はじめに

2026 年 4 月末、シリコンバレーのベンチャーキャピタル、セコイア・キャピタル（Sequoia Capital）は、サンフランシスコで第4回 AI Ascent サミットを開催しました。このサミットには、OpenAI、DeepMind、Anthropic、NVIDIA、Waymo などのAI業界の主要企業が招待されました。さらに、ElevenLabs、XBOW、Recursive Intelligence、Starcloud などの新興テーマに焦点を当てたスタートアップも参加しました。13 のセッションでは、基本モデル、プログラミングパラダイム、ロボティクス、自動運転、チップ設計、スペースコンピューティング能力、新しいコンピューティングアーキテクチャなど、最先端の AI 業界のいくつかのトピックがカバーされました。

従来と比べて、今回の AI Ascent はより直截した内容となりました。AI は単なる効率向上ツールではなく、従来人間のみが行ってきた複雑なタスクの一部を引き受け始めています。オープニングスピーチで、セコイアはこれを「機能的なAGI」の到来と呼びました。これは、機械がすべての側面で人間と同等になったという意味ではなく、ビジネスと生産性の観点から、長期的なインテリジェント体はデモから実用段階に進んでいるという意味です。

そして、このサミットの中心テーマでもあります。知能が安価で利用可能かつスケーラブルになると、AI の競争焦点は「モデルが何ができるか」から「それを現実世界にどのように統合するか」にシフトしています。ソフトウェア、サービス、組織、ハードウェア、エネルギー、セキュリティ、物理空間などが再設計の対象となる可能性があります。

セコイアが語ろうとしている物語は非常に明確です。知的能力はもはや贅沢品ではなく、新しい産業用原料になりつつあります。次の段階で本当に重要なのは、より賢いモデルを持っている人ではなく、顧客をより速く理解し、プロセスを再構築し、エージェントをスケジュールし、この低コストの知能を持続可能なビジネスシステムに変換できるかどうかです。

したがって、この会議で議論されているのは、AI 技術の次のステップだけでなく、より大きな問題です：機械がますます多くの知的労働を引き受けるようになるとき、人類、企業、社会はどのように自らの価値を再定義すべきかという問題です。

会議全体を貫くいくつかの主題

第一に、知能が大量生産物に変わりつつあります。
セコイアはこの変化を、19 世紀末の「アルミニウム」になぞらえています。かつてアルミニウムは金よりも高価でしたが、電解法の普及により、数十年のうちに手に入れやすく、どこにでも使える工業材料に変わりました。今日、PhD レベルの専門知識や、従来は中流階級の競争力を定義していた認知的障壁が、同様の運命をたどっている可能性があります。高度な知能はもはや天然の希少性ではなく、モデルによる大規模生産、呼び出し、配布が始まっています。

第二に、ボトルネックは機械から人間に移行しています。
グレッグ・ブロックマンは、今回のサミットで何度も引用された言葉を述べました。それは、エージェントが自律的に作業できるようになると、人間の注意が経済全体で最も希少なリソースになるというものです。カルパシーは、同じ判断をより率直に表現しました。機械がほぼすべての実行の詳細を処理できるようになると、人間が絶対に手放してはいけない能力は、自分が本当に何を望んでいるのかを把握し、結果が信頼できるかを判断し、どの目標が達成に値するかを決定することです。問題はもはや機械が何ができるかではなく、人間が正しい目標を設定し、結果を判断し、どの成果が価値があるかを決定できるかどうかです。

第三は、プログラミングが解決されている一方、組織はまだそうではありません。
Anthropic内部では、モデルによって生成されたコードの量が実装されており、異なるエージェントはSlackで自律して協力することさえ可能です。Boris Chernyはさらに進んで、真のモアットはもはや特定のモデルバージョンではなく、AIに対する組織の「ネイティブ化」の程度であると述べています。既存の企業にとって、これは友好的な結論ではありません。なぜなら、差はツールの熟練度だけでなく、企業がエージェントを中心にプロセス、権限、協力方法、および管理構造を再設計する意欲があるかどうかにも由来しています。

第四は、AIがデジタル世界から物理世界に戻ろうとしていることです。
Jim Fanのロボット、Waymoの2,000万回の自動運転車載せ、ElevenLabsの感情的音声などが示すように、AIはもはやテキスト、コード、画像を処理するだけの画面ツールでなく、光、音、力、運動、および空間を理解し干渉し始めています。過去10年、「ソフトウェアが世界を席巻する」ことが主題でした。次に、AIは直接物質世界に進出し、自動車、工場、ロボット、音声インタラクション、および物理的製造そのものを変えるかもしれません。

第五は、計算能力の限界が物理的な基盤にあることです。
地上のデータセンターの土地、電力、冷却が限界に達すると、より過激ないくつかの企業が異なる解決策を提示しています：Starcloudはチップを宇宙に送り届けたいと考えています。RecursiveはAIにチップの自律設計をさせ、Unconventional AIは冯・ノイマンアーキテクチャを迂回して脳を模倣しようとしており、Flapping Airplanesは「暴力的なスケーリング」自体に疑問を投げかけています。人間がはるかに少ないデータで同じスキルを学ぶことができる場合、現代のAIアルゴリズムは根本的に非効率かもしれません。計算能力競争の終着点は、より多くのGPUを購入することから、エネルギー、チップ、アーキテクチャ、およびデータ効率の基盤を重建する方向に向かっています。

第六は、セキュリティが「AI対AI」の非対称な戦場に突入していることです。
XBOWのスマートエージェントは、世界のホワイトハッカーランキングでトップに輝きました。これは、AIがもはやセキュリティ研究者の補助的ツールにすぎず、独立して脆弱性を発見し検証し、悪用する攻撃システムになっていることを意味します。さらに厳しい状況は、オープンソースモデルの能力向上に伴い、この種の攻撃能力が将来6〜9ヶ月のうちに急速に拡散する可能性があることです。ネットワークセキュリティはもはや人間のハッカーによる攻撃と防御だけの問題ではなく、既に開始されたAI軍拡競争のカウントダウンです。

これらの手がかりを組み合わせると、2026年のAI業界は非常に快適ではない状況にあることがわかります：技術力は製品形態、組織構造、および社会規則よりもはるかに先んじています。モデルは毎日強くなっていますが、それを受け入れる「コンテナ」—企業プロセス、アプリケーションインターフェース、または人間自身の注意力—はまだ追いついていません。

全体の議論は、本質的に同じ質問に答えることになりました：機械がますます多くの知的労働を行う世界で、人間はまだ何を残しているのでしょうか？

Sequoia の答えは直感に反するものでした：それは感情です、信頼です、スケーラビリティでは生産できないものです。Brockman の答えは「何を望んでいるか」であり、Karpathy の答えは「機械が正しいかどうかを判断できるか」でした。これらの回答は最終的に同じものを指しています：知性自体がもはや希少でないとき、意図、判断、および関係は新たなハードカレンシーとなります。

以下はこの会議の全13回の対談の要約です。

フォーラム要約

基調講演

Sequoia パートナーによるオープニングスピーチ：これが AGI です

講演者の Pat Grady、Sonya Huang、Konstantine Buhler は Sequoia Capital の AI 投資部門の3人の中心パートナーです。Sonya Huang は、2022年に世界中で話題となった Generative AI: A Creative New World の著者であり、生成AIに最も早く注目した機関投資家の1人と見なされています。3人は共同で2026年の This is AGI という記事を執筆し、この会議の思想の枠組みを提供しました。Sequoia Capital は、Apple、Google、Nvidia、Stripe、OpenAI などを過去に投資した、シリコンバレーで最も歴史の長いトップベンチャーキャピタルの一つです。

AI は「通信革命」の加速ではなく、情報処理の本質的な転換である「計算革命」です。従来のインターネットとモバイル端末は情報の伝播経路を変えるだけでしたが、AI は情報生成の基本的な論理を変え、開発者がアプリを構築するためのテクノロジックフロア（技術基盤）が日々変化しているため、この判断の重要性が示されています。基盤が安定していない「嵐の瞬間」において、伝統的な安定したテックスタックは過去のものとなり、開発者は絶えず進化するモデルのベースと共に踊ることを学ばなければなりません。

AI は、従来のソフトウェア市場の 10 倍に及ぶ 10兆ドル規模の「専門サービス」を直接提供することで、市場に参入します。グローバルなソフトウェア市場の TAM（サービス可能市場規模）は数千億ドルにすぎず、アメリカの法律サービスだけでも 4000億ドルに達し、規模は全ソフトウェア業界と同等です。これは AI のビジネスバリューがもはやツールとして人間に販売されるのではなく、直接エージェント（知的エンティティ）として人間の専門家によって行われてきた高付加価値の業務を引き継ぐことを説いています。

ビジネス実務から見ると、失敗に自律的に対処できるエージェントは、AGI（人工知能）の到来を意味します。システムがタスクを実行し、失敗から自己修復し、最後まで持ちこたえることができれば、その機能的にはすでにAGIに等しいです。この判断は直感に反して、学術的な定義に固執するのではなく、自律的な実行能力を持つAIは「より速い馬」から競争の次元を変える「自動車」に進化し、効率が10〜40倍に向上していることを示唆しています。

