多段階推論のための連鎖再帰型言語モデル

最近のAI（大規模言語モデル）は、複雑な質問に答えるとき、ひとつの頭の中で情報を探しながら、その内容を覚えながら、裏付けを確認しながら、最後に答えを出す——という複数のタスクを同時にやろうとします。人間でいえば、辞書を引きながら、メモを取りながら、筆記試験に答えるようなものです。これが上手くいかない理由は、脳の容量に限界があるから。AIも同じで、メモリ領域（コンテキスト）が満杯になると、途中で重要な情報を忘れたり、最初の誤りが最後までずっと影響したりします。

今回、研究者たちが提案した「連鎖再帰型言語モデル」（Chained RLM）は、この問題を根本的に解き方を変えることで対処しようとしています。想像してみてください。難しい課題を解くとき、同じAIモデルを何度も呼び出すのです。1回目は「この問題の要点を整理して」、2回目は「その要点から次の手がかりを探して」、というように、段階を分けて処理させるわけです。

こうすることで、各ステップで必要な情報だけに絞り込めます。いわば、大量の本を一度に読むのではなく、ページを1枚ずつ読み進める感じです。早い段階で間違えても、次のステップでリセットできるチャンスが増える。これまで「長い文脈を全部同時に処理しなきゃ」という制約から解放されるわけです。

実は、これは人間の思考法に近いやり方でもあります。数学の難しい問題を解くとき、いきなり答えを出そうとせず、「まず整理する」「次に考え直す」「最後に検証する」というように、意識的に段階を踏みます。AIもそういう習慣を学べば、もっと正確で信頼性の高い答えが出せるようになる——それが今回の研究の狙いです。