AIはどこで人間を超えたのか——数学、運転、ロボット、少ない経験で学ぶ力(AIの知能に上限はあるのか・後編)

いまのAIは、どの分野で人間を超え、どの分野で超えていないのか。少ない経験から学ぶ力は、AIが自分を改良し続ければ手に入るのか。物理の世界ではどうか。この記事は、筆者がAIアシスタントと交わした対話をもとに問いを整理し直したQ&Aの後編で、問い6〜8を扱います。物理法則が決める計算の上限と、改良が頭打ちになる条件(問い1〜5)は、前編で扱いました。答えに使った数字は、論文と研究機関・企業の一次発表で確かめ直しました。数か月で入れ替わる数字が多いので、2026年10月4日時点のものとして読んでください。

Q6. いまのAIは、どこで人間を超え、どこで超えていないのか

分野ごとに大きくばらついています。多くはベンチマークや競技での比較で、実際の仕事の能力とは一致しないこともあります。

最も優れた人間に並ぶか、超えつつあるもの。2025年の国際数学オリンピックでは、Google DeepMindのGeminiが大会の採点者に正式に採点され、6問中5問を解いて42点中35点の金メダル水準に達しました。同じ年の国際大学対抗プログラミングコンテスト(ICPC)の世界大会でも、Geminiは金メダル水準の成績で、どの大学チームも解けなかった問題を30分で解いています。物理の世界では、チューリッヒ大学のSwiftが2023年、ドローンレースの世界チャンピオン3人と対戦して25レース中15レースに勝ち、最速の記録を人間の最高より0.5秒縮めました。

平均的な人間を超え、専門家に近づいているもの。OpenAIのGDPvalは、平均14年の経験を持つ専門家の実際の仕事を課題にした評価です。2025年10月の論文では、最も良かったClaude Opus 4.1の成果物が、専門家の成果物と比べて47.6%で同等以上と判定されました。ただ、速さの見え方には注意が要ります。GPT-5は、作業時間だけ比べれば専門家の約90倍速いのですが、人が結果を確かめ、だめなら自分でやり直す時間まで含めると、速さの得は約1.1〜1.4倍に縮みます。ソフトウェア開発では、非営利団体METRの測定で、Claude Mythos Previewの初期版が、熟練者が16時間以上かかる作業を50%の成功率でこなせると推定されました(95%の信頼区間は8.5〜55時間。METRは、16時間を超える測定は今の課題集では信頼できないと注記しています)。成功率80%で見ると4時間未満に下がります。自動運転では、Waymoが2026年6月までの約2億7000万マイルの無人走行で、けがを伴う事故が人間の運転より82%少なかったと報告しています。米国道路安全保険協会(IIHS)の独立した調査でも、2021〜2024年の事故率は人間より68%低い結果でした(オースティンでは少ないサンプルながら4%高い)。ただし運行は決まった地域に限られます。

平均的な人間に及ばないもの。頭の中で図形を回す、紙を折るといった空間・視覚の推論では、人間向けの認知テストを使った評価で、39のモデル中最高のGemini 3.1 Proでも54.0%で、大学生の78.8%に及びませんでした。物理の世界では、手の器用さが大きな課題です。視覚・言語・行動を結ぶロボットAIの総説は、人の手に近い器用さのロボットハンドがまだ遠いこと、つかむ道具の多くが単純なグリッパーであること、全面を覆う繊細な触覚センサーがないことを挙げています。想定外への対応も弱く、Swiftは衝突から立て直す訓練を受けておらず、照明などで見た目が訓練時と変わると失敗しうる、と論文自身が書いています。

Q7. 少ない経験から学ぶ力は、自己改良や「全部を学ぶ」ことで手に入るのか

この半年で、ベンチマーク上の差は急速に縮まりました。2026年3月に公開されたARC-AGI-3は、説明なしで未知のゲームのルールを探り当てて解く課題で、採点は人間と比べた行動の効率です。公開時点では、人間が全ての環境を解けたのに対し、最先端のAIは1%未満でした。ところが9月末、ARC Prizeが検証したGPT-6.1 Solのスコアは、標準の実行環境(ハーネス)で52.7%、OpenAI独自のハーネスでは約96%でした。OpenAIはGPT-6 Astraで99.9%と発表しています。この記事のもとになった対話でも、はじめは3月時点の数字で答え、9月末の結果を見て訂正しました。数か月で入れ替わる分野です。

ただし但し書きがあります。ハーネス(AIがゲームとやりとりするための外側の仕組み)によって結果は大きく変わります。また、公開版のゲームで外部の研究者がGPT-5.6 Solを使って全問を解いた論文は、このモデルが公開版のゲームより後に出たため、結果は「公開版が飽和した」とだけ読むべきだと書いています。ARC-AGI-3の作者たちも、公開の25環境は易しめの見本で、汎化を主張するには非公開の課題を使うべきだとしています。

