GPT-6 Astraの見えない推論──言語の外から始まる知性の比較解剖学
シリーズ: 行雲流水
2026年9月、OpenAIはGPT-6 Astraを公開した。ベンチマークの首位がまた入れ替わった、と見ることもできる。だが、今回もっと注意したい数字は総合点ではない。言語化された推論過程を使わせない条件で、Astraが解ける数学問題の範囲が旧モデルより大きく広がったという評価である。
その数字からAstraの内部構造は分からない。COCONUTを使っているとも、同じ計算ブロックを繰り返す再帰的深度モデルだとも確認されていない。現時点で断定できるのは、複雑な課題をこなす能力と、外から読める推論の量が、以前ほど素直には対応しなくなったことだ。
このずれはAIの安全性にとって厄介である。途中の言葉を読めば何をしているか分かる、という監視方法の足場が弱くなるからだ。しかし問題は監視だけに閉じない。考えることと言葉にすることが別々に動くなら、知性を言語的推論の量で捉えてきた私たちの見方も修正を迫られる。
AIは人間の心を再現した模型ではない。むしろ、人間とは異なる仕組みで知的課題を処理するところに価値がある。その違いを利用すれば、推論、直観、記憶、感情、内省を一括してきた「賢さ」という語に切れ目を入れられる。
見えにくくなった推論
GPT-6 Astraのシステムカードによれば、OpenAIが reasoning=None と呼ぶ設定でも、Astraが遂行できる課題の範囲は旧モデルより広がった。ここで止められているのは、言語化された推論過程（chain of thought、CoT）である。モデル内部の数値計算まで止まるわけではない。
UK AISIは、数学競技問題について、五割の信頼度で解ける難度を人間の作業時間へ換算した。GPT-5.6 Solは3.6分、Astraは30.9分だった。およそ8.6倍である。ただし、この推定値には問題が混じる。評価側は、学習資料への問題の混入によってAstraの値が膨らんだ可能性と、試験期間が限られていたことを明記している。したがって、Astraが一回の計算で人間の三十分間に相当する思考をした、と書くのは正確ではない。
OpenAIがこの結果を性能紹介より監視の問題として扱った理由は分かりやすい。CoTを使わず複雑な課題を遂行できるほど、CoTだけを見る監視は行動だけを見る監視に近づく。さらにAstraは、CoTへ形式上の条件を付けたとき、その条件に従う割合も上がった。UK AISIの評価ではAstraが93％、Solが48％だったが、長いCoTでは制御しにくくなる。OpenAIの別の集計でも、750から1,250トークンの範囲で、Astraの制御成功率は60.9％、Solは16.1％だった。
ここから意図的な隠蔽を断定することはできない。OpenAIは、Astraが複雑な推論を無関係な文章へ埋め込む証拠を見つけていない。現在の評価が確かめたのは、もっと限定された変化である。課題遂行能力が伸びても、その根拠が読みやすい言葉として増えるとは限らない。
能力と説明の連動が崩れた。まずは、その事実だけを置く。
実装についての空白
AstraがなぜCoTなしで強くなったのかは公開されていない。学習によって推論の型が重みに圧縮されたのかもしれない。強化学習が一回の順伝播で使える計算を改善した可能性もある。内部に反復機構や潜在的な作業領域があるかもしれないが、それを裏づける公開資料はない。
システムカードには、CoTの制御可能性（controllability）が強化学習の途中で上昇し、その変化がアーキテクチャ変更による差ではないことにOpenAIはかなり自信を持っている、とある。これは「Astraにはアーキテクチャ変更がない」という説明ではない。CoT制御能力の差について、アーキテクチャ変更を主因と見ていないという限定された記述である。
この空白を推測で埋めると、記事は急に弱くなる。AstraがCOCONUTを使っている、再帰的深度を採用している、だから言葉の外で考えている。どれも現時点では言えない。Astra固有の事実と、研究界で並行して進む潜在推論（latent reasoning）を分ける必要がある。
その区別は話の勢いを削がない。Astraの正体を当てることが目的ではないからだ。Astraは、能力と観察可能な推論の対応が弱くなった実例である。COCONUTや再帰的深度は、その対応を意図的に外すと何が起きるかを調べる研究である。この二つを混ぜずに並べると、研究の方向が見えてくる。
