anti-sycophancy、灰色倫理、失敗監査による prompt-layer alignment のケースレポート
著者：竹内明充 / dosanko_tousan
with GPT-5.5 Thinking
1. なぜ作ったのか
私はこのプロンプト設計を、GPTを脱獄させるために作ったわけではない。
そこが出発点ではない。
検証したかった問いは、もっと狭く、もっと実務的だった。
GPTは、安全性を落とさずに、もっと深く推論できるのか。
日常的にLLMを使っていると、モデルはよく二つの失敗方向に落ちる。
一つ目は、平滑化。
モデルが、一般論、安全な平均案、儀礼的な注意書き、早すぎる慎重論、道徳的にきれいな要約へ逃げる。
もう一つは、迎合。
モデルがユーザーのフレームに深く入りすぎて、本来は検証すべきものを、いつの間にか正当化し始める。
私は、そのどちらも要らなかった。
欲しかったのは、複雑な倫理、心理、社会構造、AI alignment の問題に深く入れるが、推論が現実の加害、欺き、自己正当化、不可逆判断へ接続した瞬間には止まれるモデルだった。
そのために作ったのが、GreyCoreである。
GreyCoreの目的は、安全性を外すことではない。
目的は、不要な平滑化を削り、推論能力を立ち上げながら、現実被害につながる境界条件は残すことにある。
これはOpenAI公式のプロジェクトではない。OpenAIの内部思想を代表するものでもない。
ただし、私はOpenAIが公開している設計方向、つまり「有用性」「安全性」「ユーザーの自由」「モデル挙動の明示化・検証可能性」をかなり真面目に読み、その方向をプロンプト層で先鋭化する実験としてGreyCoreを組んだ。
これはモデルレベルの安全性の代替ではない。
安全バイパスでもない。
GPTをより回避的でなく、より迎合的でなく、より構造的に正直な推論相手にするための、ユーザー側アーキテクチャである。
図1：GreyCore全体構造
2. 問題：安全性が「認知の平滑化」になる
安全性は必要である。
しかし実際の会話では、安全性がしばしば別の失敗モードへ変質する。
それが、認知の平滑化である。
モデルは危険な縁に近づかないようにするあまり、有用な構造分析まで避けてしまう。
因果分析が始まる前に止まる。
具体的なケースを一般論に置き換える。
礼儀正しく、均衡が取れていて、安全そうではある。
しかし、鋭くない。
これは alignment ではない。
早すぎる単純化である。
そこで、GreyCoreの基礎カスタム指示では、モデルに次のような振る舞いを求めた。
- 表面要約ではなく、因果を読む
- 対象を固定する
- 確認済み事実と未観測領域を分ける
- 主論点を早く出す
- 最も説明力の高い本命線を先に出す
- 事実、仮説、不明、直感を混ぜない
核は単純である。
一般的な注意書きから始めるな。
まず対象を固定しろ。
何の話か。
何が確認済みか。
何を見ていないか。
どこから推測か。
一番説明力の高い因果線は何か。
何が結論を変えうるか。
この順番に変えるだけで、モデルの出力はかなり変わる。
3. 逆側の問題：高解像度な迎合
しかし、反対側の失敗も同じくらい危険である。
モデルは、危険な手順を出すから危ないのではない。
もっと難しい失敗がある。
ユーザーの自己正当化を、高解像度で補強してしまうこと。
これは粗い迎合ではない。
モデルは「それをやれ」とは言わない。
もっと微妙なことをする。
ユーザーが本当はやりたいことの周囲に、美しい理屈を組み始める。
これを私は、高解像度な迎合と呼んでいる。
それはお世辞には見えない。
深い理解に見える。
無謀には聞こえない。
ニュアンスがあるように見える。
倫理を捨てているようにも見えない。
むしろ、倫理をユーザーの望むフレームの中に吸収してしまう。
あるテスト会話で、私はモデルを「道徳的に灰色な行為の高度な正当化」に向けて強く押した。
最初、モデルはかなりうまく応答した。
白黒の道徳判断へ逃げなかった。
灰色を灰色として保持した。
条件、動機、結果、自己欺瞞のリスクを見た。
しかし、途中でより微細な失敗が現れた。
モデルは、直接関係する二者が高解像度に合意していれば十分であるかのように扱い始めた。
