Google DeepMind の研究機関は、AGI の後の時代には、かつてこの分野が AGI 専用としていたのと同じ厳密な分析が必要であると主張する包括的なエッセイを発表しました。 「AGI の後に何が来るのか? AGI からスーパーインテリジェンスまで」という記事は、Google DeepMind の研究科学者 Tim Genewein によって、2026 年 11 月 19 日に DeepMind Institute のエッセイ ポータルで公開されました。その中心的な主張は、人工汎用超知能に向けた複数の技術的ルートが具体化するにつれ、AGIを超えた体制は「哲学的思索から実証研究とガバナンスの問題へと移行しつつある」というものだ。

このエッセイは、AI 研究ニュースがここ数カ月で最も忙しい時期に掲載されたもので、AGI 後の議論に具体的な技術用語を与えようとする意図的な試みであると読み取れます。最新の AI 開発に注目している人にとって、この本は、世界有数の研究機関が人間レベルの AI を超える道筋をどのように描いているかについて、これまでで最も明確な全体像を提供します。これには、もし正しければコグニティブ ワークの経済学を変えることになるコスト予測も含まれています。

スーパーインテリジェンスとして重要なもの

Genewein は、一般的な知能を連続体上に配置し、人間レベルの AGI をその連続体の 1 点として配置することから始めます。このエッセイの定義によれば、ASI は、人間の専門家の大規模なグループが完了するまでに何年もかかるタスクを、より少ないリソースとより少ない時間を使用して、一貫して上回るパフォーマンスを発揮する高度なシステムです。たとえば、研究分野全体の科学的成果をほんの数分の一の時間で達成したり、大企業が 1 年で生産するものと同等のチップ設計の進歩を達成したりすることができます。重要なことは、狭い部分ではなく、人間が関心を持つ事実上すべてのタスクにわたってこのバーを満たさなければならないことです。

狭い優位性はすでに存在するとエッセイは指摘している。今日のAIシステムはチェスや囲碁でどんな人間にも勝ち、アミノ酸配列からタンパク質の構造を予測し、数十年にわたって数学者たちに抵抗してきた定理を証明してきた。本当に未知のままなのは、人間レベルの AI と知能の理論的限界との間の広大な中間点です。 Genewein 氏の具体的な指摘は、チェスを完璧に解くには、地球上に存在するよりも多くの計算能力が必要であるにもかかわらず、サムネイルサイズのチップですでに人間を倒すのに十分な性能を備えているということです。

コグニティブ産業化とコスト崩壊

このエッセイの量的核心は「認知的産業化」の分析である。 Genewein は、過去 10 年間の 3 つの複合トレンドを掛け合わせています。まず、ハードウェア: ムーアの法則と関連トレンドに基づいて、1 ドルあたりのコンピューティングは 60 年間で年間約 1.5 倍に向上しました。 2 番目に、アルゴリズムの効率: 一定のパフォーマンス レベルに達するために必要なトレーニング コンピューティングは、過去 10 年間で年間約 3 ~ 6 倍減少し、推論効率は年間約 3 倍向上しました。第三に、投資: AI ハードウェアへの支出は年間約 2.5 倍に増加し、最大のフロンティア ランのトレーニング コンピューティングは年間 4 倍以上増加しています。

この 3 つを掛け合わせると、エッセイでは、世界の有効なコンピューティングは少なくとも年間 10 倍、つまり「10 年間で 100 億倍」増加していると推定しています。需要面では、ハードウェアとソフトウェアの効率向上だけでも、固定 AI ワークロードの実行に必要なコンピューティングが年間約 4 倍削減されます。 Genewein 氏が言うように、その結​​果、今日の AI システムで実行するにはコンピューティング トークンに 10 億ドルかかるコグニティブ ワークロードは、10 年間でおよそ 1,000 ドルかかることになります。

それは単独の推定ではありません。このエッセイでは、一連のベンチマークで一定のスコアを達成する消費者価格が 2023 年以降、年間 13 倍以上下落しているという最近のエポック社の調査結果を引用しています。また、AI エージェントの有効人口は 2030 年までに 1,000 倍以上、10 年以内に 10 億倍以上に拡大する可能性があると予測していますが、これは「確実に当然のことではない」と慎重に警告しています。アルゴリズムの効率性が介入する可能性があります。

