# AI Must Embrace Specialization via Superhuman Adaptable Intelligence > [!abstract] 概要 > AIの経営幹部や研究者から、破滅論者、政治家、活動家に至るまで、誰もが人工汎用知能（AGI）について語っている。しかしながら、彼らの間でAGIの正確な定義について合意が形成されているようには見えない。AGIの一般的な定義の一つは「人間ができることのすべてを実行できるAI」であるが、果たして人間は真に汎用的なのだろうか。本稿では、我々のAGIに対する認識の誤りを指摘し、たとえ最も整合性の取れた定式化であっても、それがAIの未来を記述する概念として欠陥を抱えている理由を論じる。現在広く受け入れられている諸定義が妥当であり、有用であり、かつ真に汎用的なのかを検討する。我々は、AIが汎用性を追い求めるのではなく特化を受け入れるべきであり、その特化において超人的な性能を目指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とは、「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可能であり、かつ人間が不可能な能力の空白を埋めることができる知能」と定義される。続いて、過負荷状態にあるAGIの定義によって曖昧になっていたAIを巡る議論をSAIがいかに明確化できるかを示し、未来の指針としてSAIを用いることの示唆を展開する。 ## 問題設定: AGIを巡る混乱と「汎用性」の幻想 AIコミュニティは将来の展望を巡り、破滅論（大量失業・主体性喪失・AIによる支配）、ユートピア論（飢餓や欠乏の終焉）、通常の技術論（劇的な影響はあるが極端な言説は退ける）の3陣営に分断されている。その中心概念である AGI（人工汎用知能）は多用されながらも厳密に定義されておらず、議論の極小化と混乱を招いている。 議論の多くは人間知能を「汎用性の規範」として前提に置くが、著述者らはこれを根本的な誤謬であると批判する（ポジション1: 人間知能はいかなる有意義な意味でも汎用的ではない）。人間は自身の盲点（blind spots）を自覚できないために「汎用性の錯覚」に陥っている。実際には、進化の過程で物理的生存に不可欠だった狭い課題群（移動・微細運動・空間推論・視覚理解など）に極度に特化しているに過ぎない。 この事実はモラベックのパラドックス（Moravec's Paradox）に端的に表れている。人間にとって容易な歩行や空間把握は計算機にとって困難である一方、人間にとって高度とされるチェスは計算機にとって極めて容易である。マグヌス・カールセンはチェスの最高峰とされるが、客観的・計算論的な水準で見れば優れたチェスを指しているわけではなく、単に「人間という生物の制約下で上手い」に過ぎない。 また、「脳はチューリング完全であり、時間とメモリとデータがあれば計算可能なあらゆる関数を学習できる」という反論（Demis Hassabis や Elon Musk の主張）に対しても、有限な時間・メモリ・注意の制約下では、人間が扱える関数空間は全計算可能領域の極微な断片に過ぎず、普遍知能（Universal Intelligence）はおろか有意義な汎用知能とも呼べないと反論する。 ## AGI定義の分類と3つの失敗モード 既存のAGIおよび北極星（North Star）指標は、知能の源泉（DO: 実行性能 vs LEARN: 学習・適応速度）と対象タスクの範囲（Anything: 全計算可能領域 / Anything Important: 有用な領域 / Anything Humans Can Do: 人間可能領域 / Anything Important Humans Can Do: 人間可能かつ有用な領域）の2軸で整理できる（図1）。 ![[wiki/sources/_attachments/arxiv-2602.23643/fig01-semantic-map-agi-definitions.png]] 既存の定義群は以下の3類型に分類される： 1. **Adaptive Generalists（適応型ジェネラリスト）**: 開かれた環境での学習効率と汎化を重視（Legg & Hutter 2007, Chollet 2019, Xu 2024）。 2. **Cognitive Mirrors（認知的鏡）**: 人間水準の認知能力を網羅的に模倣（Hendrycks et al. 2025, Morris et al. 2023, Wozniak 2010）。 3. **Economic Engines（経済的エンジン）**: 人間が従事する経済的に価値ある労働の代替（Nilsson 2005, OpenAI 2018）。 著述者らは、北極星指標が備えるべき要件として「実現可能性（Feasibility）」「内的整合性（Internal Consistency）」「評価可能性（Assessability）」の3条件を提示し、既存定義はいずれかの欠陥（Failure mode）により破綻していると指摘する（表1）。 | AGIの定義 | 失敗モード | 説明 | |---|---|---| | 「教育を受けた成人の認知的多様性と熟達度に匹敵または凌駕する」（Hendrycks et al., 2025） | 内的整合性の欠如（Not Consistent） | 人間の認知は有意義な意味で汎用的ではなく、この定義は不必要に狭い。 | | 「最も経済的価値のある仕事において人間を凌駕する自律システム」（Morris et al., 2024） | 内的整合性の欠如（Not Consistent） | 経済的価値を持つ一部の課題群に明示的に限定されており、明らかに「汎用」ではない。 | | 「人間が実行できるほぼあらゆる認知的課題を実行できるシステム」（Demis Hassabis / Mitchell, 2024） | 内的整合性の欠如（Not Consistent） | 人間への限定に加え、身体的・物理的タスク（移動等）を排除した「認知的課題」に限定されており汎用ではない。 | | 「システムが前提知識・経験・汎化難易度に対してタスク範囲で示すスキル獲得効率」（Chollet, 2019） | 内的整合性の欠如（Not Consistent） | Chollet自身が人間認知を「限定的な意味でのみ汎用的」と認めており、用語上の自己矛盾を抱える。 | | 「広範な汎用性（多様なタスクの実行）と高水準の性能（人間水準以上）を実証するシステム」（Morris et al., 2024） | 実現不可能性（Not Feasible） | 適応速度ではなく直接の網羅的性能（DO）を重視しており、有限のリソース下では物理的に実現できない。 | | 「広範な環境において目標を達成するエージェントの能力」（Legg & Hutter, 2007） | 実現不可能性（Not Feasible） | 対象環境を全計算可能空間と定義しているが、有限リソース下で全空間への高適応はNo Free Lunch定理により不可能。 | | 「最も経済的価値のある仕事において人間を凌駕する自律システム」（OpenAI） | 評価不可能性（Not Assessable） | 実行性能（DO）に主眼を置くため、評価には絶えず拡大し続ける際限のないベンチマーク群が必要となる。 | 特に、全計算可能問題を対象とする普遍的汎用性はNo Free Lunch（NFL）定理により不可能である。有限のエネルギーと計算資源の下では、有限のタスク群に資源を集中投下するシステムが、無限の課題空間に希釈するシステムを必ず圧倒する。 ## 特化（Specialization）の優位性とタスク空間の構造 生態学において、あらゆる環境に適応した単一の「完全なジェネラリスト」は存在せず、局所的な適応度景観に鋭敏に特化した生物が選択される。組織論や経済市場でも同様の淘汰圧が働く。機械学習においても、性能向上にはターゲット分布に関する強い仮定が不可欠である。 マルチタスク学習は、タスク間で構造が共有されている場合は性能向上をもたらすが、表現容量の奪い合いや勾配の衝突が生じると「負の転移（negative transfer）」を引き起こし、個別タスクの性能を低下させる。巨大モデルがMoE（Mixture of Experts）などのルーティング機構を採用している事実は、均一な汎用パラメータではなく内部特化の積み重ねこそがスケーリングの本質であることを示している。 また、不確実性下の計画（Planning）問題は最悪計算量が爆発する（STRIPSやPOMDPの計算複雑性障壁）。汎用的な問題空間では計算量が破綻するが、対象環境と行動モデルを特化・限定することで、構造を利用して最悪計算量の爆発を回避できる。 蛋白質構造予測のAlphaFoldが典型例である。蛋白質フォールディングにアーキテクチャ・訓練・評価を徹底して特化させたことで科学的ブレークスルーが達成された。「蛋白質を折り畳み、同時に洗濯物を畳むAI」を作ろうとすれば、負の転移により専門特化モデルに性能で劣ることになる。 ![[wiki/sources/_attachments/arxiv-2602.23643/fig02-universal-task-space-overlap.png]] 図2が示すように、普遍タスク空間（Universal Task Space）全体の中で、人間ドメイン（Human Domain）とAIドメイン（AI Domain）は一部が重複（Shared Capabilities）しつつも、人間固有の領域とAI固有の領域が存在する。人間は進化的制約による認知的バイアスやヒューリスティクスを抱えており、高次元統計推論や厳格な最適化では誤りを犯しやすい。AIの真の価値は、人間認知が苦手とする領域を補完し、人間外の有用タスクを担う特化知能の実現にある。 なお、この主張はリチャード・サットンの「苦い教訓（The Bitter Lesson）」と矛盾しない。計算量でスケールする手法がドメイン知識に基づく人手工法を凌駕するという事実と、ドメインへの「特化」が有効であることは別問題である。