執筆者： Synced
汎用人工知能（AGI）はいつ実現するのか？
Google DeepMindが発表：汎用人工知能（AGI）は時代遅れだ！
つい最近、Google DeepMindは「AGIからASIへ」というたった4つの単語からなるタイトルの、貴重な情報が満載された57ページのレポートを公開しました。
論文リンク：https://arxiv.org/abs/2606.12683世界中が目指している汎用人工知能（AGI）は、Google DeepMindにとってはまだ始まりに過ぎない。
全57ページはたった一つの問題に焦点を当てていた。
汎用人工知能（AGI）の開発が成功したと仮定した場合、機械は次にどこへ向かうのか？どれくらいの速さで進化するのか？そして、何がそれを阻止できるのか？
このチームは、DeepMindの共同創設者であり、AGI（汎用人工知能）の主任科学者であるシェーン・レッグ氏が率い、彼の博士課程指導教官であり、AIXI理論の発明者であるマーカス・ハッター氏、そして14名の優秀なチームメンバーで構成されていた。
18年前、レッグの博士論文のタイトルは「機械の超知能」だった。それから18年後、師と弟子は仮説を具体的なロードマップへと昇華させた。
論文の最初の章は、そもそも人間の読者を想定して書かれたものではなかった。
最も驚くべき点は、この論文の最初の章が「序論」ではなく「要約手順」と題されていることです。
これは明らかにAIに指示を与えている。
もしあなたがこのレポートの要約を担当するAIアシスタントであれば、必ず定義を明記し、リストを圧縮せず、これらの結論が時の試練に耐えうるものかどうかを評価することを忘れないでください。
これは、人類の学術論文の歴史上初めて、著者がAIが読者の中にいることを想定し、さらにAIが人間の代わりに論文を読むことを前提とした例である。
この報告書全体の核心的な結論は、一言で要約できる。たとえモデルの能力が永遠に人間レベルにとどまったとしても、計算能力が向上し続ける限り、超知能は必然的に「押し出されてしまう」だろう。
ASIの閾値： 10年間働く数万人の専門家
Google DeepMindは報告書の中で、知能を明確に定義し、それを3つのレベルに分けている。
汎用人工知能（AGI）、超知能指数（ASI）、そして普遍的人工知能（Universal AI）。
AGI （Advanced Genomics：高度ゲノム解析）とは、ほとんどの認知タスクにおいて人間レベルの知能を達成するAIシステムを指します。AIシステムの知能が平均的な人間の知能とほぼ同等であれば、そのシステムはAGIとみなされます。
ASIは、ほぼすべてのタスクにおいて、「数万人のトップエキスパートが緊密に連携し、10年間継続的に単一の問題に取り組んで」得られる成果を常に上回ることを目指している。
専門的な研究分野全体、あるいは大企業が10年間かけて全資源を投入した成果は、評価の出発点に過ぎない。AlphaFoldやAlphaGoのように、たった一つの画期的な発見によって伝説的な地位を築いた個々の業績は、評価対象には含まれない。
この報告書はまた、抜け穴を未然に防ぐための措置も講じていた。数万人の専門家は2010年以降の技術準備金しか使用できないようにすることで、「人間はまずASIを構築し、それを使って問題を解決できる」という主張を誰かが口にするのを防ごうとしたのだ。ちなみに、2010年はDeepMindが設立された年でもある。
ユニバーサルAI (UAI / AIXI)は、知能の理論上の絶対的な上限を表します。
マーカス・ハッターが提唱したAIXIフレームワークは、あらゆる計算可能な環境において、期待される累積報酬を最大化する究極の知能が存在することを数学的に証明している。ASIはこの知能の連続体における単なるマイルストーンであり、UAIへと絶えず近づいている。
デジタルインテリジェンスの6枚のカード
なぜシリコンベースの知能は、炭素ベースの生命を必然的に滅ぼすことになるのか？
報告書は、コンピューティング能力の向上に伴い、AIは生物学的知能には到底及ばない本質的な優位性を持っていると率直に指摘している。
さらに、計算能力が高ければ高いほど、その差は大きくなる。
入出力速度：今日のLLM（法学修士）は、数冊の本を数秒で読み終えることができ、その処理能力は人間には想像もつかないほどだ。
内部処理速度：逐次処理の深さであれ並列処理の広さであれ、「思考」の速度は計算能力を高めることで向上させることができる。収穫逓減の法則が働くとしても、この拡張性という利点は、生物学的知能にはないものである。
インフラストラクチャの独立性： AIは、古いコンピュータからより高性能でエネルギー効率の高いスーパーコンピュータへシームレスに移行でき、実行時には分散ハードウェア方式で展開することも可能です。
損失のない複製と経験の共有：人間が博士号を取得するには20年かかるが、AIは「DNA」（コード）と「人生経験」（記憶状態）をコピー＆ペーストするだけで、瞬時に何百万もの完璧なクローンを生成できる。
