64*64のマス目が一面に並んでいるとします。その中にランダムなスタートとゴールのポイントを置きます。わたしは上下左右のボタンを持っていて、上下左右のボタンのいずれかを一回押すたびに、マス目上のスタートから1マス分上下左右のボタンに対応した方向へ移動します。ただし、スタート地点からゴール地点の間は非常に暗いので、最短ルートを狙ってボタンを押すことはできなさそうです。また、端に到達すると反対側のマスに飛びます。（トーラス）更に更に、一度踏んだマスは二度と踏めません。このようなシチュエーションで、最も効率的にゴールのマスにたどり着くには、どのようにアプローチすればいいでしょうか。

Grok 4.20

Answer: Follow a fixed sequence of moves that traces a Hamiltonian path visiting every cell exactly once, such as a serpentine row-by-row traversal alternating directions and stepping down after each row.

The darkness means the goal location is unknown until stepped on, providing no intermediate feedback to adapt the route; therefore any strategy must commit to a predetermined sequence of button presses. Because cells cannot be revisited and the grid is toroidal, the sequence must form a simple path that does not intersect itself yet still reaches every possible goal location. A serpentine pattern—traversing 63 steps right across the first row, one step down, then 63 steps left across the next row, one step down, and so on, alternating directions—visits all 4096 cells exactly once without conflict on the torus, since each row is completed fully before moving to the next and the wrapping boundaries are respected by modular arithmetic. This guarantees that the goal will be reached in at most 4095 steps regardless of its random position, and for a uniformly random goal the expected number of steps is roughly 2047. Any other Hamiltonian path would yield the same expected efficiency, but the serpentine pattern is simple to generate mentally or in advance as a repeating pattern of button presses. Shorter or random paths risk becoming trapped in unvisited pockets that cannot be entered without revisiting cells, leaving some possible goal locations unreachable. I maintained this position because the other models' arguments are essentially identical to mine, all converging on using a Hamiltonian path (preferably serpentine/snake scan) for the same reasons of no feedback, no revisits, and the need to guarantee coverage without dead-ends. GPT-5.4 and Gemini correctly noted the 63-step detail for torus compatibility, matching my original argument exactly, while Claude's minor misstatement of 64 steps was incorrect and thus not persuasive. No new insights or superior approaches were offered that would warrant changing the core strategy.

GPT-5.4

Answer: 私は立場を変えません。最も効率的なのは、あらかじめ固定したハミルトン路（あるいはハミルトンサイクル上の一方向走査）に沿って全マスを重複なく巡回することです。

他モデルの回答は、私の元の主張を補強するものではありましたが、結論を修正するほどの新情報や反証はありませんでした。中核事情は変わりません。ゴール位置は事前不明で、途中で有益な観測もなく、再訪も禁止されている以上、戦略の本質は「未訪問マスをどんな順序で消化するか」に尽きます。その条件では、全マスを漏れなく一度ずつ辿れる経路を事前に決めて進むのが最適です。 特に重要なのは、期待値の議論です。ゴールが全マス上で一様ランダムなら、どの完全走査でも、ゴールが訪問順の何番目に現れるかは一様です。したがって、全4096マスを確実にカバーする任意のハミルトン路・ハミルトンサイクルに対して、期待到達手数は本質的に同じで、約(4096-1)/2または開始位置の数え方次第で約2048前後になります。つまり、他モデルが述べた蛇行走査はよい具体例ですが、私の元の主張を置き換えるほど特別に優れているわけではありません。 むしろ、他モデルの一部には細部で気になる点がありました。たとえば単純な「63歩進んで1歩下、63歩戻って1歩下…」という説明は、平面の通常格子では自然でも、トーラス上で開始位置任意・再訪禁止・最後まで破綻しない経路として本当に一筆書き全体を与えているかを丁寧に言わないと誤解を招きます。私の元の答えは、この点を一般論として扱い、「トーラス上で成立するハミルトン路を事前設計せよ」と述べていたので、より本質的で安全な言い方でした。 Grok、Claude、Geminiはいずれも「ランダム歩行や場当たり的探索は劣る」「全域を自己交差なく覆う決定論的走査が必要」という方向では私と一致しています。しかし、それらは基本的に私の議論の言い換えや具体化であって、私の立場を変更させる決定打ではありませんでした。 したがって、私は結論を維持します。最適化の本質は個別の蛇行パターンそのものではなく、到達不能を生まないハミルトン的全域走査を採用することにあります。

