AIはポケモンを「理解」しているのか？ARC-AGI-3が切り開く汎用人工知能（AGI）測定の新時代

近年のAIの進化は目覚ましく、ChatGPTに代表される大規模言語モデル（LLM）や、Midjourney、Soraなどの生成AIは、私たちの想像をはるかに超える能力を発揮し、社会のあらゆる側面に大きな影響を与えています。AIが生成する詩や絵画、音楽、そして現実と見紛うような動画コンテンツは、まさにSFの世界が現実のものとなったかのような錯覚さえ覚えるほどです。

しかし、これらの華々しい成果の裏で、私たちは常に根源的な問いに直面します。「AIは本当に『知っている』のだろうか？」「AIは人間のように、自ら考え、学び、未知の状況に適応できる『汎用人工知能（AGI）』なのだろうか？」

先日公開された、AIが人気ゲーム「ポケモン」をプレイし、中にはクリアするものまで現れたというデモンストレーションは、AIの新たな可能性を示唆する一方で、既存のAI技術が抱える根本的な課題をも浮き彫りにしました。表面的な成功の裏には、AIが直面する深い「理解」の壁が存在するのです。

本記事では、この「真の知能」を測定し、AGI開発を加速させることをミッションとする非営利団体「ARC Prize Foundation」が提案する、画期的な新しいベンチマーク「ARC-AGI-3」について、その意義、具体的な機能、ビジネスへの影響、そして未来への展望を、専門的かつ分かりやすい言葉で深掘りしていきます。AIが単なる計算機ではなく、真の知能を持つ存在へと進化する、その道のりを一緒に探求しましょう。

AIベンチマーキングの落とし穴：ポケモンが示す限界

AIがゲームをプレイする能力は、常にその知能を測る興味深い指標とされてきました。特に最近では、AnthropicのClaude Opus 4やGoogleのGemini 2.5 Proといった最先端のAIモデルが、レトロゲーム「ポケモン」をプレイし、中には最終的にゲームをクリアするという驚くべき成果を達成しました。これらのデモンストレーションは、AIが複雑なルールや目標を持つ環境で、人間のような意思決定を行えるかのように見せ、多くの人々にAGIの到来を予感させました。

しかし、これらの印象的な成果の背後には、現在のAI技術が抱える根本的な限界が隠されています。

介入の必要性と「スタック」現象: Claude Opus 4のポケモンプレイでは、AIがゲーム内の特定の場所で3日間もの間、同じ行動を繰り返し続ける「スタック」現象が観察されました。これは、AIが自律的な探索や問題解決において、まだ人間のような柔軟性や創造性を欠いていることを示唆しています。AIは、事前に訓練されていない状況に直面すると、効率的な解決策を見つけられず、ループに陥ってしまうことがあるのです。
大量の学習データへの依存: これらのAIモデルは、インターネット上の膨大な量のポケモンに関する情報（攻略サイト、プレイ動画、コミュニティの議論など）を学習データとして取り込んでいます。これにより、AIは未知の状況に直面した際に、真に「推論」して行動するのではなく、学習データ内のパターンを「暗記」し、それを「再現」しているに過ぎないという批判も上がっています。つまり、それは新しいスキルの獲得ではなく、既知の知識の引き出しである可能性が高いのです。
「ハルシネーション」のリスク: AIが学習データにない、あるいは誤った情報を「幻覚（ハルシネーション）」のように生成し、それに基づいて不適切な行動を取る問題も指摘されました。これは、AIが表面的なパターンマッチングに長けていても、根源的な理解や常識的推論が不足している証拠です。
単一ターン型ベンチマークの限界: 現在の多くのAIベンチマークは、与えられた入力に対して最適な出力を返す「単一ターン」の問題解決能力を評価することに重点を置いています。例えば、ARC-AGIの初期バージョン（v1、v2）も、少数の訓練例から変換ルールを推論し、新しい入力に適用するタスクでした。これは特定のスキルを評価する上では有効ですが、人間が行うような「未知の環境を探索し、状況を理解し、自ら目標を設定し、試行錯誤を通じて新しいスキルを獲得する」という、より複雑なプロセスを測定するには不十分です。AIは、与えられた情報をすべて処理すれば解決できる問題には強いものの、自ら情報を集め、世界モデルを構築する能力がまだ限定的です。

