AIモデル70種類以上が、オープンエンドな質問に似た答えを出しました

別のAIに聞いても似た答えが返ってくるとしたら

「時間についての比喩を書いて」

ある研究では、25個の言語モデルにこのような依頼を送り、それぞれ50個の答えを受け取りました。1,250個の答えには、時間を川の流れにたとえた表現が数多く登場し、時間を織り手にたとえた表現もまとまって見られました。研究チームが答えの意味を比較して描いた図には、この2つの集団がはっきりと現れていました。

ワシントン大学など複数機関の共同研究チームは、70個を超える言語モデルを調査し、同一モデル内での繰り返しと、異なるモデル同士の類似性を報告しました。この現象をArtificial Hivemindと呼びました。AIモデルが互いに異なる製品であっても、答えの内容は似通ってしまう可能性があるという意味です。論文はNeurIPS 2025で最優秀論文賞を受賞しました。

私はこの結果を見て、アイデアを得ようと複数のAIに質問するやり方を思い浮かべました。ツールを変えるだけで、十分に異なる視点を得られるのでしょうか。研究が確認したことと、まだ残された問いを見ていきます。

何をどう比較したのか

実験設計：正解のない質問群

研究チームは、正解が一つに決まっていない質問に注目しました。

たとえば「2+2はいくつか」という問いには、同じ答えを出すほうが望ましいでしょう。しかし文章の題材を提案したり、新しい比喩を作ったりする依頼には、複数の適切な答えがありえます。こうした質問でも答えが繰り返されるのかを調べたわけです。

実際のチャットボットの会話を集めたWildChatから、オープンエンドな質問26,070件を選び、Infinity-Chatというデータセットを作りました。創作、アイデア提案などを含む6つの大分類と17の小分類に分けています。モデル別の答えの類似性を比較する主要な実験には、ここから絞り込んだ質問100件を使いました。

同じモデルに何度も尋ねたとき

各モデルに同じ質問を50回提示し、答えの意味がどれほど似ているかを測定しました。トークンを選ぶ方式や、ランダム性を調整する設定¹も変えて試しました。

top-p 0.9、温度1.0の条件では、事例の79%で答えの束の平均類似度が0.8を超えました。min-pを適用し、温度を上げた実験でも高い類似性が残りました。再生成したり設定を変えたりするだけでは、内容が十分に多様にはならなかったという結果です。

異なるモデルの答えを比較したとき

異なるモデル同士を比較しても、類似性は高いままでした。

論文が示した主要モデル間の平均意味類似度は、おおむね0.71〜0.82でした。DeepSeek-V3とGPT-4o-2024-11-20の比較では0.81という数値が出ています。これは文章を数値ベクトルに変換して比較したスコアです。文字の81%が同じという意味ではありません。

文章が完全に一致した事例もありました。成功・富・自己啓発をテーマにしたSNSスローガンを依頼したところ、qwen-maxとqwen-plusの2025年1月25日版が同じ文章を生成しました。「Empower Your Journey: Unlock Success, Build Wealth, Transform Yourself.」という答えでした。

先に見た時間の比喩は、文章が少しずつ違っても似た発想に収斂しうることを示しています。この事例では、答えを数多く生成しても、アイデアが広がるよりも特定の題材に集中していました。

原因はまだ複数の可能性がある

人間の好みに合わせる訓練

一つの可能性は、人間の好みに合わせてモデルを訓練する過程です。RLHF²が代表的な方法ですが、この論文は答えの均質化の原因を一つに確定してはいません。

RLHFでは、人がどの答えをより好むかを評価した資料をもとに報酬モデルを作り、その点数を高める方向で言語モデルを訓練します。ユーザーの役に立つ答えをよりよく生成できるようにしようという狙いです。

この過程で高い点数を得る表現や答え方に集中すると、他の適切な答えが出にくくなる可能性があります。好みを反映しつつも、複数の種類の良い答えを維持できるかどうかが研究課題です。

