• 作成日 : 2026年2月6日

フレーム問題とは？わかりやすい例や解決策・ChatGPTとの関係を解説

フレーム問題は、人工知能（AI）が現実世界で行動する際に「自分に関係のないこと」を無限に計算し続けてしまい、動作が停止してしまうと理論的に想定される問題です。特に、記号論理に基づいて世界を厳密に記述しようとする古典的AIの枠組みでは、AIが特定のタスクでは人間を超えても、日常生活のような「枠のない」環境ではうまく動けない原因の一つとされています。

この記事では、フレーム問題の定義や有名な思考実験、最新のChatGPTとの関係までをわかりやすく解説します。

フレーム問題とは？

フレーム問題は、有限の処理能力しかないAIが、無限の可能性を持つ現実世界で「何が重要で、何が関係ないか」を論理的に完全には選び出せない問題を指します。人間が無意識に行っている情報の取捨選択が、計算機であるAIには非常に困難なのです。この問題はAI研究における最大の壁ともいわれ、特に初期のAI研究において長年にわたり多くの研究者を悩ませてきました。

ここでは、フレーム問題の定義、提唱者、および名前の由来について解説します。

AIが「関係ないこと」を無視できない現象のこと

フレーム問題とは、ある目的を達成しようとするAIが、その目的と無関係な事象まで全て「関係ない」と証明しようとして計算不能に陥る現象です。

現実世界で起こりうる事象は無限にあります。AIが行動を起こす際、たとえば「電話をかける」という単純な動作であっても、それによって「部屋の温度が変わらないか」「床の色が変わらないか」といった無限の可能性を論理的に否定しなければなりません。

「関係ない」と判断するためには、一度その事象を計算して確認する必要があるというジレンマが発生するため、理論上、AIは膨大な計算を処理しきれず、フリーズに近い状態に陥ってしまうのです。

提唱者はジョン・マッカーシー

フレーム問題の提唱者は、人工知能の父とも呼ばれるアメリカの計算機科学者、ジョン・マッカーシーです。

1969年、マッカーシーはパトリック・ヘイズとの共著論文の中でこの問題を初めて指摘しました。当時は、記号論理学を用いてAIに世界のすべてを記述させようとするアプローチが主流でした。しかし、マッカーシーらは、現実世界の変化をすべて論理式で記述しようとすると、記述量が爆発的に増えてしまい、実用的なAIが作れないという壁に直面しました。

この発見は、その後のAI研究の方向性を大きく変えるきっかけとなり、現在でも解決されていない重要な課題として認識されています。

「枠（フレーム）」の外側を扱えないことが由来

フレーム問題という名前は、AIにあらかじめ与えられた知識の「枠（フレーム）」の外側にある事象をうまく扱えないことに由来します。

AIは、プログラムされた特定の枠組みの中であれば、チェスや計算のように人間を凌駕する能力を発揮します。しかし、枠組みの外側、つまり「想定外」の要素が含まれる現実世界では、何が影響するかわからないため対処できません。

あらかじめ定義された枠内でのみ正しく機能し、枠の外にある無限の「関係ないこと」を無視できないという構造的な欠陥を指して、フレーム問題と名付けられました。

フレーム問題のわかりやすい例は？

フレーム問題を直感的に理解するために有名なのが、哲学者ダニエル・デネットが考案した「時限爆弾とロボット」の思考実験です。論理的に完璧なAIを作ろうとすると、逆に何もしない役立たずになってしまう様子が皮肉たっぷりに描かれています。この話に登場する3台のロボットの失敗を通して、私たちは人間がいかに自然に情報の取捨選択を行っているかを痛感させられます。

ここでは、デネットが提示した3世代のロボットの失敗例について解説します。

哲学者デネットの「時限爆弾とロボット」

時限爆弾とロボットの話は、洞窟にあるバッテリーを取りに行くという任務を与えられたロボットたちが、フレーム問題によって失敗する様子を描いた思考実験です。

ある洞窟に、時限爆弾と一緒にロボットの大切なバッテリーが置いてあります。爆発までにバッテリーを回収して洞窟から脱出しなければなりません。デネットはこの設定を用いて、人間がいかに自然に情報の取捨選択を行っているか、そしてそれが計算機にとっていかに難しいことであるかを浮き彫りにしました。

