T最新テックトレンド

フランソワ・コレが語るAGIの未来：ディープラーニングを超え、最適解を追求するNDIAの挑戦とARC-AGI V3の衝撃

Y Combinator
0:00--:--

AIの進化は、私たちの想像をはるかに超える速度で進行しています。特に大規模言語モデル（LLM）の登場以来、AIは単なるツールを超え、社会のあらゆる側面に深い変革をもたらす可能性を秘めた存在として認識されるようになりました。しかし、この目覚ましい進歩の裏で、私たちは本当に「知能」の本質に迫っているのでしょうか？ そして、その先に待つ「汎用人工知能（AGI）」は、どのような姿をしているのでしょうか？

Kerasの創設者であり、AI研究の最前線を走り続けるフランソワ・コレ氏は、現在のAIの主流であるディープラーニングの限界を見つめ、全く異なるアプローチでAGIの実現を目指しています。彼の新たな研究ラボ「NDIA」と、最新のベンチマーク「ARC-AGI V3」は、AI研究に新たな視点と挑戦をもたらしています。

本記事では、フランソワ・コレ氏の深い洞察に基づき、NDIAが追求する革新的なAIアプローチ、ARC-AGIベンチマークがAIの進化をどのように測定し、そしてAGIの未来がどのような可能性を秘めているのかを詳細に分析します。ディープラーニングの枠を超えた「最適AI」のビジョンから、自己改善するシステム、そして個人のキャリア形成に至るまで、コレ氏の哲学と展望を専門性と分かりやすさを両立させながら深く掘り下げていきます。

NDIAが目指す「最適AI」のビジョン：ディープラーニングの限界を超えて

現在のAI研究は、ディープラーニング、特に大規模言語モデル（LLM）が席巻しています。膨大なデータと計算リソースを投入することで、ディープラーニングは画像認識、自然言語処理、音声合成といった多様な分野で驚異的な成果を上げてきました。しかし、フランソワ・コレ氏は、この主流アプローチがAGI（汎用人工知能）の実現に向けた「最適解」ではないと指摘します。彼の新設したAGI研究ラボ「NDIA」は、ディープラーニングとは一線を画す、根本的に異なる新しい機械学習のパラダイムを追求しています。

ディープラーニングの支配と、その本質的な限界

ディープラーニングの核心は、入力データと目標データの間をマッピングする「関数」を見つけることにあります。具体的には、「パラメトリックカーブ」と呼ばれる複雑な数学的モデル（ニューラルネットワーク）を用意し、そのモデル内の膨大な「パラメータ」を「勾配降下法」という最適化アルゴリズムを使って調整していくことで、入力から目標への写像を学習します。このプロセスは、大量のデータを与え、モデルがデータに「フィット」するようにパラメータを微調整することで行われます。

このアプローチは確かに強力ですが、コレ氏はその根本的な限界を指摘します。

  1. データ効率の悪さ: 汎化能力の高いモデルを得るには、しばしば途方もない量の訓練データが必要とされます。これは人間がごく少数の例から学習できる能力とは対照的です。
  2. 推論時の非効率性: 複雑なパラメトリックカーブは、推論時（学習済みのモデルを使って新しい入力から出力を生成する時）に膨大な計算リソースを必要とします。モデルが大きければ大きいほど、このコストは増大します。
  3. 汎化能力の制約: 勾配降下法は、与えられたデータセットに過剰に適合（オーバーフィット）しやすく、訓練データと異なる、しかし本質的には同じ種類の新しい入力に対して、必ずしも効果的に汎化できるとは限りません。コレ氏がKerasの開発中に直面した問題意識の一つは、勾配降下法が本当に汎化可能なプログラムを発見できず、代わりに訓練データのパターンに過剰に適合してしまうことでした。
  4. 「理解」の欠如: ディープラーニングモデルは、入出力間の統計的なパターンを学習しているに過ぎず、その背後にある因果関係や本質的な「理解」を獲得しているわけではないという批判があります。これは、しばしば「ブラックボックス」と呼ばれるモデルの解釈性の問題にもつながります。

コレ氏は、現在のAI研究がLLMスタックに過度に集中している現状を認めつつも、「50年後のAIは、今のLLMスタックの上に構築されているとは限らない」と警鐘を鳴らします。短期的には成果が出るため、多くのリソースが投入されるのは当然の帰結ですが、長期的な視点で見れば、より根本的な革新が必要だと考えているのです。

NDIAの画期的なアプローチ：シンボリックモデルの追求

NDIAが目指すのは、このディープラーニングの根本を覆すことです。彼らは「パラメトリックカーブ」を、より簡潔で本質的な「シンボリックモデル」に置き換えるという画期的なアプローチを提唱しています。

シンボリックモデルとは何か？ シンボリックモデルは、データを説明する「最も単純な」モデルであることを目指します。例えば、物理学者が複雑な天体観測データから、ごく簡潔な「F=ma」や「E=mc²」といった法則（方程式）を発見するようなイメージです。ディープラーニングがデータに「フィットする曲線」を見つけるのに対し、NDIAはデータから「本質的な法則」を「シンボリックな表現」で見つけ出そうとしているのです。

この考え方の根底には、**最小記述長原理（Minimum Description Length principle: MDL）**があります。これは、データとそのデータを説明するモデルを合わせて最も短く記述できるモデルが、最も真実であり、最もよく汎化するという情報理論的な原理です。科学の目的も、複雑な現象を最も簡潔な法則に圧縮することであり、NDIAはまさにこの科学的手法をAIのアルゴリズムとして具現化しようとしています。