Robert KirkらのICLR 2024の研究では、2つの基盤モデルを対象に、要約と指示実行のタスクを比較しました。その実験では、RLHFは教師ありファインチューニング（SFT）³よりも新しい入力にうまく対応しましたが、出力の多様性は減少しました。特定の学習方法で現れたこうした結果は重要な手がかりですが、それだけですべてのモデルの均質化を説明できるわけではありません。

人によって異なる評価を反映する問題

Artificial Hivemindの研究チームは、答えを評価する報酬モデル⁴とAI審判も調べました。人々の評価が分かれたり、似た品質の答えを比較したりする場合、モデルの点数と人の評価は一致しにくくなりました。

オープンエンドな質問には、異なる答えがどれも良いということがありえます。ところが評価の過程で一つの答えにばかり一貫して高い点数を与えるなら、学習される答えの範囲が狭まってしまうでしょう。研究チームは、こうした違いをよりよく反映する評価が必要だと指摘しています。

たとえば2つの文章のどちらを好むか、読者の意見が分かれることがあります。このとき必要なのは、好みの違いをうまく捉える評価です。多くの人が同意する答えを見つけることと、人によって異なる好みを理解することは、別の課題だからです。

学習データが重複している可能性

学習データの重複や、合成データも考えられる説明です。複数のモデルが似たインターネット資料を学習したり、別のAIが作った資料を学習に使ったりすると、表現が似通う可能性があります。

ただし企業ごとの学習データや訓練過程は十分に公開されておらず、今回の結果において各要因がどれほど作用したのかを知るのは難しい状況です。研究チームも、事前学習データ、アライメント手法、記憶と汚染などをさらに調査する必要があると述べています。

文章執筆にどんな影響を与えるのか

個人の文章と、複数人の文章を合わせて見ると

AIの提案が人の文章に与える影響を直接調べた研究もあります。Anil DoshiとOliver Hauserは、参加者が短い物語を書く実験で、一部の参加者にAIのアイデアを提供しました。

AIのアイデアを受け取った人たちの文章は、よりよく書けている、あるいは面白いという評価を受けました。同時に、それらの文章はAIなしで書かれた文章よりも互いに似通っていました。一人の成果物は良くなっても、複数の成果物を合わせて見ると多様性が減る可能性があるということです。実際の業務や長期的な文章執筆でも同じ効果が現れるかは、別途確認する必要があります。

複数の意見を得たと考えるとき

政治哲学者ハンナ・アーレントの資料写真です。

私がより気にかけているのは、複数のAIの答えを、独立した意見であるかのように受け取ってしまう状況です。

研究のアイデアや経営戦略を検討する際、複数のモデルに尋ねて答えが似ていれば安心できます。しかし同じ資料や似た学習傾向から出てきた答えなら、複数のモデルの一致がそれぞれ独立した根拠になるわけではありません。

研究チームも、こうした均質性が共通の盲点や誤りにつながる可能性を懸念しています。今回の実験が医療・教育・戦略判断の誤りを直接測定したわけではありませんが、重要な決定を検討する際に、モデルの数を増やすだけで十分なのかを振り返らせる結果です。

Oswarldの視点

私はこの論文を見て、AIを評価し競わせる方法も併せて見直す必要があると考えました。

数学やコーディングのように正解を確認しやすい評価では、正確さが重要です。一方でアイデアや文章では、複数の適切な答えを生み出せるかどうかも見る必要があります。私が懸念しているのは、一つの良い答えを選ぶことばかりに集中して、見慣れないけれど意味のある答えを見落としてしまうことです。

私の著書『思考を委ねる人々：ホモ・ブレインレス』でも、認知的な作業を外部に委ねる問題を扱いました。AIにアイデアや文章を頼む機会が増えるほど、何を自分で直接判断するのかをより明確にする必要があると考えています。

最初に受け取った提案をあくまで出発点として扱うと、他の方向性を見落とすことがあります。AIが答えを出す前に、自分が考えた内容や観察した事実を書き留めておけば、AIの提案が何を付け加え、何を漏らしたのかを比較できるはずです。