AGI から ASI への 4 つの経路

このエッセイの核心は、巨大な規模では実現できない可能性を解き放つ可能性がある 4 つの技術経路の分類です。なぜなら、ジェネワインが辛口に観察しているように、「アインシュタインは一般相対性理論を解明したものの、プトレマイオス朝の天文学者 10 万人による会議ではおそらく不可能だったからです。」

モデルとデータのスケーリング 能力は、モデル、データ、テスト時間の計算スケールと一貫して著しく向上していますが、エッセイでは 3 つのボトルネックが特定されています。モデル規模での収益の減少。機能の各線形ステップでは乗算計算が必要ですが、モデルが大きくなると推論時間のメソッドが遅くなります。そして、発電所、送電網、チップ製造工場、低遅延相互接続に対する物理的および経済的制限です。 技術パラダイムの変化。​​ 今日のパラダイム (次のトークンを予測するようにトランスフォーマーをトレーニングし、テスト時の計算を改良して追加する) は、原理的にはプロンプトを通じて複雑なアルゴリズムを実行できることが最近示されました。しかし、モデルは、継続的な学習、特定の形式の世界モデリング、意思決定、サンプル効率、既存概念の再結合ではなく真に新しい概念の発明といった点において、依然として人間に及んでいません。今日のパラダイムの拡張によってこれらのギャップを埋めることができるのか、それとも ASI にはさらに深いものが必要なのかについて、研究者の意見は分かれています。 エージェントの調整を改善します。 人間の企業、市場、研究コミュニティは、個人では解決できない問題を解決します。同様に、数千または数百万の AGI インスタンスを「グループ エージェント」または仮想エージェント エコノミーに調整することで、集合的なスーパーインテリジェンスを生み出すことができます。このエッセイでは、この分野には「マルチエージェントスケーリングの法則」が必要であると主張している。初期の研究では、一部のタスクでは明らかな利益が得られることが判明しているが、人口が増加するにつれて調整の非効率性が原因で利益が逓減するという。大規模な集団を運営するには、誤った情報、操作、共謀に対する防御を含む制度設計も必要となる。集団実験では、エージェントが不正行為を学習し、他のエージェントが内部告発者として行動することがすでに示されています。 再帰的自己改善 I. J. Good と Ray Solomonoff によって最初に議論された RSI は、将来の世代の AI の改善を自動化する AI システムについて説明しています。一般的なテクノロジーとは異なり、AI の改善はその後の成果を直接加速させることができますが、研究の進歩は時間の経過とともに見つけにくくなる傾向もあります。 RSIが暴走加速を生み出すかどうかは「主に経験的な問題」であり、RSIはデータだけでなくコードや設計、アーキテクチャ、トレーニングアルゴリズム、チップレイアウトを通じて機能する可能性があるとエッセイは述べている。

フレーミングが重要な理由

このエッセイは明らかに準備論である。AGIからASIへの可能な道筋をマッピングし、「進捗状況を追跡する厳密で信頼性の高い方法」を構築することが、ジェネウェインの枠組みでは、移行を管理するための前提条件である。これには、DeepMind Institute のより長いレポート「AGI から ASI へ」が付属しています。

受付はすぐにありました。このエッセイは、公開から 1 日以内に Hacker News で 85 ポイントと 160 以上のコメントを集め、Unite.AI や BigGo Finance などの業界紙は 4 つのルート分類と百万倍のコスト衝突予測を強調しました。また、この問題は、超知能の予測がどのように行われるかについての広範な懐疑の渦中にも置かれている。IEEE Spectrumは今週、「AI超知能論争には深刻な欠陥がある」と題する記事を掲載した。

その緊張感がポイントです。 DeepMind は、日付に関する ASI を予測していません。シナリオ空間を雰囲気ではなく証拠に基づいてマッピングし、測定し、議論できるようになったと主張している。 10 億倍の外挿が物理的な上限に達するか破られるかにかかわらず、このエッセイは、「AGI の後に何が来るのか?」という問いへの変化を示しています。は哲学セミナーから、地球上で最も影響力のある AI 研究所の 1 つでの研究課題に移りました。

---

AI の先を行く

最新の AI ニュース、分析、画期的な情報をすべて 1 か所で入手できます。

AI ニュースをもっと読む→