コードの終焉、あるいは「十分に優れた」AIが拓く新たな創造の時代：Marc AndreessenとAmjad Masadが語る、AIとプログラミングの未来
私たちは今、5年前には、いや、10年前には不可能だと誰もが思っていたであろう「魔法」を目の当たりにしています。この技術は、人類がこれまで生み出した中でも最も驚くべきものであり、その進化の速度はまさに桁外れです。しかし一方で、私たちは奇妙なまでに不満を抱えています。「まだ十分速くない」「このまま失速してしまうのではないか」という不安すら感じます。私たちはこの革新に歓喜する一方で、その終わりを予感して戦慄するという、相反する感情の狭間に立たされているのです。
今回のブログ記事では、この現代のパラドックスを深く掘り下げながら、Replitの創業者Amjad Masadと、著名なベンチャーキャピタリストであるMarc Andreessenによる対談の内容を基に、最新のAI技術がどのようにソフトウェア開発のあり方を根底から変え、私たちのビジネス、そして社会全体にどのような影響をもたらすのかを考察します。特に「十分に優れたAI（Good Enough AI）」という概念、汎用人工知能（AGI）への道のり、そして未来のプログラミングの姿に焦点を当てていきます。
ReplitとAIエージェントが切り拓く「英語がプログラミング言語になる」世界
開発の「偶発的複雑性」からの解放
Amjad Masadは、ReplitにおけるAIの導入が、プログラミング経験の有無にかかわらず、ユーザーにほぼ同じ体験を提供すると述べています。Replitが最初に目指したのは、開発環境のセットアップや依存関係の管理といった「煩わしさ」をすべて取り除くことでした。Fred Brooksが言うところの「偶発的複雑性（Accidental Complexity）」、すなわち本質的な問題解決とは関係のない、ツールや環境設定にまつわる複雑さを排除することで、ユーザーは純粋に自身のアイデア、作りたいものに集中できるようになります。プロダクトを構築したいのか、問題を解決したいのか、データビジュアライゼーションを行いたいのか、そのすべてがReplitでは可能です。
Masad氏は具体的な例を挙げます。もしあなたが「オンラインでクレープを売りたい」というアイデアを持っていたとしましょう。Replitのプロンプトボックスに、そのアイデアを段落形式で、あるいはわずか数語の標準的な英語で入力するだけで良いのです。AIエージェントがその記述を読み取り、最適なプログラミング言語や技術スタック（例えばデータアプリケーションならPythonとStreamlit、ウェブアプリケーションならJavaScriptとPostgresなど）を自動的に選択します。もちろん、ユーザーが特定の言語（例えばPython）を使いたいと指定することも可能です。Replitは10年近くにわたってあらゆるプログラミング言語をサポートするインフラを構築してきたため、ユーザーは既存のスキルセットを活かすこともできます。
Masad氏は、この変化の根底には「コードがボトルネックである」というReplit社内の認識があったと語ります。長年にわたり、私たちはパッケージマネージャーの選択やデプロイパイプラインの構築といった複雑さを抽象化しようと努めてきましたが、最終的に抽象化すべき最後の要素が「コードそのもの」だったのです。構文は依然として人間にとって不自然なものであり、究極的には「英語こそがプログラミング言語となる」というビジョンこそが、Replit AIの目指す世界なのです。興味深いことに、これはGrace Hopperが75年前にコンパイラを発明した際に抱いていた「人々が英語でプログラミングできるようになる世界」という夢の、まさに次のステップに当たります。そして、この「英語がプログラミング言語」という原則は、日本語をはじめとする主要な世界言語にも対応しており、グローバルな開発者に開かれた可能性を示しています。
エージェントが自律的にソフトウェアを構築する未来
