NeuroLab Team 12 min read 0 views

AIはイーロン・マスクに匹敵できるか？LLMと人間のIQ推定

GPT-4、Claude、Geminiは実際のIQテストでイーロン・マスクレベルの人間と比べてどうか？AIの認知能力、流動性推論、LLMにできることとできないことを分析します。

消えない問い

数ヶ月おきに、ある見出しが拡散されます：「AIがIQテストで155点を取得」。暗示は明確です：人工知能が人間の天才を超え、イーロン・マスクのような存在は不要になった。しかし、これは本当でしょうか？

短い答え：いいえ。より長い答えには、IQテストが何を測定するか、大規模言語モデル（LLM）がどのように情報を処理するか、そしてなぜ人間と機械の知能を比較するのが潜水艦と水泳者の比較のようなものかを理解する必要があります。

この記事は、実際の証拠——LLMの認知パフォーマンスに関する査読付き研究、IQテストの構造、そしてイーロン・マスクの認知プロファイルについて知られていること——を検証し、正直な答えを提供します。

IQテストが実際に測定するもの

IQテストは「賢さ」の単一の尺度ではありません。これらは**Cattell-Horn-Carroll (CHC)**モデルに沿って組織化された認知能力の階層を評価します：

流動性推論（Gf）： 先行知識なしの新規問題解決
結晶性知能（Gc）： 獲得した知識と語彙
量的推論（Gq）： 数値パターン認識
視覚処理（Gv）： 空間・幾何推論
ワーキングメモリ（Gwm）： 頭の中で情報を保持・操作
処理速度（Gs）： 高速な認知スループット

全IQスコアはこれらを集計しますが、プロファイルが数字よりも重要です。IQ 130の二人が全く異なる能力プロファイルを持てます——一人は言語推論に優れるが空間タスクに苦労し、もう一人はその逆かもしれません。

155

オンラインでイーロン・マスクに頻繁に帰されるIQスコア——一次ソースなし

LLMのテスト方法

複数の研究が大規模言語モデルに人間のIQテストを実施しました。最も厳密なもの：

Bubeck et al. (2023)はWAIS-IV（ウェクスラー尺度）でGPT-4をテストし、言語サブテスト——語彙、類似、情報——で第99パーセンタイル以上の成績を収めたが、視覚処理を必要とする空間推論タスクで苦労したことを発見しました。研究はGPT-4の「言語IQ」を約155と推定しました。

**Zhu et al. (2023)**は複数のLLMにレーヴン漸進マトリクス（非言語流動性推論）を実施しました。GPT-4は第75-90パーセンタイルの範囲でスコアしました——立派ですが、天才レベルには程遠い。著者らは、LLMがしばしばトレーニングデータのパターンマッチングで行列問題を解くことを指摘しました。

OpenAI自身の評価（2023-2024）は、GPT-4がSAT言語セクションで163（第99パーセンタイル）を取得したが、数学セクションでは710/800のみ——強力だが、エリート大学基準では例外的ではないことを示しています。

言語の錯覚：なぜAIスコアが膨らんで見えるか

核心の問題：IQテストは高度に言語的であり、LLMはテキストで訓練されています。

WAIS-IVには10のコアサブテストがあります。5つは主に言語的：語彙、類似、情報、理解、算数。これらについて、LLMは圧倒的な優位性を持ちます——本質的にすべての公開テキストをトレーニングデータとして取り込んでいます。「時計とカレンダーの類似点は何ですか？」と聞かれた時、モデルは推論しません——統計的言語モデルから回答を検索します。

これは**結晶性知能（Gc）*であり、流動性推論ではありません。そして、これこそがLLMが最も印象的に見える領域です。しかし結晶性知能は、現実世界の問題解決とイノベーションを予測する上で最も*予測力が低いです。あなたが何を知っているかを測り、どう考えるかではありません。

💡 重要な区別

LLMは結晶性知能（事実を知っていること）で卓越していますが、流動性推論（新しい問題を解くこと）では結果が混在しています。IQテストは言語/結晶性能力に過度に重み付けしており、AIスコアを実際の問題解決能力より高く見せます。

LLMが失敗する場所：マスク・ギャップ

イーロン・マスクの認知プロファイル——SATスコアとキャリアパターンに基づく——は非対称です：非常に高い流動性推論、例外的な空間能力、強力だがエリートではない言語スキル。これはまさにLLMが最も苦手とするプロファイルです。

