ビデオエッセイ「再帰的自己改善が始まった」、2026年11月13日公開

ポッドキャスト「Dwarkesh Podcast」のホストであるドワルケシュ・パテル(Dwarkesh Patel)氏は、超知能(AGI)の到来予測を劇的に前倒しした。同氏は11月13日に公開したビデオエッセイの中で、今年初めであればその到来は「少なくとも10年近く先」の見立てだったと述べている。しかし、3カ月にわたる議論や検証可能な領域におけるAIの進歩を目の当たりにした結果、世界はAI研究において最高峰の人間と同等、あるいはそれを上回るAIの実現まで「あと数年、下手をすればあと数カ月」に迫っているとの見解を示した。同氏は、あらゆる分野で最高の人間の専門家に匹敵するAIが遅くとも2030年までに、早ければ来年にも登場する可能性があると予測している。これは「荒唐無稽な主張」であり、数カ月前の自分なら信じなかっただろうと語っている。

AIがすでにAIの進化を加速させているという証拠

パテル氏は、各AIラボのデータからこの議論の論拠を組み立てている。独立系評価機関であるMETRは、Anthropic社に3カ月間常駐して調査を実施した。その結果、Anthropicにおける明確に定義されたタスクでのAIの進歩速度は1年前の2倍に達しており、「現在のこの加速の大部分は、Anthropicが研究開発(R&D)にAIを広範囲に活用していることに起因している可能性が高い」と結論づけた。

OpenAIが9月に発表したブログ記事によると、研究者のうちAI利用頻度の上位10%の層では、社内のコーディングエージェントの利用コストが夏の初めの1日あたり約1,000ドルから、8月末には1日あたり7,000ドル超へと急増した。また、Anthropic自身も9月の記事で、同社のAI研究開発作業の26%をClaudeが主導するようになったと報告している。これは2月時点の1%未満からの急拡大である。

AI研究の雛形としての数学

パテル氏の見立てを大きく修正させた最大の原動力は、AIの数学能力の向上スピードである。同氏が指摘するように、2023年時点のモデルは4桁の足し算すら確実に行えず、2024年には高校のコンテストレベルの問題を解くのがやっとであり、2025年には国際数学オリンピックで金メダルを獲得した。今年初めにはニッチな未解決問題の解決を始め、1カ月前にはOpenAIが88時間でミレニアム懸賞問題の1つを解決した。パテル氏は、トップ数学者たちが何十年もかけて追求してきた数百もの成果が、今や「将来のモデルリリースの宣伝のためのサイドクエスト」として生み出されていると述べている。

同氏は、トビー・オード(Toby Ord)氏の反論も認めている。オード氏は「強力な問いを立てたり、数学的探究の深遠な新分野を発見したりできるという証拠はほとんどない」と記していた。これに対するパテル氏の反論は、まさにその文面こそが、AIがそうした能力なしにミレニアム懸賞問題を解決したことを意味しているというものである。同氏は、機械学習においては数学よりも検証可能な作業への偏重こそが重要であると主張する。数学が最終的に新しい理論を重視する一方、AIラボにとって重要なのは、学習の効率化やモデルの賢さをもたらす経験的な手法であり、過去15年半のディープラーニングの進歩には多くの新しい理論は必要とされてこなかった。

同氏はトランスフォーマーを例に挙げてこの点を説明した。ショルト・ダグラス(Sholto Douglas)氏との会話やクリス・オラ(Chris Olah)氏の言葉を引用し、その核心的要素のどれ一つとして当時の現役研究者を驚かせるものではなかったと指摘した。このアーキテクチャが圧倒的な優位性を示したのは、半ダースの微調整が適切に組み合わされてからであり、それには研究者のセンスと、膨大な数の小規模な実験が必要だった。パテル氏の視点では、それこそがAIが数学で得意としてきた持続的な組合せ探索であり、アテンション機構の改善を求められれば「Claude 7が発明していたかもしれないようなもの」である。

タイムライン:2028年を中央値としつつ、両極に太い裾野

ラボが全速力で進み、自らや政府によって減速させられないと仮定した場合、最高峰の人間のAI研究者に匹敵する自動化された研究者が登場する中央値の年は2028年であるとパテル氏はみている。AI研究の重要な部分の自動化が困難であることが判明する可能性があるため、2032年以降まで実現しない確率も少なくとも25%見積もっている。一方で、同氏が知る最も精度高く予測を行う研究者の中には、早ければ来年にこのマイルストーンに到達すると予想する者もいるという。

また、2027年という年は、METRの調査結果をテイクオフ(離陸)モデルに当てはめた場合の直接的な帰結でもあると指摘している。アジェヤ・コトラ(Ajeya Cotra)氏の「AIが現在、AI能力の進歩速度をほぼ倍増させているという事実を額面通りに受け止め、AIによる加速が緩やかであると仮定するならば、これは極端な超知能に1年以内に到達することを素朴に示唆している」という言葉を引用しつつ、パテル氏の中央値が2027年ではないのは、こうしたモデリングがどの程度正確であるか確信が持てないためである。

