AIチャットボット、なぜ自転車に乗るペリカンばかり描くのか？「多様性の崩壊」現象を徹底解剖

想像してみてください。あなたは高性能なAIチャットボットに絵を描くようリクエストしました。平凡な猫の絵や素敵な風景画ではなく、少し風変わりな「自転車に乗るペリカン」を。当然AIは、私たちを驚かせるような多彩な絵を披露してくれると期待していたでしょう。しかし、返ってきた結果は、どれも同じようなペリカンと、同じような自転車ばかり。まるで、すべてのAIが同じ工場から出荷されたかのように、紋切り型の絵しか出さない状況です。

最近、人工知能（AI）分野で「ペリカン・テスト」というものが注目を集めています。これは大規模言語モデル（LLM）の性能、特に指示への従順さと創造的な成果物を作る能力を評価するためのベンチマークの一種です。しかし、この「自転車に乗るペリカン」テストにおいて、AIがますます似通った結果しか出さないという驚くべき事実が明らかになっています。専門家がこれを「LLM多様性の崩壊（LLM diversity collapse）」と呼ぶのはこのためです。出典: The Emperor Pelican Has No Clothes - arcfu.com 出典: Why the Pelican Test Worked and Why It Is Done - LLM …

なぜこれが重要なのか？

AI技術が私たちの生活の深くまで浸透するにつれ、AIの成果物がどれほど多様で創造的であるかは極めて重要な問いとなりました。もしAIが常に同じ方法でしか思考せず、同じ結果しか出さないとしたらどうなるでしょうか？それはAIの創造性が限定的であり、予期せぬ問題への解決策を見出したり、新しいアイデアを提案したりする能力が欠けていることを意味します。

AIの真の価値は、単に情報を速く正確に処理するだけでなく、人間の思考を拡張し、新しい視点を提示することにあります。例えるなら、世界中のすべての料理にたった一つのレシピしか使わないシェフのようなものです。料理の多様性と創造性は消え失せ、私たちの味覚体験は極めて単調なものになるでしょう。想像してください。もしAIが医療診断、法律相談、あるいは複雑な科学研究において、たった一つの「最適」な経路のみを提示し、他の可能性を模索しなかったとしたら、難病の診断や画期的な科学的発見の機会を逃してしまうかもしれません。

実際、研究者らが18個のLLMから1,300万個以上のラベルを分析した結果、「ほぼすべての仮説を統計的に有意なものにできてしまう」という事実が判明しました。これはLLMの設定を少し変えるだけで結果が大きく変わり得ることを示唆しており、逆に言えば、特定の設定次第で極めて画一的な結果が容易に導き出されることも意味しています。出典: LLMHacking: 6 Strategies to Avoid False Findings in Your Research. LLMが画一的な結果しか生成しないということは、AIが真の「理解」よりも、学習したパターンの反復に終始しているのではないかという疑念を抱かせます。

「自転車に乗るペリカン」の問題点は何か？

「自転車に乗るペリカン」というプロンプトは、LLMの画像生成能力と、複雑な指示に従う能力を総合的にテストするために考案されました。出典: Why the Pelican Test Worked and Why It Is Done - LLM … 出典: I tested the top local LLMs against ChatGPT and Claude … - MUO このテストに合格するにはいくつかの基準が必要です。まず、生成された画像が「ペリカン」であると認識できること。また、自転車には車輪とフレームが正しく備わっていること。そして何より重要なのは、ペリカンが実際に自転車に「乗っている」姿であることです。出典: I tested the top local LLMs against ChatGPT and Claude … - MUO

以前は、このプロンプトに対してLLMごとに個性的で多様なペリカンの絵が生成されていました。ヘルメットをかぶっているペリカンもいれば、口ひげを生やしているペリカンもいましたし、自転車の種類もまちまちでした。これはLLMがプロンプトを解釈し、創造的に具現化する能力に優れていることの証でした。出典: Simon Willison on pelican-riding-a-bicycle

