Google DeepMindの研究者らは2026年6月10日、論文「From AGI to ASI」をarXivで公開した。同論文では、人間レベルの汎用人工知能（AGI）から、人間の専門家集団を広範な領域で上回る人工汎用超知能（ASI）へと発展する可能性のある4つの経路を整理している。これには計算資源やモデルの能力を高めるスケーリング、新しいアーキテクチャや学習手法によるパラダイムシフト、AIによるAI研究開発の加速を指す再帰的改善、そして多数のAIが連携し市場のような構造を作るマルチエージェント化が含まれる。

論文の著者らは、ASIの到来時期や進歩のあり方には大きな不確実性が存在すると指摘する。そのため、FLOPあたりのコストや計算効率、経済生産性といった定量的な指標を用いて、予測モデルを継続的に更新していく研究の重要性を強調した。これらの測定指標はフロンティアAI企業にとって計算資源投資や安全性評価の判断基準となり、公的機関にとっては規制やインフラ整備の前提となる。

現在主流の人間基準のベンチマークについては、AIが人間専門家の能力を超えた際に頭打ちとなる限界があるとしている。そのため、今後はAI同士を競わせるマルチエージェント型の評価手法や、経済生産性などの間接指標といった、人間を超えた領域での能力差を計測する仕組みが不可欠となる。AI開発を抽象的な未来論から測定可能な研究課題へと変えることが、今後の進歩を把握する鍵となる。

Google DeepMindの研究者らは2026年6月10日、論文「From AGI to ASI」をarXivで公開した。同論文では、人間レベルの汎用人工知能（AGI）から、人間の専門家集団を広範な領域で上回る人工汎用超知能（ASI）へと発展する可能性のある4つの経路を整理している。これには計算資源やモデルの能力を高めるスケーリング、新しいアーキテクチャや学習手法によるパラダイムシフト、AIによるAI研究開発の加速を指す再帰的改善、そして多数のAIが連携し市場のような構造を作るマルチエージェント化が含まれる。

論文の著者らは、ASIの到来時期や進歩のあり方には大きな不確実性が存在すると指摘する。そのため、FLOPあたりのコストや計算効率、経済生産性といった定量的な指標を用いて、予測モデルを継続的に更新していく研究の重要性を強調した。これらの測定指標はフロンティアAI企業にとって計算資源投資や安全性評価の判断基準となり、公的機関にとっては規制やインフラ整備の前提となる。

現在主流の人間基準のベンチマークについては、AIが人間専門家の能力を超えた際に頭打ちとなる限界があるとしている。そのため、今後はAI同士を競わせるマルチエージェント型の評価手法や、経済生産性などの間接指標といった、人間を超えた領域での能力差を計測する仕組みが不可欠となる。AI開発を抽象的な未来論から測定可能な研究課題へと変えることが、今後の進歩を把握する鍵となる。