AGI(汎用人工知能)とは？ASIやAIとの違いから今後の社会的影響を解説

AGI(汎用人工知能)とは？

AGI(Artificial General Intelligence：汎用人工知能)とは、あたかも人間のように多種多様なタスクや課題を理解し、解決の行動を取れる人工知能(AI)を指します。知能水準は人間と同等もしくはそれ以上とも言われており、自己学習を繰り返しながら成長していくAIです。

従来のAIは特定タスクの処理能力に特化していますが、AGIはさまざまな分野の専門知識を持ち、過去に経験したことのない状況にも柔軟に対応できる能力を持っています。

AGIはこれまでの世界に存在していなかった未知の技術であり、現段階では技術面・倫理面ともに多くの課題を抱えていますが、完全なAGIが実現すれば、科学や医療、経済などあらゆる分野で革命的な変化をもたらすと予想されています。

汎用的な能力

AGIの最大の特徴は、その高い汎用性にあります。特定のタスクだけでなく、医療診断から製品設計、教育支援、経営戦略の立案まで、さまざまな分野のタスクを横断的に処理できます。

一つの専門領域に縛られることなく、状況に応じて必要な知識やスキルを適用し、複雑な問題に対して包括的なアプローチを取ることができます。

学習能力

AGIは人間のように経験から学び、新しい知識を自律的に獲得する能力を持ちます。一度学んだ概念や原理を別の状況に応用する転移学習が可能で、少ないデータからでも効率的に学習できます。
また、過去の成功や失敗から継続的に自己改善を行い、時間とともに能力を向上させることができます。

意思決定能力

AGIは単にデータを処理するだけでなく、状況を理解し、目標を設定し、最適な行動を自律的に判断する能力を持ちます。複数の選択肢を評価し、不確実性の中でも合理的な判断を下すことができます。

さらに、倫理的な側面や長期的な影響も考慮した、人間的な意思決定が可能になると期待されています。

ASI(人工超知能)とは？

ASI(Artificial Super Intelligence：人工超知能)とは、人間の知能をはるかに上回る人工知能のことです。AGIをさらに進化させた次世代の知能であり、もし実現したら、人間のあらゆる知的能力を超越した存在となります。

ASIが求められる背景には、人類が直面する複雑で困難な課題の存在があります。気候変動、エネルギー問題、医療における難病の治療、宇宙探査など、人間の知能だけでは解決が困難な問題が山積しています。ASIは、これらの課題に対して人間では思いつかないような革新的な解決策を提示できる可能性があります。

また、科学技術の発展速度が加速する中で、より高度な知能による研究開発の推進が期待されています。ASIは新薬の開発、新素材の発見、物理学や数学における新たな理論の構築など、科学のあらゆる分野でブレークスルーをもたらす可能性を秘めています。

しかし、ASIの実現には、制御の問題や倫理的課題など、解決すべき重要な問題も多く存在します。人間を超える知能をどのように安全に管理し、人類の利益に沿って活用するかは、今後の大きな課題となるでしょう。

AGIと既存のAIとASIとの違い

AGIを既存のAI、ASIとどのように違うのかをまとめました。

従来型のAIとの違い

既存の従来型AIは人間の指示に従ってタスクをこなし、特定の目的を解決するために設計されています。例えば画像認識や音声認識など「単一のタスク」を高い精度でこなせますが、それ以外のタスクには対応できません。

しかし、AGIは人間のように幅広い知識とスキルを持ち、自身の判断でさまざまなタスクをこなすことが可能です。過去の経験によって自主的に学習を重ね、異なる種類のタスクを柔軟にこなし、学習や推論を行えるのが特徴です。

AGIと従来型のAIはそれぞれ「強いAI」と「弱いAI」に分類することができます。

AGIが分類される「強いAI」とは、さまざまなタスクを人間のように理解し、自己判断で柔軟に対応できる能力を有しているAIを指します。

一方、従来型のAIが分類される「弱いAI」は、人間の指示に従って特定のタスクを処理することに特化したAIであり、決められたタスク以外では機能を発揮できないのが一般的です。

	強いAI(AGI)	弱いAI(従来のAI)
処理できるタスク	あらゆる分野のタスク	特定の分野のみ
活躍する場所	物理的な場所(人間が暮らす世界)を含むさまざまな場所	特定のタスクを処理するための一箇所
学習方法	AI自身が自己学習する	人間がAIに学習データを与える

