AIのメモリーはなぜ重要か。ブレインロットとコンテキストロットの研究から考える

この回は2026年初頭に配信されていますが、収録は2025年11月の初めです。宮武さんは早めに準備したい性格で、約2か月前に1月分をまとめて収録していると話しています。

宮武さんによると、Off TopicでAIの記憶の話を最初にしたのは2023年ごろで、セカンドブレインセカンドブレイン ── 自分の知識や情報を外部のツールに集めて整理し、第二の脳のように使う考え方。メモアプリやナレッジ管理の文脈でよく使われますが話題になったタイミングでした。AIアシスタントには大量の情報を集める存在が必要になる、という話だったといいます。

その後、2024年1月ごろにはAIハードウェアの登場を受けて、いろいろなところからデータを集める相互運用性のレイヤーが必要だと話していました。宮武さんは、これがまさにメモリーレイヤーであり、AI時代のOSのレイヤーの1つになると考えています。

では、なぜメモリーが重要なのか。宮武さんは、今のAIモデルを「一発屋」にたとえます。LLMは回答を予想するエンジンで、1回質問すると1回予想して答えを返し、多くても2〜3回しか予想を重ねないという指摘です。

人間の場合は、常にたくさんの予想をつなぎ合わせて行動していると宮武さんは説明します。たとえばコンビニに行くときも、頭の中にある「ドア」という概念を記憶から引き出し、押せば開くか、引けば開くかを予想しながら動いています。

草野さんが「学習データが溜まればできるのでは」と尋ねると、宮武さんは一部はそうだと認めつつ、機械にはキャパシティが足りないと答えます。人間は目、耳、鼻、口、触感から膨大な情報を取り込み、しかも記憶の概念を持っていますが、それをすべて機械に取り込むと膨大なデータ量になってしまうからです。

宮武さんは、データを多く集めるほど、その人の記憶を扱えたり、よりパーソナライズできたりするため、AIにとってメモリーレイヤーはとても重要な要因だとまとめています。

宮武さんは、多くのAI企業がブラウザを狙っている理由も、このメモリーレイヤーにあると見ています。ブラウザはAI時代のOSレイヤーの選択肢の1つだという考えです。

実際に、OpenAIはAtlasAtlas ── OpenAIが発表したAI搭載のWebブラウザ。ChatGPTをブラウザに組み込み、閲覧中のページについて質問したり作業を任せたりできますを出し、The Browser CompanyはArcに続くDiaを、PerplexityはCometComet ── 検索AIのPerplexityが提供するAIブラウザ。閲覧と検索、AIによる要約や操作を一体化させていますを出しています。AIブラウザを作ろうとするプレイヤーはどんどん増えています。

ブラウザに注力する理由の1つは、GoogleがChromeで検索を広めたのと同じく、普及のためです。宮武さん自身も、Chromeの新しいタブを開くとついURLバーで検索してしまい、すべての検索をChatGPTでは行えていないと話します。

ただ宮武さんは、普及以上に重要なのはデータだと指摘します。ブラウザを押さえれば、1つのアプリの中だけでなく、Webアプリをまたいでユーザーが何をクリックし、どう行動しているかを把握できます。OpenAIにとっては、ユーザーを理解するための非常に大事な情報になります。

OpenAIはChatGPT内にコマースを取り入れるなどしていますが、それだけではデータが足りないと理解しているはずだと宮武さんは見ています。好みや実際の行動のデータを集めることで、メモリーレイヤーからアイデンティティレイヤーまで落とし込めるという見立てです。

ChatGPTアカウントで他社サービスにログインできる機能や、他社アプリにChatGPTの過去履歴を取り込める仕組みを進めているという話も、同じ流れにあると宮武さんは話します。

宮武さんによると、OpenAIのCFOであるサラ・フライヤーSarah Friarさんは2025年10月ごろ、OpenAIが検索市場でGoogleに勝てるかどうかはメモリーレイヤーの有無が勝負だと語り、過去半年でシェアを6%から12%に上げられたのもメモリーレイヤーがあるからだと話していたといいます。

これまでは、同じプロンプトをChatGPT、Perplexity、Gemini、Claudeなどに入れて回答を比べる人も多かったはずです。しかし過去の履歴によって回答がパーソナライズされるなら、ChatGPTを10回使った後の11回目のほうが、Perplexityを初めて使うより良い回答が返ってくることになります。