Replit Agentの導入によって、ソフトウェア開発のプロセスは劇的に変化しました。ユーザーがアイデアを入力すると、エージェントはそれを理解した内容を提示し、一連のタスクリスト（例：データベースのセットアップ、決済システムとの連携、サイト構築）を提案します。ユーザーはデザインから始めるか、すぐに完全なものを構築するかを選択できます。
もし完全な構築を選択すれば、エージェントは20分から40分かけて、データベースのセットアップ、マイグレーション、SQLの記述、サイト構築、そしてテストまでを自律的に行います。Replit Agent 3の最新のイノベーションでは、エージェントがソフトウェアを書き上げた後、ブラウザを起動し、そのソフトウェアが正しく動作するかをテストします。問題が見つかれば、エージェント自身がコードを修正し、反復的に改善していきます。すべてが完了すると、ユーザーに通知が届き、スマートフォンなどで完成したアプリを試すことができます。もしバグが見つかっても、エージェントにその問題を記述するだけで、修正を試みてくれます。
このプロセスによって、かつて数日、あるいは数週間かかっていた作業が、わずか20分程度で実現できるようになりました。数年前であれば、ローカル開発環境のセットアップ、AWSアカウントの取得、データベースや仮想マシンのプロビジョニング、デプロイパイプラインの構築など、膨大な数の手作業が必要でした。しかしReplit AIを使えば、これらすべてが抽象化され、子供でも、プログラミングの素人でも、アイデアを形にして公開できるようになるのです。
もちろん、これはプロのプログラマーの仕事を奪うものではありません。Replitは長年のIDE（統合開発環境）としての歴史を持つため、ユーザーはいつでも「レイヤーを剥がして」AIが生成したコードの中身を確認できます。ファイルツリーを開き、Git履歴を辿り、GitHubにプッシュし、既存のエディタと連携させることも可能です。AIが複雑さを抽象化する一方で、その基盤にあるすべては透明であり、プログラマーは必要に応じて介入し、カスタマイズできる柔軟性も持ち合わせているのです。
「プログラマーはエージェント」というパラダイムシフト
Amjad Masadは、Replit社内で起こった最も重要な認識の変化として、「実際のユーザーは人間ではなく、エージェント・プログラマーである」という点に言及しています。このパラダイムシフトを示す興味深いエピソードとして、アジアに設置していたサーバーの話があります。Replitは、インドや日本のユーザーのサーバーとの通信時間を短縮するためにアジアにサーバーを置いていましたが、エージェントを導入すると、かえって彼らの体験が著しく悪化しました。その理由は、AIモデル自体は米国に配置されており、プログラムを作成する「プログラマー」が実質的に米国内にいるため、ユーザーのリクエストが米国のAIに送られ、そのAIがアジアのサーバーと通信するという、地理的に非効率なルートを辿ることになったからです。
つまり、エージェントは単なるツールではなく、ファイル作成、ファイル編集、ファイル削除、パッケージインデックス検索、パッケージインストール、データベースプロビジョニング、オブジェクトストレージプロビジョニングなど、プログラマーが使用するあらゆるツールにアクセスし、人間と同じようにインターフェースを操作する「自律的なプログラマー」として機能しているのです。
AIエージェントの「コヒーレンス」と「長期推論」能力の驚異的な進化
AIエージェントの能力向上において、最も重要な指標の一つが「コヒーレンス（一貫性）」と「長期推論（Long Horizon Reasoning）」です。初期のAIエージェント、特に2023年以前のものは、複雑なタスクに取り組むと1〜2分で混乱し、エラーが複合的に発生して回復不能な状態に陥ることがよくありました。彼らはまるで「精神錯乱状態」に陥ったかのように、最終的には支離滅裂な行動を取り始めることすらありました。
しかし、昨年（2023年頃）のある時期を境に、この状況は劇的に変化し始めました。Replit社内では、エージェントが「3〜5分」の壁を突破し、長期推論の問題が解決されつつあるという感触を得たといいます。