モデルが蛋白質について直接的な事前知識を仮定しなくなっても、システムが蛋白質フォールディングというタスクに焦点を絞る優位性は揺るがない。 ## 提案手法: 超人的適応知能（SAI） 著述者らは、AGIに代わるAI研究の新たな北極星として「超人的適応知能（Superhuman Adaptable Intelligence: SAI）」を提案する。 > **SAIの定義**: 人間が実行できるあらゆるタスクにおいて人間を超えるよう適応可能であり、かつ人間ドメイン外の有用なタスクにも適応可能な知能。 > **SAIの測定指標**: エージェントが新たなスキルを獲得し、新たなタスクを学習するまでの「適応速度（Adaptation Speed）」。 SAIは、静的な能力リストのチェックボックス（DO）ではなく、未知のタスクに対する適応のダイナミクス（LEARN）を測定対象とする。これにより、全タスクの網羅という不可能な要件を回避し、工学的に検証可能な指標を提供する。 また、初期開発時の参考値として人間性能を見ることはあっても、評価基準を「人間水準」にアンカーすることは超人的能力への到達を阻害する。自己対戦、進化的探索、シミュレーション内探索により、模倣を介さずに超人的知能へ到達した AlphaZero などの事例がこれを示している。 ## 実現基盤: 自己教師あり学習と世界モデル SAIの実現には、特定の単一アーキテクチャ（「すべてを統べる一つのパラダイム」）ではなく、階層性と多様性を備えたモデル群が必要とされる。その中で極めて有望な構成要素として以下の2点が挙げられる： 1. **自己教師あり学習（Self-Supervised Learning: SSL）**: 大量のラベル付きデータに依存する教師あり学習は実世界適応のボトルネックとなる。SSLはデータ内部の構造を利用して汎用的な表現を獲得できる。 2. **潜在空間予測と世界モデル（World Models）**: 現在の主流である自己回帰型言語モデル（Autoregressive LLMs）は、次トークン予測の誤差が推論長の増大に伴って指数関数的に発散する（図3）。 ![[wiki/sources/_attachments/arxiv-2602.23643/fig03-autoregressive-model-divergence.png]] 正解回答のサブツリー（Subtree of correct answers）に対し、トークン列全体の空間は爆発的に広がり、1ステップの僅かな誤差が後続の生成を決定的に破綻させる。 物理世界において画素（ピクセル）は状態そのものではない。世界は確率的かつ過度に冗長であるため、画素復元やトークン復元ではなく、本質的なダイナミクスを捉えるコンパクトな潜在空間（embedding space）で予測を行うアーキテクチャ（Dreamer 4、Genie 2、JEPA: Joint Embedding Predictive Architecture）が不可欠である。世界モデルによる内部シミュレーションこそが、少数ショット・ゼロショットでの計画とタスク適応（SAI）を可能にする。 ## 考察と示唆: 研究の多様性と脱均質化 自己回帰型モデルへの過度な一極集中（均質化）は研究の探索空間を狭め、局所最適への収束を招いている。進歩を加速させるためには、解法の多様性を確保することが極めて重要である。 本論文の中心命題（Key Insight）は以下に集約される： > **「蛋白質を折り畳むAIは、洗濯物を畳むAIであってはならない！」（The AI that folds our proteins should not be the AI that folds our laundry!）** 有限の計算資源とエネルギーを、全知全能の幻想（AGI）ではなく、真に有用なドメイン特化型システムとその協調へ配分すべきである。自己教師あり学習、予測的世界モデル、モジュール型構成を軸に、人間模倣の忠実度ではなく新たな能力の獲得速度を基準に進捗を評価することが、AI研究を前進させる道である。 ## 関連 - [[AGI]] — 批判対象となった既存概念 - [[自己教師あり学習]] — SAIの主要基盤技術 - [[世界モデル]] — 内部シミュレーションと計画を担う機構 - [[強化学習]] — 模倣を超えた超人的探索 - [[Judah Goldfeder]] / [[Yann LeCun]] / [[Philippe Wyder]] / [[Ravid Shwartz-Ziv]] — 著者 - [[@2025__arXiv__A Definition of AGI]] — 論文内で批判的に検討された人間中心型AGI定義 ## 出典 - Judah Goldfeder, Philippe Wyder, Yann LeCun, Ravid Shwartz-Ziv, "AI Must Embrace Specialization via Superhuman Adaptable Intelligence", arXiv:2602.23643, 2026.