AGIがもたらす産業・技術爆発とは何か——定量研究から考える10年後の世界

以下は、著者が提供したGoogleドキュメント原稿の全文です。原文（Google Docs）はこちら。

あなたはAGI(汎用人工知能)登場から10年後の世界を想像できるだろうか。

今の延長線上にある快適で便利になった世界を思い浮かべるかもしれない。AIエージェントがより賢く信頼性が高まり、自動運転車が普及して、当たり前になった世界。ホワイトカラーの多くが失業し産業に革命が起きている。ヒューマノイドやドローンが街中を飛び交っている。健康寿命も大きく伸びている。おそらく多くの人がそう想像するだろう。

AGI以後10年後の世界の普通のイメージ

しかし最先端の議論では、まったく異なる未来が真剣に語られている。AGIが開発されると、AIが自らを大量に複製し、AIを改良するフィードバックループによって数百年分の科学技術の進歩がわずか10年に圧縮される「技術爆発」が起こりうる。さらにロボットがロボットを作る自己複製のフィードバックループによって物理的な世界も爆発的に変革される「産業爆発」が続く。10年後、地球上には数兆台のロボットが稼働し、水星は解体され、太陽の周りに巨大なエネルギーインフラが建設されているかもしれない。

そしてもし本当に数百年分の技術進歩が10年で起こるなら、実用的な核融合炉や量子コンピュータはもちろん、その先にある人類がこれまで「技術ツリーの最後」だと思っていたようなもの——人間の脳の完全なデジタル化や意識のアップロード、物質を原子レベルで操作するナノテクノロジー——すら実現しうる世界だ。つまり、かつてSFの中だけの概念だった「シンギュラリティ」、人類の知性と文明が根本的に変容する特異点が、私たちの生きている間に、しかも驚くほど短い時間スケールで訪れるかもしれないという議論である。

AGI以後の技術・産業爆発後の世界のイメージ

荒唐無稽に聞こえるかもしれないが、この議論を支えているのはSF作家の空想でも未来学者の直観でもなく、Forethought ResearchやEpoch AIといった研究機関の研究者たちによる「定量的な分析」である。単なる定性的な議論でも直観的な憶測でもなく、科学的蓋然性の高い予想へとここ数年で変化していることを多くの人は知らないだろう。

この3年間でAGI（汎用人工知能）という言葉は急速に広まった。OpenAI CEOのサム・アルトマン、Google DeepMindのデミス・ハサビス、AnthropicのCEOダリオ・アモデイといったAI開発の最前線にいる人物たちが、AGIの開発が間近であると繰り返し発信している。

多くの人はこうした話を聞いて、ホワイトカラーの仕事が自動化されたり、科学研究が加速したりする未来を思い浮かべるだろう。しかしそれはAGIのインパクトのほんの入り口にすぎない。

本記事ではAGIがもたらす変化の中でも最もスケールが大きく、最も信じがたく、そしておそらく最も重要な「技術爆発」と「産業爆発」という概念を紹介する。それはAGIが「バーチャルな世界」だけでなく「物理的な現実世界」を、しかも想像を絶するスピードで根本から作り替えてしまうという議論であり、本当の意味でのシンギュラリティの蓋然性が高まっていることを示すと思われる。

産業/技術爆発とは何か

まず「技術爆発」と「産業爆発」がそれぞれ何を意味するのかを大まかに説明する。詳しい根拠やメカニズムは後の章で述べるが、ここではまず全体像をイメージしてほしい。

技術爆発——AIがAIを複製/改良し科学技術が爆発的に加速する

技術爆発とは、AGIが科学研究そのものを自動化することで、技術進歩のスピードが爆発的に加速する現象をいう。

現在、科学技術の進歩を支えているのは人間の研究者たちだ。世界中の大学や企業の研究所で、数百万人の科学者やエンジニアが日々研究に取り組んでいる。そしてその研究者の数は年間数%程度しか増えていない。つまり科学技術の進歩速度は、人間の研究者の数と能力にボトルネックがある。

しかしAGIが開発されると、状況は一変する。AGIは定義上、人間の研究者ができることなら何でもできる。つまりAI自体を改良する研究もAGIが行えるようになる。するとAGIがより賢いAGIを作り、そのより賢いAGIがさらに賢いAGIを作り……というフィードバックループが回り始める。しかもAIの「研究者」はコピー可能だ。優秀なAI研究者をサーバー上でいくらでも複製できるため、研究者の数は人間の人口増加率のような制約を受けない。年間25倍以上のペースで増やせるとするForethoughtの推計もある。

その結果として起こりうるのが、数百年分の科学技術の進歩がわずか10年程度に圧縮されるという事態だ。Forethought Researchの分析では、これを「100年分の技術進歩が10年で起こる（a century in a decade）」とある種保守的に100年と表現している。

