30秒サマリー
- LLMが同じような回答を繰り返す「モード崩壊」を、再学習不要の重みステアリングで低減する手法が発表された
- 創造性評価で人間の百分位で最大14ポイント向上、独創性・意外性・創造性で有意な改善を確認
- ICML 2026のワークショップに採択済みで、データも勾配計算も不要な実用性が特徴
何が起きたか
米イリノイ大学らの研究チーム（Samuel Schapiroら4名）は2026年7月1日、大規模言語モデル（LLM）の発散的思考（divergent thinking）を強化する手法「CreativityNeuro」をarXivで公開した。同手法はLLMのモデルウェイト（重み）を対比的に操作する「コントラスティブ重みステアリング」を採用しており、追加の学習データ、再学習、勾配ベースのファインチューニングをいずれも必要としない「データフリー」な設計となっている。
LLMは自由回答形式の質問に対して類似した回答を生成し続ける傾向があり、論文内では「人工的ハイブマインド効果」と呼ばれるこの現象が創造性の阻害要因として指摘されている。CreativityNeuroはこのモード崩壊を抑制することを主目的としており、3種類の創造性評価（語彙空間の創造性テストであるDAT、代替用途テストのAUT、TaskTask）すべてにおいて改善が確認された。
DATでは人間の百分位で最大14ポイントの向上を達成。AUTとTaskTaskでは720名を対象とした大規模な人間評価を実施し、独創性・意外性・創造性の各指標で統計的に有意な改善が得られた。比較対象として検証された「活性化ステアリング」はDATで同等の性能を示したものの、AUTやTaskTaskへの汎化は見られず、重み空間でのステアリングが未知タスクへの転移において優位性を持つことが示された。本論文はICML 2026のCreativity & Generative AIワークショップに採択されている。
原典ハイライト
論文アブストラクトは「CreativityNeuroは行動データ、再学習、勾配ベースのファインチューニングを必要とせず、発散的思考を改善しモード崩壊を低減する。創造的領域でのLLM性能を強化する直截的な方法を提供する」と結論付けている。
出典: arXiv cs.AI（論文）
So What?（なぜ重要か）
LLMが「最も確率の高い回答」に収束してしまう問題は、マーケティングコピーや製品企画、R&Dアイデア出しなど創造性が求められる業務でAIを活用する際の根本的な制約だった。CreativityNeuroは追加データも再学習も不要でこの制約を緩和できる可能性を示しており、既存の商用・オープンソースLLMへの適用が技術的に現実的な選択肢となりうる。ただし本論文はワークショップ採択段階であり、実運用環境での検証や副作用（出力の一貫性低下など）については今後の研究が必要とみられる。
日本企業への示唆
日本企業がChatGPT等のLLMをクリエイティブ業務（広告文案、新規事業アイデア創出、商品開発ブレインストーミング）に活用する際、「毎回似たような提案しか出てこない」という現場の不満は共通課題だ。CreativityNeuroのようなウェイトステアリング技術が成熟すれば、自社環境で運用するオープンソースLLM（LlamaやMistral系など）に適用し、画一的アウトプットから脱却できる可能性がある。現時点では研究段階であるため即時導入は難しいが、LLMの創造性強化という技術領域を把握し、PoC段階で評価軸に加える準備を始めることが望ましい。また「モード崩壊」という概念自体を社内のAI活用リテラシー教育に組み込み、AIの限界を正しく認識したうえで人間の創造性と組み合わせる設計思想が重要になる。
背景・経緯
LLMは学習データ中の高頻度パターンに収束しやすく、オープンエンドな質問に対して似通った回答を繰り返す傾向が従来から指摘されてきた。この現象は本論文で「人工的ハイブマインド効果」と呼ばれている。CreativityNeuroはこの課題に対し、モデル内部のウェイトを直接操作するアプローチで対処するものであり、プロンプトエンジニアリングやファインチューニングとは異なるアプローチとして位置付けられる。