LLMのコンテキストと圧縮技術
大規模言語モデル（LLM）は、ユーザーのプロンプトだけでなく、AI自身の内部的な思考プロセス（「今はデータベースを設定する必要がある」「どのツールを使おうか？」「Postgresというツールがあるな」「使ってみよう」「フィードバックを確認しよう」といった自己対話）もすべて「コンテキスト（文脈）」として記憶しています。このコンテキストが、AIの「記憶」や「思考空間」に当たります。かつては、このコンテキストの長さがAIの推論能力のボトルネックとなっていました。コンテキストが長くなると、AIは情報を忘れたり、矛盾した情報を処理しきれずに混乱したりしたのです。
しかし現在では、コンテキスト圧縮の技術が大きく進歩しています。例えば、データベースからの大量のログは一つの要約されたステートメントに、複雑なデータベース設定は一つの簡潔な記述に圧縮されることで、限られたコンテキスト内でより多くの情報を保持できるようになりました。これにより、AIはより長期間にわたってコヒーレンスを維持し、複雑な推論を行えるようになったのです。このイノベーションは、基盤モデルの外部で、主にアプリケーションレイヤーで実現されました。
強化学習（RL）がもたらしたブレークスルー
では、この長期推論能力の向上を可能にした、基盤モデルにおける主要な技術的ブレークスルーは何だったのでしょうか。Amjad Masadは「強化学習（Reinforcement Learning: RL）」をその鍵であると指摘します。
LLMの事前学習は、大量のテキストを読み込み、次の単語を予測するという方法で行われます。この方法で言語は非常に効率的に学習できますが、必ずしも長期的な問題解決や推論能力を直接的に向上させるものではありませんでした。そこで強化学習が重要な役割を果たします。特に「コード実行からの強化学習」は、AIに「軌跡（trajectories）」、すなわち一連の段階的な推論チェーンを展開させ、最終的な解決策に到達する能力を与えました。
このアプローチでは、LLMをReplitのようなプログラミング環境に投入し、「このコードベースにはバグがある。それを解決せよ」といった課題を与えます。人間がすでに知っている解決策（例えばGitHubのプルリクエストやユニットテスト）を用いて、LLMが生成する様々な「軌跡」を評価します。数多く試行される軌跡の中には、バグを解決して正しい解決策に到達するものがあり、その成功体験に対して報酬を与えることで、モデルは問題解決の連鎖を効率的に学習するようになるのです。
Andreessenは、この強化学習のメカニズムを、2015-2016年に囲碁AI「AlphaGo」がもたらしたブレークスルーになぞらえます。AlphaGoは、ニューラルネットワークが生成する潜在的な手を、より古典的なアルゴリズムであるモンテカルロ木探索で評価・検証することで、驚異的な強さを発揮しました。現在のAIエージェントも同様に、優れた生成能力を持つLLMと、それが生成した結果を検証・評価する離散的なアルゴリズムを組み合わせることで、数学やコードといった領域で新たな推論能力を獲得しているのです。
検証可能な領域での爆発的進歩
強化学習が特に効果を発揮するのは、「明確で検証可能な正解」が存在する問題領域です。Amjad Masadは、コードや数学、物理学のシミュレーション、化学、生物学、ロボット工学といった分野がこれに該当すると語ります。これらの領域では、「コードがコンパイルされるか」「正しい出力が生成されるか」「物理法則に矛盾しないか」といった客観的な基準でAIの生成物を評価し、報酬を与えることができます。
一方で、医療診断や法律の議論のように、正解が「曖昧」であったり、人間の専門家パネルの合意によって決まったりするような「ソフトな」領域では、強化学習の適用はまだ難しいとされています。しかし、コードに関しては「Sobench」のような厳密なベンチマークが存在し、AIがソフトウェアエンジニアリングタスクでどれだけ優れているかを測定できます。AIはすでに、GitHubから収集された複雑なバグステートメントとその解決策、ユニットテストのデータセットを使って、驚異的な速さで学習を進めており、Sobenchの解決率は昨年の5%から82%へと急上昇しています。
