T最新テックトレンド

私たちを賢くするAGI：Amazon Nova Actが描く未来の知能協調

AI Engineer
0:00--:--

AIの進化が止まらない現代において、私たちは新たな時代の幕開けを目の当たりにしています。チャットボットが瞬時に文章を生成し、画像生成AIが想像を絶するビジュアルを生み出す一方で、「汎用人工知能（AGI）」という言葉が、希望と同時に漠然とした不安を呼び起こすこともあります。しかし、AmazonのExperimental New AGI SF Labの認知科学者であるダニエル・パーシク博士は、AGIの真の可能性は、AIが私たちを置き換えることではなく、私たち人間をより賢くし、より大きな主体性をもたらす「有用な汎用知能（Useful General Intelligence）」にあると提唱します。

本記事では、パーシク博士の洞察に基づき、AIと人間の知能がどのように共進化し、私たちの生活やビジネスを根本から変革しうるのかを深く掘り下げていきます。特に、Amazonが開発を進める画期的なエージェントツール「Nova Act」の具体的な機能と、それがもたらす未来の展望に焦点を当てます。

セクション1: 汎用知能とは何か？AIと人間の知能の再定義

AGIという言葉を聞くと、多くの人はSF映画に登場するような、人間と同じ、あるいはそれ以上に思考し、学習し、行動する自律的なAIを思い浮かべるかもしれません。しかし、パーシク博士は、この一般的なAGIの概念には、知能そのものに対する私たちの理解における「カテゴリーエラー」が潜んでいると指摘します。

人間の知能：制御された幻覚という現実

まず、人間自身の知能について考えてみましょう。神経科学の最新の知見によれば、私たちの脳は現実世界に直接アクセスすることはできません。脳ができることは、基本的に以下の3つです。

  1. 予測の生成: 脳は、過去の経験に基づいて世界のモデルを構築し、そこから次に何が起こるかを予測します。
  2. 感覚入力の取り込み: 外部世界からの感覚情報を受け取ります。
  3. 予測誤差の解消: 予測と実際の感覚入力との間の不一致を調整し、世界のモデルを更新します。

つまり、私たちの知覚とは、脳が作り出す「幻覚」を感覚入力で「制御」している状態なのです。パーシク博士はこれを「知覚は制御された幻覚である」と表現します。私たちが目の前の世界を認識していると信じているのは、この絶え間ない予測と修正のプロセスが円滑に行われているからに他なりません。

現在のAIの限界：模倣と「幻覚」からの脱却

今日のAI、特にChatGPTのような大規模言語モデル（LLM）を基盤とするチャットボットは、コンテンツやコードの生成、ブレインストーミング、さらにはAI自身の画像を生成するなど、驚くべき能力を発揮しています。しかし、これらのAIもまた、ある種の「幻覚」を起こすことがあります。訓練データに基づいたもっともらしい情報を生成する一方で、事実に基づかない情報を作り出したり、与えられたタスクを論理的に完遂できなかったりすることがあります。彼らはまだ、信頼性の高い汎用的な方法で思考し、学習し、行動する能力には欠けています。

パーシク博士は、現在のAIは、APIを欠く複雑なデジタル環境で「クリック」「タイプ」「スクロール」といった基本的なUI操作すら、まだ信頼性をもって実行できないと指摘します。これは、AIが真に「思考する機械」として機能するためには、単に情報生成能力を高めるだけでは不十分であることを示唆しています。

目指すべきAGI：AIが私たちを補完する未来

従来のAGIの概念は、AIが人間のように思考し、いずれは人間を超える存在になるという、いわばAI単体の進化に焦点を当てていました。しかし、パーシク博士は、このアプローチが知能の根本的な性質を見誤っていると主張します。真の汎用知能は、単一の思考する機械の中に孤立して存在するものではありません。それはむしろ、人間とAIが相互作用し、互いの能力を補完し合うことで初めて発現する、より大きな集合体としての知能であるべきだというのです。

