GeoGuessr AI：機械は最強の人間に勝てるか？

2023年5月11日、世界で最もよく知られたプロのGeoGuessrプレイヤーの一人であるTrevor Rainboltが、world’s best ai vs geoguessr proという動画を投稿しました。彼は6ゲームすべてに負けました。相手は、Street Viewの画像だけからこのゲームを学んだ、Stanfordの研究モデルPIGEONでした。

「Rainboltと対戦した最初のAIだったわけではありません」。開発者の一人であるSilas AlbertiはNPRにそう語っています。「私たちは、Rainboltに勝った最初のAIにすぎません」。あれから3年、AIがGeoGuessrに勝てるかどうかは決着しました。役立つ問いは、GeoGuessr AIがどう場面を読むか、人がまだ優位に立つのはどこか、ルールが何を許すか、そして同じ技術を禁止ではなく実践にどう生かすか、です。

PIGEONは、Lukas Haas、Michal Skreta、Silas Alberti、Chelsea Finnによって作られました。StanfordのCS 330コースの授業プロジェクトとして始まり、2023年7月にarXivに掲載され、主要なコンピュータビジョンの会議の一つであるCVPR 2024で発表されました。

このモデルを単なるベンチマークの点数以上のものにしたのは、ライブのテストでした。Chrome拡張機能が、4つの方位それぞれでスクリーンショットを撮り、画像をモデルに送って、推定地点を置きました。Competitive Duelsでの458回の対戦で、あらゆる技能レベルのプレイヤーに勝ちました。著者らは、推測の前に任意のランダムな遅延を入れる仕組みさえ組み込み、その振る舞いを「より人間らしく見える」ようにしました。

中央値と平均を一緒に読んでください。推定の半分は約44 kmの範囲に入りましたが、平均のミスは252 kmでした。20回に1回以上の推定は750 kmを超えて外れており、そのミスが平均を押し上げています。著者らは限界についても率直です。現在のシステム（彼ら自身のものも含む）は、街路レベルの予測を確実には行えません。

汎用のAIも加わりました。2025年4月、Master Iランクのプレイヤー、Sam Pattersonは、OpenAIのo3を相手に、5回のNo Move（移動なし）ラウンドを戦いました。モデルには、ラウンドごとに90度ずつ離れた2枚のスクリーンショットだけを与えました。o3は23,179対22,054で勝ち、5か国すべてを正しく答えました。同じ月、1,100語の「GeoGuessrプロンプト」をo3向けに作ったものが話題になりましたが、2026年に200枚の写真で行ったテストでは、それは短いプロンプトより良くはありませんでした。

公開されたモデルは、40万枚の画像で訓練されました。ランダムに選んだ10万のGeoGuessr地点の、それぞれ4方向の画像です。数式を使わずに、パイプライン全体を段階ごとにご紹介します。

1. Step 1視界を数値に変換するPIGEONは、360度の全体をカバーする、90度ずつ離れた4枚の画像を受け取ります。OpenAIのCLIP（もともと画像と文章を対応させるために訓練されたモデル）が、各画像を埋め込みに変換し、4つを平均して、その場所の一つの要約にします。
2. Step 2キャプションから地理を学ぶ本格的な訓練の前に、モデルは、生成されたキャプションと対になった画像を学習しました。たとえば「この場所では、人々は道路の左側を走行する」「この場所は温帯の海洋性気候だ」といったものです。キャプションが、位置にとって重要な特徴へとモデルを押し進めます。
3. Step 3座標ではなくジオセルを選ぶPIGEONは緯度と経度を直接予測する代わりに、場面を2,203のジオセルのいずれかに振り分けます。それらは実際の行政境界に従い、各セルに十分な訓練例が入るまで統合され、大きすぎるセルはクラスタリングで分割されています。
4. Step 4遠いミスをより厳しく罰する訓練中、正解の隣にあるセルには、距離に応じた重み付けで部分的な得点が与えられます。モデルは、近いミスが遠いミスより良いことを学びます。これはGeoGuessrの採点と同じ論理です。
5. Step 5最有力候補の内側で絞り込む最後に、もっとも可能性の高い5つのジオセルを取り、その中の訓練地点のクラスタと場面を比べて、ピンを最も近い一致へ動かします。著者らは、この検索の段階は、この分野で初めてのものだと説明しています。

ボラードが何かを、モデルに教えた人はいません。著者らは、それが「オンラインのGeoGuessrガイドで教えられている戦略」を学んだことを見つけました。植生、道路標示、電柱、看板に注意を払っています。それらは人間の国を示す手がかりのチェックリストと同じ種類の手がかりです。パノラマではなく普通の写真については、AIによる位置推定の解説で示した推論が当てはまります。