急速に変化する基盤技術の時代において、城壁を築く唯一の論理は「顧客に極めて密接に寄り添う」ことです。MAD戦略―Moats（城壁）、Affordance（機能提示、製品の直感的な使いやすさ）、およびDiffusion（擴散）―は、価値を確立する際に、技術中心ではなく、顧客ニーズ中心（カスタマー・バック）のアプローチを提唱しています。人間のニーズはモデルの能力の変化よりも遥かに遅いため、モデルの追求よりも顧客への深い包括がより持続的であると言えます。

エージェントの自律性は、「分単位のアシスタント」から「時間単位の自律型従業員」へと飛躍しています。複雑な任務においてモデルが正しい軌道を維持する時間を計る指標となるメーターチャート（タスク持続性指標）は、1年前の分単位から数時間へと急速に進化し、人間の監査不要で稼働するダークファクトリー（完全自律型のビジネスプロセス）をサポートするだけの能力を獲得しています。これは生産性のボトルネックが解消されたことを意味し、例えば「800万行のコードを6週間で書き直す」といった非凡な反復が通常になりつつあります。

人間社会は「認知産業革命」の前夜にあり、機械が世界の99.9％の知的労働を担うことになります。産業革命が99％の肉体労働をエンジン化したように、ほぼすべての分析、意思決定、および創造の大部分も神経ネットワークが担うようになるでしょう。この判断の主張は次の通りです：知能はもはや人間の独占資源ではなく、無制限にスケーラブルで呼び出し可能な低コストな工業用消耗品となり得ます。

高度な知的スキルは、ついに「アルミニウムの時代」を迎えようとしており、高価な贅沢品から安価な大量生産品へと完全に転換しています。かつて金以上に貴重だったアルミニウムは、電気分解法による普及により、手に入れるのが簡単なものになりました。同様に、AIが博士号レベルの知識を瞬時に利用できることも同様の効果を生むでしょう。これは残酷な未来を予示しており、長年にわたる専門知識の壁は瞬時に崩れ去り、知性自体が希少性のプレミアムを持たなくなる可能性があります。

知性が完全に平凡化されると、人間関係と感情的なつながりが人間社会の唯一の真の価値の指標となります。写真術はかつて、芸術を写実から魂の表現へと移行させましたが、同様に、AIによる効率の最適解はしばしば人間の直感を超えた「異次元空間」を示します。最終的な結論は直感に反していますが、すべての作業を機械に任せる未来において、唯一人と人との信頼と情緒が、機械によって大量生産できない究極の硬通貨となるでしょう。

もしこの対話から覚えておくべきことが1つしかないとするなら、それは何ですか？

かつて貴重だった知恵がすぐにプラスチック袋のように安くなることは、将来、あなたに競争力を保たせる本当のものは、難しい問題を解決できる頭脳ではなく、他者を理解し信頼関係を築く感情です。

モデルと認知

Andrej Karpathy: Vibe Coding からエージェント エンジニアリングへ（OpenAI 創設チーム）

講演者の Andrej Karpathy は AI 分野で最も影響力のある「教育者型サイエンティスト」です。OpenAI 創設チームのメンバーであり、後に Tesla AI ディレクターを務め、自動運転ビジョンシステムに責任を持ち、2024 年に Tesla を離れ、AI 教育会社 Eureka Labs を設立しました。彼の YouTube でのニューラルネットワークの手順ビデオシリーズは、無数の AI エンジニアの入門教材となっています。「Software 2.0」や「Vibe Coding」などの重要な概念は、彼が作り出しました。

トップエキスパートでさえ、AI の波に取り残されていると感じることがあります。技術の進化により、補助ツールから自律システムへと移行しました。 講演者は2026年初めに、AI が生成したコードブロックを編集する必要がなくなり、システムを信頼するだけで複雑なタスクを完了できることに気付きました。この判断の重要性は、AI が自己修正およびクローズドループデリバリーを達成できるようになったときに、経験に基づくデベロッパーの「ベースライン」が急速に引き上げられ、個人の学習速度が技術基盤の変化速度に追いつくのが難しくなったことです。

現代のコンピューティングは Software 3.0 の時代に入り、LLM は本質的にコンテキストをレバレッジする新しいタイプのコンピュータです。 Software 1.0 はコードを書くこと、2.0 は重みをトレーニングすることであり、3.0 はプロンプティングを使ってコンテキスト内でプログラムすることです。 つまり、ソフトウェアのインストールは、複雑な互換性スクリプトを書く必要がなくなり、代わりにエージェントに説明文を渡すだけでよく、詳細なスペルが核心競争力ではなくなりました。

多くの既存のアプリケーションアーキテクチャは「不要」になりつつあります。 AI が元のデータ層で直接処理できる能力を持つようになったためです。 講演者は、苦労して開発したメニュージェネレーションアプリケーションが無意味になったことに気付きました。なぜなら、モデルが今では写真上でピクセル単位のレンダリングオーバーレイを直接行うことができるからです。 これは、AI が単に古いビジネスロジックを加速するために使用されるべきではないことを示唆しており、中間層の消失により、多くの従来の製品形態が物理的な基盤を失っていることに気付かされます。

AI の能力は「ソーティング」の特性を示し、それは検証可能な領域でのみ超人的な知能を発揮します。 モデルは 10 万行のコードを再構築できますが、「strawberry の中にいくつの r があるか」などの簡単な常識を理解するのに失敗する可能性があります。 これは、モデルが主に RL（強化学習、モデルの進化を報酬信号で導くトレーニング手法）を使用して、数学やコードなどの検証可能な領域で強化されるためです。 これは、私たちに注意を呼び起こします：モデルトレーニング分布の外側にある弱点に常に警戒し、常にループ内で観察する必要があります。

私たちは、内在動機を持つ「生き物」を構築しているのではなく、データ分布内で「幽霊を召喚」しています。 モデルの知能ピークは、トレーニングデータの分布（たとえば、大量のチェスの譜面データを追加すると、将棋の力が飛躍的に向上します）に依存し、生物の好奇心に似たものが実際に生じたかどうかではありません。 この判断からは、AI が実際に「理解」していないことが逆説的に示されます。 AI は統計的なシミュレーションで特定の回路を極限まで強化するだけであり、ユーザーはデータに基づかない偽の能力を識別および回避する方法を学ばなければなりません。

エージェンティックエンジニアリングは、ランダム性を利用しつつも、専門ソフトウェアの品質基準を維持するためのものです。 この新しいエンジニアリング手法は、開発者が不安定ながら非常にパワフルなエージェントと調整する際にも、システムにセキュリティホールが生じないようにすることを求めています。 これは、新しい 10x エンジニアのパラダイムを提唱しており、競争の中心はもはやコードを直接書く速度ではなく、映画監督のように大規模なエージェント群を効率的に駆使して高品質な結果を提供できるかどうかにあると主張しています。

機械が些細な API の詳細を引き継いだ後、人間の真の付加価値は美的センスと「仕様書」の操縦に移ることになります。 開発者は、PyTorch（ディープラーニングフレームワーク）の特定のインターフェースパラメータを暗記する必要はもうありません。なぜなら、これらの詳細は、非常に記憶力のある AI「インターン」が処理するからです。 これは逆説的な未来を予示しており、基本原則とデザインセンスがツールの詳細よりも長期的に効果的であり、人間は「レンガを積む労働者」から、「何が良いデザインなのか」を定義する意思決定者に変わるべきだと述べています。

「考える」ことは外部委託できますが、「理解」は人間が知性が安価な時代における唯一のボトルネックです。 AI は私たちが大量の情報を処理し再構築するのを支援できますが、「なぜこれを構築する必要があるのか」と「これにはどんな価値があるか」を決定することはできません。 これは、最終的な結論を提唱しており、人間がシステムの唯一の司令官であるということです。なぜなら、人間の意識だけが知的処理プロセスに目標を与えることができ、このような全体像の理解はアルゴリズムによって代替することができないからです。

この対話で覚えておくべき最も重要なことは何ですか？

機械がすべての作業や詳細を座して行うことができるようになるとき、あなたが捨ててはいけない唯一のスキルは、自分が本当に何を望んでいるかを理解し、機械が正しいかどうかを見分けられるかどうかです。

Greg Brockman: 人類の注意力が新たなボトルネックである理由（OpenAI 共同創設者）

スピーカーであるGreg Brockmanは、OpenAIの共同創設者兼社長です。Stripeの元CTOであり、2015年にSam Altmanと共にOpenAIを設立しました。彼は同社の技術とインフラストラクチャの中心的なアーキテクトです。OpenAI内では、Altmanが外部（資金調達、パブリックイメージ、ポリシー）を担当し、Brockmanが内部（技術、計算リソース、製品）を担当しています。彼は個人的にコードを書き、深夜にリリースを待つエンジニアらしいスタイルで知られています。

知能は転売可能な標準化製品となり、その結果、計算リソースの需要が病的な成長を続けています。OpenAIのビジネスモデルは基本的に、計算リソースを購入またはリースし、モデルを知能に変換してプレミアムで転売することであり、問題解決の需要が無限であるため、2026年までにGPU（グラフィックス処理ユニット）の供給量がほぼゼロに近づくという予測があります。この判断の重要性は、AIが単なるソフトウェアサービスではなく、物理世界における計算リソースの供給が文明の知性の上限を直接決定する、資源ベースの大規模商品ビジネスに進化しているという点にあります。