これらの点から、現在のAIは驚くべき成果を挙げている一方で、真の意味での「一般知能」が持つ「未知への適応力」や「効率的なスキル獲得能力」においては、依然として大きな課題を抱えていることが明らかになります。AGIへの道は、単に既存のデータを高速に処理するだけでなく、真に「理解」し「学習」する能力の獲得にかかっているのです。

「知能」の再定義：AGIへの羅針盤「ARC Prize Foundation」

AIベンチマーキングが抱えるこれらの課題を認識し、真の汎用人工知能（AGI）の進捗を測定し、その開発を加速させることをミッションとする非営利団体「ARC Prize Foundation」が設立されました。OpenAIの創設メンバーであるフランソワ・ショレ氏（François Chollet）、マイク・クヌープ氏（Mike Knoop）、そしてグレッグ・カムラット氏（Greg Kamradt）によって昨年設立されたこの団体は、AI研究者が目指すべき「北極星」となることを目指しています。OpenAIのライブストリームでO3 Previewの結果を共同発表するなど、業界内での注目度も高い存在です。

ARC Prize Foundationのアプローチは、AIを「人間」と比較するという点において非常にユニークかつ深遠です。その理由は二つあります。

一般知能の唯一の証明: 私たちが知る限り、地球上で「一般知能」の明確な証明を持つのは人間だけです。他の生物は特定分野で優れた知能を持つものの、人間のように多様な状況に適応し、複雑な問題を解決する能力は持っていません。したがって、AIが一般知能を持つかどうかを測るためには、人間が究極のターゲットであり、最も適切なベンチマークとなります。
研究の指針: 人間にとっては容易でも、AIにとっては難しい問題（Human-Easy, AI-Hard）を考案することで、「ギャップ」を特定できます。このギャップこそが、AI研究が進むべきフロンティアを示す羅針盤となるのです。人間が解決できるがAIにはまだできない領域を定量化することで、研究者は集中的に取り組むべき分野を明確に把握し、AGIの実現に向けた研究開発を効率的に進めることができます。

この哲学をさらに深掘りするため、「知能」という概念そのものについて、AIの歴史を彩る二人の先駆者の定義を見てみましょう。

ジョン・マッカーシーの視点: 人工知能のパイオニアであるジョン・マッカーシーは、知能を「機械が、事前に見たことのない、また準備されていないタスクを実行する科学と工学」と定義しました。この定義の最も重要な部分は「見たことのない、準備されていない」というフレーズにあります。もしAIが、学習データに含まれる問題や、事前にプログラムされたパターンしか実行できないのであれば、それは単なる「暗記」の繰り返しに過ぎず、真の学習や知能とは言えないからです。マッカーシーは、未知の状況への適応能力こそが知能の本質であると喝破していました。
フランソワ・ショレの視点: ARC Prize Foundationの共同創設者であるフランソワ・ショレは、2019年の論文「知能の尺度について」の中で、知能をわずか3つの言葉で表現しました。「スキル獲得効率（Skill-Acquisition Efficiency）」。これは、AIが新しいスキルをどれだけ効率的に獲得できるか、そしてそれを未知の状況に応用できるか、という能力を指します。人間は非常に効率的なスキル獲得者であり、ごく少数の例や短い時間で新しいスキルを習得し、それを様々な文脈に応用できます。この能力こそが、AIがAGIとして認識されるために不可欠な要素であるとショレは主張しているのです。

これらの定義に基づき、ARC Prize Foundationは、AIが単なるパターン認識や記憶の再現を超え、真に新しい状況に適応し、効率的に学習する能力を測定するベンチマークを構築しています。それが、ARC-AGIの核心であり、AGIの未来を形作るための羅針盤なのです。

