AIが人間より57%少ない操作でゲームをクリアした

論文「VISTA」が示した結果は、シンプルに言えばこうだ。AnthropicのClaude Opus 5.0に「視覚的な記憶」を渡す仕組みを追加したところ、複雑なパズルや操作系タスクで、人間の初心者と比べて57%少ない手数でゴールに到達できた。ARC-AGI-3という難易度の高いベンチマークでは、相対的な人間行動効率スコアが40.68から満点の100.00へ跳ね上がっている。

注目したいのは、モデル自体に手を加えていない点だ。VISTAがやっていることは大きく二つ。ひとつは、AIが環境を「目で見て」直接認識できるようにすること。もうひとつは、過去の視覚情報を劣化させずにそのまま保持し、必要なときに引き出して「見直せる」ようにすること。記憶を圧縮・要約して渡すのではなく、元の形のまま保存する「ロスレス視覚メモリ」という設計が肝だ。

これは、AIエージェントは仕組みより「頭の良さ」が全てという議論に対して、一定の反論材料を提供している。賢さそのものは変えなくても、情報の渡し方次第で出力の質が劇的に変わりうる——そのことを、再現性のある実験で示した点が今回の意義だ。

VISTAの仕組みをもう少し実務寄りに分解すると、三つの要素で構成されている。

一つ目は、AIが画面や画像などを直接入力として受け取り、環境を認識すること。テキストに変換して渡すのではなく、視覚情報をそのまま扱う。二つ目は、過去に見たものを「原形のまま」保存しておくメモリ。圧縮や要約は行わないため、後から参照したときに情報が欠けない。三つ目は、モデルが推論しながら「どの過去情報を今見るか」を能動的に選んで視覚入力を再構成できること。

この三つが揃うことで、長い作業の途中でも「さっきの状態に戻って確認する」という人間なら当然やる動作が、AIにも可能になる。これは、プロンプトに全情報を詰め込む設計や、会話履歴をテキストで渡す設計とは根本的に異なるアプローチだ。

実用面で考えると、複数ステップにわたる作業——ウェブ上での操作、ファイルの確認、フォーム入力の繰り返しなど——をAIエージェントに任せるとき、途中の状態をどう「覚えさせるか」がボトルネックになりがちだ。VISTAが示したのは、そのボトルネックが「テキストへの変換」や「要約による情報ロス」にあった可能性だということだ。