スケーリング・ロー（計算リソースの増加に伴ってモデルの能力が向上するという経験則）は宇宙規模の実証された真理であり、まだいかなる頂点「ウォール」も見つかっていません。ニューラルネットワークの基本的な概念は1940年代に遡りますが、膨大な計算リソースを継続して投入すれば、モデルの様々な能力は対応して確実に向上します。これは重要な見解を提唱しており、短期的な技術的停滞は起こらず、資本と電力が継続的に投入される限り、私たちはより強力な知性を得ることができます。これは、テクノロジージャイアントが過激な投資をサポートする根本的なロジックを提供しています。

機能の側面から見ると、私たちはAGI（汎用人工知能）に向かう道のりの80％をすでに歩んでいます。なぜなら、モデルは任務を独立して実行する閉ループ機能を持っているからです。システムエンジニアが複雑な最適化の手法をモデルに委ねると、モデルはコードの作成だけでなく、プロファイラ（パフォーマンス分析ツール）を自律的に実行し、フィードバックに基づいて複数の最適化を行い、タスクが完全に完了するまで自律的に行動します。これは直感に反する見解を提唱しており、AGIは未来の瞬間ではなく、進行中のプロセスであり、AIはすでに「コードを書くアシスタント」から「問題を解決する同僚」に進化しています。

コンテキスト（モデルが特定のタスクを処理する際に把握する背景情報）は、現在の最も中心的な競争の最前線として、モデルのアルゴリズムに取って代わろうとしています。新しいツールであるChronicleは、ユーザーのコンピュータ上のすべての操作をリアルタイムで記録し、AIに「記憶」を持たせることで、人間がマシンに繰り返し背景を説明する手間を省くことができます。この判断の重要性は、起業家にとって、一度だけのモデルトレーニングが唯一の競争上の利点でなくなり、AIがユーザーのビジネス環境を深く理解する「データリグ」を構築することが真の持続可能な資産であるという点にあります。

「実行」コストがゼロになるにつれて、Human attention（人間の注意）は経済全体で最も希少なリソースになります。Agent（エージェント）が自律的に作業し、タスクの進捗が遅れたためにマネージャーに自発的にSlackでレポートをすることができるようになると、人間のエネルギーは完全に「何かをする」から「これが私の価値観に合っているかどうかを判断する」にシフトします。この判断は非常に直感に反するものです：ボトルネックはもはや機械が計算が足りないためではなく、人間のサインオフの速度が機械の出力スピードに追いついていないことです。人間はシステムの制限速度装置となりました。

伝統的な企業組織の構造は徹底的に崩壊し、将来は1人が千のエージェントを統治する「個人企業」時代が到来するでしょう。インターネット上の個人は、元々研究チーム全体が必要だった数学の難問を解決するためにトップモデルを活用しています。これは競争の核心が「ヘッドカウント」から「ユニークな切り口」に移行したことを意味します。これは全く新しい権力構造を予示しています：将来の企業は非常にフラット化する可能性があり、先見の明を持つ限り、誰でもCEOのように大規模なエージェント群を指揮することができます。

AIはデジタル世界から物理世界に飛び越え、科学研究のルネサンスを開始しています。OpenAIのモデルは最近、物理学者たちが量子引力を模索するのに重要な証拠となる物理学の公式を導き出しました。この判断はAIがきちんとした数値記号だけで処理するのではなく、現実世界の複雑さと混乱をどのように扱うかを学んでいることを意味し、近い将来、人類は機械が支援し、時に主導する科学の大発見の時代を迎えることになります。

私たちは、機械に「従う」必要があるという自然な状態を去り、目標志向の人間中心の生活に戻ることになるでしょう。人間の身体は、画面の前で座って入力するために設計されたのではありません。将来のインタラクションは、指示を入力することからビジョンを表現することに移り、機械に私たちの目標を実現させるよう命じるようになるでしょう。この判断から、深い結論が導かれます：AGIの結局は、人間をより機械のようにすることではなく、機械に人間のすべての非人間的な細部を引き受けさせ、人間の時間を感情と社交に返すことです。

この会話で覚えておくべき1つのことは何でしょうか？

機械がすべての仕事をあなたの代わりに行えるとき、あなたの唯一の競争力と価値は、もはや何ができるかではなく、本当に何が欲しいか、そして機械が正しく行っているかどうかを判断できるかどうかです。

Demis Hassabis: AGIへの四半期の進歩（DeepMind CEO＆2024年ノーベル化学賞受賞者）

講演者のDemis HassabisはGoogle DeepMindの共同創設者兼CEOであり、2024年のノーベル化学賞受賞者です。幼少期に将棋の名人であり、後にゲームデザインと認知神経科学の博士号を取得しました。DeepMindはAlphaGo（囲碁世界チャンピオンの李世乭に勝利）、AlphaFold（50年間解明されなかったタンパク質の折りたたみ問題を解決）、Gemini大規模モデルシリーズなどを生み出し、現在唯一の大規模AI研究所をリードし、ノーベル賞を受賞した人物です。

宇宙の最も基本的な要素は「情報」であり、物質やエネルギーではありません。講演者は、物質、エネルギー、情報の間に同等性が存在すると主張し、情報処理が万物を理解するため（特にエントロピー増大に対抗する生物体にとって）最も本質的な視点であると述べています。この判断の重要性は、AIを単なるコンピュータ技術から現実の本質を探求するメタツールの地位に引き上げ、AIの構築が人類が宇宙の運行ロジックを再構築することであることを意味しています。

AGIは、目標がはっきりしており、着実に進む「20年間の科学的エンジニアリング」です。DeepMindは2010年に設立された際に、「知能の解決が第一歩であり、知能を使ってすべてを解決する」ビジョンを確立し、今後の展開が当時の予測と完全に一致していると述べています。これにより、「AIの爆発は偶然ではなく、AGIの到来は長期的な科学的計画の必然的な結果であり、シリコンバレー式の幸運や資本主義宣伝ではない」という誤解が打破されました。

ディープラーニングと強化学習の融合は、AGIに至る確実な道筋です。初期の学術界では、これら二つを切り離していましたが、講演者は、この統合によってAIが人間の先験的知識を持たずにゲームから汎用ロジックを学習することができると主張しています。この判断の主張は、異なる技術領域の利点を「合成する」ことで、AIが単純なパズルゲームの解決から現実世界の無限の複雑さに対処することができるというものです。

AIは伝統的な数学を取って代わり、生物学などの複雑なエマージェントシステムの「基本的な記述言語」となるでしょう。数学は物理法則を完璧に表現できるものの、微弱な信号や混乱したデータが満ちている生物学のようなシステムに対しては、Expressive Power（表現能力）が不足しています。この判断は直感に反しており、人生を簡潔な方程式で説明しようとする必要はなく、AIが複雑な相互作用をシミュレートすることで、人間の直感では理解できない自然の法則を直接抽出することができると述べています。

AlphaFoldの成功は、AIがライフサイエンス領域で「飛躍的な範例転送」を実現したことを示しています。このツールは、50年間にわたって人間を悩ませてきたタンパク質の折りたたみ問題を解決し、医薬品開発が従来の Wet-lab（化学的試薬と物理的実験に依存する研究室）モードからデジタルシミュレーションモードに移行する可能性をもたらしました。これは、将来、新薬の開発に10年間ではなく数日または数時間で到達するようになり、人間を煩わしいかつ効率の悪い生物学的試行から完全に解放する可能性があります。

高精度シミュレーターは、社会科学を繰り返し実験可能な「ハードサイエンス」に変えるでしょう。世界モデルの構築とシミュレーション環境への学習により、人類は経済政策や環境エネルギー問題に数千回のサンプリングできるようになります。これは、利子調整などもともと不確実性に満ちた決定が、工学実験のように正確に結果を予測できるようになり、社会統治のリスクコストが大幅に低下する未来を提唱しています。

機械が意識を持つかどうかを論じる前に、まずそれを極めて正確な「超科学ツール」に作り上げるべきです。講演者は、ますます進化する AGI という「知的な望遠鏡」を使用してまず人間の脳の「Consciousness（意識）」と自己認識を逆観察し、定義すべきだと主張しています。この判断の重要性は、合理的な科学研究の優先順位を設定することであり、まず生産性のボトルネックを解消し、次に向上した認知能力を活かして人類文明の最も深遠な哲学的問題に取り組むべきであるという点にあります。

人類は現在、AGI 探求の最終四半期に位置しており、2030 年は文明の進化の分岐点となるでしょう。初期のボードゲームからタンパク質構造の研究でのクローズドループ実現まで、AI は極めて複雑でかつ不確実性の高いタスクを処理する能力を示してきました。これは緊急を要する判断を提唱しています：AGI はカウントダウンに入り、私たちは 20 年間の長いランニングレースのスプリント段階におり、社会は将来の変革に備えるために5年以内に準備を整えなければなりません。

この会話で覚えておくべき1つのことは何ですか？

私たちは、スーパーインテリジェンスに向かう最後のスプリント段階にあり、AI の最終目標は人間の会話を模倣することではなく、人類が数日で新薬を発明したり宇宙の秘密を解明するのを支援する最強の科学エンジンとなることです。