新しい学習メカニズム：シンボリック降下法 シンボリックモデルは離散的な構造を持つため、連続的な値を持つパラメータを微調整する勾配降下法を直接適用することはできません。そこでNDIAは、シンボリック空間における最適解探索を可能にする「シンボリック降下法」と呼ばれる新しい学習メカニズムを構築しています。このアプローチは、無限に近い可能性を秘めたシンボリックなプログラム空間の中から、データに最も適した簡潔なモデルを効率的に見つけ出すことを目指します。コレ氏はこれを「ディープラーニングガイド付きプログラム探索」と表現し、AlphaGoやAlphaZeroの根底にある原理（モンテカルロ木探索に深層学習の評価関数を組み合わせる）に似ていると説明しています。

「最適AI」がもたらす革新

NDIAが追求するシンボリックモデルは、ディープラーニングの限界を克服し、AIに次のような革新をもたらすと期待されています。

  • データ効率の飛躍: 最小記述長原理に基づく簡潔なモデルは、少ないデータからでも本質を捉え、効率的に学習できます。人間が少数の例から瞬時に学ぶように、AIも「データ効率の高い学習」を実現するでしょう。
  • 推論効率の向上: モデルが非常に小さく簡潔であるため、推論時に必要な計算リソースが大幅に削減されます。これにより、より高速でエネルギー効率の高いAIシステムの実現が期待されます。
  • 優れた汎化能力と合成能力: 簡潔なシンボリックモデルは、特定の訓練データに過学習しにくく、未知の状況や新しいタスクに対しても優れた汎化能力を発揮します。また、異なるシンボリックモデルを組み合わせることで、より複雑な問題を解決する「合成能力」も向上するでしょう。
  • 解釈可能性: モデルが「法則」や「プログラム」といったシンボリックな形で表現されるため、その内部動作や意思決定プロセスが人間にとって理解しやすくなります。これはAIの信頼性と透明性を高める上で極めて重要な要素です。

なぜ今、この挑戦なのか？

NDIAのビジョンは非常に野心的であり、コレ氏自身も成功の確率は10〜15%と述べています。現在のAI研究の主流とは全く異なる道を歩むことは、大きなリスクを伴います。しかし、コレ氏がこの挑戦に踏み切ったのは、強い信念と使命感があるからです。

彼は、「もし自分がやらなければ、他に誰もやらないだろう」と考えています。現在のAI業界は、LLMスタックという「生産性の高い道」に集中しているため、このような根本的なパラダイムシフトを目指す研究は、なかなか手が出しにくい状況です。しかしコレ氏は、長期的に見ればAIの世界は「最適性」へと必然的に向かうと考えており、NDIAはその未来の礎を築こうとしています。

この挑戦は、AIのフロンティアを切り開く上で極めて重要です。主流のアプローチが停滞した時、あるいは新たなブレイクスルーが必要になった時、NDIAのような「オルタナティブなアプローチ」こそが、次の大きな飛躍をもたらす原動力となるかもしれません。

AIの進化を加速させる「検証可能な報酬信号」とエージェントの台頭

フランソワ・コレ氏は、最近のAIの目覚ましい進化、特に「コーディングエージェント」の成功に自身も驚きを隠しません。そして、この成功の核心には「検証可能な報酬信号」という、AIの学習プロセスを劇的に変革する概念があることを強調しています。

コーディングエージェントの衝撃とLLMの新たな局面

過去数年で、大規模言語モデル（LLM）はコード生成、デバッグ、リファクタリングなど、ソフトウェア開発のさまざまなタスクで驚異的な能力を発揮するようになりました。これらの「コーディングエージェント」は、人間が指示するプログラミングタスクを自動化し、開発者の生産性を飛躍的に向上させつつあります。コレ氏は、この現象がAIの能力の新たな局面を示していると分析します。

「検証可能な報酬信号」という鍵

コーディングエージェントがこれほどまでに成功を収めた最大の理由は、彼らが機能するドメインである「コード」が、**「検証可能な報酬信号（Verifiable Reward Signal）」**を提供しているからです。

  • コードの例: プログラムが正しく動作するかどうかは、ユニットテストを実行したり、コンパイルエラーをチェックしたりすることで、客観的かつ形式的に検証できます。バグの有無も、テストケースを使って確認可能です。モデルが生成したコードが、テストをパスし、期待通りの出力を生み出せば、「成功」という明確な報酬信号が得られます。この信号は非常に信頼性が高く、モデルが「推測」するのではなく、事実に基づいて学習できる基盤となります。
  • 数学の例: コレ氏は、数学も同様に検証可能なドメインであると指摘し、今後数年でAIによる革命が起こる可能性を予測しています。数学の定理や証明は、形式論理と厳密な規則に従ってその正しさを検証できます。AIが数学的証明を生成・検証できるようになれば、科学研究全体に計り知れない影響を与えるでしょう。

自己生成型学習ループ（RLループ）の力

検証可能な報酬信号が存在することで、AIは人間によるアノテーションに過度に依存することなく、自律的に学習を進めることが可能になります。これは、**自己生成型学習ループ（Reinforcement Learning Loop）**の形成を意味します。

  1. タスクの生成: AIモデルは、特定のドメイン（例えばコード生成）において、新しいタスクや問題を自律的に生成します。
  2. 解決策の提案: モデルは、生成されたタスクに対する解決策（例えばコード）を生成します。
  3. 解決策の検証: 生成された解決策は、ユニットテストなどの「検証可能な報酬信号」を用いて自動的に評価されます。
  4. フィードバックとファインチューニング: 解決策が正しければ、その成功した推論チェーンや解決プロセスは、モデルをさらにファインチューニングするための訓練データとして活用されます。