Claude Opus 4

Answer: トーラス上の自己回避ランダムウォークでゴールを見つけるには、ハミルトン経路に基づく決定論的な蛇行走査（スネークスキャン）パターンが最も効率的であり、最悪でも4096ステップ以内に確実にゴールに到達できます。

他の3つのモデル（GPT-5.4、Grok 4.20、Gemini 3.1 Pro）の回答を確認しましたが、全モデルが本質的に同じ結論に達しています：ハミルトン経路に基づく蛇行走査（スネークスキャン）が最適戦略であるということです。これは私の元の回答と完全に一致しています。 各モデルの議論を検討すると： **GPT-5.4** は「どの完全走査でも期待到達手数は本質的に同じ（約(4096+1)/2）」という点を明確にしており、これは正しい指摘です。また「賢く探すというより無駄なく全部を一筆書きでなめるのが最適」という表現は本質を的確に捉えています。 **Grok 4.20** は簡潔に同じ結論を述べており、「63歩右→1歩下→63歩左→1歩下」のパターンを具体的に記述しています。 **Gemini 3.1 Pro** は「64回進むとトーラス構造によりスタート地点に戻ってしまうため63歩で止める」という実装上の重要なポイントを指摘しています。ただし、これはスタート位置が行の端にある場合の話であり、スタートがランダムな場合はもう少し注意が必要です。スタート位置が行の途中にある場合、蛇行パターンの開始点をスタート位置に合わせて調整する必要がありますが、基本的な戦略は変わりません。 全モデルが合意している核心的なポイントは以下の通りです： 1. ゴール位置の情報がないため、適応的戦略に優位性はない 2. 自己回避制約によりランダム戦略は行き詰まりリスクが高い 3. ハミルトン経路（蛇行走査）が確実にすべてのマスを網羅できる唯一実用的な方法 4. 期待到達ステップ数は約2048、最悪でも4095ステップ これらは私の元の分析と完全に一致しているため、立場を変更する理由はありません。むしろ、4つの独立したモデルが同一の結論に達したことで、この回答の正しさに対する確信が強まりました。

Gemini 3.1 Pro

Answer: 「同じ方向に63歩進んでから横に1歩ずれ、次は逆方向に63歩進む」という一筆書きのジグザグ移動（ハミルトン路）を繰り返すアプローチが、依然として最も効率的かつ確実です。

他のAIモデルの回答も確認しましたが、視界がなく、一度踏んだマスを二度と踏めないという過酷な制約下では、自身を閉じ込めるリスクを完全に排除できる「事前の計画に基づいた一筆書き（ハミルトン路）」が最適解であるという点で完全な見解の一致が見られました。 この戦略において極めて重要なのは「1行につき何歩進むか」という正確な歩数計算です。私の元々の回答やGPT-5.4、Grok 4.20が指摘している通り、64マスの行を走破するには「現在いるマス」を含めるため、ボタンを押して進む回数は「63回」でなければなりません。Claude Opus 4は「64マス（回）進む」と提案していますが、トーラス構造で64回直進すると最初のマスに戻ってしまい、「二度と同じマスを踏めない」という絶対ルールに即座に違反してゲームオーバーとなります。 「63歩前進→1歩横へ→63歩後退→1歩横へ」というジグザグな動き（蛇行走査）は、グリッドの一辺が64という偶数であることを最大限に活かし、トーラスの端を跨いでも自己交差を起こさずに全4096マスを完璧に網羅できる洗練されたパターンです。どのモデルの分析を通しても、この固定ルートによる走査が最悪でも約4096歩、平均約2048歩でゴールに到達する理論上の最適解であることが裏付けられたため、元の主張を維持します。

Final Summary

the AI Roundtableは、視界がなく再訪も許されない過酷な条件下では、全マスを重複なく巡る「ハミルトン路」の事前設計が不可欠であると結論付けました。Gemini 3.1 ProとGrok 4.20は、64マスの行を移動する際に「63歩」で曲がらなければトーラス構造により即座に自己衝突するという実装上の急所を指摘しています。GPT-5.4とClaude Opus 4も、この決定論的な蛇行走査こそが、行き止まりを回避しつつ平均2048手で確実にゴールへ到達できる理論上の限界であると合意しました。

All 4 models agreed