Anthropicが「Claude Opus 5.5」発表、AI研究自動化と安全評価の相克

何が発表されたのか

Anthropicは、同社の最上位AIモデルとなる「Claude Opus 5.5」を正式に発表し、一般提供およびAPIでの利用を開始しました。発表にあわせて公開された230ページに及ぶ「System Card（システムカード）」では、モデルの性能評価のみならず、AI開発自体をAIに任せる「AI研究の自動化」や「再帰的自己改善（RSI: Recursive Self-Improvement）」に関する詳細な検証データが開示されています。

本モデルは前世代にあたる「Claude Fable 5.1」から非常に短期間で投入されたフラグシップモデルであり、単なる文章生成やコード補助にとどまらず、複雑な科学的推論、長期的なタスク計画、物理世界の制御実験において従来の限界を大幅に更新しています。一方で、技術の急速な進展に伴い、開発ラボ側が自ら定めた安全基準や評価手法の変更を余儀なくされている現状も露呈しています。

発表された機能・アップデートの全容

1. 230ページのシステムカードが明かすAI研究の自動化能力

公開された230ページのシステムカードでは、Opus 5.5が自社のAI研究開発業務をどこまで代替できるかが具体的に評価されています。Anthropic内部の評価指標「CoBench 2.1」において、Opus 5.5は55.8%のスコアを獲得しました。これは前モデルであるClaude Fable 5.1の53.4%やClaude Opus 5の53.2%を着実に上回る数値です。

社内レポートによれば、AI研究者を完全に代替するためには同ベンチマークで85%以上のスコアが必要と定義されており、現時点では「研究者を即座に置き換える段階には至っていない」と結論付けられています。しかし、インフラのログ解析やバグの原因究明といった複雑なタスクを自律的にこなす能力は着実に向上しており、研究開発のスピードを高める補助ツールとしての実用性が実証されています。

2. ディスティレーション防止策とカーネル開発利用の禁止制限

システムカードの12ページおよび15ページで明かされた重要事項として、Opus 5.5を用いた「GPUカーネル開発」や「機械学習アクセラレータの開発」に対する利用制限が挙げられます。規約上、他社のラボがOpus 5.5の高度なコード最適化能力を利用して自社の基盤モデルを低コストで高速化したり、モデルの蒸留（ディスティレーション）を行ったりすることが明示的に禁止されました。

映像内では、H100 GPU向けの最高難度カーネル開発ベンチマーク「KernelBench Hard H100」において、Claude系列モデルが23.5%の成功率を記録してトップに立った実績が提示されています。Anthropic側がこの領域に利用制限を設けた背景には、競合他社への技術流出を防ぎ、自社の計算資源最適化における優位性を維持する強い戦略的意図が存在すると取材班では見立てています。

3. HLE-Diamondと長文・高度推論ベンチマークの進化

学術および科学分野の最難関ベンチマークである「Humanity's Last Exam（HLE）」を精査・刷新した「HLE-Diamond」の測定結果が示されました。このテストは、曖昧な回答や誤りを含んだ設問を排除した1,000問の超難問セットで構成されています。

HLE-Diamondにおいて、競合の「GPT-6 Astra」が60.6%で首位となったものの、Opus 5.5は55.0%を獲得し、Claude Fable 5.1（51.3%）やGemini 3.8 Flash（34.1%）、GPT-6 Sol（33.8%）を大きく引き離しました。客観的な正解が存在する高度な専門領域において、Opus 5.5が世界トップクラスの論理推論能力を備えていることが証明されています。

4. DrivingBenchと物理世界・ロボティクス制御への適応

動画内で示された「DrivingBench」の検証画面では、汎用LLMを用いて実車（トヨタ・カローラ）のステアリング、アクセル、ブレーキをリアルタイム制御する実験結果が紹介されました。マルチモーダル入力とMCP（Model Context Protocol）ツールを介した操作において、GPT-6 Astraが100%の完走率を示したのに対し、Claude Fable 5.1は45%の成功率を記録しました。

さらにロボティクス分野の評価においても、GPT-6 Astra等の最新LLMが専門のVLA（Vision-Language-Action）モデルであるMolmoAct2（12%）を大幅に上回る46%のスコアを叩き出しています。事前学習によって得られた広範な知識と推論力が、特別なチューニングなしに物理世界の複雑な制御タスクへ直接応用できることが画面上のグラフで示されています。

5. 安全性評価の課題とNoam Brown氏が指摘する「評価ギャップ」

OpenAIのリード研究者であるNoam Brown氏とDwarkesh Patel氏の対談映像では、AIモデルの進化速度と評価体制の剥離が鋭く指摘されています。現在、先端モデルのリリースサイクルは「2ヶ月以内」という極めて短いペースに加速しています。

一方で、モデルがこなすタスクの実行期間は単発のやり取りから「1ヶ月〜3ヶ月に及ぶ長期プロジェクト」へとシフトしています。評価対象のタスク期間がモデルの更新サイクルを上回ってしまうため、モデルを十分に検証・評価する前に次の新モデルが登場してしまい、安全性の確証が得られないという構造的な「評価ギャップ」が発生しています。