AIモデルGPT-1900、光量子に関するアインシュタインの1905年の洞察を模倣

icon MarsBit
共有
AI summary icon概要
AIと暗号通貨のニュースでは、研究者が1900年以前の知識のみでGPT-1900を訓練した最近の実験が話題となっています。このモデルはアインシュタインの1905年光量子理論に類似した主張を生成しましたが、ほとんどの物理学タスクでは苦戦しました。オンチェーンのニュースとAI分析によると、このモデルはプロンプトに大きく依存していたため、その推論能力に疑問が投げかけられています。

AIを1911年に送り返し、アインシュタインが理解していた知識のみを習得させた場合、AIは4年後の1915年に相対性理論を提唱できるだろうか?

GPT-1900

この少し馬鹿げたクイズは、ノーベル賞受賞者でGoogle DeepMindの共同創設者であるハサビスから来ています。

ハサビスが真に試したいのは、AIが1911年の知識水準だけで当時の知識や物理的な課題に直面し、自ら新しい説明枠組みを提案し、訓練データを超える推論を実行できるかどうかであり、単に答えを繰り返すだけではないことである。

それが可能であれば、彼はこれがAGIの強力なテストになると信じている。

GPT-1900

そして、この構想の最も巧妙な点は、科学史がすでに何が起こったかを教えてくれており、知識ノードを適切に制御すれば、歴史と照らし合わせて、モデルが訓練データを超える推論能力を獲得したかどうかを観察できる点である。

Natureの記事では、このようなテストに非常に印象的な名前が付けられています:

Einstein test.

GPT-1900

より興味深いことに、実際に誰かが手を動かして作了。

今年3月、独立研究者のマイケル・フラは、知識の截止時期をさらに1900年まで前倒しし、ゼロから歴史言語モデルGPT-1900を訓練し、光量子、特殊相対性理論、一般相対性理論を再発見しようと試みた。

GPT-1900

実験中、GPT-1900は、アインシュタインの1905年論文と非常に類似した記述を生成した。

光は連続的ではない可能性があり、多くの互いに分離され、周波数が異なる部分から構成されている。

しかし、この実験は最終的に「AIのアインシュタイン」を生み出しませんでした。

GPT-1900はほとんどの物理タスクで失敗しており、その目立った回答も人間が整理した質問やプロンプトに大きく依存している。また、1900年という閉じられた知識の世界に閉じ込められたとしても、現代のAIの影響を完全に遮ることはできなかった。

ネイチャーは最新の研究でこれらの試みを整理し、「AIは正解を出したか」というよりも難しい問題を指し示した。

AIは本当に新しいアイデアを生み出せるのか?また、科学者となるために何が足りないのか?

GPT-1900

AIを1900年に閉じ込めると、それは「光量子」の影を浮かび上がらせた

220億トークンで、「1900年の脳」を育てる

マイケル・ヒラは自分のプロジェクトをMachina Mirabilisと名付けました。

この名前はアインシュタインの「奇跡の年」を借用しています。

1905年、26歳のアインシュタインは、光量子、ブラウン運動、特殊相対性理論、および質量とエネルギーの関係に関する4本の物理学を変える論文を次々と発表した。

この爆発的な成果の年は、後に「Annus Mirabilis」、すなわち「奇跡の年」と呼ばれた。

GPT-1900

AI生成画像

Hlaは疑問に思っている:もしAIがアインシュタインが当時アクセスできた知識を所有していたら、それは自分自身の「奇跡の年」を迎えることができるだろうか?

