人間を理解するFoundation Modelは、巨大であれば十分なのか

Anicca Research / Manager Masterclass P11-4 / 2026年11月7日

大規模言語モデルは文章を書くのが得意だ。だが、それをもって「未知の人間がどんな選択をするか」を正確に予測できるとは限らない。

行動のFoundation Modelを考えるには、実際の人間の選択を学習し、未知の人物、実験、文化、時期に対してどれほど一般化できるかを測る必要がある。

大きなモデルを動かしたこと、追加学習したこと、そして人間の行動を予測できることは、すべて別の成果である。

Centaurは何を学習したか

2025年にNatureに掲載されたCentaurは、この分野を大きく前進させた。Psych-101には160実験、60,092人、10,681,650回の選択が含まれる。研究者たちはLlama 3.1 70BへQLoRAを適用し、実験の説明文ではなく、人間の回答トークンに損失をかけて学習させた。元論文ではランク8のAdapterを使い、A100 80GBで約5日間の訓練を報告している。

元研究は未知の被験者に加え、課題の物語や構造、未知の領域にも一般化を評価した。ただし「すべての人間の未来を予測する」ことも、「介入すれば人を改善できる」ことも証明していない。

2026年のBehaviorBenchは、行動予測・戦略的意思決定・対象者特徴推定・行動科学知識の4領域を、個人レベルと分布レベルで評価する。行動に適応したBe.FM系モデルが分布レベルで強い可能性を示した一方、他の能力では汎用モデルとの比較が必要だ。

共通のモデルが逆効果になることもある

共通モデルは、複数の課題で知識を共有できる。しかし一つの特徴が、ある領域ではプラス、別の領域ではマイナスに作用する場合、単純な共有係数は両方を傷つける。

そこで完全架空の2領域のロジスティック回帰を作った。領域Aでは特徴 \(x\) が高いと選択1が増え、Bでは反対になる。領域別モデルのホールドアウトLog Lossは約0.395／0.433だったが、一つの共有係数では約0.677／0.717に悪化した。

この結果は共通モデルの失敗を証明したのではない。負の転移が起きるように設計した合成演習であり、共有Encoderと専門Head、Mixture-of-Experts、PCGradのような手法の比較がなぜ必要かを可視化したものだ。

科学的に主張できるモデルとは

本物のBehavior Foundation Modelを主張するなら、少なくとも人物・研究・時間・文化・領域を分けたテスト、確率校正、未知環境での棄権、専用モデルとの同条件比較が必要だ。モデルが予測する \(P(Y\mid X,A)\) と、介入を設定した世界の \(P(Y\mid X,do(A))\) は同じとは限らない。

「世界最高」と称するより、何が当たり、何が外れるかを公開することに科学的な意味がある。

主な一次資料

• Binz et al. (2025), Centaur, Nature
• Huang et al. (2026), BehaviorBench
• LoRA (2021)
• QLoRA (2023)
• PCGrad (2020)

注：合成のLog LossはCentaur・Be.FM・Managerの実性能ではない。外部モデルの重みやデータの商用権利は別途審査が必要である。