巨大なジグソーパズルを解こうとしているところを想像してみてください。ただし、テーブルの上ではなく、街一つ分ほどの大きさの図書館の中にピースが散らばっている状態です。さらに、あなたを助けるために超スマートなロボット助手がいると想像してください。昔のロボットは、図書館全体を一度に見ようとして、目を凝らしすぎて頭痛を起こし、細部を見落とし、最終的にはパズルを諦めてしまうというものでした。これが、現在のAIが長い文書を読もうとする時の問題です。AIは膨大な情報量に圧倒され、集中力を失い、空白を埋めるために作り話をしてしまう（「ハルシネーション」と呼ばれるグリッチ）のです。

これを解決するために、科学者たちはAIに、より人間の探偵のようになるよう教えています。ページ全体をぼんやりと眺めるのではなく、人間の探偵は特定の証拠にズームインし、細かい文字を読み、それから次の場所へと移動します。この論文では、まさにそのような動きをする新しいAIシステム「InSight-doc」を紹介しています。これは、「ズームイン」を固定された設定ではなく、必要に応じて使える「スーパーパワー」として扱います。まず、文書全体を遠くから（低解像度で）眺め、何か興味深いものを見つけた時だけ、その特定の狭い領域に対して、水晶のようにクリアな高解像度の視界を手に入れるために虫眼鏡を取り出します。こうすることで、エネルギーを節約し、混乱を避け、推測することなく真実を見つけ出すのです。

魔法の虫眼鏡を持つ探偵

複雑な研究論文、財務報告書、あるいは法的契約書のような、長くて複雑な文書を読むという悪夢に対処するために設計された、新しいタイプのAI探偵「InSight-doc」をご紹介します。今日のほとんどのAIモデルは、100ページの書物を、全体を写した小さな縮小コピーを目を細めて見ている学生のようなものです。彼らはすべての単語と画像を同時に処理しようとします。これは災いの種です。コンピュータは動作が遅くなり、メモリが不足し、一度に多くのことを保持しようとしすぎるために、読んでいた内容を忘れて混乱してしまう（「腐敗（rot）」と呼ばれる、高度な用語での表現です）のです。さらに、行き詰まると、賢く見せようとして答えを捏造してしまうことがよくあります。これは「ハルシネーション（幻覚）」と呼ばれる挙動です。

InSight-docはこの構図を逆転させます。本を一口で飲み込もうとする代わりに、雑誌をパラパラとめくる好奇心旺盛なティーンエイジャーのように振る舞います。まずは低解像度でページを素早くスキミングし、大きな図や見出しが見える程度に留めます。そして、答えが含まれていそうな段落やチャートを見つけたとき、ただ推測するのではなく、「ズームイン」ツールを使用して、その特定の領域だけの高解像度でクリスタルクリアなクロップ画像を取得します。それは、細かい文字を読みたい時にだけ使う、魔法の虫眼鏡を持っているようなものです。

この論文は、この「粗いものから細かいものへ（coarse-to-fine）」というアプローチがゲームチェンジャーであることを示しています。小さく始めて、必要な時だけズームインすることで、InSight-docは単に時間を節約するだけでなく、実際に賢くなります。長い文書を用いたテストにおいて、InSight-docは標準的なモデルと比較して、「作り話」の数（ハルシネーション）を40%以上減少させました。また、思考して回答する時間を41%から68%短縮し、かつ正解を導き出す頻度も高まりました。

どのようにしてズームを学んだのか

ロボットはどうやって、いつズームすべきか、どこを見るべきかを学ぶのかと不思議に思うかもしれません。研究者たちは単にAIに「賢くなれ」と言ったわけではありません。彼らは大規模なトレーニング用の遊び場を作りました。AIが顕微鏡の使い方を教わる生徒のように、答えを見つけるためにステップバイステップでどのようにズームインすべきかを教える、17,900個の特別なデータセットを作成しました。さらに、AIが手がかりを探すための最善の方法を見つけ出すために、試行錯誤（強化学習と呼ばれる手法）を通じて学ぶための、19,200個のトリッキーな例を追加しました。

このトレーニングを通じて、AIは「マルチモーダルな思考の連鎖（multimodal chain of thought）」を学びました。これは、AIが自分自身に語りかける方法を学んだという、高度な言い回しです。「うーん、答えは1ページ目にはないな。5ページのチャートにズームしてみよう。ああ、これも違う。12ページの表をチェックしてみよう」。AIは証拠の足跡を構築し、自信を持って答えを出せるだけの証拠が集まるまで、文書のさまざまな部分にズームインしていきます。もし文書の中に答えがなければ、何かを捏造する代わりに、「分かりません」と言うことを学びます。

結果：より速く、より賢く、そして「ガス」が少ない

この論文では、この新しい探偵を、主要なテック企業による大規模なプロプライエタリ・モデルを含む、現在利用可能な最もスマートなAIモデルと比較しました。結果は目覚ましいものでした。標準的な文書クイズにおいて、InSight-docは、低解像度のビューから開始した場合のベースラインモデルよりも、最大で16.4パーセントポイントも高い精度向上を示しました。

しかし、本当の魔法は、最も長く、最も混乱を招く文書で起こりました。文書が非常に長くなったとき（数百ページ）、古いモデルはつまずき始め、間違いを犯し始めます。しかし、InSight-docは冷静さを保ちました。それは、使用する「トークン」（コンピュータが処理しなければならないテキストや画像のデジタル構成要素）を58%も削減しながら、正解を見つけ出すことに成功しました。これは、単に正解を見つけただけでなく、ごくわずかな計算能力と時間でそれを成し遂げたことを意味します。

研究者たちはまた、このスキルが複雑な地図やチャートなど、文書以外のものにも応用できるかどうかを検証しました。主に文書を用いて訓練されましたが、AIはこれらの視覚的なパズルにおいてもパフォーマンスを向上させ、汎用性があることを示しました。

それではないもの（そしてできないこと）

InSight-docが「何ではないか」を知っておくことは重要です。それはあなたの心を読み取る魔法の杖ではありませんし、ページを見つけるために外部の検索エンジンに頼ることもありません。他のAIシステムの中には、PDFを読む前にGoogleを使って検索するように、まず正しいページを「検索」しようとするものがあります。InSight-docは、外部の助けを借りることなく、自身の脳の中で、完全に独自に行います。これにより、検索エンジンが間違ったページを選んだ場合に迷う可能性が低くなり、高速化されます。

また、この論文は、これがすべての状況における解決済み問題ではないことも明確にしています。研究者たちは、特定の種類の文書や質問に対してテストを行いました。彼らは、これが宇宙にあるあらゆる種類の画像やテキストに対して完璧に機能すると主張しているわけではなく、さらに改善する余地があることも認めています。彼らは、何か派手な新しい数学的トリックや秘密の材料を使ったのではなく、単に「必要に応じてより近くを見る」能力を与えることが、驚くほど効果的な強力でシンプルなアイデアであることを示したのです。

要約すると、InSight-docは、全体像を見る最善の方法は、一度にすべてを見ようとすることではない、ということを私たちに教えてくれます。重要な時にだけ詳細にズームインすることを学ぶことで、AIは世界で最も複雑な文書パズルを解くための、より信頼でき、効率的で、誠実なパートナーになれるのです。