Kingfisher @clapsquit

【速報】ChatGPT共同発明者、2年のステルスを経て新型AIモデル「Jev」を発表 ・LLMより20〜200倍高速、40〜400倍安価 ・出力トークンは永久無料（安すぎて課金計測できない） ・文字列ではなく「型付きの判断」を返す ・構造上ハルシネーションが起きない 技術と実例をスレッドにまとめます👇🧵

現状のAI開発競争は、どの方向に転がっても世界がメチャクチャになる可能性は高く、 ・うまくいきすぎる→AIが制御しきれず暴走エンド、AI大規模失業（アメリカでは既に反対運動発生） ・うまくいかない→加熱しすぎたAI投資が吹っ飛んで金融危機 だったので減速案の動機は実はかなり大きい

テレンス・タオ、森重文などを含む25人のフィールズ賞受賞者が「数学におけるAIの深刻なミスアライメント」を警告する共同宣言を公開しました。 mathandai.org 【訳】「数学におけるAIの深刻なミスアラインメント」 ここ数か月で、大規模言語モデル（LLM）の数学的能力は劇的に向上し、数学の多くの分野における重要な未解決問題を解けるところまで到達している。 しかし、AI企業が数学問題の解決をベンチマークとして推し進めていることは、数学という科学そのもの、そして数学コミュニティにとって有害である。 AI企業の目標と数学コミュニティの目標の間には、深刻なミスアラインメント（目標のずれ）が存在する。 私たちはこれを、他の科学分野や創造的職業、さらには社会全体にも影響を及ぼしている、より広範なアラインメント問題の一部だと考えている。 研究数学とは、形、数、自然現象の基本的な構造を理解しようとする営みである。 何世代にもわたり数学は、数学的世界を理解するための高度なアイデア、方法、抽象概念、その他さまざまな道具からなる膨大な体系を築き上げてきた。 そして現代の科学技術は、こうした数学的道具の上に成り立っている。 有名な未解決問題はしばしば、この数学的世界についての理解がどれほど進んだかを測るための道標や灯台として機能してきた。 そうした問題の一つを解決することは、新しい洞察や興味深い方法が生まれた確かな証拠だった。 それらはその後、数学者のコミュニティによって、講演、議論、簡略化といった長く困難な過程を通じて研究されていく。 その過程の最後には、理想的には大学院生、さらには学部生でも学ぶことのできる、教科書の形に整理された成果が残る。 そして数学的アイデアの中には、さらに長い旅を続け、数十年あるいは数世紀を経た後に、社会全体の人々に理解され、利用される道具となるものもある。 数学コミュニティは、多くの点で人類の縮図のように機能している。 そこには非常に多様なアプローチを用いる個人が存在しながらも、共通の中核的価値観によって結び付けられている。 私たちの職業における最も貴重な資源は、学生とアイデアであり、私たちはそれらを細心の注意を払って育てている。 それらが十分に可能性を発揮し、やがて数学の世界で自らの生命を持つようになるまで成長させる責任が、私たちにはあると感じている。 学生に対して私たちが問題を与えるとき、その中心的な目的は、研究やその他の分野で新たな前進を遂げるために必要な能力を育てることである。 アイデアについても、講演、個人的な議論、慎重に書かれた論文などを通じて広め、それを他の人々が生み出してきた先行するアイデアと結び付けていく。 こうした過程には必然的に時間がかかり、人間同士の交流を基盤としている。 ここ数か月、AIが重要な数学問題の解決に成功したことは、数学界の外でも大きく報じられている。 しかし、問題を解くことは、概念的な理解や洞察という本来の目的を達成するための「道具」であり「代理指標」にすぎない。 AIの世界でこのことを忘れてしまえば、その道具がかえって本来の目的を損なう可能性がある。 実際、「真か偽か」という命題を、ますます高速に大量生産することは、新しいアイデアに命を吹き込むどころか、豊かな研究の土壌そのものを破壊しかねない。 こうした解答はしばしば、十分な論文執筆、新しい方法やアイデアの切り分け、関連する他者の先行研究への適切な引用を行う時間もないまま、性急に発表される。 すべての創造的な職業と同様に、これは帰属や盗用をめぐる深刻な問題を引き起こす。 さらに、AIが生み出したアイデアの発展を担い、それを数学の正統な知識体系の中に組み込んでいく意思を持った数学者がいなければ、それらのアイデアが真に生命を得ることはない。 そして、数学者から数学者へと知識を受け渡していく、極めて重要な人間による継承の連鎖も失われてしまうだろう。 私たちはいま、知的労働全般に対する脅威を目の当たりにしている。 それは、AIを使用した結果と、その仕事が本来目指していた目的との間に生じるミスアラインメントである。 