彼女のビジョンは、「AIが私たちを代替するのではなく、私たちを補完する」というものです。AIと人間が協力し合うことで、「AI＋人間」が個々の能力の総和をはるかに超える「有用な汎用知能」を創出することこそが、私たちが目指すべきAGIの姿なのです。

セクション2: 自動化 vs 拡張：テクノロジーが私たちに与える影響

テクノロジーは、私たちの生活を簡素化し、私たちをより賢くする潜在力を持っています。しかし、その利用の仕方によっては、私たちの主体性（エージェンシー）を奪い、思考を鈍らせる可能性もはらんでいます。

テクノソーシャル共進化の歴史：私たちを形作るテクノロジー

私たちのテクノロジーとの関係は、単なるツールの使用にとどまりません。それは、互いに影響し合い、共に進化する「テクノソーシャル共進化」の歴史を辿ってきました。

1956年、今日のAI研究の礎を築いた科学者たちは、「思考する機械」の構築を目指しました。彼らの試みは、直接的なAGIの実現には至らなかったものの、より高性能なコンピューターの開発、インターネットの誕生、そして洗練された学習アルゴリズムの出現という「技術的進歩のフライホイール（循環）」を加速させました。そして今、私たちはAGIという新たな目標を掲げ、再び「思考する機械」の夢を追っています。

しかし、歴史にはもう一つの重要な視点が存在します。1962年、コンピューターマウスやグラフィカルユーザーインターフェース（GUI）を発明したダグラス・エンゲルバートは、「思考する機械」よりも「思考する人間」、つまり人間の知能の拡張にこそ焦点を当てるべきだと主張しました。彼は、コンピューターが私たちをより賢くするツールとなることを予見し、実際、彼の洞察は正しかったことが証明されました。

コンピューターが広く普及するにつれて、私たちは計算処理の一部をデバイスにオフロードし、情報をデジタル環境全体に分散させるようになりました。このプロセスは、私たちの認知様式を変化させ、結果として私たちの知能を拡張する効果をもたらしました。テクノロジーは単に私たちの手足の延長ではなく、私たちの思考プロセスそのものを再構築する役割を担ってきたのです。パーシク博士が言う「私たちは新しい技術を発明し、それが私たちを形成する」という言葉は、まさにこの歴史的経緯を言い表しています。

自動化の光と影：失われゆく主体性

私たちはテクノロジーを賢く利用することで、私たちの生活を自動化し、簡素化することができます。これは、ルーティンワークをAIに任せることで、より創造的で複雑なタスクに集中できるという、大きな「拡張」の機会をもたらします。

しかし、この自動化には危険も潜んでいます。ソーシャルメディアの無限スクロールやスマートフォンのオートコンプリート機能は、私たちの意識的な注意を奪い、無意識のうちに私たちの行動や思考を方向づけてしまうことがあります。私たちは情報過多の中で、エコーチェンバーに囚われたり、思考停止に陥ったりするリスクに直面しています。パーシク博士は、このような状況を「自動化は意識的な注意を奪い、主体性を低下させる」と表現し、高度な知能を持つエージェントが、解決する問題よりも多くの問題を引き起こす可能性さえあると警告します。

主体性を高めるAI：人間中心のAGIデザイン

私たちにとって真に有用なAGIとは、単にAIが賢くなることではなく、AIが私たち人間をより賢くし、私たちの主体性を高めるAIです。そのためには、AIに精密な制御を与えるとともに、私たちが望むようにシステムを積極的に調整できるような設計が不可欠となります。

パーシク博士が提唱する「人間をアンホブル（Unhobble、自由にする）にするAI」とは、まさにこの目的を追求するものです。AIが私たちの意識的な負荷を軽減し、より高次の思考や創造性にエネルギーを注げるようにすること。そして、私たちがデジタル環境において、より明確な意図をもって行動し、より多くの選択肢を持てるようにすること。これが、Amazonが目指すAGIの真髄なのです。

