AGI（汎用人工知能）の到達がゴールだと思われがちですが、Google DeepMindはその先を正面から論じる研究レポートを公開しました。
本記事では、2026年6月にarXivへ掲載された「From AGI to ASI」の要点を整理します。AGI到達後のAIがどう進化しうるか、4つの技術経路と6つのボトルネックを押さえれば、今後の議論の地図が見えてきます。
この記事でわかること
- AGIとASI（汎用人工超知能）の定義の違い
- ASI到達に向けた4つの並行経路
- 進化を遅らせうる6つのボトルネック
- レポートが示す社会変化の見方
https://arxiv.org/abs/2606.12683
AGIの先に何があるのか
AI業界の議論は、人間並みの知能を持つAGIをいつ実現するかに集中しがちです。ところがDeepMindのレポートは、AGI到達のタイミングそのものよりも、その後の進化に焦点を当てています。
著者らは、人間レベルのAGIが実現した後も、機械知能は連続的に発展しうると位置づけます。レポートの主役は、AGIからASIへの移行です。ASIとは、大規模で高度に連携した人間の専門家集団を、ほぼすべての領域で上回るシステムを指します。AlphaGoやAlphaFoldのような単一分野特化型の超人的性能は、ASIの定義には含まれません。
理論的な上限として、Marcus Hutterが提唱したAIXIに基づく「Universal AI」が示されています。AIXIは計算不可能な理想モデルですが、ASIが理論上どこまで到達しうるかを議論する足場になります。一方でレポートは、ASIが全能ではないことも明記しています。光速や計算複雑性など、物理法則と理論的限界はASIにも適用されます。
デジタル知能が持つ構造的優位
ASIへの道を考えるうえで、レポートはデジタル知能の特性を重視します。AIのコードは完全に記述可能であり、同一のプログラムとメモリ状態を損失なく複製できます。内部処理の高速化、大容量の作業記憶、入出力帯域の拡大といった利点は、計算資源の増加とともに人間との差を広げます。
Epoch AIの推計を引用し、レポートは「実効コンピュート」が年間約10倍で増加していると述べます。これはハードウェア改善（約1.5倍/年）、投資拡大（約2.5倍/年）、アルゴリズム効率向上（約3倍/年）を掛け合わせた保守的な見積もりです。AGI到達時点で個別モデルの能力が頭打ちになっても、同じAGIを数百万〜数億インスタンス並列実行できれば、集団としての能力は飛躍的に伸びる可能性があります。
4つの並行経路
レポートは、AGIからASIへ至る4つの技術経路を提示します。いずれも排他的ではなく、並行して進むと想定されています。
1. スケーリング
計算資源、データ量、モデル規模の拡大です。Kaplanらのスケーリング則に基づく予測が可能な唯一の経路でもあります。ただし、計算を増やせば能力が比例して伸びるとは限りません。高品質テキストデータの枯渇も、この経路の近い摩擦として挙げられています。
2. アルゴリズムのパラダイム転換
現行のトランスフォーマー事前学習からの大きな逸脱を意味します。継続学習、世界モデル、テスト時スケーリングの進化は現パラダイムの延長線上にあり、真のパラダイム転換は予測が困難です。既存手法の天井に達したときに生まれるとレポートは分析しています。
3. 再帰的自己改善
AIがAI研究を加速し、より良いAIがさらに研究を速めるループです。チップ設計、ハイパーパラメータ探索、データ生成へのAI活用は、すでに弱い形で始まっています。理論上は双曲線的成長（特異点）に至りうる一方、物理的制約のある系ではS字カーブに平坦化する可能性も指摘されています。
4. マルチエージェント集団
多数のAGIエージェントが協調・競争し、集団として超知能を発揮する経路です。完全自動化された企業や、AIサービス間の市場ダイナミクスから自然発生的に生まれる可能性があります。人間組織と異なり、AGI集団は高帯域の通信で深い階層を省略した意思決定が可能と論じられています。
6つのボトルネック
4つの経路それぞれに、進化を鈍化させうる摩擦が存在します。レポートはTable 4として6つを整理し、それぞれの影響度は未解決の研究課題だと位置づけています。
| ボトルネック | 内容 |
|---|---|
| データの壁 | 高品質学習データの供給が需要に追いつかない |
| 経済・資源需要 | エネルギー、半導体、レアアースなどの供給限界 |
| ニューラルパラダイムの限界 | 現行の大規模事前学習だけではAGIに届かない可能性 |
| 研究の難化 | 成熟した分野ほど成果あたりの投入が増える |
| 抽象化の壁 | 人間が作った概念の範囲を超えた新規概念の発見が困難 |
| 意図的な減速 | 規制、事故、社会的反発による開発制限 |
「抽象化の壁」は特に注目に値します。現行モデルは人間が生み出した抽象概念のデータで学習しており、ニュートン以前の知識だけで訓練したモデルが一般相対性理論を自力で導くことはほぼ不可能だとレポートは例示しています。新しい概念を生データから発見する能力がなければ、個別AIの知能はAGI水準で頭打ちになる可能性があります。
一方、合成データ、シミュレーション、エージェント同士の対話によるデータ生成は、データの壁を緩和する手段として論じられています。AlphaZeroが探索結果をモデルへ蒸留し続ける仕組みが、すでに弱い再帰改善の一例です。
単一の転換点ではなく連続的変化
レポートの結論で最も読者に響くのは、社会変化の見方の転換です。人間レベルAGIの登場が一度きりの決定的転換点をもたらすというイメージは、不正確かもしれないと著者らは述べます。
むしろ適切なのは、AIが科学・技術の多領域でブレークスルーを起こし、社会が段階的に変容していく連続的なプロセスという見方です。ASI到達の予測には不確実性が大きく、加速も減速も排除できません。対応には、グローバル規模の学際的研究が必要だと結論づけています。
誰が書いたのか
本レポートはTim Geneweinを筆頭著者とするGoogle DeepMindの大規模チームによる成果です。Shane Legg（DeepMind共同創業者でAGIという用語の普及に関与）とMarcus Hutter（AIXIの提唱者）の参加が注目を集めています。約60ページに及ぶ内容で、哲学論争を工学と予測の問題へ落とし込む試みとして評価されています（参考）。
AGI到達が目前視されるなか、到達後の地図を先に描こうとする姿勢は、AI開発の議論が新しい段階に入ったことを示しています。4つの経路と6つのボトルネックは、技術予測のチェックリストとしても機能します。