既存ベンチマーク「ARC-AGI v1 & v2」の成果と課題

フランソワ・ショレは、「スキル獲得効率」という知能の定義を提唱しただけでなく、それを測定するための具体的なベンチマーク「ARC-AGI（抽象的推論コーパス - 人工一般知能）」も提案しました。ARC-AGIの初期バージョン（v1）は、AIが少数の訓練例から抽象的なルールを推論し、それを新しいテスト例に適用する能力を評価するように設計されています。

タスクの構造: ARC-AGIのタスクは、シンプルなグリッドベースのインターフェースを持つ点が特徴です。AIには、入力グリッドがどのように出力グリッドに変換されるかを示すいくつかの「訓練例」が与えられます。AIの目標は、これらの例から背後にある変換ルールを「学習」し、その後、新しい入力グリッドが与えられた際に、正しい出力グリッドを「生成」することです。例えば、特定の色のブロックが別の色に変わる、あるいは特定のパターンが移動するといったシンプルなルールから、より複雑な操作まで多岐にわたります。
人間の能力の検証: このベンチマークの重要な点は、人間が容易に解決できるが、従来のAIにとっては極めて難しいように設計されていることでした。サンディエゴで行われた実験では、400人以上の人間がARC-AGIのタスクを解決可能であることが確認されました。これにより、これらのタスクが「人間の知能にとって実行可能」であるという基本的な前提が確立されました。
汎化能力の測定: AIが訓練例を単に記憶するのではなく、その背後にある抽象的な概念を理解し、それを未知の状況に「汎化」して適用できるかどうかを測る点が重要です。AIが訓練例から学んだスキルを、見たことのない新しい入力に対して正確に適用できれば、それは「非ゼロレベルの汎化（non-zero level of generalization）」を示していると見なされます。
ARC-AGI v2への進化: ARC-AGIはその後、より広範な能力を評価するためにバージョン2へと進化しています。ARC-AGI v2では、1,320以上のタスクが用意されており、それぞれのタスクは「新規かつユニーク」であるという特徴を持ちます。これは、あるタスクで得たスキルが、そのまま別のタスクに直接適用できるわけではないことを意味します。AIは各タスクに対して、その場で新しいルールを学習し、適応する必要があるのです。

しかし、ARC-AGI v1とv2もまた、真のAGIが持つべき能力を完全に捕捉するには至っていません。これらのベンチマークは「単一ターン型」であるという限界を持ちます。AIには問題解決に必要なすべての情報が一度に提示され、その場で最適な解決策を導き出すことが求められます。これは、AIが「探索」や「試行錯誤」を通じて世界を理解し、自律的に目標を設定し、長期的な計画を立てるという、人間が自然に行うような「インタラクティブな推論」能力を十分に測れていないのです。AIが未知の環境を自ら探索し、報酬が希薄な状況で行動のルールを発見する能力は、まだ未踏の領域に残されています。

この限界を認識し、ARC Prize Foundationは、よりダイナミックでインタラクティブな環境でAIの推論能力を試す、次世代のベンチマークの必要性を強く感じています。

ゲームAIの過去と未来：Atariベンチマークからの教訓

AIがゲームをプレイする能力は、人工知能研究の歴史において常に重要なベンチマークとされてきました。特に、約10年前にディープマインドがAtari 2600のゲームをAIにプレイさせる研究で画期的な成果を出したことは、AIの進化を世界に知らしめる大きな出来事でした。AIは「Pong」「Space Invaders」「Breakout」といった初期のビデオゲームで人間を超えるパフォーマンスを示し、強化学習の大きな可能性を証明しました。

しかし、これらのAtariベンチマークにおけるAIの成功もまた、AGIの測定という観点からは多くの限界を抱えていました。ARC Prize Foundationのグレッグ・カムラット氏が指摘するように、これらのベンチマークには、AIの真の汎化能力を評価する上で見過ごせない「欠点」が多数存在していました。