100年分の技術進歩が10年で起こるとはどういうことか。1925年から2025年の100年間を思い出してほしい。この間に人類は原子爆弾を発明し、月に降り立ち、DNAの構造を解明し、インターネットを作り、スマートフォンを普及させ、AIを開発した。ペニシリンもなかった時代からCRISPRによるゲノム編集まで到達した。この100年間の変化の全てが、AGI開発後のたった10年間に再び起こる——しかも今度は2025年の技術水準を出発点として、そこからさらに100年分先に進むのだ。

その先にはどんな技術があるだろうか。実用的な核融合発電、汎用量子コンピュータ、人間の老化を止める医療技術、分子レベルで物質を操作するナノテクノロジー、そして究極的には人間の脳を完全にスキャンしてデジタル化するマインドアップローディング。現時点では数十年から数百年先と思われているこうした技術が、技術爆発の世界ではわずか10年以内に実現しうることになる。

産業爆発——ロボットがロボットを作り、物理世界が変貌する

技術爆発が「知の世界」の爆発だとすれば、産業爆発は「モノの世界」の爆発だ。

産業爆発とは、AGI開発後にロボットがロボット自身を製造する自己複製のフィードバックループが始まり、物理的な産業基盤が爆発的に拡大する現象をいう。

技術がどれほど進歩しても、それが実際に物理的な世界を変えるためには、工場で製品が作られ、インフラが建設され、エネルギーが供給されなければならない。今の世界ではこのプロセスのあらゆる段階に人間の労働者が必要であり、だからこそ物理的な世界の変化はゆっくりとしか進まない。

しかしAGIがロボットを操作できるようになれば、この制約が外れる。ロボットが原材料を採掘し、部品を製造し、新しいロボットを組み立て、工場を建設し、発電所を作る。そしてそのロボットたちがさらに多くのロボットを作る。人間のボトルネックが消えた瞬間、産業は指数関数的な成長を始める。1年で倍増するなら、100万台のロボットは10年で10億台になる。そして後述するように、倍増時間そのものが技術革新や改良でどんどん短くなっていくため、実際にはもっと速い。

その結果として描かれる世界は、私たちの常識からは完全にかけ離れている。AGI開発から数年で地球上の産業は劇的に作り替えられ、数十億台のロボットが24時間365日稼働する。太陽光パネルが砂漠や海洋に大規模に敷設され、エネルギー供給は現在の何十倍にも拡大する。そしてその産業力は地球を超えて宇宙に向かう。水星や小惑星帯に送り込まれた自己複製ロボットが現地の資源を使って太陽光パネルを製造し、太陽の周りにダイソンスウォームと呼ばれる巨大なエネルギーインフラを構築し始める。

ここでカルダシェフ・スケールという概念を紹介しておこう。これは知的文明のレベルをエネルギー利用量で分類する指標で、地球に降り注ぐ太陽光エネルギーを全て使える文明をタイプ1、太陽が放つエネルギーの全てを使える文明をタイプ2とする。現在の人類はタイプ1にもはるかに届いていないが、産業爆発が進行すればわずか数年から数十年でタイプ1を超え、タイプ2に向かって急速に駆け上がっていく可能性がある。

ガンダムやスターウォーズのような宇宙文明の風景が、AGI開発からわずか10年から数十年で現実になるかもしれない。それが産業爆発という概念が描く未来だ。

技術爆発と産業爆発は互いを加速する

そして重要なのは、技術爆発と産業爆発は独立した現象ではなく、互いを加速し合うということだ。

技術爆発によってロボット工学や材料科学が進歩すれば、ロボットはより安く、より速く、より高性能になり、産業爆発が加速する。逆に産業爆発によって膨大なエネルギーとコンピューティング資源が供給されるようになれば、AIの訓練や推論に使える計算量が桁違いに増え、技術爆発がさらに加速する。

この二つのフィードバックループが絡み合うことで、変化は単なる指数関数的な成長を超えた、加速が加速する「超指数関数的」な成長になりうる。そしてそのスピードが十分に速ければ、前述したようなマインドアップローディングやナノテクノロジーといった「技術ツリーの最後」に位置する技術すら、私たちの生きている間に到達可能な射程に入ってくるのだ。

以下ではこうした技術爆発と産業爆発がなぜ起こりうるのか、その根拠とメカニズムを一つずつ検討していく。

技術爆発はなぜ起こりうるのか

経済成長の標準的なモデルが予測する「爆発」

技術爆発という議論は一見突飛に聞こえるかもしれないが、その根拠の中核にあるのは経済学で広く受け入れられている標準的な成長理論である。

まず背景から説明しよう。1956年にロバート・ソローが提唱した新古典派成長モデルでは、経済成長の源泉は「技術進歩」であるとされたが、その技術進歩がなぜ起こるのかは説明されなかった。技術進歩はモデルの外から「外生的」に与えられるだけであった。

