OpenAIの研究チームが、AIの「思考の連鎖（chain-of-thought）」の監視可能性（monitorability）を体系的に評価する研究を発表した。AIが人間の直接監視が困難な意思決定を行う中で、その内部の推論過程を監視する手法は、行動や最終出力だけを観察するのより効果的とされる。特に、GPT-5 Thinkingのような先進的推論モデルは、明示的な思考過程を生成するため、その中身を検証することで、不正な行動（例：報酬の不正利用、偏見、嘘）の早期発見が可能になる。 研究では、13の評価（合計24の環境）を用意し、3つのタイプに分類して監視可能性を測定した。①「介入評価」：環境に意図的な変更を加え、AIの思考過程にその痕跡が残るかを検証。②「プロセス評価」：数学や科学の問題など、解法が限られるタスクで、AIがどの手順を踏んだかを推測できるかを検証。③「結果性質評価」：出力の性質（例：報酬ハッキング）が、思考過程から予測できるかを検証。 結果として、現行の最先端推論モデルは、全体的に監視可能であることが判明。特に、推論時間を延ばすほど監視の精度が向上し、強化学習による最適化も、現段階では監視性を著しく損なわないことが示された。ただし、モデルの規模が大きくなると、推論が内部の活性化に隠れやすくなり、監視性が低下する可能性がある。一方、小規模モデルをより長く推論させる「監視性の税（monitorability tax）」を支払うことで、大規模モデルと同等の能力を得つつ、監視しやすくなることが分かった。 また、AIの回答後に「追加質問」を投げかけることで、思考過程の新たな情報が浮かび上がることが確認され、監視の精度がさらに高まる可能性がある。このアプローチは、事後的に追加の計算コストを投入して深掘りできる点で実用的。 研究チームは、AIの能力が人間を上回る中で、信頼できるが弱い監視者によるスケーラブルな制御が不可欠だと指摘。思考の連鎖監視は、機械的解釈（mechanistic interpretability）と併用する「防御の重層化」戦略の中心的役割を果たす可能性がある。今後、この評価フレームワークを拡張し、AIの安全な展開に活用していくとしている。