• 判断までの時間。 Pattersonはたいてい1〜2分以内、しばしば10秒以内に推測しました。o3はほぼ常に2分以上かかり、6分を超えることもありました。Duelsでは、一方のプレイヤーの推測によって、もう一方に残された時間が15秒しかないこともあるため、何分も考えることは実際のハンディキャップになります。
• 重要なものを知っていること。 Pattersonの評価では、人間は何が重要かを知るのがとても上手い一方、モデルは不要で反復的なトリミングを多く行い、「広告に何度も気を取られた」とのことでした。
• より良い手がかりのために動くこと。 PIGEONのボットは、固定された4枚の画像を判定しました。その人間の対戦相手は、場面の中を動き回ることもでき、それによって推測を磨くためのより多くの情報が得られました。論文自体がそれを指摘しています。

そのリストを深読みしないでください。約20ラウンドのテストの後、Pattersonはo3をMaster Iかそれ以上のプレイヤーと同等と評価しました。人間の優位性は、より多くを知っていることではなく、ゲームのプレイ方法に関するものです。

Pattersonは、道路の線、電柱、ボラード、ナンバープレートについて、数百のエントリがあるフラッシュカードの束を持っており、その差を率直にこう述べています。「これらのモデルは、個人の心が記憶しうる量よりも多くを持っている」。それが本当の強みです。人間は専門化しなければなりませんが、モデルはその必要がありません。

弱点は予測できます。PIGEONはGeoGuessrの地点だけで学習したため、ストリートビューがカバーしていない場所は見たことがありません。著者らは、トンネル、水域、暗い場面、森林を、最も難しい画像として挙げており、人口密度が下がるにつれて精度も下がります。

その言い回しは、AIの両方の種類をカバーしています。あなたに代わってプレイするボットは、サードパーティのソフトウェアです。スクリーンショットを貼り付けるチャットボットは、外部の情報源です。コミュニティルールは、不正の証拠がある場合の3つの罰則を挙げています。

• リーダーボード禁止：公式のシングルプレイのリーダーボードから削除され、今後も掲載されません。
• 競技の停止：競技とシングルプレイの公式リーダーボードから締め出されます。
• 競技からの永久禁止：競技プレイから永久に締め出され、公式のリーダーボードからも削除されます。

仮想アイテムを失うこともあり、その処置はあなたが所有するすべてのアカウントに及ぶことがあります。利用規約は別に、自動プログラムやスクリプトを禁止しており、ボットを名指ししています。また、一時的な停止や永久の禁止を科すことを認めています。停止または禁止されたプレイヤーに返金はありません。

PIGEONの実験そのものはどうでしたか？GeoGuessrの内部の協力を得て実施されました。論文は、人間の対戦相手とのライブゲームを可能にしてくれた、同社の最高技術責任者に謝意を述べています。実験を不正と分けたのは、ソフトウェアではなく、GeoGuessr自身が関わっていたことです。

1. Step 1ラウンドを正直にプレイする2つ目のタブも、アシスタントも、チャットボットへのスクリーンショットも使いません。ラウンドは、自分一人で読み取れるものを試すもので、それだけが測る価値のあるものです。
2. Step 2決め手となる手がかりを明示するピンを置く前に、もっとも信頼する証拠を一つ挙げてください。直感を、後で確認できる主張に変えられます。
3. Step 3見逃した手がかりを見つける答えを見た後、そのラウンドを決めるべきだった細部を探してください。練習の手順では、物事を確認する順番を示しています。
4. Step 4ラウンドではなく手がかりについて尋ねる「チェコとスロバキアの道路脇の標識は、どう違うのか？」のような問いは、あとで使える知識を教えてくれます。答えは検証すべき手がかりとして扱ってください。Pattersonは、o3による標識や道路標示の説明がほとんど正確だったものの、いつも正確だったわけではないと分かりました。
5. Step 5実際の写真で技能を試す自分の写真の一枚がどこで撮られたかを推測し、その後GeoSpyによるAIの推定と比べてください。GeoSpyは、ファイルがまだGPSデータを持っていれば、それを読み取ります。そのため、テストが何も証明しないことにならないよう、先に位置情報を削除してください。

ゲームと実際の写真は、同じ目を鍛えるので、この最後の手順は重要です。パノラマから学んだことは、メタデータなしで写真の場所を特定するときに頼るものそのものです。