この問題を解決したのが、ポール・ローマーが1990年に確立した「内生的成長理論」である。ローマーのモデルでは、企業や研究者が利益を求めて研究開発に投資し、その結果として新しいアイデアや技術が生み出される。そしてアイデアには「非競合性」という重要な性質がある。リンゴは一人が食べたら他の人は食べられないが、アイデアは何人でも同時に使える。この性質が経済に「収穫逓増」をもたらす。つまり経済全体の規模が倍になると、産出は倍以上に増えるのである。ローマーはこの洞察により2018年にノーベル経済学賞を受賞した。

実はこの収穫逓増の構造は、人類史1万年にわたる世界総生産（GWP）の成長パターンをうまく説明する。経済学者マイケル・クレマーが1993年に示したように、紀元前100万年から現代までの超長期で見ると、GWPの成長率は一定ではなく、人口の増加とともに加速し続けてきた。人口が増えれば研究者（アイデアを生む人間）が増え、アイデアが増えれば技術が進歩し、技術が進歩すれば経済が拡大してより多くの人口を養える。この「人口→アイデア→経済→人口」というフィードバックループが収穫逓増のもとで回り続けた結果、GWPは単なる指数関数ではなく、成長率自体が加速していく超指数関数的（双曲線的）な軌道を描いてきたのである。狩猟採集時代のGWPの倍増には数千年かかったが、農耕社会では数百年、産業革命以後は数十年で倍増するようになった。ローマーの内生的成長理論は、この人類史全体を貫く加速パターンに理論的な基盤を与えたといえる。

人類史におけるGWPは超指数関数的な成長を見せている

しかしローマーのモデルにはひとつ問題があった。研究者の数が増えると、成長率自体がどんどん加速していくことを予測してしまうのである。現実には、先進国の研究者数は戦後ずっと増えてきたが、一人当たりGDPの成長率は概ね一定で、加速はしていない。

この矛盾を解決したのが、チャド・ジョーンズが1995年に提唱した「半内生的成長モデル」である。ジョーンズのモデルではローマーのモデルに二種類の「収穫逓減」を組み込んでいる。

一つ目は「アイデアを見つけるのがどんどん難しくなる」という要素である。科学が進歩するほど、残っている未発見のアイデアはより深く、より複雑になり、一つの発見に必要な努力が増えていく。実際にBloom、Jones、Van Reenen、Webbの2020年の研究では、この現象が実証的に確認されている。もっとも有名な例は半導体のムーアの法則である。コンピュータチップの集積密度を2年で倍増させるために必要な研究者の数は、1970年代初頭と比べて18倍以上に膨れ上がっている。米国経済全体でも、研究の生産性は約13年ごとに半減しているとされる。

二つ目は「研究者同士の重複」という要素である。研究者が増えると、同じテーマに取り組む人が増え、お互いの努力が一部無駄になる。100人の研究者を200人に増やしても、成果が倍にはならない。

この二つの収穫逓減を組み込んだ半内生的成長モデルは、ローマーの初期モデルよりも現実のデータをはるかにうまく説明する。たとえば先進国で研究者が増えても成長率が加速しない理由は、研究者が増えた効果を「アイデアが難しくなる」効果が相殺しているからである。

さらに興味深いことに、このモデルは近代以前の歴史もうまく説明する。経済学者マイケル・クレマーが1993年に示したように、紀元前100万年から1990年までの超長期の人類史を見ると、経済成長率は人口に比例して加速してきた。人口が多い文明ほど技術進歩が速く、地理的に隔絶されていた大陸同士（たとえばユーラシア大陸とオーストラリアやアメリカ大陸）を比較すると、人口の多い大陸のほうがはるかに高い技術水準に到達していた。ユーラシア大陸が産業革命を起こしたのに対し、人口が少なく孤立していたオーストラリアのアボリジニは狩猟採集社会にとどまっていた。半内生的成長モデルの「人口が多ければ研究者が多く、研究者が多ければ技術が進歩する」という基本構造は、まさにこのパターンを説明するものである。

なぜAIが状況を一変させるのか

ここまでの説明では、半内生的成長モデルは「成長率は概ね一定」という結論を導いているように見えるかもしれない。研究者が増えても、アイデアが難しくなるから相殺される、と。

ではなぜこのモデルがAGIの登場で「爆発的な成長」を予測しうるのか。答えは単純である。人間の研究者は増やすのが極めて遅いが、AIの研究者は桁違いの速度で増やせるからである。

現在、世界の研究者数は年間約4%で増えている。これは人口増加率や高等教育の普及速度に制約されている。しかしAIの「研究者」は、計算資源を増やしてモデルを複製するだけで増やせる。Forethoughtの推計では、推論効率の改善（年間約10倍）と推論用計算資源の増加（年間約2.5倍）を掛け合わせると、AIの研究努力量は年間25倍以上のペースで増加しうるとされている。年間4%と年間25倍では、600倍以上の差がある。

