ダブルブラインドAI評価（Double-Blind AI Evaluation）とは、AIモデルの外部評価において、評価者とAI開発者が互いの機密情報を開示することなく、暗号技術を用いた安全な環境下で独立した評価を実施する仕組みである。Google DeepMindが提唱し、2026年7月〜8月に世界初のパイロットプロジェクトが実施された。
概要
従来のAI外部評価には構造的なジレンマが存在していた。評価者が評価用プロンプトを開発者に渡せばモデルが事前学習されるリスクがあり、開発者がモデルの重みを評価者に渡せば知的財産が流出するリスクがある。この二者択一を回避するために、これまでは契約や「ゼロログ」の約束といった信頼ベースの措置に依存してきた。
ダブルブラインドAI評価はこの構造問題に対し、コンフィデンシャルコンピューティング（暗号技術による保護実行環境）を用いて、開発者はモデルの重みと推論コードを、評価者はテストプロンプトと採点基準を、互いに相手へ開示することなく評価を完遂できる技術的アプローチを提供する。
仕組み・ポイント
セキュアエンクレーブの構築
Google Cloudの「Confidential Space」、NVIDIA H100 Confidential GPU、Intel TDX（ホストメモリ暗号化）などのコンフィデンシャルコンピューティング技術を組み合わせ、暗号化された独立した実行環境を構築する。モデルの重みも評価プロンプトも、この環境の外には出ない。
相互の機密保護
- 開発者側：モデルの重みと推論コードを評価者に開示しない
- 評価者側：テストプロンプトと採点基準を開発者に開示しない
リモートアテステーション
暗号技術を用いて、双方が合意したソフトウェアのみがエンクレーブ内で動作していることを検証・証明する。契約上の約束ではなく、暗号による証明に移行する点が従来手法との本質的な差異である。
データ流出の防止
OpenMinedの「PySyft」等を活用してネットワークアクセスを制限し、エンクレーブ内からのデータ漏洩を防ぐ。評価終了後はエンクレーブが破棄され、一時的なメモリ暗号化キーも消去される。
処理オーバーヘッドと実務上のボトルネック
ハードウェアによる処理遅延は5%未満と極めて小さい。実用上の主な障壁は、組織間の法的合意やコードレビューといった調整コストとなっている。
なぜ今注目されているのか
AIモデルの性能評価の信頼性を損なう「ベンチマーク汚染」——評価用の問題がモデルの訓練データに混入し、スコアが不当に高く評価される問題——は、AI開発競争の激化とともにその深刻さを増している。評価スコアの公正性が担保されなければ、外部の安全機関による監査そのものの意義が問われかねない。
こうした背景のもと、Google DeepMindはシンガポールAI安全研究所、OpenMined、AVERI（AI検証評価研究所）、MLCommonsと共同で2026年7〜8月にパイロットプロジェクトを実施。Googleの「Gemini 2.5 Flash-Lite」を対象に、MLCommonsの安全ベンチマークファミリー（AILuminateなど）およびシンガポールAI安全研究所のプライベートベンチマークを用いた検証が行われた。AIの安全性評価を「信頼ベース」から「暗号証明ベース」へ移行させる試みとして、国際的な注目を集めている。
日本企業への示唆
日本企業がAIシステムの第三者評価や監査を受ける際、あるいは逆に評価機関として関与する際、ダブルブラインドAI評価の枠組みは知的財産保護と評価の独立性を同時に担保する手段となりうる。一方で、パイロットプロジェクトでも示されたように、技術的な実装よりも組織間の法的合意や調整コストが実用上の主要な障壁となるため、導入を検討する際には法務・契約面の整備を技術面と並行して進めることが重要となる。また、現時点ではまだパイロット段階の取り組みであり、標準的な評価手法として普及するには国際的な合意形成とインフラ整備が必要な段階にある点も認識しておくべきであろう。
※ 本ページはAI News JAPAN編集部が最新の動向を踏まえて解説したものです。内容は随時見直します。
