AIの「学習の死角」とは? 解決済み・未解決のゲームから考えるエンジニアの価値| Qbook

カテゴリで絞り込む

トレンドワード

テストツール
more
AI仕様書インスペクションツール
テスト自動化ツール
テスト管理ツール
生成AIテスト設計ツール
テストケース生成ツール
Qbookについて
Facebook x

〈

〉

AIの「学習の死角」とは? 解決済み・未解決のゲームから考えるエンジニアの価値

AIの「学習の死角」とは? 解決済み・未解決のゲームから考えるエンジニアの価値
AI・生成AI

更新日:

2026.11.20
x hatenabookmark
0

執筆: 大木 晴一郎

ライター

AIが将棋やチェス、囲碁のトッププレイヤーを圧倒するニュースは、もはや日常の風景になっているのかもしれません。「もうAIがゲームを完全に解き明かしてしまった」と感じている方も多いのではないでしょうか。しかし、実はAIが人間より強いことと、ゲームが数学的に「解けた」こととは、まったくの別物なのです。チェッカーのように「解決」されたゲームがある一方、将棋やチェス、囲碁は初期局面からの理論的な結果がまだ確定していません。そして、超人的な強さを誇るAIにも、判断を誤る「死角」があることが研究で示されています。そこで今回は、解決済み・未解決のゲームを手がかりに、AI時代を生きるエンジニアの価値や役割について考えてみたいと思います。

もくじ
  1. 「AIが強い」のと「ゲームが解けた」は違う!?
    1. 将棋、チェス、囲碁は「数学的にはまだ解かれていない」
    2. 「解決済みゲーム」とは何か
    3. 実戦での強さは、完全な最善手の保証ではない
  2. 「解決済みゲーム」はこれだ!
    1. 有名な解決済みゲームは存在する
    2. チェッカーの「答え」は?
    3. オセロの「答え」は?
    4. 五目並べの「答え」は?
    5. 解けたら終わりか?
  3. 未解決ゲームに残る「スキ」は、AI時代のエンジニアに何を教えるのか?
    1. 「囲碁AIに"圧勝"した男」は存在する
    2. 膨大な組み合わせと、AIの判断の限界
    3. 「正解を出す力」に加え、「死角を見つける力」が重要になる
  4. まとめ

1.「AIが強い」のと「ゲームが解けた」は違う!?

1-1.将棋、チェス、囲碁は「数学的にはまだ解かれていない」

AIが将棋、チェス、囲碁で人間のトッププレイヤーを打ち負かした......というニュースを目にする機会は、今や珍しくない光景になっていると感じている方も多いと思います。2016年にはGoogle DeepMindの囲碁AI「AlphaGo」が、韓国の棋士・李世ドル九段との五番勝負で4勝1敗の圧勝を収め、世界に衝撃を与えました。囲碁は長年にわたって「コンピュータには難しい」とされてきたゲームだったため、この出来事は今後、AIの歴史における大きな転換点として語り継がれることになるでしょう。

こうした話を聞くと、「もうAIが将棋やチェス、囲碁で人間を大きく上回る時代になったんだ」という印象を受けるかもしれません。ただし、人間を上回る強さを持つことは、ゲームが数学的に解決されたことを意味しません。

将棋やチェス、囲碁の世界で、AIは圧倒的な強さを示し始めています。もはや簡単に人間が勝てるレベルではなくなってきていますが、それでも、完全に解かれたとはいえない状況なのです。

近年の強いゲームAIは、ゲームの「正しい答えをすべて知っている」からとか、「手筋をすべて読める」から強いわけではありません。例えば、学習した評価と探索を組み合わせる方式では、過去の棋譜や自己対局を通じて局面の評価を学び、探索によって有力な手を絞り込みます。こうしたAIは「統計的にそれっぽい手」を出すだけではなく、学習と探索を組み合わせて高い性能を実現しています。ただし、AIの方式や学習方法はゲームやシステムによって異なります。

つまり、実戦で高い勝率を示すことと、すべての局面で数学的な最善手を保証できることは、別なのです。

ソフトウェア開発のQA(品質保証)の世界に置き換えてみましょう。多くのテストや運用実績で問題が見つかっていないことと、明示した前提の下で特定の性質が成り立つと証明されていることは、異なります。十分な実績があっても、未確認の条件で問題が起きないとは限りません。一方、形式的な検証も、対象とした性質や前提の範囲を明確にする必要があります。ゲームAIでも、実戦での強さと、理論上どこまで保証できるかを分けて考えることが重要です。