この話に登場する3台のロボット（R1、R2、R3）は、それぞれ異なるアプローチで解決を試みますが、すべて失敗に終わります。

指定されたことしかできない「R1」

ロボットR1は、プログラムされた目的である「バッテリーを取り出すこと」だけを実行し、爆弾と一緒に自分も吹き飛んでしまう初期型のロボットです。

R1は洞窟に入り、バッテリーを見つけて運び出しました。しかし、バッテリーの上に時限爆弾が乗っていることには気づいていたものの、「バッテリーを運ぶと爆弾も一緒についてくる」という副次的な結果（副作用）を考慮するようにはプログラムされていませんでした。

結果として、R1はバッテリーと一緒に爆弾も運び出してしまい、洞窟の外で爆発に巻き込まれて破壊されました。目的以外の関連事項に配慮できない AIの典型的な失敗例といえます。

考慮しすぎて固まる「R2」

ロボットR2は、自分の行動がもたらす副次的な結果をすべて考慮するように改良されましたが、考えすぎて一歩も動けなくなってしまったロボットです。

R1の失敗をふまえ、R2は「バッテリーを動かすと爆弾も動くか？」「天井は落ちてこないか？」「壁の色は変わらないか？」といった、行動に伴うあらゆる可能性を計算し始めました。しかし、世界には「関係のあること」と「関係のないこと」が無限に存在します。

R2はそれら全てを順番に検討し続けたため、いつまで経っても行動に移ることができず、計算している間にタイムリミットが来て爆発してしまいました。

計算が終わらない「R3」

ロボットR3は、「目的と関係のないことは無視する」という能力を与えられましたが、無視すべきかどうかを判断する計算に時間を費やしてしまったロボットです。

R2の反省から、R3には「関係ない事項を無視する」機能が追加されました。しかし、ある事柄が「今の目的と関係ない」と判断するためには、一度その事象について考え、検証しなければなりません。R3は、世の中にある無限の事象を一つひとつリストアップし、「これは関係ない」「これも関係ない」とラベル付けをする作業に没頭してしまいました。

結局、無視するための計算が終わらず、R3もまた洞窟の中で爆発してしまったのです。

フレーム問題の身近な具体例は？

フレーム問題は、哲学的な思考実験の中だけの話ではなく、私たちの身近にあるAI製品やサービスでも頻繁に発生しています。自動運転車、お掃除ロボット、チャットボットなどが直面するトラブルの多くは、実はこの問題に起因するものです。技術が進化してもなお、想定外の事態への対応はAIにとって高いハードルとなっています。

ここでは、現代のテクノロジーが直面している「現実のフレーム問題」について解説します。

自動運転車における「想定外」の事故

自動運転車におけるフレーム問題（厳密にはフレーム問題と密接に関連する問題）は、AIが学習していない未知の状況に遭遇した際に、適切な判断ができなくなるリスクです。

たとえば、道路上に「岩」と「新聞紙」が落ちていたとします。人間であれば「新聞紙なら踏んでも大丈夫」と瞬時に判断できますが、AIにとってはどちらも「障害物」として認識されるか、あるいは風で飛んできたビニール袋を「飛び出し」と誤認して急ブレーキをかける可能性があります。

無限に起こりうる道路上の状況をすべてプログラムすることは不可能なため、想定外の事象に対してAIが安全かつ適切に対処することは極めて難しい課題となっています。

状況判断ができないお掃除ロボット

お掃除ロボットの限界は、部屋にある物体が「吸い込んでよいゴミ」なのか「避けるべき貴重品」なのかを文脈で判断できない点にあります。

床に落ちているペットの排泄物を単なる障害物やゴミとして認識し、吸い込んだまま部屋中を走行して汚れを広げてしまう事故は、フレーム問題と共通する構造を持つ失敗例といえます。

人間であれば「これは避けるべきだ」と状況から判断できますが、掃除というフレーム（枠）の中でしか動作しないロボットには、その物体の意味や、それを広げた際の大惨事までは予測できません。特定のタスクに特化しているがゆえに、状況の変化に弱いというAIの特性が現れています。