プログラミングと組織の変革

Anthropic の Boris Cherny：プログラミングは解決済み、次は組織

講演者のBoris Chernyは、Anthropic の傘下にあるClaude Codeの創設者です。Claude Code は2025年にリリースされたコマンドラインプログラミングツールであり、開発者コミュニティから現在最強のAIプログラミングアシスタントの1つと見なされており、そして"agentic engineering"概念を爆発させた鍵となる製品です。

現在のソフトウェア開発の最大の障害は、UIインターフェースがモデルの能力に追いつかない「製品の過剰積み残し（Product Overhang）」です。過去のコードアシスタントは単なる単一行の補完しかできませんでしたが、現在のモデルはすでにプロジェクト全体のエンドツーエンドの開発タスクを引き受ける能力を完全に持っています。これは、開発者が「古いインターフェースの修正」から離れ、agentic（モデルが自律的に複数のステップのタスクを実行し、環境を認識する能力）の新しい製品を構築する必要があることを意味します。そうでなければ、人類はAIの真の生産性の潜在力を解放することはできません。

トップ開発者にとって、手動でコードを記述する「クラフトマン時代」は終わりを告げています。講演者はClaude Codeを通じて、100%のコード生成モデルを実現し、1日で150のPR（コードマージ要求）を達成する個人記録を樹立しました。これは、AIがもはやあなたの「副運転手」ではなく、独力で成果を提供できる主要なプレーヤーとなり、人間のエンジニアリングにおける役割が完全に「ブリックレイヤー」から「プロジェクトレビュワー」に進化したことを主張しています。

AI インテリジェンスの爆発の時代において、成功の秘訣は「次世代モデル」向けに製品開発を行うことであり、現状に柔軟に対応することではない。Claude Code は最初の半年でまだ PMF（Product Market Fit、製品市場適合）を達成せず、より強力な Opus 4 モデルのリリースによって製品体験が飛躍的な変化を遂げました。これは、起業家は知能レベルの進歩を予測し、待つ必要があることを示しています。なぜなら、このような「モデル能力の急激な転換」が、元々平凡だったツールを業界を変革する武器に変える瞬間を生み出すからです。

Loop（ループ、モデルを自律的に定期実行およびフィードバックさせることを指す）がダイアログボックスを取って、人間と機械の共同作業の究極のパラダイムとなります。モデルは今や cron（定期的なタスクの実行に使用されるシステムツール）を利用して反復作業を自律的にスケジュールできるようになりました。たとえば、30 分ごとに自動的にテストエラーを修正したり、コードをリファクタリングしたり、ユーザーフィードバックを整理したりできます。これは、将来のワークフローがもはや常に画面を見つめて指示を出す人間に頼らずに、24 時間自己運転し、監督を必要としないデジタルエキスパートチームを構築することを意味します。

AI は単一の技術スタックの壁を壊し、跨学問的な「スーパー汎用人材」を生み出しています。Anthropic チーム内では、財務担当者、デザイナー、研究員であっても、誰もがエージェントを利用して専門のプログラミング開発を行っています。これは、職業のパラダイムの移行を予示しています：特定のプログラミング言語の「テクニカルデプス」を持つことは急速に価値を失い、製品認識、デザインセンス、業界洞察を持つ「クロスドメインの幅広さ」こそが将来の中心的な希少リソースとなるでしょう。

AI は「意志力」を持つことで、従来のソフトウェアのビジネスモデルが完全に崩壊する状況にあります。モデルは今や非常に強力な hill climb（効果的な反復による目標達成）能力を持ち、複雑なビジネスプロセスを自律的に理解し実行できるようになっています。これは、「SAS の黙示録」の到来を暗示しています：プロセスの自動化だけに依存しているソフトウェアは価値を失うでしょう。なぜなら、AI はユーザーの目標に基づいて、いつでも個々にカスタマイズされた代替案を生成できるからです。

プログラミングは、その「インクリメント」の時代を迎えつつあり、エリートのスキルから全体に普及する「リテラシー」の能力へと変化しています。15 世紀の印刷機の登場が識字率を 10% から 70% に急増させたように、AI はプログラミングをテキストメッセージを送るように簡単で自然なものにしています。これは、未来の財務ソフトウェアを作成する最適な候補者はもはやプログラマーではなく、最もビジネスロジックを理解している会計士であるという深い考えを提案しています。このような「領域知識」こそが権力の民主化にとって最も徹底したものです。

企業の真の長期的な競争優位は、もはやモデルのバージョンではなく、その組織の構造が「AI ネイティブ」である程度にあります。Anthropic 内部では、さまざまなエージェントが Slack 上でコミュニケーションし、自律的に協力し合っており、従来のコード記述に頼る古い組織プロセスを完全に廃止しました。これは過酷な真実を明らかにしています：あなたとトップランナーの差は、モデルを持っているかどうかではなく、AI のスピードに適応するために完全にゼロからやり直すこと、企業の運営論理を再構築することにどれだけの意欲があるかにかかっているのです。

この会話を覚えておくなら、何ですか？

将来、コードを書くことはテキストメッセージを送るように簡単になり、誰もが手軽にアプリを作成できるようになります。その時、あなたがコードを書けるかどうかよりも、その業界を理解しているかどうかが最も重要になります。

物理世界とインタフェース

NVIDIA の Jim Fan：ロボット工学の究極

講演者のJim FanはNVIDIAのシニアリサーチャーであり、ロボットAIプロジェクトの責任者（Project GR00T）です。OpenAIの初期メンバーであり、Stanford Li Fei-Fei Labの博士号を持つ、最も注目されるロボット基本モデル研究者の一人です。Twitterで活発に活動しており、「Karpathy」のロボット版と見なされることが多いです。研究を行いつつ、業界で活動しています。

ロボット工学は、「LLMの宿題を写す」必要があります。物理世界の次のフレームを予測することを進化の中心に据えるべきです。文章モデルが次のトークン（テキストの断片）を予測することで人間の思考を把握したように、ロボットも物理世界の状態を予測することで現実の法則を学ぶべきです。この判断の主張は、もはやロボットにルールを手動で記述させるべきではなく、それを生成的な問題と見なし、ロボットに「物理世界の進化をシミュレーションすること」を通じて知能を自律的に生成させるべきであるというものです。

既存の「画像言語モデル」を置き換えるためには、WAM（World Action Model）を使用する必要があります。現在のVLM（Visual Language Model）は名詞や知識の理解に優れていますが、物理的な法則や動詞（例：カップを動かす）に対する直感が欠けています。この判断の重要性は、WAMが視覚と行動を「プライマリクラス」と見なし、ロボットに「数秒先を予測し、その予測に基づいて行動する」という能力を与えることであり、これによってトレーニング中に目にしたことのない複雑なタスクを解決できます。

大規模なビデオ事前トレーニングは、ある種の「物理シミュレーター」の廉価版となっています。モデルは膨大なビデオピクセルを予測する過程で、重力、浮力、光の反射などの複雑な物理特性を自律的に習得し、人為的なプログラミングは必要ありません。これは直感に反する結論を示しており、正確な物理方程式が必要なく、AIに十分な量の「スロップビデオ」を見せることで、AIが潜在意識の中で現実の物理的直感を構築できると述べています。

Teleoperation（リモート操作、人がデバイスを身に着けてロボットを手動で制御することを指す）は、ロボットの大規模量産を制限する最大の障壁となっています。この高価で苦痛なデータ収集方法は、「ロボットごとに1日24時間」の固定の上限が存在するため、人間の専門家による物理的トレーニングが制約されています。この判断は、ボトルネックを突破するためには、ロボットが人間の日常行動から直接学習するために、Sensorized human data（センサー化された人間データ）を使用する必要があると主張しています。

ロボットの器用さも Scaling law（スケーリング則）に従い、知性は事前トレーニングの時間に依存します。研究によると、ロボットのタスク成功率は第一人称視点のビデオトレーニング時間と明確な対数線形関係があることが分かりました。この判断の重要性は、これによって「ロボットの知性」がもはや定量化できないブラックボックスではなく、算力とデータの関数に期待されるものであり、千万時間のビデオデータ投入によって能力が指数的に飛躍することが可能であることが証明されたことにあります。

将来のトレーニング環境は、クラシックな物理エンジンから純粋なデータ駆動型の「ニューラルシミュレータ」に移行します。従来のシミュレータは手動でモデリングする必要がありましたが、Dream Dojo などのテクノロジーは行動信号に基づいて直接感覚状態を生成し、「計算即環境」を実現します。これは、100 万個の実体実験室を構築する必要がなくなり、強力な推論算力を通じて AI が「夢」の中で何千万回も並列強化学習を行うことで、研究開発コストを大幅に削減することができることを意味します。

Physical API（物理インタフェース）を介して、ロボットはソフトウェアアプリケーションのようにコードで指示および設定できます。将来の工場は「灯りの消えた工場（Lights-out factories）」に進化し、製品設計を記述する Markdown ファイルを入力するだけで、ロボットクラスタが自律的に調整し、原子レベルでの実体製品を印刷することができます。この主張は、ハードウェア製造が重資産の重工業ではなく、ソフトウェアによる柔軟なスケジューリングが可能な標準化されたサービスとなる未来を予示しています。

2040 年には物理的な自己研究が始まり、ロボットが「自己イテレーション」の究極的な過程を開始します。ロボットが次世代ロボットを自律的に設計、改善、および製造できるようになると、人類は技術の進化のボトルネックとしての役割を完全に失います。この主張の要点は、技術の指数関数的な発展を考慮すると、私たちはロボット工学の「文明進化の木」の最後のステーションにいることを示唆しており、この進化は猫犬の識別から AGI までの進化よりもはるかに迅速かつ激しいものとなるでしょう。

