サムのおすすめ記事 AI が長時間のタスクを完了する能力は 6 か月ごとに 2 倍になっています。 コンピューター科学者のBoaz Barak氏は最新のMETRデータから次のように推測した。 この傾向が続けば、10~20年以内に産業革命規模の経済変革が起こるかもしれません。 METRは何を発見したのでしょうか? METR は、AI を使用して 50% の成功率でソフトウェア エンジニアリング タスクを完了するのに人間がどれだけの時間がかかるかという重要な指標を調査しました。 結果は驚くべきもので、この期間は6~7ヶ月ごとに倍増しています。つまり、AIが処理できるタスクの複雑さは毎年4倍に増加しているということです。 さらに重要なのは、これが指数関数的な成長であるということです。チェスのELOレーティングのように、AIのスキルレベルは6ヶ月ごとに倍増します。 この傾向に影響を与える要因は何でしょうか? 著者は要因を、現在のレベルに影響を与えるものと成長率に影響を与えるものの 2 つのカテゴリに分類しています。 現在のパフォーマンスレベルは、主に信頼性要件によって左右されます。同じGPT5プロセッサでも、成功率50%のタスクでは2時間タスクを完了できますが、成功率80%の要件ではわずか26分しかタスクを完了できません。この差は顕著です。 現実世界における「雑税」もまた重い負担です。実験室のベンチマークと現実世界のタスクの間には大きなギャップがあり、要件はより曖昧で、状況はより複雑で、基準の定義もより困難です。しかし、これは絶対値への影響が大きく、成長率に影響を与える可能性は低いでしょう。 この成長率の主な原動力は、コンピューティングリソースの指数関数的な増加です。トレーニング自体に必要な計算量も6ヶ月ごとに倍増しています。しかし、この成長パターンは永久に続くわけではありません。 現実世界がボトルネックになっている可能性があります。現在、データは主にソフトウェアエンジニアリングから得られており、ロボット工学が同様の成長曲線を維持できるかどうかは依然として不透明です。 最大の未知数は、再帰的な自己改善です。AIがAIの研究開発自体を自動化できれば、研究開発投資は飛躍的に増加します。しかし、それがシンギュラリティ(特異点)をもたらすのか、加速させるのか、それとも現状の成長レベルを維持するだけなのか、誰にも分かりません。 これは経済成長にとって何を意味するのでしょうか? 著者は、経済学者ベンジャミン・ジョーンズの調和平均モデルという巧妙なモデルを使用しました。 核となる洞察は、AIが特定のタスクにおいて無限の力を発揮したとしても、タスクの10%を自動化できない場合、全体的な生産性は最大でも10倍しか向上しないということです。これは、タスクを互いに代替できないためです。 「変革的 AI」(生産性 10 倍、産業革命に相当)を実現するには、次の 2 つの条件を同時に満たす必要があります。 - 自動化されていないタスクの割合が大幅に削減されました。 - すでに自動化されているタスクにおける AI の生産性の優位性は大幅に増加しました。 自動化されていないタスクが年間 4 分の 1 に縮小し、AI の生産性が年間 10 倍に増加するという大胆な仮定によれば、変革をもたらす AI のフロンティアに 1 年以内に到達できる可能性があります。 しかし、それはあまりにも過激です。残りのタスクの9%を毎年自動化し、AIの生産性が毎年10倍に成長するという控えめな仮定でも、10~15年以内に変革的な成長を達成できる可能性があります。 これを過去のデータと比較してみましょう。過去150年間、米国の一人当たりGDPは2%の成長率で成長し、35年ごとに倍増してきました。電化、コンピューター、インターネットの普及によっても、この傾向は変わりません。 AI が本当に年間 5 ~ 7% の成長をもたらすとすれば、それは 10 年間で 2 倍の成長率になります。 エコノミストのアセモグル氏は、AIがGDP成長率に年間0.1%貢献すると予測している一方、ゴールドマン・サックスは1.5%と予測している。しかし、筆者は5~7%と予測しており、これはゴールドマン・サックスの推定値の3倍以上、アセモグル氏の推定値の50倍にも相当する。 GDP成長率がわずか1.2%上昇するだけでも、米国経済を財政的に持続可能にするには十分です。しかし、2%の上昇は米国にとって前例のない事態となります。 これは従来の自動化とどう違うのでしょうか? 重要な点は、過去 80 年間の自動化は直線的であったということです。自動化されるタスクの割合はゆっくりと着実に増加しており、成長率は低下していることが多いのです。 AI によって自動化されていないタスクの割合が急激に減少するとすれば、これはこれまでの傾向から完全に逸脱することになります。 著者は、タスクの難易度は「裾の重い分布」に従うという仮定を立てています。つまり、Tの人的時間を必要とするタスクの割合は1/Tに比例します。この仮定の下では、タスクの処理時間は2倍になり、これは自動化されていないタスクの割合が半分になることに相当します。 6 か月ごとに 2 倍の割合で増加すると、特定の業界でタスクの 50% の自動化から 97% の自動化に移行するのに、わずか 2 年しかかかりません。 しかし、これは極めて過激な考え方です。なぜなら、能力のみに焦点を当て、普及率を完全に無視しているからです。理論上の能力と実際の応用の間には大きなギャップがあるかもしれません。
この記事の最も価値ある点は、METRのハードデータと経済成長モデルを結び付けている点です。「AIはすべてを変える」といった漠然とした主張ではなく、具体的かつ検証可能な予測の道筋を示しています。 主な観察事項: この傾向が続けば、「AIが大きな影響を与え始める」から「AIが支配的な力になる」までには、わずか10年ほどしかかからないかもしれません。 最大の不確実性は普及のスピードにあります。AIは技術的には多くのことを実現できるかもしれませんが、組織の慣性、規制、インフラ、コストといった要因が実際の適用スピードに影響を与えます。 AIがほとんどのタスクにおいて非常に強力であったとしても、一部のタスクを自動化できない場合、全体的な生産性の向上は限定的なものになってしまいます。したがって、重要なのはAIの強力さではなく、その能力がどこにあるのか、そしてその限界がどれだけ急速に縮小していくかです。 AIがAI研究開発そのものを大幅に加速できるようになれば、線形モデルや指数関数モデルはすべて時代遅れになるかもしれません。この段階は予想よりも早く到来するかもしれません。ソフトウェアエンジニアリング自体がAI研究開発の中核を成すからです。 AIが主に研究開発を加速させることで生産性を向上させるのであれば、AI時代においては、人間の科学者への資金提供の収益性は実際にはより高くなるでしょう。これは興味深いパラドックスです。 著者は特に、「切片」ではなく「傾き」に焦点を当てていることを強調しています。これは、特定のマイルストーンにいつ到達するかを予測するのではなく、到達し始めてからどれだけの速さで進展するかを予測するものです。5%の影響から100%の影響に到達するには何年かかるのでしょうか?