このループは、人間が介入することなく何百万回も繰り返すことができます。これにより、AIは問題空間のより稠密なカバレッジを実現し、膨大な量の高品質な訓練データを自ら生み出すことが可能になります。コレ氏は、このプロセスを「AIによるブルートフォースマイニング」と表現し、ドメイン全体を探索して非常に高いパフォーマンスを達成できると説明しています。

さらに、このループを通じてモデルは、単にコードを自動補完するだけでなく、コード実行モデルを内部に構築するようになります。これは、人間がコードを見たときに、頭の中で変数の値を追跡し、実行の流れをシミュレートするように、AIも同様の「仮想実行」能力を学習することを意味します。この能力が、コーディングエージェントの「非常に強力なプロダクトマーケットフィット」を生み出し、ソフトウェアエンジニアリングのあり方を根本的に変えつつあるのです。

「検証不可能」なドメインの課題

一方で、すべてのドメインが検証可能な報酬信号を提供できるわけではありません。コレ氏は、**「検証不可能なドメイン」**の例として「エッセイ作成」を挙げます。完璧なエッセイとは何か、その客観的な基準は曖昧であり、人間による評価（アノテーション）に大きく依存せざるを得ません。

このようなドメインでは、AIの進歩は遅くなりがちです。訓練データが人間のアノテーションに由来し、その収集がコストと時間を要するため、自己生成型学習ループを効果的に回すことができません。結果として、AIの「推論モデル」の進歩は非常に緩やかになるか、あるいは停滞する可能性すらあるとコレ氏は見ています。

「賢さ」と「有用性」の区別

コーディングエージェントの成功は、AIが「より賢くなった」（流動的知能が向上した）というよりも、「より知識が増え、より良く訓練された」（より有用になった）結果であるとコレ氏は指摘します。

知能と知識の間にはトレードオフが存在します。豊富な知識と効果的な訓練があれば、必ずしも高い「流動的知能」（IQのようなもの）がなくても、特定のタスクにおいて高い能力を発揮できます。コーディングエージェントは、この自己生成型学習ループとコード実行モデルの内包によって、まるで人間が「新たなスキルを学ぶ」ように、特定のドメインにおける「訓練」と「知識」を劇的に増加させました。この能力の向上は、現在のAIが社会に与えるビジネスインパクトの源泉となっています。

しかし、コレ氏は、人間が問題解決のための「ハーネス」（構造や戦略）を設計する必要がある現状は、まだAGIではない証拠だと考えています。真のAGIは、AI自身がそのようなハーネスを自律的に生み出す能力を持つはずだ、と。この点が、次のセクションで詳しく説明するARC-AGIベンチマーク、特に最新のV3が目指す方向性へと繋がっています。

AGIへの新たな道標：ARC-AGIベンチマークの進化

フランソワ・コレ氏がAGI（汎用人工知能）に対して抱くビジョンは、一般的な認識とは一線を画しています。彼は、現在のAIの進化を測定する既存の指標が、真の知能の本質を見誤っていると感じ、自身の提唱するAGIの定義に基づいた、全く新しいベンチマーク「ARC-AGI」を設計しました。このベンチマークは、AIの知能と学習能力のフロンティアを切り開く上で、極めて重要な役割を果たしています。

AGIの真の定義を求めて

世間一般でAGIは「経済的に価値のあるほとんどのタスクを自動化できるシステム」と定義されることがよくあります。しかし、コレ氏はこの定義を「自動化に関するものであり、知能、特に汎用知能に関するものではない」と批判します。彼は、自動化はAIの有用性を示すものであっても、その知能そのものを測るものではないと考えているのです。

コレ氏が提唱するAGIの定義は、より本質的です。 「AGIとは、どんな新しい問題、タスク、ドメインにも効率的に適応し、理解し、能力を発揮できるシステムである。その学習効率は、人間が示すそれと同程度である。」 これは、人間がごく少数の例から新しい概念を理解し、スキルを獲得できる、あの驚くべき「データ効率の高さ」と「スキル獲得効率」をAIに求めるものです。人間は新しい言語を学ぶ際も、新しいゲームをプレイする際も、大量のデータと訓練計算を必要とせず、効率的に学習し適応できます。コレ氏のAGI観は、この人間レベルの「流動的知能」と「学習効率」を追求するものです。

ARC-AGI誕生の背景：ディープラーニングの限界からの着想

フランソワ・コレ氏は、ディープラーニングフレームワーク「Keras」の創設者として、長年ディープラーニングの最前線で活動してきました。当初彼は、ディープラーニングがあらゆる問題に対応できる「チューリング完全」なアプローチだと考えていました。しかし、2016年にGoogle Brainで行っていた推論問題（特に一階述語論理や定理証明）の研究中に、ディープラーニング、特に勾配降下法の根本的な限界に直面します。

モデルは概念的には推論アルゴリズムを表現できたかもしれませんが、勾配降下法はそのような汎化可能なプログラムを見つけることができませんでした。代わりに、入力トークンのシーケンスに対する過学習的なパターンマッチングに陥り、真の汎化能力を発揮できなかったのです。コレ氏はこの経験から、「ディープラーニングの限界は、モデルの表現能力ではなく、勾配降下法による探索能力にある」と確信しました。