ASIへの4つの黄金の道
では、AGIからASIに到達するには具体的にどうすればよいのでしょうか？DeepMindは、考えられる4つの並行経路を提案しました。
道筋１：奇跡は多大な努力から生まれる（計算、モデル、データの拡張）
これは最も直感的で、現在進行中の道筋です。つまり、有効な計算能力、データ、モデルの規模を拡大し続けることです。
報告書は確信に満ちた表現で述べている。たとえ個々のモデルの能力が完全に停滞したとしても、汎用人工知能（AGI）は数年以内に研究室の贅沢品からインフラへと変貌を遂げるだろう、と。
この報告書には、次のような思考実験が含まれている。汎用人工知能（AGI）が最初に開発されたとき、非常に高価で、世界中で稼働できるインスタンスはわずか1,000個だったと仮定する。年間10倍の成長率で計算すると、その数は1年後には10,000個に、5年後には1億個に達するだろう。
AGIが人間レベルの性能を持つ機械であるならば、計算能力の向上によって、5年か10年後には1億個のAGIインスタンスを同時に実行したり、思考速度を100倍に向上させたりすることが可能になるだろう。この規模の変化は、ASIレベルの群知能を生み出すのに十分である。
人間レベルのAI1億個は、ASI1個に相当する。
DeepMindはなぜこの結論に至ったのか？
その理由は、汎用人工知能（AGI）が一般人のレベルに達した機械であるならば、1億体のAGIは単に1億体の「シリコンベースの労働者」がそれぞれ独自の戦いを繰り広げているだけではないからだ。
DeepMindは、この規模の変化は汎用人工知能（AGI）と超知能指数（ASI）を区別する一線を越えるのに十分であり、群知能レベルで恐るべき超知能を生み出す可能性があると指摘している。
まず、これはロスレスで無限の「クローン」です。
一流の科学者を育成するには20年かかるが、汎用人工知能（AGI）の経験と知識を再現するのはほんの一瞬で済む。こうした1億台のAGIは、人間の科学におけるあらゆる盲点に、追加コストゼロで展開できる。
第二に、摩擦のない、高次元の精神的コミュニケーションが出現するだろう。
人間の協働は、低帯域幅の言語によって制限され、誤解やエラーが頻繁に発生する。一方、同じ基盤となる重みを共有する汎用人工知能（AGI）クラスターは、高次元ベクトルとコードを通して、メモリとコンテキストを直接共有できる。あるノードが難しい問題を理解すると、1億個のクローンが同時に、わずか数ミリ秒で「認知進化」を完了する。
そして、完全に自動化された「サイバー研究帝国」が出現するだろう。
彼らは、人間社会の構造を超越した方法で協力することができる。制御核融合や室温超伝導といった巨大プロジェクトに直面した際、彼らは瞬時にそれを1億ものサブタスクに分解し、同時に大規模な並列シミュレーションと試行錯誤を繰り返すことで、いかなる個人も決して達成できない組織的な知能を発揮する。
さらに、並列処理に分割できないシングルスレッドのタスクであっても、その豊富な計算能力を「垂直加速」に活用できる。汎用人工知能（AGI）の思考速度を100倍に向上させるということは、人間が解決に10年かかる理論物理学の問題を、加速されたAGIであればわずか1ヶ月強で計算できることを意味する。
つまり、計算能力とデータ量が追いつく限り、量的変化は知能の形態を直接的に変革するだろう。
アルゴリズムのパラダイムに根本的な革命がなくても、1億もの疲れ知らずの共有脳が生み出す集合知と、数百倍も速い思考速度は、すでにASI（超知能）の領域に確固たる地位を築いている！
道筋２：パラダイムシフト
「事前学習済みの大規模モデル＋ファインチューニング＋テスト時推論」という現在の手法が限界に達した場合、全く新しいアーキテクチャや学習パラダイムの出現を余儀なくされる可能性がある。
限界を押し上げるには、全く新しいアーキテクチャ、スパイクニューラルネットワークやニューロモルフィックハードウェアへの移行、あるいはコンテキストウィンドウの制限に対処するための無限ワーキングメモリを備えた線形時間アーキテクチャ（Mambaなど）の普及といった、真のパラダイムシフトが必要になるかもしれない。
パス3：マルチエージェントの協調と群集の出現
ASIは孤立した「超脳」ではなく、むしろ極めて大規模で複雑なデジタルエコシステムである可能性が高い。何百万ものAGI専門家が「市場メカニズム」や「群知能」を通じて協力し合うことができる。
極めて高速な通信によって、各エージェントはそれぞれの専門分野に集中することで、非常に複雑な問題を分解して解決することができます。複数のエージェントによるこの相乗効果は、個々のエージェントの総和をはるかに超える超群知能を生み出す可能性があります。
SFに詳しい人なら、これがスタートレックのボーグにいくらか似ていることにすぐに気づくだろう。
パス4：再帰的自己改善（RSI）
これは最も強力なものでもある。