上記のように、AGIは「強いAI」に分類され、自己学習により未知のタスクにも柔軟に適応できます。AGIの実現は、AI技術の未来を大きく変える可能性を秘めています。

ASIとの違い

ASIは人間の知能をはるかに超えるよう設計され、未知のタスクも解決できるようになると言われています。ASIがもし登場した場合、「シンギュラリティ(技術的特異点)」が起こる可能性も指摘されています。

タスク処理能力
AGIは人間と同等レベルでタスクを処理しますが、ASIは人間を遥かに超える速度と精度でタスクを実行します。複数の複雑なタスクを同時並行で処理し、人間が数年かかる問題を数秒で解決できる可能性があります。

学習能力
AGIは人間のように経験から学習しますが、ASIは指数関数的な速度で学習し、自己改善を繰り返します。一度学習したことを完璧に記憶し、それを瞬時に応用できるため、学習効率は人間やAGIとは比較になりません。

柔軟性
AGIは新しい状況に適応できますが、ASIは人間が想像もしなかった方法で問題を解決する創造性を持ちます。既存の概念にとらわれない、革新的なアプローチを生み出す能力があります。

自己進化
AGIは段階的に自己改善を行いますが、ASIは「知能爆発」と呼ばれる急速な自己進化を遂げる可能性があります。自らをより優れたバージョンにアップグレードし続けることで、短期間で人類の理解を超えた存在になる可能性が指摘されています。

AGIが持つ4つの特徴

AGIには、従来のAIにはない独自の特徴があります。ここでは代表的な4つの特徴について詳しく見ていきましょう。

1. 人間と同等レベルの知的処理能力

高度な言語理解能力を持つAGIは、人間と自然に対話し、コミュニケーションを取ることができます。文脈理解や感情を伴った応答の生成が可能で、単なる情報のやり取りを超えた深いコミュニケーションが実現可能です。

AGIは会話の流れを理解し、相手の意図や背景にある感情を汲み取り、比喩や皮肉、ユーモアといった人間特有の表現も理解し、状況に応じて適切に応答します。また、専門的な議論から日常的な雑談まで、幅広いコミュニケーションスタイルに対応が可能です。

複雑な問題に対しても論理的な推論を行い、創造的な解決策を提案することができます。人間の専門家と同等レベルの判断力を持ち、ビジネスの意思決定や科学的な分析をサポートできるでしょう。

AGIの先に位置付けられる「ASI」は、人間を超える知的能力を持ち、単に会話を理解するだけでなく、人間の意図を先読みし、最適な行動を提案する知的な存在へと進化するかもしれません。人間が気づかない問題点を発見したり、予測不可能な未来のシナリオを提示したりする能力を持つ可能性があります。

2.複数分野を横断した課題解決

AGIは、人間と同等またはそれ以上の適応力や柔軟性を持つため、異なるタスクを横断しての自律的な対応が可能です。

例えば、経済や医療、教育などの異なる分野の知識を統合し、複雑な課題に対して創造的な解決策を導き出せます。医療分野での診断経験を製造業の品質管理に応用したり、金融分析の手法を教育効果の測定に活用したりするなど、従来の専門分野の枠を超えた問題解決が可能になります。

ビジネスにおいては、市場分析、製品開発、人事戦略、財務計画といった複数の領域を統合的に理解し、企業全体を俯瞰した意思決定をサポートできます。一つの部門の最適化だけでなく、組織全体のシナジーを考慮した提案が可能になるのです。

この能力の延長線上にASIがあります。ASIは、人間を超えた速度と精度で知識を統合し、人類の知能を凌駕する総合的な判断力を発揮できると期待されています。複数の産業や学問分野を同時に革新し、人類が何世紀もかけて解決できなかった問題に対する答えを見出す可能性があります。

3. 転移学習による自己学習

転移学習とは、ある分野で得た知識を他の分野に応用する学習方法です。人間が自転車の乗り方を学ぶと、その経験がオートバイやスクーターの操作にも役立つように、AGIも一つの領域で獲得した知識やスキルを別の領域に転用できます。

AGIでは、転移学習によって一度得た経験や知識を新しい課題に適用し、自己改善を繰り返せるようになります。例えば、画像認識で学んだパターン認識の原理を、音声認識やテキスト分析にも応用できます。これにより、すべてのタスクをゼロから学習する必要がなく、効率的に能力を拡張できるでしょう。