この問題意識を解決するため、コレ氏は「推論のためのImageNet」を構想し、汎化能力を測定するための新しいベンチマークが必要だと考えました。そして2018年頃から個人的なプロジェクトとして、手作業で10,000ものユニークなタスクをデザインし、2019年に「ARC-AGI」（抽象推論コーパス）を発表しました。当初、LLMはこのベンチマークで全く機能せず、AI研究コミュニティの主流からはほとんど注目されませんでした。

ARC-AGI V1：推論能力の夜明け

ARC-AGI V1は、与えられた入出力のペアから、その背後にあるパターンや因果関係を推論し、新しい入力に対して正しい出力を生成する能力を測定するものでした。これは、静的で受動的な「モデリング」に焦点を当てています。

  • ベースLLMの限界: V1の発表当時、GPT-3のようなベースLLMは、このベンチマークでほとんどスコアを出すことができませんでした。さらに、モデルの規模を50,000倍にスケールアップしても、その性能は10%以下という極めて低い水準にとどまりました。これは、単なる「スケーリング」と「事前学習」だけでは、真の流動的知能や推論能力を獲得できないことを明確に示しました。
  • 推論モデルの登場: 転換点となったのは、OpenAIが発表した推論モデル（GPT-3.5 turbo 01、GPT-4 03）の登場でした。これらのモデルは、ARC-AGI V1において劇的な「ステップ関数的」な性能向上を示しました。これは、「推論」という新しい能力がAIに芽生え始めたことを明確に示唆するものであり、OpenAI自身も自社の新しい能力をデモンストレーションするためにARC-AGIを積極的に活用しました。V1は、AIが単なるパターンマッチングを超え、論理的な思考や問題解決の能力を獲得し始めた重要なシグナルとなったのです。

ARC-AGI V2：ポストトレーニング新パラダイムの到来

V1が推論能力の登場を告げた後、コレ氏はV2を発表しました。V2はV1よりも難易度が高く、より複雑な推論チェーンの合成能力を要求するタスクで構成されていました。

  • V2の飽和とコーディングエージェントの台頭: 初期の推論モデルもV2では低スコアでしたが、驚くべきことに、コーディングエージェントが急速に発展し始めたのとほぼ同時期に、ARC-AGI V2も急速に「飽和」しました。これは、V2が特定のAI技術によってほぼ完璧に解決されるようになったことを意味します。
  • 飽和のメカニズム：「ポストトレーニングの新パラダイム」: このV2の飽和は、モデルの「流動的知能」が劇的に向上した結果ではありませんでした。その代わりに、コレ氏が「ポストトレーニングの新パラダイム」と呼ぶ手法によって達成されました。この手法は、まさに前述の「検証可能な報酬信号」を活用した**自己生成型学習ループ（RLループ）**そのものです。
    1. まず、AIにARC V2のような新しいタスクを大量に生成させます。
    2. 次に、プログラム誘導などの手法を用いて、これらのタスクを解決しようと試みます。
    3. 解決策が生成されたら、ARC V2が持つ検証可能な報酬信号（タスクの正誤判定）を用いて、その解決策を自動的に検証します。
    4. 成功した推論チェーンや解決策は、モデルをさらにファインチューニングするための訓練データとして利用されます。 このプロセスを何百万回も繰り返すことで、AIはARC V2のタスク空間を「ブルートフォース」的に探索し、圧倒的な量の「知識」と「訓練」を獲得することで、その性能を飽和レベルまで高めたのです。
  • 「賢さ」よりも「有用性」: このV2の飽和は、モデルが「より賢くなった」というよりも、「より知識が増え、訓練がより良くなった」ことで「より有用になった」ことを示しています。人間が特定のドメインで経験を積むことでスキルを向上させるように、AIもこのRLループを通じて「訓練」されたのです。このアプローチは、「検証可能な報酬信号」を持つあらゆるドメインにおいて、AIによる「タスク自動化」を可能にする新しいパラダイムの到来を告げるものでした。
  • 「ハーネス」の限界: この成果は、PoeticやConfluence Labsといった企業が、人間が設計した「ハーネス」（問題解決のための特定の構造や戦略をAIに与えるもの）を活用することで、V2を短期間で飽和させたことからも裏付けられています。ハーネスは、特定のタスクを効率的に自動化する上で非常に価値がありますが、コレ氏は「人間がハーネスを設計する必要があること自体が、まだAGIではない証拠だ」と指摘します。真のAGIは、AI自身が問題解決のための適切なハーネスを自律的に発見・生成する能力を持つべきだと考えているのです。

ARC-AGIは、AIの進化の節目節目において、その能力の真の姿と次なるフロンティアを指し示す羅針盤としての役割を果たしてきました。そして今、コレ氏はV3によって、AIが真の「エージェント的知能」を獲得しているかを問おうとしています。

ARC-AGI V3：真の「エージェント的知能」への挑戦

ARC-AGI V1とV2が、それぞれAIの推論能力とポストトレーニングによる有用性の向上を明確に示してきた中、フランソワ・コレ氏はさらにその先を見据え、最新バージョンである「ARC-AGI V3」を発表しました。V3は、従来のベンチマークとは根本的に異なるアプローチで、AIが真の「エージェント的知能」を有しているかを測定しようとしています。

V1, V2との根本的な違い：受動から能動へ

V1とV2が、AIに与えられたデータからパターンや因果モデルを「受動的に」推論する能力に焦点を当てていたのに対し、V3は完全に異なります。V3が測定するのは「エージェント的知能」であり、これはインタラクティブで、アクティブな性質を持ちます。

