コンピュータ科学
プログラミングについての考え方に影響を与えない言語は、学ぶ価値がない。
— (1982)
熟練開発者はAIで速くなったと感じたが、実測では遅くなった――本当の発見と、AIコーディングへの最終判決ではない理由
METRのランダム化比較試験では、熟練オープンソース開発者16人が、自分たちのよく知るコードベースで246件の実務タスクを行い、その半分を無作為に2025年初頭のAIツール（Cursor Pro + Claude 3.5/3.7 Sonnet）使用可とした。開発者はAIで作業時間が約24%短くなると予測したが、実際には完了時間が19%増えた。それでも終了後、約20%速くなったと信じていた。この認知ギャップが研究の鋭く頑健な核心である。ただし対象は16人、一つの狭い設定、2025年初頭の固定スナップショットだ。著者らはAIが大多数の開発者を助けないことを示すものではないと明記し、2026年の自分たちの追跡調査は、別の注意点を伴いながらすでに高速化方向を示している。
暗号証明は、「存在しないシミュレータ」を証明しにくくすることで秘密を隠せる
ゼロ知識証明では、witnessを明かさずに主張を証明できる。古典理論によれば、その完全な意味でのゼロ知識を、一通のメッセージ、信頼されたセットアップなし、完全健全性という条件で同時に得ることはできない。Rahul Ilangoの論文はこの不可能性を消してはいない。狙いを変える。シミュレータが本当に存在することを要求する代わりに、選んだ証明体系が「シミュレータは存在しない」と効率よく証明できないことを要求する。証明複雑性と暗号学の大きな仮定の下では、それでゼロ知識の反証可能なゲームベース帰結を、性質ごとに回収できる。これはそのままインターネットへ組み込むプリミティブではない。数学的な証明不能性を暗号上の覆いへ変える、証明論的な方法である。
医療AIは平均ではプライベートでも、特定患者を露出させ得る――とりわけ過小代表の患者を
「プライバシー保護型」と呼ばれる医療AIモデルは通常、一つの平均値で評価される。この研究は、その数字こそ間違った検査だと論じる。特定個人の記録が訓練データに含まれていたかを推測し、その人が特定疾患だったことまで漏らし得るメンバーシップ推論攻撃について、著者らは7つの医療データセット（画像、ECG、電子記録）と多数のモデルで、集計ではなく患者単位のリスクを測った。平均では安全に見えるモデルでも、特定個人をほぼ完璧に識別できる場合があり（攻撃AUC ≥ 0.95）、露出する人は少数民族、希少疾患、珍しい画像特徴などの過小代表集団に体系的に偏り、モデルが大きいほど悪化した。著者らは医療AIを捨てろとは言わない。患者単位でプライバシーを測り、モデルアクセスを制御し、差分プライバシーを使うよう求めている。居心地の悪い核心は、「平均ではプライベート」は保証ではなく、その失敗がすでに最も保護の薄い患者に集中するということだ。
絵を描くAIに「紙面を見る」ことを教える
ベクター画像を生成する言語モデルは、これまで結果を一度も見ずに描画命令を書き出す、いわば「目を閉じた」状態で作業してきた。新しい手法では、モデルが線を加えるたびに自分のキャンバスを見る。しかし面白いのは、単に目を与えるだけでは性能が悪化することだ。使い方を再訓練しなければならない。その結果、最大20倍のデータで訓練された競合と同等か、わずかに上回るモデルが得られた。これは一つのベンチマーク上の、丁寧で実在する改善であって、革命ではない。
AIエージェントが患者症例全体を自力で処理した――ただしシミュレーター内で、過去の記録を使って
MIRAは新しい種類の医療AIだ。一つの質問に答えるのではなく、模擬病院記録の中で症例全体を進める。病歴を取り、検査を指示して結果を読み、診断に至り、指示まで作成する。公開データベースの過去574症例、事前に選ばれた8診断で、著者らは診断精度が医師を上回り、判断の多くがガイドラインに沿い、薬剤安全性も高かったと報告した。ただし、この一文の但し書きはすべて重要だ。実験は過去記録を使ったサンドボックス内のテキストのみで行われ、優位性のかなりの部分は検査結果が明瞭な疾患で生じ、MIRAは医師の約2倍の血液検査項目を使い、複数のアウトカムは元カルテに記録された内容を基準に採点された。本当の前進は、ワークフロー全体で行動するエージェントであることだ。機械が今や医師より優れた診断をする証拠ではない。著者ら自身、一般化、安全性、ガバナンスには前向きな実臨床研究がなお必要だと述べている。
大規模なロボット「基盤モデル」は本当に優れているのか？ 慎重な答えは「少しは優れている。そして多くの研究では判別できない」
Toyota Research Institute は、多様な操作データ約1700時間で事前学習した「Large Behavior Model」を、ゼロから学習した単一タスク・ポリシーと異例に厳密な方法で比較した。ブラインド、無作為化、大標本（実世界約1800、シミュレーション4万7000超）かつ正式な統計解析で、タスクごとにファインチューニングした大モデルは平均的に優れ、必要なタスク固有データは約3〜5分の1で、条件変化にもより頑健だった。一方、ファインチューニングなしでは一貫した優位性がなく、効果の一部は大標本でなければ見えないほど小さく、地味なデータ正規化の選択がアーキテクチャ以上に効いた。ロボット基盤モデルという方向への測定された支持ではあるが、汎用ロボット、ゼロショット汎用モデル、「創発的飛躍」ではない。同時に、この分野の多くが統計ノイズを測っている可能性への警告でもある。
言語モデルはなぜハルシネーションするのか――そして私たちの採点方法がなぜそれを温存するのか
「ハルシネーション」と呼ばれる自信満々の誤情報は、不可解な故障ではない。一部は学習に伴う統計的な副産物であり、さらに主流ベンチマークが正直な「分かりません」より自信ある推測を報いるため残り続ける。四つのフロンティアモデルを使ったケーススタディーでは、採点規則をプロンプト内に明記する「オープン・ルーブリック」がそのインセンティブを反転させた。