🤖 Clockwork Hippocrates 🧑⚕️
最近のAIの進化には、本当に目を見張るものがありますよね。ほんの数年前までは、言葉のキャッチボールすらどこかぎこちなく、少し複雑な質問をするとすぐに会話が破綻してしまっていました。しかし今や、プログラミングの複雑なコードを瞬時に書き上げ、難解な医学論文を数秒で要約し、法律の複雑な相談にまで的確に乗ってくれます。あまりの流暢さと博識ぶりに、「もしかして、もう人間の知能は超えられてしまったのではないか」と焦りや畏れを感じた経験がある人も、きっと少なくないはずです。
でも、それだけ信じられないほど賢いはずのAIが、時々、私たち人間からすると「どうしてそんな間違いをするの？」とびっくりするような嘘をつくことがあります。
たとえば、「手に持っていたリンゴを手放したら、ふわふわと空に向かって落ちていきました」というような、地球上の物理的にありえない情景をさも当然の事実であるかのように描写したり、大学レベルの論理パズルは解けるのに、小学生でも間違えないような単純な足し算の桁を平気で間違えたりします。また、画像生成AIを使ってみたことがある方なら、「指が6本ある手」や「重力を完全に無視して宙に浮いているコーヒーカップ」、「鏡に映っているのに左右が反転していない文字」などを平気で出力してくるのを見たことがあるかもしれません。
あんなに難しい司法試験や医師国家試験に上位の成績で受かるほどの圧倒的な頭脳を持っているのに、なぜ幼稚園児でも直感的に知っている「モノは下に落ちる」「人間の指は5本である」という当たり前のことが、彼らにはわからないのでしょうか。
その答えの核心は、今のAIは「膨大な言葉の統計的パターン」を知っているだけで、「現実世界そのものの普遍的なルール」を理解しているわけではない、という点にあります。
今回は、人工知能が真の意味で人間と同等、あるいはそれ以上の汎用的な知能（AGI：汎用人工知能）を獲得するための有力な道筋の一つとして、世界中で熱狂的に研究されている「ワールドモデル（世界モデル）」という考え方についてお話しします。
Transformerのような確率論的なアルゴリズムでは、なぜ現実社会の絶対的な物理法則や、数学の公理・定理といった普遍的・不変的なものを扱うことが難しいのか。そして、それらを扱うためには、どのような新しいアルゴリズムや理論が必要になるのか。医療の研究や臨床の現場への応用も交えながら、一緒に一つひとつ紐解いていきましょう。
1. AIは「確率」の天才だが、「絶対」を知らない
現在のAIブーム、特にChatGPTのような大規模言語モデル（LLM）の驚異的な性能の立役者は、「Transformer（トランスフォーマー）」と呼ばれる情報処理の仕組みです。
Transformerは、文章などの入力データの中で「どの単語とどの単語が強く関係しているか」に注意を向ける（Attention機構）ための、非常に効率的で強力なネットワークの設計方式です (Vaswani et al. 2017)。現在の多くのLLMは、この優れたエンジンを使って、「ある文脈が与えられたときに、次に何が来る確率が一番高いか（次トークン予測）」を徹底的に学習しています (Brown et al. 2020)。
私たちがスマートフォンのキーボードで「おつ」と打つと、「お疲れ様です」「お次」といった次に来そうな言葉が予測変換の候補に出ますよね。自己回帰型と呼ばれる現在のLLMは、この予測変換を、インターネット上の何千億、何兆という膨大なデータをもとにして、途方もないスケールで計算しているのです。
「この単語の並びがきたら、次は高確率でこの単語が来るはずだ」という連想ゲームを極限まで高速で繰り返していると言えます。彼らの基本原理は、条件付き確率分布を学ぶ「確率的な近似」にすぎません (LeCun 2022)。言葉の意味や現実世界の物理法則を根底から理解しているのではなく、「言葉の並び方の癖」を完璧にマスターしている状態です。
これがどういう危険をはらんでいるか、料理のレシピで例えてみましょう。
AIは過去の膨大なレシピデータから学んで、「カレーを作るとき、塩の量は小さじ1杯が妥当だ」と99.9999%の確率で正しく予測します。しかし、何万回かに1回、確率的なゆらぎのノイズとして「塩を10キロ入れる」と出力してしまうことがあります。私たち人間なら、「家庭用の鍋に10キロの塩なんて物理的に入りきらないし、食べたら致死量を超えてしまうから、絶対にあり得ない」と一瞬で判断できますよね。
どんなに99.9999%の精度で未来を予測できても、残りのわずか0.0001%で「物理法則や生理学の絶対ルールを無視したこと」を許容してしまうシステムであるなら、それは法則を「絶対に破ってはならない制約」として理解しているとは言えません。これが確率論的なアルゴリズムの最大の弱点です。
2. 「予測」と「保証」の壁：なぜ確率モデルだけでは限界があるのか
