インタラクションモデルの革新：ターン制を超えたリアルタイム人間AI協調の新パラダイム
Thinking Machines Labが発表したインタラクションモデルは、従来のターン制AIインターフェースの根本的な限界を克服し、音声・映像・テキストをリアルタイムで統合処理することで、人間とAIの協調を自然な対話レベルへと引き上げる新しいアーキテクチャを提示している。
なぜ今、インタラクションの設計が問われるのか
AIの能力が急速に向上する中、多くの研究機関や企業が「自律性（autonomy）」をモデルの最重要指標として追い求めてきた。長時間タスクをどれだけ人間の介入なしに完遂できるか、という観点での評価が主流となり、METRによる「長タスク完遂能力の測定」のような研究がその方向性を象徴している。
しかしThinking Machines Labは、2026年5月11日に公開したブログ記事「Interaction Models: A Scalable Approach to Human-AI Collaboration」の中で、この潮流に対して根本的な問いを投げかけた。自律性の追求が、人間をループから押し出してしまっているのではないか、と。
あるフロンティアモデルのモデルカードには、次のような記述があったという。「インタラクティブで同期的な『ハンズオンキーボード』パターンで使用した場合、モデルの恩恵は明確ではなかった。このような使い方では、一部のユーザーがモデルを遅すぎると感じ、十分な価値を得られなかった。自律的な長時間エージェントハーネスの方が、モデルのコーディング能力をより引き出せた」。
この記述は、現在のAIシステムが「人間が介在しやすいインターフェース」の設計を事実上放棄しつつあることを示している。Thinking Machines Labはこの問題を「コラボレーションのボトルネック」と呼び、その解決策として**インタラクションモデル（Interaction Models）**という新しいアーキテクチャを提案した。
ターン制インターフェースの構造的限界
現在の主流AIモデルは、「ターン制（turn-based）」と呼ばれる設計に基づいている。ユーザーが入力を終えるまでモデルは待機し、モデルが出力を終えるまでユーザーの新たな入力は受け付けられない。入力と出力は一本の順序付きトークン列として平坦化され、input1 → output1 → input2 → output2という直列的な流れで処理される。
この設計の問題点は、人間同士のコミュニケーションとの根本的な乖離にある。言語学者のClarkとBrennanが1991年の論文「Grounding in Communication」で指摘したように、人間のコミュニケーションが効果的に機能するためには以下の三要素が必要だ。
- 共在性（Copresence）：互いが同じ対象と相互作用できること
- 同時性（Contemporality）：情報が生成されると同時に受け取れること
- 並行性（Simultaneity）：情報の受信と発信を同時に行えること
ターン制モデルはこの三要素をいずれも満たさない。ユーザーが話している間、モデルはその内容を知覚できない。モデルが生成している間、その知覚は凍結し、新たな情報を受け取れない。これは、重要な意見の相違をメールで解決しようとするようなものだ——対面での議論と比べて、どれほど多くのニュアンスや文脈が失われるかは明白である。
Hayekが1945年の論文「The use of knowledge in society」で論じた「時間と場所の特定の状況に関する知識」、あるいはScottが「Seeing like a State」で描いた実践的知識（Métis）——こうした文脈依存的・経験的な知識は、狭帯域のターン制チャネルでは十分に伝達できない。AIとの協働において人間の判断力や直感が活かされにくいのは、モデルの知性の問題ではなく、インターフェースの帯域幅の問題なのだ。
マイクロターン設計：時間を軸にした連続的知覚
Thinking Machines Labが提案するインタラクションモデルの核心は、時間整合型マイクロターン（time-aligned micro-turn）設計にある。
従来のターン制では、入出力が一本のトークン列に平坦化されていた。これに対してインタラクションモデルは、インタラクションを時間軸上に連続するストリームとして捉え、約200ミリ秒単位のマイクロターンに分割して処理する。音声・映像・テキストの各ストリームが並行して入力され、モデルはそれらを継続的に知覚しながら、同時に出力を生成する。
図1: ターン制モデルは交互のトークン列を処理するのに対し、時間認識型インタラクションモデルは連続するマイクロターンのストリームを処理する。沈黙・重複・割り込みがすべてモデルのコンテキストとして保持される点が根本的な違いである。
この図が示すように、インタラクションモデルでは「沈黙」「発話の重複」「割り込み」といった要素が、例外的なイベントとして外部から処理されるのではなく、モデル自身のコンテキストの一部として常時保持される。これにより、モデルは話者が「考えている」のか「発話を譲ろうとしている」のか「自己修正しようとしている」のか「応答を促しているのか」を、外部のダイアログ管理コンポーネントなしに暗黙的に追跡できる。
アーキテクチャの詳細：二層構造による知性と応答性の両立
インタラクションモデルのシステムは、二つの主要コンポーネントから構成される。
① 時間認識型インタラクションモデル（Time-aware Interaction Model）
