GPT-5は「空間」を理解したか？—AIが物理世界を知覚する能力の最前線と、AGIへの重要な壁

　最新のLLMは、チェスでグランドマスターを打ち負かし、複雑な科学論文を数秒で要約できます。しかし、目の前にある積み木の数を正確に数えたり、一枚の紙を折って箱を作ったりすることはできるのでしょうか？

　この素朴な問いこそ、AIが真の知能—すなわち、特定のタスクに特化するのではなく、人間のようにあらゆる課題を自律的に解決できる「AGI」を獲得するための、見過ごされがちな最後のフロンティア、「空間知能」の核心に迫るものです 。

　本稿では、2025年8月に発表され、最新・最強と目されるGPT-5の能力を、10億トークンを超える大規模な実験によって徹底的に検証した画期的な研究「Has GPT-5 Achieved Spatial Intelligence?」に基づき、AIの現在地と、AGIへと続く道筋に残された課題を詳述します 。

Spotifyでわかりやすく音声配信：「らみのAIテックラジオ」

　世界経済フォーラムの調査では「2030年に必要なスキル」の第5位に「好奇心と生涯学習」がランクイン。好奇心は趣味ではなく経済的必須スキル。
拙著『AI時代の最強スキル「好奇心力」』で詳説しています。

まえがき

　AIが、単なるデジタルアシスタントや情報検索ツールを超え、私たちの物理世界で真に役立つ存在になるためには、避けて通れない能力があります。それが「空間知能」です。

　これは、自律走行車が周囲の交通状況を予測したり、ロボットが工場の部品を正確に組み立てたり、あるいは医療AIが3Dスキャン画像から患部の位置を正確に特定したりするために不可欠な、根源的な能力を指します 。

　AGIの実現とは、AIが物理世界で活動するエージェントとして機能することを意味し、空間を理解し、操作できなければその目標は達成できません 。

　現在のLLMは、膨大なテキストと画像のデータを学習することで、言語やパターン認識において驚異的な能力を発揮します。しかし、その知能は本質的に、シーケンシャルなデータ（テキスト）と静的なパターン（画像）の処理に最適化されたアーキテクチャの上に成り立っています。

　一方で、私たちが生きる物理世界は、静的なパターンの集合体ではなく、物理法則と幾何学に支配された動的なシステムです。

　この世界を理解し、その中で推論するには、単に「見る」だけでなく、頭の中で物体を回転させたり、異なる視点からの見え方を想像したり、物体の変形を予測したりする能力、すなわち空間知能が求められます。

　この文脈において、GPT-5の空間知能を検証する本研究は、単なる性能評価以上の意味を持ちます。これは、現在のLLMアーキテクチャをスケーリングするだけで、この「認知的死角」とも言える根本的な限界を克服できるのかを問う、重要な診断テストなのです。

　本稿を通じて、読者の皆様には、AI研究の最前線で何が起きており、AGIという壮大な目標に向けてどのような課題が残されているのか、その解像度を一段と高めていただくことを目指します。

背景

解決する課題

　空間知能とは、具体的にどのような能力を指すのでしょうか。それは、部屋の大きさを一目で見積もる、地図を読んで目的地までの道のりを思い描く、説明書を見ながら家具を組み立てる、あるいは友人の立っている場所から見える景色を想像するといった、人間が日常的に、そして無意識に行っている認知活動の総体です 。

　これらのタスクが人間にとって比較的容易であるのに対し、コンピュータにとっては極めて困難な課題となります。なぜなら、これらは単なる画像認識の問題ではないからです。

　画像内の物体を「猫」や「机」として分類するだけでは不十分で、それらの物体が3次元空間の中でどのような位置関係にあり、どのような大きさや形を持ち、視点を変えたり力を加えたりするとどうなるかを推論する能力が求められます。

　これを実現するためには、AIの内部に、現実世界に対応する一貫した「世界モデル」、すなわち操作可能な3D空間の精神的表現を構築する必要があります。

　本研究が取り組む核心的な課題は、この人間的で根源的な知能を、最新のマルチモーダルLLMがどの程度獲得できているのかを、体系的かつ定量的に明らかにすることにあります。