自己学習型の知識獲得は、人間が経験を通じて学んで成長するプロセスに類似しており、AGIの継続的な知能進化の実現の鍵です。時間とともに学習効率が向上し、新しいタスクへの適応が速くなっていきます。また、失敗からも学習し、同じ過ちを繰り返さないように自己修正する能力もあります。

この自己学習能力により、AGIは導入後も継続的に進化し、変化するビジネス環境や新しい課題に対して常に最適なパフォーマンスを発揮できるようになります。

4. 抽象的思考の理解

抽象的思考は、具体的な事象から共通点や本質を見出し、概念化や一般化する能力を指します。例えば、様々な形状や素材の「椅子」を見て、それらすべてが「座るための家具」という抽象概念に属すると理解する能力です。

抽象的な思考を理解できるようになると、より人間的な知的活動が可能です。単なるデータ処理を超えて、物事の本質を捉え、一般原則を導き出し、それを新しい状況に適用できるようになります。

類推による問題解決も可能になり、過去の異なる状況での経験を抽象化し、新しい問題に応用することで、前例のない課題にも効果的に対処できます。これにより、AGIはマニュアルに書かれていない状況でも、本質を理解した上で適切な判断を下せるようになるでしょう。

AGIを構成する要素技術

AGIを構成する上で中心となるのは「機械学習」「認知アーキテクチャ」「認知ロボティクス」の3つの要素です。

機械学習

機械学習は、大量のデータからパターンを学習し、明示的にプログラムされなくても判断や予測が可能な技術です。従来のプログラミングでは、すべてのルールを人間が記述する必要がありましたが、機械学習ではコンピュータ自身がデータから規則性を発見します。

機械学習には、教師あり学習、教師なし学習、強化学習などの手法があり、それぞれ異なる種類の問題に適用されます。近年では、深層学習(ディープラーニング)の発展により、画像認識、音声認識、自然言語処理などの分野で飛躍的な進歩が見られています。

AGIは、単一タスクに特化した機械学習を超えて、新しいタスクや未知の状況にも柔軟な対応ができる学習能力が求められます。従来の機械学習が「一つのタスクを高精度で実行する」ことを目指すのに対し、AGIでは「多様なタスクを横断的に学習し、知識を転移させる」ことが重要になります。

機械学習はAGIの学習メカニズムの基盤となり、データから知識を獲得し、経験から学ぶ能力を提供します。AGIが自己改善を繰り返し、継続的に能力を向上させるためには、高度な機械学習技術が不可欠です。

認知アーキテクチャ

AGIを構成する認知アーキテクチャとは、思考や記憶、意思決定といった人間の知的行動をモデル化したシステム設計の枠組みです。人間の脳の構造や認知プロセスを参考に、知能システムの全体的な構造を定義します。

代表的な認知アーキテクチャには、ACT-R(Adaptive Control of Thought-Rational)、SOAR、CLARIONなどがあり、それぞれ異なるアプローチで人間の認知をモデル化しています。これらのアーキテクチャは、知覚、注意、記憶、学習、推論、意思決定といった複数の認知機能をどのように統合するかを定義します。

AGIは認知的プロセスを再現することが目的で、認知アーキテクチャは、人間的な思考フレームを与える基盤技術としての役割を果たします。例えば、論理的推論や感情的判断、記憶の使い分けといった、人間が無意識に行っている複雑な認知プロセスをAGIに実装するための設計図となります。

認知アーキテクチャにより、AGIは単なるデータ処理システムではなく、人間のように状況を理解し、過去の経験を参照し、将来を予測し、目標に向かって行動する統合的な知能システムとなります。

認知ロボティクス

認知ロボティクスは、ロボットに知覚・推論・意思決定・学習などの認知機能を持たせる研究領域です。行動を通じて情報を獲得し、試行錯誤を重ねながら知的行動を発展させます。物体を認識し、状況に応じて行動を変化させるロボットをイメージするとわかりやすいでしょう。

認知ロボティクスでは、センサーによる環境認識、運動制御、物体操作、ナビゲーションなど、物理世界との相互作用に関する技術が研究されています。また、身体性認知(Embodied Cognition)という考え方に基づき、身体と環境との相互作用が知能の発達に重要な役割を果たすという視点が重視されています。

現実世界で自律的に思考や行動するためには、AGIにとって認知ロボティクスの技術は欠かせません。外部環境と相互に作用しながら学習する知能体として実現するための身体性を担保する技術であるからです。