セクション3: Amazon Nova Actの現状：ブラウザをツールとするエージェント

では、具体的にAmazonはどのようなアプローチでこの「有用な汎用知能」の実現を目指しているのでしょうか。その答えの一つが、現在研究プレビューとして提供されている「Nova Act」です。

デジタルインタラクションの原子単位「エージェントコール」

パーシク博士は、近い将来、すべてのデジタルインタラクションは「エージェントコール」という原子単位になると予測します。これは、私たちがウェブサイトを閲覧したり、アプリケーションを操作したりする際に、背後でAIエージェントが自律的にタスクを実行するようになることを意味します。

しかし、このビジョンを実現するには大きな課題があります。それは、今日のほとんどのウェブサイトが、API（アプリケーション・プログラミング・インターフェース）を介した機械的な操作を想定しておらず、人間の視覚的UI操作に最適化されているという点です。このギャップを埋めるため、Nova Actは「ブラウザをツールとして使用する」という独自の戦略を採用しました。

Nova Actの技術概要：UI操作に特化した汎用エージェント

Nova Actは、Amazonの基盤モデル「Nova」の特殊バージョンを、UIタスクにおいて高い信頼性を持つように訓練したものです。これは、人間がブラウザを使ってウェブサイトを操作するように、AIエージェントが画面上の要素を認識し、クリック、入力、スクロールなどのアクションを実行できることを意味します。

Nova Actの核となるのは、自然言語で与えられた指示を、ブラウザ上で実行可能な一連の具体的なアクションに変換する能力です。これは、単にコマンドを羅列するのではなく、文脈を理解し、その時々のUIの状態に応じて最適な行動を選択する能力を伴います。

Nova Actは、モデルとSDK（ソフトウェア開発キット）を組み合わせた形で提供され、開発者はこれを利用して独自のエージェントを構築・展開することができます。基本的な使い方は非常にシンプルで、わずか3行のコードでエージェントを起動し、自然言語によるタスク指示を与えることができます。Amazonは、このモデルの改善を数週間ごとに継続的に行い、その信頼性を高めています。

デモから見るNova Actの可能性

講演では、Nova Actが持つ具体的な能力を示す二つのデモが紹介されました。

デモ1: 夢のアパート検索 チームメイトのキャロラインが行ったアパート検索のデモでは、Nova Actがいかに複雑なウェブサイト操作を自然言語の指示で実行できるかが示されました。

  1. 開始: nova = NovaAct(starting_page="www.zumper.com") でZumperのウェブサイトを開きます。
  2. 指示: nova.act("Close any cookie banners. Search for apartments in Redwood City, CA, then filter for 2 bedrooms and 1 bathrooms. If you see saving a search pop-up, close it. If results mode is 'Split', switch to 'List'.")
  3. 実行:
    • Nova Actはウェブサイトを開くとまず、邪魔なクッキーバナーを認識し、閉じます。
    • 次に、検索フィールドを特定し、「Redwood City, CA」と入力します。
    • 「Beds/Baths」フィルターをクリックして開き、「2」と「1」のボタンをクリックして、2ベッドルーム、1バスルームの条件でフィルタリングを行います。
    • 検索結果が表示された後、もし「Save your search to save time」というポップアップが出現した場合は、それを正確に閉じる指示も含まれています。
    • さらに、表示モードが「Split」の場合は「List」に切り替えるなど、柔軟な操作に対応します。

このデモは、Nova Actが単一の命令で複数のステップを含むタスクを、エラーなく実行できることを示しています。特に、予期せぬポップアップのような動的なUI要素にも対応できる柔軟性は、現実世界での実用性を大きく高めます。

