論文の概要: A Multi-Tiered AI Accessibility Model (MAIAM): Proportionate Access and Capability Limits for Comprehensive Frontier AI Safety

• arxiv url: http://arxiv.org/abs/2610.20921v1
• Date: Wed, 14 Oct 2026 20:52:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.069785
• Title: A Multi-Tiered AI Accessibility Model (MAIAM): Proportionate Access and Capability Limits for Comprehensive Frontier AI Safety
• Title（参考訳）: マルチティアAIアクセシビリティモデル(MAIAM):フロンティアAIの包括的安全のための適切なアクセスと能力限界
• Abstract要約: 我々は、目的、安全性、能力によってアクセスをソートするMAIAM(Multi-Tiered AI Accessibility Model)を提案する。 私たちは、開発者がリリース後に持っているすべての安全レバーを、フロンティアクラスのウェイトを禁止している理由を示しています。 能力、自律性、ドメイン・コンシークエンス、使用/安全軸に沿った階層にシステムを割り当てる基準を与えます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Most debate about releasing capable AI systems treats the choice as binary: keep the model behind an API, or publish the weights. That framing runs together two separate decisions. One is how capable a system may become. The other is who may obtain a given capability, and on what terms. This paper is about the second decision. We propose a Multi-Tiered AI Accessibility Model (MAIAM) that sorts access by purpose, safety, and capability instead of by release artifact. Tier 1, AI for Learning, is broadly accessible and deliberately capability-bounded. Tier 2, AI for Exploration, serves research and development under registration, identity, and usage controls that tighten as capability rises. Tier 3, Full-Scale Frontier AI, is available only through structured, recorded, and accountable access. The principle behind the tiers is that accessibility should be proportional to capability, safety, and risk. We show why publishing frontier-class weights forfeits every safety lever a developer has after release, and, using evidence that safety fine-tuning can be stripped from open weights for a few hundred dollars, why an evaluation of the base model says little about its derivatives. We give criteria for assigning a system to a tier along capability, autonomy, domain-consequence, and usage/safety axes, and combine MAIAM with the SAFE AI Operating Point into a two-part framework: a Capability Boundary that fixes the safety limits not to be crossed, and an Accessibility Boundary that fixes who may obtain a capability below that limit. Capability limits alone do not make AI safe; a tiered access regime administered by regulating bodies is also needed.
• Abstract（参考訳）: 有能なAIシステムのリリースに関するほとんどの議論では、選択肢をバイナリとして扱う。 そのフレーミングは2つの別々の決定をまとめる。 ひとつは、システムがいかに有能になるかです。 もう一つは,与えられた能力と,どのような条件で取得することができるか,という点です。 この論文は2つ目の決定である。 本稿では,MAIAM(Multi-Tiered AI Accessibility Model)を提案する。 AI for Learningのティア1は、広くアクセス可能で、意図的に能力に縛られている。 ティア2 探索のためのAIは、登録、アイデンティティ、利用制御の下で研究と開発を提供し、能力の増大に伴って強化される。 Tier 3 フルスケールフロンティアAIは、構造化、記録、説明可能なアクセスを通じてのみ利用可能である。 階層の背後にある原則は、アクセシビリティは能力、安全性、リスクに比例すべきである。 開発者がリリース後、フロンティアクラスのウェイトを発行することが、すべてのセーフティレバーを没収する理由を示し、安全の微調整が数百ドルで開かれたウェイトから取り除かれるという証拠を用いて、ベースモデルの評価がそのデリバティブについてほとんど言及していない理由を示す。 我々は、MAIAMとSAFE AIオペレーティングポイントを2つのフレームワークに組み合わせ、能力、自律性、ドメイン・コンセレンス、使用/安全軸に沿った階層にシステムを割り当てる基準を提示する。 能力制限だけではAIを安全とはならない。

関連論文リスト

• GDM AI Control Roadmap [14.418699101534743]
  AIエージェントが常に完全に整合していると仮定してはならないが、代わりに複数の防御層を構築するべきだ。 我々はGDM AI Control Roadmapを提示する。
  論文  参考訳（メタデータ） (2026-07-13T14:20:06Z)
• The Digital Apprentice: A Framework for Human-Directed Agentic AI Development [0.0]
  我々は,自律性を前提とせず,スケーラブルで安全なAIエージェンシーのためのフレームワークを提案する。 デジタル・アレンティス(Digital Apprentice)は、人間の暗黙の方法論を内包する発達学習者である。 我々は,データドリフトを捕捉し,実行時に異なる手法を適用することによって,トラフィックシフト時の品質の劣化を回復する方法を示す。
  論文  参考訳（メタデータ） (2026-06-03T00:49:13Z)
• The Accessibility Capability Boundary: Operational Limits and Expansion Potential of AI-Generated Browser-Native Accessibility Systems [0.0]
  AI駆動のアクセシビリティシステムはどこまで使えるのか? 本稿では、自律的アクセシビリティシステムの運用限界と拡張可能性について推論するための正式なフレームワークであるtextitAccessibility Capability Boundary (ACB) を紹介する。 我々は、2つの実世界の探索プロトタイプの分析に理論的枠組みを定めている。
  論文  参考訳（メタデータ） (2026-05-19T10:23:48Z)
• The Open-Weight Paradox: Why Restricting Access to AI Models May Undermine the Safety It Seeks to Protect [0.0]
  オープンウェイト人工知能(AI)モデルのガバナンスは、リスクとしてのオープン性、安全性としての制限という2つの選択肢として考えられている。 本稿は、規制された代替手段を使わずに、アクセス制限がリスクを減らすよりもリスクをなくす可能性があることを論じる。
  論文  参考訳（メタデータ） (2026-04-19T12:38:14Z)
• Combining AI Control Systems and Human Decision Support via Robustness and Criticality [53.10194953873209]
  我々は、逆説(AE)の方法論を最先端の強化学習フレームワークに拡張する。 学習したAI制御システムは、敵のタンパリングに対する堅牢性を示す。 トレーニング/学習フレームワークでは、この技術は人間のインタラクションを通じてAIの決定と説明の両方を改善することができる。
  論文  参考訳（メタデータ） (2024-07-03T15:38:57Z)
• Towards Guaranteed Safe AI: A Framework for Ensuring Robust and Reliable AI Systems [88.80306881112313]
  我々は、AI安全性に対する一連のアプローチを紹介し、定義する。 これらのアプローチの中核的な特徴は、高保証の定量的安全性保証を備えたAIシステムを作ることである。 これら3つのコアコンポーネントをそれぞれ作成するためのアプローチを概説し、主な技術的課題を説明し、それらに対する潜在的なソリューションをいくつか提案します。
  論文  参考訳（メタデータ） (2024-05-10T17:38:32Z)
• Cybertrust: From Explainable to Actionable and Interpretable AI (AI2) [58.981120701284816]
  Actionable and Interpretable AI (AI2)は、AIレコメンデーションにユーザの信頼度を明確に定量化し視覚化する。 これにより、AIシステムの予測を調べてテストすることで、システムの意思決定に対する信頼の基盤を確立することができる。
  論文  参考訳（メタデータ） (2022-01-26T18:53:09Z)
• Structured access to AI capabilities: an emerging paradigm for safe AI deployment [0.0]
  AIシステムをオープンに普及させる代わりに、開発者はAIシステムとの制御された腕の長さのインタラクションを促進する。 Aimは、危険なAI能力が広くアクセスされることを防ぐと同時に、安全に使用できるAI機能へのアクセスを保護することを目的としている。
  論文  参考訳（メタデータ） (2022-01-13T19:30:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。