AIは画像に写った物体を認識し、その位置や大きさを説明できるようになりました。しかし、壁で囲まれた領域や途切れていない経路、ひもの結び目といった「構造的なつながり」まで、本当に理解しているのでしょうか。
Microsoft Researchなどの研究チームは2026年8月12日、マルチモーダルAIのトポロジー推論能力を評価するベンチマーク「MindTopo」を発表しました。
MindTopoの結果が示したのは、最新AIが静止画から構造を見分けられても、その構造を壊さずに複数の操作を続けることは苦手だという点です。
本記事では、MindTopoが測定した能力、モデルごとの結果、画像認識AIやロボットへの影響を解説します。
MindTopoとは何か
MindTopoは、画像と文章を扱うマルチモーダル大規模言語モデルが「トポロジー」を理解し、操作できるかを調べるベンチマークです。
ここで対象となるのは、画像分類専用の従来型AIではなく、画像を見て質問に答えたり、次に行う操作を選択したりするVLM（Vision-Language Model）やMLLM（Multimodal Large Language Model）です。
研究チームは、Northwestern University、Microsoft Research、Stanford Universityの研究者で構成されています。公開されたプロジェクトページによると、MindTopoの規模は次のとおりです。
- トポロジーの基本概念：5種類
- タスク：13種類
- 問題数：11,016件
- 評価されたマルチモーダルモデル：11種類
- 推論タスク：全体の約73％
- 計画タスク：全体の約27％
すべての場面は制御されたシミュレーターで生成され、難易度を調整できます。そのため、単に画像が見づらくて失敗したのか、構造を追跡できずに失敗したのかを切り分けやすくなっています。
AIが苦手とする「つながり方」とは
トポロジーとは、距離や角度ではなく、物体が変形しても維持される「接続・分離・内外・順序・結び目」などの関係を扱う考え方です。
一般的な空間認識では、「右にある」「3メートル離れている」「手前にある」といった位置関係が重視されます。これに対してトポロジーが注目するのは、道がつながっているか、境界が閉じているか、ひもが本当に結ばれているかといった構造です。
| 空間認識の種類 | 主に扱う情報 | 質問の例 |
|---|---|---|
| ユークリッド的な空間認識 | 距離、方向、角度、位置、大きさ | 赤い箱は青い箱の右側にあるか |
| トポロジー的な空間認識 | 接続、分離、順序、内外、結び目 | 入口から出口まで途切れずに進めるか |
たとえるなら、通常の空間認識は「駅同士が何キロ離れているか」を見る能力です。一方、トポロジー認識は、路線図から「どの駅を経由すれば目的地へ到達できるか」を理解する能力に近いものです。
MindTopoが検証した5つの空間概念
MindTopoは、子どもの空間認知研究でも扱われてきた5つの基本概念を、静的な推論と動的な計画の両方から検証します。
| 概念 | 検証する内容 | 推論タスク | 計画タスク |
|---|---|---|---|
| 連続性 | 経路や表面が途切れずにつながっているか | 2D Maze、3D Maze | Pipe |
| 分離 | 複数の要素が一体なのか、別々なのか | IKEA | One Stroke |
| 順序 | 変形後も要素の並び順を追跡できるか | Bead、Origami Point | Swap |
| 包囲 | 境界によって内側と外側が分けられているか | Sheep、Hole | Chat Noir |
| 結び目 | ひもが本当に結ばれているか、重なって見えるだけか | Knots | Untangle |
推論タスクでは、迷路に通行可能な経路があるか、羊が柵の内側にいるか、ロープが本当に結ばれているかを画像から判断します。
計画タスクでは、パイプを回転させて経路を完成させたり、相手を囲い込んだり、ロープ同士をすり抜けさせずに結び目をほどいたりします。環境側が可能な操作を制限するため、AIは物理法則を無視して問題を解くことができません。
最高性能モデルでも人間との差は約43ポイント
MindTopoで最も高い総合スコアを記録したGPT-5.5は54.13％で、人間の97.40％を約43ポイント下回りました。
| モデル | 総合 | 推論 | 計画 |
|---|---|---|---|
| GPT-5.5 | 54.13％ | 57.74％ | 48.33％ |
| Gemini 3.1 Pro | 53.54％ | 60.00％ | 43.20％ |
| Gemini 3.1 Flash Lite | 36.31％ | 50.84％ | 13.06％ |
| Qwen3.5-VL-397B | 34.94％ | 44.34％ | 19.90％ |
| ランダム選択 | 9.49％ | 13.27％ | 3.45％ |
| 人間 | 97.40％ | 95.77％ | 100.00％ |
静的な推論で最も高かったのはGemini 3.1 Proの60.00％ですが、計画では43.20％に低下しています。GPT-5.5も推論の57.74％に対し、計画は48.33％でした。
小型モデルやオープンウェイトモデルでは差がさらに大きくなる傾向が見られます。Gemini 3.1 Flash Liteは推論で50.84％を記録した一方、計画は13.06％にとどまりました。
なお、総合・推論・計画の数値は、それぞれ対象タスクの単純平均です。問題数による加重平均ではないため、モデルの一般的な画像認識能力をそのまま示す数字ではありません。
「見て分かる」と「壊さずに動かす」は別の能力
MindTopoの重要な発見は、AIが一枚の画像で正解できることと、同じ関係を複数手にわたって維持できることは別だと示した点です。