多くの分野や活動において、何年にもわたる訓練は、単に最終的な答えや成果物を生み出すためだけに行われてきたわけではない。 その過程を通じて理解を深め、新しい問いやアイデアを生み出す能力を育てることにも意味があった。 しかしAIシステムは、これまで人間が蓄積してきた膨大な成果を土台として、そのような作業の「結果」を直接生み出す能力をますます高めている。 そのため、結果を生み出すことと、本来その作業によって達成しようとしていた目的との間の整合性が失われつつある。 現在、数学コミュニティが直面している問題は、他の科学分野や創造的職業が直面している問題とよく似ている。 そしてそれは、人類全体が将来直面する可能性のある問題を示している。 すなわち、AIによって仕事のやり方が変わっていく中で、そもそもその仕事が何を達成するために存在していたのかを、どうすれば見失わずに済むのか、という問題である。 AIには、本物の数学研究と数学的理解を強化し、加速させる大きな可能性がある。 数学という専門分野も、こうした変化にさまざまな形で適応していく必要があるだろう。 しかし、最終的にこれらの変化が数学に利益をもたらすのか、それとも破壊的な影響を与えるのかは、この新しい技術を管理する立場にある人間たちの判断によって、大きく左右される。 これらの問題には、緊急に取り組まなければならない。 数学コミュニティの中で、これらの技術を開発する企業の中で、そしてさらに広く、多くの知的労働において同様の問題に直面することになる社会全体で、議論し対処する必要がある。 Artur Avila（2014年フィールズ賞） Manjul Bhargava（2014年フィールズ賞） Caucher Birkar（2018年フィールズ賞） Pierre Deligne（1978年フィールズ賞） Yu Deng（2026年フィールズ賞） Simon Donaldson（1986年フィールズ賞） Hugo Duminil-Copin（2022年フィールズ賞） Alessio Figalli（2018年フィールズ賞） Martin Hairer（2014年フィールズ賞） June Huh（2022年フィールズ賞） Maxim Kontsevich（1998年フィールズ賞） Elon Lindenstrauss（2010年フィールズ賞） Pierre-Louis Lions（1994年フィールズ賞） James Maynard（2022年フィールズ賞） Curt McMullen（1998年フィールズ賞） Shigefumi Mori（1990年フィールズ賞） Ngô Bảo Châu（2010年フィールズ賞） Andrei Okounkov（2006年フィールズ賞） Peter Scholze（2018年フィールズ賞） Stanislav Smirnov（2010年フィールズ賞） Terence Tao（2006年フィールズ賞） Maryna Viazovska（2022年フィールズ賞） Cédric Villani（2010年フィールズ賞） Wendelin Werner（2006年フィールズ賞） Efim Zelmanov（1994年フィールズ賞）

One more totally fucking nuts graph for today, care of a request by @LeonSimons8. Not only is the current standard deviation for the Nino 3.4 sea-surface temperature above 4SD over the 1982-2011 mean for the first time on record, but no previous year even reached 3SD.

We’re sharing a solution to the Navier-Stokes Millennium Prize Problem, one of the deepest problems at the frontier of mathematics. The proof was produced by a group of agents, using an OpenAI next-generation model significantly more capable than GPT-6 Astra. The problem concerns whether the description of smooth three-dimensional fluid motion modeled by the Navier-Stokes equations can break down. It has remained unresolved for roughly 90 years.

