通用人工智能

一緒に人工一般知能（AGI）への道を歩む：バランスのとれたアプローチ

Published August 1, 2024

Updated April 27, 2026

Jonathan Siddharth, CEO and Co-founder at Turing

人工一般知能(AGI)が急速に進化している間、会話は哲学的な議論から実用的関連性への議論に移り、世界のビジネスや人間の可能性を変える巨大な機会がある。

TuringのAGI Iconsイベントシリーズは、AGIソリューションの実用的かつ責任ある進歩について議論するために、AIのイノベーターを集める。7月24日、Turingはサンフランシスコの起業家やテクノロジーイノベーターのための専用ハブであるSHACK15で、2回目のAGI Iconsイベントを開催した。The InformationのファイナンシャルコラムニストであるAnita Ramaswamyがモデレーターを務め、QuoraのCEOであるAdam D’Angeloと一緒に、AGIへの道について議論し、開発のタイムライン、実際のアプリケーション、責任ある展開の原則についての洞察を共有した。

AIからAGIへの道

AI研究を推進する「北極星」は、人間レベルの「知能」を追求することである。AGIと標準的なAIを区別するのは、その進歩が狭い機能からより広い機能（幅）とパフォーマンス（深さ）への移行であり、人間の能力を超えることである。

これが「AGIへの道」であり、AIはより自律的なシステム、優れた推論、強化された機能、改善された機能性への進歩である。これらの進歩は、5つの分類レベルに分けられる。

レベル0: AIなし – 計算機などの単純なツール
レベル1: 新興AGI – 現在のLLM（例：ChatGPT）
レベル2: 有能なAGI – 特定のタスクで熟練した成人に匹敵するAIシステム
レベル3: エキスパートAGI – 熟練した成人の90パーセントに匹敵するAIシステム
レベル4: ヴィルトゥオーソAGI – 熟練した成人の99パーセントに匹敵するAIシステム
レベル5: 超人間AGI – 人間を超えるAIシステム

Source

私たちの議論の中で、AdamはAGIの概念を「人間が行うことができるすべてのことを行うことができるソフトウェア」と定義した。彼は、AIが最終的に自己改良を行い、機械学習研究者が扱う複雑な人間のタスクを取り扱う未来を想像している。

さらに、私はAGIについて「多様なタスク（例：機械翻訳、複雑なクエリ、コーディング）を実行できる人工的な脳」と見なす私の見解を比較した。これがAGIとより予測的なAIや狭い形式のMLとの違いである。現れ行為のように感じる。

AGIへの道における現実的な開発タイムライン

ロードトリップのように、AGIについての第一の質問は「まだそこに着いてない？」である。短い答えは「まだではない」だが、AI研究が加速するにつれて、正しい質問は「AGIの野心と現実的な期待をどのようにバランスさせるか？」である。

Adamは、AGIからの増加した自動化が人間の役割を排除するのではなく、シフトさせることで、経済成長が速まり、生産性が効率化されることを強調した。「このテクノロジーがより強力になるにつれて、今日人が行っていることの90％が自動化されるが、すべての人が他のことにシフトすることになる。」

現在、世界経済の多くは、働くことができる人の数によって制約されている。AGIを達成すると、今日可能なよりもはるかに速い速度で経済を成長させることができる。

真のAGIが実現するための明確なタイムラインを提供することはできないが、Adamと私は、将来的にAGIの進歩を可能にするいくつかのAIの進歩の例を挙げた。例えば、TuringのAI開発ツールの実験は、開発者の生産性が33％増加したことを示しており、さらに大きな潜在性があることを示唆している。

実際のアプリケーションと影響

AGIの最も有望なアプリケーションの1つは、ソフトウェア開発の分野にある。AGIの前駆となる大規模言語モデル（LLM）は、すでにソフトウェア開発を強化し、コードの品質を向上させるために使用されている。私は、このAIの時代が物理学よりも生物学に近いと見なしており、すべての種類の知識作業が改善される。人間と人間のために、生産性が非常に高まることになる。

