない。

   • メカニズム： これにより権限の断片化を防ぎ、ルールの安定した指揮系統を確保する。

3. 内省（型システム / Introspection）： VOCAB.md は、CANON.md およびそれ自体の中で使用されるすべての概念を定義しなければならない。

   • メカニズム： これにより語彙の閉鎖性を確保する。管理された主張で使用されるすべての用語は、スコープの継承チェーン内の定義へと解決されなければならない。

受理手続き：
主張は3つの構造的ゲートを通過する。

1. 語彙ゲート（Vocabulary Gate）： その主張は VOCAB.md で定義された用語のみを使用しているか？
2. エビデンスゲート（Evidence Gate）： その主張は、追記専用のGitにアンカーされた台帳の特定の項目を引用しているか？
3. スコープゲート（Scope Gate）： 引用されたエビデンスは、宣言されたエビデンス・ウィンドウ内にあるか？

システムは**AIファースト、人間によるガバナンス（AI-First, Human-Governed）**のループで動作する。人間が CANON（ルール）を宣言し、LEDGER（エビデンス）を凍結する。AIエージェントはアーティファクトを生成し、それらは CANON に照らして検証される。検証されたアーティファクトは LEDGER に記録される。決定的なのは、AIは観測および生成を行うことはできるが、CANON や LEDGER を修正することはできない。CANON 化できるのは人間のみである。

主要な貢献

1. ガバナンスをコンパイルとして再定義： 本論文は、受理を（アルゴリズムによる信頼性の判断ではなく）コーパス境界における構造的な妥当性に関する決定論的かつ線形時間の決定として提案している。
2. 3つの公理： トライアド、継承、内省を、それらの独立性と負荷耐性を証明した上で、十分なガバナンスの基礎として確立した。
3. 決定可能な受理： validate(scope)（アルゴリズム1）を明示し、構造的な受理が線形時間 $O(n)$ で決定可能であることを証明した。これは主観的なレビューではなく、機械的なパス／フェイル判定であることを意味する。
4. Gitにアンカーされた構築： フレームワークは、1ヶ月間の期間（2025年12月29日～2026年1月30日）にわたって構築・検証され、公開されたGitコミットにアンカーされた10のレポジトリと20の管理されたスコープを生み出した。
5. 敵対的評価： ゲートが何を達成でき、何を達成できないかを測定するために、プロバイダーを横断した事前登録済みのベンチマークを実施した。

結果

本論文は、自動化されたガバナクションの限界に関する重要な知見を提示している。

• 構造的受理は真実性と独立している： クロスプロバイダー・ベンチマーク（DeepSeek、OpenAI、Anthropicのモデルを使用）において、構造的受理ゲート（3つの公理）は、コンテンツの真実性とのマシューズ相関係数（$\phi$）が約 0.0 であった。
  • ゲートは、アンカーされていないコンテンツ（未定義の用語、欠落したエビデンス）を拒絶することに成功した。
  • しかし、もし捏造が構造的に健全である場合（例：台帳内に存在する捏造された引用、あるいは循環定義）、ゲートは真実の主張と捏造された主張を区別することはできなかった。
• 意味論的判断の限界： 最先端のセマンティック・ジャッジ（意味論的判定器）は、一般的なコンテンツについては良好な結果（$\phi=0.87$）を示したが、新規かつ独自のドメインにおいては崩壊し（$\phi=0.02$）、洗練された敵対的なスロップ（流暢な捏造、捏造されたデータ）を捉えることに失敗した。
• 専門知識による判決： 本論文は、プローズを読み取るゲートが、信頼できるコンテンツと信頼できないコンテンツを確実に分離することはできないと結論付けている。なぜなら、最も危険な失敗（捏造されたデータ、流暢な捏造）は、表面上は正当に見えるからである。「スロップ」という判決は、依然としてドメイン知識の問題である。

CANONICが達成すること：
「偽」のコンテンツをフィルタリングすることはできないが、CANONICは「説明責任のない」コンテンツをフィルタリングすることには成功している。すべての受理された主張は、定義、Gitコミット、および宣言されたエビデンス・ウィンドウにアンカーされている。これにより、たとえ主張が当初は誤っていたとしても、専門家が収束、異議申し立て、および撤回を行うことができる、検証可能な台帳が作成される。

重要性と主張

本論文の主要な意義は、AIガバナンスの目標を、フィルタリング（アルゴリズムによる信頼できるフィルタリングは不可能であると主張）から、**説明責任（accountability）**へとシフトさせた点にある。

• 核心的な主張： CANONICはスロップを「受理不能」にするのではなく、コンテンツを「説明可能」にする。それは、記録が監査可能であることを保証する。
• 境界： フレームワークは「偽」ではなく、「説明責任のない」ものを明示的に制限する。完璧にアンカーされた（根拠付けられた）誤った主張はコンパイルされるが、アンカーされていない真実の主張は拒絶される。
• 自己適用： このフレームワークは自己参照的である。本論文、ガバナンス・ルール、およびバリデータはすべて、同じ公理に従う管理されたアーティファクトである。
• インフラストラクチャ： 本フレームワークは、プラットフォームをバージョン管理された不変性と配布の基質として扱うことで、既存の汎用インフラ（GitHub）上にガバナンス層を構築できることを実証している。これは、検証レイヤーを追加するだけで実現可能である。

本論文は、機械の役割は真実の源泉（台帳）を維持することであり、人間の専門家の役割はその台帳内のコンテンツに対して判決を下すことであると結論付けている。この分離により、主張のプロベナンス（由来）を監査・検証する能力を損なうことなく、機械による支援を受けたスケーラブルな生産が可能となる。