Gemini 3、数学で人間越えを達成か？既存モデルを圧倒する性能に驚きを隠せない！

ここからGemini 3の開発者向け情報と、新しいチャットのプロンプトを見れるよ！
https://blog.google/technology/developers/gemini-3-developer…
https://aistudio.google.com/prompts/new_chat?model=gemini-3-…

好奇心から、2025年11月16日に公開されたばかりの最新のProject Euler問題をGeminiに与えてみたんだけど、多分トレーニングデータには入ってないはず。
Geminiは5分10秒考えて、正しい答えを出すPythonのコードをくれたんだ。リーダーボードによると、この問題を解いた人間の中で一番速い3人は、それぞれ14分、20分、1時間14分かかってるらしい。もちろん、こういう問題はモデルがRLチューニングされてる分布内にあると予想はしてたけど、フロンティアモデルが数分で解いちゃうなんてすごい！俺なら何日もかかるような問題をさ。

俺もGemini 3 Pro Previewを使ってみたよ。271秒、つまり4分31秒で終わったんだけど、残念ながら答えは間違ってたんだ。
しかも、StackExchange.comとかYouTube.com、Mpmath.org、Ncert.nic.in、Kangaroo.org.pkみたいな8つの“ソース”を返してきたんだよ。ウェブ検索は使うなって明確に言ったのにさ。でも、それでもまだ役立つツールではあるな。洞察の大部分は確実に捉えてるし。プロンプトはこれだよ: https://aistudio.google.com/app/prompts?state=%7B%22ids%22:%…

Gemini 3が数学で他のフロンティアモデルよりはるかに先行してるってことは、モデル自体についてもっと一般的なことを教えてくれてるのかもね。
MathArena Apexで23.4%を記録したんだ。Gemini 2.5 Proの0.5%、Claude Sonnet 4.5の1.6%、GPT 5.1の1.0%と比べると、これは段階的な進歩じゃなくて、劇的な変化だよ。ただのデータ増や計算能力アップじゃなく、新しい発見があったってこと。数学でこれだけ成功するには、ただ確率的に生成するだけじゃなくて、検証可能な探索が必要なんだ。
自分がやってることを検証して、間違いを見つけたら検知して、別のアプローチを試すために立ち戻る必要があるってこと。SimpleQAベンチマークも、我々が研究のブレイクスルーを見てる可能性を示唆してる。データや計算能力が増えただけじゃないんだ。Gemini 3 ProはGPT-5.1の2倍以上の信頼性（72.1%対34.9%）を達成したしね。これは段階的な利得じゃなくて、幻覚を減らす面での飛躍的な変化だよ。
そして、これこそが、確率的トークン予測から検証済み探索、つまりより良いエラー検出とエラー発見時のバックトラッキングへの根本的なシフトがあった場合に期待されるものなんだ。それが数学での突出した性能、信頼性、さらにはGUI操作（ScreenSpot-Proで72.7%対GPT-5.1の3.5%）を説明できるのかもしれないね。

公平に言って、モデルが高いEloスコアを出すのは、単純に速いからってのも大きいよ。十分な時間があれば、多くの真面目な競技プログラマーは同じかそれ以上の結果を出せるだろうし。
でも、この結果を見ると、今世紀末までには、これらのパズルに対してStockfishがチェスに対してそうであるようなものが登場しても驚かないね。つまり、事実上のグラウンド・トゥルースであり、人間が妥当な時間制限内で見つけるのは絶対不可能だろうなっていう解法をしばしば編み出すようなものがさ。

もし誰か、そんな「ground truth」かつ「absolutely ridiculous」な解法の例を挙げてくれたら嬉しいな！たとえ賢い人間が作るのに長い時間がかかったとしてもさ。そんな楽しいプログラミングコードを探求してみたいし、知識豊富な人間が「ground truth」であり「absolutely ridiculous」だと考えるものが、通常の時間制約内でどういうものなのかも知りたいんだ。