1-2.「解決済みゲーム」とは何か

では、ゲームが数学的に「解けた」とはどういう状態を指すのでしょうか。解かれたゲームのことを「解決済みゲーム(Solved Game)」といいます。ここで扱うような二人で対戦するゲームでは、双方が理論上の最善手を選んだ場合に、初期局面からの結果が「先手の勝ち」「後手の勝ち」「引き分け」のどれになるか、証明されていることが基本になります。

ただし、「解決済み」といっても段階があります。初期局面の理論的な結果だけが分かっている段階は「超弱解決」です。「弱解決」では、その結果に加えて、初期局面からその結果を確保する戦略も示されています。さらに「強解決」では、到達可能なすべての局面について、最善の対局をした場合の結果が確定しています。チェッカーや標準的な8×8のオセロ、特定のルールの五目並べは、弱解決の例として紹介できます。

弱解決は、初期状態から理論的な結果を確保する方法が分かっている状態です。相手が最善手から外れた場合にも、その結果以上を確保できる戦略を含みます。一方、強解決では、初期状態からその戦略をたどらない局面も含め、到達可能なすべての局面を対象にします。

開発の現場でも、どの範囲を確認したのかを明確にすることが大切です。ただし、テストケースを多数実行することと、ゲームを数学的に解決することは同じではありません。ゲームの解決では、調べた局面の数だけでなく、どの範囲の結果や戦略が理論的に確定したのかによって、超弱解決、弱解決、強解決、あるいは未解決という区別が生まれます。

1-3.実戦での強さは、完全な最善手の保証ではない

すべての到達可能な局面について最善の対局結果が確定しているシステムと、学習や探索によって実戦で有力な手を選ぶAIでは、保証できる範囲に違いがあります。前者では各局面の理論的な結果を踏まえ、その結果を確保する手を選べます。後者も非常に強くなれますが、すべての局面で理論的な最善手を選ぶとは限りません。

ポーカーや麻雀のような「相手の手が見えないゲーム=不完全情報ゲーム」はもちろん、将棋やチェス、囲碁のように全情報が開示されている「完全情報ゲーム」でも、現状のAIは、ゲームによっては人間を圧倒しても、理論上の完全解を持つとは限りません。

新しいAIや、より多くの計算資源を使った分析によって、従来の局面評価が見直されることもあります。人間より強いAIであっても、その分析結果を数学的に保証された答えとして受け取ることはできないのです。

2.「解決済みゲーム」はこれだ!

2-1.有名な解決済みゲームは存在する

人間による研究やコンピュータの計算によって、理論的な結果が確定したゲームはあります。例えば、チェッカー、標準的な8×8のオセロ、特定のルールの五目並べです。これらの研究では、探索アルゴリズム、枝刈り(結果に影響しない分岐の省略)、データベース化、計算資源の投入などが活用されています。ここでは、どのように解決にたどり着いたのかを見ていきたいと思います。

2-2.チェッカーの「答え」は?

チェッカーは、駒を斜めに動かして相手の駒を取る、西洋の伝統的なボードゲームです。「ドラフツ(draughts)」とも呼ばれ、盤面やルールの異なる種類があります。2007年にカナダ・アルバータ大学のジョナサン・シェーファー教授率いる研究チームが弱解決したのは、8×8盤で行う英米式チェッカーです。

この解決に費やした年月は18年。研究チームは1989年からプログラム「Chinook」の開発をはじめ、長年にわたって計算を続けました。原論文によると、ピーク時には200を超えるプロセッサが投入されています。チェッカーの局面数は約5垓(5×10の20乗)という天文学的な規模です。しかし研究チームは、探索する分岐を絞り込み、終盤の局面から逆算して結果を確定させる「レトログレード解析」などを組み合わせることで、この難題を乗り越えました。18年かかって到達した結論は「先手と後手が互いに最善を尽くした場合、ゲームは引き分けになる」というものでした。

注目すべきは、チェッカー用AI「Chinook」が1990年代にすでに人間のトッププレイヤーに匹敵する強さを持っていた点です。つまり「対戦に強いAIを作る」ことと、「ゲームを数学的に解く」ことは、いわば"別モノ"であり、そこから証明に到達するまでに、さらに長い年月と膨大な計算が必要なことがこの段階で示されていました。

2-3.オセロの「答え」は?

