AIは、学習を終えた後でも、一つの問題に使う計算量を増やせる。途中の推論を展開する、複数の解答を作る、候補を検証するといった処理である。この推論時の計算量の使い方が、回答の質と費用を左右する。
一度で答える以外の方法
数学の問題なら、条件を整理し、補助的な計算を行い、候補の答えを元の式へ代入できる。コードなら、複数の実装を試してテストを実行できる。一つの出力をそのまま採用するより、誤りを発見する機会が増える。
計算量を増やす方法には、一本の推論を長く進める方法と、複数の候補を並行して作る方法がある。どの候補を選ぶかを決める検証器の性能も、最終結果に影響する。
考える時間は、問題に合わせて配る
単純な言い換えに長い探索を行っても、得られる改善は小さい。難しい問題では、追加の計算が役立つ場合がある。推論時の計算量に関する研究は、問題の難しさとモデルの能力に応じて、計算資源の配分を変える意義を示している。
同じ時間を使う場合でも、同じ誤りを繰り返す候補を増やすより、異なる方法を試し、結果を検査できる方が有利になる。出力の長さだけで、検討の質を判断することはできない。
追加計算で埋まる不足と、埋まらない不足
途中計算の省略や探索不足は、追加の計算で改善し得る。最新の観測値や未公開の資料のように、入力にも学習にもない情報は、考え続けるだけでは取得できない。情報収集や実験が必要になる。
実際の運用では、正答率、待ち時間、費用を一緒に測る。誤答を自動で見つけられる課題では計算を積み増しやすい。評価基準が曖昧な課題では、長く考えた回答を誰がどう判断するかも設計する必要がある。
「長く考える」は人間の内省と同じ仕組みを意味しない。ここでは、回答を作るまでに実行する計算や探索を増やすことを指す。
参考資料
参考資料確認日：2026年10月13日。