元ネタ https://youtu.be/k2ZLQC8P7dc?si=5CLmHDuHa82WW70C
一部音声が無音になりますがそのままお聞きください。
AI研究者のフランソワ・ショレ氏がAGI（汎用人工知能）の実現に向けた新たなアプローチについて語った対談をまとめたものです。氏は、現在の主流であるディープラーニングや大規模言語モデル（LLM）の限界を指摘し、データ効率と汎用性に優れた**「プログラム合成」に基づく新会社NDIAの構想を明かしています。また、AIの知能を測定する指標として自身が開発したARC-AGIベンチマークの進化に触れ、最新のV3では未知の環境におけるエージェント的知能を評価する重要性を説いています。さらに、2030年頃のAGI到達を予測し、AIの進歩を止めるのではなくいかに活用し乗りこなすかという前向きな視点を持つよう提言しています。結論として、AIの本質は記号的な圧縮による科学的手法のアルゴリズム化**にあり、人間のような効率的な学習の再現を目指すべきだと主張しています。
----
AGIは1万行のコードで書ける？ フランソワ・ショレが語る「スケーリング則」の先にある真実1. イントロダクション：私たちが直面しているAIの「壁」
現在のAIブームを牽引する大規模言語モデル（LLM）は、膨大な計算資源とデータを注ぎ込む「スケーリング則」によって驚異的な進化を遂げてきました。しかし、私たちは今、ある根本的な問いに直面しています。果たして、GPUを並べ、インターネット上の全データを学習させる「力技」の先に、真の汎用人工知能（AGI）は存在するのでしょうか？
Googleのシニアエンジニアであり、Kerasの生みの親、そしてAIの推論能力を厳格に測定する「ARC Prize」の創設者であるフランソワ・ショレ（François Chollet）氏は、この現状に冷徹な事実を突きつけています。「単なる規模の拡大だけでは、AGIには到達できない」と。
ショレ氏が見据えているのは、現在のGPU重力に縛られた開発競争の遥か先にある、知能の「最適性」です。本記事では、彼が新会社「NDIA」で挑むパラダイムシフトと、私たちが知能に対して抱いている幻想を打ち砕く衝撃の洞察を深掘りします。
ショレ氏は、現在のAI業界が陥っている最大の混同を指摘します。それは「自動化（Automation）」と「知能（Intelligence）」の混同です。現在のLLMスタックが優れているのは、既知のパターンを効率よく運用する「自動化」であり、それは本質的な知能とは異なります。
「私にとってAGIとは、人間と同じ程度の効率で、あらゆる新しい問題やドメインを理解し、モデル化し、習得できるシステムのことです」
ショレ氏の定義によれば、知能とは「持っているスキルの量」ではなく、未知の状況における**「スキルの獲得効率（学習効率）」**を指します。人間は、数回の試行錯誤で新しいゲームのルールを理解できますが、AIは何百万回もの学習データを必要とします。この「サンプル効率」の圧倒的な差こそが、現在のAIが流動的知能を欠いている決定的な証拠なのです。
分析/考察： この定義は、現在の「データこそが正義」という潮流への強力なアンチテーゼです。ショレ氏が突きつけるのは、どれだけ知識を詰め込んでも、それを未知の領域に応用する「エンジン」が貧弱であれば、それは単なる巨大なデータベースに過ぎないという事実です。
ショレ氏の洞察の中で最も刺激的なのは、AGIの本質は極めてシンプルであるという予測です。彼は「知能のエンジン」と「知識ベース」を明確に切り離して考えるべきだと主張します。
「後から振り返れば、AGIは1万行未満のコードであり、1980年代にその存在を知っていれば、当時のリソースでも実現可能だったことが判明するでしょう」
ここで言う1万行のコードとは、膨大な知識そのものではなく、知識を圧縮し、モデル化するための「知能のエンジン」を指します。知識ベース（データ）は依然として巨大である必要がありますが、それを制御する知能のコア自体は、1980年代のコンピュータでも動作するほど軽量なアルゴリズムであるはずだというのです。
分析/考察： 私たちは、知能というものを過度に神格化し、複雑に捉えすぎていたのかもしれません。もしこの予測が正しければ、数千億円を投じたGPUクラスターによる力技の競争は、知能そのものの開発という点では「遠回り」をしていることになります。真のブレイクスルーは、ハードウェアの暴力ではなく、数学的な優雅さを備えたアルゴリズムによってもたらされるでしょう。
現在のディープラーニング（勾配降下法による数値最適化）は、パターンを「曲線適合」させることには長けていますが、論理的なプログラムを自ら構築する能力には限界があります。ショレ氏の新会社「NDIA」は、現在の非効率なLLMスタックを改良するのではなく、「最適性（Optimality）へのリープフロッグ」、つまり、AIの基礎をゼロから再構築することを目指しています。
このアプローチの根幹にあるのは、**「最小記述長さ（MDL）の原理」**です。データを最も短く、シンプルに説明できるモデルこそが、最も高い汎用性と推論能力を持つという科学の本質（記号的圧縮）をAIに実装しようとしているのです。
AIが特定の分野で急速な進化を遂げる鍵は、「検証可能性」にあります。OpenAIのo1やo3といったモデルがARCベンチマークで飛躍的な進歩を見せたのは、ARCが「正解か否か」を即座に判定できる報酬信号を提供しているからです。
分析/考察： これは、AIが「自律的に賢くなれる領域」と「人間の手助けが必要な領域」の二極化が進むことを意味します。人間というボトルネックを排除し、AIが自力で学習サイクルを完結できる環境をいかに構築するかが、今後の知能開発の主戦場となるでしょう。
ショレ氏が提供するベンチマーク「ARC-AGI」は、最新のV3でさらに進化しました。もはや単なるパターン認識ではなく、**「エージェント的知能（Agentic Intelligence）」**を測定するステージへと移行しています。
「人間は初見のゲームでも数分でコツを掴むが、AIにはそれができない」。この絶望的なまでのギャップを数値化することこそが、AGIへの道筋を照らす光となります。
フランソワ・ショレ氏は、AGIの到達を**2030年代初頭（ARC V6またはV7のリリース時期）**と予測しています。技術の加速はもはや誰にも止められません。
しかし、彼は悲観論を否定します。AIに仕事が奪われることを恐れるのではなく、専門知識という武器を持ってAIを「エンパワーメントの道具」として活用するマインドセットを推奨しています。知能がコモディティ化する時代において、最も価値を持つのは、その知能を使って「何を成すべきか」を定義できる人間の意志です。
読者への問いかけ： 「もしAGIの正体が、私たちが40年間も見過ごしてきた『シンプルな1万行のコード』だったとしたら。私たちは知能というものを、あまりにも複雑に、そして高価に見積もりすぎていたのではないでしょうか？」
知能の正体が明かされるその瞬間、私たちは自分たちの「知性」の定義すらも書き換えることになるのかもしれません。
2. 「自動化」と「知能」は別物である：知能の本質的な定義3. 衝撃の予測：AGIは「1万行のコード」で実現できる？4. ディープラーニングの限界と「最適性へのリープフロッグ」5. 検証可能な報酬（Verifiable Reward）がAIの進化を左右する6. ARC-AGI V3：真の「エージェント的知能」を測る新たな物差し7. 結論：AIの波をどう乗りこなすべきか
