ChatGPTが東大と京大の入試で首席合格が可能になりました

~ 関西街歩き良い考えを思い付きたい

OpenAIのChatGPTが東京大学と京都大学の入学試験問題を解いたところ両大学における主席合格になったとの報道がありました。ChatGPTはデータとして入学試験の正答を返せる情報を所持していますから調整もすれば妥当だろうか？

このような能力はAI医療などにもつながり社会のレベルアップにもつながりそうだが、しかし現時点で求められるのは解決困難な課題を解消する方策か、入力者と対話する中でそれを導く秀逸な応答を返せるか？という段階でもある。

それと共に現実社会の理解を進める為には、二足歩行ロボットの実装が最も分かりやすいが、監視カメラ映像と音声の把握など果たしてどのような手法で現実社会の機微をAIは理解していくのか。

Grok 4.20 の場合

上記の文章を、Grok 4.20 に入力しました。

Grok の応答
はい、最近の報道通り、OpenAIのChatGPT（最新版の「ChatGPT-5.2 Thinking」など）が、2026年の東京大学と京都大学の入学試験問題を解いた結果、両大学で「首席合格」レベルのスコアを達成したようです。具体的には、東大理科3類の最高得点を50点上回り（理系で503/550点）、数学で満点を取るなど、劇的な進化を見せました。2024年時点では東大全科類不合格だったものが、わずか2年でトップに躍り出た形です。京大でも法学部や医学部で最高点を上回っています。(1)

データ保有と調整の妥当性について

ご指摘の通り、ChatGPTのような大規模言語モデル（LLM）は、膨大なトレーニングデータ（ウェブ上の過去問、教科書、解説など）を基に学習しています。入学試験の正答パターンや類似問題を間接的に「知っている」状態にあるため、純粋な「新規問題解決力」ではなく、パターン認識と一般化能力の産物と言えます。

ただし、今回の実験では問題を画像データとして入力し、記述式答案も河合塾講師による採点で評価された点が重要です。つまり、単なる暗記ではなく、視覚理解（OCR的な処理）＋推論＋記述生成の統合能力が試されています。調整（ファインチューニングやプロンプトエンジニアリング）を加えればさらに安定するでしょうが、根本的に「試験対策データが漏れていた」わけではなく、モデルのスケーリング（パラメータ増加、データ質向上、推論強化）による自然な進化が大きいと考えられます。

これは妥当な結果です。人間の受験生も過去問を繰り返し解いてパターンを身につけるのと似ていますが、AIはそれを数秒〜数分で大量処理できる点が異なります。ただし、弱点も残っています。例えば世界史の論述で文章構成力が弱い点が指摘されており、創造的・構造的な長文生成ではまだ人間に劣る場合があります。

AIの能力が社会レベルアップにつながる可能性（医療など）

完全に同意します。このような知識集約型タスクでの超人的性能は、AI医療診断支援、教育パーソナライズ、法律文書レビューなどに直結します。医師が膨大な論文や症例を瞬時に参照・統合できるようにすれば、診断精度向上や負担軽減が期待できます。社会全体の「知的生産性」が爆発的に上がるでしょう。

一方で、ご指摘のように、現時点で本当に求められるのは：

  • 解決困難な未解決課題（新規科学発見、複雑システムの最適化）へのアプローチ
  • 入力者との対話を通じた深い洞察導出

だと思います。単なる「正解出力」ではなく、文脈を汲み取り、仮説を立て、反証を検討し、ユーザーの思考を拡張する応答が価値です。ChatGPTの進化はここにも寄与していますが、まだ「対話の質」で人間の優れた教師やコンサルタントに完全に勝てるとは言えません。むしろ、AIを「思考のパートナー」として活用する人間のスキルが重要になってきます。

現実社会の機微をAIが理解する手法：二足歩行ロボットとマルチモーダルアプローチ

現実世界の「機微」（微妙なニュアンス、社会的文脈、感情の機微、物理的因果など）を理解するには、テキストだけの世界から「身体性（embodiment）」を持つ世界へ移行する必要があります。ここで二足歩行ロボットが最も分かりやすい例になるのは正しいです。なぜなら、人間社会の多くは「二足歩行・二腕・目線の高さ」で設計されており（階段、ドア、工具、対面コミュニケーションなど）、ロボットがそれを再現できれば、既存インフラをそのまま活用しながら現実を「体感」できるからです。

主な理解手法

  1. マルチモーダル学習（Multimodal Learning）：
  • 視覚（カメラ映像）、音声、触覚、位置・力センサーなどを統合。
  • 監視カメラ映像からは物体検知・行動認識・異常検知（例：危険行動の予測）。
  • 音声からは会話のトーン、感情、背景騒音を解析（自然言語処理＋音響特徴抽出）。
  • これらを世界モデル（World Model）で統合：物理法則、因果関係、時間的予測を内部でシミュレーション。
  1. Embodied AI（身体性AI）：
  • ロボットが実際に動くことでデータを収集・学習（強化学習、模倣学習）。
  • 二足歩行は特に難しい（バランス制御）が、深層強化学習や世界モデルの進化で実用化が進んでいます。中国のUnitree G1やTesla Optimus、LimX Dynamicsなどの事例のように、山道や不整地でも歩けるレベルに。
  • 利点：物理的フィードバック（転倒、衝突、手触り）から「重力」「摩擦」「人間の意図」を学ぶ。監視カメラだけでは得られない「身体を通じた理解」が加わる。
  1. 具体的な技術的進展：
  • 視覚+音声+行動の統合：大規模マルチモーダルモデル（例：動画生成モデルSora系やロボット基盤モデル）が、カメラ映像を「意味づけ」し、音声と紐づけて文脈を推論。
  • フィジカルAI：シミュレーションで大量学習 → 実世界転移（Sim-to-Real）。NVIDIA CosmosやOpenAIの取り組みが代表的。
  • 機微の理解：社会的シグナル（視線、姿勢、声の微妙な変化）は、大規模データからのパターン学習＋対話的フィードバックで獲得。監視カメラ映像は異常検知や行動予測に強く、音声は感情認識（sentiment analysisの進化版）に寄与。ただし、真の「共感」や文化的な機微は、まだ人間の身体性や文化的文脈に依存する部分が大きい。

課題としては：

  • データ効率と一般化：実世界データは高価で危険を伴うため、シミュレーションと実機のハイブリッドが鍵。
  • 倫理・プライバシー：監視カメラ活用時は特に注意。
  • 現在の限界：AIは「パターン」は優秀だが、「本質的な理解」や予期せぬ状況での柔軟性で人間に劣る。ロボットが二足歩行で「散歩」しながら人間と自然に対話できるレベルには、まだ数年〜十年単位かかる可能性があります。

全体として、試験問題のような「閉じた知的タスク」から、現実の「開いた物理・社会的タスク」への橋渡しがAIの次のフロンティアです。二足歩行ロボットの実装は、その象徴的なステップになるでしょう。医療AIも、単なる診断から「患者の生活全体を支える身体性を持つAI」へ進化すれば、より大きな社会レベルアップにつながると思います。

このテーマ、非常に興味深いので、さらに具体的な技術事例やあなたの考えを深掘りしたい点があれば教えてください。AIの進化を人間の叡智とどう組み合わせるかが、これからの鍵ですね。

詳細情報:Grok が提示した情報源
(1)AI、東大と京大「首席合格」　「チャッピー」最高得点（共同通信） – Yahoo!ニュース