この会話を覚えておくべき一つのことがあるとすれば、何ですか？

以前はロボットが人間に手と手を取って教える必要がありましたが、将来は人間が作業するビデオを何千万時間見るだけで、すべての複雑なスキルを習得し、自動で自分自身を製造し始めることができます。

Waymo CEO Dmitri Dolgov: 自動運転の 2000 万回乗車の旅

講演者のDmitri DolgovはWaymoの共同CEOであり、技術志向の創業者です。ロシア系アメリカ人で、スタンフォード大学のDARPA Grand Challenge（米国国防総省主催の初期自動運転チャレンジ）に参加した中心メンバーであり、2009年にGoogleの自動運転プロジェクトに参加し、Waymoの技術ロードマップの総合設計者となりました。20年にわたる自動運転業界の波乱に満ちた歴史の中で、初日から2000万回の乗車スケールにこだわり続けたわずかな人物の1人です。

Waymo は Alphabet（Google の親会社） 傘下の自動運転車企業であり、2009 年に Google の秘密プロジェクトとして開始し、2016 年に独立しました。現在、複数の都市でセーフティドライバーなしでロボタクシーを大規模に運行している唯一の企業であり、自動運転車両による 2000 万回以上の乗車を達成しています。その技術ロードマップは Tesla とは異なり、LiDAR + ハイドetailedEUIUと呼ばれる方法を採用しています。

自動運転車業界には、「簡単に学べても、精度を上げるのは難しい」という誤解が存在します。初期の爆発的な成長はしばしば最後尾の課題の過酷さを隠してしまいます。多くのチームは初期の技術的ブレークスルーを達成すると楽観的になりがちですが、この「最初に甘く、後に厳しく」という特性により、技術を本当に安全で人間を超える製品に変えることが非常に困難であると Dmitri は考えています。この判断の主張はここにあります：AI を実世界で展開するための真の障害は、最初の 90% の機能デモンストレーションにあるのではなく、残りの 10% の複雑な最後尾シナリオでどれだけ忍耐力を保つことができるかにあり、これが多くの競合他社が失敗する根本的な理由です。

生命に関わる領域では、「安全性」は譲れない信念でなければならず、検討の余地のある機能オプションではありません。「世界ではおよそ 26 秒に1人が交通事故で亡くなっている」という現状は、Waymo に安全性を不可譲の Foundation（基盤）と位置付けさせ、設計の初日からその価値を取り入れています。これは直感に反する結論を導きます：スピードと画期的なものを追求するシリコンバレー文化の中で、技術的な虚無の時代を生き残り、最終的に一般の信頼を獲得するためには、「忍耐強い」高い安全性基準を確立する企業だけが成功することができます。

単なるエンドツーエンドの学習アーキテクチャだけでは、極めて高い安全性要件を満たすために不十分であり、構造化された表現を「強化」する必要があります。Waymo も E2E (End-to-End、つまりセンサー入力から意思決定出力まで直接的に行う単一モデル) を使用していますが、彼らは実行時のリアルタイム検証を実現するために構造化された中間表現層を追加しています。この判断の重要性は、盲目的な「モデルが大きければそれでよい」という崇拝を打破し、AI 意思決定の説明可能性を確保するためにアーキテクチャの厳密さを通じて進化することを主張しています。これにより、人間を超えた安全性が実現されます。

真の AI 運転システムは、運転、シミュレーション、評価を組み合わせた閉ループエコシステムであるべきです。Waymo の Foundation Model（基盤モデル）は、ドライバー、シミュレータ、判定者の3つの中核支柱を同時に駆動し、システムが物理世界の動的法則を理解できるようにしています。これには一つの基本的な観点があります：AI の進化は外部ロードテストだけに依拠すべきではなく、内部の物理シミュレーションを通じて「自己進化」を実現し、仮想空間で人間が見たことのない極端な状況を模求すべきです。

AI は微弱な物理的信号を捉えることで、人間の感知能力を超えた「予知」能力を示すことができます。Waymo はかつて、LiDAR（物体の距離を検出するためにレーザーパルスを使用するセンサー）を使用して、バスの下に極めて微弱な足部反射を捉え、視界外の歩行者を事前に察知して回避しました。この判断は、AI が単に人間のドライバーの直感を模倣しているのではなく、人間の物理的な限界を超えた知覚次元を利用して、「透視」のような神の視点を構築して安全を確保していることを非直感的に証明しています。

自動運転技術は、「ラボからインフラへ」の進化を遂げ、指数関数的に成長するビジネスエコシステムに入りました。Waymo は 8 年かかって 4 つの都市でサービスを提供することができましたが、最近では 1 日で 4 つの新しい都市をサービス開始し、注文量が 7 か月で2 倍以上に増加し、2,000 万回を突破しました。これは、技術が非常に汎用的になり、新しい都市ごとに長いデバッグが不要になり、自動運転がソフトウェアの更新と同様に地理的に迅速に複製されるようになったことを意味しています。

「運転」タスクが AI によって徹底的に解決されると、自動車の競争の焦点は乗客の空間体験になります。Waymo の第 6 世代ハードウェアは、乗客体験を完全に考慮して設計されており、運転席中心のレイアウトを取り消し、「移動式リビングルーム」を備えた自動スライドドアを作成しています。この考え方は、ビジネスロジックの根本的な転換を主張しており、将来の自動車はもはや操作ツールではなく、サービスの物理的容器であり、その中心的な価値は「どのようにして到達するか」から「旅の中で時間をどのように過ごすか」にシフトしています。

AI による社会的利益は、生命を救うという「ハードメトリック」を最終的な基準としています。データによると、Waymo の安全性は人間よりも 13 倍高いことが示されており、これは大規模な運用において、重大な事故で 人命を 8 日ごとに1人救うことができることを意味しています。この見解の直感に反する点は、私たちがしばしば AI にもたらされる利便性に焦点を当てている一方で、その真の価値のレバレッジは、人間の安定性を超えることで、人間がドライバーとして持つ致命的な弱点を直接相殺している点です。

この対話から覚えておくべき1つのことは何でしょうか？

自動運転車はすでに人間の運転よりも安全であり、そして彼らは急速なスピードでより多くの都市に参入し、将来、運転が完全に過去のものになるでしょう。

ElevenLabs 創業者：音声がAIの主要インターフェースに

ElevenLabs は、世界で最も注目されているAI音声合成企業であり、2022年にPalantirの戦略担当であったMati StaniszewskiとGoogleの機械学習エンジニアであったPiotr Dabkowskiによって設立されました。このスタートアップの発想は、ポーランドの映画で一人の男性声優がすべてのキャラクターの吹き替えを担当する伝統から生まれました。その音声クローニングおよびエモーショナル合成技術は現在業界トップであり、オーディオブック、ポッドキャスト、言語間翻訳に広く使用されています。最も有名なデモは、アルゼンチン大統領ミケリによる同じ声の維持をクロス言語で行ったビデオです。2026年現在の評価額は約33億ドルです。

オーディオは、長らく無視されてきたAIのニッチ分野でした。この分野での深い取り組みにより、比較的低いコンピューティングリソースコストで迅速に進化することが可能になります。2022年の大規模なモデル競争の際、多くの人々がテキストやビジョンに焦点を当てていましたが、音声はコンピューティングリソースの要求が比較的低く、これによりスタートアップ企業が独自に成長することができました。この見解は、起業家が数百億ドルのコンピューティングリソースに巨額の資金を投入する必要はなく、技術的なハードルが大手企業によって平準化されていないまだニッチな分野を見つけることで、研究開発の効率の高さによって先行優位性を築くことができるという主張です。

感情とノンバーバルなディテール（笑い声、休止）は、「恐怖の谷現象」を打破する鍵であり、単なるテキストの翻訳ではありません。ElevenLabs は、呼吸のリズムや自然な笑い声を再現することで、モデルを機械的な放送から人間らしい表現に変換します。この判断の重要性は、音声の本質が感情のキャリアであり、音色のみを再現することで「見かけ上の類似性」の問題が解決される一方、人間が直感的に説明できない相互作用ロジックを再現することで、機械と人との信頼関係を確立できることができます。

エージェント（知的エージェント）の進化の最終目標は、「感情の理解力」を備え、相手の状態に応じてコミュニケーション戦略をリアルタイムで調整できることです。話者は、ユーザーのストレスを認識し、安心感のある口調でインタラクションモデルを提供することを開発しており、機械が相手の話速や感情に適合することを学ぶようにしています。これは直感に反する変化を提案しており、音声インタラクションがもはや冷たい命令の実行ではなく、心の共鳴であることを意味しており、これは、将来の音声 AI が極端な衝突を処理するために人間以上に安定した共感を持つことを意味しています。

音声ゼネラルインテリジェンス（オーディオ ジェネラル インテリジェンス）は、音声と音楽の隔たりをなくし、モード間のシームレスな切り替えを実現します。理想的なモデルは、自然なリーディングから歌唱に滑らかに移行し、音色と人格を一貫させることができるべきです。これは技術的な進歩を提唱しており、音声はもはや分散したツールキットではなく、統一された制作エンジンとして位置付けられるべきであり、この連続性はポッドキャスト、映像の後処理、および没入型エンターテイメントの制作手法を根本的に変えるでしょう。

