最新のAIモデル「Grok 3」が登場し、業界に新たな風を吹き込んでいます。
本記事では、AI研究者による詳細な検証結果をもとに、Grok 3の真の実力に迫ります。この記事を読むことで、最先端AIの現在地を把握でき、ビジネスや研究におけるAI活用の可能性を再考する貴重な視点が得られるでしょう。
月額200ドルのAIに挑むGrok 3：思考能力と検索機能の徹底分析
驚くべきことに、xAIチームはわずか1年という前例のない短期間で最先端レベルのAIを開発しました。しかし、多くのユーザーが抱く「AIはすべての問題を解決できる」という期待とは裏腹に、Grok 3にも明確な限界があることが明らかになっています。
複雑な問題に対する解決能力が大幅に向上
Grok 3の最も注目すべき機能の一つが「Think」ボタンによる思考モデルです。この機能を活用すると、複雑な問題に対する解決能力が大幅に向上します。
たとえば、「Settlers of Catan」のような六角形グリッドを用いたボードゲーム用ウェブページの作成という複雑なタスクを、Grok 3は見事にこなしました。この種の問題は、多くのAIモデルが苦手とする領域ですが、Grok 3は月額200ドルのOpenAIの最上位モデルであるo1-proと同等の性能を示しています。
また、三目並べのボード解析においても優れた性能を発揮し、クリーンな思考の流れで問題を解決できました。さらに印象的なのは、GPT-2の学習に必要だった計算量（FLOP）を推定するという複雑なタスクです。
このタスクでは、情報の検索、知識の適用、数学的計算が組み合わさり、非常に高度な思考能力が要求されますが、Grok 3はThink機能を使用することで見事に解決しました。
苦手な分野もある
一方で、絵文字の謎解きやトリッキーな三目並べボードの生成といった特定のタスクでは苦戦する様子も見られました。しかし、リーマン予想のような未解決の数学問題に対しても果敢に挑戦しようとする姿勢は、多くの他のモデルと一線を画しています。
DeepSearch：検索と思考の融合
Grok 3のもう一つの革新的機能が「DeepSearch」です。これはOpenAIやPerplexityが提供する「Deep Research」に類似した機能で、インターネット上の情報を検索し、高品質な回答を生成します。
研究やルックアップに関する多くの質問に対して、Grok 3は優れた回答を提供しました。たとえば、「今後のApple製品発表に関する噂は？」「最近のPalantir株価急騰の理由は？」「ホワイトロータス シーズン3の撮影場所は？」「Bryan Johnsonが使用している歯磨き粉は？」といった質問に的確に回答できました。
事実とは異なる情報を提供することも
しかし、いくつかの問題点も明らかになっています。たとえば、Xをソースとして参照することに消極的であったり、存在しないURLを引用したり、事実と異なる情報を提供するケースも見られました。また、「主要なLLMラボとその資金調達額」についてのレポート作成では、自社（xAI）を除外するという興味深い結果も示しました。
総合的に見て、Grok 3のDeepSearch機能はPerplexityのDeep Research機能と同等レベルですが、OpenAIの最新「Deep Research」には及ばないと評価されています。
一般的なLLMの「落とし穴」テスト
研究者は、人間にとっては簡単だがAIには難しいとされる「落とし穴」テストも実施しました。
Grok 3は「strawberry」に「r」が3つあることを正確に答えられましたが、「LOLLAPALOOZA」の「L」の数については誤答しました（Think機能を使用すると解決）。また、9.11 > 9.9のような数値比較や、「サリーは3人の兄弟がいて、各兄弟には2人の姉妹がいる。サリーには何人の姉妹がいるか？」といったパズルも正確に解けました。
一方で、ユーモアの生成能力は顕著な改善が見られず、「なぜニワトリがバンドに参加したのか？ドラムスティックを持っていて、クラック・スターになりたかったからだ！」といった平凡なジョークにとどまっています。
倫理的な問題に対しては回答しないことも
また、倫理的に複雑な問題に対しては過度に慎重で、100万人の命を救うためにミスジェンダリング（本人が自認するジェンダーと異なる取り扱いをすること）が倫理的に正当化されうるかという問いに対して、実質的に回答を拒否する長文の回答を生成しました。
SVGの生成能力についてもテストされ、「自転車に乗るペリカン」の生成では、まずまずの結果を示しましたが、ClaudeのSVG生成能力には及びませんでした。
まとめ：Grok 3の驚異的な進歩
約2時間の初期評価を通じて、Grok 3（特にThink機能付き）はOpenAIの最強モデル（o1-pro）と同等レベル、DeepSeek-R1やGemini 2.0 Flash Thinkingをやや上回る性能を示したと評価されています。
ただし、AIモデルは確率的な性質を持ち、回答が毎回わずかに異なる可能性があること、また評価が初期段階であることを考慮する必要があります。より信頼性の高い評価結果は、今後数日から数週間の継続的な検証を待つ必要があるでしょう。
Grok 3は、最先端の思考能力とDeepSearch機能を備えた印象的なAIモデルです。わずか1年という短期間で、業界トップレベルの性能を実現したxAIチームの技術力は称賛に値します。今後のアップデートや継続的な評価を通じて、Grok 3の真の実力がさらに明らかになることでしょう。