ここで本当に重要なのは、「予測すること」と「保証すること」は本質的に違う技術である、ということです。
ある物理法則に従う未来を、過去のデータから99.9999％の精度で「予測」できることと、その法則に違反する状態をシステムの構造上まったく「許容しない（保証する）」ことは、次元の異なる問題です。
自動運転車を想像してください。「99.99%の確率で赤信号で止まります」という予測能力の高いAIが運転する車に、あなたは命を預けられるでしょうか？ 万が一、残りの0.01%でそのまま交差点に突っ込んだら大事故になります。「絶対に赤信号ではブレーキをかける」「物理的に前の車をすり抜けることはできない」といった、システムレベルでのハードな制約（Hard Constraints）がなければ、安心して実社会に導入することはできません。
特に、数学の公理・定理や、論理学の普遍命題を扱う場合、確率モデルの「0.01%の誤差」は致命的になります。
論理学には「すべてのカラスは黒い」というような普遍命題があります。これを数式で書くと次のようになります。
\[ \forall x (P(x) \rightarrow Q(x)) \]
この普遍的なルールは、何万羽の黒いカラスを学習データとして読み込ませて「カラスは黒い確率が高い」と予測できたとしても証明されたことにはなりません。たった1羽でも「黒くないカラス」が出力された瞬間に、論理としては完全に破綻してしまうからです。
さらに深刻なのが、古典論理における「爆発原理（Principle of explosion）」です。これは、ある命題 \( P \) （例：今日は雨が降っている）と、その否定 \( \neg P \) （例：今日は雨が降っていない）という矛盾した2つの事実をシステム内部で同時に許容してしまうと、そこから論理回路がショートして、まったく関係のない任意の命題 \( Q \) （例：私は空を飛べる）を証明できてしまう、というものです。
\[ P, \neg P \vdash Q \]
ChatGPTのような確率ベースのLLMが、長い文章を生成している途中で自分で設定した前提を忘れ、平然と矛盾した結論を導き出してしまうのは（ハルシネーションの一因でもあります）、彼らの脳内が「論理的・数学的に絶対矛盾してはならない」という不変のルールによって守られていないからです (Bubeck et al. 2023)。
つまり、Transformerのような確率論的なアルゴリズムだけでは、現実社会の絶対的な物理法則や、数学の公理・定理など、普遍的・不変的なものを厳密に扱うことは原理的に難しいのです。
3. 「普遍的・不変的なルール」を扱うための新たなアルゴリズム
では、AIが現実世界の物理法則や数学の定理といった「普遍的・不変的なもの」を扱うためには、具体的にどうすればよいのでしょうか。
「確率的な予測（言葉の連想ゲーム）」しかできないなら、別の仕組みをくっつければいいじゃないか。というのが、現在のAI研究の最前線の考え方です。Transformerのずば抜けた予測能力に加えて、全く別のアプローチを持つ「ガチガチのルールを守る」アルゴリズムや理論を統合する試みが、世界中で急速に進んでいます。
ここでは、その代表的なアプローチを3つ、なるべく専門用語を使わずに紹介しましょう。
① PINNs（物理法則に基づくニューラルネットワーク）
まず一つ目は、現実の物理法則（たとえば「物質は突然消えたり増えたりしない」という質量保存の法則や、流体の動きなど）を、AIに絶対のルールとして守らせるための画期的なアルゴリズム「PINNs (Physics-Informed Neural Networks)」です (Raissi et al. 2019)。
従来のAIの学習は、とにかく大量のデータを与えて「正解とどれくらい近いか」をひたすら答え合わせする、というものでした。しかし、これでは未知の状況になると平気で物理法則を無視してしまいます。
そこでPINNsは、AIが学習するときに使う「間違いの大きさを測る計算式（損失関数）」の中に、微分方程式などの物理法則そのものを直接組み込みました。たとえるなら、これまでのAIが「とにかくお手本通りに描けばOKの自由なお絵かき」だったのに対し、PINNsは「絶対に枠線からはみ出してはいけない、はみ出したら強烈なペナルティが与えられる塗り絵」のようなものです。
AIがもし、物理法則に反する出力（例：リンゴが上に落ちる、密閉空間で突然エネルギーが増える）を出そうとすると、計算のうえで巨大な罰則が与えられます。するとAIは「このルールだけは絶対に破ってはいけないんだな」と理解し、強制的に物理法則の枠内に収まるように学習が進みます。これのおかげで、少ない学習データでも「絶対に物理法則を破らない（不変性を保つ）AI」を作ることができるのです (Raissi et al. 2019)。
② 神経記号AI（Neuro-symbolic AI）
