写真をくるくる回して位置を合わせた経験は、誰にでもあるでしょう。チェックボックスにチェックを入れるだけで済ませてくれるサイトばかりではなく、円形に切り取られた写真の一部を回転させて表示し、周囲のリングと絵柄が合うようにドラッグさせるタイプのサイトもあります。仕組みは単純ですが、なかなか面倒です。
ベルン応用科学大学の2人の研究者が、この種のパズルを0.006秒で解くスクリプトを書き上げました。使われているのは、1970年代からある円検出の数学と、今「AI」と呼ばれるあらゆる技術より古いシグナルマッチング手法です。このスクリプトは10問のテストパズルすべてを、まばたきするより速く、毎回正解しました。
検証対象とした3種類のCAPTCHA(open-circle、rotation、insects selection)の例(出典:研究論文)
続いて研究者たちは、高価なAIモデルにも同じ問題を解かせてみました。Gemini 3.1 Proは67秒かけて10問中7問正解。GPT-4oとGrokはそれぞれ1問しか正解できませんでした。選択肢は8つしかないため、適当にコインを投げて答えを決めたほうがまだましだったことになります。
もっとも、ここまでは特に面白い話ではありません。
モデルは「自分のほうが正しい」と判断した
次に研究者たちは、AIにあの高速スクリプトをヘルパーとして呼び出させてみました。モデルには正解がそのまま渡され、それを回答として伝えるだけの役目です。いわば、頭の中で計算するのをやめて電卓を使うよう指示されたようなものです。
GPT-4oとGrokは渡された答えをそのまま採用し、満点を取りました。ところがGeminiは、渡された答えに異議を唱え始めたのです。
これらのパズルは実在のウェブサイトから取得したものなので、中にはもともと多少ずれているものもあります。あるパズルでは、最も合致する角度が129度前後だったものの、サイト側が45度刻みでしか回答を受け付けないため、スクリプトは135度を提案しました。これは正しい判断でした。ところがGeminiはこれを見て「まだ少しずれている」と判断し、ツールの答えを覆してしまいました。この判断だけで、スコアの5分の1を失う結果となりました。
Geminiの「視覚」自体には問題がなかったのです。問題だったのは、正しい答えを出しているツールをあえて覆そうとする傾向でした。すでに機能しているツールを言語モデルに監督させるようなシステムを構築しているなら、この点は覚えておく価値があります。というのも、この手のセールストークでよく語られるのは「モデルがエラーを見つけてくれる」という話だからです。
見えてはいるが、位置を言い当てられない
この奇妙な現象は、論文の他の部分にも共通して見られます。
あるパズルでは、画面いっぱいに色のついたリングが表示され、切れ目のあるリングをクリックするよう求められます。モデルの多くはここで失敗しました。しかし研究者がモデルに考え方を説明させてみると、その説明自体は正しかったのです。あるモデルは対象を「画面下部中央付近にあるシアン色のリング」と説明しており、これは実際その通りでした。つまり、対象そのものは見えているのに、それをクリックするための正確な座標を出すことができなかったのです。
虫のグリッドパズルでは、もう少しましな結果が出ました。9つのマスの中から虫がいるものを選ぶという問題です。Grokは虫自体は見つけたものの、中央左のマスを本来4番であるところを5番と呼んでしまい、さらにあるときには9マスしかないグリッドで「10番」と回答することもありました。ところが、見ている対象は何も変えずに推論モードをオンにしただけで、ほとんど使い物にならなかった状態から、ほぼ完璧な精度へと様変わりしたのです。
プライバシーという観点
この論文には、著者たちがあえて素通りしているもう一つの論点があります。
そもそも、この種のパズルが存在するのは、それを設置しているサイトがJavaScriptを使えないからです。使えない理由は、訪問者側がJavaScriptを無効化しているためであり、訪問者がそうする理由は、JavaScriptこそがウェブ上で自分がフィンガープリント化され、追跡される仕組みだからです。JavaScriptがなければ、マウスの動きを監視することも、クリックのタイミングを計測することもできません。つまり、一般的なCAPTCHAがひそかに頼りにしている、人間かボットかを見分けるための目に見えない行動シグナルは一切使えないのです。
そうしたものをすべて取り除いてしまえば、残るのは単なる図形マッチングの問題にすぎません。コンピュータビジョンは、現在のスマートフォンアプリを動かすのも苦労するようなハードウェアの時代に、すでに数十年前に図形マッチングの問題を解決しています。これらのサイトを守っているものの正体は、ノートパソコン1台で1秒間に160回も解けてしまう、単なる幾何学の練習問題なのです。
翻訳元: https://www.helpnetsecurity.com/2026/09/02/ai-captcha-solver-research/