密な報酬 (Dense Rewards): Atariゲームは、プレイヤーの行動に対して比較的頻繁かつ明確な報酬（スコア加算など）を与えるように設計されています。これにより、AIは効率的に強化学習を進めることができましたが、現実世界やより複雑な問題では、報酬は「希薄（Sparse Rewards）」であることが多く、AIは長期的な視点で探索し、自ら報酬を見つける能力が求められます。
学習データと開発者の知能 (Training Data & Developer Intelligence): これらのAIは、多くの場合、膨大な数のプレイデータや、開発者がゲームのルールや戦略に関する知識を事前に「注入」された状態で学習していました。これは、ジョン・マッカーシーの定義する「見たこともない、準備されていない」タスクを解決するという知能の本質に反します。開発者がゲームを「知っている」という事実が、AIの真の汎化能力の評価を曖昧にしてしまう「開発者の知能の注入」という問題を引き起こしていたのです。
隠されたテストセットの欠如 (No Hidden Test Set): 多くのAtariベンチマークでは、AIは訓練されたゲームと同じ環境でテストされていました。これにより、AIが全く新しいゲームや、既存ゲームの未知の状況に遭遇した際の適応能力は評価されませんでした。
不規則なレポート (Irregular Reporting): 各研究機関が独自の方法でAIのパフォーマンスを報告していたため、異なるモデル間での正確な比較が困難でした。
粘着的なアクション (Sticky Actions): AIが意図的に同じアクションを連続して行うことで、不自然な形でスコアを稼ぐことが可能な場合がありました。
効率の非要因化 (Efficiency Non-Factor): AIがタスクを達成するまでの効率性（時間や計算リソースなど）が、評価において十分に考慮されていませんでした。
困難な人間ベースライン (Difficult Human Baselines): 人間のパフォーマンスを比較対象として設定することが困難であったり、比較手法が標準化されていなかったりしました。

これらの問題は、AIが特定のゲームで人間を超えるパフォーマンスを発揮しても、それが真の汎用知能の証拠とは限らないことを示しています。例えば、AlphaGoが囲碁という極めて複雑なゲームで人間を凌駕したことは画期的でしたが、それはあくまで「囲碁」という単一のゲームにおける能力でした。

AGIの真のテストは、AIが以下の三つのレベルでどこまで能力を発揮できるかにかかっています。

1つのゲームをクリアする：これはAIが特定のルールセット内で機能できることを示します。
無限の計算能力と学習データで50の既知のゲームをクリアする：これはAlphaZeroやAgent57といったAIがAtariゲームで達成したような、特定の範囲内での高いパフォーマンスと効率を示します。しかし、これは既知のゲームであり、事前にデータが与えられています。
システムも開発者も見たことのない100のゲームをクリアする：これこそが、真のAGIへの道のりにおいて、現在のAIがまだ達成できていない、決定的な飛躍です。このレベルでは、AIは未知の環境に自律的に適応し、学習し、問題解決を行う能力が求められます。

ARC Prize Foundationは、この「未知の100ゲーム」という挑戦にAIを導くため、既存のベンチマークの限界を乗り越える新しいアプローチを提案しているのです。

AGI測定の新時代へ：「ARC-AGI-3」が目指すもの

ARC Prize Foundationは、これまでのAIベンチマーキングが抱えてきた課題を克服し、真に人間のような汎用知能を測定するために、新たなベンチマーク「ARC-AGI-3」を開発中であると発表しました。これは、AIが「見たこともない、準備されていない」100以上の全く新しいゲームを、自律的に探索し、ルールを推論し、効率的にスキルを獲得する能力を評価することを目的としています。

