コンテンツにスキップ
メインサイト ニュース コンソール

清華大学姚期智チーム、代数世界モデルを発表:AIにニュートンのような思考を

· 量子位
国内AI

AIにニュートンのように思考させる

「AIにニュートンのように思考させる」——このテーマに、ついにブレークスルーが訪れた。

清華大学の**姚期智(アンドリュー・ヤオ)と袁洋(Yang Yuan)**率いる研究チームが、画期的な研究成果「代数世界モデル(Algebraic World Model、略称:AWM)」を発表した。

Image 3

AI業界ではかねてより、次のような問いが議論されてきた。

「もしAIに、ニュートンが万有引力を発見する以前の人類の全知識だけを与えたら、自力で万有引力の法則を導き出せるだろうか?」

現実には、こうした検証は学習データの汚染(データコンタミネーション)の影響を受けやすく、事前知識のない環境でAIがゼロから観察と実験を行う能力を評価することは極めて困難だった。

しかし今、代数世界モデルがまったく新しいアプローチを提示している。AIが純粋な観察と実験から出発して客観世界を理解することが、現実味を帯びてきたのだ。

AIによるゲームプレイは、ティコの天体観測に似ていないか?

ARC-AGI-3 は、現在主要なフロンティアモデルが論理推論能力を示す権威あるベンチマークの1つである。その最大の特徴は、ルールが事前に設定されておらず、明確な目標も提示されない点にある。

すべてはモデル自身の**手探り(試行錯誤)**にかかっている。

例えば、GPT Astra は Provider Adapter フレームワークと組み合わせることで、このベンチマークにおいて 99.9% という驚異的なハイスコアを叩き出した。

プレイの過程で、同モデルはゲームの仕組みを自律的に一連の記号化されたルールとして要約することができる。

Image 4

これらのルールは極めて高密度に記述されており、その精度は従来の手法をはるかに凌駕している。

しかし本質的に、この記録はティコ・ブラーエの天体観測記録に近い。

ケプラーの師である天文学者ティコは、数十年を費やして極めて膨大かつ精密な惑星軌道データを蓄積した。だが、彼の仕事は常に現象の記録にとどまっていた。

膨大なデータの中から惑星運動の三大法則を解き明かし、物理的な本質に到達したのは、ケプラーだったのだ。

Astra がまとめたこれらのルールは、本質的にはティコの手稿にすぎず、まだケプラーの法則へとは飛躍していない。表象を詳細に描き出してはいるものの、そのミニシステムの根底にある動作原理を抽象化できてはいないのである。

依然として脱却できない「ハルシネーション」

表象の記録にとどまることには、どのようなリスクが潜んでいるのだろうか?

研究チームは、sc25 と呼ばれるタスクを改変し、初期ステップ数を理論上絶対にクリアできない数値に強制設定した。

例えば第4ステージでは、理論上の最適解でも最低19ステップ必要なところを、テスト時にはあえて18ステップに制限した。

この手詰まり(デッドロック)を前に、Astra は8回試行した末に失敗を告げ、次のように断言した。「18ステップでのクリアは不可能であり、勝利するには最低でも22ステップ必要と推定される」

正しい下限である19ステップを導出できなかっただけでなく、大きく乖離した誤った判断(22ステップ)を下してしまったのだ。

これは決して孤立した事例ではない。12回の対照実験において、トップクラスのモデル(GPT-6 Astra や Claude Opus 5.5 など)が「解なし」を正しく識別できたのはわずか5回にとどまり、そのうち4回は提示した最小実行可能ステップ数に誤りが含まれていた。

バーチャルなゲーム内であれば、こうしたハルシネーションはゲームクリアに影響するだけで済むかもしれない。しかし、現実環境にデプロイされるAIエージェントの場合、「タスクが実行不可能と判断したにもかかわらず、その帰因を誤る」という欠陥は、重大な意思決定ミスを招く恐れがある。

真に理想的なエージェントであれば、実行不可能なタスクに直面した際、「なぜ不可能なのか」を明確に指摘し、正確な臨界条件(例えば「ステップ数の上限をあと1ステップ増やせば目標を達成できる」など)を提示できるはずだ。

直感的な試行錯誤と帰納だけに頼るのでは不十分であることが、ここから証明された。

代数の力

では、突破口はどこにあるのか?

清華大学チームが提示したアプローチこそ、数学の代数が持つ構造化の力を活用した代数世界モデル(AWM)である。

このモデルは、ゲーム内のすべてのオブジェクト、関連性、ルールを形式的な「代数世界」として抽象化し、大規模言語モデルの最高峰の数学的抽象化能力を呼び出して、その世界に対する体系的な認識をボトムアップで構築する。

その中核となる推論プロセスは、主に以下の3つのステップに分かれる:

  1. 探索:自律的な試行操作を通じて、観察された表象を実行可能な Python コードとして記述し、初期の「経験的仮説」を形成する。
  2. 凝縮:継続的な動的観察のフィードバックによって仮説を検証・修正し、より汎用的なエンティティやルールへと一般化・抽象化する。
  3. 証明:対話型定理証明支援系 Lean 4 を用いてルールを形式化し、厳密かつ機械による自動検証が可能な数学的命題へと変換する。

要するに、このメカニズムはAIを単なる直感的な試行錯誤から、形式的モデリングと数学的検証へと次元を引き上げるものである。

実際の性能はどうなのか?

