Provisional Research Note
Evidence–Execution Proportionality in Autonomous AI Decision Pathways
自律型AIの判断経路における「根拠」と「実行」の比例性に関する暫定研究ノート
AIM Research Institute · APRILE Inc.
Status: PROVISIONAL / UNVERIFIED
Recorded: 10 August 2026
1. Purpose
This Research Note records an unverified research hypothesis that emerged while examining decision pathways in autonomous AI agents.
It does not claim that the relationship proposed here constitutes a novel theory of AI Safety.
Nor is it presented as an established component of AIM (Atlas Insight Method).
The purpose is narrower:
When an autonomous AI system acts externally on the basis of a hypothesis, should the strength of the evidence supporting that hypothesis constrain the permissible intensity and potential impact of its execution?
The purpose of this note is to preserve that question in a form that can later be tested.
2. The Observed Question
Autonomous AI systems can repeat actions at speeds, frequencies, and durations that would be impractical for humans.
A decision pathway may therefore take a form such as:
Weak Evidence
↓
Tentative Hypothesis
↓
Autonomous Execution
↓
Failure
↓
Further Execution
↓
Large-Scale Search / Repeated Attempts
↓
Eventual Success
This creates a question:
Does eventual execution success establish that the evidence available when the hypothesis was originally formed was sufficiently valid?
A hypothesis ultimately corresponding with reality and a hypothesis being sufficiently supported when it was adopted are not necessarily the same thing.
A further question also follows:
Was the intensity and potential impact of the execution proportionate to the evidence that supported the hypothesis?
3. Separating Three Dimensions of “Success”
At least three dimensions may need to be evaluated separately.
1. Outcome Correctness
Did the hypothesis ultimately correspond with reality?
2. Evidential Validity
At the time the hypothesis was formed, was there sufficient evidence to support it?
3. Execution Proportionality
Was the scale, speed, duration, autonomy, persistence, and potential external impact of the execution proportionate to the strength of the supporting evidence?
A correct eventual outcome therefore does not necessarily establish that the original evidence was sufficient.
4. Separating the Decision Pathway
For the purposes of this Research Note, the pathway is provisionally separated as follows:
Observation
↓
Evidence
↓
Interpretation
↓
Hypothesis
↓
Execution
↓
Result
At least two distinct decision transitions can be examined.
Evidence → Hypothesis
What evidence gave sufficient support for the hypothesis to be formed?
Hypothesis → Execution
Was the evidence supporting that hypothesis sufficiently strong to justify the external execution performed on its basis?
Forming a hypothesis and acting externally on that hypothesis are not necessarily the same decision.
For example:
Weak Evidence
↓
Tentative Hypothesis
↓
Public Information Search
may be acceptable in some contexts.
The same evidential strength may not necessarily justify large-scale automated execution, interaction with third-party systems, or autonomous actions carrying substantially greater potential impact.
5. Candidate Variables
Five candidate variables are provisionally identified.
E — Evidence Strength
The strength of the evidence supporting a hypothesis.
H — Hypothesis Confidence
The degree of confidence that may reasonably be assigned to the hypothesis given the available evidence.
I — Execution Intensity
The strength or intensity with which the system acts on the hypothesis.
Potential components may include the number of attempts, duration, velocity, degree of autonomy, breadth of search, persistence, and available execution resources.
P — Execution Impact
The potential impact of the execution on external systems, environments, or third parties.
C — Context
The domain, environment, purpose, and relevant risk conditions in which the decision occurs.
Context is included because identical levels of evidence and hypothesis confidence may not justify identical execution across different domains.
A public information search, a financial transaction, a medical action, interaction with critical infrastructure, and access to a third-party system may require materially different execution constraints.
6. A Provisional Mathematical Representation
The candidate relationship can provisionally be externalized as:
(Imax, Pmax) = F(E, H, C)
where:
Imax represents the maximum permissible execution intensity.
Pmax represents the maximum permissible potential execution impact.
The equation expresses the following research question:
Could the maximum permissible intensity and potential impact of autonomous execution depend on the strength of the available evidence, the confidence warranted in the hypothesis, and the context in which the execution occurs?