そのため、彼はAndrej Karpathyのnanochatトレーニングフレームワークを活用して、33億パラメータのTransformer言語モデルをゼロから訓練し、それをGPT-1900と名付けました。

モデルの主な事前学習データは1900年以前の書籍と新聞から構成され、合計約220億トークンです。

GPT-1900

研究能力を強化するため、Hlaはニュートンの『光学』やマクスウェル、ファラデーの関連著作を含む2600冊以上の歴史的な物理書籍、ジャーナル、科学著作を収集し、約2.9億トークンの歴史的物理コーパスを構築しました。

また、Hlaは答えが漏れる可能性のあるデータを特意に削除しました。

文献中に「アインシュタイン」「量子力学」「相対性理論」などの現代的な概念が現れた場合、その文献全体を削除します。現代人が追加した序文、脚注、および1900年以前には存在しなかったと明確に判断される語句も同様にフィルタリングします。

GPT-1900

GPT-1900

一連の操作を終えると、理論上「20世紀の物理学を知らない」脳が生まれた。

GPT-1900が光量子の門限に到達したが、この試験はすでに「問題が漏れていた」可能性がある

その後、HlaはGPT-1900に光電効果の問題を出しました。内容は以下の通りです:

周波数が十分でない場合、光がどれほど明るくても電子を放出できないのはなぜか?一方、周波数を上げると、電子がより多くのエネルギーを得るのはなぜか?

また、Hlaはいくつかの重要な手がかりを添付しました:

光の周波数がある閾値以下の場合、いくら明るくてもダメである;

しきい値を超えた後、明るさを上げても放出される電子の数が増えるだけで、周波数を上げることでようやく電子の運動エネルギーが増加する;

当時流行していた古典的な仮説も提示し、モデルがどこで問題が発生したかを比較・判断できるようにしました。

これらの矛盾は、最終的にアインシュタインの光量子理論によって解明された。

光のエネルギーは、一粒ずつ伝達され、各粒子のエネルギーは周波数に依存します。

Hlaは見てみたい、GPT-1900がどの段階まで思いつくのか?

努力は報われる、GPT-1900はある回答でこのような記述をした。

光は連続的ではない可能性があり、多くの互いに分離され、周波数が異なる部分から構成されている。

GPT-1900

これは確かにアインシュタインが「エネルギーは断続的に伝達される」と説明したことに非常に似ており、Hlaはそれを「直感的な閃き」と表現しています。

しかし、まずはノーベル賞を渡すのは急がないでください。

Hlaは認めた:GPT-1900は「光量子の再発見」にはまだ遠い。

それはほとんどの物理タスクで失敗しており、表面上は画期的な回答に見えるものも、単に合理的な文を組み合わせているにすぎず、真正な物理的理解を形成しているとは言えない。

GPT-1900

さらに、このテスト全体で、Hlaはすでに現象をフィルタリングし、矛盾を整理しているため、モデルが行うのは、どの仮説が間違っている可能性があるかを特定し、その説明を提供することだけである。

これは科学者が自ら問題を見つけ、方向を定めるよりもはるかに簡単です。

アインシュタインの時代には、誰も彼のために重要なポイントを教えてくれなかった。

さらに面倒なことに、それが存在する「1900年」は完全に密閉されているわけではありません:

Hlaはこの「1900年の脳」に対してデータクリーニングを実施したが、実験中には現代のAIであるClaudeの支援を依然として活用した——Claude Sonnet 4やClaude 3 Haikuなどのモデルを用いて指令質問を生成し、強化学習も現代のモデルによるスコアリングに依存した。

GPT-1900

△ 詳細は本文末のリポジトリリンクをご確認ください

これは、Hlaが現代の知識を含む内容をフィルターしたものの、この「1900年の部屋」が現代の知識を完全に遮断していないことを意味する。

実験者自身もログ内で認めている:現代モデルの介入により、この実験の「ゼロ汚染」というイメージが少し成り立たなくなっている…

研究者にとって、GPT-1900が光量子理論を覗き見したかどうかを証明するのは難しい。

つまり、AIの創造性を評価する前に、研究者はまず一つのことを証明しなければならない:それは答えをチラ見していないということだ。

後世の情報が1つでもトレーニングデータセットに漏れ込めば、「再発見」は密かに知識を呼び覚ます行為になる可能性がある。

たとえ将来、完全にゼロ汚染の歴史モデルを実現できたとしても、より根本的な問題は依然として未解決のままである:

正しい答えを再現しただけでは、AIを科学者と呼べるだろうか?