「覚えるのは1分、極めるのは一生」というキャッチコピーで知られるオセロにも、近年、衝撃的なニュースがありました。2023年10月、日本人研究者の滝沢拓己氏が論文「Othello is Solved」を発表し、標準的な8×8のオセロについて「双方が最善を尽くした場合、引き分けになる」と計算によって示したのです。

この論文で報告されたのは「弱解決」です。初期局面の理論的な結果が引き分けであることに加え、相手の指し手にかかわらず、少なくとも引き分けを確保する戦略が示されています。ただし、到達可能なすべての局面を対象にした「強解決」とは異なります。

オセロの総局面数は約10の28乗と、チェッカーを超える規模です。一見シンプルな8×8の盤面でも、完全解析(強解決)は容易ではありません。オセロのケースで見えてくるのは、計算資源の多さだけでなく、「探索の工夫が結果を左右する」という事実です。無駄な枝を切り落とし、意味のある分岐だけを追う作業をどうするか、何をどう選ぶかが重要になってきます。オセロの場合は、アルファベータ探索という手法が用いられています。なんだか、複雑な仕様の中から本当に重要な条件だけを見つけるQAエンジニアの仕事にも通じているような気もしますね。

2-4.五目並べの「答え」は?

なじみ深い「五目並べ」は、ルールの違いに注意が必要なゲームです。15×15盤で、禁手や特別な開局規則を設けない五目並べの特定のルールでは、先手必勝が計算機研究で示されています。1993年の研究発表では、プログラム「Victoria」が先手で勝ちを確保する戦略を示しています。盤面の大きさや、6個以上の石が並ぶ「長連」の扱い、最初の打ち方に関する規則が変われば、同じ結論をそのまま当てはめることはできません。

五目並べの先手の有利さは、古くから研究されてきました。黒岩涙香が高山互楽の名で著した『聯珠真理:一名・五目並べ先手全勝法』も、その歴史を知る資料のひとつです。

先手必勝が示されたルールでは、後手がどのように応じても、先手が正しい戦略を選び続ければ勝ちを確保できます。こうした先手の有利さに対処するため、競技としての五目並べ「連珠(れんじゅ)」では、先手に対して「三々(さんさん)の禁止」といった禁手を設けるなど、ゲームバランスを保つ工夫がなされています。

そのため、連珠は競技ルールとして独自の体系を持っており、禁手のない五目並べと同じ条件で扱うことはできません。日本連珠社も、禁手などを定めた基本ルールだけでは先手の有利さが解消されず、序盤の打ち方を定める「開局規定」が整備されてきたと説明しています。現代の競技ルールを論じる場合は、どの基本ルールと開局規定を対象にしているのかを明確にする必要があります。

これは興味深い状況だと思います。ソフトウェア設計でも同じで、最初に置いた前提のわずかな違いが、後から全体の難易度や品質を大きく左右することがあるからです。ルール設計の難しさを感じさせられます。ほんの少し条件を変えるだけで、先手・後手の有利不利が変わったり、解析の難度が跳ね上がったりするわけです。

2-5.解けたら終わりか?

ゲームが「解けた」瞬間に、そのゲームの研究対象としての魅力は消えてしまうのでしょうか。初期局面の理論的な結果を確定するという研究目標は、一段落します。しかし、そこで得られた探索手法や知見は、別の問題を考える手がかりにもなります。解決済みのゲームでも、強解決や、より少ない計算資源で戦略を実行する方法など、新たな研究課題が残ります。

また、「解けた」からこそ次の問いも生まれます。ルールを一部変更したらどうなるか、盤面を大きくしたらどうか、部分的な情報しか見えないならどうか。解決は終点であると同時に、新しい探索の出発点でもあります。

プレイヤーとしての面白さがなくなるわけでもありません。人間が理論的な戦略を簡単に実行できるとは限らないうえ、遊び方を変える楽しさもあります。面白い事例がオセロにあります。

オセロでは、弱解決が発表される前から、人間のトッププレイヤーを上回る強さのソフトウェアが登場していました。一方、2019年に話題となったのが、勝つこととは逆の目的で作られた「最弱オセロ」です。開発元は、AI側の負け率が99%とうたっています。

すると今度は、「最弱オセロ」にどうやって負けるかという挑戦が、SNSや動画などで注目されました。人は楽しいことを見つけ出すのが上手いようです。「最弱オセロ」の開発元ページと、開発者へのインタビュー記事を下で紹介します。

3.未解決ゲームに残る「スキ」は、AI時代のエンジニアに何を教えるのか?