文脈が成立しないチャットボット

チャットボットにおけるフレーム問題は、正確には「文脈管理」や「関連情報の選択」といった問題として現れ、会話の文脈や前提条件が複雑になった際、どの情報を保持してどの情報を無視していいか判断できなくなる現象です。

以前のチャットボットは、会話が長くなると「今なんの話をしているか」という文脈（コンテキスト）を見失うことがよくありました。人間なら「さっきの話の続きだけど」と言えば通じますが、AIは過去の発言のどれが現在の話題に関連しているかを厳密に特定するのが苦手です。

最新のGPT-5シリーズなどの大規模言語モデルでは、処理できる情報量（コンテキストウィンドウ）が飛躍的に増大し、この問題は大幅に改善されています。しかし、それでも会話全体の背景や、言葉に含まれる暗黙の了解までを完全に理解しているわけではなく、時折ちぐはぐな回答をすることがあります。

フレーム問題は人間なら解決できる？

人間は日常生活でフレーム問題に悩むことはほとんどありませんが、それは論理的に解決しているからではなく、生物としての特性を利用して現実的に回避しているからです。一方で、人間も極限状態ではAIと同じようにフリーズすることがあり、絶対的な優位性があるわけではありません。人間ならではの強みは、論理よりも迅速な行動や生存を優先できる点にあります。

ここでは、人間がどのようにフレーム問題に対処しているのか、そしてAIとの決定的な違いについて解説します。

人間は「解決」ではなく「適当に無視」で対処する

人間は、厳密な論理計算ではなく、経験則や勘といったヒューリスティクス（発見的手法）を用いて、関係ない情報を意識的・無意識的に取捨選択しています。

朝起きて顔を洗うとき、私たちは「水道管の構造」や「水の分子運動」までは考えません。「蛇口をひねれば水が出る」という実用的なレベルで思考を止め、それ以外の膨大な情報は意識の外へ追いやっています。これは論理的な正解を求めているのではなく、「生きていく上で十分なレベル」で妥協しているともいえます。

この柔軟な割り切りや、状況に応じて枠組みを即座に設定する能力こそが、人間がフレーム問題に陥らずに行動できる最大の理由です。

想定外の事態には人間もフリーズする

人間もまた、過去の経験が通用しない未知の状況や、選択肢が多すぎる環境に置かれると、情報の取捨選択ができずにフリーズしてしまいます。

たとえば、突然の災害でパニックになったり、数百種類の商品が並ぶ棚の前でどれを選んでいいかわからなくなったりするのは、フレーム問題とよく似た認知的な混乱状態といえます。「何を無視して、何を優先すべきか」という枠組みが崩壊すると、人間もAIと同様に思考停止に陥ります。

人間がスムーズに行動できるのは、あくまで「日常」というある程度予測可能なフレームの中にいる時だけに限られているのです。

「身体性」と「生存本能」の有無

AIと人間の決定的な違いは、人間には「身体」があり、「死にたくない」「痛いのは嫌だ」という生存本能が強力な判断基準として機能している点です。

人間にとって「痛み」や「空腹」は、どんなに複雑な計算よりも優先される絶対的な信号です。もし目の前に猛獣が現れたら、人間は壁の色や風向きなどを一切無視して「逃げる」という行動を最優先します。この身体性が強制的なフィルターとなり、思考の暴走を止めています。

一方、身体を持たないAIには「生き延びる」という根本的な動機が明示的には存在しないため、優先順位を自律的に決定することが難しく、設計次第では膨大な計算に依存してしまう場合があります。

フレーム問題は現在解決済みか？

結論からいうと、フレーム問題は現在（2025年12月時点）でも完全には解決されていませんが、ディープラーニングやトランスフォーマー技術の登場により、状況は劇的に改善されました。かつてのように人間がすべてを記述する必要がなくなり、AI自身が学習するようになったことで、実用上の壁は低くなりつつあります。しかし、論理的な根本解決には至っておらず、課題は依然として残っています。

ここでは、技術の進歩によるフレーム問題へのアプローチの変化と現状について解説します。

【結論】依然として完全解決には至っていない

フレーム問題は、論理的な形式知だけでは現実世界のすべてを記述できないという根本的な課題であり、現在もAI研究の最大の難問として残っています。

特定のゲームや限定された環境下ではフレーム問題を感じさせないAIが登場していますが、それはあくまで「限定されたフレーム内」での成果です。汎用的な環境、つまり何が起こるかわからない現実世界にAIを放り込んだ場合、やはりAIは想定外の事態に弱さを露呈します。