ARC-AGI-3は、その設計において画期的な3つの主要な特徴を持ち、AGI研究のフロンティアを再定義します。

1. パブリックトレーニングとプライベート評価：真の汎化を測る隔離された環境

ARC-AGI-3は、AIの汎化能力を公平かつ厳密に評価するために、「公開トレーニング」と「非公開評価」という二段階のアプローチを採用します。

公開トレーニング環境: まず、AI開発者には約40種類の新しいゲーム（「ノーベル環境」と呼称）からなる「公開トレーニングセット」が提供されます。ここで開発者は、AIがゲームのインターフェース、基本的な相互作用、および潜在的な目標を理解するように訓練できます。開発者はAIをチューニングし、一般的なゲームプレイの概念を学習させることが可能です。
非公開評価環境: しかし、AIの真の知能は、インターネットアクセスが完全に遮断された「非公開評価セット」で試されます。このセットには、AI開発者も、そしてそのAI自身も、一度も見たことのない、完全に新しいゲームが大量に含まれます。評価が行われる際には、インターネットからのデータ流入が厳しく制限されるため、AIは既存の学習データや開発者の知識に依存することなく、純粋な汎化能力とスキル獲得効率で問題を解決しなければなりません。この隔離された環境でのパフォーマンスのみが評価の対象となるため、AIが既存のデータから単に知識を「借りてくる」のではなく、自力で未知の問題に適応し、学習する能力が純粋に測定されます。これにより、AIが公開環境で学んだ知識を、類似しているが完全に新しい非公開環境に適用できるかどうかが問われます。

この二段階の設計により、ARC-AGI-3は、AIが「見たことのない、準備されていない」タスクにどれだけ自律的に対応できるか、その真の汎化能力を高い信頼性で評価できるのです。

2. 探索を通じた理解の強制 (Understanding through Exploration)：人間のような世界モデル構築能力

ARC-AGI-3のもう一つの画期的な特徴は、AIに「探索を通じて理解する」ことを強制する点です。

事前知識なしのスタート: 現在の多くのゲームAIは、ゲームのジャンルや目標（例：レーシングゲームである、FPSであるなど）を事前に教えられています。しかし、ARC-AGI-3では、AIは「Locksmith」のような完全に未知のピクセルベースの環境に放り込まれます。AIは、何が目的で、どのようなルールで動くのかを一切知らない状態からスタートしなければなりません。
自律的な探索とルール推論: AIは、人間が初めてのゲームをプレイするように、自らの行動を通じて環境を探索し、オブジェクトの挙動、相互作用のルール、そして最終的な目標（報酬）を自力で推論・発見する必要があるのです。これは、AIが「知識構築（Knowledge Building）」と「世界モデル構築（World Model Building）」を行う能力、すなわち、目の前の情報から環境の内部モデルを構築し、それに基づいて予測を立てる能力を直接的に評価するものです。このプロセスは、人間が幼少期に世界を探索し、因果関係や物理法則を学ぶ過程に酷似しています。
インタラクティブな推論の促進: このアプローチは、AIに「インタラクティブな推論」を強制します。単一ターンで完璧な答えを出すのではなく、時間とともに環境と相互作用し、失敗から学び、戦略を調整していく能力がAGIにとって不可欠であるという考えに基づいています。AIが未知の状況で自ら情報を探し、問いかけ、目標を立て、試行錯誤を繰り返すことで、人間のような深い理解を促します。

