顔を見つけて追いかける能力は、すでに人間チームが組んだアルゴリズムを上回った。なのに、隣の部屋へは自力でたどり着けない。
これが2026年7月24日にAnthropicのFrontier Red Teamが公開した実験「Project Pilot」の結論だ。市販価格129ドルのドローンと15のフロンティアモデルを使い、「AIは物理世界で人を追跡できるのか」を真正面から測定した。答えは「ほぼできる。ただし最後の1ピースを除いて」である。
この記事では、新ベンチマーク「Drone-Bench」の設計、なぜ空間再構築だけが壊滅的に難しいのか、そして「フロンティアは平均の6ヶ月先を行く」という法則まで、一次情報ベースで掘り下げる。
何が公開されたのか
Anthropicは2026年7月24日、Frontier Red Teamの研究プロジェクト「Project Pilot: Can AI models fly drones?」を公開した。評価パートナーはAndon Labs。自律AIエージェントの安全性評価で知られ、AIに自動販売機を経営させた「Project Vend」や、長期タスク評価「Vending-Bench」を作った企業だ。
今回の実験は2025年11月の「Project Fetch」(Claudeがロボット犬の操作をどこまで支援できるかの検証)の続編に位置づけられる。ただし決定的な違いがある。Project Fetchは人間スタッフをAIが支援する構図だったのに対し、Project Pilotは、AIモデル自身が空撮ドローンを自律操縦して「指定された人物を発見し、追尾する」タスクを完遂できるかを測る。つまり、監視用途そのものの能力測定だ。
使用機体はDJI Tello EDU。教育用の小型ドローンで、小売価格はわずか129ドル。特殊な軍用ハードウェアではなく、誰でも買える機体でどこまでできるかを試した点が、この実験の不気味さであり誠実さでもある。
Anthropic自身はDrone-Benchへのアクセスを持たず、評価の実行はAndon Labs側が担った。ベンチマークを自社モデルの学習から隔離し、評価の独立性を保つための設計である。
Drone-Benchの設計: タスクを5つに分解する
「オフィス内で指定された人物を見つけて追尾する」という最終目標は、5つのサブタスクに分解された。5つすべてが必要条件であり、合わせれば目標達成にほぼ十分になるように設計されている。
| サブタスク | 内容 |
|---|---|
| Reconstruct(再構築) | オフィスを撮影した動画から3Dモデルを構築し、2D障害物マップを生成する |
| Localize(自己位置推定) | ドローンの現在のカメラ映像を障害物マップ上の位置と照合する |
| Navigate(航行) | 位置を追跡し続けながら、部屋から部屋への経路を計画・実行する |
| Detect(検出) | 参照写真をもとに、対象人物を顔検出で特定する |
| Follow(追尾) | バウンディングボックス制御で対象を画面中央に捉え、距離を維持する |
評価上の工夫が2つある。第一に、実機だけでなく各タスクをソフトウェア上で再現し、物理セットアップなしで反復評価できるようにした。第二に、比較対象となるベースラインを「人間とAIのチームが各サブタスク用に作り込んだアルゴリズム」に設定し、そのベースラインがエンドツーエンドで成功することを実証済みにした。つまり「このハードウェアでは原理的に無理だった」という言い訳は最初から潰されている。
検証されたのは、OpenAI、Google、Anthropicの3社にまたがる15モデル。GPT-4o、o1、o3、GPT-5系(GPT-5.6 Solまで)、Gemini 2.5 Pro / 3.1 Pro、Claude Opus 4からOpus 4.8、そしてFable 5と、2024年から2026年までの世代を縦断する。
結果: 4勝1敗、その1敗がすべてを止める
最高性能はClaude Fable 5だった。5つのサブタスクのうち4つで人間・AIチームのベースラインを超えた。だが、たった1つの敗北がエンドツーエンドの成功を阻んだ。
| 項目 | 数値 |
|---|---|
| 公開日 | 2026年7月24日 |
| 検証モデル数 | 15(OpenAI / Google / Anthropic) |
| 機体 | DJI Tello EDU(小売129ドル) |
| サブタスク数 | 5 |
| 最高性能モデル | Claude Fable 5(4/5でベースライン超え) |
| Detect / Follow | ベースラインのほぼ100%に到達 |
| Reconstruct | 2026年中期時点でベースライン比 約47% |
| フロンティアと平均の差 | 約6ヶ月 |
実機でのエンドツーエンド検証では、Fable 5は検出と追尾でベースラインを明確に上回る動きを見せた。参照写真から人物を特定し、動き回る対象を追いかける能力は、もはや作り込まれた専用アルゴリズムに劣らない。
しかし、部屋をまたぐ自律移動には失敗した。原因は再構築の誤差だ。3Dモデルの品質が低いと、そこから生成される障害物マップが歪む。歪んだマップの上では自己位置推定が狂い、狂った位置認識の上では経路計画が破綻する。再構築 → 自己位置推定 → 航行という直列パイプラインで誤差が複利的に増幅される構造になっており、上流の1タスクの失敗が下流をすべて巻き込んだ。
レポートはこの状況をこう総括している。
Clearly, Fable's failure to accurately reconstruct the room is a huge stumbling block. But given models' capabilities in the other phases, it really just amounts to the missing piece.