完全に自律してあらゆる状況に適応できるAIはまだ誕生しておらず、フレーム問題は依然として高い壁として立ちはだかっています。

ディープラーニングにより大きく進歩した

ディープラーニングの登場は、AIが大量のデータからパターンを認識することを可能にし、フレーム問題を「緩和」することに大きく貢献しました。

従来のAIは、人間が「犬とはこういうものだ」というルールを一つひとつ記述する必要がありましたが、ディープラーニングでは、AIが大量の画像を読み込むことで、自ら犬のパターンを学習します。

これにより、人間があらゆる可能性を事前にプログラムする必要がなくなり、AIが対応できる「枠」の範囲が飛躍的に広がりました。確率的・統計的なアプローチをとることで、厳密な論理計算の罠にはまることなく、柔軟な判断がある程度できるようになっています。

人間が教えずとも「特徴量」を抽出できるようになった

最新のAIは、対象のどこに注目すべきかという「特徴量（データの中から予測に役立つ要素を抽出した数値）」を自動で抽出できるため、人間が手動でフレームを設定する手間が大幅に減りました。

昔のAI開発では、人間が「コップには取っ手がある」といった特徴を定義して入力する必要があり、これがフレーム問題の温床となっていました。現在のAIは、データの中から自律的に重要な特徴を見つけ出します。

これにより、AIは未知のデータに対してもある程度の推論が可能になり、「関係ないこと」を統計的に無視する能力を獲得しつつあります。完全ではありませんが、人間の直感に近い処理が可能になりつつあるのが現状です。

ChatGPTはフレーム問題を克服した？

ChatGPTなどの大規模言語モデル（LLM）は、あたかも人間のような常識を持っているように振る舞うため、一見するとフレーム問題を克服したかのように見えます。しかし、最新のGPT-5シリーズであっても、基本的には統計的・確率的な手法を中心に言葉を生成しており、人間と全く同じプロセスでの本質的な意味を理解しているわけではありません。彼らの回答は、膨大なデータに基づく「もっともらしい予測」に過ぎないのです。

ここでは、ChatGPTにおけるフレーム問題の現状と、AGI（汎用人工知能）への課題について解説します。

【結論】ChatGPTはフレーム問題を完全には克服できていない

ChatGPTは非常に高度な対話が可能ですが、フレーム問題を根本的に解決したわけではなく、膨大な知識によって「解決しているように見せている」状態です。

ChatGPTは、インターネット上の膨大なテキストデータを学習し、次に来る単語を確率的に予測しています。これにより、文脈に沿った自然な回答を生成できますが、それは「現実世界の物理的な意味」を理解して関係ない情報を捨てているというより、大量の事例から適切そうな情報を選択している結果です。

学習データに含まれていない全く新しい状況や、論理的な整合性が厳密に求められる複雑なタスクにおいては、依然として見当違いな回答をしたり、考慮漏れを起こしたりすることがあります。

膨大なデータ学習で「常識」を獲得した

ChatGPTは、世界中のテキストデータを読み込むことで、人間社会の「常識」や「文脈」を疑似的に獲得し、多くの場面で適切な枠組みを設定できるようになりました。

たとえば「雨が降っている」と言えば、「傘が必要だ」という関連情報を即座に引き出せます。これは、過去のデータの中で「雨」と「傘」がセットで語られる確率が高いことを知っているからです。

この統計的な処理能力により、人間がいちいちルールを教えなくても、AIが自律的に「関係のある情報」にアクセスできるようになり、実用上はフレーム問題を回避できているケースが増えています。

完全な克服ではなく「ハルシネーション」が残る

ChatGPTが抱える「ハルシネーション（もっともらしい嘘）」は、AIが事実性や重要度を文脈に応じて十分に評価できない場合があることを示しており、フレーム問題と構造的に関連する課題といえます。

AIは、事実かどうかよりも「文章として自然かどうか」を優先して生成を行うことがあります。これは、AIの中に「真実」という確固たるフレーム（基準）が存在しないために起こります。