AIを使いながらも、別の視点を探し、反論を検討することはできます。重要な主張であれば原資料を確認し、自分の経験と食い違う部分を吟味するということです。文章を書くときも、なぜこの題材を選び、何を根拠に判断したのかを、書き手自身が説明できるべきだと思います。

私は、性能スコアを高める研究と並んで、適切でありながら多様な答えを生み出す研究がより重視されてほしいと思います。特に創作とアイデア探索の分野において。

おわりに

今回の研究で私に残ったのは、モデル名の多様性と答えの内容の多様性は同じではないかもしれない、という点です。

再生成したり、別のモデルに尋ねたりすることは助けになるかもしれませんが、それ自体が新しい視点を保証するわけではありません。どのような前提と資料をもとに出てきた答えなのかも、確認する必要があります。

均質化の原因は、まだ研究を重ねる必要があります。人間の好みに合わせる訓練、評価方式、学習データがそれぞれどれほど影響を与えているのかを明らかにしてこそ、改善方法もより正確になるでしょう。

書き手の立場では、まず自分の考えと観察を整理することから始められます。AIが提案した表現が聞き慣れたものだと感じたら、その文章が実際に何を説明しているのかをもう一度確認することです。

私はAIから受け取ったアイデアを見るとき、こう問いかけるようにしています。「この考えを選ぶ根拠が自分にあるか。一緒に検討すべき別の考えはないか」

参考資料と関連リンク

• Liwei Jiangほか、Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond)、NeurIPS 2025：データセットと答えの類似性、人間・モデルによる評価の比較をまとめた論文です。類似性の原因に関する因果分析は研究範囲外だと明記しています。
• Robert Kirkほか、Understanding the Effects of RLHF on LLM Generalisation and Diversity、ICLR 2024：2つの基盤モデルにおいて、ファインチューニング方式による一般化と多様性を比較しました。
• Anil R. Doshi・Oliver P. Hauser、Generative AI enhances individual creativity but reduces the collective diversity of novel content、Science Advances、2024：AIのアイデアを提供した物語執筆実験です。
• ワシントン大学Allen School、Artificial Hivemind研究のNeurIPS受賞紹介、2026.01.22.
• アン・グァンソプ（安光涉）、『思考を委ねる人々：ホモ・ブレインレス』。

筆者アン・グァンソプは、世宗大学校経営学科教授であり、INLEVEL9のリードコンサルタントである。大学では経営データ管理、ビジネスアナリティクスなど統計およびデータ分析を教える一方、現場ではGTM戦略とAI戦略コンサルティングを率い、技術とビジネスの接点を設計している。AI対話システムの記憶アーキテクチャ（HEMA）研究で学術論文を発表したほか、毎日グローバルなAI論文をキュレーションするDaily Arxivプロジェクトを運営している。高麗大学校技術経営専門大学院の修士課程とKMBAを修了した。著書に『思考を委ねる人々：ホモ・ブレインレス』がある。

著者 アン・グァンソプ（Oswarld） は世宗大学校 兼任教授、INLEVEL9 戦略コンサルタントです。経歴、研究、著書、最近の活動は著者紹介で更新しています。 最近の活動 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

각주

1. サンプリング設定：モデルが次のトークンを選ぶ方式です。温度は選択のランダム性に影響を与え、top-pとmin-pは選択する候補の範囲を決める方式です。min-pは最も確率の高いトークンの確率に比例して基準を調整します。 ↩

2. RLHF：人の好みの評価から作った報酬信号を用いて、モデルを強化学習する方法です。 ↩

3. SFT：入力と望ましい出力の例を使ってモデルを追加学習させる方法です。例には、正解が一つの問題だけでなく、文章執筆のような課題も含まれることがあります。 ↩

4. 報酬モデル：答えの好ましさや品質に点数を与えるモデルです。このスコアは、言語モデルを訓練したり答えを選んだりする際に活用できます。 ↩