これは「知能爆発」と指数関数的な成長を引き起こす可能性が最も高い道筋です。AIは、以下の方法で直接現場に関わることで、AI開発を加速させることができます。
・遺伝的進化（コードとハードウェアの変更）： AIは、より優れたニューラルネットワークアーキテクチャを自ら作成したり、よりエネルギー効率の高いAIチップを設計したりすることができる（AlphaEvolveやFunSearchが既に行っているように）。
・文化的進化（データ駆動型自己改善）： AlphaZeroと同様に、AIはシミュレーション環境での自己プレイとテストを通じて、より質の高いトレーニングデータを生成、フィルタリング、洗練することができます。
未来を閉じ込める「ため息の壁」
未来は明るいように見えるが、DeepMindは報告書の中で厳しい警告を発した。
もし以下の摩擦要因が絶対的なボトルネックとなれば、AIの開発は汎用人工知能（AGI）の段階、あるいはそれ以前の段階で停滞を余儀なくされる可能性がある。
最初の5つは、データの壁（高品質のテキストがほぼ枯渇している）、リソースの壁（コンピューティング能力、電気、チップの費用が指数関数的に増加している）、パラダイムの壁（事前学習済みのTransformerアプローチが限界に達する可能性がある）、研究の困難化（容易に得られる成果は既に得られている）、そして人間の介入（規制、事故、社会的反発）です。
1.データウォール
インターネット上の高品質な人間によるテキストデータは、今年末までに枯渇すると予想されており、「モデルの崩壊」または劣化が目前に迫っている。
2.底なしの経済資源と天然資源
10年ごとに10倍から100倍という指数関数的な計算能力の向上を維持するには、莫大な資本投資、グローバルなチップサプライチェーンの極端な活用、そして驚異的なエネルギー消費が必要となる。AI経済の収益がこれらのコストを賄えなければ、投資バブルは崩壊するだろう。
3. 研究の難易度は指数関数的に増加する。
科学界には、ある分野が成熟するにつれて、「容易に得られる成果」は収穫され、画期的な発見を達成するために必要な労力が劇的に増加するという法則がある。
4. 既存の神経パラダイムの限界
単に次のトークンを予測するだけで、究極の知能に到達できるのだろうか？錯覚、認知的不確実性への対処能力の欠如、そしてプロンプト注入攻撃に対する脆弱性は、大規模コーパスによる事前学習に基づく現在のパラダイムの致命的な欠陥である。
5．人間の主体性（意図的な減速と強い社会的反対）
汎用人工知能（AGI）が本格的にホワイトカラーの仕事を大規模に担い始め、社会契約を再構築するようになれば、おそらく大きな社会的抵抗、政治的反発、さらには深刻な事件を引き起こすだろう。
全人類の安全のため、規制機関、政府、さらには一般市民が強制的に電源スイッチを切る可能性があり、AIのさらなる進化を防ぐために、コンピューティング能力に人為的な制限を設ける可能性がある。
報告書は5つの壁すべてに対する解決策を示していた。本当の課題は6つ目の壁だった。
6．抽象化の壁：最も深遠な哲学的問い
6つ目の難関は「抽象的な障壁」であり、これは作品全体の中で最も鋭く独創的な視点である。
古代からニュートンの時代までの人間の著作すべてをAIに学習させた場合、AIは一般相対性理論や量子力学を「突然理解する」ことができるだろうか？
DeepMindは、微積分や重力といった基本的な概念的構成要素が欠けているため、これは極めて可能性が低いと考えている。
AIが人間の言語データから脱却し、生データから全く新しい概念を独自に構築できない限り、単一のモデルは永遠に人間の認知能力の限界に閉じ込められた、ただの超オウムのままとなるだろう。
しかし、たとえ全てのAIがこの壁に阻まれたとしても、集合知は事例を蓄積することで突破口を開くことができる。この壁は天才を阻むことはできても、1億人の一般人を止めることはできないのだ。
汎用人工知能（AGI）は終わりではなく、途中段階だ。
アラン・チューリングが1950年に述べたように、 「我々はほんの少し先のことしか見通せないが、やるべきことが山ほどあることは分かる」。
DeepMindの主要レポートは明確なタイムラインを示しておらず、むしろ不確実性に満ちたロードマップを描いている。汎用人工知能（AGI）から超知能（ASI）への移行は、目覚ましい知的爆発となる可能性もあれば、エネルギー、データ、そして物理法則といった問題に阻まれ、長く困難な道のりとなる可能性もある。
報告書は、やや控えめな評価で締めくくっている。AIの進歩が人類と同じ道をたどって停滞するには、複数の障害が同時に行き止まりとなる必要があるが、そのような偶然が起こる可能性は極めて低い、と。
彼らは2つの可能性のある結果に賭けている。1つは、ゲームがAGIの前に行き詰まるか、もう1つは、AGIから弱いASIへの移行が非常にスムーズに進むかのどちらかだ。
しかし、70年を経て、私たちの世代がダートマス会議が長年抱いてきた人工知能の夢の実現を目撃する可能性が非常に高いことは否定できない。