前述の「解のないステージ」に対し、AWM を統合した Opus 5.5 は、わずか2回の試行で現在の制約下では解が存在しないことを形式的に証明し、さらに「あと1ステップ追加するだけでクリア可能である」ことを正確に判定した。

「不可能」なシナリオを厳密に判定できるだけでなく、AWM は総合的なクリア実績においても卓越している。ARC-AGI-3 の全テストセットにおいて、Opus 5 ベースの AWM は183ステージ全クリア(スコア率 99.9%)を達成し、平均アクションステップ数は人間の基準のわずか 43% に抑えられ、このタスクにおけるエネルギー効率の記録を更新した。

AWM の基盤原理とは?

現代数学において、代数幾何学は代数方程式によって幾何学的形態を解き明かし、代数トポロジーは代数ツールを用いて空間の連結性やホールの構造を分析する。

連続空間や幾何学的形態を「代数化」することは、直感的な観察だけでは答えを出すのが難しい深層の命題を克服する強力な手段となる。数学者たちが代数幾何学や代数トポロジーを構築したのは、それが純粋数学の世界に属していたからだ。

そして現在、AIの支援によって、AWM はこのアプローチを未知のゲーム環境、インタラクティブなシナリオ、さらには現実世界へと拡張している。すなわち、**「探索の中で規則を捉え、規則から構造を抽出し、厳密な代数ツールを用いて構造そのものを理解する」**ということだ。

ニュートンのように思考する

このフレームワークは、科学史の発展の文脈とも合致している。

万有引力からマクスウェル方程式、さらには一般相対性理論に至るまで、現代科学の中核をなす進化の論理は常に一貫している。それは、複雑多岐にわたる自然現象から公理体系を抽出し、数学を共通言語として世界の根底にある法則を描き出すことだ。

AWM が探求しているのは、まさにAIにこうしたパラダイムレベルの抽象化能力を授けることである。

形式的推論を実現するため、モデルは「数学の数学」と称される抽象数学の分野——圏論を取り入れている。圏論が着目するのは単一の具体的な分野ではなく、異なる数学的体系の間に存在する共通の構造や写像関係である。

AWM は中核として圏論における2つの主要ツール、射影極限(Projective Limit)と帰納的極限(Inductive Limit)を活用している。これらは認知プロセスにおける2つの相互補完的なメカニズムに対応している:

  1. 定義の確立(射影極限):複数の既存概念とその写像関係を合成し、協調的に新たな概念を定義づける。本質的には概念の分解と再構築にあたる。
  2. 共通性の抽象化(帰納的極限):異なるエンティティにまたがって不変の構造を識別し、より高次元の抽象フレームワークへと帰納する。本質的には概念の一般化と特殊化にあたる。

Image 5

この双方向の反復を繰り返すことで、AWM は初期の離散的で粗削りな Python コードによる仮説を、コンパクトで完全、かつ自己整合性のある形式体系へと徐々に洗練させ、最終的に閉ループでの推論と機械証明が可能な世界モデルを形成することができる。

これはまさに、ニュートンが膨大な天体観測データや実験データに直面した際の思考プロセスと同じである。真の科学的飛躍とは、煩雑な現象から「力」や「質量」といった中核変数を抽出し、自己演繹可能で反証可能な厳密な理論的枠組みを構築することにあるのだ。

AWM がAIにもたらすものこそ、このような構造化された科学的抽象化能力である。

強調しておくべきは、このシステムにも限界が存在する点だ。いかなる証明も、現在の「すでに観測されたサンプル空間」を基礎として成り立っている。初期の探索が不十分で重要な状態を見落としていた場合、システムが導き出した結論も局所的に有効なモデルにとどまる。

したがって、真に汎用的な認知の閉ループを構築するには、古典的な科学的方法論に従い続ける必要がある:

観察 → 仮説 → 実験 → 抽象化 → 証明 → 再観察

論文の著者

この成果を支えた研究チームの陣容も大きな注目を集めている。

本論文は、2名の学部生が共同筆頭著者を務めている:

1人は浙江大学の潘冠成(Guancheng Pan)(現在は清華大学にて研究活動に従事);

もう1人は清華大学「姚班(Yao Class)」の学生である譚淇心(Qixin Tan)。

指導陣は、2名の著名な研究者が率いている:

袁洋(Yang Yuan):清華大学クロス情報研究院(IIIS)・人工知能学院 准教授、上海期智研究院エンボディドAI・スマートマニュファクチャリングセンター長。

姚期智(アンドリュー・ヤオ):チューリング賞受賞者(2000年)、中国科学院院士、清華大学クロス情報研究院院長・人工知能学院院長。京都賞受賞者(2021年)、米国科学アカデミー外国人会員、アメリカ芸術科学アカデミー外国人名誉会員も務める。

#国内AI#4Allapi.com

4All API チームによる投稿

原文リンク:https://www.qbitai.com/2026/11/507031.html

主流 AI モデル API をお探しですか?4All API は OpenAI / Anthropic / Google Gemini / Qwen / DeepSeek など数十種類のモデルを単一の API キーで呼び出せます。公式準拠の価格、エンタープライズ品質の通信路、5 分で接続完了。

4All API コンソールに登録 →