#48 AIの空間認識「上にあるもの=遠い」という近道の正体

画像から空間を理解するAIが、実は「上にあるもの=遠い」という安直な近道で答えを出していることを暴き、それを見抜く診断法と専用テストを作った研究。

最近のAIは画像を見て「椅子はテーブルより手前にある？」といった空間の質問に高い正答率で答えます。ロボットや自動運転、AIアシスタントの土台になる重要な能力です。しかし、ここに疑問があります。AIは本当に「3次元の奥行き」を理解しているのか、それとも普通の写真によくあるパターンを丸暗記しているだけなのか。

私たちが撮る写真では、遠くのものほど画面の上の方に写りがちです。地面に置かれた物を斜め上から撮れば自然とそうなります。AIがこの「上にあるもの=遠い」という相関を近道として使っているだけなら、テストの点は高くても本当の空間理解はしていないことになります。本研究はこの疑念を正面から検証しました。

この研究のユニークな点は二つあります。

一つ目は、AIの「脳内」を覗く診断法です。同じ画像に対し「AはBの左？右？」と「BはAの左？右？」という、答えが正反対になるだけの最小ペアの質問を作り、AIの内部の数値表現がどう変化するかを比べます。これにより、AIが「上下」「左右」「奥行き」の3つの軸をきちんと区別して扱っているか、それとも混同しているかが見えてきます。分析の結果、左右はきれいに区別される一方、「上下」と「奥行き」が混ざり合っている現象を発見し、これを「垂直-距離もつれ（vertical-distance entanglement）」と名付けました。

二つ目は、専用テスト「SpatialTunnel」の構築です。Blenderでトンネル状の3D空間を作り、物体を「同じ奥行きのまま画面の上下に動かす」ことを可能にしました。これで「上=遠い」という近道が通用しない、純粋な実力テストができます。

既存のテスト（EmbSpatial-Bench）では、写真の8割が「上=遠い」パターンに沿った問題でした。AIをこのパターンに沿う問題と逆らう問題に分けて測ると、差は歴然。あるモデルはパターン通りの問題で60.9%正解したのに、逆らう問題ではわずか24%、その差は約37ポイントもありました。これはモデルの種類や規模を問わず一貫して見られました。

興味深いことに、空間データを増やして学習させても、全体の点は上がるのに、この「もつれ」はむしろ強まる傾向がありました。一方で、奥行きを内部できれいに区別できているモデル（RoboRefer や超大型のQwen3-VL-235B）は、近道に頼らず多様なテストで安定して高得点を取りました。

この研究は「ベンチマークの点数を信用しすぎるな」という重要な警告です。AIの実力を測る指標として広く使われているテストの点数が、実は写真の偏りを反映しているだけで、本当の能力を過大評価している可能性を示しました。

これは他人事ではありません。倉庫で物を運ぶロボット、自動運転車、製造現場の検査AIなど、空間判断を任せる場面は急増しています。「カタログスペックでは高性能」なAIが、見慣れない配置や逆説的な状況で突然ミスをする——この研究が示した「もつれ」は、まさにそうした想定外の事故につながりかねません。

さらにこの研究は、点数だけでなく「AIの内部表現の構造」を見れば、そのAIが本当に頑健か事前に診断できることを示しました。AI導入を検討するビジネスパーソンにとって、「点数の高さ」と「実環境での信頼性」は別物だと知ることは、製品選定やリスク評価の重要な視点になります。