Google DeepMind、AGI から超知能に至る 4 つの経路と 6 つのボトルネックを公開──AI 進化の設計図を提示
Google DeepMind の論文「From AGI to ASI」をベースに、汎用人工知能から超知能への移行における技術的経路と、物理世界での制約を詳解する。
リリース: 2026-08-01 · 読了 5 分記事の要約
1. 核心（What）
- Google DeepMind は 57 ページの論文「From AGI to ASI」を公開し、AGI から超知能へ至る 4 つの経路と 6 つのボトルネックを網羅的に解説した。
- ハードウェア・計算効率・アルゴリズムの掛け合わせにより、年 10 倍の進歩が起きる可能性と、それがもたらす課題を論じている。
- 物理空間でのロボット制御やエネルギー制約を指す「Embodied Bottleneck」が、今後の進化の最大の壁になると指摘する。
- 人間並みの推論能力を持つ AGI 到達後、ASI（超知能）への移行が急激に進むリスクと滑らかな移行の条件を分析している。
2. 影響（Why）
- 研究開発ロードマップの再定義: 単なるスケーリング則の延長だけでなく、物理世界の制約を考慮した長期アーキテクチャの設計が必須となる。
- 国内 AI ベンダーへの示唆: 国内の基盤モデル開発チーム（大学・研究所等の組織規模）は、計算資源の拡張だけでなく物理制約を見据えた学習戦略への転換が求められる。
3. 根拠・詳細（How）
- 4 つの進化経路と係数分析: ハードウェア 1.5 倍、計算効率 2.5 倍、アルゴリズム 3 倍の乗算モデルにより、年 10 倍の進歩係数を試算している。
- 体現のボトルネックの定義: 計算処理の速度ではなく、物理世界でロボット等を直接操作する速度が進化の律速段階になるメカニズムを定式化している。
4. 展望・課題（Next）
- ASI 移行期の安全性の検証: AGI 到達後に超知能へ暴走するリスクを抑えるため、制御機構やエネルギー供給の安全策に関する追加検証が不可欠となる。