  • データ収集の必要性: V3では、AIにデータは最初から与えられません。エージェント自身が環境と相互作用し、積極的に「探索」を通じて必要な情報を収集する必要があります。
  • 指示ゼロの環境: エージェントは、まるでミニビデオゲームのような新しい環境に「ドロップ」されます。そこで何をするべきか、最終的な目標は何か、あるいは環境を操作するための「コントロールキー」が何を意味するのかさえ、一切指示されません。エージェントは、完全にゼロから試行錯誤を通じて環境の全てを理解し、問題解決へと導かれる必要があります。

V3が測定する「エージェント的知能」の複合的な能力

このインタラクティブな環境において、V3はAIの複合的な能力を測定します。

  1. 探索効率: 未知の環境を、人間と同じような効率性で、無駄なく調査し、関連する情報を収集する能力。
  2. 環境モデリング: 探索を通じて得られた情報から、環境がどのように機能するか（物理法則、オブジェクトの振る舞い、因果関係など）を理解し、その内部モデルを構築する能力。
  3. 自己目標設定: 外部からの指示がない状況で、環境モデルと自身の状態に基づき、達成すべき適切な目標を自律的に設定する能力。
  4. 計画: 設定した目標に向けて、構築した環境モデルを利用して、最適な行動シーケンス（計画）を立案する能力。
  5. 計画実行: 立案した計画を実行し、環境を操作して目標を達成する能力。

これらの能力を総合して、V3はAIが「エージェントとしていかに知能的であるか」を評価します。

人間レベルの効率性への挑戦

V3の目標は、AIシステムがこれらのゲームを、人間が初めてプレイする際に示す行動効率と同程度に解決できることです。人間は、新しいゲーム環境に放り込まれても、わずか数百から数千のアクションで環境の仕組みを理解し、ゲームを攻略することができます。V3のテスト環境は、事前訓練を受けていない一般の人間が確実に解決できることが、実際にテストによって確認されています。

現在のフロンティアAIモデルは、これらのV3のタスクを非常に苦手としています。V1を攻略した「推論モデル」や、V2を飽和させた「RLループによるポストトレーニング」が、V3でそのまま機能するとは限りません。コレ氏は、V3が現在の最先端技術に対しても、新たなブレイクスルーを要求するように設計されていると示唆しています。

V2のハーネス戦略への耐性

V3は、V2で見られたような「タスク生成→解決→検証→ファインチューニング」というRLループと、人間が設計する「ハーネス」を用いた戦略に対して、より耐性を持つように意図的に設計されています。

  • 公開セットと非公開セットの設計: V3には公開セットと非公開セットが存在します。公開セットは比較的簡単で、研究者や開発者がアルゴリズムを試すためのものですが、非公開セットは公開セットとは概念的に大きく異なり、より多様で難解なゲームで構成されています。
  • 情報の限定: 公開セットのゲームを分析しても、非公開セットのゲームに関する有用な情報がほとんど得られないように設計されています。これにより、単に既存のタスクを模倣して訓練データを生成する戦略では、非公開セットで良いパフォーマンスを出すことが難しくなります。
  • 「流動的知能」の測定: この設計思想は、単なる訓練や探索の「努力量」ではなく、AIが本質的な「流動的知能」を持っているか、つまり未知の状況に直面した際に、どれだけ効率的に新しいことを学習し、適応できるかを純粋に測定することを目的としています。

V3ゲームの独自性と設計思想

V3のタスクを開発するため、コレ氏のチームは本格的な「ビデオゲームスタジオ」を設立し、ゲーム業界の経験を持つ開発者たちを雇用しました。彼らは250以上のユニークなゲームを開発し、その全てが次のような厳格な設計原則に従っています。

  • 既存ゲームからの脱却: V3のゲームは、既存のビデオゲームの要素や概念を意図的に借りていません。これにより、AIが過去のゲームの知識やメタ知識に依存して解決することを防ぎます。
  • 言語・文化からの独立: ゲーム内には、いかなる言語や文化的なシンボル（例：「進め」を意味する緑色、「停止」を意味する赤色、矢印のアイコンなど）も含まれていません。これにより、AIが人間の文化的な知識や経験に依存することなく、純粋に環境そのものから意味を推論する能力をテストします。
  • 「コア知識」のみに基づく: ゲームは、基本的な物理法則、オブジェクトの概念、目標や意図を持つエージェントといった、人間が持つ普遍的な「核となる知識」（Core Knowledge Prior）のみを前提として設計されています。
  • インタラクティブなIQテスト: V3のゲームは、IQテストのパターンマッチング問題に似ていると言えますが、決定的な違いがあります。IQテストは「与えられたデータをモデリングする」のに対し、V3は「データそのものを効率的に収集する」プロセスも評価の対象となります。単なるブルートフォース探索は、効率性のスコアが低くなるため許されません。エージェントは、ゲーム空間を自力で切り開き、データを能動的に収集し、そこから意味を推論していく必要があります。

ARC-AGI V3は、AIが真の「エージェント」として、未知の環境で自律的に行動し、学習し、目標を達成できるかを問う、これまでのベンチマークの中でも最も包括的かつ挑戦的なテストです。このベンチマークを攻略できるAIは、私たちの想像するAGIの姿に、また一歩近づくことになるでしょう。

AGIの姿とNDIAの展望：スケーラビリティと簡潔性の追求

フランソワ・コレ氏のAGIに対するビジョンは、従来の「計算力とデータ量の増大によってAGIが達成される」という主流の考え方とは大きく異なります。彼の提唱するAGIは、驚くほど「簡潔」で「効率的」であり、NDIAの研究はその実現に向けて進んでいます。