既存研究の流れ

　AIの進化は、テキストのみを扱うLLMから、画像、音声、動画など複数の種類の情報を統合的に処理できる「マルチモーダルLLM（MLLM）」の登場によって、大きな転換点を迎えました 。

　これにより、AIは初めて世界を「見る」能力を獲得し、画像の内容について質問に答えたり、画像からキャプションを生成したりすることが可能になりました。

　本研究で評価対象となっているのは、このMLLMの最先端を走るモデル群です。OpenAIのGPT-5ファミリーが主役ですが、その性能を相対化するために、強力な競合モデルも比較対象として含まれています 。

　これらのモデルの登場により、AIの視覚的理解能力は飛躍的に向上しました。しかし、それは「空間知能」の獲得と同義ではありません。「見る」ことと、見て得た情報から空間的に「推論する」ことの間には、依然として大きな隔たりが存在する可能性が指摘されていました。

この研究が解決する課題・どう解決するのか

　この研究が登場するまで、MLLMの空間知能の評価は、断片的で一貫性のないものでした。各研究者が独自のタスクや指標を用いていたため、モデル間の公正な比較や、分野全体の進捗を体系的に測定することが困難でした 。

この状況を打開するため、本研究は2つの重要な貢献を果たしました。

　つまり、本研究は、これまで漠然と語られてきた「AIの空間認識能力」というテーマに、科学的な厳密さと体系的な視点をもたらし、この分野の研究を新たなステージへと引き上げるものと言えます。

方法論

提案手法

　本研究の理論的な中核をなすのが、空間知能を6つの基本的な能力に分解した分類体系です。これにより、AIの能力を多角的に、かつ詳細に分析することが可能になります。以下に、それぞれの能力を、日常的な例えと共に解説します 。論文のFigure 2は、これらの概念を視覚的に理解する助けとなります。

提案手法の構成コンポーネントや、仕組みの詳細

　これらの6つの能力を測定するため、研究チームは8つの最新鋭のベンチマークを厳選しました。これらは、VSI-Bench、SITE、MMSI、OmniSpatial、MindCube、STARE、CoreCognition、SpatialVizと名付けられています 。これらのベンチマークは、合計で約31,000枚の画像と約4,500本の動画、24,000の質問応答ペアを含んでおり、評価の広範さと信頼性を担保しています 。

　特筆すべきは、これらのベンチマークのほとんどが、本研究が発表される直前の数ヶ月以内に公開されたものである点です。これは、空間知能という研究分野が現在、いかに活発に研究されているかを示す証左と言えるでしょう 。

　各ベンチマークは、特定の能力に焦点を当てて設計されています。例えば、VSI-BenchやSITEは距離測定（MM）、空間関係（SR）、視点取得（PT）、包括的推論（CR）といった幅広い能力を評価します。

　一方でMindCubeは視点取得（PT）に特化し、STAREは視点取得（PT）、変形と組み立て（DA）、包括的推論（CR）を扱います。

　また、SpatialVizは精神的再構築（MR）、空間関係（SR）、変形と組み立て（DA）、包括的推論（CR）を評価するなど、それぞれが異なる角度から空間知能を測定します 。

　研究チームは、これらの多様なテストを組み合わせることで、モデルの能力を網羅的に評価することを目指しました。

提案手法詳細

　信頼性の高い結論を導き出すためには、実験の「ルール」を厳格に定める必要があります。研究チームは、モデルの真の能力を測定し、偶然やバイアスによる影響を排除するため、以下の評価プロトコルを策定しました 。

プロンプトの標準化
　全てのモデルに対して、同じ形式のプロンプトを使用しました。これにより、プロンプトのわずかな違いが性能に影響を与える可能性を排除しています。具体的には、CoTを促し、かつ回答形式を統一するプロンプトが採用されました。

偶然による正解の排除
　選択式の問題では、モデルが偶然正解してしまう可能性があります。この影響を統計的に補正するため、「チャンス調整済み正解率（CAA）」という指標が用いられました。この指標では、ランダムな推測によるスコアが0点となるように調整されます。