リアルタイムの存在感（real-time presence）を維持するためのコンポーネント。音声・映像・テキストを連続的に知覚し、マイクロターン単位で応答を生成する。このモデルは「経過時間の直接的な感覚」を持ち、沈黙の長さや発話のタイミングを文脈として活用できる。
② 非同期バックグラウンドモデル（Asynchronous Background Model）
持続的な推論、ツール使用、長期的なタスク処理を担うコンポーネント。フロントのインタラクションモデルが会話を継続しながら、バックグラウンドでウェブ検索、ツール呼び出し、UIの生成などを並行して実行する。その結果は会話の流れに自然に織り込まれる。
この二層構造により、「即時応答性」と「深い推論能力」というトレードオフを解消している。従来のシステムでは、深い推論を行うほど応答が遅くなり、インタラクティブ性が損なわれていた。インタラクションモデルはこの問題を、処理の時間スケールを分離することで解決している。
解放されるインタラクション能力
この設計が実現する具体的な能力は、従来のハーネス（外部スキャフォールディング）では模倣困難なものばかりだ。
シームレスなダイアログ管理：話者が考えているのか、発話を終えたのか、応答を求めているのかを、外部コンポーネントなしに追跡する。音声活動検出（VAD）のような手工芸的なターン境界検出は不要になる。
言語的・視覚的割り込み：ユーザーが発話を終えるのを待たずに、文脈に応じて適切なタイミングで介入できる。これは人間同士の会話では当然の行為だが、ターン制AIでは構造的に不可能だった。
同時発話（Simultaneous Speech）：ユーザーとモデルが同時に話せる。例えばリアルタイム翻訳のユースケースでは、この能力が本質的に重要になる。
時間認識：経過時間を直接的に感知する能力。沈黙の長さが持つ意味（考慮中なのか、困惑しているのか、同意しているのか）を文脈として解釈できる。
並行ツール呼び出しと生成UI：会話を続けながら、同時にウェブ検索やUI生成を実行し、その結果を会話に自然に統合する。
これらの能力が組み合わさることで、長時間のセッションにおいて「プロンプトを打ち込む」体験ではなく、「協働している」という体験が生まれる。
「苦い教訓」とスケーラビリティの論理
Thinking Machines Labが強調する重要な論点の一つが、インタラクティブ性をモデル自体の一部にする必要性だ。
現在の多くのリアルタイム音声システムは、VADコンポーネントを使ってターン境界を検出し、複数のモデルをハーネスで繋ぎ合わせることでインタラクティブ性を「エミュレート」している。しかしRich Suttonが2019年に提唱した「苦い教訓（The Bitter Lesson）」——手工芸的なシステムは汎用能力の進歩によって必ず追い抜かれる——は、この方向性の限界を示唆している。
インタラクティブ性がモデルの外部に実装されている限り、モデルをスケールアップしても協調能力は向上しない。しかしインタラクティブ性がモデルの内部に組み込まれていれば、モデルをスケールするほど、より賢くなると同時により良い協働者になる。これがインタラクションモデルの根本的な設計思想だ。
ロボティクスや自動運転車がリアルタイム処理を当然の前提として設計されているように、音声フルデュプレックスモデル（Moshi、PersonaPlex、Nemotron VoiceChat、SeeduplexなどはすでにこのアプローチをAudio領域で実践している）と同様に、インタラクションモデルはこの原則をマルチモーダルな領域全体に拡張しようとしている。
業界・社会への影響と示唆
このアプローチが広く採用された場合、その影響は技術的な領域を超えて広がる。
知識労働の再定義：要件を事前に完全に仕様化してAIに委ねるのではなく、曖昧な状態から始めてAIと対話しながら成果物を形成していくプロセスが、より自然かつ効果的になる。これはソフトウェア開発、研究、デザイン、教育など、多くの知識集約的な領域に影響する。
人間の判断力の保全：自律型AIへの過度な依存が「人間をループから押し出す」問題に対して、インタラクションモデルは構造的な解決策を提供する。AIが賢くなるほど人間の関与が減るのではなく、AIが賢くなるほど人間との協働がより豊かになるという方向性だ。
アクセシビリティの向上：テキスト入力に依存しないマルチモーダルなリアルタイムインターフェースは、デジタルリテラシーの低いユーザーや、身体的制約を持つユーザーにとってのアクセシビリティを大幅に改善する可能性がある。
プライバシーと倫理の新たな課題：常時音声・映像を知覚するシステムは、データの収集・保存・利用に関する新たな倫理的問題を提起する。沈黙や表情、視線といった非言語情報がモデルのコンテキストに含まれることの意味は、慎重に検討される必要がある。
まとめ：インタラクティブ性をスケールの中心に置く
Thinking Machines Labのインタラクションモデルは、AIの「賢さ」と「協調しやすさ」を切り離して考えてきた従来の設計思想に対する根本的な異議申し立てだ。
ターン制という制約の中でどれだけ高度な推論を実現するかではなく、インタラクティブ性そのものをモデルの中核に据え、スケールとともに向上させるという方向性は、人間とAIの関係性を再設計する試みとして注目に値する。
今後の課題は、このアーキテクチャが実際の多様なユースケースでどれほどの性能を発揮するか、そして常時知覚型システムが持つプライバシーリスクをどのように管理するか、という点にある。リサーチプレビューとして公開されたこのシステムが、どのように発展し、業界標準に影響を与えていくかは、今後数年間のAI開発の方向性を占う上で重要な指標となるだろう。
インタラクティブ性は後付けの機能ではない——それは知性と同じスケールで成長すべき、AIの本質的な能力なのだ。
