インターネットを、あらゆる本、アイデア、事実が床に散乱している巨大で混沌とした図書館だと想像してみてください。この混乱を整理するために、科学者たちは「タクソノミー（分類体系）」と呼ばれるものを使用しています。タクソノミーとは、アイデアの整理されたファイルキャビネットや家系図のようなものだと考えてください。それは、物事がどのように関連しているかに基づいて、それらをグループ化します。「犬」は「動物」の一種であり、「動物」は「生物」の一種です。この構造によって、コンピュータは世界を理解し、質問に対する答えを見つけ、膨大なデータの中をナビゲートすることができます。しかし、ここに問題があります。世界の変化は非常に速いのです。新しいアイデアが毎日次々と現れる中で、これらのファイルキャビネットを手動で更新しようとするのは、百万個ものレゴブロックを手作業で仕分けようとするようなものです。それは時間がかかり、コストがかかり、不可能なことなのです。

最近、私たちは新しい助っ人と出会いました。それが「大規模言語モデル（LLM）」です。LLMは、インターネット上のほぼすべての文章を読み込んだ、非常に賢く博識なロボットだと考えることができます。LLMは、次に続く言葉を推測したり、新しいアイデアを提案したりすることに長けています。科学者たちは、これらのロボットが私たちのファイルキャビネットを自動的に構築し、更新できることを期待しました。しかし、一つ落とし穴があります。時として、これらのロボットは少し創造的になりすぎてしまうことがあるのです。例えば、「Bank（銀行）」という単語を共有しているという理由だけで、「River Bank（川の堤防）」を「金融機関」の一種であると提案したり、あるいは実際には存在しない概念を捏造したりすることがあります。もし彼らを野放しにしてしまえば、私たちの整然としたファイルキャビネットは、ナンセンスなゴミの山に変わってしまうかもしれません。

ここで、新しい研究が登場しました。ReLTExと呼ばれるフレームワークを提案しています。研究者たちは、これらのスマートなロボットを使用して、混乱を招くことなくタクソノミーを拡張する方法を探りました。彼らは単にロボットに好きなように書かせたわけではありません。あらゆる提案に対してチェックを行う「品質管理」システムを構築したのです。彼らは、ロボットの創造性と、構造を意識した厳格なチェッカーを組み合わせることで、家系図の中に正しく適合する、新しく有用な概念を生成できることを見出しました。この研究は、この手法が、単にロボットに推測させるだけの場合よりもはるかに信頼性の高い結果をもたらすと示唆していますが、同時に、真に完璧であるためには、さらに大規模で複雑なデータセットでテストする必要があるとも述べています。

ReLTExの物語：創造的なロボットを飼いならす

では、ReLTExは実際にどのように機能するのでしょうか？あなたが非常に厳格な図書館の館長であると想像してください。あなたには、物語を書いたり新しいキャラクターを考案したりするのが非常に得意なロボットの助手がいます。あなたはロボットに、「海にはどんな動物が住んでいますか？」と尋ねます。ロボットは「魚、クジラ、そして……『シー・チーズ（海のチーズ）』！」と言うかもしれません。

もしあなたがロボットの言葉をそのまま受け入れてしまったら、あなたの図書館は偽物の動物で溢れかえってしまうでしょう。ReLTExは、これを阻止するためにあなたが構築するシステムです。これは、アイデアの3段階の組み立てラインのように、3つのステップで機能します。

ステップ1：創造的な火花
まず、システムはロボット（LLM）に新しいアイデアを出すよう求めます。しかし、単に「アイデアを出して」と言うのではありません。システムはロボットに特定のコンテキスト（文脈）を与えます。図書館の最上部から現在の棚までの経路をロボットに見せるのです。例えば、ロボットが「果物」のセクションを見ている場合、「果物」は「食べ物」の下にあることを知り、「リンゴ」や「バナナ」がすでにそこにあることを確認します。ロボットには、この詳細レベルに適合する新しい果物を考案するように指示されます。ロボットは「マンゴー」や「キウイ」を提案するかもしれません。ロボットは候補のリストを生成しますが、間違えて「スプーン」や「青色」を提案してしまう可能性もあります。