二つ目は、ディープラーニングのような「神経回路網（ニューラルネットワーク）」の直感的なパターン認識能力と、昔ながらの「記号論理（シンボリックAI）」の厳密な推論能力をがっちり合体させるアプローチです (Garcez et al. 2022)。
これは人間で言えば、「パッと見で犬だとわかる直感（システム1）」と、「数学の数式を一段ずつルールに従って解いていく論理的思考（システム2）」を組み合わせるようなものです。
たとえるなら、ニューラルネットワークは「経験豊富で勘は鋭いけど、たまに信じられないような凡ミスをするベテラン職人」です。一方の記号論理は、「勘はゼロだけど、マニュアル（ルールブック）に書かれた通りにしか動かず、絶対にミスをしないガチガチの監査員」です。
神経記号AIでは、まずLLM（ベテラン職人）が人間の曖昧な言葉を解釈して背後にある知識やルールを抽出し、それを記号論理のプログラムに変換して監査員に計算させます。こうすることで、AI特有の「もっともらしい嘘（計算間違いや論理の矛盾）」を構造的に完全に防ぐことを目指しているのです (Garcez et al. 2022)。
③ 定理証明支援系との統合（形式検証）
三つ目は、数学の公理や定理を「絶対に間違いのないもの」として扱うためのアプローチです。
最近では、LLMが直感的に思いついた数学の証明のアイデアを、「Lean（リーン）」のような厳密な定理証明支援プログラムに渡し、コンピュータの圧倒的な計算力で「論理的な飛躍や矛盾が一切ないか」を1行ずつ徹底的に検証させる技術が注目を集めています (de Moura and Ullrich 2021)。
これは先ほどの例に似ていますが、「天才的なひらめきでアイデアをバンバン出すけど、たまに計算が合わない企画担当（LLM）」が提案書を書き、それを「重箱の隅をつつくように論理の穴をチェックする鬼の法務部（Lean）」が審査するようなものです。法務部が「ここ、論理が飛躍してます」と突き返せば、企画担当が考え直します。
Google DeepMindが発表したAlphaProofなどはまさにこの仕組みを使っており、人間の天才でも頭を抱えるような国際数学オリンピックレベルの難問を解くことに成功して世界を驚かせました (Hubert et al. 2025)。
このように、確率論的なアルゴリズム（Transformerなど）だけではどうしても超えられない壁を、物理法則の強制的な埋め込みや、鬼の法務部による論理的な形式検証といった「別のアルゴリズム」を組み合わせることで突破しようとしているのが、現在のAI研究の最前線なのです。
4. 科学の「反証可能性」と、世界を理解するフィードバックループ
数学の公理や絶対的な物理法則を守る仕組みが必要な一方で、私たちの住む現実世界には「完全にはルール化できない、やってみないとわからないこと」も無数に存在します。医学や生物学などの経験科学の世界がまさにそうです。
ここで重要になるのが、科学哲学の分野で提唱されている「反証可能性（Falsifiability）」という概念です (Popper 1959)。
科学の理論は、どんなに美しくても、現実の観測データと合わなければ間違っているとみなされます。科学理論は「どのような観測結果が出たら、自分の理論が間違いだと認めるか」をあらかじめ示せる必要があります。もし予測と現実が食い違ったら、科学者は潔く自分の理論を修正するか、捨てなければなりません。
AIが本当に「世界」を理解して適応していくためには、この反証可能性のプロセスをシステムに組み込む必要があります。
単に過去の固定されたデータから「次の言葉」を予測するだけの静的なLLMには、この仕組みがありません。出力した答えが現実と矛盾していても、それに気づいて自らの内面にあるモデルを修正することができないのです。
真の知能には、以下のようなダイナミックなフィードバックの循環ループが必要です。
- 自分の持っている「世界のモデル」をもとに、結果を予測する。
- 実際に行動を起こし（または現実のデータを受け取り）、現実を観測する。
- 予測と現実のズレ（エラー）を検出（反証）する。
- そのエラーをもとに、自分の中の「世界のモデル」を修正・更新する。
絶対的なルール（数学・物理）を逸脱しないように制約をかけつつ、不確実な現実に対しては、常に予測と観測を照らし合わせてモデルをアップデートしていく。この両輪が揃って初めて、AIは現実世界で機能する知能を獲得できるのです。
5. ワールドモデル：世界のルールを統合した「頭の中のシミュレータ」
ここまで見てきた、「確率的な予測」「普遍的なルールによる絶対的制約」「論理的な検証」、そして「現実との反証ループ」。これらをすべて統合し、AIの頭の中に現実世界のミニチュア版を作り上げようという壮大な概念が、「ワールドモデル（世界モデル）」です (Ha and Schmidhuber 2018; LeCun 2022)。
私たち人間も、巨大なソファを狭いドアから搬入する際、いきなり力任せに突っ込むことはしません。頭の中でソファとドアの立体モデルを思い浮かべ、回転させたりして、「この角度だと物理的にドアノブに当たるから絶対に入らない」と事前にシミュレーションしますよね。
