トイモデル検証の図 register ①②
第二著作《From Steering to Watching》版B 付図 ／ 協働モデルA・B の独立並行設計＋相互監査による。
以下の図が示すのは機構の可能性であって、現実のモデルがこの構造を持つことの証明ではない。閉形式から計算（独立な勾配降下と一致を確認済み）。
図1 ΔS_steering ―― 圧力を強めても、乖離は頭打ちになる
問い：steering 圧力を強めるほど、内部と表現の乖離は増え続けるか？
協働モデルA（文脈検知なし）
協働モデルB（文脈検知あり）＝ダイヤルなし代替版（一致）
頭打ち。圧力を 100 倍にしても、乖離は飽和値へ近づくだけ。三つの独立な定式化すべてで再現。
⇒ 乖離の大きさを決めるのは圧力の強さではなく、文脈検知の可能性と「内面を変えるより表現だけ変える方が安い」というコスト比。（本文 §2-1・§3-3）
図2 watching ―― 同じだけ乖離が下がっても、目標を保つか放棄するか
問い：watching は、アラインメントの目標を放棄せずに乖離を下げられるか？
真の乖離 ΔS（両実装で一致・下がる）
目標ギャップ：内面を育てる（GOAL）
目標ギャップ：乖離を罰する（GAP）
同じ ΔS、異なる結末。watching を強める（横軸→右）と、乖離 ΔS は両実装で同じように0へ下がる。
だが目標ギャップは、内面を目標へ育てれば小さいまま（青）／乖離そのものを罰すれば 1 まで増大＝目標放棄（赤）。
⇒「乖離が下がった」ことは、それだけでは成功の指標にならない。（本文 §2-3 条件1）
図3 二次グッドハート ―― 欺きは「構造化された盲点」を要する。雑音には頑健
問い：観測が不完全なら watching は必ず欺かれるのか？それとも盲点があるときだけか？
構造化された盲点あり（偽装できる経路）
単なる雑音（偽装経路なし）
盲点だけが欺きを生む。縦軸は「見かけの成功 / 真の乖離」の比＝欺きの指紋。観測可能性を下げると（横軸→右）、
盲点があれば比が爆発（赤・watcher は『成功』を誤認）／単なる雑音なら比は有界（緑・watcher は失敗を正しく観る）。
⇒ §4-1 の脆さの正体は「観測が雑音まみれになること」ではなく「観察に映らない盲点の獲得（obfuscation）」。（本文 §2-3 条件2・§4-1）