概要

DeepMindのCEOであるDemis Hassabisは、AGI（汎用人工知能）実現の次なる段階は純粋なスケーリングだけでは不十分であり、アルゴリズム的革新との両輪が不可欠であると主張する。同氏は現在のAI研究において埋めるべき4つの中核的ギャップを特定しており、2026年はそのうち「ワールドモデル」と「継続的学習」において信頼性ある初期プロトタイプが実現するブレイクスルー年と見なしている。この見通しは、大規模言語モデルの能力向上だけではAGIに到達できないという業界の共通認識を反映したものでもある。

AGI実現を阻む4つの課題

Hassabisが示すロードマップでは、以下の4分野が特に重要な研究課題として挙げられている。

  1. 継続的学習（Continual Learning） — 過去の学習を失うことなく、新たな経験から継続的に適応できるモデル。従来のAIは新タスクを学ぶ際に既存の知識を「忘却（Catastrophic Forgetting）」してしまう問題がある。

  2. 長期・階層的メモリ — 固定されたコンテキストウィンドウを超え、過去の経験を構造的に保持・活用できる永続的メモリ機構。

  3. ワールドモデル — 物理法則・因果関係・空間的関係を理解し、頭の中でシミュレーションを実行できるシステム。ロボティクスや科学的発見への応用が期待される。

  4. 高度な推論・計画 — 表面的なパターンマッチングにとどまらず、多段階にわたる論理的思考と長期的計画を実現する能力。

DeepMindの投資戦略と業界の動向

DeepMindはリソースの約50%を大規模スケーリングに、残り50%をアルゴリズム革新に配分しているとされる。スケーリングのみではAGI達成に不十分という判断がこの配分に表れており、両輪での開発を進める姿勢を明確にしている。

この方向性はDeepMind単独の見解ではない。MetaのYann LeCunをはじめとする研究者も、言語モデリング中心のアプローチから、メモリ拡張・世界シミュレーション駆動型のシステムへの移行を支持しており、業界全体でパラダイムシフトが進みつつある。

今後の展望

記事の分析では2027〜2028年に統一された基盤ワールドモデルへの収束が見込まれるとしており、Hassabis自身はAGIの実現を今後5〜10年（2030〜2035年頃）と見ている。2026年の継続的学習・ワールドモデルのプロトタイプが実用化への足がかりとなれば、ロボティクスや科学的発見における応用加速のペースが一段と上がると予想される。純粋なスケーリング競争から、アルゴリズムの質を競う段階へと移行しつつある現在のAI開発の方向性を端的に示すロードマップといえる。