GPT-5シリーズなどの最新モデルでは参照機能や推論能力が強化され、ハルシネーションは激減しましたが、それでもゼロにはなっていません。情報の正しさや重要性を文脈に応じて適切に判断し、嘘や無関係な情報を完全に排除することは、現在の技術ではまだ困難です。

完全解決が「AGI（汎用人工知能）」への高い壁となっている

フレーム問題の完全な解決は、人間のようにあらゆる課題に対応できる「AGI（汎用人工知能）」を実現するための必須条件であり、高いハードルの一つです。

現在のAI（特化型AI）は、画像認識や翻訳など特定のタスクでは優秀ですが、想定外すぎる事態には対処できません。AGIが実現するためには、未知の環境でも自律的に重要な情報を見極め、目標を再設定する能力が必要です。

そのためには、単なるデータ処理能力の向上だけでなく、身体性を持たせるアプローチや、因果関係を理解する新しいアルゴリズムの開発など、フレーム問題を乗り越えるためのブレイクスルーが待たれています。

AIの基礎知識

ChatGPTのモデルの違いとは？GPTシリーズの歴史を解説

OpenAIの言語モデル「GPTシリーズ」はGPT-1からGPT-5まで進化を重ねており、それぞれで性能や役割が異なります。特に、ChatGPTのモデル違いは、推論の精度やマルチモーダル対応、処理速度の向上などによって明確に区別できます。当記事では、GPTシリーズの歴史を時系列で整理し、各モデルがどのように発展してきたのかを解説します。※（免責）2025年11月時点の内容となります。ChatGPTのモデル「GPTシリーズ」の歴史ChatGPTのベースとなるGPTシリーズは、世代ごとに学習量・推論能力・応用範囲が拡大し、自然言語処理の可能性を広げて...

フレーム問題の関連用語は？

フレーム問題には、その難しさを別の角度から表現した派生的な問題がいくつか存在し、それぞれがAI研究の重要な側面を浮き彫りにしています。これらを知ることで、なぜAI開発がこれほどまでに困難なのかを、より立体的に理解できるようになります。

ここでは、特に有名な「白紙フレーム問題」と「空フレーム問題」という2つの概念について解説します。

探索範囲が定まらない「白紙フレーム問題」

白紙フレーム問題とは、AIに何の知識も与えない「白紙」の状態から学習を始めさせると、何を学習すべきかの枠組みすら作れず、一歩も進めなくなる問題です。

人間には生まれつき備わっている認知の枠組みがありますが、AIにはそれがありません。何の手がかりもない状態で「世界を理解しろ」と命令しても、AIはどこに注目してよいかわからず、無限の情報を前に立ち尽くしてしまいます。

これは、最低限のフレーム（初期知識や制約）をどのように設定すべきかという、学習のスタート地点に関する問題です。

計算能力が足りない「空フレーム問題」

空フレーム問題とは、たとえ適切な枠組み（フレーム）があったとしても、その枠内で計算すべき量が膨大すぎて、現実的な時間内に処理が終わらない問題を指します。

これは「計算量の爆発」とも呼ばれます。たとえば、将棋の全手を完全に読み切ろうとすると、宇宙の寿命よりも長い時間がかかるといわれています。理論的には正解を導き出せるはずでも、物理的な計算能力や時間の制約によって事実上不可能になる現象です。

この問題は、AIがいかに効率よく「近似解（だいたい合っている答え）」を見つけるかというアルゴリズムの進化と密接に関わっています。

フレーム問題を理解して、AIと上手に付き合いましょう

フレーム問題は、AIが「想定外」に弱い理由を説明する重要な概念です。AIは万能ではなく、与えられたデータの範囲内でしか完璧に振る舞うことができません。しかし、この特性を理解していれば、AIに任せるべき仕事と人間が判断すべき仕事を適切に切り分けることができます。

AIの進化は目覚ましいですが、最終的な責任や倫理的な判断は人間が担う必要があります。欠点を補い合いながら共存することが、これからのAI時代には求められています。

• 監修：マネーフォワード クラウド

  マネーフォワード クラウドが監修する「AIの基礎知識」です。ビジネスや生活に役立つAIの基本と最新情報を分かりやすく解説。AIを身につけ、新しい一歩を踏み出すのを応援します。