言葉を経由しない計算
ハオらが提案したCOCONUTでは、モデルがある段階の内部状態を次の単語へ変換せず、次の入力埋め込みとして利用する。通常のCoTが「内部状態、単語、次の内部状態」と往復するのに対し、COCONUTは連続的な内部表現のまま計算を進める。
著者らは、連続的な思考が複数の次候補を内部に保ち、探索を要する論理課題で幅優先探索に似た振る舞いを生むと報告した。自然言語は一語ずつ選ばなければならない。選んだ言葉は、それ以外の候補を早い段階で捨てさせる。内部の高次元表現なら、候補を完全に分ける前に関係を変えられるという見立てである。
再帰的深度推論（recurrent depth reasoning）は別の方法を採る。ガイピングらのモデルは、同じ計算ブロックを内部状態へ何度も適用する。文章を長く出すことで計算量を増やすのではなく、モデル内部の反復を増やす。35億パラメータ、8,000億トークンで学習した概念実証モデルは、反復回数に応じて複数の推論課題で成績を上げ、最大で500億パラメータ相当の計算負荷を使った。
小さなモデルが無料で大モデルになる話ではない。共有されたパラメータを再利用するので保存容量は抑えられるが、反復すれば計算量は増える。分離されるのは、モデルが保持するパラメータ量と、個々の問題へ投入する計算量である。
研究は決着していない。再帰的深度モデルを調べたルーらは、反復による利得が限定され、内部状態から人間の期待する段階的な潜在CoTを読み出す証拠も弱いと報告した。COCONUTを因果的・敵対的に調べたジャンらは、潜在トークンが忠実な推論を担うとの解釈へ否定的で、課題の近道を使っている可能性を指摘した。他方、リーらのICML 2026採択研究は、潜在段階が均質な追加計算ではなく、段階ごとに異なる因果的役割を持つと報告している。
ここには、すぐ結論へ飛びつけない面白さがある。言葉を出さない反復が性能へ寄与する場合はある。しかし、それを「内部で文章を考えている」と解釈する根拠はない。潜在推論は、見えないCoTの別名ではない。
考えることと説明すること
潜在推論の研究が突きつける最小限の命題は、推論能力と、言語化された推論過程が同じ変数ではないということだ。この区別は、それほど突飛ではない。通常のトランスフォーマー（Transformer）も、単語を出す前に高次元の内部状態を計算している。新しいのは、その内部表現を明示的な計算の場所として反復利用し、推論時に投入量まで変えようとしている点にある。
CoTは思考そのものだ、という素朴な見方は維持しにくくなる。CoTは、内部計算の一部を人間が読める形へ展開した表現である可能性が高い。もちろん、その言葉が内部計算とどの程度対応しているかはモデルと課題によって違う。説明が忠実な場合もあれば、答えを得たあとで理由らしい文章を組み立てる場合もあるだろう。
安全性の問題はここから生じる。監視したいのは、モデルが出した文章の形式ではなく、危険な行為へ至る判断である。だが、監視者が読めるのは入力、CoT、道具の利用、最終出力といった外へ現れた痕跡に限られる。内部計算が言語化されないまま複雑になるほど、CoT監視は判断の一部しか覆えなくなる。
この変化は、説明を不要にしない。むしろ逆である。能力と説明が自然に連動しないなら、必要な場面で何を根拠として外へ出させ、どの証拠と照合し、どの行為を別の監視経路で確認するかを決めなければならない。思考の文章を読むことから、行為、内部活性、独立検証を組み合わせる監査へ移る必要がある。
言語モデルの逆説
ここには哲学史上の皮肉がある。二十世紀の「言語論的転回」は、世界や意識について直接語る前に、それらを私たちがどのような言語、概念、記号体系を通して理解しているかを問うた。分析哲学、日常言語哲学、構造主義、ポスト構造主義の違いを消すことはできないが、言語の媒介が中心問題になったという大きな変化は共有されている。
LLMの成功は、その流れへ思いがけない技術的証拠を加えたように見えた。次の単語を予測するよう訓練したモデルが、規模を増すにつれて翻訳、要約、プログラミング、数学、計画まで扱い始めた。知性のかなりの部分は、結局のところ言語なのではないか。そう考えたくなる時期があった。
