AIは写真をどう見ている?よくある5つの誤解
著者 Chatday Editorial Team ·
犬の写真をAIに見せて「脚は何本?」と聞くと、答えは「4本」です。では、写真を加工して脚を5本にしてから、もう一度聞いてみましょう。それでも答えは「4本」のままです。
これは作り話のひっかけ問題ではありません。AI研究の主要な国際会議のひとつであるICLR 2026に採択された研究「Vision Language Models Are Biased」で、実際に行われたテストのひとつです。脚が1本多い、または1本少ない動物の画像を見せたところ、AIが正しく数えられたのはわずか2.12%でした。
それなのに、同じ種類のAIがぼやけたレシートを読み取り、わかりにくい設定画面を解説し、窓辺の植物の名前まで教えてくれます。結局のところ、AIは写真をちゃんと「見て」いるのでしょうか。世間で信じられていることの多くは、半分だけ正解です。よくある5つの思い込みを、一つずつ確かめていきます。
誤解1:「AIは人間と同じように写真を見ている」
間違いです。 人は写真を見ると、そこに実際に写っているものに気づきます。画像を読み取るAI(専門用語では「視覚言語モデル」と呼びます)がしているのは、むしろ「認識して、記憶から思い出す」に近い作業です。「犬だ」と見抜き、犬の脚は4本だと思い出して、そう答えるのです。研究者たちは、モデルは「数えていない」とはっきり書いています。
ロゴでも同じことが起きました。有名なアディダスの3本線ロゴに4本目の線を足しても、モデルは「3本」と答えたのです。動物、ロゴ、チェス盤、ボードゲーム、錯視、模様のあるグリッドという7種類の加工画像で試したところ、2025年のモデルの正答率は数を問う質問で平均17.05%でした。加工していない元の画像なら、全問正解だったにもかかわらずです。
加工画像に対する回答の約4分の3は、まさに「予想どおり」の数でした。つまり写真に写っている数ではなく、モデルがもともと知っている数です。それ以前の研究「Vision Language Models Are Blind」でも、図形を使って同じ傾向が見つかっています。五輪マークのように重なった円の数を尋ねると、あるGeminiモデルは、実際の数に関係なく誤答のほぼ99%で「5」と答えました。オリンピックの輪と同じ5つです。
要するに、AIは見慣れたものを認識するのは抜群に得意でも、見慣れたものが「変えられている」ことに気づくのはずっと苦手なのです。
誤解2:「数学オリンピックで勝てるAIなら、時計くらい読める」
読めるようになるまで、少し時間がかかりました。 これがいちばん意外に思われる話です。2025年9月、ClockBenchというベンチマークで、AIモデルにアナログ時計を読ませるテストが行われました。時刻、どの針が長針でどれが短針か、数分後に時計がどう見えるかを答えさせるものです。人間の平均は89.1%。一方、テストされた11のモデルのうち最高でも13.3%でした。
スタンフォード大学の「AI Index 2026」は、研究者が「ギザギザの知能(jagged intelligence)」と呼ぶ現象の代表例としてこのテストを取り上げています。国際数学オリンピックで金メダル級の成績を出せるのに、時刻は確実には読めない、という状態です。時計は意外と難しい題材です。角度を正確に見極め、よく似た2本の針を見分け、さらにちょっとした計算もしなければなりません。しかもネット上には、単純なデジタル表示に比べてアナログの文字盤の画像がずっと少ないのです。
うれしいのは、その後の進歩の速さです。
| 時期 | ClockBenchでのAI最高スコア | 人間の平均 |
|---|---|---|
| 2025年9月(公開時) | 13.3% | 89.1% |
| 2026年3月(Stanford AI Index) | 50.6%(GPT-5.4) | 約90% |
| 2026年11月(公開リーダーボード) | 87.8%(Claude Fable 5.2) | 90.7% |
現在、リーダーボードの上位5位を占めているのは、Claude Fable 5.2、Gemini 4 Carbon、Gemini 4 Argon、Claude Opus 5.5、GPT-6 Astraで、いずれも思考レベルを最大に設定した状態です。まだ人間がわずかに上回っていますが、その差は約1年で「お話にならない」から「あと一歩」まで縮まりました。