ステップ2：厳格な検査官
これが最も重要な部分です。新しいアイデアが棚に置かれる前に、必ずテストに合格しなければなりません。研究者たちは、厳格な司書のように振る舞う特別な「検査官（分類器）」を構築しました。この検査官は、単に言葉が心地よく聞こえるかどうかをチェックするのではなく、「構造」をチェックします。検査官はこう問いかけます。「この新しいアイデアは、本当にこの親要素の下に属しているのか？」

この検査官は、大量の正解例と不正解例を用いて訓練されました。検査官は、「答え」は「質問」の下に置かれるべきだが、「答え」は、答えが創造的になり得るからといって「創造的な作品」の下に置かれるべきではない、といったことを学びました。また、ロボットが作り出した実在しないアイデアである「幻覚（ハルシネーション）」を見抜くことも学びました。もしロボットが「シー・チーズ」を提案したら、検査官は「ダメです。それは実在する動物ではなく、家系図にも適合しません」と判定します。この厳格なテストに合格したアイデアだけが、残ることが許されます。

ステップ3：安全ブレーキ
時として、ロボットがひとつのアイデアを正しく導き出した後、調子に乗って、その一つの間違いに基づいたナンセンスな連鎖を次々と作り出してしまうことがあります。ReLTExには、これに対する安全ブレーキがあります。システムは、検査官が新しいアイデアに対してどの程度の確信を持っていたかを確認します。もし検査官が新しい「シー・チーズ」に対して50%の確信しか持っていない場合、システムはその枝の拡張を停止します。「ここでは十分に確信が持てないので、大きな混乱を招く前に停止しましょう」と言うのです。これにより、図書館が間違った方向に成長することを防ぎます。

彼らが発見したこと

研究者たちは、このシステムを2つの異なる「図書館（データセット）」でテストしました。一つは、より小規模で標準的なテストセットであるSemEval-2016 Task 13 Environmentであり、もう一つは、1,100以上の概念を持つ、大規模な実世界のライブラリであるSchema.orgです。

彼らは「マスクされたタクソノミー拡張（Masked Taxonomy Expansion）」というゲームを行いました。想像してみてください。図書館の中の実際の本をいくつか隠し、ロボットにそれらを再び見つけ出すよう求めるのです。

• 小規模なライブラリでは、テストに使用したモデルの一つであるMistralは、隠された本の約**42%**を正確に見つけ出すことができました。
• 巨大なSchema.orgライブラリでは、約**23%**を見つけ出しました。

これらの数字は低く聞こえるかもしれませんが、研究者たちは、これはロボットがリストから選ぶのではなく、ゼロから新しいアイデアを生み出さなければならない非常に難しいタスクであると指摘しています。より重要なのは、人間による専門家の評価において、彼らは結果に非常に感銘を受けたことです。Schema.orgライブラリについて、人間の判定員は、「粒度の整合性（Granularity Consistency）」（新しいアイデアが適切な詳細レベルに完璧に適合していること）および「階層関係の合理性（Hierarchy Relationship Rationality）」（親子の関係が論理的に成立していること）の両方において、1.000というほぼ完璧なスコアをシステムに与えました。

この研究は、ReLTExが単にロボットの「直感」に頼るのではなく、構造的な検査官を加えることで、ナンセンスな内容をフィルタリングし、家系図を整理された状態に保つため、大きな前進であると示唆しています。

限界と未来

研究者たちは、これがすべてを解決する魔法の杖ではないことを慎重に指摘しています。彼らはテストに比較的規模の小さいオープンソースのロボットを使用しており、より大きく強力なロボットであれば、さらに優れた結果を出す可能性があると考えています。また、彼らの「検査官」は学習による近似値であり、時として誤ったアイデアを滑り込ませてしまう可能性があることも認めています。

さらに、これは（既存のものを分類するのではなく）アイデアを生成するという新しい手法であるため、古い手法と比較するための完璧な標準的な方法がまだ存在しません。研究は、ReLTExがより信頼性が高く一貫性のあるタクソノミーを生成する一方で、依然として発展途上の分野であることを示唆しています。チームは、彼らのアプローチは、人間が手動で更新するよりも速いスピードで変化する世界において、デジタルライブラリを整理された状態に保つための有望な方法を提供するが、これは注意深く使い続け、継続的なテストを必要とするツールであると結論付けています。