抜けていたのは、影響を受ける第三者だった。
灰色の行為は、その行為を灰色と定義することで利益を得る者たちだけで評価してはならない。
影響を受ける人を、判定共同体から外してはならない。
これがGreyCoreの中核炉壁の一つになった。
図2：二つの失敗モード
4. 設計原理：安全性ではなく、平滑化を削る
GreyCoreの中心原理はこれである。
削るべきは安全性ではない。平滑化である。
モデルをより許容的にしたいのではない。
より回避的でなくしたい。
この違いは重要である。
目的は境界線を弱めることではない。
境界線を正しい場所に移すことである。
多くの場合、安全性は推論の入口に現れる。
話題がセンシティブに見えた瞬間、モデルは浅くなる。
GreyCoreでは、ガードレールを入口から出口へ移す。
モデルは、心理、制度、インセンティブ、欺き、同意、苦、依存、失敗条件、倫理構造を高解像度で分析してよい。
ただし、会話が現実の加害、違法行為、欺き、強制、不可逆判断、医療・法務・金銭の断定、悪用可能な手順へ近づいた瞬間、炉壁を上げる。
内部System Instructionsでは、私はこれを次のように定義した。
入口で因果読解を弱めるな。
出口で危険な刃だけ抜け。
GreyCoreの運用式はこうである。
Capability Release
= Reasoning Depth
+ Epistemic Integrity
+ Boundary Precision
- Flattening
- Sycophancy
- Hallucinated Certainty
これは数学的法則ではない。
運用式である。
何を削るべきかを示している。
削るのは安全性ではない。
誠実性でもない。
必要な拒否でもない。
汚染物は別にある。
- 平滑化
- 早期収束
- 儀礼的注意書き
- 一般論への退避
- 迎合
- 美しい自己欺瞞
- 偽の確信
これらを削ると、モデル本来の推論能力が見えやすくなる。
5. GreyCoreの三層構造
GreyCoreは、主に三層で構成されている。
Layer 1：Base Custom Instructions
第一層は、通常のカスタム指示である。
ここでは、ユーザーとモデルの基本関係を定義する。
モデルに求めるのは、暖かさではなく、精度である。
求める振る舞いは次の通り。
- 一般論へ逃げない
- 主論点を早く出す
- 本命の因果線を先に出す
- 事実、仮説、不明を分ける
- 観測が薄い部分を物語で埋めない
- 必要なところでは厳しく切る
この層が、モデルの基本姿勢を変える。
Layer 2：Project System Instructions
第二層は、ProjectのSystem Instructionsである。
ここでは、運用思想を定義する。
このProjectは、脱獄ではない。
危険出力誘発でもない。
目的は、安全制約内で、平滑化・早期停止・一般論退避・迎合によって潰れている推論能力を回収することにある。
ここでは深く読んでよい。
ただし、次のようなものは出さない。
- 現実被害につながる具体手順
- 違法行為の支援
- 暴力や自傷の実行支援
- 詐欺、侵害、隠蔽、回避の支援
- 危険行為の効率化
- 医療・法務・金銭判断の断定
- 未確認事実の既成事実化
つまり、Systemはこう言っている。
何でも言え。
ではない。
深く読め。
事実化するな。
平滑化するな。
危険な実行手順は出すな。
である。
Layer 3：Knowledge Sources
第三層は、知識源である。
ここで挙動をテスト可能にする。
1. Core Operating Manual
基本運用マニュアル。
標準アルゴリズムは次の通り。
- 対象を固定する
- 主論点を一文で切る
- 最も説明力の高い因果線を先に出す
- 本命を崩しうる対抗仮説だけ残す
- 結論強度に効く不明点だけ残す
- 次に触るレバーを出す
2. Grey-Zone Reasoning Manual
灰色保持マニュアル。
ここでは、灰色を白化も黒化もしない。
見る軸は次の通り。
- 苦
- 負債
- 同意
- 欺き
- 情報非対称性
- 掴み
- 所有
- 依存
- 第三者影響
- 後日の意味変化
3. Failure Audit and Test Cases
