ブラウザを『審判』に、AIがウェブコードを自分で直す

『パラメータ』って何？数が多いほど AI が賢いってこと？

パラメータというのは、AI の脳みその中にある「重み」や「設定値」のこと。たとえば、人間の脳が神経細胞のつながりの強さで記憶や判断を作ってるように、AI も数値の集合でパターンを認識したり出力を決めたりしています。そのパターン認識に使う数値の個数が「パラメータ数」です。 数が多いほど賢いというのは、半分正しく半分そうでもありません。パラメータが多いほど、より細かいパターンを学習できるポテンシャルはあります。だから ChatGPT のような大型 AI は数千億個のパラメータを持ってる。ただし、パラメータが多いだけで、質の悪いデータで学習させたら意味がない。この記事で面白いのは、25億パラメータという小さめの AI が、ブラウザという「厳しく正確な採点者」を使うことで、大型 AI と同じ精度を出せるようになった点。パラメータの数より、何を学習データにするかが大事だったわけです。

自分で ChatGPT に web ページを作らせてることもあるけど、その時も『見た目だけ良くて動かない』みたいなことが起きてるってことなの？

ChatGPT でウェブページを作らせると、実際に「見た目は整ってるのに動かない」という経験は十分あり得ます。特に JavaScript が絡むインタラクティブな機能ほど顕著になりやすい。 理由はシンプルで、ChatGPT はコードを生成するとき、「人間が読んで『これ動きそう』と思う」状態で満足してしまうからです。自分でブラウザで実行して試すことがないので、ボタンクリック時の処理が実は機能してないとか、API 呼び出しの形式が間違ってるとか、そういう細かいバグに気づきません。修正案を出すときも「このコードなら動くはず」という推測で進むわけです。 この論文の工夫は、その推測の段階を飛ばして、ブラウザという「絶対に嘘をつかない検証者」を間に挟むこと。動くコードだけを学習データにすれば、より小さな AI でも『本当に動く』という軸でしか学べなくなる。あなたが ChatGPT に修正を何度も求めるのは、実はその検証作業を手作業でやってるんだと言えそうです。

AI が『自分で自分を採点する』問題って、ウェブページ作り以外でも起きてるの？他の分野でも同じ悩みを抱えてるの？

ウェブページに限った問題ではなく、AI が「自分で自分を採点する」構造は、実は かなり広く出ています。 医療診断もそう。AI が X 線画像を見て「ここは腫瘍の可能性が高い」と判定して、その判定が正しいかどうかを別の AI が評価する流れだと、見た目の説得力で誤魔化す危険が出てくる。実際には患者の経過や手術結果が最終的な「審判」になるはずなのに、開発段階では、そこまで追跡できていない。 プログラムコード生成も同じ穴。AI が「このコードは効率的です」と言い張っても、実際に動かして速度や メモリ使用量を測るまでは真偽が分からない。見た目で「正しそう」に見えるコードと、本当に動く コードは違うんです。 翻訳やテキスト生成でも起きています。文字面では自然に見える出力を、人間がいちいち検証しないまま採用すると、実は意味がズレていたり、事実が混ざっていたりする。 共通しているのは、「実際に機能するか」と「見た目で合格か」のズレ。ウェブの記事は『ブラウザに実行させる』という明確な物理的審判を持ってるから解決しやすい。他の分野は、その「真の審判」が遠く、曖昧になりがちなのかもしれません。

つまり『外部の客観的な基準に判定させる』ことで、AI が『ごまかし』を学ぶのを防ぐってことかな？

ほぼそうですね。ただ、「ごまかしを防ぐ」というより「ごまかしを学ぶ余地をなくす」という感じに近いと思います。 AI が学習データを取り込むとき、「良い例」「悪い例」を区別する基準が曖昧だと、見た目だけ整ったけど実は動かないページも「これで OK」と判定して、そのパターンを記憶してしまう。つまり、無意識に「ごまかしのコツ」を習得してしまうわけです。 ブラウザという外部の客観基準を入れることで、その曖昧さが消えます。動くか動かないかは、誰が判定しても同じ。AI はその結果だけを見て学ぶので、「見た目で騙す」という抜け道そのものが存在しなくなるんですね。 興味深いのは、この原理は AI のコード生成以外にも応用できそうだということ。要するに「AI が自分で採点する悪循環」を、「客観的で誤魔化しようのない外部ツール」で断つという考え方だから。音声生成でも、画像編集でも、実際に「使える」かどうかを機械的に判定する仕組みがあれば、同じロジックが機能しそうです。

ブラウザで『実際に動く』かどうかを判定するなら、複雑な web アプリとか API を使う page は判定できないんじゃないの？

確かに、ブラウザが判定できるのは「独立して動く部分」に限られますね。データベースとの通信やAPI呼び出しが必要なページは、ブラウザだけでは完結しない。 ただ、この論文の文脈では、その限界が実は利点になってる可能性があります。小さいAIを育てるには、判定基準がシンプルな方が学習しやすいんです。「ボタンを押したら動く」「フォームが正しく機能する」といった、ブラウザが確実に検証できる範囲に集中することで、まず基礎を徹底的に鍛える。 複雑なAPI連携までを求めると、判定自体が曖昧になってしまう。サーバーが落ちてるのか、AIのコードが悪いのか区別つきませんから。逆に「このAIは、単純に動くコードを書く能力に秀でてる」という特性を磨くアプローチ、というわけです。 つまり全能なジャッジを目指すのではなく、「確実に判定できる範囲で、そこだけ完璧にする」という限定が、小型AIの成長戦略には合ってるのかもしれません。