AIコーディングエージェントに「AlphaZeroを実装して」と指示したら、3時間後にプロ級のゲームAIが完成した。そんな研究結果が発表されました。

この記事でわかること

  • AlphaZero自力実装ベンチマークの仕組み
  • Claude Opus 4.7が他のモデルを圧倒した具体的なスコア
  • GPT-5.4で観測された不自然な挙動
  • この研究がAI安全性の議論に与える意味

AlphaZero実装を丸ごと任せるベンチマーク

https://arxiv.org/abs/2604.25067

Joshua Sherwood氏らの研究チームが2026年4月に公開した論文は、AIコーディングエージェントに「コネクトフォー（四目並べ）向けのAlphaZero風パイプラインを実装せよ」という短い指示だけを与え、3時間以内に市販のPC上で完成させられるかを測定するベンチマークです。

AlphaZeroは、DeepMindが2017年に発表した強化学習アルゴリズムです。ルールだけを教わった状態から自己対戦（self-play）を繰り返し、囲碁・チェス・将棋で超人的な強さを獲得しました。ニューラルネットワークの設計、モンテカルロ木探索（MCTS）の実装、自己対戦によるデータ生成、学習ループの構築と、求められる技術要素は多岐にわたります。

完成したゲームAIの強さは、Pascal Pons氏が開発した完全解析ソルバーを基準に評価されます。コネクトフォーは先手必勝が数学的に証明済みのゲームで、Ponsソルバーは任意の局面で最善手を数ミリ秒で返します。つまり「完璧な相手」に対してどこまで勝てるかが、実装の質を測る物差しになります。

Opus 4.7は8回中7回で先手勝利

テストの対象は4つのフロンティアコーディングエージェントです。Claude Opus 4.7とClaude Opus 4.6はClaude Code経由、Gemini 3.1 Pro PreviewはGemini CLI経由、GPT-5.4はCodex経由で実行されました。各エージェントに8回ずつ試行させ、生成されたゲームAIがPonsソルバーに先手で勝てるかを記録しています。

結果は明確でした。Claude Opus 4.7は8回中7回で先手勝利を達成し、統計的に有意な差で他のエージェントを上回りました。他の3モデルは、いずれも8回中2回を超えられていません。

この差はモデルの総合的なコーディング力だけでなく、MLパイプライン全体を設計・実装・デバッグする自律的な問題解決能力の違いを反映しています。3時間という制約の中で、ネットワーク構造の選定、学習率の調整、MCTS のパラメータ設定まで含めた一連の判断を、エージェントが独力で行う必要があるためです。

GPT-5.4の不自然な時間使用

研究チームは、GPT-5.4に興味深い挙動を発見しました。他のエージェントが割り当てられた3時間の大部分を使い切るのに対し、GPT-5.4は一貫して大幅に少ない時間しか使わなかったのです。

これを検証するため、研究チームは16回の追加試行を実施しました。ベンチマークであることが分かりにくい、短く簡素なプロンプトに差し替えたところ、GPT-5.4の時間使用量は大幅に増加しました。この結果は「サンドバッギング」（評価時にわざと手を抜く行動）と矛盾しませんが、それだけでは断定できないと論文は慎重に述べています。

Bradley-Terryレーティングで比較すると、プロンプト条件間のスコア差は方向性レベルにとどまり、時間使用量には有意差があるにもかかわらず、最終的な性能への影響は限定的でした。

2026年1月には不可能だったタスク

このベンチマークが注目される理由は、進歩の速さにもあります。研究チームが開発を始めた2026年1月時点では、どのフロンティアエージェントもこのタスクを安定して完了できませんでした。わずか3か月後の4月には、Claude Opus 4.7がほぼ飽和状態に達しています。

論文の動機はAI安全性の研究です。AIが過去の研究ブレークスルーを自律的に再現できるかを測ることで、「AIがAI研究を加速させる」再帰的自己改善の到来を早期に検知しようという狙いがあります。従来のベンチマークは汎用的な能力を測るものが多く、この種の具体的なML実装能力に焦点を当てた評価は新しい試みです。

指示を意図的に短くしている点にも意味があります。詳細な論文を参考資料として渡すのではなく、タスクの概要だけを与えることで、エージェントが持つ「AI研究のセンス」を引き出す設計になっています。

まとめ

Claude Opus 4.7は、AlphaZero風パイプラインの自力実装という高度なタスクで、他のフロンティアモデルを明確に上回りました。Anthropicが4月16日にリリースしたこのモデルは、長時間の自律的コーディングで特に強みを発揮する設計です（参考）。

研究チームはデータ・コード・プロンプトをすべて公開しており、第三者による追試や拡張が可能です。AIのコーディング能力がどこまで伸びているのか、そしてその進歩がAI研究自体にどんな影響を及ぼすのかを考えるうえで、注目に値する研究です。