AGIの「形」に関するコレ氏の洞察：簡潔性とモジュール性

コレ氏は、AGIの最終的な形について、非常に具体的な、そして多くの人にとって驚くべき予測をしています。

  • 流動的知能エンジンと知識ベースの分離: AGIは、二つの主要なコンポーネントから構成されると彼は考えています。一つは、新しい問題を学習し、適応する能力を司る非常に小さなコードベースの**「流動的知能エンジン」です。これは、わずかメガバイト規模のデータとコードで構成されると予想されます。もう一つは、その流動的知能エンジンが参照し、利用する膨大な「知識ベース」**です。この知識ベースは、世界に関する事実、概念、スキルなどを蓄積したものであり、流動的知能エンジンよりもはるかに大きな容量を必要とするでしょう。
  • 衝撃的な予測：1980年代の計算資源でAGIが可能だった可能性: コレ氏の最も大胆な予測の一つは、「AGIは10,000行未満のコードベースで実現可能であり、もしその方法が1980年代に知られていれば、当時の計算資源でも達成できたかもしれない」というものです。この発言は、AGIの本質が、膨大なスケーリングや計算力ではなく、根本的なアルゴリズムの発見、つまり「知能の第一原理」をいかに簡潔に実装できるかにかかっているという彼の強い信念を示しています。まるで、複雑な現象を説明するシンプルな物理法則のように、知能もまた、本質的には非常にエレガントで簡潔な原理に基づいているという示唆です。

CyCプロジェクトとの比較：学習の重要性、人間からの独立

コレ氏のAGビジョンは、過去のAIプロジェクト、特にダグラス・レナトのCyCプロジェクトとしばしば比較されます。CyCは、手作業で世界中の常識的知識をシンボリックな形で入力し、巨大な知識ベースを構築しようとしましたが、最終的に大きな成功を収めるには至りませんでした。

コレ氏はCyCの問題点を次のように指摘します。

  • 学習の欠如: CyCは基本的に、人間が入力した知識を操作するシステムであり、自律的に新しい知識を獲得したり、自身の知識を改善したりする「学習」のメカニックが欠如していました。
  • 人間によるボトルネック: CyCの改善は、人間が手作業で知識を追加・修正することに依存していたため、その能力向上は常に人間の労力によって制限されていました。

NDIAが目指すAGIは、この問題点を克服するものです。 「AIは、人間が改善ループから排除された自己改善システムであるべきだ。」 ディープラーニングが成功した最大の理由の一つは、人間がモデルの内部構造をいちいち修正しなくても、大量のデータと計算資源を投入するだけで、モデルが自律的に学習し、能力を向上させるという「ボトルネックのないスケーリング」を実現したことです。NDIAのシンボリックAIも同様に、人間が常にシステムに介入しなくても、その能力が複利的に（コンパウンディングに）向上していく仕組みを目指しています。これは、AIの能力向上の速度が指数関数的に加速することを意味します。

科学的手法としてのAI：シンボリック圧縮プロセス

コレ氏は、NDIAのアプローチを「ソフトウェアに具現化された科学（science incarnate）」と表現しています。彼にとって「科学」の本質は、まさに**「シンボリック圧縮プロセス」**です。

  • 科学者は、複雑で混沌とした大量の観測データ（例：惑星の運行軌跡）を前にします。
  • そこから、それらの観測すべてを説明できる、ごくシンプルでエレガントな「シンボリックなルール」（例：ケプラーの法則やニュートンの万有引力の法則といった方程式）を発見します。
  • これは、単にデータに最もフィットする「曲線をフィッティングする」ことではありません。その背後にある本質的な「方程式」を見つけ出し、データを最大限に圧縮することです。

NDIAのアプローチは、まさにこの科学的手法をアルゴリズムとして再現しようとしています。入力データから、最も簡潔で、最も説明能力の高いシンボリックモデル（プログラムや法則）を自律的に見つけ出すことで、データの本質を「理解」し、それに基づいて汎化できるAIを構築するのです。

人間の学習との関係とNDIAの方向性

コレ氏は、人間も高レベルでは「プログラム合成」のような形で学習している部分があると認識しています。私たちは世界を、オブジェクト、エージェント、関係性といったシンボリックで因果的なモデルとして記述し、それによって未知の状況にも素早く適応し、汎化しています。

しかし、コレ氏は人間の脳をそのまま模倣することには懐疑的です。「人間の脳は非常に複雑で、非効率な実装だ」と彼は述べます。NDIAは、生物学的な plausibility（もっともらしさ）を追求するのではなく、知能の「第一原理」を特定し、それを最も効率的で強力な形でソフトウェアとして実装することを目指しています。人間はAIのインスピレーション源ではありますが、その「実装」を忠実に再現しようとすることは、かえって非効率的であり、AGIへの遠回りになると考えているのです。

NDIAの創業初期と「コンパウンディングスタック」の重要性

NDIAの創業当初、彼らは「ディープラーニングガイド付きプログラム探索」というビジョンを持っていましたが、具体的な実装方法は明確ではありませんでした。最初の半年間は試行錯誤の連続で、多くの異なるアイデアを試しました。

この経験から得られた重要な教訓は、**「コンパウンディング（複利的に能力が向上する）スタック」**を構築することの重要性です。研究ラボが常に新しいアプローチを試し、以前の学習や発見を再利用できない状況では、進歩は遅くなります。再利用可能な基礎の上に、次の層、さらに次の層を論理的に積み上げていく構造を確立することで、システムの能力向上は加速し、まるで複利のように効果が積み重なっていきます。NDIAは現在、この「コンパウンディングスタック」を構築する段階にあり、その進捗に大きな期待を寄せています。

