あなたは、ある謎を解こうとしているところだと想像してください。しかし、手元にあるのは単一の手がかりではなく、ある探偵が数年にわたって書き溜めた、膨大で混沌としたメモの山です。あるメモは事件の始まりについて記述しており、別のメモは中盤について、そしてまた別のメモはまさに結末について書いています。もし、あなたが適当に一掴みのメモを掴み取り、超スマートなロボットにその謎を解かせようとしたら、そのロボットは混乱してしまうかもしれません。ロボットは1990年の手がかりと2024年の手がかりを混同したり、容疑者の行動が時間の経過とともにどのように変化したかという事実を見逃したりする可能性があります。これは、医療記録や株価報告書のような長い物語に基づいて意思決定を行おうとする際、科学者がAI（人工知能）に対して直面する問題です。AIは文章を読むことには長けていますが、「いつ」そのことが起きたのかを忘れてしまうことがよくあります。

この問題を解決するために、研究者たちは「エージェント」——情報を探し出し、思考し、そして判断できるAIシステム——を構築しています。彼らが用いる一般的なツールの一つに、RAG（Retrie Retrieval-Augmented Generation：検索拡張生成）と呼ばれるものがあります。RAGを、あなたの質問に一致する本を探すために書架へと走り、それを持って戻ってきて、AIに手渡してくれる司書のようなものだと考えてください。問題は、標準的な司書は、物語の中身を無視して、単に言葉が似ている本を掴んでくることです。彼らは、小説の結末のページを、キャラクターが恋に落ちる前のページよりも先に差し出してしまうかもしれません。この論文は、AIが単なる「言葉」ではなく、データの「物語」を理解できるようにするための新しい方法を紹介しています。それは、情報を映画のフィルムのように扱い、プロットがどのように進行するか、突然の展開（ツイスト）がどこにあるか、そして欠落しているシーンをどのように埋めるかを観察することで、将来についてのより良い予測を行うものです。

「トラジェトリー（軌跡）」探偵の物語

この論文の著者であるJing Wang、Jie Shen、およびXing Niuは、標準的なAIツールが時間の扱いが非常に苦手であることに気づきました。もし通常のAIに、患者の病歴や企業の決算発表に基づいて次に何が起こるかを予測するよう頼んだとしても、AIはしばしばその情報を「ビー玉の袋」のように扱ってしまいます。AIは「重要な」ビー玉（文章）を選び出しますが、それらがどのような順番で拾い上げられたかは無視します。現実の世界では、時間は重要です。患者の熱が3日間にわたって上昇していくことは、熱が急上昇した後に下がったという状況とは全く別の物語です。CEOの口調が自信に満ちたものから不安げなものへと変化することは、単に文章を順序バラバラに読んでいたら見落とされてしまう決定的な手がかりです。

これを解決するために、チームはTLM（Trajectory Language Model：軌跡言語モデル）と呼ばれる新しいシステムを構築しました。TLMを、単に事件のファイルを読むだけでなく、事件の「映画」を観る探偵だと考えてください。

ステップ1：スマートな検索
まず、TLMはハイブリッドな司書として機能します。TLMは2つの方法を用いて手がかりを見つけます。一つは特定の名前を検索するように正確な単語の一致を探す方法であり、もう一つは言葉の「雰囲気」や意味を探す方法です。まず、ドキュメントからいくつかの初期ページを掴み取ります。

ステップ2：成長曲線（「映画のフィルム」のトリック）
これがこの論文の最大の魔法です。単にページを読むのではなく、TLMは物語の「形」を見ます。TLMは、**潜在成長曲線モデル（LGCM）**と呼ばれる数学的ツールを使用します。植物が成長する様子を観察していると想像してください。あなたは火曜日と金曜日の植物を見るだけでなく、それらを結ぶ「線」を見ています。植物は着実に成長していますか？ それとも枯れ始めていますか？ あるいは突然成長が止まりましたか？
TLMはこれをテキストに対して行います。文章をグラフ上の線へと変換するのです。

• 傾向（Trend）： 物語は良くなっているのか、悪くなっているのか、あるいは変わらないのか？
• 転換点（Turning Points）： 物語が突然方向を変えたか？（例：快方に向かっていた患者が急変した場合など）
• 空白（Gaps）： 物語に拍子が抜けていないか？（例：日記の日付が飛んでいる場合など）
  もしTLMが物語の中に「空白」を見つけた場合、TLMは図書館に戻り、その穴を埋めるための欠落したページを探しに行くよう指示を出します。

ステップ3：「SHAP」スコアカード
手がかりの山を手に入れた後、TLMはどの手がかりが最も重要かを判断する必要があります。TLMは、すべての文章がパズルを解くためにどれほど貢献したかにスコアを与える、ゲームのような手法であるSH but SHAPを使用します。TLMは、この計算を迅速に行うために、非常に小さく高速な「スコアリング用ロボット」を使用します。ある文章が非常に重要である場合、TLMはその文章を利用して、司書に対してさらに関連する手がかりを求めるよう依頼します。決定的なのは、TLMは既に見つけた手がかりを決して捨てず、新しいものを「追加」することだけを行う点です。これにより、物語が豊かになることはあっても、貧弱になることはありません。

ステップ4：最終決定
最後に、TLMはこの整理され、時間を意識した物語を大規模言語モデル（LLM）という巨大なAIの脳に送り込み、最終的な判断を下させます。物語が秩序立てられ、完全なものになっているため、AIはより賢い推測を行うことができます。

彼らが発見したこと

チームはこの新しい探偵を、3つの全く異なる種類のミステリーでテストしました。

1. 医療に関する問い： 患者の履歴に基づいた困難な医療問題への回答を求めました。標準的なAI（TLMなし）の正解率は約**34.6%でした。新しいTLMシステムは64.2%**の正解率を記録しました。これは、TLMの成功率がほぼ倍増したことを意味します。論文では、医療の物語はすべて「患者が時間の経過とともにどのように変化するか」にあるため、TLMだけがそのパターンに気づけたのだと示唆されています。
2. 決算発表： CEOのスピーチの後に、企業の株価が上がるか下がるかを予測しようとしました。株式市場は非常に賢く、即座に反応するため、これは極めて困難な課題です。標準的なAIは、単に推測しているのと大差ないレベル（約50.7%）でした。TLMはこれを**58.0%**に向上させました。これは大きな跳ね上がりには聞こえないかもしれませんが、金融の世界において、市場にわずかでも打ち勝つことは非常に大きな意味を持ちます。
3. 株価のギャップ： 株価が翌朝に跳ね上がるか、あるいは下がるかを予測するシミュレーションを行いました。10,000ドルを元手にトレードゲームを行ったところ、標準的なAIの最終金額は12,067ドルでした。一方、トレンドをより正確に捉えたTLMは、その資金を20,400ドルへと成長させました。

まとめ

この論文は、AIに物語の「形」を理解させる方法を与えると、AIははるかに優れた探偵になることを示しています。数学を用いてトレンドを追跡し、欠落したピースを埋めることで、TLMは単に言葉を読むだけでなく、その「旅路」を理解します。著者たちは、これがすべてを解決する魔法の杖ではないことも慎重に述べています。この手法は、情報に明確なタイムラインがある場合に最も効果を発揮し、依然として現実世界の様々な場面でのテストが必要です。しかし、現時点において、もし将来についての優れた意思決定をAIにさせたいのであれば、過去を「順序立てて」見る方法を教えなければならないということを、この研究は証明しています。