空間推論（Gv）： LLMは視覚空間情報をネイティブに処理できません。3Dオブジェクトを精神的に回転させたり、ロケットの軌道を視覚化したりするよう求められた時、失敗するかテキストベースの回避策に依存します。マスクが頭の中でロケットコンポーネントとその相互作用を視覚化する能力——SpaceXの重要な要素——にはLLMの等価物がありません。

ワーキングメモリ操作（Gwm）： LLMは大きなコンテキストウィンドウを持ちますが、人間のようにワーキングメモリ内の情報を操作しません。パターンをマッチさせますが、メンタルモデルを保持して変換しません。マスクが複数のエンジニアリングトレードオフを同時に保持し、リアルタイムで更新する能力は、現在のAIが複製できないワーキングメモリ機能です。

第一原理推論： マスクの特徴的認知戦略——問題を基本物理まで分解し、そこから構築する——は真の流動性推論を必要とし、検索ではありません。LLMが第一原理推論を試みる時、公理から推論するのではなくトレーニング例の間を補間するため、もっともらしく聞こえるが論理的に破綻したチェーンをしばしば生成します。

ドメイン間転移学習： マスクは同じ認知ツールセットをロケット、車、ブレインインターフェース、ソーシャルメディアに適用します。LLMはこれら全ドメインについてテキストを生成できますが、人間の専門家のように解決戦略を一つのドメインから別のドメインに転移できません。

✓ メリット

LLM：膨大な結晶性知能（Gc）
LLM：高速なテキスト生成と検索
LLM：一貫性、疲労知らず、スケーラブル
LLM：標準化された言語テストで強力

✗ デメリット

LLM：空間推論が弱い（Gv）
LLM：真のワーキングメモリ操作がない
LLM：第一原理推論がしばしば崩壊
LLM：ドメイン間戦略転移が不十分

ベンチマークの問題

より深い方法論的問題があります：IQテストは人間向けに設計されており、機械向けではありません。

人間がレーヴン漸進マトリクスを解く時、ワーキングメモリ、視覚処理、流動性推論の組み合わせを使用します。LLMが同じテスト（テキストに変換）を受ける時、トレーニングデータに対する統計的パターンマッチングを使用します。これらは根本的に異なる認知プロセスであり、特定のテストで似たような出力をたまたま生み出します。

これはグッドハートの法則の問題です：測定が目標になると、良い測定でなくなる。AIをIQテストで高得点するよう最適化しても、AIを賢くしているわけではありません——IQテストが上手になっているだけです。

より正直な比較は、人間の認知と統計的パターンマッチングを区別するよう設計されたテストを使用します：

トレーニングデータに含まれ得ない新規物理問題
心理的シミュレーションを必要とする多段階空間推論
パターンマッチングのショートカットを暴露する敵対的質問
新規制約下でのリアルタイム意思決定

これらの指標では、現在のLLMは人間の専門家レベルを大幅に下回ります。

数字が実際に語るもの

具体的にしましょう。マスクの推定認知プロファイル（SAT変換から）とGPT-4の測定パフォーマンスを比較すると：

能力	マスク（推定）	GPT-4（測定）
言語/結晶性（Gc）	~130-135	~155+
流動性推論（Gf）	~140-145	~115-125
空間（Gv）	~145+	~80-90
ワーキングメモリ（Gwm）	~135-140	該当なし
処理速度（Gs）	~120-130	非常に高速だが異なるメカニズム

状況は明確です：LLMは結晶性知能で支配的ですが、流動性推論、空間能力、ワーキングメモリ操作で大きく遅れをとっています——まさにエンジニアリングイノベーションと起業家的問題解決を推進する能力です。

GPT-4の推定結晶性IQは推定流動性推論IQの約2倍——マスクのプロファイルの逆

AIはイーロン・マスク機能を置き換えられるか？

「イーロン・マスク機能」——認知的役割として、個人としてではなく——には以下が含まれます：

まだ解決策のない新規問題を特定する
複数の技術ドメインで第一原理から推論する
不完全な情報で高リスク決定を下す
空間、定量、言語推論をリアルタイムで統合する
数年規模のプロジェクトで努力と集中を維持する

