欧州連合科学技術研究所（EPFL）の研究チームが、人工知能（AI）の内部表現が現実世界に対して単一に収束するという仮説に対し、数学的バイアスを指摘し修正的な見解を提示した。2024年にマサチューセッツ工科大学（MIT）が提唱したプラトン的表現仮説は、モデルの性能向上に伴い多様な学習データを用いても内部表現が共通の現実構造へ近づくとして学界で注目された。しかしEPFL機械学習バイオメディシンラボのマリア・ブビジク准教授らは、この同尺度計測手法に根本的な欠陥があることを実証した。 本研究成果はarXivに投稿され、2026年7月に韓国ソウルで開催される国際機械学習会議で発表される。調査チームによると、現代ニューラルネットワークが利用する超高次元空間では距離の集中現象が発生する。この幾何学的性質により、無関係なモデル間でも数値上は類似性が計測され、結果として見かけの収束が生じていたと分析した。ベースル大学で博士課程を務めるファビアン・グリューゲル主筆著者は、従来の指標が真の共通構造ではなく数学的な下限値を検出している可能性を指摘した。 チームはモデル認識が完全に変化するわけではないとしつつも、その収束様式はグローバルな幾何学的構造ではなく、概念間の局所的な近接関係に限定されると結論づけた。具体的には、関連概念が安定してクラスタリングされる傾向が残ることを示し、関係性と文脈を重視する学説にちなみアリストテレス的表現仮説を新たに提唱した。 本調査はAIアラインメントやマルチモーダルシステムの実装において重要な示唆を与える。また、検出されたバイアスを補正する評価フレームワークを提示し、言語、視覚、動画モデルで局所収束の一貫した証拠を確認した。当初の仮説を提唱したMIT研究者とも協議し建設的なフィードバックを得ている。今後の課題は局所構造の収束メカニズムを解明し、より信頼性の高いAIシステム構築に応用することである。科学コミュニティは、この検討過程を知的探求の標準的な進化と評価している。