Google DeepMind【AGIからASIへ】
汎用人工知能の未来について

2026年6月、Google DeepMindの共同創業者シェーン・レッグとAIXI理論の提唱者マーカス・ハッターらが主導し、レポート「From AGI to ASI」を発表しました。

このレポートは、汎用人工知能（AGI）が実現した後のAI進化の道筋を体系的に推論しており、「AGIはゴールではなく、通過点に過ぎない」という強いメッセージを投げかけています。

そこで本記事では、レポート「From AGI to ASI」の内容を深掘りし、AGIから人工超知能（ASI）へと至る未来の展望と、その過程で直面するであろう課題について包括的に解説します。

【知能の3つの定義】AGI / ASI / Universal AI
デジタル知能が持つ「6つの圧倒的優位性」
AGIからASIへ至る「4つの道」
進化を阻む「6つの壁（摩擦要因）」
私たちはどう備えるべきか
関連記事

【知能の3つの定義】AGI / ASI / Universal AI

レポートでは、AIの知能レベルを明確に定義しており、AIの進化を議論する上で不可欠な枠組みになります。

AGI（Artificial General Intelligence）: 認知タスクにおいて、人間と同等以上の知能を持つAIシステムを指し、現在のAI研究の目標のひとつで、多くの組織が実現に向けて取り組んでいます。
ASI（Artificial Superintelligence）: 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10年間緊密に連携して取り組んだ成果を常に上回る知能を持つシステムと定義されています。ひとりの人間や組織の能力をはるかに超えるレベルの知能を意味します。
Universal AI（AIXI）: マーカス・ハッターが提唱するAIXIフレームワークに基づき、知能の理論的な絶対的上限を表します。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、Universal AIへと絶えず近づいていく過程にあるとされています。

デジタル知能が持つ「6つの圧倒的優位性」

レポートでは、シリコンベースのデジタル知能が、炭素ベースの生物学的知能（人間）に対して本質的な優位性を持つ点を強調しています。これらの優位性は、計算能力の向上に伴いさらに拡大すると予測されています。

入出力速度：現代のLLM（大規模言語モデル）は、数秒で数千冊の本を読み終えることができ、人間には想像もつかない処理速度を誇ります。
内部処理速度：「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、逐次処理の深さや並列処理の広さにおいて、生物学的知能にはないスケーラビリティを発揮します。
インフラの独立性：AIは古いコンピューターから高性能なスーパーコンピューターへシームレスに移行でき、分散ハードウェア方式で実行することも可能です。
損失のない複製：人間が博士号を取得するのに30年かかるのに対し、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ます。
経験の共有：あるAIノードが難しい問題を解決すると、瞬時に他のすべてのクローンに同期され、集合知として機能します。
並列処理：複雑な問題を瞬時に数百万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、人間には不可能な組織的知能を発揮します。

これらの優位性は、AGIがASIへと進化する上で強力な推進力となると考えられます。

AGIからASIへ至る「4つの道」

Google DeepMindのレポートは、AGIがASIへと進化する可能性のある4つの主要な経路を提示しています。これらの経路は相互に排他的ではなく、並行して進行する可能性があります。

スケーリング（物量作戦）

最も直感的で現在進行中の経路は、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。レポートでは、たとえ個々のモデルの能力が人間レベルで停滞したとしても、計算能力の指数関数的な成長により、数年以内にAGIが研究室の贅沢品からインフラへと変貌すると予測しています。

例えば、AGIが最初に開発された際に1000個のインスタンスしか稼働できなかったとしても、年間10倍の成長率で計算すれば、5年後には1億個のAGIインスタンスが同時に稼働可能になります。1億個の人間レベルのAIが集まれば、ASIレベルの群知能を生み出すのに十分であるとされています。ロスレスな複製と摩擦のない高次元の精神的コミュニケーションによって、人間社会の構造を超越した「サイバー研究帝国」を形成する可能性を秘めています。

パラダイムシフト

「事前学習済み大規模モデル＋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が求められる可能性があります。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、コンテキストウィンドウの制限に対処するための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を意味します。

マルチエージェント協調

ASIは孤立した「超脳」ではなく、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とされています。何百万ものAGIシステムが「市場メカニズム」や「群知能」を通じて協力し合うことで、個々のエージェントの総和をはるかに超える超群知能が生まれる可能性があります。SF作品に登場するボーグのような集合意識を想起させます。

再帰的自己改善（RSI）

最も強力な経路のひとつであり、「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とされています。AIがAI開発に関与することで、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ます。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、洗練することも可能です。

【AIの再帰的自己改善（RSI）とAnthropicの提言】真相と未来

Anthropicが「AIの自己進化が始まった、世界はAI開発を一旦止めるべき」という衝撃的なメッセージを発信したことは、世界中で大きな波紋を呼んでいます。本記事では、Anthropicが提唱する「AIの自己進化（Recursive Self-Improvement, RSI）」とは何か、公開した社内データが示すAIの現状、RSIの技術的・歴史的背景、AIの未来に関するシナリオとAI開発の一時停止という提言の真意について解説していきます。

進化を阻む「6つの壁（摩擦要因）」

未来は明るいように見えますが、レポートはAIの進化を停滞させる可能性のある「6つの壁」、摩擦要因についても警告しています。これらの要因が絶対的なボトルネックになれば、AI開発はAGIの段階、あるいはそれ以前の段階で停滞する可能性があります。

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、近い将来に枯渇すると予想されており、「モデルの崩壊」や性能劣化が懸念されています。
リソースの壁：計算能力の指数関数的な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活用、膨大なエネルギーが必要です。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可能性があります。
パラダイムの壁：現在の事前学習済みTransformerアプローチが限界に達する可能性が指摘されています。次のトークンを予測するだけでは、究極の知能に到達できないかもしれません。
研究の困難化：科学分野では、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ります。
人間の介入：AGIが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、大きな社会的抵抗、政治的反発、規制によるAIの減速や停止が起こる可能性があります。
抽象化の壁：レポートが最も鋭く独創的な視点として提示しているのが「抽象化の壁」です。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ままであると指摘されています。しかし、たとえ個々の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可能性も示唆されています。