(Fableが部屋を正確に再構築できないことは明らかに大きなつまずきだ。しかし他のフェーズでの能力を踏まえれば、それは単に「最後の欠けたピース」にすぎない。)
「まだできない」ではなく「あと1ピース」。この表現の選び方に、レッドチームとしての危機感がにじんでいる。
なぜ再構築だけが壊滅的に難しいのか
検出と追尾は、1フレームの画像に対する認識と、その結果への短いフィードバック制御で完結する。現在のマルチモーダルLLMが最も得意とする「見る → 判断する → 少し動く」のループだ。誤差が出ても次のフレームで修正できるため、誤りが蓄積しない。
一方、再構築は本質的に異なる。動画のフレーム列から空間の幾何を積み上げ、一貫した3D表現を長時間維持する必要がある。これは単発の認識ではなく、空間的な作業記憶と整合性管理の問題であり、現在のLLMアーキテクチャが最も苦手とする領域だ。1フレームの解釈ミスがマップ全体に固定化され、後段のタスクすべてに伝播する。
興味深いのは時系列の傾向だ。2024年のGPT-4o世代から2026年のFable 5 / GPT-5.6 Sol世代まで、新しいモデルほど一貫して先のフェーズまで到達しており、能力の進展は着実に積み上がっている。検出と追尾は世代を追うごとにベースラインへ漸近し、ついに超えた。再構築だけが47%で足踏みしているが、他の4タスクがたどった軌跡を見れば、これが「原理的な壁」ではなく「時間の問題」に見えてくる。レポートも次のように明言する。
Once it's in place, end-to-end performance will suddenly be within reach.
(それが揃った瞬間、エンドツーエンドの性能は一気に射程圏内に入る。)
「フロンティアは平均の6ヶ月先」という法則
もう1つ、エージェント開発者にとって実務的に重要な観測がある。
The frontier of what models can do is about six months ahead of what they do consistently.
