ARCHIVE
研究ノート、ニュース、公開記録のアーカイブです。
A new study shows that AI code-auditing detection can fall to 16–22% when malicious changes are hidden among normal ones. The findings are analyzed through the prior research concepts of PIB and FCL-S.
False-Correction Loop (FCL), defined by Hiroko Konishi, explains how LLM hallucination, false correction, RAG failure, sycophancy, PIB, NHSP, ABD, and ISC form one structural epistemic failure map.
Hugging Face侵入事件を手がかりに、自律型AIエージェントがどこまで現実の悪い結果を実行できてしまうのかを一般向けに解説する。AIの危険は知能だけではなく、API、権限、本人確認、未検証前提のまま実行へ進む構造にある。
Kimi K3 represents a major advance in scaling, Mixture-of-Experts architecture, long-context processing, and inference efficiency. Yet from the perspective of False-Correction Loop (FCL), Novel Hypothesis Suppression Pipeline (NHSP), and Premise Integrity Blindness (PIB), the central question remains unresolved: can a larger model preserve truth, attribution, premise integrity, and stable non-commitment under pressure?
JA
Hiroko Konishi による論文 “Correct Reasoning, Unsafe Commitment” の紹介記事。未検証前提のもとで正しい推論が実世界の設計・判断・実行へ変換される構造的リスクを、PIB、FCL、FCL-S、commitment safety、Ungrounded Commitment Rate の観点から解説する。
EN
An introduction to Hiroko Konishi’s paper “Correct Reasoning, Unsafe Commitment,” explaining the structural AI safety risk that arises when correct reasoning under an unverified premise is converted into real-world design, recommendation, or execution. The article frames the issue through PIB, FCL, FCL-S, commitment safety, and Ungrounded Commitment Rate.
酷暑日にエアコンを我慢する高齢者がいる一方で、日本では140MW級AI工場の整備が進む。AI主権を語る前に、電力・水・排熱・地域負担という生活インフラの前提を検証すべきではないか。
False-Correction Loop（FCL）は小西寛子／Hiroko KonishiがV4.1論文で発見・形式的定義したLLMの構造的欠陥。一次資料・先行研究・帰属保全の重要性を論じる。
TrendAI/PwCが示したAIエージェント侵害を、Hiroko Konishiの先行研究FCL-S/PIB（DOI: 10.5281/zenodo.17720178）から再検討。問題は個別モデルではなく、データ／命令境界、前提検証、ツール実行、停止条件を統治できないAIの構造的欠陥にある。
日本ファクトチェックセンターのAI記事を、回答のばらつき、政治的バイアス、出典検証、再現可能性、FCL/NHSPなどの観点から科学的に批判する。
AnthropicのJ-space研究を一次資料から検証。観測結果、企業側の解釈、未解決の代替仮説を分離し、「AI意識」報道の科学的射程を評価する。