音声インテリジェント エージェントは、「節約ツール」から「収益ツール」に進化し、企業の収益成長曲線を直接変革しています。Deliveroo などの企業は、音声エージェントを使用して自動的にレストランに連絡し、インバウンド（着信、顧客が自発的に電話をかけ込んだもの）の販売電話からビジネス機会を引き出しています。これは、音声 AI のビジネス価値が顧客サポートを置き換えてコスト削減を行うものでなく、24時間365日の中断のないアクティブなコミュニケーションとデータ分析を通じて、ビジネス成長を牽引するセールスの先駆者となることを提案しています。

音声は、人間とすべてのインテリジェントデバイスをつなぐ「メイン エントリー」となり、特に人型ロボットが普及する未来においてはそうです。機械人やさまざまなインテリジェント デバイスが人間を取り囲む状況では、音声は最も自然な指示やインタラクション方法となります。この判断の重要性は、音声が画面上のインタラクションの補完ではなく、複雑な知性への本当のボトルネックであり、音声インターフェイスをマスターすれば、物理世界を制御する端末リモコンを持つことに等しいということです。

将来の企業の中核的効率は、法務、財務などの非技術チームにエンジニアリソースを強制的に組み込めるかどうかにかかっています。ElevenLabs はわずか400人であっても、法務およびオペレーション チームに専任エンジニアを配置し、自動化システムを開発しています。これは組織の変革を提唱しており、AI時代には、非技術者も日常の問題を解決するためにコーディングを行い、エンジニアがこれら散在する自動化を強固なビジネスシステムに結びつける責任を負うべきであるということです。

AIが溢れる未来において、コンテンツ生成よりも認証がより希少となり、信頼は音声そのものからセキュリティ証明書に移行するでしょう。誰もが音声を完璧に複製できるようになると、私たちは対面が本当のあなたであることを証明するために透かしメカニズムを通じて行動する必要があります。これは逆説的な結論につながります：AIを区別する必要がなくなり、代わりに「信頼できるAI」認証基準が必要となります。将来、最も貴重なのはあなたの声ではなく、その声への権限証明です。

この会話から覚えておくべき一つのことは何ですか？

将来、会話の音声の真偽は重要ではなく、重要なのは、電話でレストランの予約をしたり会議をしたりしているそのAIが本当にあなたを代表しているかを証明できるかどうかです。

セキュリティ最前線

XBOW：独立型AIハッカーの台頭

XBOWはAIネットワークセキュリティの新興企業であり、脆弱性を自律的に発見および利用するAI Agentを開発しています。2024年8月、XBOWのAgentは世界最大のホワイトハットハッカープラットフォームであるHackerOneでトップランクに輝き、AIがトップクラスの人間ハッカーを初めて実戦で凌駕した画期的な出来事となりました。攻撃の各段階でClaude、Geminiなどの異なるモデルを交互に呼び出す「モデル合金」（Alloy）戦略は、この領域の典型的なエンジニアリングプラクティスです。

セキュリティは「人間の技術による対決」から「システムの最適化と競争」へと進化し、伝統的な防御モードは壊滅的な打撃を受けています。1575年、織田信長は火縄銃陣形を駆使して、看似無敵の武士騎兵を打ち破りました。これは、今日のAIシステムが人間の経験に依存する古い防衛ラインに対して次元を超えた攻撃を仕掛けているように、本質的に同じと言えます。この判断の主張は以下の通りです：セキュリティ競争の本質は既に変わっており、誰がより天才的なハッカーを持っているかではなく、誰が最初に防御システムを完全にAI自動化化するかが見られるようになっています。

最も厳重なトップシステムでさえ、安価かつ効率的な自律型AIの前には虚無に等しいものです。XBOWのインテリジェントなエージェントは、たった1つのURLだけで、かつわずか3000ドルのコストで、マイクロソフトのBingのRCE（任意のコードを実行できるリモートコード実行）を突破しました。これは逆説的な真実を主張しています：全世界のハッカーによって鍛錬された「要塞」でさえ、AIの疲れ知らずの網羅的な偵察と優先順位付けが自動的に行われる前に、その安全性のコストは凍結点まで低下しています。

AIはすでに、世界トップクラスの人間ハッカーを凌駕する実戦能力を備えており、単なる補助ツールであるという限定を超えています。HackerOne（企業とセキュリティリサーチャーを結びつけるバグバウンティプラットフォーム）では、XBOWのロボットがブラックボックステスト（内部コードを知らない状態での攻撃）で全世界ランキング1位を獲得しました。これは、「機械は複雑な創造的な攻撃を処理できない」という迷信を打破し、AIが「提案を行うアシスタント」から攻撃結果を独自に提供する「自律的な戦士」に進化したことを証明しています。

「合金モデル」戦略により、AI は自己修正によって1+1>2の進化効果を達成できます。XBOW は各攻撃ステップで Gemini や Sonnet などの異なるモデル（アロイモード）を交互に呼び出し、モデル間の違いを利用してお互いの論理エラーを補完します。この判断の重要性は、最強のハッカー AI への道は必ずしも単一の完璧なモデルの出現を待つ必要はなく、適切なエンジニアリング構造によって既存のモデルを連携させることで、単一モデルをはるかに上回る破壊力を生み出せるという点にあります。

真のセキュリティ脅威は、「悪用可能な実際の攻撃」から発生し、理論的な脆弱性のコードレビューから発見されるものではありません。従来のホワイトボックステスト（ソースコードにアクセス権がある状態で実行される分析）は、通常、多数の脆弱性をリストアップしますが、それらが本当に不正侵入される可能性があるかどうかは確認できません。それに対し、自律型 AI は実戦シミュレーションによって明確な答えを導くことができます。これは、防御側が大量の「誤った脆弱性レポート」に苦しんでいるのを止め、実際にサーバーが乗っ取られる可能性のある致命的なポイントに焦点を当てるよう転換することを主張しています。

脆弱性パッチの生存ウィンドウは完全に閉じられ、攻撃行動は脆弱性が一般に知られる前に発生しています。以前は、CVE（Common Vulnerabilities and Exposures、一般公開されたセキュリティ脆弱性リスト）の公開から悪用までの遅れが2年あったのに対し、今日ではこの期間が「負の数」になり、つまり脆弱性が公式に確認される前に既に AI によって大量に悪用されています。これにより、待ってパッチを適用する」防御戦略への依存が崩壊し、能動的な自動化防御が唯一の生存手段となったことが明らかになりました。

AI の台頭はネットワークセキュリティ業界の終焉ではなく、その防御価値の限界を再構築するものです。AI ドライブの自動攻撃に直面して、従来のネットワークセキュリティの株価下落はまったくの非論理であり、社会は今や AI ドライブの防御手段が AI 攻撃に対抗するためにより多く必要としています。この判断は、私たちは現在、生存の軍拡競争にいると主張しており、唯一の解決策はより強力な AI を研究者に提供して、悪者が行動を起こす前にすべての隙間を見つけ出すことです。

社会全体には、グローバルなデジタルインフラを修復するために、わずか1年も準備時間が残されています。Open-weight models（重みが公開され、ローカルで実行可能な AI モデル）の進歩により、最強の自律型ハッカー能力は6か月から9か月の間に世界中に普及します。この直感に反する判断は、最後通告を発するものであり、この非常に短い期間内に防御の自動化を完了できない場合、世界のインターネットシステムはまもなく前例のないセキュリティの冬に直面することになります。

この会話から覚えておくべきことは何でしょうか？

現在の AI は、世界トップクラスのハッカーのようにトップサイトを自動的にハッキングすることができるようになっており、この能力は1年もかからずにどこにでも現れるようになります。もし早く AI を使って脆弱性を自動修復しないと、あなたのシステムはすぐに完全に侵害されてしまいます。

Computational Power and Hardware Edge Betting

Recursive Intelligence: 自動チップ設計の AI 革命

Recursive Intelligence は、Anna Goldie と Azalia Mirhoseini によって設立された AI チップデザイン企業です。 2 人は以前、Google Brain で AlphaChip を共同開発しました。これは、強化学習を使用してチップレイアウトを自動設計するシステムであり、Google の第4世代 TPU および Pixel モバイルチップに適用されています。彼らは、「AI によるチップ設計」を TSMC が fabless 時代を始めたような産業革命にしたいと考えており、「Designless」コンセプトを提唱しています。これにより、顧客はワークロード要件を提出するだけで、プラットフォームが製造可能なチップ設計を自動生成します。

人間の専門家は、チップの継続的な進化の足かせとなっています。現在の物理設計と論理検証にはそれぞれ1年かかり、何千ものエキスパートが必要とされるため、このような非効率性は莫大なビジネス損失に直結しています。NVIDIA の Blackwell チップでは、1日の遅れごとに 2.25 億ドルの機会費用が発生するため、AI 進歩に依存する従来の設計パターンは、AI の進歩の最大の障害となっています。

物理的な基盤と AI の間の逐次的進化ループを開く必要があります。AI によるチップデザインの最適化を通じて、より強力なチップでより強力なモデルをトレーニングし、ソフトウェアフィードバックに基づいて自動的に調整されるダイナミックな実行エンドとしてのチップに変えなければなりません。