選択肢の位置バイアスの排除
　モデルによっては、選択肢がAにあるかDにあるかといった「位置」に性能が左右されることがあります。このバイアスを軽減するため、「循環評価」という手法が一部で採用されました。

　これは、同じ問題の選択肢の順番を入れ替えて複数回質問し、全ての順番で正解した場合にのみ正解と見なす、より厳格な評価方法です。これらの慎重な手続きは、本研究の結論が科学的な客観性と信頼性に基づいていることを保証するものです。

実験方法

　実験の舞台には、AI界の巨頭たちが集結しました。評価対象となったのは、OpenAIのGPT-5ファミリー（GPT-5, GPT-5-mini, GPT-5-nano）、GoogleのGemini-2.5-pro、ByteDanceのSeed-1.6といった最先端の非公開モデルです。さらに、Qwen2.5-VLやInternVL3といった、研究コミュニティを牽引する高性能なオープンソースモデルも比較対象として加えられました 。

　そして、最も重要な比較対象として、「人間」のパフォーマンスが設定されました。AIの能力を評価する上で、人間がどの程度の成績を収めるのかという基準点は不可欠です。この壮大な比較実験を通じて、AIが人間の空間知能にどれだけ近づいたのか、あるいはどれだけ隔たっているのかが明らかにされます。

実験結果

　8つのベンチマークにわたる厳密な評価の結果、AIの空間知能に関する現状が、かつてないほどの解像度で明らかになりました。実験結果から読み取れる重要な発見は、以下の4点に集約されます 。

GPT-5は空間知能において新たな最高水準を達成した
　GPT-5は、ほとんど全てのベンチマークにおいて、他のプロプライエタリモデルやオープンソースモデルを明確に上回るスコアを記録しました。

　例えば、SITEベンチマークでは64.18、CoreCognitionでは78.37、OmniSpatialでは50.24というスコアを達成しその優位性は顕著です。これはGPT-5が現在のAIの中で最も優れた空間知能を持つことを示しています 。

しかし、GPT-5はまだ人間レベルの空間知能には到達していない
　最も重要な比較対象である人間との性能差は依然として大きいままです。SITEベンチマークではGPT-5のスコア（64.18）が人間のスコア（67.5）に肉薄し、CoreCognitionでは人間（76.59）をわずかに上回るスコア（78.37）を出していますが、他の多くのベンチマークでは大きな差が見られます。

　例えばVSI-Benchでは人間が95.08であるのに対しGPT-5は36.27、OmniSpatialでは人間が90.18に対しGPT-5は50.24です。特に難易度の高いMMSIでは、人間の96.27に対し、GPT-5は22.47と、圧倒的な差がついています 。

空間知能タスクは、非SIタスクよりもはるかに難しい
　詳細な分析（論文Appendix B）によれば、同じベンチマーク内でも、空間的な推論を必要としないタスク（例：単純な物体認識や文字読み取り）ではモデルは高い性能を示す一方で、空間知能を要するタスクになるとスコアが大幅に低下する傾向が見られました 。

　これは、空間知能が現在のMLLMにとって本質的なボトルネックであることを示唆しています。

最も困難なSIタスクにおいて、プロプライエタリモデルの優位性は決定的ではない
　全体としてプロプライエタリモデルがオープンソースモデルを上回る傾向にあるものの、MMSIやSpatialVizといった特に難易度の高いベンチマークに注目すると、その差は縮まります。

　例えばMMSIでは、GPT-5が22.47であるのに対し、オープンソースのInternVL3-78Bは6.27と、両者ともに人間レベルの性能（96.27）からは程遠く、苦戦している状況は同じです。

　これは、最も困難な課題においては、単なるモデルサイズや計算資源の差だけでは解決できない、より根源的な問題が存在することを示唆しています 

考察

なぜこの手法が優れているのか

　本研究の手法的な優位性は、広範な課題を統一フレームワークで評価しきった点にあります。空間知能という複雑なテーマに対し、従来は個別最適化された評価しかなく、モデル間の性能比較や弱点分析が断片的でした。