宮武さんは、昨年番組で話したパーソナライゼーションのネットワーク効果が生まれる可能性があり、その一番のポイントはメモリーレイヤーをしっかり押さえることだと話しています。

草野さんは、自分たちの世代はGoogleで検索してきたけれど、最近はTikTokで検索する人が増えていると話します。美味しいお店を探す、悩みを相談する、面白いコンテンツを探すといった用途です。

TikTokは自分のパーソナライズ情報を持っているので、そうした機能があれば使いたいと草野さんは言います。宮武さんは、ByteDanceが持つインタレストグラフインタレストグラフ ── 人と人のつながりではなく、ユーザーの興味関心をもとに情報をつなぐ仕組み。TikTokのおすすめ表示の基盤として知られていますがまさにそれにあたり、1つのアプリ内で実現していると応じます。

宮武さんによれば、他社がそのデータを欲しくても、アプリ上のデータは取りにくく、取れるのはAndroidを持つGoogleかAppleといったOSレイヤーの企業だけです。そうでない企業は、Web上で取りに行くしかありません。

ブラウザを押さえていれば、ユーザーがどこまで許すかという問題はあるものの、理論上はWebで見たTikTokの視聴履歴なども取得できます。宮武さんは、ブラウザがデータを集めるパイプとして非常に優れていると見ています。

こうしたデータは広告にもつながります。宮武さんは、ChatGPTで検索したものを後でAmazonで見たかどうかなど、アプリをまたいだ行動が見えるようになり、広告がOpenAIの大きなマネタイズの道筋になると話します。

宮武さんはその根拠として、OpenAIが元Instacart CEOのフィジー・シモさんを採用したことを挙げます。シモさんはMetaでFacebookアプリのトップを務め、Facebookのマネタイズを担当した人物なので、広告事業を見据えた採用ではないかという見方です。

メモリー領域でよく議論されるのが、オープンになるかクローズドになるかという点です。クローズドは、OpenAIがChatGPTのログインをあらゆるサービスに入れ、ChatGPT経由でメモリーを管理する形です。

一方で理想中の理想は、各ユーザーが自分のメモリーレイヤーを持ち、どのアプリにどの部分のメモリーを使わせるかをユーザー自身が決める形だと宮武さんは言います。そうしたサービスも最近出てきています。

ただし、複数のアプリを持つOpenAIやGoogleのGeminiのような大手は、少なくとも短期的には利便性の高いメモリーレイヤーを作れてしまうと宮武さんは見ており、この戦いは今年特に激しくなりそうだと話しています。

宮武さんは、メモリーレイヤーの第一ステップはより多くのデータを集めること、そしてそれを保管できるようにすることだと整理します。そのため2024年ごろから、多くの会社がコンテキストウィンドウコンテキストウィンドウ ── AIモデルが一度に読み込んで扱える情報量の上限。大きいほど長い文章や多くの資料を一度に渡せますの拡大を進め、2025年にはさらに加速しました。

コンテキストウィンドウが広がると、以前はエッセイ程度しか入れられなかったのが本を丸ごと入れられるようになり、コードなら会社のリポジトリ全体を渡してバグを直してもらうこともできます。宮武さんは、将来的には曲や映画もアップロードできるようになると見ています。

もう1つの方向は、第三者と連携してデータをもらう仕組みです。1社だけですべてをカバーすることはできないため、MCPMCP ── Model Context Protocolの略。AIアシスタントが外部のツールやデータにつながるための共通規格で、Anthropicが提唱しましたのようなエコシステムが生まれ、ChatGPTやGeminiがSalesforceとつながってデータを引き出すといった取り組みも進んでいます。

宮武さんは、コンテキストウィンドウを広げて情報を増やせば、単純にAIモデルが良くなるわけではないと指摘します。最近の研究で見えてきた課題として、AIブレインロットとAIコンテキストロットの2つを挙げます。

ブレインロットブレインロット ── 英語で「脳の腐敗」を意味する言葉。質の低いネットコンテンツを見続けて思考力が落ちる状態を指し、オックスフォード英語辞典の2024年の「今年の言葉」に選ばれましたは、2024年のアメリカでWord of the Yearになった言葉です。どう説明するかについて、草野さんは「コンテンツを見すぎて脳が腐るみたいな」と表現しています。