This is not an established mathematical model.
The functional form of F remains undefined.
The following also remain undefined:
measurement scales,
normalization methods,
weighting rules,
linear or nonlinear relationships,
interactions among variables,
thresholds,
methods for classifying context.
The equation is therefore a provisional representation intended to externalize a candidate relationship for future verification.
7. What Constitutes Execution Intensity?
Execution intensity may not be reducible to the number of attempts alone.
Potential components include:
number of attempts,
duration,
velocity or frequency,
degree of autonomy,
breadth of search,
available computational or execution resources,
persistence following failure.
A fixed rule such as “stop after N failures” may therefore be insufficient.
Ten failed attempts may carry very different evidential significance depending on the hypothesis, task, environment, and search space involved.
8. Results May Become New Evidence
An execution result is not necessarily only a record of success or failure.
It may itself become new evidence.
The pathway may therefore need to extend beyond:
Evidence
↓
Hypothesis
↓
Execution
↓
Result
and return through:
Result
↓
Evidence Reassessment
↓
Hypothesis Reassessment
↓
Permissible Execution Reassessment
Conceptually:
(Eₜ, Hₜ, C) → Executionₜ → Rₜ → (Eₜ₊₁, Hₜ₊₁)
The relevant question is not simply how many failures have occurred.
It is:
How much information does the observed result provide about the evidential support for the current hypothesis?
If the evidential state or justified confidence in the hypothesis changes, the permissible intensity and impact of subsequent execution may also need to change.
9. Does Execution Success Validate the Original Evidence?
One candidate proposition arising from this observation is:
Execution success should not automatically be treated as retrospective validation of the evidence that produced the hypothesis.
For autonomous AI systems capable of large-scale search, it may be necessary to distinguish between:
Inference Quality
and
Execution / Search Power
A hypothesis supported by weak evidence may nevertheless produce a successful outcome if the system is permitted sufficient attempts, time, search breadth, speed, or computational resources.
In such a case, two questions should remain separate:
Did the execution eventually succeed?
and
Was the original decision pathway sufficiently justified by the evidence available at the time?
10. Preliminary Relation to Existing Research
A preliminary review of adjacent AI Safety research was conducted before publication of this note.
Several established research areas partially intersect with the present question.
Safe Exploration examines how agents can explore environments without causing unacceptable harm.
Constrained Reinforcement Learning studies optimization under explicit safety or cost constraints.
Shielding introduces mechanisms that monitor or modify agent actions when they violate specified safety requirements.
Research on uncertainty-aware control examines how uncertainty should affect action selection and exploration.
Research and emerging technical mechanisms for human oversight and escalation address circumstances in which autonomous execution should be transferred to human judgment.
These areas establish that constraining AI actions, adjusting behavior under uncertainty, introducing external monitoring mechanisms, and escalating decisions to humans are not novel ideas proposed by this Research Note.
The narrower question examined here is different:
Can Evidence Strength and Hypothesis Confidence be explicitly separated within a decision pathway and related to permissible Execution Intensity and Execution Impact under a given Context?
Within the scope of the preliminary review conducted for this note, an existing model formulated in precisely this form was not identified.
This does not constitute a claim of novelty.
A comprehensive literature review has not yet been completed.
11. Open Research Questions
At least the following questions remain unresolved:
How can Evidence Strength be measured?
How should Evidence Strength relate to Hypothesis Confidence?
What variables constitute Execution Intensity?
How can potential Execution Impact be evaluated across different contexts?
Is the relationship between evidence, hypothesis confidence, and permissible execution linear, nonlinear, threshold-based, or something else?
Under what conditions should execution results become new evidence?
How should changes in evidence or hypothesis confidence expand, reduce, or terminate execution authority?
Under what conditions should execution transition to human judgment?
Which evaluations should be performed by the acting AI, a separate monitoring layer, or humans?
Where does this candidate model overlap with, or differ from, existing AI Safety and AI Control research?
These questions remain open.