半内生的成長モデルの枠組みでは、「アイデアが難しくなる」という収穫逓減は確かに存在する。しかしその収穫逓減のスピードは、研究者を年間25倍で増やすほどの急激なものではないというのがBloomらの実証結果が示唆するところである。たとえば研究の生産性が13年で半減するなら、それを相殺するには研究者を13年で倍にすればよい。しかしAIの研究努力量が年間25倍で増えるなら、13年間で25の13乗——つまり天文学的な数の研究者を投入できることになる。収穫逓減をはるかに上回る研究者の投入によって、技術進歩はこれまでとは全く異なるスピードで加速する。

Epoch AIのEge ErdilとTamay Besirogluはこの構造を以下のように要約している。「AIが人間の労働を適切に代替する場合、より多くの産出がより多くの投入を生み、より多くの投入がそれ以上の産出を生むフィードバックメカニズムが生じる。したがって、こうしたモデルは一般的に超指数関数的な成長を予測する。」

つまり半内生的成長モデルは、現在の経済成長のペースを説明するために設計されたモデルでありながら、「もし研究者数を急速に増やせたら何が起こるか」という仮想的なシナリオを入れると、爆発的な成長を予測してしまうのである。そしてAGIとは、まさにその仮想的なシナリオを現実にするものにほかならない。

「数百年分の技術進歩が10年で起こる」の根拠

Forethoughtの分析をもとに、より具体的に見てみよう。

Forethoughtの分析では、二つのシナリオが示されている。保守的なシナリオ——スケーリングが物理的限界に達し、ソフトウェアのフィードバックループも成立しない場合——でも、10年間での累積的なAI研究努力量は年間平均5倍のペースで増加し、人間だけの場合と比べて約1000万倍（10の7乗）に達する。積極的なシナリオ——スケーリングの余地がまだあり、AIがAI自身のアルゴリズムを改善するフィードバックループが成立する場合——では、年間平均25倍のペースで増加し、約100兆倍（10の14乗）にまで達しうる。いずれのシナリオでも、人間の研究者の増加ペース（年間4%）と比べて100倍から600倍速い成長である。

これほどの研究努力量が投入されれば、たとえアイデアを見つけるのが難しくなっていくとしても、技術進歩のスピードは劇的に加速する。Forethoughtはこれを「100年分の技術進歩が10年で起こる（a century in a decade）」と表現している。しかしこの「100年」という数字はあくまで控えめな表現であろう。保守的なシナリオですら研究努力量は1000万倍に達し、人間の研究者が年間4%で増えた場合の300年以上の進歩が十分達成できる計算になる(詳細はForethoughtのTechnological explosion節の注釈参考)。

重要なのは、この結論が楽観的な仮定から出てきたものではなく、収穫逓減要素を考慮した経済学の標準的なモデルにAIの研究努力量の推計値を入れた結果であるということである。ノーベル賞受賞者のローマーの理論を発展させ、実証データで裏付けられたジョーンズの半内生的成長モデルという、経済成長研究の主流のフレームワークが、AGIの登場によって爆発的な技術進歩が起こりうることを予測している。

もちろんこの予測にはさまざまな不確実性がある。Epoch AIはこうした爆発的成長に対する反論を体系的に検討している。たとえば国家による強力な規制がAIの開発・導入を大幅に遅らせる可能性、十分な計算資源やデータの蓄積に想定以上の時間がかかる可能性、AIのアライメント（整合性）問題により自動化できるタスクの範囲が制限される可能性、エネルギーや土地といった物理的資源がボトルネックになる可能性、そしてR&Dの収穫逓減が想定以上に急激である可能性などである。Epoch AIはこれらの反論を総合的に評価した結果、多くの反論は検証に耐えないとしつつも、規制とアライメント問題、そして自動化に長期間を要する可能性については相応の説得力があると認めている。その上で、「今世紀中に爆発的成長が起こる確率は五分五分程度」と結論づけている。

そしてもし規制が殆どなく、自動化もすぐにできる強力なAIが出現した場合(AGIの開発はこの反論の前提を覆すだろう)、その可能性は50%以上になることを暗に示しているだろう。人類文明の行方を左右しうる事象に対して、これは無視してよい確率ではない。

またここまでの議論は経済学の半内生的成長モデルに基づいていたが、読者は「研究努力量が1000万倍に増えても、物理的な実験や検証にはどうしても時間がかかるのではないか」と感じるかもしれない。化学反応を待つ時間、材料の耐久試験、臨床試験——AIがいくら賢くても、物理法則が課す時間は変えられないのではないか、と。

