想像してみてください。あなたは、物語を書いたり、数学の問題を解いたり、研究論文のリストを作成したりできる、ものすごく賢いロボットの友達を持っています。あなたが一つの質問をすると、ロボットは一つの答えを返してくれます。しかし、もし同じ質問を3体の同じロボットに投げかけ、それぞれに少しずつ異なる指示を与え、その答えを混ぜ合わせたらどうなるでしょうか？最終的な「混ぜ合わせ」の結果は、単独のロボットが単独で出せる答えよりも賢くなるのでしょうか？

これは、研究者のニヴァシニ・アナンタクリシュナン（Nivasini Ananthakrishnan）とミーナ・ジャガディサン（Meena Jagadeesan）が、新しい論文で取り組んだ大きな問いです。彼女たちは単に推測したわけではありません。集計（アグリゲーション）がいつ、なぜ機能するのか、そしていつ時間の無駄になるのかを正確に把握するために、数学的な「プリンシパル＝エージェント（主代理人）」フレームワーク（これは、ボスがワーカーにタスクを与えるための厳格なルールブックのようなものです）を構築しました。

集計の3つの魔法のトリック

著者らによると、単に同じロボットに3回同じことを聞くだけでは、自動的にロボットが賢くなるわけではないことが分かりました。実際、彼女たちは、グループが単独のロボットが決して出すことのできない答えを生み出すためには、グループが3つの特定の「魔法のトリック」のいずれかを行わなければならないことを証明しました。もしグループがこれらのトリックの少なくとも一つも実行していないのであれば、どれほど巧妙な指示（プロンプト）を与えたとしても、集計は役に立ちません。

以下に、これら3つのトリックを、論文リファレンス生成器の物語を用いて説明します。

1. 「不可能な混合」のトリック（実現可能性の拡張：Feasibility Expansion）
あるロボットに、「ブロックチェーン」について語ろうとすると、どうしても「暗号技術」についても同時に語ってしまうという「バグ（不具合）」があると想像してください。それは、まるで「アップル」と言うと必ず「パイ」と言ってしまうロボットのようなものです。

• 単独のロボット： もしブロックチェーンに関するリストを求められたら、そのロボットは暗号技術を含めざるを得ません。そうせずにはいられないのです。
• グループ： あなたはロボットAに「分散システムを含まないブロックチェーン」についてのリストを求め、ロボットBに「ブロックチェーンを含まない暗号技術」についてのリストを求めます。ロボットAはブロックチェーンが濃厚なリストを出し、ロボットBは暗号技術が濃厚なリストを出します。これらを組み合わせると、ブロックチェーンのみを含み、暗号技術を一切含まない完璧なリストができあがるかもしれません。
• 魔法： グループは、単独のロボットが持つ内部的な「バグ（制約）」のせいで、単独では不可能であった出力（純粋なブロックチェーン）を作り出したのです。論文ではこれを**実現可能性の拡張（Feasibility Expansion）**と呼んでいます。

2. 「趣味が多すぎる」のトリック（サポートの拡張：Support Expansion）
「宇宙」と「医学」の両方について等しく扱った物語を書いてほしいと、ロボットに頼む場面を想像してください。

• 単独のロボット： このロボットはマルチタスクが苦手です。宇宙に集中するように指示すれば、医学を無視します。医学に集中するように指示すれば、宇宙を無視します。一度に両方のターゲットを完璧に捉えることはできません。
• グループ： あなたはロボットAには「宇宙のみ」に集中するように頼み、ロボットBには「医学のみ」に集中するように頼みます。ロボットAは素晴らしい宇宙の物語を書き、ロボットBは素晴らしい医学の物語を書きます。これらをブレンドすると、両方のトピックに対して完璧にバランスの取れた物語が出来上がります。
• 魔法： グループは、単独のロボットが管理できる範囲よりも広い範囲のトピック（「より豊かなサポート」）をカバーする出力を生み出したのです。論文ではこれを**サポートの拡張（Support Expansion）**と呼んでいます。

3. 「緩い制約」のトリック（結合集合の収縮：Binding Set Contraction）
「もし『ディープラーニング』に言及するなら、『ニューラルネットワーク』も必ず言及しなければならない」というルールを課されたロボットを想像してください。

