AIの「万能な理解」は幻想？異なるAIが見ている世界は別物

『プラトニック表現仮説』って、要するに『どの言語や形式で学ばせても、最後は同じ答えに辿り着く』って仮説なの？

大きく言えばそうです。ただ、もう少し丁寧に言うなら、「同じ答えに辿り着く」というより「同じ世界観の表現に辿り着く」という方が正確なのかもしれません。 プラトンの洞窟の比喩は、囚人が壁に映った影だけを見ていても、外の世界の光に照らされた本物は同じものだ、という話。つまり、文字という影から学んだAIも、画像という影から学んだAIも、その奥底にある「共通の本質」に到達するのではないか、という期待だったわけです。 言い換えれば、データの見せ方は違っても、本来の現実はたった一つだから、異なる形式で学ばせても同じ理解に近づいていく——という発想ですね。 だからこそ今回の論文の衝撃がある。小規模なサンプルでは一致していたのに、規模を大きくしたら「物体らしさ」程度の粗い共通項しか残らなかった。つまり、表面的には似ていても、内側の理解の構造は全く違う可能性が浮かんだわけです。 言語AIが「犬」という概念を、画像AIがそれを見ることで到達する「犬らしさ」は、思ったより遠い世界にあるのかもしれません。

言語AIと画像AIが別々に世界を見てるって、ChatGPTに画像を見せたときの説明がずれてるのとか関係あるの？

関係あるかもしれません。ChatGPT に画像を見せると、人間が描写するのと微妙にずれた説明をすることがありますが、それは単なる「精度不足」ではなく、構造的な問題かもしれない、ということですね。 言語 AI と画像 AI は別々に育てられた頭脳です。言語 AI は「猫」という単語の周辺にある無数のテキストから学ぶ。一方、画像 AI は「猫が映った画像」と「猫」というラベルの対応から学ぶ。この記事の実験が示したのは、両者の学習過程は思ったより乖離しているということ。つまり、ChatGPT が画像を見て言葉を出すときに、その内部では言語モードと画像モードが完全には翻訳し合えていない可能性があります。人間には「猫」は猫でしかないけど、AI の内部では言語の「猫」と視覚の「猫」が微妙に別の存在になっているのかもしれません。だからズレが生まれる。完全に統合された「普遍的な理解」ではなく、モード間での「つなぎ合わせ」に近いものなのだと言えそうです。

なぜ研究者たちは『別々に学んだAIは同じ理解に辿り着く』と期待してたの？そういう時代の流れがあったのかな？

深層学習が急速に進化する中で、研究者たちの間に「もしかして、学習方法は関係ないのでは」という楽観的な見方が広がっていたんだと思います。 背景にあるのは、ここ数年のAIの成功体験です。言語モデルも画像認識も、ものすごい規模でデータを学ばせると、どちらも人間っぽい判断ができるようになった。そうすると「大規模なデータの前では、入力形式なんて些細な違いでは」という直感が生まれやすい。プラトンの洞窟の比喩を持ち出したのも、その直感を理論的に正当化したい欲求があったのかもしれません。 もう一つは、「真の理解とは何か」という哲学的な問いとも結びついています。もし本当に別々のモダリティが同じ理解に辿り着くなら、それは「言語や画像という表面的な差を超えた、より本質的な理解が存在する」という証拠になる。それは知識工学の夢のような話だった。 ただ今回の論文は、その夢を冷ましてくれたわけです。実際に大規模データで試してみたら、表面的な一致は消えていた。つまり、私たちが考えていた以上に、学習の道筋は「何を学ぶか」に深く依存しているのかもしれません。

これって『小さいデータではうまくいったことが、大きいスケールで試すと崩れる』という研究あるあるの話なの？

確かに「スケール効果」という研究あるあるの側面もあるんですが、ここはもう一段階深い問題を指してるように思います。 従来の検証が「千個」で止まっていたのは、単なる予算や手間の制約ではなく、統計的には十分だと信じられていたから。言い換えれば、研究コミュニティが「これくらい調べれば傾向は見える」という共通認識を持っていた。だからこそ『プラトニック表現仮説』は論文として発表され、引用され、期待の声が広がった。 ところが百万規模で試すと、その「仮説」自体が揺らいでしまった。単に「精度が下がった」というより、根拠が弱かったことが露呈した形です。むしろ興味深いのは、AIの学習が「データ量に応じて性質が変わる」という現象そのもの。小さいデータセットでは、複数の AI が偶然似た経路をたどるかもしれない。だけど大規模になると、それぞれの「最適な理解」は分岐していく。つまり、データスケールは単なる量の問題ではなく、AI が何を理解するのかを左右する本質的な要因になってるのかもしれません。

言語AIと画像AIが『別々の風景を見てる』ってことは、逆に言うと、それぞれが『自分の道具に最適化した理解』をしてるってことなのかな？

言語データと画像データ、その形式の違いそのものが「何を理解するのか」を最初から規定してしまうんだと思います。言語AIは単語の並び順という線的な流れから世界を再構成する。画像AIは空間的な位置関係や色の分布から世界を読む。同じ「猫」という概念にたどり着いても、片方は「猫は〜である」という関係性の網の目で捉え、もう片方は「耳・ひげ・丸い瞳」という視覚的な部品の組み合わせで捉えている。どちらが正しいわけでもなく、単に道具に合わせた方言のようなものかもしれません。 だから逆説的に、もし複数のAIを本当に「同じ理解」に統一しようとしたら、現在の方法では無理で、むしろ相互に翻訳し合う仕組みの方が現実的なのかもしれません。言語AIが見た世界を画像AIに「説明」する。画像AIが見た世界を言語AIに「見せる」。その往復を通じて初めて、より立体的な理解が生まれるのだと言えそうです。