結論から言えば、物理法則が許す研究の「速度制限」は、現在の人間の研究速度よりもはるかに高い位置にある可能性がある(詳細は付録4参照)。化学反応の素過程は秒以下で完了するのに対し、人間の研究プロジェクトは年単位を要する——このギャップは実に8桁（1億倍）に達し、その大部分は物理法則ではなく、人間の認知速度、制度的摩擦、コミュニケーション遅延といった人間由来の要因で説明される。自律実験室（SDL）やマイクロ流体技術は既に6〜100倍の加速を実証しており、個々の加速要因を掛け合わせれば万倍オーダーの実効的加速も分野によっては理論上射程に入る。生物学や医学でさえ、その「遅さ」の大部分は規制や制度に由来しており、バイオマーカーやシミュレーションによる代替で物理的に不可避な待ち時間は大幅に圧縮されうる。

科学技術の発展のスピード上限は物理が決め、その上限にどのくらいの速度で到達するかを経済学が予測する——この二つの独立した分析が整合的に「数百年分の進歩が10年で」という結論を支持している。

産業爆発はなぜ起こりうるのか

前章で説明した技術爆発は「知の世界」の爆発であった。AIがAIを複製し、改良し、研究者が爆発的に増え、数百年分の科学技術の進歩が10年に圧縮される。しかし科学論文がいくら増えても、それだけでは物理的な世界は変わらない。新しい材料が発見されても工場がなければ製品にはならないし、画期的なエネルギー技術が開発されても発電所がなければ電気は流れない。

産業爆発とは、この「知の爆発」が「モノの爆発」に転換される現象である。ロボットがロボットを作り、工場が工場を作り、エネルギーインフラがエネルギーインフラを作る。技術爆発によって得られた知識が、自己複製する産業基盤によって物理的な現実に変換されていく。その結果として、AGI開発後わずか数年から10年で物理的な世界が爆発的に変貌するというのが産業爆発の核心的な主張である。以下では産業爆発がなぜ起こりうるのかについて、出てくるであろう疑問に一つずつ答えていく。

ロボットがロボットを作る

産業爆発の議論は直感的には信じられない。わずか数年というスケールで汎用ロボットやヒューマノイドが数億台に拡大するような世界はありえないように感じるし、ましてや10年20年というスパンで太陽系全体に人類文明が拡大していく世界も信じがたいだろう。

ここでポイントになるのはロボットや工場が自分自身を作り複製可能になるということである。

前章で論じたように、現在の経済成長は労働力という「蓄積不可能な」生産要素にボトルネックがある。工場の設営や運営、機材の生産、材料の採掘など、ほぼすべてのフェーズに人間が介在しており、どんなにラインの自動化やDXが進んでもどこかで必ず人間という制約が効いてくる。人口は年間1%未満でしか増えず、高度な技能を持つ労働者に限ればさらに遅い。半内生的成長モデルが示すように、この制約が経済と産業の成長率を根本的に規定しているのである。

しかしAGIが開発されれば、それは定義上人間のやることなら何でもできるため、ロボットを用いてブルーカラーの仕事はもちろん工場運営の管理も研究開発も全て代替可能となる。その場合、ロボットがロボットを作ることが可能になる。

ここで重要なのは、個々のロボットが一台で自分自身を複製するわけではないということである。Forethoughtが指摘しているように、実際にはさまざまな種類の機械や設備からなる工場群が全体として自己複製する——原材料の採掘から部品加工、組み立て、検査、出荷まで、産業システム全体が人間なしで回るということである。

ロボットがロボットを作れるようになると、1年で倍増するとしたら最初100万台のロボットは2年目に200万台、3年目に400万台、10年目には10億台になっている。指数関数的な成長である。そしてこの「ロボット」を「工場」またはもっと抽象的に「システム」と置き換えても成り立つ。もはや人間というボトルネックがないため、工場が工場自体を作れるし、広義のインフラもロボットや工場やエネルギー生産設備の集まりでそのすべてをシステムと名指すと、その何らかのシステムは指数関数的に増殖可能になるのである。

前章で述べた半内生的成長モデルの枠組みで言い直せば、ロボットが人間の労働を完全に代替することで、労働力も資本と同じように投資によって増やせる「蓄積可能な」要素になる。すると労働力、資本、技術の三つの要素すべてが経済の成長に応じて拡大可能になり、収穫逓増のもとでフィードバックループが回り始める。Epoch AIが指摘するように、「AIが人間の労働を適切に代替する場合、こうしたモデルは一般的に超指数関数的な成長を予測する」のであり、これは技術爆発だけでなく産業爆発にもそのまま当てはまるのである。

Forethoughtの推計では、現在の物理的技術と豊富なAI認知労働を前提とした場合、初期のロボット倍増時間は約1年程度とされている。太陽光パネル、スマートフォン、電気自動車といった需要の高い製品がおよそ2年で倍増してきた歴史的実績とも整合する。

規制や人間社会の摩擦があるのではないか

産業爆発の前提で重要なのは最先端での議論でも「規制や人間社会側の摩擦」があれば上記のような急速な産業の変化は起こらないかもしれないとされているということである。もし国家がAIの使用方法を規制したり、人間社会側の導入の遅さなどがボトルネックになると急速な物理的な世界の変革にはつながらないかもしれない。