現在のAIはそれぞれを支援できますが、統合を実行できません。GPT-4はロケットシミュレーションのコード作成を支援できますが、再利用可能なロケットを構築すべきかを決定できません。電池化学データを分析できますが、新しいセル設計の熱挙動を視覚化できません。

ギャップはIQスコアだけではありません——知能のタイプについてです。マスクの価値は新規問題に適用された流動性推論から来ており、事実を知っていることからではありません。LLMは逆です：膨大な事実知識だが、限られた新規問題解決。

未来：収束か分岐か？

AIは急速に改善していますが、改善は不均一です。LLMは言語タスク（すでに超人的）で向上していますが、空間推論と真の流動性推論の進展は遅いです。最も有望なアプローチ——マルチモーダルモデル、ニューロシンボリックアーキテクチャ、embodied AI——は空間と推論のギャップを埋めようとしますが、人間の専門家レベルには程遠いです。

正直な予測：AIは今後5-10年で人間の認知をますます補強するでしょうが、「マスク機能」——複数の推論タイプの創造的統合を新規エンジニアリング課題に適用する——は予見可能な未来において人間の能力であり続けます。人間が本質的に優れているからではなく、必要な知能のタイプがまさに現在のAIアーキテクチャが苦戦するタイプだからです。

評決

IQテストスコアはAIの知能を過大評価します。なぜならIQテストは高度に言語的であり、LLMはテキストで訓練されているから
LLMは結晶性知能（事実を知ること）で卓越するが、流動性推論（新問題を解くこと）で遅れをとる
マスクの認知プロファイル——高い流動性推論、例外的な空間能力——はまさにAIが最も弱い領域
「AI IQ 155」の見出しは誤解を招く：実際のイノベーションを推進するものとは異なる種類の知能を測定している
AIは補強するが置き換えできない——専門的エンジニアリング認知を定義する推論タイプの創造的統合を

問いはAIがIQ 155に達するかどうかではありません。おそらくすでに達している——イノベーションに重要でないサブテストで。本当の問いは、AIが誰も解いていない問題を見て解決できるようにする、流動的、空間的、統合的推論を発展させるかどうかです。それがマスク・テストです。そして今のところ、AIは失敗しています。

GPT-4などの大規模言語モデルのIQはどのくらいですか？

研究ではGPT-4の言語IQをWAIS-IV言語サブテストで約155と推定していますが、非言語流動性推論タスク（レーヴンマトリクスなど）でのパフォーマンスははるかに低く——約第75-90パーセンタイルです。高い言語スコアは結晶性知能（トレーニングデータの検索）を反映しており、真の問題解決能力ではありません。

AIは本当のIQテストを受けられますか？

AIにIQテストを実施できますが、結果は人間のスコアと直接比較できません。IQテストは人間の認知アーキテクチャ向けに設計されており——ワーキングメモリ、空間処理、流動性推論をLLMがネイティブに使用しないモダリティで測定します。視覚空間タスクをテキストに変換するとタスクの性質が変わります。

AIはイーロン・マスクより賢いですか？

結晶性知能の指標（事実知識、語彙、情報検索）では、AIは誰よりも人間を超えます。しかし流動性推論、空間視覚化、ワーキングメモリ操作、第一原理問題解決——エンジニアリングイノベーションを推進する能力——では、現在のAIは人間の専門家レベルを大幅に下回ります。異なる種類の知能であり、直接比較できません。

AIは最終的に人間の流動性推論に匹敵しますか？

現在のAIアーキテクチャ（トランスフォーマーベースLLM）は、トレーニングデータのパターンマッチングに根本的に最適化されており、真の推論ではありません。マルチモーダルモデルとニューロシンボリックアプローチは一部のギャップを埋める可能性がありますが、空間推論と新規問題解決は依然として重大な課題です。進歩は可能性がありますが、タイムラインは不確実です——5年から30年以上の推定があります。

なぜAIのIQスコアはこんなに高く見えるのですか？

IQテストは言語・結晶性能力に過度に重み付けしており、まさにLLMがテキスト訓練のために得意な領域です。流動性推論、空間処理、ワーキングメモリ操作をより重く重み付けするテストは、はるかに低いAIスコアを示すでしょう。「IQ 155」の見出しはテスト設計のバイアスを反映しており、実際の認知的優位性ではありません。

All Articles Take a Cognitive Test