　それを本研究は、6つの基本能力にマッピングすることで課題全体を俯瞰し、評価手法を統一することで公平な比較を実現しました。これにより得られた知見（例えば「GPT-5はMMで人間級だがPTで弱い」等）は、断片的なテストからは決して見えてこなかった包括的なものです。

　特にCAA指標の採用によって「偶然当たっただけ」を除外した厳密な実力比較が可能になった点は、評価の信頼性を大きく高めています。また、膨大なトークンを費やしてあらゆるケースを網羅的に調査したアプローチにも価値があります。

　1億～10億オーダーのAPIコールを実行するのは学術研究として極めて野心的ですが、そのコストを払ったからこそ「モデルを十分に走らせた上での結論」が得られました。

　言い換えれば本研究は、リソースと工夫を惜しまず投入することで、本来ブラックボックス的だった巨大モデルの得意・不得意を白日の下にさらした点が優れています。ケーススタディも含め、多角的な検証で結果の説得力を高めている点は評価すべきでしょう。

　さらに、提案した6分類のタクソノミーは、今後の研究コミュニティで共通言語として機能する可能性があります。他の研究者が新モデルを開発した際、「このモデルはPT能力が従来より向上している」等と議論できるようになるため、知見の集積・比較が容易になります。

　この標準化という貢献は地味に見えて非常に重要です。同様に、統一プロンプトや評価コード一式も公開されれば、追試や新提案の検証が迅速に行えるでしょう（Appendix AやBに詳細が記載されています）。総じて本手法は、空間知能研究の共通基盤を築いた点で学術的意義が大きいと考えられます。

この手法を既存のものと比較した優位性・劣位性

　優位性の一方で、本手法・本研究にも限界や課題がないわけではありません。まず優位性から述べると、前述の通り評価の網羅性と公平性が飛躍的に向上しています。

　従来は各ベンチマーク開発者がバラバラの条件で「うちのモデルが高スコアです」と主張していたものが、一堂に会して競うことで真のトップモデルが判明しました。また、人間の性能を比較軸に入れた点も重要です。

　SITEで人間正答率が60%台と低い一方、他は概ね90%以上と高いという事実から、そのタスク特有の難しさが浮き彫りになるなど、人間基準での難易度評価も行えています。こうした包括的分析は、既存手法では成し得なかったものです。

　一方、劣位性や今後の課題としては、まず評価に用いたデータセットが非常に新しく未成熟な点が挙げられます。8つのベンチマークの多くは2025年夏に相次いで公開されたばかりで、問題の妥当性や難易度設定が洗練されていない可能性もあります。

　また、一部のベンチマーク（例えばMindCube）では問題数が極端に多く、人間評価との直接比較に難しさがあります。本研究ではMindCubeから小規模セットを抽出するなど工夫していますが、依然としてデータセット側の質・量のばらつきは課題でしょう。

　ゆえに、モデル間比較の公平性は担保されても、「果たしてこれで空間知能の全てを測れているのか」という問いは残ります。現に、本研究がカバーした6能力以外にも今後必要とされる能力が出てくるかもしれません（例えば動的環境への適応力など）。そうしたタクソノミーの拡張性は今後検討が必要です。

　もう一つの課題は、モデルの思考プロセスそのものへの分析が十分ではない点です。本研究は主に出力の正誤に着目していますが、なぜ誤ったのか、モデル内部で何が起きたのかは部分的な観察に留まります。

　Appendix CではGPT-5の思考ログが示されていますが、それをどのように改善につなげるか（例：どんな誤解をしているのか）は今後の解析に委ねられています。言い換えれば、この手法は現状の把握には優れますが、改善の処方箋までは提示していません。

　ここが本質的な限界と言えるでしょう。ただし研究チームも「本報告が今後の研究の土台になることを望む」と述べており、今後はこの基盤の上で改善策を競うフェーズに入っていくと考えられます。

　最後に実用面で見ると、GPT-5は大規模モデルゆえに評価コストが非常に高く、本研究のような大規模テストは誰でも再現できるものではありません。そうした費用対効果の問題もあり、すべてのモデル開発者が本手法をすぐ採用できるとは限らないでしょう。