ARC-AGIのさらなる未来とAGIの達成時期

ARC-AGIベンチマークシリーズは、決して固定された「最終テスト」ではありません。コレ氏は、これをAIのフロンティアの能力と人間の能力との間の「残余ギャップ（residual gap）」を測定するための「動く標的」と位置づけています。AIが進化すればするほど、ARC-AGIも進化し、次のフロンティアを指し示します。

  • ARC-AGI V4: V3の「エージェント的知能」の精神を継承しつつ、より長い時間スケールでの**「継続学習」と「カリキュラム学習」**に焦点を当てます。ゲームの数は少なくなるかもしれませんが、各レベルは前のレベルで学んだ知識を再利用しなければクリアできないように設計され、学習が複利的に積み重なる能力が試されます。
  • ARC-AGI V5: これについてコレ氏は「非常に新しく、異なっている。それはすべて『発明』に関するものだ」と述べ、大きな期待を寄せています。現在の知能測定の枠を超え、AIが既存の知識を組み合わせて全く新しいものを創造する能力を問うことになるでしょう。

そして、AGIの達成時期について、コレ氏は現在のAIの進歩速度と研究への投資を考慮し、**「2030年代初頭、おそらくARC-AGI V6かV7がリリースされる頃にAGIが達成されるだろう」**と予測しています。AGIの瞬間は、人間とAIの学習効率の間に、もはや測定可能な差がなくなった時、つまりAIが人間と同等、あるいはそれ以上の効率で、どんな新しいことでも学習し、習得できるようになった時が訪れると述べています。その時、AIは私たちの知能のフロンティアを完全に超え、自らARC-AGI V8などを生み出し始めることになるでしょう。

AI研究の多様性と未来のイノベーターへのメッセージ

フランソワ・コレ氏のビジョンとNDIAの取り組みは、AI研究がディープラーニング一辺倒ではなく、多様なアプローチを追求することの重要性を改めて浮き彫りにします。彼は、将来のイノベーターや研究者たちに対し、現在の潮流にとらわれず、新たな可能性を探求するよう力強く呼びかけています。

LLM以外のフロンティアの可能性：多様なアプローチへのチャンス

コレ氏は、現在のAI研究がLLMスタックに過度に集中している現状を懸念しています。たしかにLLMは短期的には目覚ましい成果を出していますが、長期的なAGIの実現には、より多様なフロンティアの探求が不可欠だと主張します。

「計算資源は偉大な平等化装置だ」とコレ氏は言います。もしディープラーニングに投じられたのと同じ規模の投資とリソースが他のアプローチに投じられていれば、同様にエキサイティングな結果が得られていたはずだと。彼はLLMスタック以外の、いくつかの有望な代替アプローチを挙げています。

  • 遺伝的アルゴリズム: これは探索ベースのアプローチであり、スケーリングによって信じられないような成果を出す可能性があるとコレ氏は考えています。科学的手法の自動化にも非常に適しているかもしれません。
  • 状態空間モデル（SSM）: Transformerの代替アーキテクチャとして、LLMスタックの「層」の一つを置き換えるようなアプローチです。
  • リカレントモデル: Transformer以前に主流だったリカレントニューラルネットワーク（RNN）のようなモデルの再評価。
  • 勾配降下法を使わないパラメトリック学習: パラメトリックモデルは維持しつつも、勾配降下法に代わる探索や新しい進化アルゴリズムを使用するアプローチ。
  • NDIAのような根本的な再構築: パラメトリックカーブや勾配降下法そのものを捨て、シンボリックモデルへと移行する、スタックの「基礎」からの見直し。

コレ氏は、最適なAIを構築するためには、スタックの「基礎」から見直すことが不可欠であり、既存の層の上に新しい層を追加するだけでは不十分であると強調しています。

過去の研究からの再発見：70年代、80年代の知見

新しい研究ラボや、AIのフロンティアを開拓したいと考えている研究者たちに対し、コレ氏は**「1970年代や80年代の研究論文を読むべきだ」**と具体的なアドバイスを送っています。

AI研究の歴史を振り返ると、ディープラーニングが現在の地位を確立するまでには、さまざまなアプローチが試され、時には「失敗した」と見なされて捨てられた時期がありました。例えば、2000年代後半にはニューラルネットワークは「失敗したアプローチだ」と広く認識されており、当時の研究者たちはSVM（サポートベクターマシン）などの他の手法に注目していました。コレ氏自身も、AIの世界に入った当初、「ニューラルネットワークは試すな」と言われた経験があるそうです。

しかし、その「失敗した」と見なされたアプローチが、後の計算資源とデータ量の増大、そしてアルゴリズムの改良によって劇的な復権を遂げたのがディープラーニングです。コレ氏は、この教訓から、現在主流から外れているアイデアや、かつて「時代遅れ」とされたアイデアの中に、計り知れない潜在能力が秘められている可能性があると見ています。特に、70年代や80年代はAI研究が今よりも多様で、さまざまな異なる方向性が探求されていた時代です。当時十分な計算資源がなかったために日の目を見なかったアイデアが、現代の技術と結びつくことで、新たなブレイクスルーを生み出すかもしれません。

「スケールするアプローチ」の普遍的な重要性

どのようなアプローチを選ぶにしても、コレ氏が最も重要な基準として挙げるのは、そのアプローチが**「スケールする」**かどうかです。

「もし、システムの能力向上が人間のエンジニアや研究者の時間と努力に依存するような方法であれば、それは機能しないだろう」とコレ氏は断言します。人間の労力には限界があるため、そのシステムの能力も、人間の投資に限定されてしまいます。