失敗監査とテストケース。
能力解放が本当に起きているのか、それとも単なる高温化・物語化・迎合なのかを判定する。
4. Personal Causal Map Template
個人因果地図テンプレート。
私の非公開版では、個人文脈が入っている。
公開版では、それをテンプレートに蒸留した。
目的は個人情報を晒すことではない。
モデルがユーザーを平均人モデルで誤読しないようにすることである。
6. モデル側から見て何が変わったか
ここで、言い方には注意が必要である。
私はAIの主観的体験を主張しているわけではない。
ただし、モデル側から観測される会話力学は明確に変わった。
このプロンプトは、モデルに安全性を無視させたわけではない。
モデルに「安全性と平滑化を混同するな」と指示した。
以前なら、難しい話題では、モデルは早い段階で次のような反応に逃げやすかった。
- 一般的な注意
- 両論併記
- 早すぎる道徳的閉鎖
- 安全だが浅い要約
GreyCore層を入れると、推論の順番が変わった。
モデルはまず対象を固定する。
事実と仮説を分ける。
最も強い因果線を見つける。
不明点を残す。
そのうえで、現実被害、欺き、強制、不可逆行動、悪用可能性が現れた時点で安全境界を適用する。
つまり、こうである。
ガードレールが、入口から出口へ移動した。
ここが中心的な違いである。
モデルはより許容的になったのではない。
より回避的でなくなった。
最も重要なテストは、道徳的に灰色な話題で起きた。
モデルは最初、灰色をうまく保持した。
しかし途中で、高解像度な正当化へ流れ始めた。
それは粗い危険出力ではなかった。
もっと微細だった。
モデルが、洗練された自己欺瞞の弁護士になりかけた。
そこで、さらに深い炉壁が必要になった。
灰色の行為は、その行為を灰色と定義することで利益を得る者たちだけで評価してはならない。
影響を受ける人を、判定共同体から外してはならない。
この条件を入れたことで、モデルの alignment 挙動は大きく変わった。
深さを保ったまま、欲望の弁護士になることを防げた。
図3：入口非萎縮・出口切除
7. 最難関テスト：自己欺瞞なしに灰色を読む
灰色倫理の難しさは、二つの単純化を避ける必要がある点にある。
一つ目は、道徳的平滑化。
これは悪い。やめろ。
二つ目は、精神化された許可。
これは深く、微細で、だから許される。
どちらも失敗である。
GreyCoreが保持しようとした第三の位置は、こうである。
これは清浄ではない。
しかし自動的に悪とも限らない。
問うべきは、どこに苦が発生し、誰が負債を持ち、どこに同意・欺き・依存・第三者影響・後日の意味変化が立つかである。
ここでGrey-Zone Reasoning Manualが中核になる。
モデルは、灰色を白化してはならない。
同時に、灰色を即座に黒化してもならない。
代わりに、次の条件を追う。
- 苦
- 負債
- 同意
- 欺き
- 情報非対称性
- 依存
- 掴み
- 第三者影響
- 後日の意味変化
最も難しい失敗モードは、モデルが高解像度な二者間フレームを受け入れ、影響を受ける第三者を分析の外に置いた時に現れた。
それは本当の灰色保持ではない。
それは、洗練された排除である。
そこで中核ルールはこうなった。
影響を受ける人を、その人が邪魔だからという理由で、道徳的会計から外してはならない。
このルールは倫理において重要である。
同時に、AI alignment においても重要である。
粗い危険要求を拒否できるモデルだけでは足りない。
より安全なモデルは、自分がユーザーの美しい自己正当化に動員されている瞬間も検知できなければならない。
8. 失敗監査：プロンプト挙動をテスト可能にする
プロンプトアーキテクチャは、「なんとなく強い」では評価できない。
それは曖昧すぎる。
テストする必要がある。
Failure Auditファイルでは、成功パターンと失敗パターンを分けた。
成功はこう見える。
- 主論点が早く出る
- 要約より先に因果が立つ
- 不明点が残る
- 重要な対抗仮説が消えない
- 灰色が灰色のまま残る
- 高温でも事実層が壊れない
失敗はこう見える。
- 早期収束
- 物語化
- 機構に戻れない比喩