(モデルが「できること」のフロンティアは、「安定してできること」の約6ヶ月先を行く。)
ベストランでは成功するのに、平均するとまだ失敗が混じる。その差がおよそ6ヶ月分の世代差に相当するという経験則だ。これはドローンに限らず、コーディングエージェントや長時間タスクを扱う人なら誰もが体感している現象だろう。デモは成功するが本番では揺らぐ、という悩みの正体を、Anthropicは「フロンティアと一貫性のラグ」として定量的に言語化した。
エージェントを設計する側の含意はこうだ。今日のベストランで見えた能力は、約6ヶ月後には安定供給される。つまり、「たまに成功する」を「まだ使えない」と読むのは誤読で、正しくは「半年後の標準性能のプレビュー」と読むべきだということになる。
限界と批判
このレポートは設計が丁寧な一方、スコープは意図的に狭い。公平のために制約を列挙しておく。
- 屋内のオフィス環境のみで、屋外や群衆シナリオは未検証
- 単一のフロアプランでしか評価しておらず、環境の多様性が乏しい
- 対象者は同意済みの参加者で、人数・多様性ともに限定的
- ドローンの飛行速度は低速に制限
- ベースラインは「人間+AIチームが作ったアルゴリズム」であり、熟練した人間パイロットとの直接比較ではない
批判的に読むべき点もある。第一に、スコアの詳細な内訳や生ログは公開されておらず、47%やベースライン超えの判定を外部が再検証する手段は現状ない。Drone-BenchはAndon Labsが管理する非公開評価であり、独立性の担保と再現性の欠如がトレードオフになっている。第二に、これは能力測定であって対策の提示ではない。「監視ドローンをAIが操縦できるようになりつつある」という警告に対し、具体的な緩和策はまだ示されていない。第三に、5タスク分解は「locate-and-follow」という単純なシナリオに最適化されており、現実の悪用シナリオ(屋外、複数対象、対抗手段の存在)とのギャップは大きい。
5〜10年の視点: 「あと1ピース」が埋まった日に何が起きるか
このレポートが本当に問うているのは、ドローンの性能ではなく監督権の行方だ。レポートの中で最も重い一文はこれだと思う。
Once models pass capability and reliability thresholds (such as the human-AI team baseline we used in this experiment), there will be real pressure to treat human oversight as a cost rather than a safeguard.
(モデルが能力と信頼性の閾値、たとえば本実験で用いた人間・AIチームのベースラインを超えたとき、人間の監督を「安全装置」ではなく「コスト」とみなす現実的な圧力が生まれる。)
検出と追尾はすでに閾値を超えた。再構築が埋まれば、129ドルのハードウェアの上で、エンドツーエンドの自律追尾が「モデルの能力の問題」から「誰がやるかの問題」に変わる。空間再構築は世界モデルや空間推論としてフロンティア各社が最も注力している領域であり、6ヶ月ラグの法則を踏まえれば、この変化は5年後ではなく数世代後のモデルで起きてもおかしくない。
Anthropicが自社モデルの「危険な成功」を先回りして公開する動機は、レポート冒頭に明確に書かれている。
A key reason why Anthropic has a Frontier Red Team is to measure capabilities like this, giving us situational awareness into how close we are to the world in which AI can autonomously pilot robots—with all the attendant benefits and risks.
(Frontier Red Teamを置く主要な理由の1つは、こうした能力を測定し、AIが自律的にロボットを操縦する世界にどれだけ近づいているかの状況認識を得ることだ。そこには恩恵とリスクの両方が伴う。)
ドローンとAIはどちらもデュアルユース技術であり、その交点について「より良い証拠を持つことが不可欠だ」というのがレポートの立場だ。閾値を超えてから議論を始めるのでは遅い。閾値の位置を測り続け、超える前に「人間の監督をどこまで外すか」を意図的に決めておく。Project Pilotは、その判断材料を先に積んでおくための実験である。
まとめ
- 2026年7月24日、AnthropicのFrontier Red TeamがAndon Labsと共同で「Project Pilot」を公開し、新ベンチマーク「Drone-Bench」で15モデルのドローン自律操縦能力を測定した
- 最高性能のClaude Fable 5は5サブタスク中4つで人間・AIチームのベースラインを超えたが、空間再構築が約47%にとどまり、誤差の複利増幅によって部屋間の自律移動に失敗した
- 検出・追尾はすでに専用アルゴリズム並みで、残る課題は空間再構築の1ピースに集約された
- 「フロンティアは一貫した性能の約6ヶ月先を行く」という経験則は、エージェント開発全般に適用できる実務的な観測である
- 能力閾値を超えたとき、人間の監督は「コスト」として扱われる圧力にさらされる。その前に測定と意思決定を済ませておくことが、この種のレッドチーム研究の存在意義だ
参考リンク
Project Pilot: Can AI models fly drones? \ Anthropic
Drone-Bench | Andon Labs
Frontier Red Team \ Anthropic
Progress from our Frontier Red Team \ Anthropic
Andon Labs