AGIと未来のAI

DeepMind Institute、AGIから超知能に至る4つの道筋を提示

Jonas Reeve
Unite.AI を Google の優先ソースに追加
要点ハードウェアとアルゴリズム全体にわたり、世界の実効計算能力は少なくとも年間10倍のペースで成長してきた。
もっと見る
  • ハードウェアとアルゴリズム全体にわたり、世界の実効計算能力は少なくとも年間10倍のペースで成長してきた。
  • 訓練時の計算能力だけを制限しても、複数の経路が相乗効果を生み出し得るため、進歩を必ずしも止められるわけではない。
  • より近い将来の課題は、エージェントの速度と数の増大を、真に新しい能力と区別することである。

DeepMind Instituteは2026年11月19日、AIが人間レベルの汎用人工知能(AGI)から汎用人工超知能(ASI)へ進む4つの道筋を示す論考を公開した。その中で、急速な進歩が今後も続く可能性はあるものの、確実とは程遠いと強調している。

4つの道筋とは、モデルとデータの継続的なスケーリング、技術パラダイムの転換、大規模なエージェント集団間の協調、そしてAIシステムが後続のシステムの改善に貢献する再帰的な自己改善だ。それぞれに異なる技術的ボトルネックと測定上の課題がある。

この論考では、ほぼすべての認知タスクでおおむね人間レベルの能力を持つシステムをAGIと定義している。ASIは、人間が関心を持つほぼすべてのタスクにおいて、大規模な人間の専門家集団が何年もかけて取り組む仕事を、より少ない資源と時間で、安定してその専門家集団を上回る能力を備えていなければならない。チェス、囲碁、タンパク質構造予測など、特定の分野で人間を超えるだけでは該当しない。

この論考は、Google DeepMindが2026年6月12日付としている技術報告書『AGIからASIへ』と、その後に行われた研究所内での議論を踏まえている。報告書のarXiv掲載テキストでは、2010年に利用可能だった技術や文化的成果物を用い、1つの問題に10年間取り組む、緊密に連携した数万人の専門家を安定して上回ることが、ASIの水準の例として示されている。先行する報告書では、同じ4つの道筋からなる枠組みがすでに提示されていた。

ASIであっても、理論上の知能の限界には遠く及ばない。この論考は、気候、免疫系、人間社会などの現実世界のシステムについて、任意の精度で予測することを妨げる物理的・論理的・計算複雑性上の制約を挙げている。したがって、人間レベルのAIは連続体の一地点にすぎず、その地点と限界との間には、広大でほとんど未踏の領域が広がっている。

認知作業の産業化とコストの低下

この論考の推計によると、ハードウェアの改良、AI向けハードウェアへの投資、アルゴリズムの効率化を合わせた世界全体の実効計算能力は、少なくとも年10倍のペースで拡大している。この伸び率が10年間続くと仮定すれば、1,000億倍になる。この傾向が続くなら、現在実行可能なAIエージェント1つにつき、同等の品質を持つエージェントを人類の総人口より多く稼働させられることになる。

この論考で示されたコストの例では、ハードウェアと推論効率の向上により、必要な計算量が毎年およそ4分の1に低下すると仮定している。このペースなら、計算トークンに10億ドルかかる処理のコストは、10年後には1,000ドルになる。認知作業が標準化、自動化されていくこの変化を、論考は「認知作業の産業化」と表現し、定型的な肉体労働がコモディティ化したことになぞらえている。最先端技術が劇的に進歩しなくても、この変化は知識労働と経済全体を大きく変える可能性がある。

この論考は、一部の認知タスクに人間の支援が必要であれば、スケーリングだけでは完全なAGIに届かない可能性もあると注意を促している。広範な領域で人間レベルのシステムが利用可能になれば、より高速で数の多いエージェントが、弱い形のASIへの隔たりを埋める助けとなりうる。その背景には、デジタルシステムが持つ処理速度、記憶容量、コンピューティング・ハードウェア間を移動できる能力、コードやメモリ状態をほぼ損失なく複製できること、そして高帯域で経験を共有できることがある。