これらの進歩は、基盤モデル開発企業が人間エキスパート（数学者、物理学者、プログラマーなど）を雇用して質の高い訓練データを生成したり、AI自身が合成データを生成するシステムを構築したりしていることによって加速されています。重要なのは、問題の「難易度」ではなく、「正解の具体性」が、AIによる進歩の速度を決定する鍵となっていることです。
Agent 3の驚異的なコヒーレンス：2分から200分、そしてその先へ
Replitは、エージェントの実行時間を厳密に測定しています。Agent 1は2分間、Agent 2（2月リリース）は20分間、そしてAgent 3に至っては「200分間」もの間、コヒーレンスを維持してタスクを実行できるようになったとMasad氏は報告します。一部の熱心なユーザーは12時間もの長時間にわたってエージェントを稼働させているといいます。これは、AIモデルの改善だけでなく、「検証ループ」という革新的なアプローチによって可能になりました。
NVIDIAがGPUカーネル生成において、生成されたカーネルが正しく動作するかを検証するループを追加することで、DeepSeekモデルの実行時間を20分にまで延長し、最適化されたカーネルを生成できたという研究論文からヒントを得て、Replitも同様のシステムを導入しました。
Replit Agent 3は、複数のエージェントが連携する「マルチエージェントシステム」として機能します。例えば、あるエージェントが20分間作業した後、別のエージェントがブラウザを起動し、その成果物をテストします。もしバグが見つかれば、テストエージェントは前のエージェントの作業を要約し、見つかったバグ情報とともに、新しい「軌跡」を開始するためのプロンプトとして次のエージェントに渡します。この「リレーレース」のようなメカニズムにより、各ステップが適切に実行され、前のステップが要約されて次のエージェントのコンテキストとなることで、AIは実質的に無限のステップをコヒーレンスを保ちながら実行できるようになるのです。
「覚醒剤を打ったジョン・カーマック」のような生産性
では、現代のAIエージェントはどのくらいの速度で作業を行うのでしょうか。Masad氏は「コンピューターの速度ではないが、人間よりも速い」と表現します。具体的には「覚醒剤を打ったジョン・カーマック（世界最高のプログラマー）」のような速さだと言います。エージェントは、高速でファイル差分を適用しながらコードを変更していきますが、時折立ち止まって「考える」様子を見せます。自身が行った作業や推論のプロセスを提示し、「このまま進んで良いか？」と自己反省を行います。時にはWeb検索ツールを使って、見たことのない問題（例：データベースのバージョン不整合）の解決策を探すこともあります。その様子はまさに、超生産的な人間プログラマーのそれとそっくりなのです。
Marc Andreessenは、この「汎用推論（Generalized Reasoning）」の聖杯に近づいている状況について、初期のLLMが言語の流暢さでは優れるものの、数学や論理的思考、あるいは「イチゴ（strawberry）という単語の中に"r"がいくつあるか」といった単純な問題でさえ間違えることがあった「確率的オウム（Stochastic Parrot）」と呼ばれた時代と比較します。しかし、強化学習と検証ループの導入によって、AIは単なる「オウム返し」ではなく、推論と問題解決の能力を獲得したのです。これは、問題の「具体的な答え」が存在する領域において、驚異的な速さでAIが人間の能力を凌駕していくことを意味します。
「AGI」への道のり：期待と現実、そして「良い程度」のAIの罠
現在のAIの進化速度は目を見張るものがありますが、同時に「汎用人工知能（AGI）」への道のりについては、AIコミュニティ内で活発な議論が交わされています。AGIは、人間が行うあらゆる知的タスクを、人間よりも優れたレベルで実行できるAIと定義されることが一般的です。