しかしここ数ヶ月、LLMが出す「自転車に乗るペリカン」の絵は驚くほど似通ってしまいました。出典: The last six months in LLMs, illustrated by pelicans on bicycles 出典: The Emperor Pelican Has No Clothes - arcfu.com 前述の通り、これこそがLLMの「多様性の崩壊」現象なのです。

現状：画一化されるペリカンたち

このような画一化は、LLMの開発および評価方式に対する根源的な問いを投げかけます。AIモデルは「高い推論（high reasoning）」のような特定の設定下で優れた性能を発揮することがありますが、これが結果の多様性を損なう要因になっている可能性もあります。出典: Simon Willison on llm-reasoning モデルが「高い推論」モードで実行されると、特定のプロンプトに対して最も「安全かつ検証された」結果を導き出そうとする傾向が強まるからです。結果として、最も普遍的で予測可能な画像しか生成されなくなり、独創的あるいは予期せぬ解釈は排除されてしまうのです。出典: 2025 in LLMs so far - ai.engineer

これは、AIが真に「理解」して「思考」しているのではなく、学習データの中で最も頻繁に出現するパターンを模倣することにとどまっているという疑念を招きます。LLMが同じような姿ばかり繰り返すなら、AIが私たちの想像力を刺激し、新しい可能性を切り拓くツールとしての役割には限界があることを示唆しています。

今後はどうなるのか？

LLMの「多様性の崩壊」現象は、AI技術の発展が持つ両面性を極めて鮮明に示しています。一方ではAIが驚異的なスピードで進化し、人間の知能に近づいていますが、他方では結果が画一化されることで、創造性という人間固有の領域に対する問いを投げかけています。

今後、AI開発者は単に性能を高めるだけでなく、AIがいかに多彩で創造的な成果物を生み出せるかという研究に注力すべきでしょう。また、「自転車に乗るペリカン」テストが示すように、AIの評価方式そのものが結果の多様性に影響を与え得るという点も忘れてはなりません。先述した通り、Baumanらが発表した研究は、現在の評価手法がAIの真の能力を測定するよりも、特定の結果を導き出しやすい設定を探すことに焦点を合わせているという危険性に警鐘を鳴らしています。出典: LLMHacking: 6 Strategies to Avoid False Findings in Your Research.

AIが真に人間の知能を補完し拡張するツールとなるためには、画一的な結果という罠を克服し、より広範な創造性と予測不可能性を包摂できる方向に発展しなければなりません。自転車に乗るペリカンが示す画一化は、AIが進むべき道について重要な省察を求めています。

参考資料

1. Why the Pelican Test Worked and Why It Is Done - LLM … - https://braindetox.kr/en/posts/llm_benchmark_pelican_test_2026.html
2. The last six months in LLMs, illustrated by pelicans on bicycles - https://simonwillison.net/2025/Jun/6/six-months-in-llms/
3. 2025 in LLMs so far - ai.engineer - https://ai.engineer/talks/YpY83-kA7Bo-llm-pelican-benchmark
4. I tested the top local LLMs against ChatGPT and Claude … - MUO - https://www.makeuseof.com/tested-the-best-local-llms-against-claude-and-chatgpt-with-one-a-pelican/
5. The Emperor Pelican Has No Clothes - arcfu.com - https://arcfu.com/post/the-emperor-pelican-has-no-clothes/
6. Simon Willison on pelican-riding-a-bicycle - https://simonwillison.net/tags/pelican-riding-a-bicycle/
7. LLM- Detailed dive into LLM w Andrej Karpathy… - Obsidian Publish - https://publish.obsidian.md/followtheidea/Content/AI/LLM+-+Detailed+dive+into+LLM+w+Andrej+Karpathy
8. LLMHacking: 6 Strategies to Avoid False Findings in Your Research. - https://www.linkedin.com/pulse/llm-hacking-6-strategies-avoid-false-findings-your-mikel-k-ngueajio-nogqf
9. Simon Willison on llm-reasoning - https://simonwillison.net/tags/llm-reasoning/