誤解3:「もっと鮮明で大きな写真にすれば間違えなくなる」
ほとんどの場合、間違いです。 AIが間違えたなら、もっと良い画像を渡せばいい。そう考えるのは自然です。ところが「Blind」の研究では、色や線の太さ、画像の解像度を変えても、重なった円を数える精度はほとんど変わりませんでした。図形が見えていないわけではなく、情報はちゃんと入っていたのです。難しかったのは、それを正しい言葉にすることでした。
大きく効いたのは、むしろ「ごちゃごちゃ感」です。「Biased」の研究では、加工画像から背景を取り除くと精度がほぼ2倍になり、約21ポイントも上がりました。背景がにぎやかだと、AIは目の前のものより「予想」に頼る手がかりが増えてしまいます(「農場だから、これは普通の犬だろう」というように)。
誤解4:「もう一度よく見て、と頼めばいい」
ほとんど効果はありません。 「Biased」の研究では、見直しを頼んだり、画像に写っているものだけを根拠にするよう指示したりしても、数を数える精度は平均でわずか2ポイントしか上がりませんでした。長く考えさせるとある程度までは効果があり、精度は40%前後まで上がりましたが、その先は考えすぎてかえって悪化しました。
それより効くのは、質問のしかたを変えることです。「何個?」と聞くと、記憶にある答えを引き出してしまいます。先に画像を順番に確認させると、AIは実際の画像に注意を向けるようになります。
- 「この写真に写っている人を左から順に挙げてから、全部で何人か教えてください。」
- 「短針と長針がそれぞれどこを指しているか説明してから、時刻を教えてください。」
- 「このレシートを1行ずつ読み上げてから、合計を計算してください。」
順を追った説明が間違っていれば、すぐに気づけます。それこそが狙いです。自信満々の数字だけを受け取るのではなく、どこでつまずいたのかが見えるようになります。
誤解5:「だから画像AIは当てにならない」
間違いです。そして、これこそ考えを改めたい誤解です。 ここまで紹介した失敗はどれも、加工されたロゴ、余分な脚、奇妙な文字盤といった、わざと意地悪に作られたテストから生まれたものです。弱点を見つけるために設計されていて、その役目はしっかり果たしています。同時に、その弱点が急速に縮まっていることも示しています。「Biased」の研究チームによると、2026年10月に登場したGPT-6 Astraは、2025年のモデルが平均17%だった同じテストで84.10%を記録しました。
ただし、気になる点もひとつ残っています。研究者によれば、Astraが間違えるとき、その92.4%は記憶どおりの答えを返しているそうです。この癖は消えたわけではなく、出る頻度がぐっと減っただけなのです。
日常的な使い方なら、状況はずっと明るくなります。風景の説明、印刷された文字の読み取り、スクショの解説、身近なものの識別。どれも見慣れたものを認識するという、AIの得意分野です。安心して任せられる場面と、確認したほうがいい場面の目安をまとめました。
| 頼むこと | 信頼度 | 理由 |
|---|---|---|
| 「この写真に何が写っている?」 | 高い | 見慣れた光景の認識は得意分野です |
| 印刷された文字、メニュー、看板の読み取り | 高い | はっきりした文字は学習データに豊富です |
| スクショやエラー画面の解説 | 高い | 画面を読み取れて、ソフトウェアにも詳しいからです |
| ものを数える(特に数が多いとき) | 要確認 | 「予想どおり」の数を答えることがあります |
| 珍しいもの、加工されたもの | 要確認 | 変わった点を「普通」に修正しがちです |
| アナログ時計、計器、メーター | 要確認 | 進歩したものの、まだ人間には及びません |
ちなみに、言葉でも同じことが起きます。AIが単語の文字数を数えるのが苦手だった理由が気になる方は、解説記事AIが「strawberry」のRの数を数えられない理由をご覧ください。今回の問題とよく似た仕組みであることがわかります。
いちばん手軽に確かめる方法は、ご自分のカメラロールにある写真で試してみることです。まずは身近なもの、次にちょっと変わったものを選んで、何が見えるのかを順番に説明してもらいましょう。どんな質問をすればいいかは、ガイド記事AIにどんな写真やスクショでも説明してもらう方法でさらにご紹介しています。