私の視点は、LLMやAI開発ツールを使用したときに10倍の個人的な生産性の増加を経験したことから来ている。Turingでは、AIを使用して技術的な才能を評価し、適切なソフトウェアエンジニアや博士号を持つドメインエキスパートを適切な仕事にマッチングしている。

例えば、LLMのトレーニングスペースでは、トレーナーがこれらのモデルを使用して開発者の生産性を向上させ、プロジェクトのタイムラインを加速させることができる。ルーティンワークのコード化タスクを自動化し、インテリジェントなコードの提案を行うことで、LLMは開発者が戦略的かつ創造的な側面に集中できるようにする。

Adamは、「LLMはすべてのコードを書きませんが、ソフトウェアの基礎を理解することは非常に重要です。計算機は算術の必要性を排除しませんでした。」と述べた。また、「開発者はこれらのモデルを使用することでより貴重になる。LLMの存在は開発者の仕事にとってプラスです。開発者にとって大きな利益が得られる。」と述べた。

私たちは、ソフトウェア開発の黄金時代に入っている。1人のソフトウェアエンジニアが10倍の生産性を持ち、より多くのことを創造し、世界に利益をもたらすことができる。

技術的およびガバナンスの課題

AGIの有望な潜在性にもかかわらず、課題が存在する。堅牢な評価プロセスと規制フレームワークは、AGIのイノベーションと公共の安全をバランスさせるために必要である。

Adamは、最悪のシナリオを制限するために、徹底的なテストとサンドボックスの必要性を強調した。「強固な評価プロセスを持つ必要があります…そして、テスト対象の分布を実際の使用状況にできるだけ近づける必要があります。」

私は同意する。AGIの進歩のボトルネックは、計算能力やデータではなく、人間の知能である。AIモデルを微調整し、カスタマイズするために、人間の専門知識は非常に重要である。これが、Turingがトップレベルのテクノロジー専門家をマッチングして、モデルと人間の知能をバランスさせることに焦点を当てている理由である。

私たちは、AGIの課題に直面して、能力をプロセスよりも優先し、汎用性とパフォーマンス、潜在性に焦点を当てる必要がある。

課題に対する視点：人間とAGIの相互作用の改善

AGIの課題に対処するためのベストプラクティスには、以下のものがある。

AGIが「何ができるか」ではなく、「どうやって行うか」について焦点を当てる。
AGIの重要な構成要素である汎用性とパフォーマンスのバランスをとる。
物理的なタスク/出力よりも、認知/メタ認知タスクと学習能力に焦点を当てる。
AGIをその潜在性と能力で測る。
ベンチマークを、人々が価値を置く実際のタスクに合わせて、エコロジカルな妥当性を確保する。
AGIへの道は単一のエンドポイントではなく、反復的なプロセスであることを覚えておく。

これらのベストプラクティスに加えて、Adamと私は、人間とAGIの相互作用の改善の重要性を強調した。Adamは、これらのモデルを使用する方法と、どのように使用するかを学ぶことの価値を強調し、これらのモデルを強力な学習ツールとして見なし、プログラミングのサブドメインをすばやく教えることができると同時に、基礎を理解することの重要性を強調した。

同様に、私は、LLMのパワーユーザーになることで、さまざまな分野での生産性と理解を大幅に高めることができることを示唆した。LLMは、複雑な情報をすべての人にアクセス可能にすることで、さまざまな分野での生産性を高めることができる。ただし、段階的な反復的なアプローチが必要である。人間の支援を受けたエージェントから始めて、人間の監視の下でエージェントを使用し、最終的に評価されたタスクで完全に自律的なエージェントを実現する。

その後、トレーニング後の差別化は重要であり、人間の知能を利用してカスタムモデルを構築するための監督付きのファインチューニング（SFT）が必要である。トレーナー、エンジニア、その他の専門家をマッチングできる企業は、ファインチューニングとカスタムエンジニアリングの能力を速めることができる。OpenAIやAnthropicなどの先行する企業と協力することも、さまざまな業界でこれらのモデルを適用するための重要なステップである。