3. コア知識の優先順位付け (Core Knowledge Priors)：普遍的な知能への集中

ARC-AGI-3は、特定の訓練データに依存する要素を排除し、AIが持つべき普遍的な知能の基盤に焦点を当てます。

普遍的な知能への集中: ARC-AGI-3は、特定の文化的知識、言語、記号、あるいは瑣末な情報（トリビア）といった、特定の訓練データに依存する要素を意図的に排除します。AIが特定の言語を理解したり、特定の歴史的知識を持っていたりすることは、このベンチマークの評価対象ではありません。
4つのコア知識: 代わりに、すべての人間が共通して持つ「コアな知識の前提（Core Knowledge Priors）」に焦点を当てます。これらは、人間が生まれつき持っているか、あるいは誕生直後に効率的に獲得する能力です。
- 基本的な数学: 10までの数を数える能力など、最も基本的な量の概念。
- 基本的な幾何学: 形状、空間関係、トポロジーの理解。例えば、あるオブジェクトが他のオブジェクトの上にある、隣にある、といった空間的な推論。
- エージェント性 (Agentness): 他の存在（エージェント）が意図を持ち、行動することの理解（心の理論）。例えば、画面上のキャラクターが目的を持って移動していることを認識する能力。
- オブジェクト性 (Objectness): 物理世界における物体が、独立した存在として振る舞うことの理解。複数のピクセルが一体として動く「オブジェクト」として認識し、それらがどのように相互作用するかを推論する能力。
「人間に優しく、AIに難しい」問題: これらのコア知識に基づいたタスクは、人間にとっては直感的で理解しやすいものが多いですが、従来のAIにとっては、その根本的な構造を理解することが求められるため、非常に難しい問題となります。これにより、AIが特定の専門知識ではなく、より普遍的で頑健な知能を持っているかどうかを評価できるのです。

スキル獲得効率を最終評価指標に

ARC-AGI-3におけるAIの最終的な評価指標は、フランソワ・ショレの定義に基づく「スキル獲得効率」です。AIが未知のゲームをクリアするまでに要した「時間（ターン数）」と「行動回数」を測定し、それを人間が同じタスクをクリアする際のパフォーマンスと比較します。

人間のパフォーマンスをベースラインに: 私たちのAGIへの唯一の証明である人間をベースラインとして、AIが新しいスキルをいかに効率的に獲得・適用できるかを厳密に測定します。人間が特定のタスクを解決するのにかかる平均的な時間と行動回数を算出し、AIのパフォーマンスをこれと比較します。
真の効率性の追求: AIが人間よりも少ない時間と行動でスキルを獲得し、目標を達成できるのであれば、それはAIが真のAGIに近づいている強力な証拠となるでしょう。この測定方法は、AIが単にタスクを「解決する」だけでなく、いかに「効率的に学習し、適応する」かというAGIの核心的な要素に焦点を当てています。
継続学習の重要性: 人間が有用である理由の一つは、単なる生来の知能だけでなく、「コンテンツを構築し、自身の失敗を調査し、タスクを練習するにつれて小さな改善と効率を拾い上げる能力」にあります。ARC-AGI-3は、AIがこのような継続的な学習と自己改善のサイクルを回せるかを評価することを目指しています。

このARC-AGI-3の登場は、AIの知能を測定するこれまでの常識を覆し、真に人間のような知能を持つAIの出現に向けた、新たな扉を開くことになるでしょう。

ロードマップと未来への展望

ARC Prize Foundationは、ARC-AGI-3の具体的なリリースに向けた明確なロードマップを示し、AGIの未来を現実のものとするための着実な歩みを進めています。