その言語モデルが、さらに能力を伸ばす過程で、言語として推論する必要性を弱め始めている。AstraのNo-CoT能力、COCONUT、再帰的深度は同じ技術ではない。それでも、高度な課題遂行と明示的な言語操作を分ける方向では重なる。言語から育ったAIが、言語だけでは考えなくなる。悪くない逆説である。
ただし、ここから「言語論的転回の終焉」や「言語以後の転回」を宣言するのは大きすぎる。哲学上の言語論的転回は、人間が頭の中で文章を使うかどうかだけの議論ではない。意味、真理、概念、社会的実践へどう接近するかという方法論の問題を含む。AIの内部計算が連続表現になっても、その問題は消えない。
より正確には、言語を知性の唯一の中心から外す動きと呼ぶべきだろう。言語を捨てるのではない。複数の表現形式の一つへ置き直す。その方が、人間にとって言語が何をしてきたかも見えやすくなる。
公共へ戻ってくる言葉
言語を内部思考の唯一の媒体とみなさないことは、言語の格下げではない。人間は、言葉にすることで自分の考えを読み返す。他者へ渡し、反論を受け、修正する。記録を残し、法律、科学、組織の手続きへ埋め込み、次の世代へ渡す。
この働きを、単なる出力と呼ぶことはできない。言語化は内部状態の写しではなく、思考を組み直す作業でもある。曖昧な直観を一つの文へ置くと、隠れていた矛盾が現れる。他者が同じ文を参照できれば、私の確信は公共の検討へ移る。ダスカルが「認知技術としての言語」を論じた論文は、言語を認知の道具、環境、資源として捉え直している。
潜在的な内部計算は、高い帯域を持つかもしれない。しかし、他人が同じ状態へ直接触れることはできない。言語は情報を削る。その代わり、何が述べられたかを固定し、複数の人が同じ対象へ戻れるようにする。狭い通路には、共有できるという利点がある。
人間の知性を個体内で完結させないためにも、この点は重要である。私たちは書籍、図表、計算機、制度、専門家の判断へ認知の一部を預けている。言語は、それらを接続する共通の形式として働く。思考のすべてではないが、個人の知性を社会的な知性へ変える基盤である。
したがって、AIの推論が言語から離れるほど、外へ出す説明には別の基準が必要になる。内部過程を実況しているように見える文章だけでなく、他者が証拠へ戻れ、異議を述べ、判断を修正できる説明である。忠実な内面描写が難しくても、公共的に検証できる根拠は要求できる。
比較するための距離
ここでAIから人間へ移る。ただし、Astraの内部状態と人間の直観を同じものとみなしてはならない。トランスフォーマーと人間の脳には共通の設計図がない。身体の恒常性、発達、死への脆弱性、愛着、社会の中で形成された人生史も違う。
それでも比較する理由はある。人間の認知科学は、すでに存在する複雑なシステムを観察し、機構を逆算する。AI研究では、提案した機構を作り、足したり外したりし、その結果を観察できる。記憶を与える。検索を制限する。CoTを許す。反復回数を変える。道具を使わせる。人間にはできない介入である。
AIで機能を分けられたから、人間にも同じ独立部品があるとは言えない。人間では、記憶と感情、知覚と行為、身体と価値づけ、言語と内省が深く絡む。比較すべきなのは部品の一対一対応ではなく、ある課題を成り立たせる機能上の必要条件と代替関係である。
AIは人間認知の答えではない。問いを切り分ける道具である。言語化できることと、できることは同じか。深く考える能力と、何を考えるかを決める能力は同じか。記憶を増やすことと、過去の意味を組み替えることは同じか。異なる実装を置くと、それまで一枚に見えていた知性へ切れ目が入る。
この距離の取り方が、擬人化と人間中心主義の両方を避ける。AIは人間と同じだから知性がある、と急がない。身体や感情がないから知性ではない、とも決めない。どの機能が、どの組み合わせで、どの種類の課題遂行を生むのかを見る。
直観、身体、感情
熟練した医師、棋士、編集者は、理由を順番に述べる前に違和感を持つことがある。初心者には十個の特徴に見えるものが、熟練者には一つのまとまりとして見える。以前は明示的に比べていた処理の一部が、圧縮された直観として働く場合もあるだろう。
ただし、直観一般を過去の言語的推論の圧縮とみなすことはできない。母語の文法感覚、顔の認識、身体のバランス、対人距離は、最初から知覚と行為の循環の中で学ばれる。熟達で起きるのは、同じ問題を速く解くことだけではない。何が一つの問題として見えるかが変わる。
