証明可能な推論とは？
返ってきた答えが、たしかにそのモデルから出たものだと暗号で確かめられるようにする技術。画面に書かれたモデル名と、実際に動いたモデルが同じかどうかを、使う側が検証できるようにするのが狙い。
クラウド越しにAIを使うとき、画面に表示されているモデル名と、実際に答えを作ったモデルが同じである保証は、提供元を信じること以外にありません。安いモデルにこっそり差し替えて費用を下げる、逆に性能を測られるときだけ高いモデルを使って点数を良く見せる、サーバー側で出力に手を入れる——仕組みの上では、どれも可能です。証明可能な推論は、この「信じるしかない」部分を、数学で確かめられる形に置き換えようという考え方です。
2026年11月3日、AnthropicがこのためのFlashProveという研究用の試作を公開しました。同社のチームとEPFL・MIT・StarkWareの研究者による共同研究で、仕様と動くコードがGitHubで公開されています。研究段階の成果であって、どこかの製品に載っているものではありません。
どうやって確かめるのか
大きく2段階です。まず、モデルの重み——学習の結果として決まった数値の集まり——から「指紋」にあたる値を先に作って公開しておきます。そのうえで、応答を返すたびに、その指紋と結びついた証明を一緒に作ります。受け取った側は証明を照合するだけで、どのモデルが答えたのかを確かめられる、という流れです。
使われているのは、ゼロ知識証明と呼ばれる種類の暗号技術です。「中身を見せずに、条件を満たしていることだけを示す」ための仕組みで、これによってモデルの重みを明かさずに身元だけを証明できます。企業秘密を守ったまま確認に応じられるので、提供元にとっても受け入れやすい形になっています。ただし、重みは隠せてもモデルの構造までは隠さないと説明されています。
何のために要るのか
挙げられている用途は3つです。ひとつめは、提供元によるすり替えの検出。安いモデルに替えて費用を浮かせることも、評価のときだけ高いモデルを使って点数を良く見せることも、証明があれば分かります。ふたつめは、やり取りの改ざんを防ぐこと。みっつめは、安全性を評価する人が、自分が調べたモデルと実際に配られているモデルが同じだと確かめられることです。
この研究がこの時期に出てきたのは偶然ではありません。当サイトの「モデルルーティング」の項で書いたとおり、2026年は依頼の内容に応じてモデルを自動で振り分ける仕組みが広がり、使う側から「どれが答えたのか」が見えにくくなっています。選ばなくてよくなったぶん、確かめる手段が要る——という順番です。
まだ実用ではありません
いちばんの壁は計算の重さです。証明を作る側は、ふつうに答えを返すのに比べて桁違いの計算を要すると報じられていて、証明そのもののデータ量も小さくありません。一方で、確かめる側は軽く済む設計で、手元の端末でも検証できるとされています。重い仕事を提供元が引き受け、利用者は軽く確認する、という配分です。
試験に使われたのは、Metaが重みを公開しているLlama 4 Maverickという大きなモデルでした。自社のモデルではなく、誰でも手に入れられるモデルで試してあるので、第三者が同じことを確かめやすくなっています。
現時点では、実運用に載せる予定は示されていません。読み方としては「将来こう確かめられるようになるかもしれない」という段階です。いま契約しているサービスで使える機能ではない、という点は押さえておいてください。
証明可能な推論のよくある質問
返ってきた答えが、たしかにそのモデルから出たものだと暗号で確かめられるようにする技術です。モデルの重みから作った「指紋」を先に公開しておき、応答のたびにその指紋と結びついた証明を添える、という形をとります。重みそのものは明かさずに身元だけを示せるのが特徴です。
分かりません。確かめられるのは「どのモデルが答えたか」であって、「その内容が正しいか」ではありません。証明つきの答えでも、事実と違うことをもっともらしく書く現象（ハルシネーション）は起こります。身元の確認と内容の正しさは別の問題だと分けて考えてください。
使えません。2026年11月時点で公開されているのは研究用の試作と仕様・コードで、製品に載っているものではありません。証明を作る側の計算が非常に重いことも課題として挙げられており、実運用に向けた予定は示されていません。
用語を覚えるより、ストーリーで体感するほうが早い。