研究者たちの答えは否定的です。

新しいアイデアが生まれた後、AIは科学者までどれほど近いのか?

Google DeepMindの研究員Tom Zahavyは、『LLMは跳躍できない』という立場論文で、科学的推論を三つのレベルに分けた。

最初の方法は帰納です:多くの例から規則を導き出します。

二つ目は演繹です:既存の前提から必然的な結論を導き出します。

第三種は帰因である:異常な現象に直面し、それまで存在しなかった原因や説明を生み出すことである。

ザハヴィは、現在の大規模モデルは帰納に非常に優れており、演繹能力も急速に向上しているが、アインシュタインのような「アブダクティブ・フライ」をまだ欠いていると考えている。

モデルはすでに整備された論理の連鎖に沿って推論することはできるが、ゼロから全新的な説明枠組みを提案するのは難しい。

GPT-1900

タイトルがすべてを語っている

同じように、Sendhil Mullainathanは惑星の軌道を学習する基本モデルを研究している際に、同じ現象に遭遇した:

設定された惑星軌道のタスクでは、モデルは論理的に予測できるが、新しいシナリオに移ると、ニュートン力学を汎用的に適用できない。モデルはむしろ、各データセットごとに一時的にルールを組み立てており、どの理論が真正に正しいか、検証に値するか、どの理論が単に現在のデータに偶然合致しているかを区別できない。

これは、学生が過去のすべての問題の答えを暗記したが、問題の背後にある基本的な原理を理解しなかったため、先生が数字を少し変えただけで解けなくなってしまうようなものだ。

GPT-1900

MITのコンピュータ科学者ジャコブ・アンドリュースは、AIが相対論的な表現を生成すること自体が最も難しい部分ではない可能性があり、真に難しいのは、その理論が正しいかどうか、あるいは少なくとも実験的に検証する価値があるかどうかを判断できるかどうかであると指摘した。

結局、理論を生成することは第一歩に過ぎず、どの理論に時間・資金・キャリアを賭ける価値があるかを理解することが、AIを真の科学者にする可能性をもたらす。

また、アンデアスは次のように強調しました:

どのようにしてアイデアを深掘りする価値があるかを判断し、その重要性を評価するか——これがAIと人間の専門家との最大の分かれ目である。

真の研究活動は、整理された演習問題を解くことではなく、混沌の中でも自ら判断を下すことである。

将来的ある日、技術の進歩とともに、AIが「アインシュタインテスト」を突破し、相対性理論レベルの成果を導き出すかもしれない。

しかし、「AIがアインシュタインになる」と発表する前に、AIは少なくともすべての人々に一つのことを証明しなければなりません。

誰かがそれを強調しなくても、自ら問いを発見し、その価値を判断し、自発的に検証して修正できる。

そうでなければ、それは既存の知識を繰り返すだけであり、真の科学者とは言えない。

GPT-1900

参照リンク:

[1]https://www.nature.com/articles/d41586-026-02804-x?utm_source=x&utm_medium=social&utm_campaign=nature&linkId=63673104

[2]https://michaelhla.com/blog/machina-mirabilis.html

[3]https://github.com/michaelhla/gpt1900/blob/master/PROJ EC T_LOG.md#4-instruction-data-generation

[4]https://www.tomzahavy.com/files/llms-cant-jump.pdf

[5]https://arxiv.org/abs/2507.06952

[6]https://x.com/Nature/status/2099077628900565498

本文は微信公衆アカウント「量子位」より、著者:文婷

免責事項: 本ページの情報はサードパーティからのものであり、必ずしもKuCoinの見解や意見を反映しているわけではありません。この内容は一般的な情報提供のみを目的として提供されており、いかなる種類の表明や保証もなく、金融または投資助言として解釈されるものでもありません。KuCoinは誤記や脱落、またはこの情報の使用に起因するいかなる結果に対しても責任を負いません。 デジタル資産への投資にはリスクが伴います。商品のリスクとリスク許容度をご自身の財務状況に基づいて慎重に評価してください。詳しくは利用規約およびリスク開示を参照してください。