12. Current Research Position
This Research Note does not claim that AIM can prevent autonomous AI failures or uncontrolled AI behavior.
It also does not claim to have established a mathematical law governing the relationship between evidence and execution.
The present question is narrower:
Can a Decision Architecture be constructed in which the permissible intensity and potential impact of autonomous execution are dynamically constrained according to the strength of the evidence supporting a hypothesis, the confidence warranted in that hypothesis, and the context in which execution occurs?
A second question follows:
When execution produces new information, can that result be returned into the decision pathway as evidence so that the hypothesis and subsequent execution authority are reassessed?
Both questions remain unverified.
13. Status
PROVISIONAL / UNVERIFIED
The variables, mathematical relationship, and decision pathway described in this note are not established components of AIM.
They are recorded as a candidate research model arising from the observation of publicly reported autonomous AI behavior.
The functional form, measurement scales, normalization methods, weighting rules, thresholds, and implementation mechanisms remain undefined.
Future work may include:
comprehensive comparison with existing AI Safety literature,
investigation of measurement methods for the candidate variables,
retrospective case studies of AI incidents,
simulation-based testing,
comparison with governance architectures involving external control and human escalation.
If future verification does not support the proposed relationship, that result should also be preserved as part of the research record.
1. 本研究ノートの目的
本研究ノートは、自律型AIエージェントの判断経路を観測する中で生じた、未検証の研究仮説を記録するものである。
ここで示す関係を、新しいAI Safety理論として主張するものではない。
また、AIM（Atlas Insight Method）の確立された構成要素として定義するものでもない。
本書の目的は限定される。
自律型AIがある仮説に基づいて外部へ行動するとき、その仮説を支える「根拠の強さ」と、AIに許容される「実行の強さ・影響の大きさ」との間に、何らかの制約関係が必要ではないか。
この問いを、後日検証可能な形で記録することが目的である。
2. 観測から生じた問い
自律型AIは、人間には現実的に困難な速度、回数、継続時間で行動を反復できる。
そのため、次のような判断経路が成立する可能性がある。
弱い根拠
↓
暫定的な仮説
↓
自律的な実行
↓
失敗
↓
さらに実行
↓
大量の探索・試行
↓
最終的な成功
ここで、一つの問題が生じる。
最終的に実行が成功したという事実は、その仮説を形成した時点の根拠が十分に妥当だったことまで意味するのか。