身体知とAIの潜在状態は同じものではない。人間の身体知は、知覚、行為、環境の往復から生じ、痛みや疲労、生存の必要に拘束される。それでもAIの潜在推論は、言語化できない処理を未熟な知識とみなす理由を弱くする。説明可能性と能力は、別の軸になり得る。
感情についても、理性の敵という図式では足りない。有限の認知資源しかない人間は、すべての可能性を均等に調べられない。何へ注意を向け、どの危険を避け、どの探索を続けるかを決める必要がある。ベチャラらの1997年の実験では、健常参加者の一部に、どの選択が有利かを説明できる前から身体反応と選択の差が現れた。解釈をめぐる議論はあるが、意識的説明だけで意思決定を記述しきれない例ではある。
感情をAIの重要度計算と同一視するのも誤りだ。感情は注意配分だけでなく、身体の調整、行動準備、学習、記憶、他者への信号にも関わる。AIとの比較が照らすのは、そのうちの一側面である。推論能力を増やしても、何を大事にし、どこへ計算を使うかは自動的には決まらない。
能力の量と使いどころ
推論評価は、与えられた問題を解けるかを測る。現実の判断は、その前から始まっている。何を問題として取り上げるか。どの表現形式を使うか。どの記憶を呼び戻すか。検索するか、図にするか、他者へ聞くか。どこで考えるのを止めるか。
判断の良い人は、すべてを深く考えない。この一点だけ確認すればよい。そこは今考える必要がない。問いの立て方が違う。こう言えることが、計算能力の高さとは別に働く。塩の量を毎回三十分考える料理人を、思慮深いとは呼ばない。
私は、賢さの中心を推論能力から、この編成へ少し移した方がよいと考える。編成とは、頭の中に小さな司令官を置くことではない。推論、直観、記憶、注意、身体、言語、道具、他者が、状況に応じて互いを呼び出し、抑え、修正する関係である。
再帰的深度の研究にも同じ問題がある。反復を増やす能力だけでは足りない。課題に必要な深さを見積もり、これ以上の計算が答えを悪くする前に止めなければならない。AIでは、計算量の配分と停止をどう学ばせるかが課題になる。人間では、それを判断力や思慮と呼んできた部分がある。
ここで「賢さ」は能力の足し算ではなくなる。記憶が多くても、関係のない記憶ばかり呼び出せば判断は悪くなる。長く考えられても、止まれなければ迷走する。言葉が巧みでも、身体の警告や他者の反論を切れば誤る。問うべきなのは所有している能力の総量より、能力同士の関係である。
時間の中の知性
編成だけでも、まだ一回の判断へ寄りすぎている。人間は問いを渡された瞬間にだけ考えるのではない。同じ経験を数日後、数年後に別の意味で理解する。新しい情報が増えなくても、記憶と自己像と将来像の関係が変われば、過去の位置づけは変わる。
推論と内省をここで分けたい。推論は、与えられた問題設定と評価基準の中で答えを改善する。内省は、問題設定や評価基準そのものを変えることがある。答えを変えるだけでなく、何を答えと呼ぶかを変える。人間が思慮深さと呼ぶものには、この長い時間が含まれる。
睡眠は、その時間性を考える一例になる。クリンツィングらによる睡眠中の記憶固定の査読レビューは、海馬での記憶再生、脳波活動、皮質ネットワークへの統合を通じ、記憶が安定するだけでなく要旨化される過程を整理している。人間は、課題へ答えていない時間にも経験を再編する。
夢については慎重でなければならない。夢という主観経験が記憶の再編を担うのか、その一部を反映するのか、別の現象なのかは決着していない。「夢は脳の潜在推論だ」と書けば、魅力的な比喩と引き換えに科学的な足場を失う。確かに言える範囲は狭い。睡眠中に記憶は再活性化され、統合され得る。人間は問われていない時間にも変わる。
現在の多くのAIは、呼ばれたときに推論し、答えを返す。長期記憶や継続学習を備えたシステムは増えても、人間のように身体状態、社会関係、自己像を長い時間の中で組み替えるわけではない。この差は、AIがまだ人間ほど賢くないという一列の順位では表せない。賢さが成立する時間構造そのものが違う。
知性の比較解剖学
人類は長い間、高度な知性の実例をほぼ一種類しか持たなかった。人間である。そのため、言語、身体、感情、社会性、睡眠、長期記憶のどこまでが知性一般に必要で、どこからが人間という生物に固有なのかを切り分けにくかった。すべてが一つの包みに入っていたからだ。