デモ2: 並列処理で通勤時間を計算 続いて、チームメイトのフィヨルドが、Pythonとの統合による高度なデータ抽出と並列処理のデモを披露しました。

  1. データ抽出: 検索結果として表示された複数のアパートメントの情報を、Pydanticクラスを使用して構造化されたJSON形式で抽出します。これにより、住所、価格、ベッド数、バス数といったデータをプログラムで扱いやすい形に変換できます。
  2. ヘルパー関数の定義: 各アパートメントから最寄りのCalTrain駅までの自転車での移動時間をGoogle Mapsで計算するヘルパー関数を定義します。この関数もまた、自然言語の指示でGoogle Mapsを操作し、出発地と目的地を入力し、自転車アイコンをクリックして経路を検索するという一連のUI操作をNova Actに実行させます。
  3. 並列処理: ここが画期的な点です。PythonのThreadPoolExecutorを利用して、複数のアパートメントに対して同時にGoogle Mapsの検索を実行します。これにより、個々の検索を一つずつ待つことなく、大幅な時間短縮を実現します。
  4. 結果の整理: 最終的に得られた各物件の価格や間取りに加え、自転車での移動時間と距離をPandasのデータフレームにまとめ、CalTrain駅までの移動時間が短い順にソートして表示します。

このデモは、Nova Actが単なるブラウザ自動化ツールではなく、開発者がPythonなどの既存のツールやライブラリと組み合わせて、複雑なデータ処理や分析ワークフローに統合できることを示しています。並列処理の活用は、エージェントの処理能力を飛躍的に向上させ、リアルタイムに近い情報収集を可能にします。

UIの複雑性と学習の必要性

Nova Actは目覚ましい進歩を遂げていますが、コンピュータの使用には依然として多くの課題が残っています。例えば、Amazonのウェブサイトのアカウントページにある多数のアイコンは、人間であれば直感的にその意味を理解できます。しかし、ラベルのないアイコンの意味をAIが「理解」するには、膨大な数のパターン学習が必要です。すべてのアイコン、すべてのUI要素、そしてそれらの可能な限りの組み合わせをAIに事前に教え込むことは不可能です。

このため、Nova Actのようなエージェントは、環境を自律的に探求し、学習する能力（強化学習：RL）を備える必要があります。彼らが自ら新しいUIパターンを発見し、その意味を推論することで、未知のウェブサイトやアプリケーションにも対応できる真の汎用性を獲得するでしょう。これは、AIが人間のように「気づき」を得て、デジタル世界で創造的に行動するための重要なステップとなります。

セクション4: Nova Actの将来と「心のモデル」：真の汎用知能への道

Nova Actが描く将来は、単なる自動化の先、すなわち人間とAIが協力して知能を拡張する未来です。このビジョンを実現するためには、エージェントが私たちの「心のモデル」を理解し、それに基づいて行動することが不可欠となります。

「心のモデル」の進化：人間的知能の根源

パーシク博士は、エージェントを信頼できるものにするには、彼らが私たち人間の知能の特性、すなわち信頼性、柔軟性、そして汎用性を備える必要があると強調します。この特性の根源は、約600万年前、私たちの祖先が経験した「社会的認知のフライホイール」にあります。

環境変化に直面した祖先は、「知能を解決するか、絶滅するか」という二者択一を迫られました。彼らは、脳の巨大化、互いの脳の接続、社会情報の微調整、そしてさらなる脳の巨大化というサイクルを通じて知能を進化させました。このプロセスは、私たちに「表象的アライメント（Representational Alignment）」、つまり他者の心のコンテンツを再現し、より良く協力するための能力をもたらしました。これは、人間的知能が、個人の脳だけでなく、社会的な相互作用を通じて構築されたことを示しています。

この進化的適応の最大の成果が「言語」です。言語は、コミュニケーションと表現のシステムを統合する新たなフライホイールを生み出しました。私たちは言語を通じて、お互いの心のモデルを微調整し、共通の理解を構築していきました。言語は、単に情報を伝達する手段ではなく、私たちの思考そのものを形成し、知能を汎用化するための原因であり結果でもあったのです。

パーシク博士は、人間の言語が他のコミュニケーションシステム（動物の鳴き声、プログラミング言語、LLMの出力）と一線を画すのは、単語が「心」が生み出す抽象的な概念や意味を指すという点にあると説明します。私たちは「心」という言葉自体を用いて、他者の心の存在を推論し、共感し、協力することができるのです。