俺、うまく説明できてなかったね。Stockfishは超人的なチェスプログラムなんだ。チェス分析では「ground truth」として日常的に使われてるんだよ。もしStockfishがミスをしたと言ったら、まず間違いなく実際にミスしてる[0]。それに、最高の人間と比べても比べ物にならないほど強いから、たまに提案する手がものすごく直感に反してて、大会の状況で人間が見つけるのは現実的じゃないんだ。
もちろん、一般的なソフトウェア開発はもっとオープンエンドだけど、パズルや競技みたいに閉じたゲームのような環境に限定すれば、そのタスクでRLしまくったエージェントシステムなら、似たようなスキルレベルを達成できるのはありえそうだよ。もしそこまで行ける基盤モデルがあるなら、たとえ一貫性がなくても、試行回数を多くするのが安上がりな環境なら、RLが月まで、いやそれ以上最適化できるような設定になるんだ。俺は未来を予測しないし、そう主張する人には懐疑的だよ。現在を正しく予測するのだって難しいのにさ。ただ、これまでの進歩を考えると、数年でそんなシステムができる可能性は十分あるって言ってるだけ。それがどんな見た目になるかの詳細は俺の給料じゃわかんないな。
—
[0] エンドゲームやクローズドポジションとかでは注意が必要だけど、あくまで例として使ってるよ。

今までの経験から言うと、一発芸みたいな効果は限界があるんだよな。数十万トークンの長いコンテキストで複雑なことをやらせると、どのモデルも同じようにボロボロになる。Sonnet 4.5を1Mトークンで使っても、1万行以下のコードベースでさえ混乱し始める。みんな大きな進歩を主張してるけど、これって企業の宣伝じゃないか？俺がGemini 3にHome Assistantの簡単なYAML問題（3～5行で済むやつ）を頼んだら、見事に失敗したよ。まだ人間は安泰だと思うね。

そうそう、ゲーム分析だと、AIが悪いって言ったGMの手が実は良い手だったって言われることあるよね。でも、そういうのって超特殊な状況でしか起きないんだよな。

Terrence Taoがね、一般の人からの貢献って結局、チェックの手間の方がメリットを上回るから逆効果だって主張してるんだ。
「ほとんどの研究プロジェクトで、一般の人からの意見は助けにならない。実際、エラーチェックに時間がかかるだけだ。」
最先端のLLMもドジなミスをするから、彼らが時々すごいと思われても、結果的にマイナスになる’エラーを犯しやすい数学者’のカテゴリーに入るかもね。
参照元: https://www.youtube.com/watch?v=HUkBz-cdB-k&t=2h59m33s

一般的に、俺は経済のあらゆる分野で生産性を上げることに全面的に賛成だよ。

リクエストされたプロンプトが存在しないか、アクセス権がないよ。
もしリクエストが正しいと思うなら、まずAI StudioにGoogle Driveへのアクセスを許可して、それからオーナーにプロンプトを共有してもらうように頼んでみてね。

最初はジョークかと思ったよ。人のプロンプトを実行するのにDriveへのアクセスが必要なんだって。マジか。

AIのせいで何百万もの子供がカンニングして、多くの大人が読書や思考の代わりにGPUを使ってるのを見るよ。責任を持って学習に使ってる人は0.001％くらいだね。お前は本当に馬鹿だよ。

AIは素晴らしい学習ツールだよ、まずね。何を得られるかは、何を投入するか次第だ。
1800年代初頭に織物工場を破壊したラッダイト（Luddite）を知ってるかな？知らなければ: https://en.wikipedia.org/wiki/Luddite
ラッダイトは悪評が多いけど、技術進歩は止められないのが現実だよ。問題のあるテクノロジーがあっても繁栄する方法を見つけて、人を搾取するシステムに挑戦すべきで、ツールを攻撃するのは違うよ。

みんなの生活水準を上げるためだよ。

君への長い返信がフラグ立てられて消えちゃったから、ここに投稿するね。新しいユーザー名をつけさせてあげて嬉しいけど、他人に影響されると脳が焼かれるって心配しないの？
LLMが一部の人にしか価値がないって言うけど、そんなものは世の中にたくさんあるよね？放射線技師がAIを使うのは脳を焼くことじゃないの？世界は変化するんだから、それに合わせて変わる方が面白いし、挑戦的だよ。
俺はソフトウェア開発でLLMが新しい可能性を開いてくれた。君が言ってた依存も、オープンウェイトモデルを使えば問題ない。俺の経験から、LLMは建設的で生産的な使い方をすれば多くの人に広がると思うよ。

それって、プレイヤーが相手の傾向を理解して最適なプレイをさせないようにしてるの？それとも機械の分析自体に欠陥があるの？

技術のせいで人がクビになるのと、どう折り合いをつけるんだい？

一般人と違ってAIモデルは訓練できる。一般人を訓練したら専門家になるから、もう一般人じゃないよね。

これ、俺が書いたんだけど、LLM使いすぎて話し方まで似てきたかな？
俺の文章スタイルを攻撃したり、悪意をほのめかしたりするんじゃなくて、ちゃんと根拠のある議論をしてほしいね。Hacker Newsでいいコメントをするには、これ見てみて: https://news.ycombinator.com/item?id=38944467