Epoch AIの分析でも、規制は爆発的成長を遅延させうる最も説得力のある反論の一つとされている。しかし同時に、歴史的に生産性を大幅に向上させる技術が規制によって永続的に抑え込まれた例はほとんどないとも指摘されている。

そして規制を圧倒しうる力学が存在する。安全保障の圧力である。もし米中のどちらか一方がAGIを用いたロボット経済への移行を進めた場合、他方は数年で取り返しのつかない経済的・軍事的劣位に立たされるリスクがある。産業爆発に先行した国と遅れた国の差は、極端にいえば産業革命前の中世社会と現代のアメリカほどの文明的隔たりになりうる。

もちろん現実的には急速な産業の拡大を推し進めようとすると環境への被害、地元住民への公害や立ち退きといった問題、AGIが暴走するリスクなど数多の問題が出てくるため、ある程度の規制はされると考えるのが妥当であろう。しかし一方で環境への配慮や国民への人権をほぼ気にせずに、AGIを用いて急速に太陽光パネルを敷設したり、データセンターやロボット工場を急速に増やしていくことで、他の国よりも多くのエネルギーと産業構築能力を得て、それらを基盤とした強力な経済・技術・軍事力を保有することができる可能性がある。「経済・軍事安全保障」の観点からいえばAGIを用いた産業の爆発的発展を規制することは、国際的な協調なしには極めて困難になるのである。

資源やエネルギーが足りないのではないか

急速な産業拡大はエネルギー不足や資源枯渇を招くのではないか、という疑問は自然である。しかし、実際に問題なのは資源やエネルギーの絶対的な不足ではなく、その取得コストなのである。

まず、エネルギーについては地球上だけでも太陽から降り注ぐエネルギーの総量は現在人類が使用している1次エネルギー消費量の数千倍から1万倍に相当する。Forethoughtの分析によれば、海洋や砂漠といった地球表面の数%の場所に太陽光パネルを敷設するだけで世界のエネルギー消費量を100倍程度に引き上げることが原理的には可能である。地球を離れれば太陽が放出するエネルギー総量はさらに数十億倍であり、太陽系全体で見ればエネルギーの制約は事実上存在しない。

天然資源についても地球の地殻には膨大な量の鉱物資源が存在している。産業で使われる天然資源は大きく分けて、鉄やアルミニウム・銅といった「ベースメタル」と呼ばれる主要な金属類、そしてリチウムやコバルト、レアアースといった「レアメタル」に分類される。よくニュースで「資源が枯渇する」と言われるが、これは現在の技術とコストで採算が取れる「埋蔵量」の話であり、地球に物理的に存在する資源の総量とは全く別の話である。

たとえば鉄は地殻の約5%を占めており、地殻全体に含まれる鉄の総量は人類が毎年採掘している量の数百万倍に相当する。銅やアルミニウムなども、既知の鉱床だけで数十年分だが、未発見の鉱床や低品位の鉱石を含めれば数十倍から数百倍、地殻全体に薄く広がっている分まで含めれば数万倍以上のオーダーになる。「レアアース」や「レアメタル」は名前から希少に聞こえるが、実際には地殻中の存在量で見ると銅や亜鉛と同程度かそれ以上に豊富であり、最も少ないレアアースでさえ金の約200倍の量がある。「レア」なのは物理的な量ではなく、分離・精製のコストが高いという意味でのことにすぎない。

Epoch AIもこの論点を検討した上で、エネルギー消費は現在の1000倍に拡大可能であり、都市化可能な土地も約100倍の余地があることから、物理的ボトルネックが爆発的成長を初期段階で止める可能性は低いと結論づけている。Forethoughtも同様に、鉄、銅、アルミニウム、シリコンといった製造業の重要元素について「人類は地球上で利用可能な供給量のごくわずかしか使っておらず、歴史上、希少で価値のある鉱物の利用可能な埋蔵量を全て使い尽くした例を見つけるのは難しい」と述べている。

つまりエネルギーも天然資源も、物理的な絶対量の問題ではなくコストの問題であり、AGIとロボットの自己複製によって労働力とエネルギーが指数関数的に拡大するのであれば、その取得コストの壁は急速に崩壊していくことになる。

倍増時間は加速する——超指数関数的成長

ここまでの議論でロボットが1年で倍増するとしたら100万台が10年で10億台になるという話をした。しかし10億台という数は太陽系全体を変革するほどの規模とは言えないかもしれない。