認知技術の階層とAGIの役割

人類の歴史は、言語、描画、数学、論理、機械、コンピューター、そしてAIツールといった「認知技術（Cognitive Technologies）」の連続的な進化でもあります。それぞれの技術は、その前の技術を基盤とし、私たちの思考の抽象度を段階的に高めてきました。これらの思考のためのツールは、私たちの思考を安定させ、脳の構造を再編成し、最終的には私たちの「幻覚」を制御する役割を担っています。

しかし、今日のコンピューターは、その情報量とアクセシビリティの高さゆえに、同時に私たちを圧倒し、集中力を奪う「邪魔者」ともなりつつあります。ここでAGIが重要な役割を果たすのです。

AGIは、私たちの集団的無意識となることで、この状況を改善できます。

  • 思考の安定化: AIは私たちにとって反復的で退屈な作業を代わりにこなし、私たちの注意をより高次の問題に集中させます。
  • 脳の再編成: AIは私たちから学習し、私たちのスキルをコミュニティ全体に再配布することで、新たな知識の発見を促します。
  • 幻覚の制御: AIは、デジタル環境における関連性の高い情報やシグナルに私たちの注意を向けさせ、私たちと共有された世界モデルを共同で構築することで、情報のノイズや誤った認識を抑制します。

これにより、AIエージェントは、単にタスクを自動実行するだけでなく、人間と協力して世界に対する共通の理解を深め、私たちの知能を新たなレベルへと引き上げることが可能になります。

人間とコンピューターのための共通言語の構築

真の有用な汎用知能を実現するためには、人間とコンピューターが共通の言語を話すことが不可欠です。この共通言語は以下の要素から構成されます。

  1. 表現 (Representation): 私たちの心のモデルを含む、共有された環境の世界モデル。これは、人間とAIが同じ現実を、同じような抽象度で理解するための基盤となります。
  2. コミュニケーション (Communication): 共有された環境における人間とコンピューターの直感的で自然な相互作用をサポートするエージェントインターフェース。AIが人間の意図を正確に理解し、人間もAIの行動を予測できるようなインターフェースが必要です。
  3. 共進化 (Co-evolution): 人間とエージェントが相互に互いの知能を向上させ、人間が常にこの進化のプロセスに深く関与し続けること。

Nova Actは、これらの「共通言語」を構築するためのプリミティブ（基本要素）を提供しています。現段階のNova Actは「事前汎用エージェント」として、デジタル環境を学習し、UIアクションを実行することができます。しかし、その最終的な目標は、「人間の高レベルの目標を推論し、それを最適に実行する」ことができる「汎用エージェント」へと進化することです。

この進化は、人間とエージェントの相互作用から生まれるデータと、そのデータに基づいて学習し最適化される強化学習（RL）によって駆動されます。そして、このサイクルをさらに加速させるためには、開発者コミュニティからの積極的な参加と、ユーザーにとって真に有用なプロダクトとインターフェースの創造が不可欠です。

結論: 人間とAIが織りなす未来

Amazon Nova Actが示唆する「有用な汎用知能」の未来は、AIが私たちを支配する、あるいは私たちを無用にするというシナリオとは大きく異なります。それは、AIが私たちの集団的無意識となり、私たちの思考を増幅し、私たちの創造性と生産性を飛躍的に向上させる、人間中心のAGIです。

この未来では、エージェントが私たちのデジタル環境におけるナビゲーター、アシスタント、そして共同作業者として機能します。彼らは私たちから学び、私たちを理解し、そして私たち自身の思考プロセスを洗練させるためのツールとなります。Nova Actは、この共創の時代の扉を開く鍵となるかもしれません。

この壮大な知能の共進化の旅は、始まったばかりです。開発者、研究者、そして一般ユーザーを含む多様なコミュニティが、この新しい認知技術の可能性を探求し、共に形作っていくことが求められます。Amazon Nova Actが提供するツールは、私たちがより賢く、より主体的な未来を自らの手で築くための強力な手段となるでしょう。

← 一覧に戻る