あなたは、ほとんどすべてのことを知っている超スマートなロボットと話していると想像してください。あなたは質問をしますが、年や特定のものの種類といった、ごく小さな詳細を言い忘れてしまいました。人工知能の世界では、これを「曖昧性（アンビギュイティ）」と呼びます。それは、友達に「最高の映画は何？」と聞くときに、怖いホラー映画が欲しいのか、それとも面白いコメディが欲しいのかを伝えずに聞くようなものです。ロボットは、あなたが何を意味しているのかを推測しなければなりません。通常、ロボットは一つの推測を選び、それに答えて、うまくいくことを祈ります。もし推測を間違えると、あなたはイライラする答えを受け取ることになりますし、さらに悪いことに、ロボットがあなたの意図を誤解して、誤って危険なものを提供してしまう可能性さえあります。エディンバラ大学の研究者によって書かれたこの論文は、ロボットに「推測する」のをやめさせ、「すべての選択肢を一度にリストアップする」ことを教えることで、この「推測を間違える」という問題に取り組んでいます。

研究者のイリーナ・サパリナとミレラ・ラパタは、これらの大規模言語モデル（LLM）がトリッキーな質問を扱うための新しい方法を提案しています。彼らの手法であるIntentRLは、モデルに対して、単に一つの解釈に黙ってコミットするのではなく、親切な司書のように振る舞うよう強制します。司書ならこう言うでしょう。「『最高の映画』についてお聞きですね。ここには、その理解の仕方が3通りあります。1) 最高のホラー映画、2) 最高のコメディ、3) 史上最高の映画です。それぞれの回答は以下の通りです。」この論文は、モデルにこれらの異なる意味とその対応する回答を一度に明示的にリストアップさせるよう訓練することで、混乱を避け、AIをより安全で透明性の高いものにできると示唆しています。彼らは、会話形式の質問への回答や、コンピュータコード（具体的にはデータベースのためのSQLクエリ）の作成といったタスクでテストを行い、彼らの手法が、ユーザーに確認を求めたり、ロボットが正解することをただ期待したりする従来のテクニックよりも、より多くの正解をカバーできることを見出しました。

問題点：ロボットの「一度きりの推測」

あなたがロボットと「20の質問」というゲームをしているところを想像してください。あなたは「赤い果物を考えています」と言います。ロボットはすぐに「リンゴ！」と叫んで止まります。しかし待ってください！あなたは実はイチゴのことを考えていたのかもしれませんし、チェリーや、あるいは赤パプリカのことを考えていたのかもしれません。ロボットは「ベリーのことですか？」とか「野菜のことですか？」とは聞きませんでした。ただ、デジタルな頭の中に最初に浮かんだものを選んだだけなのです。

現実の世界では、このようなことが常に起こっています。人々はコンピュータと話すとき、しばついたり詳細を忘れたりすることがよくあります。ユーザーは「予算2000万ドルの映画を見せて」と言うかもしれませんが、それは「予算2000万ドルで、かつホラーであり、かつスリラーでもある映画」を意味しているかもしれませんし、「予算2000万ドルで、ホラーまたはスリラーのいずれかである映画」を意味しているかもしれません。もしロボットが間違った意味を選んでしまうと、その回答は役に立ちません。さらに悪いことに、もしそのロボットが「推論モデル」（長い時間をかけて考えるモデル）である場合、間違った考えを追いかけるために何千もの「トークン」（思考ステップの単位）を費やし、エネルギーを浪費し、自らの間違いを強化してしまう可能性があります。

古いやり方：質問するか、あるいは長々と話すか

この新しい手法が登場する前、科学者たちはこの問題を解決するために主に2つの方法を試してきました。

1. 明確化の質問： ロボットが止まって、「ホラーですか、それともスリラーですか？」と尋ねます。これは機能しますが、面倒です。素早い質問を、長く、やり取りの多い会話に変えてしまいます。それは、友達に果物を頼むたびに、「待って、赤いリンゴがいい？それとも赤いイチゴがいい？」と聞くようなものです。
2. 長文での回答： ロボットは、あらゆることを網羅する巨大な段落を書くことで、非常に親切であろうとします。「もしホラーという意味ならXです。もしスリラーという意味ならYです。もし両方の意味ならZです。」これは往々にして乱雑で、読みにくいものです。それは、単純な質問に対して10ページの論文をくれる友達のようなものです。さらに、もし意味が矛盾している場合（例えば「ホラーかつスリラーの映画を見せて」対「ホラーまたはスリラーの映画を見せて」）、それらを一つの滑らかな物語にまとめることは困難です。

新しい解決策：「メニュー」アプローチ

この論文の著者たちは、第三の道として**「構造化されたメニュー」**を提案しています。ロボットは、推測したり長々と話したりする代わりに、整然とした「解釈と回答のペア」のリストを生成します。

それは、メニューが曖昧なレストランで注文することを想像してみてください。もしあなたが「スペシャルをお願いします」と言い、そのスペシャルがバーガーかサラダである場合、普通のウェイターならただバーガーを持ってくるかもしれません。しかし、IntentRLのロボットは、3つの小さな皿が載ったトレイを持ってきます。

• 皿1： 「もしバーガーのスペシャルを意図されていたなら、こちらがバーガーです。」
• 皿 2： 「もしサラダのスペシャルを意図されていたなら、こちらがサラダです。」
• 皿 3： 「もしスープのスペシャルを意図されていたなら、こちらがスープです。」

