AIはソフトウェアなので、同じ能力を持つ実行環境を複数用意できます。この性質から、「AI研究者を大量に複製すれば、次のAIがすぐに作られ、経済全体も急成長する」という説明が生まれます。
最初の部分には、すでに測れる変化があります。短い研究工学課題では、AIが人間より多くの試行を速く回し、高い得点を出した実験があります。一方、研究課題の一部が速くなることと、産業全体が急成長することの間には、いくつもの接続が必要です。
このレッスンではその接続を五段階に分けます。どこまでが実験結果で、どこからが仮定を置いたモデルなのかを見失わないためです。
RE-Benchが測った短い研究課題
RE-Benchは7つの機械学習研究工学環境で、AIエージェントと人間の専門家を比較した評価です。各環境あたりの総時間予算が2時間の条件では、最良のAIの得点が人間の約4倍でした。AIは短い試行を多数回せるため、この条件で強みが出ました。
総時間予算を増やすと結果は変わります。8時間では人間が僅かに上回り、32時間では人間の得点が最良AIの約2倍でした。AI側の予算は複数の独立した試行に分けられ、エージェントの設計も比較されています。32時間という数字は、一つのエージェントが連続して32時間働いたことを意味しません。
RE-Bench Figure 2を時間予算別に読む
| 総時間予算 | 最良AI | 人間の専門家 | 確認された関係 |
|---|---|---|---|
| 2時間 | 人間の約4倍 | 比較の基準 | 最良AIが優位 |
| 8時間 | 僅かに下回る | 僅かに上回る | 人間が逆転 |
| 32時間 | 比較の基準 | 最良AIの約2倍 | 人間の伸びが大きい |
16時間の総予算では、Claudeは30分の試行を32回、o1-previewは2時間の試行を8回、人間は8時間の試行を2回行い、それぞれの最良値を比べています。best-of-kの比較では総時間だけでなく、一回の長さと独立試行の数も読みます。
この結果は、短い反復と多数の試行でAIが強いという実験結果です。比較には総時間予算、試行回数、エージェント設計が含まれます。経済成長率を測った実験ではありません。測った課題と条件、そこから推測する社会の範囲を分けておく必要があります。
RSI Indexは何を測っているか
AIが次のAIの開発をどこまで担えるかを調べる試みが、Vals AIのRSI Indexです。AGIラボの2026年10月17日の投稿は、この指標の得点と、過去の傾向を先へ延ばした予測を紹介しています。
投稿とグラフを見る
AGIラボ（@ctgptlb）
RSI Indexを紹介した投稿 (2026-10-17)
この指標の「50%」は課題ごとに選んだ公開研究・人間・既存モデルの参照値に並ぶ水準です。自己改善が実現する確率ではありません。課題には計算資源と時間の制限があり、後継モデルを人手なしで開発する全工程を測ったものでもありません。
投稿にある2027年3月と2028年1月は、参照値に届く時期の予測です。限定された研究課題の得点が伸びることと、自律的な後継モデル開発が実現することは分けて読みます。
加速を考える五つの接続点
AIが経済全体へ影響するまでを、一本の矢印で描くと途中の条件が消えます。そこで、五つの接続点に分けます。一直線の必須段階ではなく、資源の制約や上流への影響もある関係です。
- 複製
認知作業を並列に
- 研究
工程の一部を自動化
- 能力向上
次世代AIへつなぐ
- 普及
組織の仕事へ組み込む
- 物理生産
設備と供給を増やす
研究が速くなっても、電力や設備が追いつかなければ、物理生産はそこで制約される。
破線の接続は条件付き。電力・半導体・人の監督は複数の工程を制約し、物理生産は上流の前提にもなる。
Epoch AI Figure 1：訓練規模を制約する四つの要因
電力：データセンターの供給能力と分散学習
半導体：製造と先端パッケージングの供給能力
データ：利用可能な量、品質、トークン化の効率
遅延：バッチ処理と機器間通信に必要な最低時間
図版の注記・改変情報
Epoch AIは過去の拡大傾向と供給計画を外挿し、2030年には約2×10^29 FLOPの訓練が技術的に可能と評価しました。電力では大規模データセンターと分散学習、半導体では製造能力と先端パッケージング、データでは量、品質、利用効率、遅延ではバッチ処理と通信の最低時間を仮定しています。
ここで評価したのは、計算規模をどこまで増やせるかです。その規模でAGIが生まれるか、企業が実際に数千億ドル規模の投資を行うかは別の問いです。
前の段階が進んでも、次の段階が自動的に成立するわけではありません。AIを増やしても、必要な半導体や電力を同じ速さで増やせなければ、物理的な生産はそこで制約されます。研究工程の一部が速くなっても、採用や責任分担に時間がかかれば、産業への普及は遅れます。
弱い環が全体の速さを決める
Aghion、Jones、Jonesの経済成長モデルは、生産に必要な仕事が互いに補い合う場合、自動化しにくい必須の仕事が全体を制約し得ることを示します。ほとんどの工程が速くなっても、一つの必須工程を速くできなければ、完成品は同じ割合では増えません。ここでいう弱い環は鎖の中で全体の速さを抑える工程です。
Davidsonらのモデルは、AI研究の自動化が非常に速い成長を生む条件を調べています。技術的なフィードバックと経済的なフィードバックが、研究の収穫逓減を継続して上回ることなどが必要です。完全なソフトウェア研究自動化を置いた急成長のシミュレーションは、強い仮定のもとで得たモデル出力です。実現日を観測した結果ではありません。
International AI Safety Report 2026も、AIがAI研究を助ける正のフィードバックを可能性として扱いながら、複数の軌道を示しています。人間の監督、大規模な実験、データ、電力、半導体製造、設備投資は、それぞれ別の制約です。
現在までに観測されているのは、限定された研究工程や認知作業での加速です。経済全体の爆発的成長は観測されていません。だからといって将来の加速を否定できるわけでもありません。五段階のどの接続が確認され、どこが仮定のままかを示すことが、議論の出発点になります。
今日のまとめ
3行で振り返ります。
- RE-Benchでは各環境の総時間予算2時間で最良AIが人間の約4倍、8時間で人間が僅かに上回り、32時間で人間が約2倍になった。32時間は複数の試行を合わせた予算である
- 加速は複製、研究工程、次世代能力、普及、物理生産の五段階に分け、各接続の条件を確かめる
- 経済全体の爆発的成長は未観測で、弱い環と資源制約を越えるという強い仮定を置いたモデル出力とは区別する
次のレッスンでは、加速した能力が生む危険を扱います。誤用、不具合、制御を失う過程、権力集中、被害の大きさを一つの言葉にまとめず、原因と結果に分けます。
セルフチェック
1. AIによる研究加速から物理生産の増加までを一本の矢印で扱わない理由は何ですか。