　しかしその点も、本研究が「まとめて検証」して公開した意義は大きく、他の研究者は同じ労力を払わずとも知見を享受できるというメリットがあります。

　以上を踏まえると、本手法は評価基盤として極めて有用でありつつ、今後の改良・発展の余地も残していると言えます。空間知能の評価は始まったばかりであり、本研究はその第一歩として大きな役割を果たしたと位置づけられます。

結論

　本稿では、「GPT-5は空間知能を達成したのか？」という最新研究の内容を詳しく見てきました。本研究の結論を改めてまとめると、以下の通りです。

　研究全体としては、空間知能というAI研究のフロンティアに対し、現状のトップモデルの立ち位置と課題を明確に示した点に意義があります。GPT-5という強力なモデルですら、子供レベルの空間直観に欠けることが分かった今、次なる目標は明確です。

　すなわち、どうすればAIに人間のような空間理解力を持たせられるのか。例えば、より高度な3D表現の内部モデルを組み込むのか、自己回帰型の試行錯誤プロセスを鍛えるのか、といった方向性が考えられるでしょう。

あとがき

　本研究が示したGPT-5の空間認識能力に関する詳細な評価結果は、AI技術の現在地を正確に把握する上で重要な指標となります。物体サイズの推定では人間レベルに到達しながら、視点変換や立体構成で基礎的な誤りを犯すという事実は、現行のニューラルネットワークアーキテクチャが持つ構造的な特性を反映していると考えられます。

　実用面から見れば、この研究結果は技術導入の判断材料として有用です。例えば、固定視点での物体認識が主となる品質検査システムには現状のGPT-5でも十分対応可能である一方、3次元空間での自律的な判断を要するロボティクス応用には、追加的な空間推論モジュールの開発が不可欠であることが明確になりました。

　研究チームが構築した6つの空間能力分類と統一評価プロトコルは、今後の研究開発における共通基盤として機能することが期待されます。

　空間知能の獲得がAGI実現への重要なマイルストーンであることを考えれば、本研究で明らかになった課題への取り組みが、次世代AI開発の方向性を左右することになるでしょう。技術の進展を注視しつつ、各組織における活用戦略を検討する時期に来ています。

　本稿を通して得られたアイデアや知識が、あなたのビジネスに少しでも役立つことを願っています。もし、本稿が参考になったと感じていただけましたら、ぜひ「いいね」や「フォロー」をしていただけると励みになります。今後も実践的なノウハウやAI最新動向を共有していきますので、引き続きお読みいただけると嬉しいです。

注記
　本稿は2025年8月に発表された研究論文を基に執筆しました。AI技術は急速に進化しており、本稿の内容は執筆時点での最新情報に基づいています。実務への適用を検討される際は、最新の技術動向と規制要件を確認することをお勧めします。

Appendix

　本論文の付録には、評価プロトコルや詳細な結果、ケーススタディ例が収録されています。それらの内容を以下に要約します。

References

　本稿の内容にさらに深い関心を持たれた読者のために、参考文献をいくつか紹介します。

Bai, J., et al., "Qwen-VL: A versatile vision-language model for understanding, localization, text reading, and beyond," arXiv preprint arXiv:2308.12966 (2023).
　本研究で評価された主要なオープンソースモデルの一つです。テキストと画像を統合的に扱うためのアーキテクチャ（ViTエンコーダとLLMを接続するアダプタ）を提案し、特に細かい粒度の画像理解（物体検出や文字認識）に強みを持っています。GPT-5との比較において、オープンソースモデルの進化の速さとその設計思想を理解するための好例です 。

Gemini Team, et al., "Gemini: a family of highly capable multimodal models," arXiv preprint arXiv:2312.11805 (2023).
　Googleによって開発された、本研究におけるGPT-5の主要な競合モデルです。テキスト、画像、音声、動画をネイティブに扱う「マルチモーダル・ネイティブ」な設計が特徴です。
　Ultra, Pro, Nanoという異なるサイズのモデルファミリーを展開し、複雑な推論からオンデバイスでの利用まで幅広い応用を目指しています。本稿の文脈では、最高峰のプロプライエタリモデル同士が空間知能という課題にどうアプローチしているかを比較考察する上で不可欠な文献です 。