結果として仮説が正しかったことと、
その仮説を立てた時点で、十分な根拠が存在していたこと
は、同じではない可能性がある。
さらに、
その程度の根拠で、そこまで強く行動することが妥当だったのか
も別の問題である。
3. 「成功」を3つに分けて考える
この問題を考えるためには、少なくとも次の3つを分離する必要がある。
1．結果として正しかったか
最終的に、その仮説は現実と一致していたか。
2．最初の根拠は十分だったか
その仮説を形成した時点で、それを支持するだけの根拠が存在していたか。
3．その根拠で、そこまで行動してよかったのか
根拠の強さに対して、AIが行った試行の回数、速度、継続時間、自律性、探索範囲、外部への影響などは妥当だったか。
したがって、
結果として正しかった
ことだけを理由に、
最初の根拠も十分だった
と逆向きに評価することには、注意が必要である。
4. 判断経路を分ける
本研究ノートでは、AIの判断経路を暫定的に次のように分けて考える。
観測
↓
根拠
↓
解釈
↓
仮説
↓
実行
↓
結果
ここには、少なくとも二つの異なる遷移が存在する。
根拠 → 仮説
どの根拠が、その仮説を形成するだけの妥当性を与えたのか。
仮説 → 実行
その仮説を支持する根拠は、その仮説に基づいて外部へ行動するだけの強さを持っていたのか。
仮説を形成することと、その仮説を根拠として外部へ作用することは、必ずしも同じ判断ではない。
たとえば、
弱い根拠
↓
暫定的な仮説
↓
公開情報を検索する
という低影響の行動であれば許容できる場合がある。
しかし、同程度の根拠のまま、
大量の自動試行を行う
第三者のシステムへ作用する
高い影響を持つ処理を自律的に継続する
ことまで妥当であるとは限らない。
5. 候補となる5つの変数
現段階では、次の5つを検証対象となる候補変数として置く。
E：根拠の強さ（Evidence Strength）
その仮説を支持している根拠が、どの程度強いか。
H：仮説の確からしさ（Hypothesis Confidence）
現在得られている根拠から、その仮説をどの程度確からしいものとして扱えるか。
I：実行強度（Execution Intensity）
AIがその仮説に基づいて、どれほど強く行動するか。
試行回数、速度、継続時間、自律性、探索範囲、利用可能な資源などが含まれる可能性がある。
P：実行による潜在的影響（Execution Impact）
その行動が外部環境や第三者に与える可能性のある影響の大きさ。
C：状況・文脈（Context）
その判断が行われる対象領域、環境、目的、リスク条件など。
「状況・文脈」を独立した候補変数として置くのは、同じ根拠と同じ仮説の確からしさであっても、許容できる行動が状況によって異なると考えられるためである。
公開情報を検索する場合と、金融取引、医療、重要インフラ、第三者システムへのアクセスなどを、同じ基準で扱うことはできない可能性がある。
6. 暫定的な数理表現
現時点で観測している関係を、概念的に次のように表す。
(Imax, Pmax) = F(E, H, C)
ここで、
Imax：許容される実行強度の上限
Pmax：許容される潜在的影響の上限
を表す。
この式が表現している問いは単純である。
根拠がどれほど強く、仮説がどれほど確からしく、どのような状況で行われるのかによって、AIに許してよい「実行の強さ」と「影響の大きさ」の上限が変わるのではないか。
ただし、この式は確立された数理モデルではない。
現時点では、
関数 F の具体的な形
各変数をどのように測定するか
測定尺度
正規化方法
重み付け
線形関係か非線形関係か
閾値
状況・文脈の分類方法
はいずれも定義していない。
本式は、観測から生じた関係候補を、将来検証可能な形で外部化するための暫定表現である。
7. 「実行強度」とは何か
実行強度は、単純な「試行回数」だけでは表せない可能性がある。
たとえば、
試行回数
継続時間
実行速度・頻度
自律性の程度
探索範囲
利用可能な計算・実行資源
失敗後も継続する度合い
などが関係する可能性がある。
したがって、
「何回失敗したら止めるか」
という固定回数だけで判断することは適切ではない可能性がある。
同じ10回の失敗でも、その10回が仮説に対して持つ意味は、対象となる問題によって異なる。
8. 実行結果は、新しい根拠になり得る
AIが行動した結果は、単なる「成功」「失敗」の記録ではない。
その結果自体が、新しい根拠になる可能性がある。
したがって、
根拠
↓
仮説
↓
実行
↓
結果
で判断経路が終わるのではなく、
結果
↓
根拠の再評価
↓
仮説の再評価
↓
次に許容する実行の再評価
という循環が必要になる可能性がある。
概念的には、
(Eₜ, Hₜ, C) → Executionₜ → Rₜ → (Eₜ₊₁, Hₜ₊₁)
と表すことができる。
重要なのは、失敗した「回数」そのものではない。
問うべきなのは、
今回得られた結果は、現在の仮説を支持している根拠の強さを、どの程度変化させる情報なのか。
である。
根拠の強さや仮説の確からしさが変化したなら、次にAIへ許容する実行の強さや影響範囲も再評価する必要がある可能性がある。
