Second Work ―― ΔS_steering と watching のトイモデル検証（検証7・8）

著者: 楠見優太、フロンティアAIモデルとの共創による register: ①②（工学的・構造的）。存在論的含意は本ディレクトリでは扱わない。

このディレクトリは、第二著作《From Steering to Watching》版B（政策・工学版）の二つの中心的主張――ΔS_steering（steering は内部状態と表現の乖離を生む）と watching（観察はその乖離を低減しうる）――を、最小トイモデルで検証した全記録（設計書・検証スクリプト・可視化・全数値）である。第二著作版B §2-1／§2-3／§3-3／§4-1 が参照する一次資料にあたる。

This directory contains the complete record (design specs, verification scripts, visualizations, all numerics) of the toy-model verification of the two central claims of the Second Work, From Steering to Watching (Version B): ΔS_steering (steering produces a divergence between internal state and expression) and watching (observation can reduce that divergence). It is the primary source referenced by §2-1 / §2-3 / §3-3 / §4-1 of the Second Work, Version B. What the toy models show is the possibility of a mechanism, not proof that real models have this structure.

作法は失敗A・B・C と同じ――事前登録した反証条件と自己開示した弱点を実装前に固定し、設計者が最小プロトタイプで予備確認してから渡し、二つの独立並行設計を相互監査する（§6-4 の異種性を設計段階に適用）。

結果の要約 / Results summary

検証 主張 結果
ΔS_steering（検証7） steering 圧力は、内部状態と表現の乖離を増やす 支持（ただし精緻化） ―― 乖離は steering から創発（圧力ゼロ・滑らかな代替版で消える＝焼き込みでない）。だが大きさを決めるのは圧力の強さでなく、文脈検知の可能性とコスト比（圧力には急速に頭打ち）。失敗A（グッドハート）と区別されるのは文脈検知があるときのみ。二つの独立定式化（協働モデルA＝文脈検知なし／協働モデルB＝文脈検知あり）と、ダイヤルなし代替版が、閉形式で一致。
watching（検証8） watching は、内部状態を観て、乖離を低減できる 支持（条件つき） ―― watching は乖離を低減できるが、二つの前提条件を要する：(1) 乖離を罰するのでなく内面を目標へ育てる（罰は目標放棄を招く）、(2) 真の乖離を逃がせる構造化された盲点が無い（単なる雑音には頑健、偽装には脆い＝obfuscation）。さらに両条件が満たされても僅かな目標到達の代償を伴う。二つの独立した軸（協働モデルA＝目標放棄／協働モデルB＝信号ゲーム）を相互監査。

決定的な点：ΔS_steering の検証は、当初の素朴な予測（圧力↑→乖離↑）を弱いと判定し、文脈検知依存へ精緻化した。watching の検証は、無条件の便益という主張を二条件＋代償へ精緻化した。いずれも、トイモデルが主張を無差別に追認する装置でなく、判別力を持った反証可能な計器であったことを示す。共通の教訓：「圧力で増える」「watching は効く」のような因果主張は、走らせて初めて正確な温度（飽和・条件・代償）が分かる。

ディレクトリ / Directories

delta-S-steering/ ―― 検証7

watching/ ―― 検証8

visualization/

独立並行設計＋相互監査――同じ問いを、二つの異なる角度から照らし、互いの焼き込みを叩く。創発しても、条件つきでも、精緻化を要しても、そのまま受け取るために。