君の返信に敬意を表して、誠実に答えるよ。
一部の人にしか恩恵がないものについてどうしたいかって？銃や車みたいに、規制すべきものはたくさんあるだろ。オープンで自由な社会なんて、資本家が搾取するためのデタラメだよ。
教室のコンピューターはair-gapにして、LLMを使った課題は剽窃で退学にすべきだ！LLMはただの剽窃ロンダリングマシンだよ。
COVID時のマスクが子どもの言語発達に影響したように、LLMも子どもの脳に予測不可能な悪影響を与えるはずだ。読む、考える、情報を処理する努力を奪っちゃダメだよ。俺自身、中年だけどもう影響を感じてる！
放射線技師がAIに置き換わるのはいい。危険な工場労働者が置き換わるのもいい。でもLLMは違う。社会全体の利益にならないし、不平等を広げるだけだよ。
子ども世代でAIの世界的実験をするのは反対だ。ソーシャルメディアやポルノから何も学ばなかったのか？
Uberが月20ドルで乗り放題になったら、みんな短距離でも使うだろ？無限ピザ機があったら、みんな太るだろ？表面上は良く見えても、長期的に社会には最悪なんだよ。
LLMのモラルハザードは山ほどある。学習や労働以外にもね。AI企業は自分たちの利益のために「ゲームチェンジャー」だと言ってるだけだ。昔の占星術師とAI企業は何も変わらないよ。LLMはDunning Kruger剽窃ロンダリングマシン。テック億万長者に支配された、テキスト押し出し機だよ。

俺の街Londrinaの歴代市長リストを尋ねると、ほとんどのモデルは間違えるんだ。オフラインモデルは全部ダメ。でもGemini 3だけは、弾劾された人まで含めて正確にリストアップしたんだよ。Wikipediaにある情報なのに、ほとんどのモデルはLondrinaみたいな「どうでもいい都市」の情報を正しく扱えないみたいだね。
ポルトガル語で「Londrinaのクールな観光スポット」って聞いても、99%正確だった。他のモデルがデタラメな情報を作るのと大違いだよ。桜とイペ（似てる）を混同した可能性はあるけどね。なんか、視覚的な理解があるみたいだね、俺の意見では。

今後の読者のために文脈をはっきりさせるね。今一番新しい問題は#970だよ: https://projecteuler.net/problem=970

モデルは修正を学べず、セッション内でも後退し続けるんだ。止める方法が見つからないよ。70%正しくて30%間違ってても良いって、まるで自動運転みたいだね。統計的には人間より優秀なことが多いけど、全ての人間に勝るわけじゃないし、間違える時は信じられないくらい基本的なミスをするんだから驚く。モデルサイズとデータが増えれば98%は正しくなるかもだけど、出力の信頼度表示が絶対欲しいな。ゴミも真珠も同じに見えるのは、何も無いより危険だよ。

これはすごいね。古いXMLを渡したら、Geminiは1分足らずで動くWebアプリを作ったんだよ。https://aistudio.google.com/app/prompts?state=%7B%22ids%22:%… 僕は何年もかけてXMLからAndroidやJava Swingアプリを作るコンパイラを開発したのに。Geminiはフォーマットの説明なしに同じことを短時間でやってのけた。Lovableでも試したけど、うまく動かなかったし、すぐにクレジットを使い果たしちゃった。これは別次元の体験だったね。

これこそLLMが得意なタスクだよね。フォーマット変換とか定型文を作るのが得意なんだ。でも、要件を自分で決めたり、新しいアルゴリズムを開発するみたいな独自の研究は苦手だよ。

それって、コーディングの90%を言い表してるだけじゃん。

結局、LLMにはやる気も自己規律も必要ないってこと。これは今、ソフトウェア開発の最大のボトルネックだと思うな、要件とかの次だけど。

LLMはもっと大きな記憶、あるいはより深い事実のスタックを持ってる感じだね。たくさんの情報源を素早く探して、より多くの知識で解決策を出せるみたい。人間は問題を解決しようとする前にあまり深く探さないし、失敗した時だけもっと掘り下げるからね。