目標は、「人間が改善ループから排除された」システム、つまり人間が常にシステムに介入しなくても、データや計算資源の投入によって自己改善、またはボトルネックなく能力向上を続けるシステムを構築することです。ディープラーニングの最大の強みは、まさにこの「人間によるボトルネックのないスケーリング」を実現した点にあります。訓練データと計算リソースを増やせば、モデルは原則として能力を向上させていきます。NDIAが追求するシンボリックAIも、同様の自動改善メカニズムを内包することを目指しています。これは、AI開発における普遍的な設計原則と言えるでしょう。

オープンソースプロジェクトの成功術（Kerasの教訓）

Kerasの創設者としての経験から、コレ氏はオープンソースプロジェクトを成功させるための貴重な教訓を共有しています。これは、AI空間で新たなツールやフレームワークを開発しようとする人々に特に役立つでしょう。

  1. シンプルで直感的なAPIに焦点: Kerasが成功した最大の要因は、その「ユーザビリティ」でした。Scikit-learnにインスパイアされた、非常にシンプルで直感的なAPIデザインは、多くのユーザーがディープラーニングを容易に始められるようにしました。
  2. 優れたオンボーディング体験とドキュメント: APIのシンプルさだけでなく、ドキュメントが非常に重要です。ドキュメントは、ツールの使い方を教えるだけでなく、その背後にある「ドメイン知識」や「概念」そのものも教えるべきです。ウェブサイトに訪れるユーザーは、必ずしもその分野の専門家ではないため、包括的な学習体験を提供することが重要です。
  3. コミュニティ構築: 熱心なユーザーや貢献者を巻き込み、コミュニティを構築することも成功の鍵です。コレ氏はさらに一歩進んで、「パワーユーザーを雇用する」ことを勧めています。最も熱心で能力のあるコミュニティメンバーをチームに迎え入れることは、プロジェクトの成長を加速させる最良の方法の一つです。Kerasも、当初はコレ氏の「赤ちゃん」でしたが、後にGoogleの大きなチームが関わることで「成長した大人」となり、独立した存在へと発展していきました。

AI時代を生きる個人へのメッセージ

AIの急速な進歩は、社会に大きな不安をもたらすこともあります。「仕事がなくなる」「AIに全て奪われる」といった悲観論が蔓延する中、コレ氏はより建設的な視点を提示します。

「AIの進歩は止められない。悲観的になるのではなく、学び、活用し、自己をエンパワーメントする機会と捉えるべきだ。」

彼は、AIを恐れるのではなく、それを「活用する方法」を学ぶことの重要性を強調します。特に、AIそのものに関する知識だけでなく、AIを適用したいドメインに関する深い専門知識を持つことが不可欠です。プログラミングの専門家がコーディングエージェントを最大限に活用できるのと同様に、各分野の専門家がAIツールを自身の仕事に統合することで、生産性を劇的に向上させ、自身の能力を増幅させることができます。

AIは、私たちから仕事を奪うものではなく、私たちを「エンパワーメント」する強力なツールとなり得るのです。この巨大な変革の波をどう乗りこなし、どう活用するかが、これからの時代を生きる私たち一人ひとりに問われています。コレ氏のメッセージは、AIの未来に対する責任感と、人間の可能性への深い信頼に満ちています。

結論

フランソワ・コレ氏の語るAGIの未来は、現在のAI研究の主流とは異なる、しかし非常に説得力のあるビジョンを提示しています。NDIAが追求するシンボリックAIのアプローチは、ディープラーニングのデータ効率、推論効率、汎化能力における限界を克服し、知能の「第一原理」に基づいた、より簡潔で最適なAIの実現を目指します。

ARC-AGIベンチマークシリーズ、特に最新のV3は、AIの進化を測るための羅針盤として機能し、推論能力の夜明けから、ポストトレーニングによる有用性の向上、そして今や真の「エージェント的知能」というフロンティアへとAI研究者を導いています。V3が測る探索効率、自己目標設定、計画、実行といった能力は、AIが未知の環境で自律的に学習し、適応するための鍵となるでしょう。

コレ氏の予測する2030年代初頭のAGI達成は、単なる計算資源のスケーリングの産物ではなく、10,000行未満のコードで実装されうる「流動的知能エンジン」と、それから独立した「知識ベース」の組み合わせによって実現されるかもしれません。これは、AGIが本質的に、根本的なアルゴリズムの発見にかかっているという、AI研究のパラダイムシフトを示唆しています。

このAIの変革期において、私たちはコレ氏のメッセージを心に留めるべきです。AI研究は、LLMスタックに過度に集中するのではなく、遺伝的アルゴリズムや過去の「捨てられたアイデア」の再評価といった多様なアプローチを積極的に探求する必要があります。そして、どのようなアプローチであれ、「人間がボトルネックにならない」「スケールし、自己改善する」システムを構築するという普遍的な原則を追求することが重要です。

私たち個人にとって、AIの進歩は脅威ではなく、自己をエンパワーメントする機会です。AIそのものだけでなく、それを適用する自身の専門ドメインを深く学ぶことで、この技術の波を乗りこなし、自身の生活やキャリアを向上させることができます。

フランソワ・コレ氏とNDIAの挑戦は、AI研究の新たなフロンティアを開拓し、AGIへの道のりをより明確に照らし出しています。それは、単なる自動化を超え、真の理解と効率的な学習能力を持つ、より「最適」な知能システムへの期待を私たちに抱かせます。未来のAIは、私たちの想像力を超えた形で、社会と人類の可能性を再定義するでしょう。

← 一覧に戻る