AIの「進化」の到来

今日、技術の断層線の端に立って、LLMからエージェント、そして最終的にアジェンティックAIとAGIへの道を観察しています。これは、より大きなモデルやより速いレスポンスだけではなく、パッシブなアシスタントからアクティブなコラボレーター、そしてある日には独立した思考者への移行についても言及しています。

この道をたどり、仕事、専門知識、そして明日の知能を形作る人間の役割について探究してみましょう。

LLM、エージェントベースのシステム、そしてアジェンティックAIの違い

違いを理解するために、例を挙げます。もし私がLLMに「シカゴからオースティンまで、1日4時間以上運転せず、風光明媚な場所に立ち寄りたい」と聞いたら、通常のLLMは静的なテキスト形式のレスポンスを返します。ただし、詳細な分析を行わずにリクエストに応えるだけです。

エージェントは、まずリクエストを旅行に関連するものとして分類します。次に、必要なデータを決定します。マッピングサービスを使用したルート、天候情報、燃料費、ホテル、レストランなどです。次に、エージェントはリクエストをサブタスクに分割し、それらを専門のモジュールまたは関連ソースでトレーニングされたLLMにルーティングします。これは、統一されたロジックの下で複数のモデルとツールを調整することです。

今日、ChatGPTやAnthropicのClaudeのような主要システムは、実質的にエージェントです。ユーザーに単一のモデルとやり取りしているように見えますが、背後には複数のモデルとシステムを含む複雑なアーキテクチャがあります。複雑なクエリを処理できますが、情報を提供すること以外の機能はまだありません。

完全に自律的なエージェントは、情報を収集し、独立してホテルを予約したり、チケットを購入したり、支払いを開始したりできるシステムです。ただし、関連するAPIまたはユーザーデータへのアクセスが必要です。現在、こうしたエージェントは初期開発段階にあります。この段階では、情報を処理できますが、まだ自律的なアクションを実行できません。

研究コミュニティでは、アジェンティックAIについて議論されています。通常のエージェントとは異なり、アジェンティックAIは、開発者によってスクリプト化された動作ではなく、タスクの選択、必要なデータ、さらには自らのトレーニングの継続方法を独自に決定するシステムです。これは、指示の実行を超えて、自律的な決定を下すことを意味します。ただし、アジェンティックAIは現在、理論上のものであり、実用的なシステムはまだありません。

AGI – 新たな地平線。だが、達成可能か?

Metaは3か月前にScale AIに投資しました。AGI、人工一般知能の構築への道を歩むためにです。人工知能が人間と同等、あるいはそれを超えるレベルで任務を遂行できるようにするという目標です。今日のAIは技術革命ですが、AGIは真の革命となります。私はこれを「進化」と呼びます。AIが影から出てくることを意味します。誰が最初に達成するかは、世界的な戦略的優位性をもたらします。

実際のAGIに近づいているかどうかは、AGIの定義によって大きく異なります。私はIlya Sutskeverの見解に賛同しています。AGIは、人間が行える任意の知的タスクを実行できるシステムです。質問に答えることだけではなく、推論、意思決定、一般化、解釈を行うことです。真のAGIは、狭いタスクの境界に限定されず、普遍的です。

現在のモデルは、そのレベルに達していません。進歩していますが、理論的な意味での真のAGIはまだ存在しません。もしかしたら、これが最善のことかもしれません。私たちはまだ近似の段階にあり、しばらくそう続くでしょう。

AGIの基礎は、エージェントベースのシステムになる可能性が高いです。単一のLLMに頼る必要はありません。どの人間も、どれほど賢いとしても、すべての知識とスキルの分野をマスターすることはできません。同様に、単一のLLMもAGIタスクの全スペクトルを独自に処理することはできません。必要なのは「集団的知能」です。複数のモデルとコンポーネントを調整するアーキテクチャが必要です。

AGIは、人間によって設計されたエージェントとしてではなく、メタエージェントとして現れる可能性が高いです。部分的に開発され、AI自身の助けを借りて進化するシステムです。これは重要です。人間によって設計されたシステムには、内在的な制限があるかもしれません。設計プロセスにAIを関与させることで、これらの制限を克服し、システムをより適応性の高いものにすることができます。