人間の知能は、見る、聞く、触れる、動くといった身体的な経験を通じて発達します。同様に、AGIが真に汎用的な知能を獲得するためには、物理世界での経験と学習が重要だと考えられています。認知ロボティクスは、AGIに実世界での行動能力と経験的学習の機会を提供し、より豊かで実用的な知能の創発を可能にします。

AGIが生み出されるまでに研究された技術

AGIが生み出されるまでに研究された技術には、「生成AI」「自然言語処理」があります。

生成AI(Generative AI)

生成AIは、膨大なデータをもとに新しいテキストや画像、音声、映像などを生成するAI技術です。テキスト生成のChatGPTの登場によって、生成AIは一般にも広く知られるようになりました。確率的言語モデルや拡散モデルなどを活用して、人間のような創造的思考を実現しています。

生成AIの代表例には、テキスト生成のGPTシリーズ、画像生成のStable DiffusionやMidjourney、音声生成のElevenLabsなどがあります。これらのシステムは、学習データのパターンを理解し、それに基づいて新しいコンテンツを創造する能力を持っています。

生成AIは、AGI実現の前段階である「言語理解、知的生成能力」を強化する役割を果たしています。大規模言語モデル(LLM)は、膨大な知識を統合・再構築し、柔軟に文章や質問への回答を生成する能力を持つため、AGIの知識処理・推論・創造性の土台とされています。

特にGPT-4のような大規模言語モデルは、多様なタスクに対応できる汎用性、文脈理解能力、推論能力などが飛躍的に向上しており、AGI実現への重要なマイルストーンとなっています。生成AIの技術進歩は、AGIが創造的思考や複雑な問題解決を行うための基礎を築いているのです。

【関連記事】
生成AIとは？AI、ChatGPTとの違いや仕組み・種類・ビジネス活用事例

自然言語処理(Natural Language Processing)

自然言語処理は、人間の言語(自然言語)をコンピュータが理解し、解析や生成できるようにする技術です。文法解析・感情分析・意味理解・対話生成などの多岐にわたる分野であり、生成AIも自然言語処理の発展形といえます。

自然言語処理の技術には、形態素解析、構文解析、意味解析、談話理解など、言語の様々な側面を扱う手法が含まれます。近年では、Transformerモデルの登場により、文脈を深く理解する能力が大幅に向上しました。

AGIにとって、自然言語によるコミュニケーションは不可欠です。自然言語処理はAGIが人間と同等の言語理解や会話能力を備えるための技術で、思考を表現するための機能としても重要です。

言語は人間の知識を表現し、伝達する主要な手段です。AGIが膨大な人類の知識にアクセスし、それを理解し、活用するためには、高度な自然言語処理能力が必須となります。また、人間とのコミュニケーションを通じて新しい知識を獲得したり、複雑な指示を理解して実行したりするためにも、自然言語処理技術は中核的な役割を果たします。

【関連記事】
【前編】自然言語処理技術を用いた「テキストデータ」のビジネス活用の現在地

AGIが可能とする業界別の応用例

AGIの実現により、様々な業界で革新的な変化が期待されています。ここでは代表的な3つの業界における具体的な応用例を見ていきましょう。

1. 医療業界で期待される役割

医療業界では、AGIによる診断精度の向上と治療計画の最適化が期待されています。

AGIは患者の診断データから症状に応じた最適な治療法を提案できます。血液検査、画像診断、遺伝情報、生活習慣、既往歴など、多様なデータを統合的に分析し、個々の患者に最適化された治療プランを提示します。従来のAIが特定の画像診断に特化していたのに対し、AGIは複数の情報源を横断的に活用できるのが強みです。

また、過去の症例や最新の研究成果などの膨大な情報を瞬時に参照できるため、医師の判断を支えるサポートとして機能します。稀少疾患や複雑な症例においても、世界中の医学文献から関連情報を抽出し、エビデンスに基づいた診断支援が可能になります。

さらに、医療体制の最適化、業務の効率化、病院運営の改善にも貢献できる期待があります。患者の予約管理、ベッドの稼働率最適化、スタッフのシフト調整、医薬品の在庫管理など、病院全体の運営を統合的に最適化することで、医療サービスの質を向上させつつコストを削減できる可能性があります。

2. 製造研究開発で期待される役割

製造業において、特に研究開発部門ではイノベーションの加速や効率化をもたらすと期待されています。

AGIは製品設計、材料選択、製造プロセスの最適化を統合的に行えます。例えば、自動車産業では、安全性、燃費、デザイン、環境負荷、コストなどの複数の制約条件を同時に考慮した最適設計を提案可能です。