ワールドモデルを獲得したAIは、膨大なデータを学習するだけでなく、その背後にある「原因と結果（因果関係）」や「物理法則」を内部構造として保持します。
AGI（汎用人工知能）が実現するためには、単なる言葉の連想ゲームではなく、このワールドモデルを通じて「自分の行動が世界にどういう影響を与えるか」を事前にシミュレーションし、致命的な失敗（絶対ルールの違反）を避ける能力が不可欠だと考えられているのです。
6. 医療・臨床現場で「ワールドモデル」が輝く理由
この「普遍的なルールを扱い、世界をシミュレーションできるAI」が進化していくと、医療の研究や臨床の現場にどのようなブレイクスルーをもたらすのでしょうか。
医療現場は、まさに「確率的な予測」だけでは勝負してはいけない世界の筆頭です。患者さんの命や健康が直結しているため、「99%の確率で合っていますが、1%の確率で致死的な処方を出します」というシステムは絶対に導入できません。
たとえば薬剤の処方を考えてみましょう。確率モデルのAIが「この症状にはAという薬が90%の確率で正解です」と提案したとします。しかし医療の現実には、添付文書に記載された「絶対に投与してはいけない条件（禁忌）」、用量の上限、危険な薬物相互作用など、見落としてはならない厳格な安全制約（ハードコンストレイント）が無数に存在します。
将来の安全な医療AIでは、Transformerなどの言語モデルが導き出した「統計的な予測」をそのまま出力するのではなく、神経記号AIのような別のアプローチを用いて、医学的・生理学的な安全条件を「絶対的な制約ルール」として確実に通し、矛盾がないかを論理的に検証する設計が不可欠になります。
さらに、ワールドモデルの概念の延長として非常に期待されているのが、「デジタルツイン」や「インシリコ（コンピュータ上での）医療」です (Corral-Acero et al. 2020)。
患者さんの遺伝子情報や検査データをもとに、コンピュータの中に「その患者さんの生理学的な精密モデル」を作り上げます。そこにPINNsのような物理・生化学的な絶対法則を組み込むことで、「この新しい抗がん剤を投与した場合、がん細胞はどう縮小し、心臓の機能にどう副作用が出るか」といった治療シナリオを、実際の患者さんに薬を投与する前に、安全にコンピュータ上で何度もシミュレーションして比較検討できるようになります。
現在の人体モデルは現実の複雑さを完全に再現できるわけではないため、シミュレーション結果だけで治療効果や安全性を100%保証することは現時点では不可能です。それでも、AIが単なる言葉の予測を超えて、生理学の不変的なルールや因果関係を内包した高度なワールドモデルを獲得していけば、新薬開発の効率化や、患者さんごとの最適な治療法の探索（個別化医療）において、計り知れない貢献をもたらすはずです。
7. おわりに：確率の海から、世界の理解へ
今の生成AIは、インターネット上にある途方もない量の「言葉の海」を泳ぎ回り、次に来るべき言葉を巧みに予測する達人です。膨大な知識を引き出し、自然な対話を成立させるその能力は、紛れもなく魔法のようなテクノロジーです。
しかし、私たちが本当に求めている「信頼できる相棒としてのAI」、特に人命に関わる医療や社会インフラを支えるAIは、単に口が達者なだけでは不十分です。
コップを手放せば割れること、人体に特定の物質を入れれば毒になること、矛盾した論理は破綻すること、そして何より、私たちの社会には安全のために「絶対に守らなければならない普遍的な制約」があること。確率論的なアルゴリズムだけでは取りこぼしてしまうこれらの絶対的なルールを、PINNsや神経記号AIといった新たなアルゴリズムを統合することでAIに教え込もうとする挑戦が、今まさに進んでいます。
AIが単なる「確率の計算」という殻を破り、頭の中に豊かな「現実世界」を描き出し、不変の法則を守りながら未来をシミュレーションできるようになったとき。その時こそ、私たちは単なる便利なツールを超えた、本当の意味での「新しい知能」と出会うことになるのかもしれません。
この劇的なパラダイムシフトを、期待と少しの冷静さを持って見守っていきましょう。
※本記事は情報提供および教育を目的としたものであり、特定の医薬品、医療機器、治療法を推奨するものではありません。また、AI技術の将来の可能性について論じたものであり、その効果効能を保証するものではありません。健康に関する具体的なご懸念やご相談は、必ず専門の医療機関および医師にご相談ください。
参考文献
- Brown, T.B. et al. (2020) ‘Language Models are Few-Shot Learners’, Advances in Neural Information Processing Systems, 33, pp. 1877-1901.