3-1.「囲碁AIに"圧勝"した男」は存在する

解決済みゲームが存在する一方で、将棋やチェス、囲碁をはじめ、初期局面からの理論的な結果が確定していないゲームは数多くあります。ただし、ゲームが未解決であること自体が、AIの弱点を意味するわけではありません。注目したいのは、実戦で非常に強いAIでも、あらゆる局面で正しい判断を保証できるとは限らないという点です。この違いには、エンジニアにとって重要な示唆が含まれている気がします。

超人的な強さを持つ囲碁AIにも、特定の局面で弱点が見つかった事例があります。2023年に報じられた研究では、研究チームのアマチュア有段者が、AIの弱点を突く戦略を使い、KataGoを用いた対局相手に特定の条件で15局中14局の勝利を収めました。研究者が訓練した攻略用AIの戦略を人間が学び、実行したものです。一般的なアマチュアが通常の対局で総合的な棋力を上回った、という意味ではありません。

注目すべきは、通常の対局で総合的な棋力を上回ったというより、AIが誤判断しやすい局面を作る戦略が奏功したという点でしょう。この事例では、石の集団が別の集団を囲むような特殊な形で、AIが石の生死を誤って評価する弱点が利用されました。高い平均的な性能を示すAIであっても、学習や評価で十分に扱われていない条件では、予想外の誤りを起こすことがあります。ただし、この事例をすべてのAIやすべての未知の局面に一般化することはできません。

この事例は、ソフトウェアテストの現場と似ていると感じた方もいらっしゃるのではないでしょうか。通常の入力では問題なく動きます。よくある操作では正常に完了します。しかし、特定の順番で操作したときだけ不具合が発生します。こうしたケースは、まさに「あるある」の世界です。発生頻度が低くても、起きると重大な影響を与える条件を見つけることは、エンジニアの腕の見せどころのひとつです。AIについても、普段の性能だけでなく、どの条件で誤りやすいかを確認する視点が大切になりそうですね。

3-2.膨大な組み合わせと、AIの判断の限界

なぜ将棋やチェス、囲碁は、これほど技術が発展した今でも「未解決」のままなのでしょうか。大きな障壁のひとつは、条件や手順の組み合わせが急激に増える「組み合わせ爆発」です。局面数は定義や推定方法によって幅がありますが、チェッカーは約5×10の20乗、オセロは約10の28乗と推定されています。将棋やチェス、囲碁も非常に大きな探索空間を持ちます。

現在の計算資源では、こうしたゲームの全局面を力まかせに調べるのは現実的ではありません。探索する範囲を絞る工夫や、問題の性質を利用する手法が重要になります。ただし、全探索が難しいことだけで、別の方法による証明まで不可能と決まるわけではありません。膨大な探索空間は、理論的な結論を確定するうえで大きな障壁になっています。

一方、AIの判断の信頼性は、ゲームを解くための計算量とは分けて考える必要があります。実戦で高い性能を持つことだけでは、特殊な条件でも誤りを起こさないという保証にはなりません。

ITの世界でも、条件の組み合わせの多さと、確認できた範囲を意識することは大切です。システムが大きくなるほど、すべての組み合わせを人力で確認し、テストすることは難しくなります。OS・ブラウザ・端末・ネットワーク・権限・データ量・外部APIの状態......条件の掛け算はすぐに、人間の手に負えない規模になります。

だからといって、AIの出力をそのまま受け入れるだけでは不十分です。AIが扱っている範囲はどこまででしょうか。十分に学習・評価されていない条件はないでしょうか。評価指標に含まれていないリスクはないでしょうか。ゲーム研究で結果の保証範囲を明確にするのと同じように、エンジニアも「まだ確認できていない部分」を意識して検証を続ける必要がありそうです。