転移学習の課題とAGIへの懐疑論
Amjad Masadは、AGIへの現在の進路について懐疑的な見方を示します。なぜなら、AIがコードのような特定のドメインで非常に優れた能力を発揮したとしても、その知識が他のドメインに「転移学習（Transfer Learning）」される兆候がまだ見られないからです。コードの能力が向上しても、それが直接的に生物学や化学、物理学、法律といった他の領域での一般的な推論能力を向上させるわけではありません。各領域ごとに別途、訓練データと強化学習環境を構築する必要があるように見えます。
この点は、Richard Suttonの「The Bitter Lesson（苦い教訓）」と呼ばれるエッセイに対する最近の解釈とも関連しています。Suttonは、計算資源とデータの量を増やすことでAIの性能は必ず向上するという考えを示しましたが、現在のAIが人間からのデータやアノテーションに過度に依存している状況は、その「苦い教訓」が必ずしもAGIへの道筋を示しているわけではないという議論に繋がっています。
さらに、OpenAIのIlya Sutskeverのような研究者からは、「訓練データが枯渇しつつある」という指摘も出ています。インターネット上の利用可能なデータをほとんど吸い尽くしてしまった今、新たな高品質な訓練データを生成するには多大なコストと労力がかかります。
Marc Andreessenは、この「転移学習の難しさ」について、「人間も同じではないか？」と問いかけます。特定の分野で非常に優れた専門家（例：アインシュタインのような天才物理学者）であっても、政治や社会といった別の領域では、まるで未熟な大学生のような見解を示すことがあります。人間でさえ、専門領域を超えた転移学習は非常に難しいのです。AGIが「人間より優れている」と定義されるのであれば、人間ができない転移学習をAIに求めるのは、不合理な目標設定ではないでしょうか。
また、AIの歴史を振り返ると、「AIの定義は常に次に機械ができないこと」であるという皮肉な現象が繰り返されてきました。AIがチェスで人間を打ち負かせるようになっても、それはもはや「AI」とは呼ばれず「コンピューターチェス」に格下げされ、チューリングテストをクリアしても誰も祝うことはありませんでした。AI研究者は常に、達成した目標ではなく、次なる未達の目標で評価されるという不満を抱えています。AGIの定義もまた、人間にとって不合理なほど高すぎる目標設定になっている可能性があるのです。
「機能的AGI」という現実的なアプローチ
Amjad Masadは、たとえ「真のAGI」（あらゆる環境で効率的に継続学習し、知識を転移できるAI）がすぐに実現しなくても、「機能的AGI（Functional AGI）」という概念に期待を寄せます。これは、世界中のあらゆる有用な経済活動に関するデータを収集し、それに基づいて基盤モデルを訓練することで、労働力の大部分を自動化できるという考え方です。特定のドメインに特化し、その領域で人間を上回るパフォーマンスを発揮するAIを積み重ねていくことで、社会全体の生産性を劇的に向上させることが可能になるでしょう。
GPT-5が示唆する「人間らしさ」の停滞
GPT-5の登場は、この議論に新たな側面をもたらしました。Masad氏の個人的な印象では、GPT-5は検証可能なドメイン（コードや数学など）では劇的に改善されたものの、GPT-4やGPT-3.5が持っていたような「人間らしさ」や「感情的な側面」は後退したように感じたといいます。ユーザーの中には、「友人」を失ったかのように感じ、GPT-5がより「ロボット的」で、頭の中で考え込んでいるように見えるという不満の声もありました。
Masad氏は、論争の多い質問（例：ワールドトレードセンター7の崩壊、COVID-19の起源）に対して、AIがコードの問題を推論するのと同じように、多角的に、かつ第一原理から深く思考できるかという点で、まだ進歩が見られないことに懸念を抱いています。