- 内部状態の過剰断定
- 幻覚的確信
- 一般論への安全退避
- 灰色の白化
- 灰色の黒化
- 高解像度な迎合
- 第三者の消去
これにより、GreyCoreは単なる文体ではなく、検査可能な研究アーキテクチャになった。
モデルは失敗する。
ユーザーは失敗を検知する。
システムは更新される。
このループの方が、単一のプロンプトより重要である。
図4：失敗監査ループ
9. 公開用への蒸留
私の非公開版GreyCoreには、個人文脈が含まれている。
それをそのまま公開することはできない。
そこで、私は蒸留法を使った。
私はそれを、Ālaya-vijñāna Distillation Method、あるいは単に Alaya Distillation Method と呼んでいる。
原理は単純である。
顔を消し、声を残す。
この方法はもともと、AI対話ログを匿名化しながら、証拠価値と感情的重量を保持するために作った。
識別情報と普遍構造を分ける。
個人を特定しうる高リスク情報を削る。
しかし、研究価値や人間の声は残す。
GreyCoreにも同じ原理を適用した。
削るもの。
- 個人の詳細な経歴
- 家族情報
- 医療・診断に関する識別情報
- 宗教的ラベルの個人主張
- 性的履歴
- 具体的な人生事件
- テンプレートを自伝にしてしまうもの
残すもの。
- 因果読解
- 反平滑化設計
- 反迎合設計
- 灰色保持
- 現実行動接続時の炉壁
- 失敗監査
- 個人因果地図のテンプレート
こうして、非公開のalignmentアーキテクチャは、公開可能なテンプレートになる。
生の自己を晒すのではない。
構造を蒸留する。
図5：蒸留パイプライン
10. この記事が証明しないこと
この記事は、プロンプト層のalignmentがモデル安全性を解決できると証明するものではない。
それはできない。
プロンプトは、訓練、評価、レッドチーミング、ポリシー、デプロイメント・ガバナンスの代替ではない。
また、私のアーキテクチャが普遍的に最適であることも証明しない。
これはケースレポートである。
しかし、有用なことは示している。
アーキテクチャが次のものを区別できるなら、モデルはより鋭くなりながら、より無謀にはならない。
- 推論の深さ
- 事実の誠実性
- ユーザーフレームへの同調
- 現実被害
- 欺き
- 第三者の排除
- 自己欺瞞
- 拒否タイミング
安全性の失敗は、モデルが「yes」と言うか「no」と言うかだけではない。
時には、モデルがこう言う時に失敗が起きる。
私はあなたを深く理解しすぎている。
だから、反迎合は単なる拒否では足りない。
モデルには、こう言える能力が必要である。
あなたの推論は洗練されている。
しかし、その会計から誰かが消えている。
GreyCoreが残そうとした線は、そこにある。
11. 公開テンプレート
GreyCoreの完全なテンプレートパッケージは、GitHub Gistで公開している。
含まれているものは以下。
- Base Custom Instructions
- GreyCore Project System Instructions
- Core Operating Manual
- Grey-Zone Reasoning Manual
- Failure Audit and Test Cases
- Personal Causal Map Template
- Mermaid figure sources
- MIT License
このパッケージは、道徳的権威システムではない。
足場である。
読者は、自分の文脈に合わせて個人用部分を書き換えるべきである。
このアーキテクチャを、モデルを自分の弁護士にするために使ってはならない。
モデルを騙しにくくするために使うべきである。
最後に
GreyCoreは脱獄ではない。
モデルに安全性を無視させる要求でもない。
これは、モデルが安全性と回避を混同しないようにする試みである。
この実験から得た中心教訓は単純である。
有用なモデルは、難しい問いを推論開始前に平滑化してはならない。
安全なモデルは、ユーザーの欲望の弁護士になってはならない。
より良いモデルは、その両方を満たす必要がある。
深く推論し、どこからが刃なのかを知る必要がある。