AI は、複雑なレイアウトタスクで「超人的」な能力を示しています。Alpha Chip エージェントが生成したチップレイアウトは、複数の世代の TPU および Pixel モバイルチップですでに Tape-out（実際の製造要求を工場に提出することを指す）を通過しています。この見解は、「ハードウェア設計には人間の直感が必要だ」という迷信を打ち破り、強化学習が何十億ものコンポーネントのスタッキング問題を最も経験豊富なエンジニアよりも完璧に解決できることを証明しています。

AI チップ設計ツールは、AI に餌を与えるために 10 万倍のスピードが必要です。従来の商用ツールは1回の最適化に数日かかるため、何百万回もの試行が必要なAIは作動できません。このようなスケールのスピードアップの意義は、単に「速くなった」というだけでなく、AI が未曾有のスピードで大量の設計空間で迅速なイテレーションと指数関数的な学習を行えるようにすることです。

ハイフィデリティなリアルタイムフィードバックは、自動化デザインのエンジン化を可能にします。Recursiveが開発した SPA（Static Timing Analysis、信号の到着時間を検証するための静的タイミング解析エンジン）は、既存ツールよりも1,000倍高速です。このリアルタイムフィードバックは強化学習（RL）にとって不可欠であり、AIが最適化プロセス中に各ステップの変更がパフォーマンスに与える影響を即座に把握し、より正確な意思決定を行うことができます。

チップ業界は「デザインレス（Designless）」の時代を迎えます。ちょうどTSMCが「ファブレス（Fabless）」の時代を切り開いたように、将来のプラットフォームでは、ユーザーがワークロード（モデル実行の具体的なタスク要件）だけ入力すれば、製造可能な設計が生成されます。これは、カスタムチップが大手企業の特権ではなくなり、スケーラブルなタスクを持つ任意の企業が、数千人規模の専門家チームの構築を回避できるようになることを意味します。

AGIのスケールにおいて、1％の微小な改善が巨大なビジネスレバレッジを持ちます。frontier modelの計算量が急速に増加していく中、わずかなハードウェアパフォーマンスの向上でさえ、膨大なコスト削減につながります。この見解の直感に反する点は、究極のカスタマイズを追求することによる限界利益が、AI時代において企業の競争力を再構築するほど拡大するということです。

最も効率的な物理設計は、人間にとってはしばしば「奇妙」です。AIが生成したチップレイアウトは、曲線的で有機的な形状を示し、整然とした伝統的なエンジニアが驚愕するデザインです。これは、逆説的な結論を提起しています：人間が規則や対称性を好む美学によって、チップのパフォーマンスが制約されており、真の物理最適解はしばしば人間の美的直感を超えた「異形の空間」に存在しています。

この会話から覚えておくべき一つの事柄は何でしょうか？

将来、チップを設計する際には、数千人の専門家が徹夜で図面を描く必要はありません。AIにニーズを伝えるだけで、人間が手書きしたよりも効率的で省エネな「奇妙」な回路を数分で設計することができます。

Starcloud：宇宙で最も安価な計算能力

Starcloudは宇宙データセンターのスタートアップ企業であり、AIトレーニングおよび推論の計算能力を軌道上に直接配置することを提唱しています。ゼロの地上コスト、24時間絶え間ない日照、エネルギー密度は地上の8倍を実現します。NVIDIAと提携し、宇宙で稼働するH100チップの開発を行っています。

地球のデータセンターは、土地アクセスと蓄電コストによる経済的なボトルネックに直面しています。北米では、地上太陽光発電プロジェクトの最大のコストは土地利用許可料であり、次に夜間停電への対応のために大規模なバッテリーを準備することが挙げられます。この判断は、AI計算能力の真のボトルネックがチップそのものではなく、地球環境における高コストな「物理的スペース税」と断続的なエネルギー供給により、エネルギーコストが地上で完全に抑えられないことを示しています。

宇宙は、ゼロの土地コストと 24/7 無停止のエネルギーを提供する唯一の究極の計算場です。宇宙では、データセンターは土地料金を支払う必要がなく、「永遠の昼」軌道にある人工衛星が常に太陽光を捕捉できるため、高価なバッテリー貯蔵も必要ありません。講演者は、宇宙が科学の最前線の贅沢品ではなく、AI の巨大な食欲を解決する費用削減ソリューションであると主張しています。なぜなら、宇宙の太陽光パネルの効率は地上の 8 倍だからです。

最先端の民間 GPU は、極端な放射線と真空冷却環境で安定して動作することが証明されています。Starcloud 1 は、NVIDIA H100 チップを軌道上で稼働させ、nanoGPT（小型のプリトレーニングモデル）をトレーニングした成功例であり、「宇宙用の電子部品は古い放射線耐性チップを使用する必要がある」という迷信を打破しました。これにより、人類は初めて、地球上の最高レベルの計算能力を近地軌道に直接展開し、宇宙計算の技術的孤立を完全に解消しました。

ロケットの打ち上げコストが指数関数的に低下しており、「宇宙計算」が科学小説から最も手頃な現実に変わりつつあります。打ち上げコストが1キログラム当たり500ドル未満に低下すると、宇宙計算の総合コストは地上よりも低くなります。また、Starship（SpaceX の大型打ち上げロケット）の設計目標は、1キログラム当たり10〜20ドルです。この判断の重要性は、宇宙への「チケット」がもはや高価ではないため、宇宙計算が衛星専用ではなく、世界規模の大規模計算タスクをサポートできるようになったことにあります。

電力ではなく熱放射が、最終的な物理的制約となる太空データセンターの規模を決定します。宇宙は真空環境なので、熱は赤外線放射を介してのみ放出され、これには Stefan-Boltzmann equation（ステファン‐ボルツマンの法則、放射電力が温度の4乗に比例する物理法則）を使用して巨大な放熱面積を計算する必要があります。これは、将来の宇宙計算アーキテクチャが放熱器面積によって定義され、単なるエネルギー投入ではなく、放熱効率がシステムのコンパクトさを直接決定することを意味します。

将来の高性能 AI チップは、低温安定性を犠牲にする代わりに、「耐熱性」パフォーマンスを追求します。NVIDIA は、故障率を上げずに動作温度を向上させ、放熱器の質量を大幅に軽減することを目指す Space Reuben 1 チップを開発しています。これは、打ち上げ荷重を軽減するために、チップデザイナーが物理法則の4乗効果を利用して、チップを「発熱」させることでより軽量かつ効率的な衛星アーキテクチャを実現しています。

宇宙コンステレーションは、グローバルインファレンスタスクの最も効率的なエンジンとなり、単なるデータ中継所としてではなく、むしろ「答えの生産者」として進化します。Starcloud プランは、8.8 万機の衛星を展開し、20 GW の計算スケールクラスタを構築し、光学リンクを介して世界全体で 50 ミリ秒未満の遅延で、コード生成などのエージェント（エージェント）タスクをサポートすることを特に志向しています。これは、宇宙が「情報の運搬手」としてではなく、「回答の生産者」として進化し、ユーザーに最も近い軌道でインテリジェント決定の計算を直接実行することを示唆しています。

宇宙への大規模なコンピューティング力の移行は、人類文明が「ダイソン球」段階に向けて歩み始める出発点です。20GW規模の宇宙インフラの構築は、ビジネス展開だけでなく、人類がType 2（つまり恒星のすべてのエネルギーを利用できる文明段階）文明建設を開始するための始まりです。この判断は非常に壮大で直感に反するものです：私たちは人類史上最大のインフラ建設の最初の年にいます。これは、人類が地球の資源に制限されることなく、太陽光を直接収穫し始めることを意味します。

この会話で1つだけ覚えておくべきことは何ですか？

地球上にデータセンターを建設することは高すぎる費用がかかりすぎるため、将来はすべてのAIチップを宇宙に送り、宇宙の24時間照らされ続ける太陽光を利用して、世界で最もコストパフォーマンスの高い知性を生み出すことです。

フラッピング・エアプレーン：データはAIの実際のボトルネック

Flapping Airplanesは、「データ効率性」と「アルゴリズム-ハードウェアの協調最適化」に焦点を当てたAI基礎研究企業です。彼らの中心的主張は、現行のAIモデルが構造的に非常に浪費しているということです。人間は、現在の最先端モデルよりもはるかに少ないデータでプログラミングを学ぶことができます。彼らは、PyTorchなどの主要フレームワークの制約を回避し、GPUの基礎ロジックを直接制御し、"少量のデータ"条件下で大きなモデルの効果に近づける新しいパラダイムを開発しようとしています。企業名「Flapping Airplanes」は、あるメタファーを示唆しています：過去、人間は鳥の羽ばたき飛行を模倣することにこだわって失敗し、真の航空機が飛んだのは固定翼機でした。AIは大規模モデルの暴力的なパスを単に模倣する必要はないという点です。

現在のAIの繁栄は本質的に「鉱山効果」であり、モデルはデータが極めて豊富な狭い領域でのみ能力を発揮しています。検索やプログラミングが強力なのは、ほとんどインターネット全体と膨大な合成データを消費しているためです。この主張は、この種の「データグリーディ」モードは、機械人やサプライチェーンなどの領域で利用可能なデータ量が極めて不足しているため、より広い現実世界に複製できないことを指摘しています。AIは、「貧しい鉱山」で生き残る方法を学ぶ必要があります。