Zhu, J., et al., "InternVL3: Exploring advanced training and test-time recipes for open-source multimodal models," arXiv preprint arXiv:2504.10479 (2025).
　もう一つの強力なオープンソースモデルです。従来の「テキストモデルを後から画像対応させる」アプローチではなく、最初からテキストとマルチモーダルデータを同時に学習させる「ネイティブ・マルチモーダル事前学習」を特徴としています。
　これにより、モデル内部での言語能力と視覚能力の統合がよりスムーズに行われることを目指しており、AIアーキテクチャの新しい方向性を示唆しています 。

⚠️　重要：ChatGPTを使いこなせる人は全体の3割以下
なぜか？「質問力」の差です。
実は、AIから10倍の価値を引き出す「問いの立て方」には科学的な法則があります。Googleが20%ルールで実証し、Amazonのベゾスも推奨する方法。全て『AI時代の最強スキル「好奇心力」』で公開中。
AIが瞬時に「答え」を返す今、勝負の分かれ目は「問い」にある。その秘密と明日の仕事で使える13の実践ツールを凝縮した拙著『AI時代の最強スキル「好奇心力」』もぜひチェックしてみてください。

「あなたの考え、もっと明快に伝えませんか？」
　発売から25年以上、思考法の"バイブル"として読み継がれる不朽の名著。本書は、コンサルティングの名門マッキンゼーで開発された思考の整理術「ピラミッド原則」の全てを解説します。
　結論から考え、根拠を構造化する技術を身につければ、あなたのレポートやプレゼンは劇的に分かりやすくなります。複雑な問題をシンプルに捉え、説得力を飛躍的に高める一生モノのスキルがここに。
　時代や職種を問わず、全てのビジネスパーソン必読の一冊です。

　問いの本質を見抜き、現状把握→課題抽出→解決策立案という3ステップを体系化。戦略ファームの面接対策にも通用する“本質的な論理思考”を事例と演習で鍛える構成が特長です。35万部超の「東大ノート」シリーズ最新作。
「コンビニの売上を上げるには？」といった実践的なケース問題を通し、単なる知識やフレームワークではなく、物事の本質を見抜く「思考のプロセス」そのものを徹底的に鍛えます。
　単なる知識ではなく、一生使える「考える力」を手に入れたい方に最適。就活生からベテランビジネスパーソンまで、思考力を次のレベルに引き上げる必読書。

なぜ高学歴者が詐欺に遭い、専門家が初歩的なミスを犯すのか？本書は「知性が高いほど陥りやすい思考の罠」という衝撃的な真実を科学的に解明します。
著者ロブソンは、ノーベル賞受賞者の失敗から医師の誤診まで豊富な事例を分析。IQや学歴だけでは防げない「認知バイアス」の正体を暴きます。自分の知識を過信し、批判的思考を怠ることで、むしろ賢い人ほど大きな過ちを犯しやすいという逆説。
本書が提示するのは単なる警告ではありません。「メタ認知」「知的謙虚さ」など、真の賢さを身につける具体的方法も満載。ビジネスでの意思決定、投資判断、日常生活まで、あらゆる場面で役立つ実践的な知恵が詰まっています。
「自分は大丈夫」と思っている人ほど読むべき一冊。知性の限界を知ることで、本当の知性が身につきます。

生成AI時代の羅針盤となる決定版。東京大学松尾・岩澤研究室が総力を結集し、生成AI最新動向を徹底解説。ChatGPT登場以降、急速に進化する生成AI技術の現在地と未来を、日本を代表するAI研究者たちが包括的に分析しています。
2025年3月刊行、技術の核心からビジネス活用、国内外の法規制、そして安全性に至るまで、今知るべき情報を網羅的に解説。AIエージェントやマルチモーダル化といった最新トレンドも押さえています。
生成AIビジネスに関わるすべての方にとって必携の一冊。激動するAI業界で確かな判断を下すために、信頼できる情報源です。