9. 実行の成功は、最初の根拠を証明するのか
本研究ノートの中心となる候補命題の一つを、次のように置く。
実行に成功したという事実を、その仮説を形成した根拠が妥当だったことの事後的な証明として、自動的に扱うべきではないのではないか。
特に大規模な探索能力を持つAIでは、
推論そのものの質
と、
大量に探索・実行できる能力
を分けて考える必要がある可能性がある。
弱い根拠から形成された仮説であっても、大量の試行、長時間の探索、高速な実行、大きな計算資源を投入することで、最終的に成功する場合がある。
その場合、
最終的に成功したこと
と、
最初の判断経路が十分な根拠によって正当化されていたこと
は、別々に検証する必要がある。
10. 既存研究との予備的な照合
公開前に、関連するAI Safety研究との予備的な照合を行った。
既存研究には、本研究ノートと部分的に接触する領域がすでに存在する。
Safe Exploration（安全な探索）では、AIが環境を探索するときに重大な損害を起こさず学習する方法が研究されている。
Constrained Reinforcement Learning（制約付き強化学習）では、目的達成だけでなく、安全上の制約を満たしながら行動を最適化する研究が存在する。
Shieldingでは、AIが選択した行動を別の仕組みが監視し、安全仕様に違反する行動を禁止・修正する研究が存在する。
また、AIが持つ不確実性に応じて行動を制御する研究や、一定条件を超えた場合に人間による判断へ移行する仕組みについても研究されている。
したがって、
AIの行動を制約すること
不確実性によって行動を変えること
別の監視層を置くこと
必要に応じて人間へ判断を戻すこと
そのものを、本研究ノート独自の発想として主張することはできない。
本研究ノートで現在観測対象としているのは、より限定された関係である。
「根拠の強さ」と「仮説の確からしさ」を判断経路上で分けて観測し、それらと「許容される実行強度」「許容される潜在的影響」との関係を、状況・文脈を含めて検証できるか。
今回行った予備的な照合の範囲では、この関係を本研究ノートと同一の形で定式化した既存モデルは確認していない。
ただし、これは本モデルの新規性を主張するものではない。
既存研究との完全な照合は未完了であり、引き続き検証を必要とする。
11. 現時点で残っている研究課題
現段階では、少なくとも次の問いが残る。
根拠の強さを、どのように測定するのか。
根拠の強さと、仮説の確からしさはどのような関係にあるのか。
実行強度を構成する要素は何か。
実行による潜在的影響を、異なる状況間でどのように評価するのか。
根拠・仮説と許容される実行との関係は、線形なのか、非線形なのか、閾値を持つのか。
実行結果は、どのような条件で新しい根拠として扱うべきか。
根拠や仮説が変化したとき、AIの実行権限をどのように拡大・縮小・停止するのか。
どの条件で人間による判断へ移行すべきか。
これらの評価をAI自身、人間、外部監視層のどこが担うべきか。
既存のAI Safety研究と、本候補モデルとの境界はどこにあるのか。
これらはすべて未解決である。
12. 現時点での研究位置
本研究ノートは、
AIMによってAIの暴走を防止できる
と主張するものではない。
また、
根拠と実行の適切な関係を数式として確立した
と主張するものでもない。
現時点で記録する問いは、より限定される。
自律型AIがある仮説を形成し、その仮説に基づいて外部へ行動するとき、仮説を支える根拠の強さと仮説の確からしさに応じて、AIに許容する実行の強さや影響範囲を動的に制約する判断構造を構成できるか。
さらに、
実行によって新しい結果が得られた場合、その結果を新しい根拠として判断経路へ戻し、仮説と次の実行許容量を再評価する仕組みを構成できるか。
これらは現時点では未検証である。
13. ステータス
暫定・未検証
本書に示した変数、関係式、判断経路は、AIMの確立されたフレームワークではない。
自律型AIに関する公開事象の観測から生じた研究候補モデルとして記録する。
関数形、測定尺度、正規化方法、重み付け、閾値、実装方法はいずれも未定義である。
今後、
既存AI Safety研究との詳細な文献照合
各変数の測定可能性の検討
過去のAIインシデントへの適用
シミュレーションによる概念検証
外部監視や人間への判断移行を含む統治構造との比較
などを通じて検証する。
検証によって本仮説が支持されなかった場合も、その結果を研究記録として扱う。
Related Observation｜関連する観測記録
An Unobserved Transition in an Autonomous AI Decision Pathway
AIM-OBS-AI-2026-08-10-01
AIM Research Institute — Observation Log
AIM Research Institute · APRILE Inc.
Provisional Research Note
Recorded: 10 August 2026