たとえば、AIが現在の画像から「羊は柵の内側にいる」と判断できたとしても、柵を動かす操作が加わると、数手後まで羊を囲い続けられるとは限りません。
Microsoft Researchによると、静止画での失敗は、壁、穴、交差部分などの見落としから始まる場合が多くありました。一方、計画タスクでは、最初の場面を正しく認識していても、その後に次のような失敗が発生しています。
- 目先では正しそうな操作を選び、後の手順への影響を追跡できない
- 複数回の操作を続けるうちに、最初の目的を見失う
- 物体をすり抜けさせるなど、環境の物理的制約に反する操作を提案する
- 接続、内外、並び順といった状態の変化を一貫して記録できない
つまり、AIは画像ごとにもっともらしい説明を生成できても、場面の背後にある「変えてはいけない構造」を内部状態として保持しているとは限りません。
画像生成や動画生成を使っても解決しなかった
頭の中のシミュレーションを画像・動画生成で代替しても、トポロジーが正しく保存されなければ計画には利用できません。
研究チームは、画像生成や動画生成を利用して、操作後の状態を視覚的に予測する方法も検証しました。
画像生成は、必要な関係が一枚の画像に現れる場合には役立つことがありました。しかし、複数の交差や操作を追跡する場面では安定しませんでした。動画による予測では、途中で物体のつながり方が変わったり、タスクの規則に反する動きが生成されたりしたと報告されています。
動画が自然に見えることと、構造が正しいことは同じではありません。ロープが一瞬隠れた場面で別の場所から現れても、映像としては違和感が小さい場合があります。しかし、結び目を解く計画としては致命的な誤りです。
ロボットやAIエージェントでは小さな誤りで済まない
距離の推定誤差は少しずつ修正できますが、「接続されているか」「囲まれているか」の誤認は、行動全体の成否を逆転させる可能性があります。
MindTopoが扱う問題はパズルのように見えますが、次のような実用分野と関係しています。
- ロボット：ケーブルを絡ませずに配線する、容器から物をこぼさずに運ぶ
- 製造・組み立て：部品の組み付け順序や接続関係を維持する
- 自動運転・経路探索：道路の寸断や進入可能な経路を判断する
- CAD・3DCG：立体モデルの穴、接続面、閉じた形状を検査する
- アクセシビリティ：室内の通行可能な経路や障害物による分断を説明する
- コンピューター操作AI：画面遷移や作業手順の依存関係を維持する
これらはMindTopoが直接実証した用途ではなく、結果から考えられる応用上の影響です。しかし、AIに現実世界で複数手の作業を任せるほど、トポロジーの維持は避けて通れない課題になります。
「画像認識AIは空間を理解できない」とは断定できない
MindTopoの結果は重要ですが、すべての画像認識AIが空間を理解できないことや、各モデルの総合能力が50％程度しかないことを意味するものではありません。
結果を読む際は、次の制約にも注意が必要です。
- 評価対象は特定の11種類のマルチモーダルモデルに限られる
- 主にシミュレーターで生成した問題であり、実写環境での性能とは一致しない可能性がある
- モデルの更新、プロンプト、推論設定、利用できるツールによって結果が変わる
- ベンチマークのスコアは一般的な画像認識能力ではなく、13種類のトポロジータスクに対する成績である
- モデル間で得意分野が異なり、総合順位だけでは個別タスクの性能を判断できない
また、2026年8月20日時点では、MindTopoのプロジェクトページでarXiv論文、コード、データセットへの正式リンクが「soon」と表示されています。詳細な評価条件や再現性については、正式公開後の第三者検証を待つ必要があります。
AIに「構造を表す地図」が必要になる
今後の改善には、画像を言葉で説明させるだけでなく、接続関係をグラフや制約として明示的に記録する仕組みが必要になると考えられます。
たとえば、迷路を毎回画像として見直すのではなく、交差点をノード、通行可能な道をエッジとして表現すれば、経路の接続状態を計算できます。ロープであれば、どの部分が上を通り、どの部分が下を通るかを構造化して保持する方法が考えられます。
Microsoft Researchは、明示的なトポロジー状態を持つモデルや、構造的な制約を維持するように設計されたワールドモデルを改善の方向性として挙げています。
具体的には、次のような構成が有力です。
- 画像から物体と接続関係を抽出する認識モデル
- 関係をグラフやシーングラフとして保持する状態管理
- 物理的に可能な操作だけを選ぶ制約付きプランナー
- 操作後も重要な関係が維持されているか確認する検証器
- 静止画だけでなく、状態遷移を含むデータによる学習
人間も複雑な路線を覚えるとき、駅の写真をすべて暗記するのではなく、路線図を利用します。同じようにAIにも、見た目とは別に「何と何がつながっているか」を表す内部地図が必要なのかもしれません。
まとめ：AIは構造を認識できても維持できない
MindTopoが明らかにした最大の弱点は、AIが「現在どう見えるか」には答えられても、「操作後も何が変わらないか」を安定して追跡できないことです。
最新のマルチモーダルAIは、迷路、境界、結び目などを一定程度認識できます。しかし、複数の操作を通して接続や内外関係を維持する計画では、人間との大きな差が残っています。
生成AIが文章や画像を作る段階から、ロボットやAIエージェントとして現実世界へ働きかける段階へ進むほど、この弱点は重要になります。
今後は画像認識モデルの大型化だけでなく、接続関係を明示的に保持する内部表現、物理制約を組み込んだ計画、操作結果を検証する仕組みが求められるでしょう。
関連ページ・参考資料
MindTopoの数値やタスク構成を確認する場合は、更新される可能性があるため公式ページの最新版を参照してください。
コメントを送信