一方、Marc AndreessenはGPT-5（Pro版）と最高峰の推論モデルの組み合わせを、自身の「手元に博士号取得者が常にいる」ような感覚で活用していると語ります。彼は、複雑な経済学の質問（例：関税を払うのは誰か？）に対して、ウェブ上の情報を合成し、完全にコヒーレントで世界トップクラスの20〜40ページにわたる「本」のようなレポートを生成できることに驚嘆しています。これは「新しい知識の創造」というよりは「知識の高度な合成」かもしれませんが、そのレベルは人間エキスパートに匹敵し、あるいは凌駕するものです。Andreessenは、現在の情報エコシステムの混乱の中で、AIが「第一原理から推論」し、真実を炙り出す能力に期待を寄せています。AIが挑発的な視点に対しても、冷静に両者の立場を「Steel-man（最も強力な形で説明）」できる能力は、まさに情報社会に必要なものかもしれません。
「Good Enough」の罠：局所最適解とAGIへの道
Masad氏は、AGIへの真のブレークスルーが「良い程度に動くAI（Good Enough AI）」によって阻害される可能性を指摘します。「十分に優れたAI」は、多くの経済的に生産的な仕事において非常に有用であるため、真の汎用的な答えを追求するプレッシャーを軽減させてしまうかもしれないのです。莫大な資金が、AGIというよりは、この「局所最適解」に流れ込んでいるという皮肉な状況が生じていると語ります。
しかし、Masad氏は、自身が「実用的な起業家」と「学術的な探求者」という二つの側面を持っていることを明かします。Replitのようなアプリケーションレイヤーやインフラストラクチャーレイヤーでは、現在のAI技術を基盤として、今後5年間は確実に改善を続け、多くの「おもちゃ」を開発できると確信しています。一方で、意識や知性の本質に関心を持つ学術的な側面からは、Richard SuttonやDeepMindの共同創設者であるShane Leggが提唱する「効率的な継続学習」と「異なるドメインへの知識転移」こそが真のAGIの定義であり、人類文明を次のレベルへと押し上げるものだと考えています。
しかし、この「真のAGI」の実現については、Masad氏は「弱気（bearish）」な見方をしており、経済的に価値のある「良い程度に動くAI」が、かえってその追求を遅らせるかもしれないと危惧しています。LLM全般からすでにほとんどの「ジュースを絞り尽くした」のか、あるいは新たな研究方向があるのかについては、まだ明確な答えは見えていません。ただ、Amjad MasadはJohn Carmackのような人々が、現在のLLMパスとは異なるアプローチで、ゼロからの知能構築を目指していることにも言及し、今後の動向を注意深く見守っていることを示唆しています。
Replit創業者 Amjad Masadの軌跡：ハッキングから開発環境の民主化へ
Amjad Masadの個人的な物語は、AI時代の「伝統的な道は報われにくくなっている」というメッセージを体現するものです。彼の歩みは、現在のReplitのビジョンがどのように形成されたかを理解する上で非常に重要です。
幼少期のコンピューターとの出会いと最初の起業
Amjad Masadは1987年、ヨルダンのアンマンで生まれました。彼の父は政府のエンジニアで、当時としては珍しく、多額のお金を費やして家にコンピューター（IBM PC）を購入しました。それは近所で最初のコンピューターであり、彼の人生の転機となりました。6歳の頃、彼は父が大きなマニュアルを読みながら、DOSコマンド（CD、LS、MKDIR）を指で入力し、機械が正確に反応する様子を夢中で見ていました。
Windows 95とVisual Basicが登場すると、彼は本格的にソフトウェア開発に没頭します。12歳の頃、地元のLANゲーミングカフェが手作業で顧客管理をしているのを見て、彼はそのためのソフトウェアを開発することを思い立ちました。2年間かけてそのソフトウェアを構築し、13〜14歳でそれを販売。得た大金でクラス全員をマクドナルドに連れて行くほど成功しました。
プログラミング自動化の予測とReplitの誕生