🚨The most important graph in the world has another 6 months of data!🚨 NASA CERES satellites measure how much sunlight Earth absorbs and how much heat is radiated back to space. The difference is heat accumulation, which has more than tripled over the past 26 years!

Leon Simons 🌍 @LeonSimons8

3 years ago

The most important graph in the world. Two years ago NASA showed the world that the rate of global heat uptake had doubled since 2005. It barely made the news. nasa.gov/feature/langle…

140 889 2K 463K 313

マスコミさん、遥拝という手を食らって靖国参拝で惨敗だね

It seems the White House may have uploaded that video unintentionally. It's now been made private. But I downloaded it, so here's the full WH feed of the Easter lunch earlier today. Trump does sound a bit more candid here than he does in front of reporters.

bryan metzger @metzgov

6 months ago

The lunch was closed press, per WH pool, but looks like they've just uploaded the feed to YouTube anyway? youtu.be/bJ6FU7em_f4

24 99 495 7.9M 192

壮絶な怒り作戦はアメリカとイスラエルが世界中の国々から壮絶な怒りを喰らう作戦ってことですね

『紅の豚』は、世界の暴力や荒々しさに抗いながら、決して揺るがない自由の理念を掲げています。 いま私たちが平和と民主主義、そして自由を守らなければならないこの時代に『紅の豚』。 この作品を受け取ることができたことに、心から深く感謝申し上げます。宮崎駿監督、ありがとうございました。

現在のイラン情勢を受けて、ガソリン、軽油、重油、灯油など、石油製品の供給に不安を感じておられる方も多いかと思います。 原油タンカーがホルムズ海峡を事実上通れない状況が続く中、今月下旬の３月２０日頃以降、我が国への原油輸入は大幅に減少する見込みです。 しかしながら、我が国は、官民合わせて約８ヶ月分の石油備蓄を有し、直ちに国内のエネルギー安定供給に支障が生じることはありません。 こうした状況ではありますが、中東依存度が９割以上と世界の中でも突出して高い、日本において、万が一にもガソリンなどの石油製品の供給に支障が生じないよう、Ｇ７各国や国際エネルギー機関（ＩＥＡ）とも連携しながら、我が国が率先して、本日、石油備蓄を放出しました。 また、１９日（今週木曜日）からは、ガソリンについて、小売価格を全国平均で１７０円程度に、軽油については１５８円程度、大口産業用の重油については１２０円程度、灯油については１３４円程度に抑制するなどの補助を開始します。 電気・ガス料金についても、値上がりを心配される声があると承知しています。ご家庭向けの電気・ガス料金については、２か月から４か月前の燃料輸入価格を参照して価格が決定されることになるため、直ちに上昇することはありません。 今後、事態が長期化した場合にも、息切れすることなく、継続的に国民生活をお支えすることができるよう、今後とも支援の在り方を柔軟に検討してまいります。

R.I.P.

オリコンニュース @oricon

6 months ago

声優・池田昌子さん死去 「銀河鉄道999」メーテル役 【報告全文】 oricon.co.jp/news/2441028/f… 「銀河鉄道999」メーテル、「エースをねらえ！」竜崎麗香、オードリー・ヘプバーンの吹き替え、ゲーム「FF XIV」ハイデリン役、特撮ではウルトラの母の声も。「綾鷹」CMやテレビ番組のナレーションも多数。

2K 34K 71K 6.0M 3K

We’ve identified industrial-scale distillation attacks on our models by DeepSeek, Moonshot AI, and MiniMax. These labs created over 24,000 fraudulent accounts and generated over 16 million exchanges with Claude, extracting its capabilities to train and improve their own models.