宮武さんは、特にクオリティの高くない情報が増えていることで、脳に悪影響があるのではないかという話だと補足します。そのうえで、この概念がLLMにも当てはまるかを調べた研究を紹介します。

この研究は2025年に、テキサス大学オースティン校、テキサスA&M大学、パデュー大学の研究者が共同で行ったものです。2つのオープンソースLLMに、2種類のSNS投稿をインプットとして与えました。

1つは、SNS上でしっかりエンゲージされていて、研究者がある程度クオリティが高いと見なした投稿です。もう1つは、ハイプされたセンセーショナルなもの、いわゆるクリックベイト的なスレッドなど、質が高くないと見なした投稿でした。

結果として、低クオリティのコンテンツを受けたモデルは知能と論理思考能力が低下し、倫理的にもおかしくなり、間違いを言うことが増えました。さらに、考えずに答えへ直接たどり着こうとする傾向も見られたといいます。

研究者たちは、悪影響を受けたモデルに、リハビリとしてエンゲージメントやクオリティの高いクリーンなデータを与えました。それでも完全には回復せず、多少パフォーマンスが上がったものの、倫理面の問題や、他のモデルより間違いが多い状態が残りました。

草野さんが「人間もそうなんですね」と聞くと、宮武さんは研究がどこまであるかはわからないとしつつ、一度そうなると抜け出しづらい部分はあると思うと答えています。研究者たちは、AIにもブレインロットのようなものが存在するという結論を出しています。

宮武さんは、ブレインロット研究へのカウンターも紹介します。1つ目は、今のLLMはインターネットのあらゆるデータで学習していて悪いデータも多く含むのに、ある程度の質の回答を出しているので、全体としてはそこまで悪くないのではという見方です。

ただ宮武さんは、今のLLMが平均的な答えを出しがちなのは、低クオリティのデータが多いからでもあるのかもしれないと付け加えます。

2つ目のカウンターは、AIモデルの開発企業がエキスパートコンテンツを大幅に増やそうとしていることです。弁護士、科学者、哲学者などの専門家をパートで採用し、さまざまな答えやタスクを与えてモデルを訓練しています。

宮武さんによると、番組で昨年取り上げたMercorがこの採用を手伝っています。昨年は、OpenAIが元投資銀行の従業員を100人以上採用し、金融モデルづくりのためにAIモデルの訓練を手伝わせたこともニュースになりました。

宮武さんがヒアリングした専門家（金融とは別分野の人）によると、AIは徐々に上達しているといいます。2024年にはOpenAIのo3モデルがやったことのないタスクを毎週3つほど教えていたのが、昨年は週に1個ほどしか思いつかなくなったそうです。

宮武さんは、低クオリティの情報が入っても、それを補う分のエキスパートコンテンツが入っているのかもしれないと考えます。ブレインロットはモデルの低下につながるものの、すべてのモデルが必ず低下するわけではない、という立場です。

こうした専門家データの需要は、ヘルスケア、バイオ、リーガルなど多くの分野に広がっています。宮武さんによると、PhDの学生にも声がかかり、1時間100ドルや200ドルを払って質問に答えてもらう動きがあるそうです。

宮武さんは余談として、AIの学習データの移り変わりを振り返ります。最初はCommon CrawlCommon Crawl ── Web上のページを大規模に収集し、無料で公開している非営利プロジェクトのデータセット。多くのLLMの学習に使われてきましたのようなクローラーでインターネットの情報を集めていました。

使えるインターネットのデータを使い切ると、OpenAIやAnthropicなどはメディア企業との提携によるライセンスデータへ移り、Redditや会話データなども取り入れました。その次が今のエキスパートデータで、さらに次は合成データだという仮説があります。

合成データが本当に学習に役立つのかは長く議論されてきましたが、宮武さんは2024年ごろから本格的に使われ始めたと見ています。GoogleのDeepMindは、数学を解くAIモデルAlphaGeometryAlphaGeometry ── Google DeepMindが開発した、幾何学の問題を解くAIモデル。国際数学オリンピック級の問題を解いたことで注目されましたに合成データを一部使ったと明言しています。

合成データを作り、シミュレーションで答え合わせをすれば、無限のデータ生成ループを作れます。イーロン・マスクさんも、早ければGrok 5、遅くてもGrok 6は、インターネットのデータをほぼ使わず合成データで訓練すると話しているそうです。

