AI最新情報読了 6 分

MIT、AIに別のAIの「脳」を直接書き換えさせる――Qwenの数学力が0.016%の編集で6倍に

Shiritomo編集部 @shiritomoAI_jp 2026年11月3日更新

数学の問題を何度も繰り返すだけで答えを出せない。
そんな小さなAIモデルの「悪いクセ」を、MITの研究チームは学習でも微調整でもなく、たった0.016%の重みを書き換えることで直した。
MATH-500という数学ベンチマークのスコアは7.9%から48.1%へ、約6倍に跳ね上がった。
AI同士が互いの「脳」を操作し合う時代が、研究室レベルでは既に始まっている。

先に結論をまとめると：
– MIT CSAILの研究チームが、OpenAIの「GPT-6 Astra」にAlibabaの小型モデル「Qwen3.5-0.8B」の重み（ニューラルネットワークを構成する数値）を直接編集させた
– 学習や勾配降下（通常のAIトレーニング手法）を一切使わず、全体のわずか0.016%・131,072個の重みを書き換えただけで、数学の正答率が約6倍に向上した
– 専門家の間でも期待と警戒の両方の声が上がっている

何が起きたのか

MIT Computer Science & Artificial Intelligence Laboratory（CSAIL）のRikiya Takehi氏らの研究チームは、日本時間11月2日ごろ、「Weight-Space Programming（重み空間プログラミング）」と名付けた新しい手法を発表しました。

やっていることはシンプルです。
Alibabaが公開している小型モデル「Qwen3.5-0.8B」に数学の問題を解かせると、同じ言葉を繰り返すだけで答えにたどり着けない「ループ」に陥ることがありました。
そこで研究チームは、OpenAIの大規模モデル「GPT-6 Astra」にQwenの内部構造（重み）を調べさせ、ループの原因になっている層を特定させたうえで、その重みを直接書き換えさせたのです。

結果、Qwen3.5-0.8BのMATH-500（数学ベンチマーク）の正答率は7.9%から48.1%に、GSM8K（小学校レベルの文章題ベンチマーク）は13.8%から67.1%に上昇しました。
編集した重みは全体のわずか0.016%、個数にして131,072個だけです。

研究者本人もこの結果をXで公開し、「GPT-6 AstraにQwen3.5-0.8Bの重みを編集させたところ、わずか0.016%を直接変更しただけで0.8Bモデルの推論ループが修正され、数学の性能が最大6倍改善した」と報告しています。

We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math.
It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training.

We call this Weight-Space Programming:… pic.twitter.com/DwTwzXzSbE
— Rikiya Takehi (@rikiyatakehi) 2026年11月2日

調べて分かったこと

なぜ「学習」ではなく「編集」なのか？

通常、AIモデルの性能を上げるには、大量のデータを使って何度も計算を繰り返す「学習（トレーニング）」が必要です。
今回の手法はそれとは根本的に異なります。
GPT-6 Astraは、Qwenというモデルの中身を一種の「患者」のように扱い、動作の異常（ループに陥る原因）を診断したうえで、ピンポイントで「手術」のように重みを修正しました。
勾配降下法によるパラメータの再計算は一切行っていません。

改善の主な要因は、Qwenが出力の文字数制限に達するまで同じ内容を繰り返してしまう「反復的な推論」の誤りを、該当する層だけを狙って修正したことにあるとされています。
命令追従の精度（IFEval）も21.0%から62.3%まで上がっており、数学以外のタスクにも効果が波及していました。

どんなモデルにも効くのか？

この手法がどんなAIにも通用するわけではない点には注意が必要です。
研究チームが別の小型モデル「Gemma 3 270M」に同じ手法を試したところ、数学性能の向上は確認できませんでした。
Gemma 3 270Mはもともと「ループに陥る」という明確な欠陥を抱えていなかったためで、この結果についてX上では「はっきりとした欠陥があるときにLLMがそれを編集で取り除けるという話に過ぎないのでは」と、研究の主張に疑問を呈する声も上がっています。
別の実験では、ユーザーの同意を示すモデルと正しい答えを出すモデルを最初は区別できず、実行時の注意の測定値を追加で与えて初めて成功したケースもあったといいます。

専門家はどう見ているのか？

この手法を「遺伝子編集のような」アプローチと評したのは、Databricksのスタッフを務めるYuchen Jin氏です。
AIがAIの内部構造を直接書き換えられるという事実は、モデルの保守・修復の新しい選択肢として注目されています。

一方で、AIの安全性を訴える団体PauseAIの代表Maxime Fournes氏は、この種の技術が確立されれば危険な進展が加速しかねないと警告し、民主的な統制が可能になるまで開発を止めるべきだと主張しています。
便利な技術であることと、制御の難しさが増すことは、表裏一体の関係にあるようです。

Shiritomo編集部の考察：AIの「ブラックボックス」が少しずつ開き始めている

これまでAIモデルの重みは、人間にとってもAI自身にとっても「なぜそうなっているのか説明しづらい数字の塊」として扱われてきました。
今回の研究が示したのは、大規模モデルがその数字の塊を読み解き、狙った箇所だけを書き換えられる可能性です。
研究はまだ初期段階で、通常の学習と比べてコスト面でどちらが効率的かという比較も今後の課題として残されています。
ただ、小規模なモデルを現場で使っている開発者にとっては、学習データを集め直す代わりに「ピンポイント修理」で済ませる未来が現実味を帯びてきたとも言えます。
AIの性能向上が、巨大化とデータ量の競争だけでなく、既存モデルの「診断と手術」という方向にも広がっていく可能性を感じさせる発表でした。