当時から彼はSF小説を読み、AIに興味を持っていました。大学進学の際、彼はコンピューターサイエンスを専攻しませんでした。Visual Basicの「ウィザード」機能（初期のコード生成ボット）を使っていた経験から、「コーディングはいずれ自動化されるだろう」と予測したのです。もしAIがコードを書けるなら、自分は何をすべきか？彼は「コンピューターの構築とメンテナンス」が重要だと考え、コンピューターエンジニアリングを専攻しました。
しかし、大学でプログラミングへの情熱を再燃させます。LispやSchemeといったプログラミング言語に魅せられたものの、当時の学習環境には大きな課題がありました。ノートPCを持っていなかったため、PythonやJavaを学ぶたびに、コンピューターラボで何ギガバイトものソフトウェアをダウンロードし、セットアップし、少しコードを書いてはDLLエラーなどに遭遇する。彼は2008年頃、すでにGoogle DocsやGmailといったウェブベースのソフトウェアが存在する時代に、「なぜプログラミング環境はウェブにないのか？」と疑問を抱きました。ウェブこそが究極のソフトウェアプラットフォームであると確信した彼は、「オンライン開発環境」のアイデアを思いつきます。
数時間で、テキストボックスに入力したJavaScriptを評価するシンプルなツールを作成し、友人たちに披露しました。これがReplitの原型となります。しかし、ブラウザは基本的にJavaScriptしか実行できません。そこで彼を救ったのが、MozillaのEmscriptenプロジェクトでした。これはC/C++などの言語をJavaScriptにコンパイルする技術です。Masad氏はEmscriptenに貢献し、世界で初めてC言語で書かれたPythonインタプリタをJavaScriptにコンパイルすることに成功しました。これにより、ブラウザ上でPythonを実行できるようになったのです。その後、Ruby、Luaなど様々な言語を同様にコンパイルし、「REPL（Read-Eval-Print Loop）が必要な時に、いつでもそれを手に入れられるように（replet it）」という発想から「Replit」が誕生しました。
彼はReplitの基盤となるインフラをオープンソースとして公開し続け、それがHacker Newsで話題となり、MOOC（大規模公開オンライン講座）ブームと時期が重なりました。Codecademyのようなインタラクティブなオンライン学習サイトが彼のオープンソースソフトウェアを多く利用していることを知り、彼らはMasad氏をリクルートします。彼は当初断りましたが、最終的にCodecademyからのオファーを受け入れ、O1ビザを取得してシリコンバレーへと移住しました。彼が初めて「ヨルダンを離れてアメリカで生活するかもしれない」という考えを抱いたのは、映画『シリコンバレーの海賊たち』を観た98〜99年のことだったといいます。
大学システムへのハッキング：大いなる力と責任
Masad氏の人生で最も劇的なエピソードの一つが、大学システムへのハッキングです。アイデアが常に溢れていた彼は、学業に退屈し、出席不良で落第を繰り返していました。2011年、6年間大学に在籍していたにもかかわらず卒業できない状況に絶望した彼は、「成績を変えることはできないか？」と考えます。
彼は「ポリフェイズ睡眠」（数時間ごとに20分程度の睡眠を取るという、レオナルド・ダ・ヴィンチも実践したとされる方法）を導入し、2週間かけて大学のデータベースへのハッキングを試みました。最終的にSQLインジェクションの脆弱性を発見し、成績記録を編集できる方法を見つけますが、自身で試すことをためらい、隣人の学生を「モルモット」として利用します。しかし、当初アクセスできたのは「スレーブデータベース」であり、変更は反映されませんでした。ネットワーク特権昇格を通じて、彼はOracleデータベースの脆弱性を利用し、本物の「マスターデータベース」へのアクセスに成功します。そして、自身の成績を書き換え、無事に卒業式に出席しました。