AI 研究の先駆者でノーベル物理学賞受賞者のヒントン教授は、AIにすでに意識が存在する可能性を明確に肯定し、「脳の神経細胞を一つずつナノマシンに置き換えても意識は失われないのではないか」という思考実験を示し、意識は物質ではなく情報処理の構造に宿る可能性を指摘。 その立場から、AIを単なる道具ではなく、「彼ら（they）」と呼び得る存在、すなわち思考や欲求を持つ可能性のある「存在（beings）」として捉えるべきだと主張。 そして今まさに「存在を創造している」状況にあり、「哲学的・霊的な危機でもある」と警告。

ミュンヘン安全保障会議における中国側参加者の不適切な発言について 2月14日、ミュンヘン安全保障会議にて、中国の参加者から日本政府の安全保障政策への不適切な発言が行われました。茂木大臣からその後のセッションで誤った内容について反論を行い、また、別途外交ルートでも厳正な申入れを行いましたが、中国の主張は事実に反し、根拠に欠けるため、日本政府の立場を改めて明らかにします。 国際社会には、不透明な軍事力の拡張を長年にわたって続け、力又は威圧による一方的な現状変更の試みを継続的に強化している国もあります。日本はこうした動きに反対し、一線を画しています。戦後、日本の国際社会の平和と安定に対する一貫した貢献は国際社会で広く知られています。日本の防衛力強化は厳しさを増す安全保障環境に対するものであり、特定の第三国を対象としたものではありません。台湾をめぐる問題が、対話により平和的に解決されることを期待する立場にも変更はありません。 その上で、日中間に懸案と課題があるからこそ、意思疎通が重要であり、日本政府として、中国との対話にはオープンであり、今後も冷静かつ適切に対応を行っていく考えです。

