東ロボくんから東大クリアのLLM時代へ

近年、生成AIの東大入試性能が劇的に向上している。2026年4月27日、AIベンチマーク企業ライフプロンプト社と河合塾の共同調査により、OpenAIおよびGoogleの最新大規模言語モデル（LLM）が東京大学理科三類（理三）の2026年度入試問題を解かせた結果、550点満点中503点を記録した。これは人間の最高得点（およそ453点）を大幅に上回る「首席合格」水準であり、特に数学では満点を達成した。

ここで10年前を思い出す。2016年、国立情報学研究所が主導した「ロボットは東大に入れるか」プロジェクト（通称・東ロボくん）では、センター試験模試で偏差値57.1を記録したものの、東大二次試験の論述式問題で「意味理解の壁」に直面し、合格ラインに届かず開発を事実上凍結した。新井紀子教授らは、当時のAIが論理的整合性を欠く限界を明確に指摘した。

この対比は、どうすれば時代は進歩したのだと考えがちなのだけれど、この事態は単なる計算能力の向上やデータ量の増加という「技術的進歩」では説明できない。むしろ、AIの根本的なモデル（考え方）そのものが、2010年代の正統派フレームワークから、2017年以降の異質なスケーリング・パラダイムへと劇的にシフトした結果である。それでも、この歴史的転換を整理し、かつての知的アプローチが決して誤りでもなかった。むしろ、現在進行中の融合の可能性がある。

シンボリックAIの正統性：オントロジーと意味理解の追求

2010年代前半までのAI研究は、シンボリック（記号処理）中心のアプローチを標準モデルと位置づけていた。東ロボくんは、その典型例である。問題文を構文解析し、人間が設計した知識ベースやオントロジー（ontology：概念の階層構造、属性、関係を明示的に定義した論理枠組み）から事実を抽出、科目別モジュールで論理推論を行うという手法を採用した。

オントロジーは、AIに「世界の構造」を与えるための正統派手法だった。例えば、世界史問題では「人間は死後イベントを起こせない」といった常識的関係を数百から数千のルールとして注入し、一定の成果を上げた。自動翻訳分野でも同様で、ルールベース機械翻訳（RBMT）や統計的機械翻訳（SMT）が主流であり、文法や確率モデルを人間が慎重に構築することで意味的一貫性を担保しようとした。これらのフレームワークは、短期的に信頼性を高め、研究者にとって満足度の高い成果を生んだ。

しかし、東ロボくんの成果報告会（2016年）で明らかになったように、このアプローチは東大レベルの読解・論述問題で限界を迎えた。偏差値は私立難関大学合格圏内だったが、「意味を深く理解する」能力が不足し、論理的一貫性が崩れるケースが多発した。新井教授はこれを「AIの限界」ではなく、ベンチマークとしての科学的結論と位置づけた。すなわち、当時の標準モデルは決して誤りではなく、むしろ人間の知的営為を忠実に模倣しようとする正統派の努力であったと言える。

LLMの異質な力技：オントロジー無視と統計的近似の勝利

2017年のTransformerアーキテクチャ登場以降、AIは全く異なる道を歩んだ。LLMはオントロジーや明示的知識注入をほぼ無視し、インターネット規模のデータを用いて「次トークン予測」という単純な統計学習のみに特化した。Rich Suttonが2019年に提唱した「Bitter Lesson（苦い教訓）」が、この転換を象徴する。Suttonは、70年にわたるAI研究史から「人間が賢いルールや知識を注入するアプローチは短期的に有効だが、長期的には計算リソースのスケーリングに敗北する」と指摘した。

LLMはこの教訓を体現した。埋め込み空間内で概念の統計的近似を構築することで、「いかにも意味を理解しているかのように」振る舞う疑似知能を実現した。東大入試や機械翻訳において、古い理論を改良したわけではなく、関係なく力技で突破したのである。数学満点や論述式の高得点は、データ量と計算規模の爆発的拡大によるものであり、当時の研究者が予想し得なかった「異質な出来事」だった。

このパラダイムシフトは、AI研究の「代表モデル」が固定化されていた時代に起きた。東ロボくんや旧翻訳理論が社会的に「AIの限界」として語られた背景には、こうした標準モデルの位置づけがあった。しかし、それは「誤り」ではなく、計算リソースがまだ不十分だった時代の必然的帰結に過ぎない。LLMの成功は、むしろ従来フレームワークの限界を浮き彫りにしつつ、その価値を相対化するものとなった。

Neuro-Symbolic融合の台頭

2026年現在、純粋LLMの限界（幻覚現象、因果推論の弱さ、説明可能性の欠如）が顕在化し、新たな潮流が生まれている。それがNeuro-Symbolic AIである。神経ネットワーク（LLMのパターン認識）とシンボリックAI（オントロジー・知識グラフ）のハイブリッドアプローチで、LLMの出力を論理的制約で検証・修正する。

具体的には、オントロジーを用いて世界モデル（AI内部の動的シミュレーション）をグラウンディング（地に足をつける）する手法が注目されている。世界モデルはオントロジーとイコールではないが、概念の階層構造や関係性を注入することで、LLMの統計的近似を論理的に強化する。医療・法律・企業ガバナンスなど高信頼性が求められる領域では、2026年が「転換点」と位置づけられており、ハルシネーション低減と説明可能性向上を実現しつつある。

この融合は、東ロボくん時代の知的フレームワークを「再評価・再利用」する動きである。オントロジーは決して時代遅れではなく、LLMのスケーリングを補完する重要な要素として復権している。苦い経験である教訓を活かしつつ、人間的な意味理解を再び取り戻そうとする試みと言える。

パラダイムシフトの歴史的文脈

以上を総括すれば、最近の東大理三首席レベル成果と東ロボくんの「失敗」は、単なる技術的連続ではなく、AIモデルの根本的転換を象徴する。かつてのシンボリックフレームワークは誤りではなく、当時の正統派として限界を科学的に示した功績がある。一方、LLMは予想外の異質な力技で勝利を収めたが、それ自体が永続的な最終形態ではない。現在進行中のNeuro-Symbolic融合は、両者の長所を統合し、真の信頼性ある知能へと進化させる可能性を秘めている。

AIを語る際、しばしば陥りがちなのは「進化物語」への単純化である。しかし、本質はパラダイムシフトの歴史にある。東ロボくんのような知的アプローチが間違っていなかったからこそ、現在の融合が意味を持つ。AIの本質を理解するためには、技術的成果だけでなく、モデル（考え方）の変遷を冷静に振り返ることが不可欠である。将来的には、この融合が人工一般知能（AGI）への道筋となるか否か、さらなる観察が必要であろう。