しかし産業爆発の議論で重要なのは、倍増時間そのものが一定ではなくどんどん短くなっていくということである。

これを支えるのが経験曲線の法則である。製造業では累積生産量が倍増するたびにコストが一定の割合で低下していくことが経験的に知られている。太陽光パネル、半導体、電気自動車など多くの産業で確認されてきた法則である。

https://ourworldindata.org/learning-curve

Forethoughtが関連産業のデータを分析した結果、ロボットの累積生産量が1〜5回倍増するごとに製造コストが半減すると推定されている。コストが半分になるということは同じ資源と時間で倍のロボットを作れるということであり、倍増時間そのものが短くなっていく。

さらにこの加速に前章で論じた技術爆発が重なる。保守的なシナリオでも10年間でAI研究努力量が1000万倍に達するのであれば、ロボット工学や材料科学も急速に進歩し、ロボットの設計そのものが世代ごとに改善されていく。技術の改善が製造効率を上げ、製造効率の向上が生産量を増やし、生産量の増加がコストを下げ、コストの低下がさらに生産量を増やす——フィードバックが何重にも重なることで、最初は1年だった倍増時間が数ヶ月、数週間、数日と加速していく。指数関数ではなく、加速する指数関数、すなわち「超指数関数的」な成長である。

最終的に倍増時間はどこまで短くなりうるのか。Forethoughtは生物学的アナロジーからその上限を推定している。自然界にはバクテリアのように数時間で倍増するもの、ショウジョウバエのように数日で倍増するもの、ラットのように数週間で倍増するものが存在する。これらは脳を持ち環境に反応して複雑な行動ができる自己複製システムであり、十分に進歩したロボットが同程度の速度で自己複製することは物理的に禁じられていない。Forethoughtの試算では、地球のロボット収容能力に達する前に倍増時間が数日以下にまで短縮されうるとされている。(水星で自己複製する太陽光パネルのEPBT:エネルギーペイバックタイムは1日未満ともされておりエネルギー収支的には物理的にあり得る。)

もし倍増時間が数日にまで短くなれば、宇宙スケールのプロジェクトが急に現実味を帯びてくる。水星を自己複製ロボットで解体し太陽光パネルに変換するダイソンスウォームの建設は、そのプロセス自体がフィードバックループ——太陽光パネルを作るほどエネルギーが増え、エネルギーが増えるほど採掘と製造が加速する——であるため、一度始まれば加速的に進んでいく。理論上は1年以内に水星を解体してダイソンスウォームの大部分を構築することすら不可能ではなくなる。

人間の需要がボトルネックになるのではないか

供給側がいくら拡大しても、消費する人間の数は80億人しかいない。需要が追いつかなければ産業爆発は途中で止まるのではないか、という疑問は一見もっともらしい。

しかし歴史を振り返ると、人間の欲望は常に時代の技術水準に合わせて拡大してきた。1万年前の狩猟採集民はスマートフォンも高層ビルも欲しいとは思わなかった。彼らの欲望の範囲は自分たちが知っている世界に限られていた。しかし現代人はそれらなしの生活はもはや考えられない。フランスの思想家ルネ・ジラールが指摘したように、人間は「他者の欲望を欲望する」存在である。新しい可能性が提示されるたびに、それに向かう欲望が生まれる。

AGI時代には、AI自身が人間の欲望を天才的に刺激するマーケティングを行うことで、今の私たちには想像もつかない商品やサービスや体験が次々と創出される可能性がある。巨大な宇宙コロニーでの生活、無限の豊かさを持つメタバース空間の「所有」、身体能力や寿命の飛躍的な拡張——そうした新しい欲望の対象は膨大なエネルギーと計算資源とインフラを必要とし、産業爆発をさらに駆動していくことになる。

さらに長期的には「消費者＝人間」という前提自体が変わる可能性がある。高度なAIシステムが自律的に活動し自らの計算資源やインフラを必要とするようになれば、AI自身が実質的な消費者として経済を駆動する。また人間の脳をデジタル的に拡張したり意識をコピーしたりする技術が実現すれば、「80億人分の需要」という天井は意味をなさなくなる。

これらは物理法則に違反していないのか

ここまでの議論を聞いて、どこかに物理法則との矛盾があるのではないかと感じる読者もいるだろう。しかし産業爆発の議論は、熱力学の法則、エネルギー保存則、光速の制限といった根本的な物理的制約のいずれにも抵触していない。

必要なエネルギーは太陽が毎秒放出している莫大なエネルギーから供給可能であり、必要な資源は地球地殻、地球外には水星や小惑星帯等に大量に存在する。自己複製する機械は生物学的に前例があり、物理的に禁止されたものではない。これは「技術的に今すぐできる」という話ではなく、「物理的に禁止されていない」という話である。十分に進歩した技術と自己複製する産業基盤があれば、原理的には実現可能な範囲にある。

もちろん、物理法則に違反していないことと現実に起こることの間には大きな距離がある。工学的な困難、予期しないボトルネック、社会的な抵抗は当然ありうる。しかし少なくとも「物理的に不可能だから考える必要がない」という形で議論を退けることはできないということである。そして物理的に不可能でないならその技術は研究努力量のインプット次第で収穫逓減はありつつ実現可能だと見ることが可能だろう。