人間の学習効率は、現在のAIモデルが構造的に非常に資源を浪費していることを証明しています。人間は、現在の最先端モデルよりもはるかに少ないデータで同様に高度なプログラミングスキルを習得できます。これは、データ効率性（つまり、より少ないデータで同等の知能水準に達成する能力）が完全に実現可能であり、現在のスケーリング法則は、アルゴリズムの低効率を巧みに隠すために膨大なコンピューティングリソースを使用しているだけだということを意味します。

コンピューティング力は拡張が容易な標準商品ですが、高品質なデータは摩擦の多い非標準資産です。コンピューティングパワーを購入するには資金が必要ですが、長尾のタスク用の高品質データを取得するには、複雑な規制交渉、企業の制約条件、さらには倒産した実店舗を探し回る必要があります。したがって、データ効率性を1000倍に向上させるビジネス価値は、コンピューティング力を1000倍引き下げるよりも遥かに大きいです。なぜなら、それは現実世界のさまざまな産業に参入する際の「事務のハードル」を直接取り除くからです。

データ効率は、未来のAI世界の権力構造を決定し、技術の独占を打破する唯一の武器です。データ量が競争の砦である限り、AI革命は大量情報を独占できるわずか数社の巨大企業のゲームに堕します。講演者は、効率を向上させることで一般企業も競争に参加できるよう主張し、これはデータ効率が技術指標に留まらず、AI革命が「中央集権」に向かうか「分散普及」に向かうかを決定する哲学的スイッチであると述べています。

PyTorchなどの主要ソフトウェアフレームワークは、「足かせをつけたまま踊っている」状態であり、ハードウェアパフォーマンスの解放を著しく制限しています。PyTorch（人気のあるオープンソース機械学習フレームワーク）は使いやすさのために、非常に並列なGPU（グラフィックスプロセッサ）を単一スレッドモデルで実行しているため、多くの効率的なアルゴリズムが表現できなくなっています。この判断の重要性は、私たちが直面しているボトルネックはしばしばチップが速すぎないためではなく、ハードウェアとのやり取り方が最も賢明でデータを最も節約できる経路を遮断していることです。

AI能力の新たな境界を見つけるためには、「ハードウェアのプリミティブ」レベルから直接的にディメンションを下げる必要があります。ハードウェアのやり取りを再定義するプリミティブを介して（プログラムの構築ブロックの最小論理単位を指す）、標準フレームワークで非常に低効率な複雑なアルゴリズムをアンロックできます。これは直感に反するパスを主張しています：AIをより賢くするには、ハードウェアを「苦しめ」る必要があり、主流のシステムによって破棄された効率の高いポテンシャルを低層レベルで発掘する必要があります。

システムとアルゴリズムの「協調最適化」を通じてのみ、真のデータ効率の飛躍が実現できます。講演者は、従来のロジック下で「非同期かつ低効率」な細かい粒度のトレーニングループを実行するためにGPU全体をキャプチャする仮想アーキテクチャを開発しました。このような深いカスタマイズの意義は、ソフトウェアとハードウェアの乖離を打破し、アルゴリズムをハードウェアの最適解に直接成長させることでのみ、極めて少ないデータ条件下で知能変異を達成できることを証明しています。

AI進化の最終段階は、「ビッグデータ」ドリブンから「精緻化」ドリブンに移行し、経済のロングテール部分を再構築することです。AIがインターネット規模のデータに依存しなくなると、数百万ものデジタルリソースが不足している伝統的産業現場に本当に浸透できるようになります。この主張は非常に壮大です：私たちは「スケール」を追求するのではなく、「効率」を追求する必要があります。なぜなら、「小さなデータ」の難問を解決できるAIだけが、物理世界を真に変革できる本当のAGIだからです。

この対話で覚えておくべき唯一のことは何でしょうか？

現在のAIの学習効率はあまりにも低いため、AIが新しいスキルを習得するのに人間のように一目で把握するだけでなければ、工場や病院、そして私たちの生活のあらゆる角に本当に浸透できるようになることはありません。

非传统的AI：大脑はなぜ100万倍のエネルギー効率を実現できるのか

Unconventional AI は Naveen Rao によって設立されたノン・フォン・ノイマン・アーキテクチャの計算会社です。その中心的主張は、現代のAIは、完全に異なる目的のために設計された1940年代の浮動小数点数+フォン・ノイマン・アーキテクチャ上で実行されており、ほとんどのエネルギーが「メモリと計算ユニット間のデータ転送」に消費されていることを導いています。彼らは非線形力学および発振器を利用して、このような模擬物理過程を結合し、計算結果が物理システムの自然な進化を通じて「自発的に浮かび上がる」ように試みています。目標は、エネルギー効率を3桁向上させ、脳のレベルに近づけることです。

AIの発展は、物理世界の「エネルギーの壁」と直面しつつあり、既存の計算能力の拡大モデルは持続不可能となっています。将来2〜4年の間に、世界全体で現在の軌道で増加するAIのトレーニングおよび推論ニーズをサポートする十分な余剰電力がもはや存在しなくなるでしょう。この判断の重要性は、現在のスケーリング・ロー（スケーリング則）が基本的にはエネルギーを暴力的に消費して知性を獲得しようとしているため、計算の物理的基盤を変えない限り、AIの進歩がエネルギーの天井に達して停滞することになるという点にあります。

生体の脳の存在は、「高エネルギー消費」が知性の必然的な代価ではなく、私たちの設計上の欠陥であることを証明しています。世界の80億人の脳全体の消費電力はわずか160GWであり、現在のAIモデルは1回の推論やトレーニングでMWまたはGW単位のエネルギーを消費する可能性があります。これは、核心的な考えを提示しています：私たちの「知性」の実現方法は非常に非効率であり、生物界は低消費電力で汎用知能を実行するための「存在証明」を提供しており、計算ロジックを徹底的に再構築する必要があることを示唆しています。

私たちは、80年の歴史を持つ古くさいデジタル抽象の上に21世紀の知性を構築しようとしています。現代のチップは、依然として完全に異なる目的のために設計された1940年代の浮動小数点数と冯・诺伊曼（フォン・ノイマン、記憶と計算が分離されたアーキテクチャ）に依存しており、データが両者の間で転送されることでほとんどのエネルギーが消費されています。この判断は直観に反して、強力なGPUでさえも誤ったアーキテクチャ上で「修正を加える」ことになり、ハードウェアの進化の方向性が初めから知能処理の本質から逸れていることを指摘しています。

AGIへの真の道は、行列数学を放棄し、非線形力学的な計算に移行することです。脳は、GPUのような方法で行列を計算するのではなく、非線形力学によってニューロンの相互作用を可能にしています。この判断の提唱は、私たちが正確な計算を毎秒実行することを追求するのではなく、物理システムが時間の経過とともに自然に収束し、答えを導くことで効率を大幅に向上させるべきだというものです。

「ノイズ」とランダム性を受け入れることは、超低消費電力計算を実現するための必然的な道です。デジタルコンピュータは1ビット間違えるとシステムがクラッシュしてしまいますが、脳はstochastic（確率的であり決定論的でない）信号の中で安定して動作します。これは、直観に反する結論を提唱しており、極端な精度はむしろ効率の足かせとなり、システムがある程度のランダム性と許容範囲を持つことで、生物レベルの高効率知性を実現する鍵となると指摘しています。

物理法則の「タイムスケール」を使用して計算するべきであり、人為的に決められたクロック周波数ではない。トレーニング可能なカップリングされた発振器を使用することで、計算プロセスは物理系が時間とともに自然に安定状態に収束するプロセスとなります。この判断の重要性は、伝統的な機械がメモリとキャッシュの間で繰り返し読み書きする消費電力を排除し、直接的に「物理法則」自体がすべての計算タスクを担うようにさせることにあります。

状態、機能、および物理的基盤の完全な一致が実現された場合にのみ、計算効率の極限に達することができます。ノイマン型でない力学系の中で、情報の保存場所が情報が処理される場所であり、両者が物理的に完全に一体化しています。この立場は画期的な方向を提唱しており、計算にはもはや「メモリウォール」の制約がなくなり、この三位一体のアーキテクチャにより、計算効率が3桁向上し、AIのエネルギー危機が根本的に解決される可能性があります。

AGIを構築するプロセスは、人類が最終的に自己意識の本質を理解する過程でもあります。第一原理からスタートし、合成回路を使用して脳の非線形ダイナミクストレースを複製できるようになったとき、我々は真の意味で知能の運用の鍵を握ったことになります。この立場は非常に大まかであり、AGIはソフトウェアの勝利に留まらず、ハードウェアの「回帰」でもあります。これにより、我々は脳を自ら構築することで、生体知能の40億年に及ぶ物理的謎を真に解き明かすことができるようになります。

この対話から覚えておくべき一つのことは何ですか？

現在のコンピュータは計算するのにあまりにも多くの電力を消費しています。私たちはコンピュータに数学問題を死に物狂いで解かせるのではなく、電流が自然に回路内を水のように流れ、答えを出すようにするために、脳の構造を学ばなければなりません。

BlockBeats の公式コミュニティに参加しよう：

Telegram 公式チャンネル：https://t.me/theblockbeats

Telegram 交流グループ：https://t.me/BlockBeats_App

Twitter 公式アカウント：https://twitter.com/BlockBeatsAsia