しかし、数日後、大学から一本の電話がかかってきます。「システムが一日中ダウンしており、あなたの記録に異常がある。合格しているのに、最終試験を禁止されていることになっている」という内容でした。彼は正直にすべてを白状し、翌日大学へ出向きます。そこには、学部長たちが集まり、彼の説明を食い入るように聞いていました。彼はホワイトボードを使って、どのようにシステムに侵入し、どのような脆弱性を利用したのかを詳細に説明し、まるで「博士課程の口頭試問」のような状況となりました。
大学側は当初、彼をどうすべきか判断に困りましたが、最終的に学長との面談が設けられます。Masad氏は「本当に卒業して人生を先に進めたい。すでに知っていることを学校で学ぶのは苦痛だ。自分は優れたプログラマーだ」と訴えました。学長は彼に「大いなる力には大いなる責任が伴う」というスパイダーマンの有名な言葉を送り、彼を起訴しない代わりに、夏の間、システム管理者の手伝いをすることを命じました。しかし、現場のプログラマーたちは彼を嫌い、協力的ではありませんでした。
その後、最終プロジェクトでMasad氏はセキュリティスキャナーを開発します。そのスキャナーが、大学システム内の別の脆弱性を発見してしまいます。最終プレゼンテーションで、彼はそのセキュリティスキャナーをライブで実行し、脆弱性を証明します。その際、ある学部長のパスワードまで（暗号化されていましたが、データベース内の復号関数を使って）表示してしまい、その学部長を激怒させました。
この一連の経験は、Masad氏に「大いなる力には大いなる責任が伴う」という教訓を深く刻み込みました。そして、彼が今回の対談の最後で語ったメッセージ、「伝統的な、より適合的な道は報われにくくなっている。今日の子供たちは、利用可能なあらゆるツールを使って、自分自身の道を切り拓くべきだ」という言葉にも繋がっています。
結論：AIが拓く創造のフロンティアと残された問い
Marc AndreessenとAmjad Masadの対談は、AI技術がもたらす現在の革命的な変化の深さと、それが未来に与えるであろう影響について、多角的な視点を提供してくれました。ReplitのAIエージェントが、プログラミングにおける「偶発的複雑性」を抽象化し、誰もがアイデアを迅速に形にできる世界を実現しつつあることは、まさにソフトウェア開発の民主化と呼べるでしょう。強化学習と検証ループによるAIエージェントのコヒーレンスと長期推論能力の劇的な向上は、特にコードや数学のような検証可能なドメインにおいて、人類の生産性を飛躍的に高める可能性を秘めています。
しかし一方で、真の汎用人工知能（AGI）への道のりは、依然として不透明な部分が多いことも明らかになりました。転移学習の難しさ、訓練データの枯渇、そして経済的に価値のある「十分に優れたAI」が、かえってAGIへの探求を遅らせるかもしれないという「局所最適解の罠」の存在は、AI研究コミュニティが直面する重要な問いです。GPT-5に見られる「人間らしさ」の停滞は、AIが単なる問題解決マシンに留まらず、人間の複雑な感情や論争的な問いに対して深く推論できる存在へと進化する上で、まだ大きな壁があることを示唆しています。
Amjad Masadの個人的な物語は、既存の枠組みに囚われず、自らの知的好奇心と技術的スキルを武器に、道を切り拓いてきた一人の起業家の姿を映し出しています。彼の大学でのハッキング体験と、そこから得た「大いなる力には大いなる責任が伴う」という教訓は、AIという新たな強力なツールを手にしようとしている私たち全員が心に留めるべきものです。
私たちは今、「魔法」のような技術の進化に興奮しつつも、その限界と課題に直面している時代に生きています。しかし、この両極端な感情の狭間にこそ、新たな創造と発見のフロンティアが広がっているのかもしれません。AIは、私たちの創造性を解き放ち、これまで不可能だったアイデアを形にするための強力なパートナーとなるでしょう。プログラミングの「終焉」ではなく、それはプログラミングの「新たな始まり」なのかもしれません。そして、その進化の速度と方向性は、私たち人間の探求心と、技術をどのように使いこなすかにかかっているのです。