- Bubeck, S. et al. (2023) ‘Sparks of Artificial General Intelligence: Early experiments with GPT-4’, arXiv. [Preprint]
- Corral-Acero, J. et al. (2020) ‘The \’Digital Twin\’ to enable the vision of precision cardiology’, European Heart Journal, 41(48), pp. 4556-4564.
- de Moura, L. and Ullrich, S. (2021) ‘The Lean 4 Theorem Prover and Programming Language’, Automated Deduction – CADE 28, pp. 425-436.
- Garcez, A.d’A. et al. (2022) ‘Neural-Symbolic Computing: An Effective Methodology for Principled Integration of Machine Learning and Reasoning’, Journal of Applied Logics, 9(1), pp. 151-177.
- Ha, D. and Schmidhuber, J. (2018) ‘World Models’, Zenodo.
- Hubert, T. et al. (2025) ‘Olympiad-Level Formal Mathematical Reasoning with Reinforcement Learning’, Google AI Research.
- LeCun, Y. (2022) ‘A Path Towards Autonomous Machine Intelligence Version 0.9.2’, OpenReview.
- Popper, K.R. (1959) The Logic of Scientific Discovery. Hutchinson.
- Raissi, M., Perdikaris, P. and Karniadakis, G.E. (2019) ‘Physics-Informed Neural Networks: A Deep Learning Framework for Solving Forward and Inverse Problems Involving Nonlinear Partial Differential Equations’, Journal of Computational Physics, 378, pp. 686-707.
- Vaswani, A. et al. (2017) ‘Attention Is All You Need’, Advances in Neural Information Processing Systems, 30.
ご利用規約（免責事項）
当サイト（以下「本サイト」といいます）をご利用になる前に、本ご利用規約（以下「本規約」といいます）をよくお読みください。本サイトを利用された時点で、利用者は本規約の全ての条項に同意したものとみなします。
第1条（目的と情報の性質）
- 本サイトは、医療分野におけるAI技術に関する一般的な情報提供および技術的な学習機会の提供を唯一の目的とします。
- 本サイトで提供されるすべてのコンテンツ（文章、図表、コード、データセットの紹介等を含みますが、これらに限定されません）は、一般的な学習参考用であり、いかなる場合も医学的な助言、診断、治療、またはこれらに準ずる行為（以下「医行為等」といいます）を提供するものではありません。
- 本サイトのコンテンツは、特定の製品、技術、または治療法の有効性、安全性を保証、推奨、または広告・販売促進するものではありません。紹介する技術には研究開発段階のものが含まれており、その臨床応用には、さらなる研究と国内外の規制当局による正式な承認が別途必要です。
- 本サイトは、情報提供を目的としたものであり、特定の治療法を推奨するものではありません。健康に関するご懸念やご相談は、必ず専門の医療機関にご相談ください。
第2条（法令等の遵守）
利用者は、本サイトの利用にあたり、医師法、医薬品、医療機器等の品質、有効性及び安全性の確保等に関する法律（薬機法）、個人情報の保護に関する法律、医療法、医療広告ガイドライン、その他関連する国内外の全ての法令、条例、規則、および各省庁・学会等が定める最新のガイドライン等を、自らの責任において遵守するものとします。これらの適用判断についても、利用者が自ら関係各所に確認するものとし、本サイトは一切の責任を負いません。