自動化された研究者がより速く、より優秀で、より大量になる理由

パテル氏は、そのマイルストーンに到達した後に進歩が加速する理由として3点を挙げている。第1に、AIはすでに人間の約10倍の速度で稼働しており、24時間体制で作業するため、各自動化された研究者は1カレンダー週あたり人間の約50倍の作業量をこなすことになる点だ。ただし、実験用のコンピュート(計算資源)は高速化しないため収穫逓減が急激に進むと警告しつつも、アルゴリズムの進歩は依然として何倍もの速度で進むと予想している。

第2に、品質の面である。フロンティアラボにおけるアルゴリズムの進歩の約80%は、上位50名の研究者から生み出されているとパテル氏は推計しており、これがザッカーバーグ氏がトップ人材に数億ドルを支払う用意があった理由を説明しているという。自動化されたラボでは、すべての研究者がその水準に達することになる。

第3に、量の面である。AI研究は小説を書くことよりも定理の形式化に似ているとパテル氏は主張する。フェルマーの最終定理を数千のモジュール化されたサブタスク(それぞれローカルに検証可能)に分割し、多数のClaudeが共同で形式化していくアニメーションを例に挙げた。AIラボはすでに、データフィルタリング、合成強化学習(RL)環境、アテンションカーネルなどの作業をチーム間で分散させている。彼は急激な収穫逓減を認め、「10万人の協力者がいるからといって10万倍速くなるわけではなく、100倍ですらないだろう」としながらも、何桁も多い労働力が投じられて進歩が数倍以上にならないというのは考えにくいと述べている。

火花かソフトウェア単一世界か:五分五分の確率

パテル氏は、核心的な問いは「自己改善のループが、新しいアイデアを発見する難しさの高まりを凌駕するかどうか」であると位置づけている。AI企業は、一定の進歩ペースを維持するためにすでに毎年R&D用コンピュートを4倍にし、従業員数を倍増させなければならない状況にある。もしアイデアの発見困難化スピードよりもAIの改善スピードが上回れば、結果として「ソフトウェア単一世界(ソフトウェア・オンリー・シンギュラリティ)」が訪れる。これは、コンピュートを追加することなく、群知能が数カ月以内に「現在のチップの物理的限界に擦り寄る」ほどの超知能に到達するシナリオである。

アイデアの発見困難化の方が速く進む場合の帰結を、同氏は「火花(スパーク)」と呼んでいる。現在のペースでの3〜6年分の進歩が1カレンダー年に圧縮され、その後、さらなるコンピュートが構築されるまで物事が「落ち着く」というシナリオだ。同氏はそれぞれのシナリオに50%の確率を与えている。

「火花」のケースであっても、その変化は極端なものに感じられるだろうと彼は言う。気の利いたリメリック(五行詩)を書けるものの「大半は役立たずのおもちゃ」であったGPT-3.5から、ゼロからビデオゲーム全体を構築し、観測者が麻痺するほどのペースでフィールズ賞級の貢献を果たす架空のGPT-6「Astra」への移行にたとえている。2027年または2028年に始まるこのような飛躍は、わずかにでも検証可能な領域においてさえ、人間をはるかに超越した知能をもたらすことになると述べている。Nvidiaを凌ぐ次世代AIアクセラレータの設計、同等の市場アクセスが与えられた場合のシタデル(Citadel)やジェーン・ストリート(Jane Street)の現役の人間の稼ぎを超えること、そして材料ラボへのリモートアクセスが与えられれば室温超伝導体を発見することなどを挙げている。

超知能が「検証困難な現実世界の仕事」をこなせるようになる仕組み

データセンターで訓練されたシステムが、ビジネスの構築、裁判での勝訴、トレーディング、選挙運動の運営といった領域において、長年の現実世界の経験から強みを得ている専門家に太刀打ちできるはずがないという当然の反論に対し、パテル氏は次のように答えている。答えがモデルの重みにあらかじめ焼き付けられていると主張しているわけではない。彼の主張は、スケールアップされた強化学習(RL)がAIに対し、情報探索、計画立案、障害を乗り越える粘り強さ、学習内容の追跡、協業といった新しい文脈に素早く適応するための汎用的なスキルを授けるというものである。

自動化されたエンジニアは、現在存在するものよりも数万倍も大規模かつオープンエンドなRL環境を構築するようになると同氏は予想している。「今日のものにとって、ビデオゲームが馬車に対するブガッティであるようなもの」だと表現する。例えば、何百万もの他のAIのシミュレートされた経済の中にAIを放り込んで共同で企業を立ち上げさせたり、過去のバックテストを実行させたりすることだ。1700年で終わるコーパスで訓練されたAIが一般相対性定理を導出できるか、あるいは1962年までの新聞記事からキューバ危機を予測できるかといったタスクも挙げられる。自動化された研究者は、オンライン学習やサンプル効率を中心に、学習アルゴリズムそのものも改善していくだろう。...