新素材の開発においても活用が期待されており、試行錯誤に頼った部分の大きい新素材の開発プロセスでは、理論的予測とシミュレーションによって大幅な加速が可能です。

研究開発は膨大な科学分析をして新たな研究の方向性や有望な仮説を提案できるでしょう。複数の分野にまたがった研究でのブレークスルーにつながる発見があるかもしれません。

【関連記事】
世界の製造業の進化を実感：Hannover Messe 2025参加レポート

3. 教育分野で期待される役割

教育分野では個別最適化された学習体験のサポートが期待されています。従来のような画一的な教育や研修ではなく、個人の特性に合わせたオーダーメイド型が可能です。例えば、一人ひとりのスキル、学習履歴などを分析し、最適な教育プランを自動生成します。これにより、学習効率向上と教育格差解消が実現します。

さらに、リアルタイムでのフィードバックや評価が可能です。生徒が問題を解く過程を分析し、間違いの原因を特定して、その場で適切なヒントや追加説明を提供できるようになります。また、教師の負担軽減にも貢献し、採点や出席管理などの事務作業は自動化し、アシスタントとして機能するでしょう。

AGIが社会に与える影響

AGIの台頭によって、社会に与える影響は大きくさまざまな変化が現れると予想されています。

生まれ変わる仕事が出てくる

AGIの台頭により、従来の職種の中で大きく性質が変化し、生まれ変わる仕事が出てくると考えられます。

例えば、製造業においてはAGIを活用して設計や生産プロセスが大幅に変革したり、医療分野ではロボットが診断や治療計画の策定を助けるための、新たな職種が登場したりする可能性があります。

AGIがタスクの処理をメインで担当するようになると、人間側は「AGIを監視・管理・調整する仕事」が増えると予想されます。この変化に伴い、データ分析やバックエンドなどの知識が今よりも強く求められるようになり、人間に求められる役割が大きく変わる可能性があります。

従来より地位が高まる職種が登場する

AGIの台頭によって、従来より地位が高まる職種も登場するでしょう。特に、AIシステムを人間が使いやすい形に適応させるトレーニングを行うAIトレーナー、AIモデルの公平性、説明可能性や正確性等や、AIモデルが継続的に維持管理、活用されていくための態勢を評価するAI評価スペシャリスト、企業や政府機関がAIを適切かつ倫理的に利用できるようガイドラインやポリシーの策定支援を行うAIエチックスコンサルタントなどの職種が今よりも急速に発展し、重要な役割を担う可能性があります。

これらの職業は、AIの学習や運用、倫理面に配慮した運用管理などを担当し、人間とAIが協力して作業を進める上で欠かせない存在となります。

特にAIが公正で倫理的な方法で動作するように監視し、調整するAIエチックスの分野は、AIが当たり前に世の中にある未来が訪れることを考えると、非常に重要な立場を担います。

AGIを前提とした働き方に見直される

AGIの台頭によって、従来より地位が高まる職種も登場するでしょう。特に、AIシステムを人間が使いやすい形に適応させるトレーニングを行うAIトレーナー、AIモデルの公平性、説明可能性や正確性等や、AIモデルが継続的に維持管理、活用されていくための態勢を評価するAI評価スペシャリスト、企業や政府機関がAIを適切かつ倫理的に利用できるようガイドラインやポリシーの策定支援を行うAIエチックスコンサルタントなどの職種が今よりも急速に発展し、重要な役割を担う可能性があります。

これらの職業は、AIの学習や運用、倫理面に配慮した運用管理などを担当し、人間とAIが協力して作業を進める上で欠かせない存在となります。

特にAIが公正で倫理的な方法で動作するように監視し、調整するAIエチックスの分野は、AIが当たり前に世の中にある未来が訪れることを考えると、非常に重要な立場を担います。

法律面が整備される

AGIの普及に伴い、法律面での整備が急務となります。データプライバシー、知的財産、労働法など、多岐にわたる分野で新たな法律や規制が必要とされます。現在でもAI利用に関する法整備が各国で議論されていますが、AGIが登場すると、さらに複雑なルールの運用が不可欠になると考えられます。

特にデータの利用と保護に関しては、個人のプライバシーを保ちつつ、AGIの発展を妨げないようなバランスが求められるでしょう。

また、AGIの登場によって失業や職種の変化に直面した人に対する、社会保障の問題も今後出てくると予想されています。政府はAGIの登場に伴う変化に迅速に対応し、安定的に国を運営していけるような法律・規制の整備を進める必要があります。

