AGI はゴールではない ― DeepMind が描く「超知能（ASI）」への道筋

「AGI（人間並みの汎用 AI）にいつ到達するか」。AI をめぐる議論は、この一点に集まりがちです。しかし Google DeepMind が公開した報告書「From AGI to ASI」は、もっと射程の長い問いを立てています。AGI は到達点（ゴール）ではなく、その先にある超知能（ASI）へと続く道の途中にすぎないのではないか、という問いです。

この報告書は、実証された結果ではなく「これから何が起こりうるか／何を研究すべきか」を整理した、予測と論点の文書です（公式公表）。だからこそ、個別の技術ニュースよりも、経営者が中長期の前提を組み立てるのに向いています。本稿では、煽らず、その本筋を追います。

AGI と ASI を、まず定義する

議論が噛み合わないのは、たいてい言葉の定義が曖昧なまま進むからです。報告書はここを明確にしています。

• AGI（汎用人工知能）：きわめて広い範囲の知的タスクで、標準的な人間と同等の能力を持つ AI。与えられた問題を解くだけでなく、自ら課題を見つけ、解決に向かう「自律性」を備えた段階。
• ASI（人工超知能）：あらゆる分野で、人類で最も優れた個人を上回るだけでなく、何千人もの専門家が何年もかけて出すような「人類の大集団の知能」をも凌駕し、すべての領域で自律的に進化し続ける段階。

要点は、ASI が「1人の天才を超える」レベルではなく「人類の集団的な営みを超える」レベルとして定義されていることです。ここが AGI と ASI を分ける一線です。

AGI から ASI への、4つの道筋

報告書は、AGI から ASI へ至りうる経路を4つ挙げます。これらは排他ではなく、並行して、あるいは組み合わさって進みうるとされます。

• スケーリング：これまでどおりモデル・データ・計算資源を指数的に増やし続ける道。過去10年の延長線で、唯一、実績データから予測できる経路。
• アルゴリズムの根本的な変化：今の「大規模事前学習＋微調整」とは異なる、新しい仕組みや学習パラダイムが発見される道。
• AI による AI 開発（再帰的自己改善）：AI が AI の研究開発を加速・自動化し、より良い AI がさらに開発を速める、自己加速のループ。
• AI の群れが超知能になる：個々のモデルが飛び抜けていなくても、多数の AI が群れ、組織として連携することで、人類の大組織を超える成果を出す道。

4番目は、私たちの足元でも兆しが見えます。1人が複数の AI エージェントに作業を割り振り、並行して進める働き方は、すでに現実になりつつあります。

それでも、進むとは限らない ― 摩擦とボトルネック

報告書が誠実なのは、これらの道筋に「摩擦（ボトルネック）」が伴うことを丁寧に挙げている点です。スケーリングは経済的・資源的に頭打ちになりうる。学習に使えるデータは枯渇しつつある。今のパラダイムには天井があるかもしれない。再帰的な改善は途中で失速しうるし、群れは大きくなるほど調整コストが膨らむ。

これらの摩擦が「無視できる程度」なのか「進歩を止める壁」なのかは、まだ誰にも分かりません。だからこそ報告書は、断定ではなく多くを「未解決の研究課題」として残しています。

「予測できないから、備える」という姿勢

将来は予測できない。これは AI 進歩の速度にも、社会への影響にも当てはまります。だからといって手をこまねくのではなく、報告書は「進歩が急速で、しかも遠くまで進む可能性は否定できない」という前提で備えるべきだ、と説きます。

そして示唆されるのは、AGI の登場が「社会を一度だけ変える単一のステップ」ではなく、科学技術の各分野で次々と起こる「連続した変革の波」かもしれない、という像です。報告書は最後に、こう締めくくります。AGI と ASI が招く未来に人類全体で備えるには、世界中の関心を集め、地球規模で展開される、あらゆる分野の垣根を越えた、壮大な営みが必要になる、と。

経営者は、ここから何を読み取るか

遠い未来の話に聞こえるかもしれません。けれど、報告書が描く方向性には、今日の経営にそのまま効く含意があります。

「最強の単体 AI が出るのを待つ」発想から、「複数の AI が協働し、経験を貯め、業務に接地していく仕組み」を先に整える発想へ。報告書が挙げる4経路のうち、再帰的改善と群れによる知能、そして AI の経験を保存・共有・再生できるという digital ならではの優位性は、いずれも「単体の賢さ」より「組織としての使い方」が効いてくることを示しています。

Nihonbashi AI Lab は、この変化を業務の現場に落とす支援をしています。

• 業務設計：どの業務から AI 活用・自動化を始めるかの整理
• データ構造・権限設計：何を残し、誰が参照できるかを、後から変えられる形で組む
• AI 活用設計：判断・手順・顧客対応を、AI が参照・連携できる形に組み込む
• 運用導線：使いながら改善し続ける運用サイクルの定着

私たち自身も、日々の AI 駆動開発の現場で複数の AI を協働させ、その経験を組織の記憶として蓄積しながら、この方向性を実地で検証しています。

結びに代えて

AGI はゴールではなく、通過点かもしれない。ASI が来るのか、いつ来るのかは、まだ誰にも断言できません。だからこそ、過度に煽るのでも、無視するのでもなく、「来ても慌てない準備」を地に足をつけて進める。その第一歩を、御社の業務から一緒に考えます。