#2 AIそのものが「パソコン本体」になる未来がやってきた

現在のAI活用は、大きく3つのパターンに分かれています。①従来のコンピュータ（プログラムを書いて動かす）、②AIエージェント（AIが既存のソフトやブラウザを「代わりに操作する」）、③ワールドモデル（環境の物理法則を学んで未来を予測する）。しかしいずれも、 実際にプログラムを動かす「実行環境」はAIの外側 にあります。AIは指示を出すだけで、本当の計算やメモリ管理はOSやハードウェアが担っています。この論文は「AIモデルの重み（学習済みパラメータ）そのものがコンピュータとして振る舞えないか？」という根本的な問いを立て、その第一歩を検証しています。

この研究では ​「ニューラルコンピュータ（NC）」​ という概念を定義しました。これはAIモデルの内部状態がCPU・メモリ・画面入出力のすべてを兼ねる、という大胆な発想です。

具体的な実装としては、最新の動画生成AI（Wan2.1）をベースに2種類のプロトタイプを構築しています。

• NCCLIGen：「ターミナル画面版」。テキスト命令と最初の1フレームを与えると、コマンド実行後の画面の動画を生成する
• NCGUIWorld：「デスクトップ画面版」。マウスクリックやキーボード入力の情報を与えると、その操作に応じた画面変化の動画を生成する

たとえるなら、 ​「本物のパソコンを動かさなくても、AIが画面の見た目と操作の結果を丸ごと"シミュレーション"する」​ イメージです。学習データには、実際のターミナル操作の録画約1,100時間分や、デスクトップ操作の録画約1,500時間分を使っています。

ターミナル版（CLI）​ では、学習6万ステップ後にOCR（文字認識）による文字精度が初期の 3% から 54% に向上し、行単位の完全一致も 31% に達しました。ただし算数の計算問題では正答率わずか 4% と、記号的な推論は苦手。ここで面白いのは、プロンプトに「答えは○○」というヒントを追加する「リプロンプティング」を行うと、正答率が 83% まで跳ね上がった点です。つまり、計算を自力でしているのではなく、 ​「正解を教えてもらえば正しく画面に描ける」​ という性質が明らかになりました。

デスクトップ版（GUI）​ では、目的を持った操作データ（わずか110時間）が、ランダム操作データ（1,400時間）より圧倒的に高性能でした。また、カーソルの位置を座標だけで教えた場合は精度 8.7% でしたが、カーソル画像を直接見せる方式にすると 98.7% に達し、短い操作への応答は正確に学習できることが示されました。

この研究が示唆するのは、 ​「コンピュータの概念そのものが変わるかもしれない」​ という可能性です。

現在のAIエージェント（たとえばClaude Computer Useなど）は、既存のOSやブラウザを「操作する」立場です。あくまで人間の代わりにマウスやキーボードを動かしている。一方、ニューラルコンピュータは AI自身が「パソコンの中身」になる という発想です。

まだプロトタイプ段階ですが、もしこれが成熟すれば、たとえば自然言語で「こういう業務フローを組んで」と指示するだけで、AIが内部にその処理能力を"インストール"し、繰り返し使えるようになる世界が見えてきます。プログラミングが不要になるのではなく、 ​「日本語や英語がそのままプログラミング言語になる」​ という方向性です。

ただし著者ら自身が認めるように、現時点では簡単な足し算すら自力では解けず、長時間安定した動作や機能の再利用もできていません。「完全なニューラルコンピュータ（CNC）」への道のりは、まだ相当に長いと考えられます。