AGIは、特定のブレークスルーから生じるのではなく、LLM、エージェント、アーキテクチャの新しいものが合わさった結果である可能性が高いです。もしかしたら、現在のカテゴリを超えた何か新しいものかもしれません。

「人間の最後の試験」とその他のAGIベンチマーク

「人間の最後の試験」（HLE）は、LLM、エージェント、AGIの文脈で議論されているベンチマークの1つです。基本的に、数学、物理学、生物学、化学、工学、コンピューターサイエンス、そしてチェスまで、幅広い学術分野の約2,500の質問で構成されるテストです。アイデアは、AIシステムが真正な人間の理解を反映したレベルで問題を解決できるかどうかを評価することです。

現在の言語モデルはHLEで非常に低いスコアを出しています。たとえば、5%以下の精度です。これは、MMLUやGPQAなどの他のベンチマークと対照的です。そこでは、モデルははるかに高いスコアを達成しています。HLEでモデルが苦労することは、真の一般知能からまだどれだけ離れているかを強調しています。

重要なのは、既知または狭いデータセットでのベンチマークでの高いパフォーマンスが、真の一般知能の存在を示すわけではないことです。モデルは、特定のテストに合わせてファインチューンされたり「テストに合わせてトレーニングされた」りすることがあります。これにより、モデルが実際よりも能力が高く見えます。したがって、HLEで完全なスコアを達成したとしても、AGIに達したということにはなりません。ただ、特定のテストを通過したということになります。

AGIを推進するもの

私は、AGIの核心的な柱はデータ、コンピューティング、才能であると完全に同意しています。コンピューティングの状況は明確です。Metaのような主要プレーヤーは、自社のチップ開発プロセスに数十億ドルを投資して、自社製のチップを生産しようとしました。ただし、企業は依然としてNvidiaのような他の企業のチップやコンピューティングパワーに大きく依存しています。Nvidiaは必要なハードウェアを提供するだけでなく、生産をスケールアップすることの重要性も理解しています。

データと才能については、さらに多くの疑問が残っています。インターネットは枯渇しました。現在、オープンソースから利用可能な人間が作成したテキストの断片が、トレーニングに使用されていないものはありません。人間がこれまでに生み出した情報の総量は、驚くほど小さなものです。したがって、企業は、高品質の人間のデータを生成できるパートナーと積極的に提携しています。

完全な自動化または人間の介入?

別の点は、手動データ注釈の需要の減少です。数年前、業界は全速力で拡大していました。AIパイプラインの飢餓を満たすために、数千人のアノテーターが乗船しました。今日、多くの勢いは自動化に向かってシフトしました。モデルは成熟し、ツールも成熟しました。

顔認識を考えてみましょう。これは以前、画像注釈のボリュームの主要な推進力でした。しかし、このカテゴリはほぼ解決されています。YOLO、SAM、Samuraiなどのモデルは、ルーチンワークを急速に吸収しています。これらのシステムは、数週間の手動労働を数分で、驚くほどの精度で実行できます。私たちは、Keylabsという私たちの独自のプラットフォームに多くのMLアシストツールを実装しました。これにより、ルーチンワークフローを大幅に削減できます。

しかし、これらのモデルは一般化によって制限されており、標準化された操作の自動化に適しています。複雑またはユニークなケースでは、人間の注意が依然として必要です。

私たちは、単に細部に注目することができる人であったアノテーターの古いパラダイムから離れています。新しい現実では、医師が医療画像を注釈する、プログラマーがコードを書く、建築家が青図を制作する、마케터が顧客の洞察を提供する、軍事専門家が防衛シナリオを提供するような専門家が必要です。

実際のケースもあります。たとえば、戦闘機のパイロットがAIのデータを注釈し、専門知識に対して1時間あたり1,000ドルを稼いでいます。こうしたスペシャリストは希少で、知識が高性能AIのトレーニングに不可欠です。

世界は変化しています。多くの人がAIのオペレーターと「トレーナー」になります。先日、私はCEO向けのAIアプリのデータセットを確認するようLinkedInのメッセージを受け取りました。将来的には、誰でもアノテーターとして働くよう依頼されるかもしれません。ただし、ボタンをクリックする人ではなく、明日の知能を形作る専門家です。

私たちはすでにこの新しい現実の中に生きています。データラベリングとAIトレーニングの世界です。誰がこれを認識し、適応するかによって、大きな優位性が得られます。