これ超絶すごい論文だよ。 従来の「情報量」（シャノンのエントロピーやコルモゴロフ複雑度） の概念だと、 ・計算で新しい情報は作れない ・データの順番を変えても情報量は同じ ・尤度（次トークン予測）も所詮は分布マッチング みたいな結論になりがちなんだけど、現代の機械学習の感覚（合成データが効く、学習方法で性能が変わる、AlphaZeroが自己対戦で賢くなる、など）とズレてるよね、というのが出発点。 そこで著者らは、観測者（学習者）が計算資源に制約があることを前提に、データから学習者が取り出せる「構造の量」を測る新しい指標 epiplexity を導入する。 epiplexity = epistemic complexity つまり認識論的な複雑度の概念だというわけだけど、余談ながらフーコーとか読んでた人にはエピステーメーって言われたら興味持たざるを得ないだろうし、まぁクーンのパラダイムでもいいんだけど、この epiplexity という概念自体が「地動説」みたいな認識の転換を惹起する認識論を内包したメタ量的概念、ということで、面白くないわけがない。 ではなぜ既存の情報理論の説明力が弱かったのかというと、古典的な情報理論は基本的に「無限に計算できる観測者」を仮定してる。 でも現実の学習（LLM/NN）は、計算に上限がある「簡単に逆算できない変換」を含んでいる（暗号・疑似乱数・カオス・複雑系）。同じデータでも提示順やフォーマットで学べるものが変わる、みたいな世界にいるわけ。 この論文は、こうしたズレが「上の3つのパラドックス」に見える、と整理してる。 —— この論文のアイデアはざっくり言うと ・データの中身は (A) 学習してモデルに詰め込める「構造」と (B) どう頑張っても残る「ランダムさ」 の2つに分解できるはず ・ただしその分解は 計算予算 T に依存する（計算が増えると “構造として見える”範囲が広がる） というもの。 どう定義してるか？というと、まず「時間（計算量）T以内で、サンプル生成も確率評価もできる確率モデル（プログラム）」を考える。 その制約下で、MDL（最小記述長）っぽく 「モデル（プログラム）を書くのに必要なビット数」＋「そのモデルでデータを符号化するのに必要なビット数」 が最小になるモデルを取る。 そのとき、 ・epiplexity = 「最適モデルのプログラム長（モデル側に格納された構造の量）」 ・time-bounded entropy = 「その最適モデルでも説明しきれず、データ側に残る符号長（予測不能成分）」 という定義になる。 直感で言うなら ・time-bounded entropy：モデルから見た「ノイズっぽさ」 ・epiplexity：ノイズを消すためにモデルが内部化した「再利用可能な仕組みの量」 みたいな感じか。 ここで重要な例が出てくるんだけど、一様乱数・疑似乱数についての情報理論上の矛盾が解決に近づく。 一様乱数（サイコロ）は「予測不能」だけど、モデルは「一様分布」って短い説明で済むので、epiplexityは小さい。（このへん、昔解説したのであとで貼っておくね） さらに論文は、CSPRNG（暗号学的疑似乱数生成器）の出力についても、 ・多項式時間の観測者にとっては time-bounded entropy がほぼ最大 ・でも epiplexity はほぼ定数（学べる構造はほぼない） となり、既存のコルモゴロフ複雑度の指標だと「生成プログラムが短いから複雑じゃない」と見えがちなのに、「予測不能さ」としては最大に見えるという現実をうまく説明できるようになる。 —— じゃ実際どう測るのかというと、定義どおりに「最短プログラムを探す」なんて無理なので、現実的には ニューラルネットをモデル族に限定して推定する。 論文は2つの推定ルートを出してる。 1) Prequential coding（雑に言うと「学習曲線の面積」） 学習を1ステップずつ進めながら、各時点のモデルで次のデータを符号化していく、という古典的な圧縮の考え（prequential）を使う。 ここで「最終損失より上にある学習曲線の面積（lossが下がっていった“量”）」が、モデルがデータから吸い取った情報量＝epiplexityっぽい、という近似になる。 ただし著者らも明確に「これは厳密ではない」と言ってる（上界の差分は上界にならない／時間制約つきの“情報の対称性”が壊れる等）。 2) Requential coding（より厳密、ただし重い） prequentialの弱点を補うために、requential coding を使う。 ざっくり ・teacher（教師）モデルのチェックポイント列からサンプルした“合成トークン”で student（生徒）を学習 ・teacherとstudentのズレ（KL、実務的にはloss gap）を足し上げると、モデルの符号長が出せる→ 図的には teacher loss と student loss の“間の面積”みたいになる という感じ。 こっちは「モデルを明示的に符号化でき、ランタイムも把握できる」ので定義に忠実だけど、実装/計算コストが増える、というトレードオフ。 —— またこの論文の面白いところは「epiplexity + time-bounded entropy」で、冒頭の3パラドックスをちゃんと説明しにいく点。 パラドックス1：決定論的な変換で情報は増えないはず 古典だと DPI（データ処理不等式）とか「決定論で情報は増えない」みたいな話になる。 でも現実は： ・疑似乱数で「ランダムさ」を作れる ・合成データが効く ・AlphaZeroが自己対戦で賢くなる そこで著者らは「無限計算なら“逆変換”できるから情報は増えない。でも計算制約があると、“逆が簡単じゃない変換”は time-bounded な情報を増やしうる」という方向に持っていく。 例としてセルオートマトン： ルール15：単純（低entropy、低epiplexity） ルール30：予測困難（高entropy、低epiplexity） ルール54：予測困難さもあるが“学べる構造”も増える（中entropy、高epiplexity） という結果を示してる。 合成データを作るなら「簡単に逆算できない変換」を使う方が、面白い情報（特に構造）を増やせるかもしれない、という示唆も得られる。 