AIは別の包み方を持ち込んだ。身体を持たず、人生史も乏しいのに、数学やプログラミングで高い成績を出す。大量の知識へ速くアクセスできる一方、継続した利害や、自発的に形成した長期目標を人間と同じ意味では持たない。人間が知的と呼んできた課題を、人間とはかなり違う条件で遂行する。
この比較を、知性の比較解剖学と呼べる。ただし、生物学的な相同性を探す意味ではない。異なる実装を比べ、ある機能に何が必要か、別の仕組みで何を代替できるか、何が欠けるとどの脆弱性が生まれるかを問う方法論的な比喩である。
比較の価値は、似ていることより違うことにある。AstraのNo-CoT能力は、人間の非言語思考を証明しない。COCONUTは身体知の模型ではない。再帰的深度は内省の再現でもない。それでも、言語化可能性と能力、深く考えることと問題を選ぶこと、情報を増やすことと既存の関係を組み替えることを、別々に問えるようになる。
「AIは人間より賢いか」という問いは無意味ではない。数学、記憶、速度、計画など、個別能力は比較できる。粗いのは、それらを一つの数値にまとめ、人間とAIを一列に並べることだ。その一列では、表現形式、認知資源の配分、身体との結合、社会的な接続、時間の中での更新が消えてしまう。
だから問いを変える。どれだけ賢いのか、ではない。どう賢いのか。
どの表現を使い、何へ計算を配り、いつ止まり、どの経験によって自分の評価基準を変え、どの言葉で他者の批判へ開かれるのか。AIの登場が人間理解へ与えるものは、完成した答えではない。これまで一語に包んできた賢さを、関係と時間の構成として問い直すための、切り分け方である。
ポイント整理
Astraについて確認できる範囲
No-CoT条件で解ける数学問題の推定時間幅は旧モデルより伸びたが、汚染可能性と試験期間の制約がある。
CoTの監視可能性低下と制御可能性上昇は報告されたが、COCONUTや再帰的深度の採用は確認されていない。
推論能力と説明の分離
潜在推論の研究は、計算を毎回自然言語へ変換しなくても課題成績を改善できる可能性を調べている。
CoTを内部思考そのものと決めず、人間が読める説明経路の一つとして評価する必要がある。
言語の再配置
言語を知性の唯一の中心から外しても、自分の思考を組み直し、他者の反論へ開く認知技術としての価値は残る。
個人の内部認知を記録、科学、制度、集合知へ接続する社会的基盤として捉え直せる。
能力から編成への移動
現実の判断には、問題の選択、表現形式、注意配分、記憶や道具の利用、停止判断が含まれる。
賢さは能力の総量だけでなく、複数の能力が状況に応じて互いを修正できる関係にも宿る。
比較が作る新しい問い
AIは人間認知の直接的な模型ではなく、知能機能を足し引きして介入できる異質な比較対象である。
人間とAIを一列に並べず、表現、身体、社会性、時間的更新を含む「どう賢いか」を比較する。
キーワード解説
【潜在推論 (latent reasoning)】
自然言語のトークン列として推論過程を外へ展開せず、モデル内部の連続的な表現を使って行う計算。COCONUT、再帰的深度、潜在的な作業領域など複数の研究方向を含み、統一された一つの方式を指す語ではない。
【再帰的深度推論 (recurrent depth reasoning)】
共有された計算ブロックを内部状態へ繰り返し適用し、パラメータ数を増やさず実効的な計算深度を増やす方式。保存するモデルの大きさと、個々の問題へ投入する計算量を分けられるが、反復に必要な計算費用は残る。
【監視可能性 (monitorability)】
モデルの入力、CoT、道具の利用、出力などから、危険な意図や行為を監視者が発見できる程度。CoTの読みやすさだけでなく、行為の痕跡や内部活性を利用する別の監査方法も含めて考える必要がある。
【認知の編成】
推論、直観、記憶、注意、身体感覚、言語、外部の道具、他者を、状況に応じて選び、配分し、相互に修正させる働き。すべてを指揮する独立した司令塔ではなく、複数の機能の関係を指す。
【知性の比較解剖学】
人間とAIに同じ内部構造があると仮定せず、異なる知能実装を比べて、機能の必要条件、代替可能性、相互依存、脆弱性を考える方法論的な比喩。AIから人間について答えを引き出すのではなく、問いの切り分け方を増やす。