ChatGPTのIQは？ AIモデルが人間のIQテストで出すスコア

スコアの変遷（日付順）

AIのスコアは月ごとに変化するため、ここにあるすべての数値には報告された日付と報告者が記載されています。最も長く記録を追っているのはジャーナリストのMaxim Lott氏で、少なくとも2024年初頭からIQスタイルのパズルでチャットボットをテストし、その結果を自身のサイトTrackingAIとニュースレター「Maximum Truth」で公開しています。

この表はランキングではなく、傾向として読んでください。モデル名は変更され、企業はリリース後に設定を調整し、1週間の結果で数ポイント変動することもあります。進歩はスムーズではありません。Lott氏は、2024年9月にo1-previewが登場するまで、AIスコアは約6か月間ほとんど動かなかったと報告しています。

TrackingAIによるチャットボットのテスト方法

Lott氏は2つのツールを使用しています。1つ目は、25分間の制限時間がある35問の視覚パターン問題からなる公開オンラインクイズ、Mensa Norwayテストです。当サイトのガイド「 Mensa Norwayテスト 」でその形式を説明しています。2つ目は、MensaメンバーのJurij氏がゼロから作成し、インターネット上で公開されたことのないオフラインテストです。

Lott氏は読者に両方のテストを受けてもらうことでオフライン問題とMensa Norway問題を基準化し、どちらでも100がほぼ同じ意味を持つようにしました。2024年9月の調整は約40人の読者に基づいています。Lott氏は、Mensa Norwayテスト自体が公式IQスコアを持つ80人を基準に正規化されたと報告していますが、その作成者の主張であり、彼は検証していません。36Krの2026年9月のレポートによると、TrackingAIは週に30以上のモデルをテストし、各モデルの直近7回の試行を平均しています。一部のモデルはパズルを画像として見ますが、他のモデルは言葉で説明されたものを受け取り、これまでのところ、後者の方が高いスコアを出しています。

汚染問題

言語モデルは、膨大な公開テキストのスクレイピングから学習します。テストの質問と回答がそのスクレイピングのどこかに存在する場合、高いスコアは推論ではなく記憶を反映している可能性があります。Lott氏はこれを初期の結果に対する最も一般的な反論と呼び、Mensaノルウェーの回答がオンラインに存在することを指摘しています。

その2つのテストの差が証拠です。2025年10月、ChatGPT Proは公開テストで148点、非公開テストで117点を獲得しました。Lott氏は、汚染が、トップシステムがオフラインで約130点を獲得しながら公開テストの天井近くに達する理由を部分的に説明していると記しました。

研究者は他のベンチマークでもこの問題を文書化しています。Shahriar Golchin氏とMihai Surdeanu氏は、2023年のプレプリントで、モデルが記憶したテスト項目を検出する手法を構築し、GPT-4がAG NewsやXSumを含む3つの標準データセットの一部を目にしていたと結論付けました。回答が公開されているテストにはすべて同じリスクがあるため、オフラインスコアの方がより意味のある数値となります。

AIスコアが人間のIQではない理由

人間のIQは偏差値です。同じ年齢の人々の代表的な大規模サンプルと比較し、平均100、標準偏差15にスケーリングしたものです。機械にはそのようなサンプルは存在せず、人間のサンプルは機械をランク付けするために設計されたものではありません。

• 不均一なプロファイル。 Roivainen氏はChatGPTにWAIS-IIIの語彙、類似性、理解、情報、算数のサブテストを行いました。言語性IQは155でしたが、単純ななぞなぞに失敗したと観察しました。チャットボットにはワーキングメモリシステムがないため、ワーキングメモリタスクである数唱（Digit Span）はスキップされ、非言語サブテストは不可能でした。
• 異なる条件。 モデルは疲れることがなく、やり直しが可能で、ベンダーが設定した計算予算で実行されます。人間の注意力を想定して構築された時間制限は、同じようには制約を与えません。
• 天井効果。 36Krは、Mensaノルウェーが145までの人間のスコアしか報告していないことに注目しました。2025年12月、Lott氏は、トップシステムを十分に区別できない130以上のテストの粒度を改善する予定だと述べました。
• 幅広さ。 Lott氏は、エコノミストのTyler Cowen氏の見解を引用し、そのようなテストはモデルの極めて広範な知識、つまり最も得意とすることを過小評価していると述べました。

ほとんどの臨床スコアの背景にある成人知能バッテリーは、以下で説明されています。 WAIS-IVの説明.

スコアが示すもの

数値がIQではないとしても、傾向は本物です。Lott氏は、2024年5月から2025年10月の間に主要なAIのIQが月平均約2.5ポイント向上し、80台半ばから約130に達したと測定しました。2025年10月、同氏は2027年後半には主要システムが人間のIQテストで限界に達すると予測しました。

学術研究も同様の方向を指しています。2023年、Taylor Webb氏、Keith Holyoak氏、Hongjing Lu氏は、 Nature Human Behaviour で、GPT-3が、 レーヴンの漸進的マトリックスをモデルにしたマトリックス問題のテキスト版を含む、ほとんどのアナロジータスクで人間の参加者と同等か、それを上回ったと報告しました。彼らはその能力を創発的と呼び、特定のタスクのトレーニングなしに現れたとしました。

スコアが示せないのは、システムが人間のように理解、計画、判断しているかどうかです。Alan Turing氏は1950年にパズルシートではなく会話テストでその問いを投げかけました。以下を参照してください。 チューリングテストとは何か および 人工知能の歴史.

数値が人間のスコアとどのように対応するか

人間のスケールでは、オフラインスコア130は、伝統的なMensaの閾値である約98パーセンタイルに相当します。以下を参照してください。 IQ 130の意味。151は1,000人に1人よりもまれです。これらの比較はスケールを説明するものであり、機械を説明するものではありません。モデルはそのスコアを、テストを受ける人間が直面することのない条件下で達成したのです。

人間のスコアについても、形式に関する同じ注意が逆に当てはまります。オンラインのクイッククイズは練習には役立ちますが、測定としては不十分です。以下を読んでください。 オンラインIQテストは正確か当社の 無料IQテスト は練習用スクリーニングであり、臨床評価ではありません。関連ガイドはすべて以下にまとめられています。 IQガイド.

編集基準：歴史的人物に対するIQの数字は遡及的な推定値であり、そのようにラベル付けされています。存命人物のスコアは、本人が開示したか、評判の良いメディアが報告した場合にのみ掲載されます。訂正： 編集者に連絡する.