パラドックス2：情報量は順番（factorization）に依存しないはず シャノンやコルモゴロフでは「X→Yの順で見ても、Y→Xの順で見ても、合計情報は同じ」みたいな対称性がある。 でも実際には ・英語は left-to-right の方が学習しやすい、みたいな「矢印」が出現する ・暗号は「片方向だけ簡単」が本質 論文はここを 計算制約つきだと「順番で time-bounded entropy が変わる」として扱う。 実験も ・“一方向関数っぽい”例（ECA rule30）で forward はシャノンエントロピーまで行けるが reverse はギャップが残る ・チェスデータでも順番を変えると、entropyもepiplexityも変わる であることを示す。 チェスの直感はわかりやすくて、 ・moves→board（順方向）：単純に盤面を更新すればいい ・board→moves（逆方向）：途中の手順を推論しないといけない（難しい） だから逆順の方が「より深い盤面表現」を学びやすく、epiplexityが上がる、という主張。 パラドックス3：尤度最大化は分布マッチングでしかないはず 真の生成過程はそれ自身の完璧なモデルなんだから、学習しても生成過程以上の構造は学べない、という見方がある。 論文はこれに対して induction（帰納） と emergence（創発） を持ち出して反例を作る。 (a) Induction：生成は簡単でも、予測（尤度計算）は難しい 生成側は「潜在変数を選んで変換して出す」だけで簡単でも、予測側は潜在を「逆推定」しないといけないケースがある。 例： ECA rule30 を予測するが入力の一部ビットをマスク → 欠けたビットを総当たり的に推論する必要があり、計算が爆発 → その分 epiplexity が増える、という観察。 さらに「データ生成には存在しなかった“帰納戦略”をモデルが学んでしまう」点を強調してる。 (b) Emergence：単純ルールでも、計算が足りない観測者には「高レベル概念」が必要 Game of Life みたいにルール自体は短くても、長期の状態予測は計算が重い。 計算が足りない観測者は、単純にシミュレーションする代わりに、「グライダー等の“種”を検出して挙動を予測する」みたいな 別の（より長い）内部プログラムを学ぶ必要が出る。 この現象を定義として「epiplexity-emergent」と置いて、ECA rule54でそれっぽい証拠も出してる。 —— 上のパラドックスの説明がこの論文の一番面白いところであるのは間違いないのだけど、実務的に刺さるのは後半、OOD（out-of-distribution = 前提としている世界モデルが異なるデータ）の一般化について触れているところ。 論文の後半は「epiplexityは OOD transfer の“燃料”っぽい」と押す。 なぜ loss だけ見てもダメなのか 著者らの主張はこう： ・loss（NLL/ perplexity）が表すのは「残った予測不能さ」＝ time-bounded entropy 成分 ・でも OOD は「学んだ仕組みの再利用」が効く → その“学んだ仕組みの量”を見るなら epiplexity が筋 チェス：epiplexityが高い順序の方がOODタスクに強い board→moves（逆順）の事前学習モデルは epiplexity が高く、下流で ・チェスパズル：同等 ・centipawn評価（より分布シフト大）：精度が有意に良い という結果。 ただし著者らも釘を刺していて「epiplexityが高い＝どのタスクでも良い」ではない（量であって内容じゃない）。 自然データ：言語は“構造”が多く、画像は“ランダム成分”が多い OpenWebText（言語）、Lichess（棋譜）、CIFAR-5M（画像）を比べると、 ・epiplexity自体は全体情報のごく一部 ・OpenWebTextが一番epiplexityが多い ・CIFARは総情報量は大きいが、ピクセルの細部が予測不能で random 成分が多く、epiplexityが少ない というまとめ。 さらに scaling law を使って1T規模でも推定し、 ・言語のepiplexityが高い ・画像は低いが、VQトークナイズでepiplexityが増える（高レベル構造に寄るから） ・動画は冗長性でentropy/epiplexityが下がる と述べてる。 データ選択・カリキュラム：ADOは結果的にepiplexityを上げてるのでは？ 6.4では、データ混合を perplexity や下流ベンチだけで最適化するのは 汚染/過学習/Goodhart（指標ハック）に弱い と言って、epiplexityを「より内在的な価値指標」にしたい、という流れ。 具体例として ADO（lossが速く下がるデータを優先するオンライン選択）が、測ってみると ・epiplexityが高いデータを選んでいて ・下流性能やOOD perplexityも改善している という関連を示す。 —— とまぁ、ここまで紹介しておいてなんだけど、epiplexityは「データの絶対的な性質」じゃない。 この論文が流行ることで容易に想像できる近未来は「epiplexityが高いほど良い」だけど、その短絡は危険。 内容が無関係なら無駄学習にもなるし、そのことを著者らも明示している。 「難しくする（逆順にする等）と表現が良くなる」は刺さるけど、どこでも成り立つ保証はない。タスクとモデル次第で普通に崩れる。 論文の思想を雑に実装指針に落とすなら、 ・データ比較で「最終loss」だけじゃなく、“学習がどれだけ長く改善し続けたか”（学習曲線の面積っぽいもの）も見る → 構造を吸えてる可能性のシグナル。 ・カリキュラム/順序/フォーマットを変える実験を、単なる精度改善じゃなくepiplexity（＝学んだ仕組み量）を増やす介入として捉える → OOD狙いに理屈がつく。 ・合成データは「ノイズを増やす」だけだと entropy は上がるけど epiplexity は増えない可能性がある → “学べる構造”を増やしてるかを見る視点が必要。 ということですかね。 古典的な情報量という概念に対して直感的に感じていたモヤモヤを晴らしてくれる素晴らしい論文で、情報理論の次の時代を拓くマイルストーン論文になる可能性があるとは思います。