AGIによる懸念されるリスク

AGIの台頭は、社会にさまざまなメリットをもたらす一方で、いくつかの社会的課題や懸念を引き起こすリスクがあります。

2045年問題

2045年問題とは、シンギュラリティに伴って引き起こされる可能性がある諸問題のことです。2025年現在、シンギュラリティが訪れるのは2045年であると予測されており、このことから「2045年問題」と呼ばれています。

2045年問題においては、AIの劇的な発展によって自動化が進み、多くの職業が失われる可能性があります。現在の労働形態は大きく変化し、教育や職業訓練のシステムも根本的な見直しが求められるでしょう。

ただし、AIの進化速度は人間の適応速度を上回る可能性が高く、2045年よりも前にシンギュラリティに到達する可能性もあります。そのため、速やかに社会全体がAIありきの生き方に適応し、準備を進める必要があります。

機密情報漏えい

AGIは高度な情報処理能力を有し、大量の個人情報や企業データを処理できますが、不正利用やサイバー攻撃のリスクを伴います。機密情報の流出やプライバシーの侵害は、企業にとって甚大な損失を招く可能性があります。

リスクを回避するためには、技術的なセキュリティ対策に加え、法的なガイドラインの整備や運用ポリシーの見直しが必要です。情報の取り扱いにおける透明性と安全性を確保するための仕組み構築が求められます。

【関連記事】
【シリーズ】データガバナンスがもたらすもの－第10回　改めてデータガバナンスとは　データマネジメントとの対比を中心に

責任の所在

AGIは高度な処理能力を備え、自律的に複雑な判断を下せます。しかし、判断プロセスは理解しにくく、なぜその結論へと至ったか説明できない「ブラックボックス化」となる可能性があります。

ブラックスボックス化の状態で、経営判断や業務にAGIを用いた場合、ミスやトラブルが発生した際には責任の所在はどこにあるかが問題となるでしょう。

AGIの判断プロセスを可能な限り透明化し、説明可能性の確保が重要です。なぜそのような判断に至ったのかを人間が理解できる形で説明できるAGIの開発が求められます。

また、法的枠組みの整備も急務です。AGIの利用における責任分担を明確にし、開発者、運用者、利用者それぞれの責任範囲を法律で定義する必要があります。

制御不能の可能性

最も深刻なリスクは、AGIが自己改善を繰り返し、人間の知能を遥かに超えたASIに進化し、その目的が人類の価値観と乖離してしまうことです。

AGIが人類の利益に反する目的を持った場合、人間がそのシステムの電源を切ることすら困難になる可能性があり、人類の制御下から完全に逸脱する「生存リスク」が指摘されています。

専門家は、AGI開発の初期段階から、AIの目的を人類の価値観に合わせる研究を最優先課題とすることで、このリスクの回避を目指しています。

まとめ｜AGIがもたらす未来をどう捉えるか

AGIは、従来型のAIの進化形として、社会・産業・個人のあり方を再構築し、人間の生活を根底から変革する可能性を秘めています。

一方で、倫理や法整備などの課題も残されており、「技術の進化」と「人間社会の適応」が同時に求められます。

今後、AGIの開発競争は激化し、早ければ数年以内に登場する可能性もあります。

そのとき、私たちは「AIと共存する社会」にどう向き合うかを問われることになるでしょう。

Q1. AGIはいつ実現されると予測されているのか？

AGI(Artificial General Intelligence：汎用人工知能)がいつ実現するかの時期については専門家の間でも意見が大きくわかれています。一つの目安として、多くの専門家が2030年前後ではないかと予測しています。

ただ、ソフトバンクグループの孫正義会長兼社長は「2〜3年後」と予測し、イーロン・マスク氏は「2025年か26年にも登場する」と言及するなど、近い将来の実現を予測する声もあります。一方で、より慎重な専門家は2040年代以降になると考えています。

Q2. なぜ専門家間でAGIの議論に見解の割れがあるのか？

議論に見解の割れがある理由は、「AGI」の定義の曖昧さ、技術的ブレークスルーが予測しづらいこと、哲学的な問題などさまざまな相違点があるためです。

AGIの実現時期やリスクに関する見解の相違は、主に以下の要因に基づいています。

Q3. AGIとLLMはどう異なるのか？

LLMは与えられた入力に対して答える「道具」的モデルに近いが、AGI は、自律的に学び、状況判断し、適応できる。LLMは言語特化だが、AGIは汎用知能です。