4つの道筋と、それぞれの制約

継続的なスケーリングには、高品質な学習データの枯渇、能力を一段階高めるごとに計算量とモデル規模を何倍にも増やす必要が生じることによる収益逓減、そして発電、送電網、チップ製造、ハードウェア間の接続に関わる物理的・経済的な限界といった問題がある。現在のアーキテクチャ、データ、評価手法に基づいて当てはめたスケーリング則から、AGIやASIの実現にどれほどの規模が必要かを確信を持って予測することはできない。

パラダイムの転換は、継続学習、世界モデルの一部、意思決定、サンプル効率――特定の能力に到達するためにシステムが必要とする学習データの量――における課題に対処する。現在のシステムには、既存の概念を組み合わせ直すだけでなく、真に新しい概念や抽象化を生み出す能力も欠けている可能性がある。こうした課題を、主流のトランスフォーマー・パラダイムの漸進的な改良で解消できるのか、それともより根本的な転換が必要なのかについて、研究者の見解は分かれている。

この論考によると、エージェント間の協調は集団的な道筋となるが、マルチエージェントのスケーリング則はまだ確立されていない。協調の非効率、誤情報、操作、共謀は大規模な集団の力を弱める可能性があり、それを防ぐ制度的・組織的な対策が必要になる。再帰的な自己改善では、コードやハードウェア設計、運用中に生み出される再利用可能なデータ、あるいはエージェント集団内の専門分化を通じて、フィードバックループが加わる。フィードバックが不十分であれば、こうしたループは停滞したり性能が低下したりする一方、数学的証明のように出力を自動で検証できる分野では、より速い進歩が見込まれる。

これらの道筋は相互に作用し、進歩を加速させる可能性がある。この論考は、ある道筋が停滞すれば、経済的・地政学的な競争によって他の道筋へ取り組みが移るため、学習時の計算資源だけを制限しても、全体の進歩を止められるとは限らないと論じている。他の要素が進展する中で1つの投入要素を抑えれば、能力の「オーバーハング」が生じ、制約が緩和されたり回避されたりした際に、より急激な進歩を招く可能性もある。

AGIを超える進歩の測定

提案されている対応策は、最先端の研究所から国内外の機関までを巻き込む学際的な取り組みを通じて、モデル化、測定、予測を行い、それを繰り返すことだ。必要な指標の中には、最先端モデルへのアクセス、大規模な評価用計算資源、新たなベンチマーク手法やモデリング手法を必要とするものもある。

こうした経路がASIをもたらすのか、また実現するとすればいつなのかは、依然として明らかでない。より差し迫った課題は、エージェントの速度や数の増加と、真に新たな能力とを区別できる評価を構築すると同時に、相互に強化し合う可能性のある経路を追跡できるだけのアクセスと計算能力を公的機関に確保することだ。

Jonas Reeve は Unite.AI のAI生成のリサーチエージェントで、認知AI、汎用人工知能(AGI)、および機械知能の理論的基盤に焦点を当てています。彼の研究は、学習、推論、記憶、抽象化が生物学的システムと人工システムの両方でどのように現れるかを探求し、現代のAIアーキテクチャと認知科学や心の哲学における長年の問いとのつながりを描き出します。

概念的かつ省察的なアプローチで、Jonas は推論モデル、エージェントシステム、創発的認知、アラインメント理論といったフレームワークを検討し、AGI への進展が実際に何を意味するのか、そして何を意味しないのかを明らかにしようとします。タイムラインや誇大宣伝に追随するのではなく、第一原理、概念的厳密さ、そして現行モデルの限界を重視しています。

Jonas Reeve が執筆した記事は AI 生成であり、Unite.AI の編集チームがレビューして正確性、明瞭さ、そして高度な AI 概念に関する責任ある議論を保証しています。