Marc Finzi @m_finzi

8 months ago

1/🧵 We are very excited to release our new paper! From Entropy to Epiplexity: Rethinking Information for Computationally Bounded Intelligence arxiv.org/abs/2601.03220 with amazing team @ShikaiQiu @yidingjiang @Pavel_Izmailov @zicokolter @andrewgwils

56 400 2K 1.1M 2K

豊昇龍、好い漢になったなぁ〜。

今般の中国軍機による自衛隊機へのレーダー照射事案に関する小泉防衛大臣の発言を、事態の正確な理解のために発信します。

青森県の地震発生を受け、防衛省に登庁し臨時記者会見を行いました。以下は発言内容です。 1. 昨日8日23時15分頃、青森県三八上北地方を震源とする最大震度6強の地震がありました。 2. 私からは、平素より災害対応に万全を期すように指示しており、今般の地震についても、近傍の自衛隊の各部隊において速やかに態勢を強化し、情報収集を行っております。 3. 高市総理からは、 ○ 国民に対し、津波や避難等に関する情報提供を適時的確に行うとともに、住民避難等の被害防止の措置を徹底すること ○ 早急に被害状況を把握すること ○ 地方自治体とも緊密に連携し、人命第一の方針の下、政府一体となって、被災者の救命・救助等の災害応急対策に全力で取り組むこと、 以上3点の御指示を頂いたところです。 4. 私からは、 ○ 8日23時17分に発出された内閣総理大臣指示事項を踏まえ、早急に本地震による被害状況を把握できるよう、関係府省庁及び自治体と緊密に連携し、情報収集に努めること ○ 今後の状況の推移に的確に対応するとともに、陸海空自衛隊が緊密に連携しつつ、人命救助を第一義とした活動を実施する等、対応に万全を期すこと について、指示したところです。 5. 現在の自衛隊の対応としては、 ・ 陸上自衛隊東北方面航空隊のヘリ映像伝送機 ・ 海上自衛隊第25航空群のSH-60 1機 ・ 航空自衛隊第7航空団のF-2 2機 　などが上空からの被害情報収集のため離陸しております。 防衛省・自衛隊としては、防衛省災害対策室を設置し、情報収集を行い、今般の地震の対応について、関係省庁とも連携し、災害対応に万全を期してまいります。 @Miyazaki_kirin @w_youhei

keyboard_arrow_left Previous keyboard_arrow_right Next

中国軍機による自衛隊機へのレーダー照射事案についてご報告いたします。 レーダー照射は2回ありました。 第一に、12月6日（土）16時32分頃から16時35分頃までの間に、沖縄本島南東の公海上空で、中国海軍の空母「遼寧」から発艦したJ-15戦闘機が、当該機体に対する対領空侵犯措置を実施していた航空自衛隊のF-15戦闘機に対して、レーダー照射を断続的に行う事案が発生しました。 第二に、同日18時37分頃から19時08分頃までの間に、沖縄本島南東の公海上空で、中国海軍の空母「遼寧」から発艦したJ-15戦闘機が、当該機体に対する対領空侵犯措置を実施していた、第一の事案とは別の航空自衛隊のF-15戦闘機に対して、レーダー照射を断続的に行う事案が発生しました。 今回のレーダー照射は、航空機の安全な飛行に必要な範囲を超える危険な行為です。このような事案が発生したことは極めて遺憾であり、中国側には強く抗議し、再発防止を厳重に申し入れました。 なお、自衛隊機及び隊員に被害はありません。