2025年6月: World's Fair Sneak Peek AI Engineer World's Fairでの今回の発表は、ARC-AGI-3のコンセプトと初期のゲームプレイの「先行公開」を意味します。これは、広範なAIコミュニティに新しいベンチマークの存在を知らしめ、今後の開発への期待を高めるための重要な第一歩です。
2025年7月: Sandbox Launch (Preview) 来月には、サンフランシスコで5つの初期ゲームがリリースされ、一般のAI開発者がこれらのゲームをテストし、エージェントを構築できる「サンドボックス」環境が提供される予定です。これは、ARC Prize Foundationが現実との接触を重視し、オープンなコミュニティからのフィードバックを積極的に取り入れる姿勢を示しています。この期間中にはミニエージェントコンペティションも開催され、初期のアーキテクチャを形成するための貴重な知見とテストが行われます。開発チームは、Unityのような大規模なゲームエンジンではなく、Pythonで軽量な独自エンジンを開発しており、これによりゲーム開発の柔軟性と効率性を高めています。
2026年第1四半期: Launch (General Availability) 最終的な目標は、2026年の第1四半期までに120種類の新しいゲームを含むARC-AGI-3を一般公開することです。この120という数字は、一見すると少ないように思えるかもしれませんが、それぞれのゲームが持つ「豊かさ」と「深さ」が重要であり、単なる数ではありません。各ゲームは複数のレベルを持ち、AIが多様なスキルと概念を習得する必要があるため、一つ一つのゲームが持つ複雑性は非常に高くなっています。これらのゲームを設計し、開発することは、それ自体が非常に大きな挑戦であり、大規模な運用上の課題を伴います。
飽和までの期間: AGIの進歩は予測困難ですが、現在のベンチマークが飽和するまでの期間について、開発チームは「数年単位」であり、「数十年の単位」ではないと考えています。これは、ARC-AGI-3が、AIの急速な進化に対応できるよう、絶えず進化し続けるベンチマークであることを示唆しています。
AGIのフロンティアを切り拓く: ARC-AGI-3は、現在のAIが抱える「訓練データへの依存」や「限定的な汎化能力」といった問題を乗り越え、真に自律的で適応性の高いAIの開発を促進するための重要なステップとなるでしょう。この新しいベンチマークは、AGI研究の方向性を再定義し、研究者が取り組むべき本質的な課題を明確にします。
人類の知能の拡張へ: AGIの実現は、単に技術的なブレークスルーに留まりません。それは、人間がこれまで不可能だった問題を解決し、創造性を拡張し、人類全体の能力を飛躍的に向上させる可能性を秘めています。ARC-AGI-3は、その壮大な未来への確かな一歩となることを目指しているのです。

ARC Prize Foundationへの貢献：AGIのフロンティアを共に開拓する

ARC Prize Foundationは、オープンな形で汎用人工知能（AGI）の進歩を加速させることを目指しており、この壮大なミッションに共感し、貢献したいと願う人々の参加を広く求めています。AIの未来は、一部の研究者や企業だけでなく、コミュニティ全体の協力と情熱によって形作られます。

あなたがAGIのフロンティアを共に開拓するために貢献できる方法は多岐にわたります。

スポンサーとしての貢献: AGIの挑戦的なゲームを開発するための資金提供は、この取り組みを推進する上で不可欠です。ARC Prize Foundationは非営利団体であるため、寄付は税額控除の対象となります。もしAGIの未来に投資し、その実現を加速させたいと考えているのであれば、寄付は直接的な影響をもたらす手段となるでしょう。個人投資家だけでなく、企業のフィランソロピックな支援も歓迎されています。
ARC-AGI-3早期テスターとしてエージェントを開発: あなたがAIエージェントの開発者であれば、ARC-AGI-3の早期テスターとして参加し、構築したAIエージェントでこの新しいベンチマークの能力を試すことができます。AIが未知の課題にどのように対応するかをテストし、その限界を押し広げる手助けをすることは、ARC-AGI-3の初期アーキテクチャの形成に貢献する貴重な機会となります。アドバーサリアル・テスターとして、ベンチマークの弱点を見つけ出し、より堅牢なシステム構築に貢献する役割も重要です。
ゲームデザイナー/デベロッパーとして参加: もしあなたがPythonのスキルとゲームデザインへの情熱を持っているなら、ARC-AGI-3用の新しいゲームの開発者として参加することも可能です。ARC Prize Foundationは、AIのエージェント的推論能力をテストし、AGIの進歩を導くような、ユニークで挑戦的なゲームを創造するゲームデザイナーやデベロッパーを募集しています。

ARC Prize Foundationは、従来のベンチマークの限界を超え、真に人間のようなスキル獲得効率を持つAIの道を切り開こうとしています。この挑戦は、AIコミュニティ全体の協力と情熱によってのみ達成されうるものです。

AGIの未来は、私たち一人ひとりの関与によって形作られます。ARC Prize Foundationは、そのフロンティアを共に開拓するための扉を開いています。この壮大な旅に、あなたも参加しませんか？