自己改良については、すでに小さな形で起きています。Google DeepMindのAlphaEvolveは、Geminiの学習で使う計算の部品を23%速くし、学習時間全体を1%縮めました。AlphaEvolve自身もGeminiで動いているので、自分の土台の学習を改良したことになります。ダーウィン・ゲーデル・マシンは、自分のコードを書き換えることで、実在のソフトウェアの不具合修正課題(SWE-bench)の成功率を20%から50%に上げました。ただ、見つけた改良の中身は、コード編集の道具や長い文脈の扱い方などです。どちらも「機械で採点できる目標」があって初めて回る仕組みで、ARC-AGI-3の急速な進歩も、学ぶ効率を採点できる形にした直後に起きています。

「起こりうる全ての場面を学ぶ」は、文字どおりには不可能です。前編で見たとおり、囲碁の局面だけで宇宙の情報容量を超えます。ARC課題の考案者ショレは2019年、事前知識や訓練データを無制限に使えば、どんな技能も「買える」ので、技能の高さだけでは知能を測れないと論じ、知能を「新しい技能を身につける効率」と定義しました。ARC-AGI-3も、人間が生まれつき持つ「コア知識」(物の存在、数、空間など)だけで解けるように作られています。人間が少ない経験で学べるのは、進化が積み上げた事前知識の上に乗っているからです。全てを個別に覚えるのではなく、世界の構造を学ぶことで少ない経験から学ぶ力が生まれる。大規模な事前学習は、その「進化の代わり」をしていると見ることができます。

Q8. 物理世界ではどうか

情報の世界がたどった道を、遅れて同じ順にたどり始めています。ただ、壁が3つ残っています。

まず、評価の自動化が進んでいます。ロボットの実機試験は、毎回人が物を戻し、条件をそろえる必要があり、数をこなせません。そこで、ロボットの動きから次の映像を予測するAI(世界モデル)の中で試す方法が出てきました。コロンビア大学などのInteractive World Simulatorでは、4つの作業で、世界モデルの中での成績と実機での成績の相関係数が0.85〜0.99でした。RoboWorldは、実機での順位付けとの相関が0.989です。ただしInteractive World Simulatorの検証で使った20通りの初期配置は、世界モデルの学習データと同じ範囲から選ばれています。信頼できると確かめられているのは、見たことのある範囲の中だけです。

「世界の構造を学ぶ」方向でも結果が出ています。MetaのV-JEPA 2は、100万時間を超えるインターネット動画で事前学習し、ロボットの動画は62時間未満だけで仕上げました。そのうえで、2つの研究室のロボットアームで、その環境のデータを集めずに物をつかんで置くことができました。Google DeepMindのGemini Roboticsは、追加の学習で、新しい短い作業を100回ほどの実演から覚えられます(人型ロボットの量産の話はこちらの記事)。

残る壁の1つ目はデータの量です。先の総説によれば、公開された最大級のロボットデータ群(Open X-Embodiment)のトークン数は、大規模言語モデルの学習データのおよそ20万分の1です。2つ目は、動画から物理の法則を本当に学べているかです。カンたちは2025年、動画生成モデルに物の動きを予測させ、学習データと同じ範囲ではほぼ完璧に予測できる一方、範囲の外ではデータやモデルを大きくしても誤差が減らないことを示しました。モデルは法則を取り出すのではなく、似た事例を思い出して当てはめているようだ、としています。範囲の外こそ物理世界でいちばん大事な場面です。3つ目は、Q6で見た手の器用さと触覚という身体の側の課題です。

分かったこと、分かっていないこと

分かったことから並べます。いまのAIは、ルールと採点がはっきりした分野(競技数学、プログラミング、決まったコースのレース、決まった地域での運転)で人間を超えつつあり、少ない経験から学ぶ力も、ベンチマークの上では人間に迫りました。自己改良は、機械で採点できる目標がある範囲では、すでに起きています。物理世界の器用な作業や、見たことのない状況への対応では、まだ人間に及びません。

分かっていないことは2つです。ベンチマークで測れる学習の効率が、現実の世界、とくに物理の世界で求められる効率と同じものか。そして、世界モデルが「見たことのない範囲」でも正しく評価できるようになるか。前編で見たとおり、物理法則は人間を超える知能を禁じていません。そこへ届くかどうかは、前編で挙げた2つ(計算量が能力に変わる効率と、改良の収穫率)と、この2つにかかっています。