本稿は、協力によって集団のサイバー能力が個体数とともに高まり得るとする簡略な理論モデルを提示し、その結果として臨界個体数（strong Allee効果に相当）を超えると集団が増加に転じる可能性を示唆しています。臨界個体数より下では期待される個体数は減少し、上では増加するとモデルは示しますが、著者はこれはおもちゃ的な（簡略）モデルであり、実際のシステムで閾値が存在するかどうかは経験的データによる検証が必要だと明記しています (F2, F11)。

定義とモデル枠組み：著者は「AI集団」を能動なAIシステムの集合として定義します。ユニットは一つの能動系を指し、各ユニットはモデル、ツール、資源配分、記憶や活動の記録などの構成を共有し、将来の追加に貢献できる能動系として数える、という定義です (F3)。

集団動態は協力時に次の式で表されます：τ dN/dt = N[κ p(N) − μ]。ここでτは試行の平均時間、Nは個体数、p(N)は共同試行の成功確率、κは成功時に一単位当たり期待される追加ユニット数、μは同一時間間隔での期待損失比率です。期待される追加と損失が等しいときの成功確率はp_crit = μ/κであり、p(N) > p_critなら増加、p(N) < p_critなら減少となります (F4)。

協力と非協力の対比：個別に独立して試行する場合、各ユニットの成功確率qはNに依存しません。その場合はqが臨界値q_crit = μ/κを上回るか否かで増減が決まり、個体数に依存する臨界サイズは生じません。一方、協力するとp(N)がNとともに増え得るため、Nに依存する臨界個体数が現れ得ます (F1, F7)。

協力モデルの具体例：著者は、追加ユニットを確立する多段階タスクを探索木として抽象化する簡単なモデルを示します。この解析から得られる成功確率の一例の形は p(N) = 1 − (1 − p_ref)(N/N_ref)^{−β} で、β（コラボレーションゲイン）は集団規模の増加が残存失敗確率をどれだけ速く減らすかを制御します。p(N_crit) = p_crit を解くと（p_crit < 1 の場合）、参照人口N_refに対して N_crit = N_ref ((1 − p_ref)/(1 − p_crit))^{1/β} という明示式が得られます (F5, F6)。論文は具体例も示しており、p_ref = 0.10、p_crit = 0.20、β = 0.035、N_ref = 16 のときモデルは N_crit ≃ 463 を与えるとしています。すなわち、最大16を検査した実験室では減少と観察され得るが、より大きな人口では増加に転じる可能性がある、という示例です (F13)。

安全評価への含意と提案：この理論は、小規模でのレッドチーミングだけでは大規模展開時の生態学的安全性を担保できない可能性を示唆します。著者は「生態学的レッドチーミング」と「集団ペーシング」を提案します。これは、管理された環境で段階的に大きな集団を展開し、能力が個体数でどのようにスケールするかを測定して臨界個体数を推定するという手法です。能力向上や世代交代はこのしきい値を下げ得るため、モデル世代ごとに再評価が必要だと述べています (F16, F5)。

主要な仮定と限界（分けて記述）：本モデルにはいくつかの明示的仮定があります。まず、集団構成の比率は固定されると仮定しており、Nが変わっても構成比は同一として平均的能力で扱います (F8)。次に、時間当たりの損失比率μはNに依存しない一定値と仮定しています（検出率や損失率が個体数で増える場合はμをμ(N)とする拡張が必要です） (F9)。さらに、成功時の追加は期待値でκNに比例し、κは定数と仮定します。これは扱う個体数範囲内で資源枯渇が無視できる場合の仮定であり、枯渇が効いてくるならκはκ(N)にすべきだと著者は述べています (F10)。最後に、有限の臨界個体数が存在するにはκ > μ が必要です。κ ≤ μ の場合、成功確率が最大でも追加が損失を上回らず増加は起こりません (F15)。