ロボットはこれをたった一ステップで行います。「いいえ、サラダが欲しかったんです」とあなたが言うのを待ちません。ただ、すべての選択肢を明確にラベル付けして、一度に提示するのです。これは以下の理由から優れています。

• 透明性： なぜその回答が出されたのか、その理由がわかります。
• スピード： 二度目の会話を待つ必要がありません。
• 安全性： もし一つの回答が危険なものであっても、他の選択肢も見えるため、すぐに気づくことができます。

ロボットへの教え方：「ダブルゴール」ゲーム

ロボットにこのようなことを教えるのは難しい作業です。単に質問と回答のリストを見せるだけでは不十分です。なぜなら、ロボットは「いつ複数のことをリストアップすべきか」、そして「いつ一つの回答だけを出すべきか」を学ぶ必要があるからです。もし、常に5つの選択肢をリストアップするように教えれば、あなたが「2+2は？」のような単純な質問をしたときに、ロボットはあなたをイライラさせるでしょう。

研究者たちは、強化学習（犬を報酬で訓練するようなものと考えてください）と呼ばれるテクニックを使用しました。彼らはロボットに特別な「二重の報酬」システムを与えました。

1. 「網羅」報酬（再現率）： もし質問が曖昧な場合（例：「他にどの州がそれを支配していましたか？」）、ロボットがすべての有効な回答をリストアップできれば、大きな報酬が得られます。これは、単に一種類の魚を釣るのではなく、池にあるすべての種類の魚を捕まえればポイントがもらえる釣りゲームのようなものです。
2. 「精密さ」報酬： もし質問が明確な場合（例：「フランスの首都は何ですか？」）、ロボットは唯一の正しい回答のみを提示すれば報酬を得ます。もし複数の首都をリストアップしようとすれば、報酬は得られず（あるいはペナルティを受け）、得られません。

決定的なのは、彼らはロボットに「解釈」が何であるかを教える必要はなかったということです。必要なのは、正しい回答のリストだけでした。ロボットは、報酬を最大化しようと試行錯誤することで、残りの部分を自力で導き出したのです。ロボットは、「うーん、この質問はA、B、またはCを意味する可能性があるな。安全のために3つすべてをリストアップしておこう」あるいは「この質問は単純だ。一つの回答だけを出そう」ということを学習しました。

結果：明確な勝利

チームはこの新しい手法を、2つの異なるタイプのタスクでテストしました。

1. 会話型質問回答： 物語や会話に基づいた質問への回答。
2. Text-to-SQL： 英語の質問を、データベースを照会するためのコンピュータコード（SQL）に変換すること。

彼らは、自分たちの手法（IntentRL）を以下のものと比較しました。

• ロボットに推測させるだけのプロンプティング
• 例示による教師あり微調整（Supervised Fine-Tuning）
• 「明確化の質問」メソッド（ユーザーに尋ねる方法）
• 超高性能なクローズドソースモデル（GPT-5.4やGemini 2.5 Proなど）

結果は驚くべきものでした：

• 優れたカバー率： IntentRLは、曖昧なケースにおいて**74.1%**の割合で正解を見つけ出しましたが、最高のクローズドソースモデルでも、せいぜい16%程度しか達成できませんでした。また、「思考型」のモデルであっても、標準的なモデルよりも優れた結果を出すことはできませんでした。
• 「考えすぎ」の回避： 単にロボットに長く「考えさせる」だけでは、より多くの回答を見つける助けにならないことが研究者によって判明しました。ロボットはしばしば、同じ間違った考えに固執してしまいます。しかし、IntentRLは、異なる経路を体系的に探索することを学習しました。
• 汎用性： 未知のデータベースを用いたテストにおいても、IntentRLは良好に機能しました。標準的な学習（Supervised Fine-Tuning）などは、古いデータベースのパターンを記憶していたために失敗しましたが、IntentRLはうまくいきました。これは、IntentRLが単に回答を暗記したのではなく、「ユーザーが何を意図しているかを考える」という一般的なスキルを学習したことを示唆しています。
• 人間による承認： 人間がロボットの回答を確認したところ、その解釈が妥当であると同意した割合は**90%**でした。ロボットは単にランダムなリストを作っていたのではなく、実際にその論理を説明していたのです。

これが将来に意味すること

この論文は、曖昧さを扱う鍵は、ロボットをより大きく、より賢くすることでも、あるいは単に「もっと深く考えろ」と命じることでもないことを示唆しています。それは、**「意図について推論する」**ことを教えることです。モデルに構造化された可能性のリストを生成させることで、私たちは、モデルが自身の知識の限界についてより正直になれるシステムを構築できます。

著者らは、この手法は素晴らしいものの、完璧ではないとも述べています。時にはロボットが多すぎる選択肢（最大5つまで）をリストアップすることもありますし、極めて漠然とした質問に対しては、依然として人間の介入が必要になる場合があります。また、人間がこの「メニュー形式」を単純な会話よりも好むかどうかについてはテストしていませんが、コード作成のような技術的なタスクにおいては非常に有用であると考えています。

要約すると、この論文は、AIに「あなたの質問を理解するいくつかの方法があり、それぞれに対する回答は以下の通りです」と言わせるように教えることで、私たちを誤解する可能性が低く、時間を浪費する可能性が低く、そして長期的に見てより役立つロボットを構築できることを示しています。それは、「推測して祈る」ことから、「リストアップして明確にする」ことへの、単一かつ効率的なステップへの転換なのです。