• 単独のロボット： ディープラーニングに関するリストを求められたとき、ロボットはこのルールに「縛られて（bound）」います。ニューラルネットワークなしでディープラーニングを提示することはできません。
• グループ： あなたはロボットAに「ディープラーニング90%、ニューラルネットワーク10%」のリストを求め、ロボットBに「ニューラルネットワーク90%、ディープラーニング10%」のリストを求めます。これらを組み合わせると、「必ず含めなければならない」というルールが相殺される形で、純粋なディープラーニングのリストを得たり、少なくとも単独のロボットが作り出すよりもはるかに少ないニューラルネットワークの「余計な部分」で済ませたりすることができます。
• 魔法： グループは、単独のロボットを縛っていた最も「タイトな」制約から抜け出す方法を見つけました。論文ではこれを**結合集合の収縮（Binding Set Contraction）**と呼んでいます。

大きな「ノー」（集計ができないこと）

ここが最も重要な部分です。論文は、単にロボットの数を増やしたり、指示を複雑にしたりするだけでは、より良い結果が保証されるという考えを明確に否定しています。

著者らは、もしあなたの集計方法（答えを混ぜ合わせる方法）が上記の3つのトリックの少なくとも一つを実行していないのであれば、その方法は**全くの無力（ゼロのパワー）**であることを数学的に証明しました。あなたがどれほど天才的なプロンプト作成者であっても、あるいはロボットがいかに高度であっても関係ありません。もし、その混合プロセスが「実現可能な領域」を広げたり、「サポート（トピック）」を広げたり、あるいは「結合する制約」を縮小させたりしないのであれば、そのグループは単独のロボットと同じ限界に縛られているのです。

実際、もしこれらのトリックを使わずに答えを混ぜようとするならば、あなたは行き詰まってしまうことを彼女たちは示しました。単独のロボットが提供できなかった答えを、どれほど懸命に努力しても得ることはできないのです。

彼女たちの確信度はどの程度か？

著者らはこれらを単に思いついたわけではありません。彼女たちはそれを証明しました。

• 理論： 彼女たちは、これら3つのメカニズムが**必要（necessary）であることを厳密な数学を用いて証明しました。つまり、もしAIエージェントのグループが、単独のエージェントにはできなかったことを成し遂げているのを見たならば、それは必ずこれら3つのうちのいずれかを行っているはずだ、ということです。また、これらのルールの「強化された」バージョンが十分（sufficient）**であることも証明しました。つまり、これらのルールが起きていることを示せれば、より良い結果が得られることが保証されるということです。
• シミュレーション： 理論が単なる美しい理論に終わっていないことを確認するため、彼女たちは実在する大規模言語モデル（具体的にはGPT-4o-mini）を用いたシミュレーション（コンピュータ実験）を行いました。
  • 彼女たちは、AIが研究論文のタイトルのリストを生成するという「トイ・タスク（練習用の課題）」を設定しました。
  • 彼女たちは3つのトリックをテストしました。**サポートの拡張（Support Expansion）**については、単一のモデルは「計算理論」と「マクロ経済学」を完璧にバランスさせることができませんでしたが、グループはそれが可能であることを発見しました。
  • **実現可能性の拡張（Feasibility Expansion）**については、グループが「分散システム」を回避した「ブロックチェーン」のリストを作成できることを示し、これは単一のモデルが失敗したことです。
  • **結合集合の収縮（Binding Set Contraction）**については、グループが単独のモデルよりも「ディープラーニング」をうまく分離できることを示しました。

これらのシミュレーションにおいて、グループが生成したものと単一モデルが生成したものの間の距離は明確でした。例えば、サポートの拡張テストにおける差（$\ell_1$ 距離で測定）は、0.63から1.02の間でした。実現可能性の拡張テストにおける差は、0.07から0.39の間でした。これらの数値はゼロではありません。これは、グループが単独のロボットにはできなかったことを行った証拠です。

好奇心旺盛な人々への教訓

では、5体のロボットに協力させることは、常にスーパーロボットを作ることに繋がるのでしょうか？ いいえ。 論文は、それがうまくいくのは、彼らの答えを「どのように組み合わせるか」について賢明である場合のみであることを示唆しています。ロボットが陥っているルールを打破するか、あるいは単独のロボットよりも広い範囲をカバーするために、組み合わせを利用しなければなりません。

もし、単に答えをランダムに混ぜ合わせたり、あるいは彼らに全く同じことをさせたりするのであれば、新しいものは何も得られません。しかし、ロボットの弱点（マルチタスクができない、あるいは強制的な副作用があるなど）を利用する正しい「混合」戦略を用いれば、以前は不可能であった新しい世界の答えを解き放つことができるのです。

著者らは、このことが「コンパウンドAIシステム（Compound AI Systems）」を構築するためのロードマップを与える、と結論づけています。単に「モデルが増えれば結果も良くなるだろう」と期待するのではなく、システムを実際に賢くするために、どのような「混合」が必要なのかを、私たちは今や正確に知ることができるのです。これは魔法ではなく、数学なのです。