OpenAI o3モデルがAGIベンチマークで歴史的突破

2024年12月20日、OpenAIは「12 Days of Shipmas」イベントの最終日に、次世代推論モデル「o3」を発表しました。このモデルは、AGI（汎用人工知能）実現の重要な指標とされるARC-AGIベンチマークで87.5%という歴史的なスコアを達成し、AI業界に大きな衝撃を与えています。

o2をスキップした戦略的命名

興味深いことに、OpenAIはo1の後継モデルを「o2」ではなく「o3」と命名しました。これは英国の通信事業者O2との商標権問題を回避するための戦略的な決定でした。o3はo3-miniという軽量版モデルと共に発表され、特定のタスクに最適化された2つのモデルファミリーを構成しています。

ARC-AGIベンチマークでの歴史的突破

o3の最も注目すべき成果は、ARC-AGIベンチマークでの驚異的なパフォーマンスです。このベンチマークは、AIの真の推論能力を測定するために設計された難関テストで、これまでのモデルはほとんど進歩を見せていませんでした。

2020年のGPT-3は0%、2024年のGPT-4oでもわずか5%という結果でした。Claude 3.5 Sonnetは14%、o1-previewでも18%に留まっていました。しかし、o3は標準計算設定（$10k計算制限）で75.7%、低計算設定では87.5%という飛躍的な向上を達成しました。

この進歩の速さは、AI研究者たちを驚かせています。わずか4年で0%から87.5%への向上は、AI技術の指数関数的な進化を示しています。ただし、高計算設定（標準の172倍）での実行には、400問題全体で推定約114万ドル（約1億7000万円）という莫大なコストがかかることも明らかになりました。

革新的な「deliberative alignment」技術

o3の安全性を支える中核技術が「deliberative alignment（熟慮的アライメント）」です。これは、モデルが回答を生成する前に、OpenAIの安全ポリシーを参照して「思考」するという画期的なアプローチです。

従来のAIモデルは、事前学習時に組み込まれた安全対策に依存していました。しかし、o3は推論時に動的に安全性を判断します。具体的には、ユーザーからの質問に対して、まず内部で安全ポリシーのテキストを参照し、その後「chain of thought（思考の連鎖）」プロセスを通じて、質問の隠された意図や危険性を分析します。

例えば、偽造書類の作成方法を尋ねられた場合、o3は内部でOpenAIのポリシーを引用し、要求が不正行為を目的としていることを識別して、適切に回答を拒否します。この技術により、o3はOpenAIの最も安全なモデルの一つとなっています。

圧倒的なベンチマーク性能

o3は、ARC-AGI以外でも多くのベンチマークで優れた成績を収めています。

数学分野では、2024年のアメリカ数学招待試験（AIME）で96.7%のスコアを達成し、わずか1問のみ不正解という驚異的な結果を示しました。科学分野でも、大学院レベルの生物学、物理学、化学の問題セットであるGPQA Diamondで87.7%を達成しています。

特に注目すべきは、EpochAIのFrontier Mathベンチマークでの25.2%という成績です。他のモデルが2%を超えられない中、o3は10倍以上の性能を示しました。コーディング能力も大幅に向上し、Codeforces評価で2727を獲得、SWE-Bench Verifiedではo1を22.8ポイント上回る結果となりました。

実用化への課題と期待

o3の性能は革命的ですが、実用化にはいくつかの課題があります。最大の課題は計算コストです。高性能を発揮するための高計算設定（172倍の計算量）では、400の公開テスト問題全体を解くのに推定約114万ドルかかることが判明しています。効率的な設定でも約6,677ドル（約100万円）と、一般的な用途には高額です。

また、ARC Prize組織は「ARC-AGIテストの合格はAGI達成を意味しない」と慎重な見解を示しています。o3は依然として非常に簡単なタスクで失敗することがあり、人間の知能との根本的な違いが存在すると指摘されています。