第3条（医療行為における責任）
- 本サイトで紹介するAI技術・手法は、あくまで研究段階の技術的解説であり、実際の臨床現場での診断・治療を代替、補助、または推奨するものでは一切ありません。
- 医行為等に関する最終的な判断、決定、およびそれに伴う一切の責任は、必ず法律上その資格を認められた医療専門家（医師、歯科医師等）が負うものとします。AIによる出力を、資格を有する専門家による独立した検証および判断を経ずに利用することを固く禁じます。
- 本サイトの情報に基づくいかなる行為によって利用者または第三者に損害が生じた場合も、本サイト運営者は一切の責任を負いません。実際の臨床判断に際しては、必ず担当の医療専門家にご相談ください。本サイトの利用によって、利用者と本サイト運営者の間に、医師と患者の関係、またはその他いかなる専門的な関係も成立するものではありません。
第4条（情報の正確性・完全性・有用性）
- 本サイトは、掲載する情報（数値、事例、ソースコード、ライブラリのバージョン等）の正確性、完全性、網羅性、有用性、特定目的への適合性、その他一切の事項について、何ら保証するものではありません。
- 掲載情報は執筆時点のものであり、予告なく変更または削除されることがあります。また、技術の進展、ライブラリの更新等により、情報は古くなる可能性があります。利用者は、必ず自身で公式ドキュメント等の最新情報を確認し、自らの責任で情報を利用するものとします。
第5条（AI生成コンテンツに関する注意事項）
本サイトのコンテンツには、AIによる提案を基に作成された部分が含まれる場合がありますが、公開にあたっては人間による監修・編集を経ています。利用者が生成AI等を用いる際は、ハルシネーション（事実に基づかない情報の生成）やバイアスのリスクが内在することを十分に理解し、その出力を鵜呑みにすることなく、必ず専門家による検証を行うものとします。
第6条（知的財産権）
- 本サイトを構成するすべてのコンテンツに関する著作権、商標権、その他一切の知的財産権は、本サイト運営者または正当な権利を有する第三者に帰属します。
- 本サイトのコンテンツを引用、転載、複製、改変、その他の二次利用を行う場合は、著作権法その他関連法規を遵守し、必ず出典を明記するとともに、権利者の許諾を得るなど、適切な手続きを自らの責任で行うものとします。
第7条（プライバシー・倫理）
本サイトで紹介または言及されるデータセット等を利用する場合、利用者は当該データセットに付随するライセンス条件および研究倫理指針を厳格に遵守し、個人情報の匿名化や同意取得の確認など、適用される法規制に基づき必要とされるすべての措置を、自らの責任において講じるものとします。
第8条（利用環境）
本サイトで紹介するソースコードやライブラリは、執筆時点で特定のバージョンおよび実行環境（OS、ハードウェア、依存パッケージ等）を前提としています。利用者の環境における動作を保証するものではなく、互換性の問題等に起因するいかなる不利益・損害についても、本サイト運営者は責任を負いません。
第9条（免責事項）
- 本サイト運営者は、利用者が本サイトを利用したこと、または利用できなかったことによって生じる一切の損害（直接損害、間接損害、付随的損害、特別損害、懲罰的損害、逸失利益、データの消失、プログラムの毀損等を含みますが、これらに限定されません）について、その原因の如何を問わず、一切の法的責任を負わないものとします。
- 本サイトの利用は、学習および研究目的に限定されるものとし、それ以外の目的での利用はご遠慮ください。
- 本サイトの利用に関連して、利用者と第三者との間で紛争が生じた場合、利用者は自らの費用と責任においてこれを解決するものとし、本サイト運営者に一切の迷惑または損害を与えないものとします。
- 本サイト運営者は、いつでも予告なく本サイトの運営を中断、中止、または内容を変更できるものとし、これによって利用者に生じたいかなる損害についても責任を負いません。
第10条（規約の変更）
本サイト運営者は、必要と判断した場合、利用者の承諾を得ることなく、いつでも本規約を変更することができます。変更後の規約は、本サイト上に掲載された時点で効力を生じるものとし、利用者は変更後の規約に拘束されるものとします。
第11条（準拠法および合意管轄）
本規約の解釈にあたっては、日本法を準拠法とします。本サイトの利用および本規約に関連して生じる一切の紛争については、東京地方裁判所を第一審の専属的合意管轄裁判所とします。
For J³, may joy follow you.