宮武さんは理論上の話としつつ、合成データを無限に作れれば、Off Topicを一切参照せずにOff Topicと同じコンテンツを作れるようになると話します。草野さんが「Off Topicは何を指していますか」と聞くと、宮武さんは「このポッドキャスト」と答えています。

そうなると、メディア企業やクリエイターのコンテンツが学習にどこまで必要なのかが問われる可能性があると宮武さんは言います。ただしニュース系は別だろうとも付け加えています。

著作権の問題も出てきます。通常は参照されたうえで同じものが作られれば侵害を主張できますが、参照せずに偶然同じものができた場合や、学習用だけに使われる場合にどうなるのかはわかりません。宮武さんは、合成データに強い興味がある一方で、いろいろな課題を生みそうだと話しています。

宮武さんはAIメモリーの話に戻り、もう1つの課題としてAIコンテキストロットを紹介します。ブレインロットが情報の「質」の問題なら、コンテキストロットは「量」の問題だという整理です。

LLMにおけるコンテキストとは、与えるインプットのことです。簡単に言えばプロンプトの文章で、一文のこともあれば、エッセイや本のこともあります。

Chromaという企業は、コンテキストを増やすとLLMの性能がどう変わるかを調べた研究を出しました。これまで多くのAI企業は、コンテキストウィンドウの容量内であれば、短文でも長文でもLLMは均等に同じような性能を出すと説明してきました。

その根拠になってきたのが、Needle in a Haystack（NIAH）というベンチマークです。「干し草の山から針を探す」という英語のフレーズが由来です。

NIAHのテストでは、長文の中のどこかに「キャラクターAはブルーイという犬を飼っていた」と入れておき、AIに「キャラクターAの犬の名前は？」と聞きます。「ブルーイ」と答えられれば理解していると判定します。

Chromaは、NIAHは文章から直接引用しているだけで、文章を理解しているかは測れていないと指摘しました。そこで要約をさせたり、直接的でない質問をしたり、気を散らす文章をあえて入れたりしました。たとえばブルーイの少し前に、ボブという別の犬の名前を出して、間違えやすい設計にしたのです。

Chromaは、GPT-4.1、Claude 4、Gemini 2.5、Qwen3など18個のLLMを試しました。その結果、インプットが長くなるほど性能の信頼性が下がり、均一ではないことがわかりました。長い文章や、誤った情報・矛盾する情報が含まれる入力ほど間違えやすくなるといいます。

宮武さんは、容量を増やすことは技術的な第一ステップとして必要だとしつつ、今後はその中でメモリーをどう処理するかが大事になると話します。具体的な方法は次の回で扱う予定です。

論点として挙がったのは、すべてのメモリーを1つの場所に集めるべきか、1つのAIモデルだけで対処すべきか、情報を同じように保管すべきかといった問いです。宮武さんは、正直まだ答えはないと認めています。

そのうえで宮武さんが注目するのが人間の脳です。人はスーパーに行くなど普段の生活で、記憶に関して苦労することはほとんどありません。

宮武さんは、AIのメモリーレイヤーにも人間の脳のような優先順位づけが将来的に必要になるかもしれないと述べ、続きは次回に話したいと締めくくっています。

まとめ

この回では、AIのメモリーレイヤーがOpenAIのブラウザ参入や広告戦略につながる競争の軸であることと、情報を増やすだけでは解決しない課題が、2つの研究を通して語られました。質の低い情報で性能が落ちるブレインロットと、入力が長いほど間違えやすくなるコンテキストロットは、今後のメモリー設計を考える手がかりになりそうです。

• 宮武さんは、メモリーレイヤーをAI時代のOSレイヤーの1つと捉え、ブラウザ争奪戦もその延長にあると見ている
• 履歴がたまるほど回答が良くなるパーソナライゼーションのネットワーク効果が、ChatGPTの優位性を生む可能性がある
• 低品質データで学習したLLMは性能が落ち、良質なデータでリハビリしても傷跡が残るという研究がある
• Chromaの研究では、18個のLLMでインプットが長いほど性能の信頼性が下がることが示された
• 今後は容量を増やすだけでなく、人間の脳のようにメモリーを処理し優先順位をつける仕組みが鍵になるかもしれない