## Memo ## Memo with LLM ### 論文情報 - 論文のタイトル: AI Must Embrace Specialization via Superhuman Adaptable Intelligence - 著者と所属: Judah Goldfeder (Columbia University), Philippe Wyder (Distyl), Yann LeCun (NYU), Ravid Shwartz-Ziv (NYU) - カンファレンス/ジャーナル名: arXiv - 発表年: 2026 ### 論文概要 AIの最終目標として広く語られる「AGI（汎用人工知能）」という概念の曖昧さと非現実性を指摘し、新たな目標として「SAI（Superhuman Adaptable Intelligence：超人的適応知能）」を提唱するポジションペーパーである。人間自体が特定の進化環境に特化した存在であり真の汎用性を持たないと論じ、AIは無目的な汎用性ではなく、人間の能力を超える専門化と新しいタスクへの迅速な適応速度を追求すべきだと主張している。 ### 詳細解説 #### 問題設定 AGIという用語がAI業界や社会でバズワード化しているが、その定義には一貫性がなく（能力ベースか適応ベースか、対象範囲の違いなど）、AI開発の北極星（究極の目標）として機能不全に陥っている。特に「人間ができるあらゆるタスクをこなす」という定義は、人間自体が限定的な認知や身体的制約（例: エコーロケーションができない、高次元空間を認識できない等）に縛られた「専門化」された生物であることを無視しているという問題がある。 ![[2026_arXiv_Goldfeder_Fig1.png]] (Figure 1. A two-dimensional semantic map organizing prominent definitions for AGI and other North Star measures of artificial intelligence, along two axes.) #### 提案手法 - **アーキテクチャ**: 具体的な単一のモデルアーキテクチャを提案しているわけではないが、SAI（超人的適応知能）の実現に向けた方向性として「自己教師あり学習（SSL）」と「世界モデル（World Models）」の重要性を強調している。 - **アルゴリズム/手法の詳細**: - **SAIの定義**: 人間ができる重要なタスクにおいて学習を通じて人間を凌駕し、かつ人間の能力が及ばない領域（高次元の統計的推論や複雑なタンパク質構造予測など）のギャップを埋めることができる知能。 - **評価軸の転換**: 「AIが何個のタスクをこなせるか」という固定的なチェックリストのパフォーマンスではなく、「新しいスキルやタスクを獲得するのにかかる時間（適応速度）」を指標として重視する。 - **実装上の工夫**: 単一の巨大な自己回帰モデル（例: GPTなどのLLM）による均質化されたアプローチではなく、タスクに応じたモジュール性や多様な専門的コンポーネントを組み合わせる多様なアプローチを推奨している。 #### 新規性 これまでAGIを目標としてきたAI研究のパラダイムに対し、「人間レベルの汎用性」という目標自体が低すぎること、かつ幻想であることを「ノーフリーランチ定理」や生物学的な進化の観点から理論的に批判した点である。何でもできる汎用システムよりも、特定ドメインで超人的な能力を発揮する専門的システムの集合こそが、結果的に優れた適応知能（SAI）をもたらすという新たなビジョンを提示した。 ![[2026_arXiv_Goldfeder_Fig2.png]] (Figure 2. Illustration of the task space overlap between the human domain and the AI domain within the universal task space.) #### 実験設定 - **実験環境**: 本論文はポジションペーパーであるため、具体的な実験環境を用いたシステム構築は行われていない。 - **データセット**: なし。 - **比較対象 (Baseline)**: DeepMind、OpenAI、Chollet氏などによって提唱されてきた既存の著名なAGIの定義を比較対象とし、それらの論理的破綻を分析している。 - **評価指標**: それぞれの定義が「実現可能か（Feasible）」「内的整合性があるか（Internally consistent）」「評価可能か（Assessable）」という3つの基準で評価された。 #### 実験結果 - **定量的評価**: （実験を伴わないオピニオン論文のため定量的数値はなし） - **アブレーションスタディ**: なし。 - **定性的評価**: 既存のAGI定義がいかに不完全であるかを分析した。例えば、Legg & Hutterの定義は無限の計算資源を前提としており実現不可能であり、Cholletの定義は適応性を重視しつつも人間を基準にしており自己矛盾を抱えていることを明らかにした。また、自己回帰モデルは予測長に応じてエラーが指数関数的に発散するという構造的限界を指摘した。 #### 考察 (Discussion) - **結果の解釈**: 汎用性を追求することは限られた計算資源を無限のタスク空間に分散させることになり、結果としてどのタスクにおいても最適なパフォーマンスを得られない。一方、専門化は特定のタスクの構造を利用することで劇的な性能向上をもたらす。 - **優位性の根拠**: SAIは、人間の能力の枠に囚われずにAIを評価できるため、人類にとって真に価値のある未知の課題（気候モデリングや創薬など）の解決を加速させるインセンティブ構造を提供する。 - **限界と例外**: SAIの定義における「有用性（utility）」や「重要性（important）」の具体的な決定方法（経済的価値とするか、社会的合意とするか等）については本論文のスコープ外とされており、今後の議論に委ねられている。 #### 強み (Strengths) - AGIというバズワードに対する厳密で論理的な批判を展開し、AI研究の目標を人間中心主義から解放した点。 - 測定可能な指標（適応速度）を提案し、AIの進化の方向性をより現実的かつ実用的なもの（SSLと世界モデルの重視）に再定義した点。 #### 弱点・課題 (Weaknesses / Limitations) - 提案されたSAIの概念は強力であるが、その核となる「適応速度」を異なるドメイン間でどう定量的に比較・評価するかという具体的なベンチマーク手法は未確立である。 ## Abstract AIの経営者や研究者から、破滅論者、政治家、活動家に至るまで、誰もが汎用人工知能（AGI）について語っている。しかし、その正確な定義については意見が一致していないことが多い。AGIの一般的な定義の一つは、人間ができることすべてを行えるAIというものであるが、そもそも人間は本当に汎用的だろうか。本論文では、我々のAGIの概念の何が間違っているのか、そしてなぜそれが最も首尾一貫した形で定式化されたとしても、AIの未来を説明する概念として欠陥があるのかについて議論する。最も広く受け入れられている定義が、妥当で、有用で、真に汎用的であるかを探求する。我々は、AIは汎用性を追求するのではなく専門化を受け入れるべきであり、その専門化において超人的なパフォーマンスを追求すべきであると主張し、超人的適応知能（Superhuman Adaptable Intelligence: SAI）を導入する。SAIは、人間ができる重要なあらゆるタスクにおいて人間を超えるよう学習でき、かつ人間には不可能なスキルギャップを埋めることができる知能と定義される。そして、過剰に詰め込まれたAGIの定義によって曖昧になっていたAIを巡る議論を、SAIがいかに洗練できるかを示し、それを未来の指針として使用することの意味を外挿する。