3-3.「正解を出す力」に加え、「死角を見つける力」が重要になる

AIが多くの作業を支援できるようになるほど、エンジニアには「答えを速く正確に出す力」に加え、「AIやシステムが見落とす死角を見つける力」が求められるのかもしれません。仕様の抜け漏れ、設計における暗黙の前提、テストのカバレッジの隙間、運用時の想定外の操作----表面的には上手く動いているものに対して「本当にそうか?」と問い直す力が、これからも重要になっていく気がします。

しかし、これはAI時代に突然生まれた新しい役割ではありません。バグを見つける、再現条件を絞る、ログの違和感に気づく、設計レビューで抜けを指摘する、障害後に「なぜ監視が反応しなかったのか」を問い直す......エンジニアリングの現場は、ずっと「見落とし」との戦いだったのではないでしょうか?

AIが定型的な作業や解決策の候補の提示を支援するようになったからこそ、人間は、その妥当性や見落とされた条件の検証に力を注げます。もちろん、AIの支援によってそのための時間を確保できるかどうかは、使い方や業務の設計にもよります。AIが強くなっても、課題を定義し、必要な条件を見極め、結果を検証する人間の役割は残ります。AIの出力を活用する力と、死角を見つける力の両方を磨くことが、エンジニアの価値につながっていくのではないでしょうか。

まとめ

AIが人間より強いことと、ゲームが数学的に解けていることは別物です。チェッカーやオセロのように弱解決が報告されたゲームがある一方、将棋やチェス、囲碁では初期局面からの理論的な結果が確定していません。また、ゲームの解決状況とは別に、実戦で強いAIにも判断を誤る死角が見つかることがあります。エンジニアに求められるのは、正解を速く出す力に加え、AIやシステムがどの範囲まで確かめられているのかを見極め、見落とされた条件について仮説を立てて検証する力です。それは、AI時代にも続くエンジニアの仕事の本質なのかもしれません。

関連記事

お役立ち資料

ソフトウェアテスト効率化 カオスマップ(2026年版)

ソフトウェアテスト効率化 カオスマップ(2026年版)

ソフトウェアテスト効率化カオスマップは、ソフトウェアテストに関連するサービスを提供する事業者や、テスト自動化ツールをはじめとした各種ツール・サービスについて、独自の調査をもとに整理・分類したものです。テスト効率化や品質向上を検討する際に、現在利用可能な選択肢を俯瞰し、自社に適したサービスやツールを検討するための参考資料としてご利用ください。

テスト計画プロセス/テンプレート(ISO/IEC/IEEE 29119対応)

テスト計画プロセス/テンプレート(ISO/IEC/IEEE 29119対応)

ISO/IEC/IEEE 29119(以下、29119規格)に対応したテスト計画に関するテンプレートを公開しています。「テスト計画」とは、テストの設計、実装、実施、管理といった、テストのすべての指針を定めるものです。ぜひ、実務での計画立案にご活用ください。 >「テスト計画」テンプレートの書き方 ポイント解説(29119規格対応)

ソフトウェアテスト実施はじめてガイドブック

ソフトウェアテスト実施はじめてガイドブック

実際に「テスト実施」・「不具合報告」をする際の正しい流れを解説したガイドブックです。ソフトウェアテストを初めて実施する人に向けて、その作業内容や用語、心構えをまとめています。

テストツール

テストのプロであるQbook監修の講師陣が提供する

Qbookの品質教育サービス

もっと見る

開催中の講座

一般向け

これから学びたい方・スキルアップを目指す方

テストのプロが監修した、様々なテーマに沿ったセミナーを随時開催。誰でも参加可能で、最新情報を学べます。

企業向け講座

企業向け

社員教育をご検討中の方

事前ヒアリングに基づき、9つのテーマ、20を超える講座をベースにお客様の品質課題に合わせたカリキュラムをカスタマイズしご提案・ご提供します。

eラーニング

一般向け

資格・試験対策をしたい方

独学だけでは理解しづらいテストの要点をeラーニングで解説。資格取得に向けてサポートいたします。

バルデミー

企業向け

社員教育をご検討中の方

オンライン学習と演習を組み合わせた、より実践的で質の高いソフトウェアテストのオンライン教育プログラムです。