Edgen Stock·Nov 28 2025, 10:05Appleは、主要なAIモデルの推論能力に疑問を投げかけた重要なAI研究論文を撤回しました。この撤回は、論文自身のデータセットがOpenAIのGPTモデルによって生成されたものであり、30%もの誤り率を含んでいたことが判明した後に行われ、その結論を損ない、AppleのAI研究の信頼性に打撃を与えました。
Appleは、高度な大規模推論モデル（LRM）の推論能力を批判的に検証した「思考の幻想」と題する研究論文を撤回しました。この撤回は、外部の研究者によって、OpenAIのGPTを使用して生成された研究のベンチマークデータセットに30%ものグランドトゥルース（GT）エラー率が含まれていることが公に開示された後に行われました。この事件は、競争の激しいAI研究分野におけるAppleの信頼性にとって重大な後退であり、品質管理とAIを検証するためのAIを使用する方法論について重要な疑問を提起します。
プレプリントサーバーarXivで公開されたこの論文は、フロンティアAIモデルの認識されている推論能力が「幻想」であるという議論を提起しました。Appleの研究者たちは、OpenAIのGPT-4のようなモデルは、真の抽象的な推論ではなく、洗練されたパターンマッチングによって成功していると主張しました。この研究は、ある程度の複雑さのしきい値を超えると、これらのモデルは「完全な精度崩壊」を経験すると主張しました。
しかし、この研究の発見は、その自身の方法論によって無効化されました。Stepicの研究者であるLei Yangは、Appleがモデルをテストするために作成したデータセットが根本的に欠陥があり、30%の誤り率を含んでいることを公に特定しました。この発見により、論文は迅速に撤回され、関連するコードリポジトリも公開アクセスから削除されました。
この論文の失敗の核心は、自身のベンチマークの「グランドトゥルース」を生成するためにAIモデルに依存している点にあります。GPTを使用して類似モデルの限界をテストすることを目的としたデータセットを作成することにより、研究者たちはシステム的な欠陥を導入しました。撤回された論文に付随する研究ノートは、特に「川渡り問題」における特定の実験構成が解決不可能であり、それによってモデルの推論能力の評価を無効にすることを認めました。
この事件は、「科学のためのAI」分野における根本的な課題、すなわちトレーニングと評価に使用されるデータの整合性を確保することの重要性を浮き彫りにします。この論文は、GSM-8Kのような既存の業界ベンチマークがトレーニングデータに存在することで損なわれていることを批判しようとしましたが、より直接的な方法論的汚染の犠牲となりました。
Appleにとって、この事件は評判への顕著な打撃です。GoogleやOpenAIのような確立されたAIリーダーと競合する中で、信頼できる研究を通じて思想的リーダーシップを確立することは極めて重要です。この公開撤回は、その権威を損ない、内部の研究および検証プロセスにおける潜在的な弱点を露呈させます。より広く見れば、この事件は、AI研究を性急に発表することや、分析のためにAI生成データを使用する研究の信頼性について、市場全体に懐疑論を巻き起こします。この論文の中心的な主張、つまりAIの推論が限定的であるという主張は依然として妥当性を持つかもしれませんが、その欠陥のある実行は皮肉にもその主張そのものから注意をそらしました。
「思考の幻想」をめぐる論争は、AI業界における激しい圧力と競争の象徴です。企業は自社モデルの「推論」能力を積極的に売り込んでおり、この論文はこれらの主張に対する直接的な挑戦でした。この事件は、急速でリスクの高い開発が特徴の環境における学術的および企業的な厳格さに関する重要な警鐘として機能します。これは、人工知能の真の認知能力を正確に測定し、パターン認識を真の理解から分離するために、有効で汚染されていないベンチマークを作成することの深い困難さを浮き彫りにしています。