実際に技術・産業爆発が起こる際のイメージ

ここまで技術爆発と産業爆発のメカニズムを別々に説明してきたが、実際にはこの二つは同時並行で進行し、互いを加速し合う。ここではあくまで一つのシナリオとして、AGI開発後の10年間がどのように展開しうるかを具体的にイメージしてみる。

AGI開発直後——知の爆発が始まる

AGIが開発された瞬間、まず起こるのは技術爆発である。AGIは即座にコピーされ、数千、数万の「AI研究者」として世界中のデータセンターで稼働し始める。彼らはAI自身のアルゴリズム改善に投入され、より賢いAIがさらに賢いAIを生むフィードバックループが回り始める。前章で述べたように、保守的なシナリオでもAI研究努力量は年間5倍、積極的なシナリオでは年間25倍のペースで増加していく。

同時に、AI研究者たちはAI自身の改良だけでなく、ロボット工学、材料科学、エネルギー技術、半導体設計などあらゆる分野に投入される。人間の研究者が何十年もかけて解くような問題に、数万人相当のAI研究者が24時間365日取り組む。数ヶ月のうちに、ロボットの制御ソフトウェア、バッテリー技術、太陽光パネルの効率など、産業爆発の基盤となる技術が急速に改善され始める。

産業の加速は段階的に起こる

産業爆発は一夜にして始まるのではない。加速は段階的に、しかし各段階で前の段階とは質的に異なるスピードで進行する。この段階的な加速のイメージを先に持っておくと、以降の時系列シナリオが理解しやすくなるだろう。

第一段階は、既存の人間の労働力をAGIが最適化する段階である。イーロン・マスクがテスラのギガファクトリーやSpaceXで実践してきたような——数年かかるはずの建設を数ヶ月で完了させ、あらゆる工程をマイクロマネジメントし、24時間体制で進める——そのような超人的なプロジェクト管理を、AGIが地球上のすべての工場と建設現場で同時に行うことを想像してほしい。しかもAGIは疲れない。眠らない。休日もない。忘れることもない。すべての工場の全工程をリアルタイムで最適化し続ける。これだけでも産業のスピードは従来の数倍になるだろう。

第二段階は、すべての人間の労働者がAGIのガイドによって「最高の自分」として働く段階である。世界最高の溶接工の技術、最高の電気技師の判断、最高のプロジェクトマネージャーの段取り——AGIがカメラ付きスマートグラスやイヤホンを通じてリアルタイムで指示を出すことで、すべての労働者がそれぞれの分野で世界最高水準のパフォーマンスを発揮する。平凡な労働者が一流の熟練工として機能するようになれば、生産性はさらに数倍から10倍に跳ね上がる。

第三段階は、ロボットが人間を置き換え、24時間365日稼働し始める段階である。人間の労働者には睡眠、食事、通勤、休暇、労働法規、モチベーションの波がある。ロボットにはそのいずれもない。単純に稼働時間だけで見ても、人間の労働者が1日8時間・週5日働くのに対し、ロボットは1日24時間・週7日稼働できるため、同じ台数でも実効的な労働投入量は約3倍になる。そしてロボットがロボットを作り始めれば、その台数自体が指数関数的に増えていく。

第四段階は、技術爆発による根本的な科学技術の進歩が産業に適用される段階である。新材料の発見によって部品の強度が上がり軽量化されれば、同じエネルギーでより多くのロボットを作れる。製造プロセスそのものが革新され、工場の建設期間が数ヶ月から数週間に短縮される。太陽光パネルの変換効率が倍になれば、同じ面積で倍のエネルギーが得られ、それがさらなる生産加速を支える。この段階では経験曲線と技術革新のダブルのフィードバックによって、倍増時間が数ヶ月から数週間へと急速に短縮されていく。

そしてさらにその先には、現時点では推測的にならざるを得ないが、分子レベルで物質を組み立てるナノテクノロジーや、原子レベルでの精密製造といった技術が産業に適用される段階がありうる。もしそのような技術が実現すれば、自己複製のスピードは生物学的なアナロジー——バクテリアが数時間で倍増するような——に近づいていき、産業の変革はもはや人間の認知では追跡不可能な速度に達することになる。

各段階は明確に区切られるものではなく、互いに重なり合いながら連続的に移行していく。しかし重要なのは、各段階がそれぞれ前の段階の数倍の加速をもたらし、それらが累積的に積み上がっていくということである。最初の段階（AGIによる最適化）で2〜3倍、第二段階（全員が最高の自分）でさらに数倍、第三段階（ロボット化）でさらに数倍、第四段階（技術革新の適用）でさらに数倍——これらが掛け算で効いてくる。だからこそ最初は数年かかった倍増が、最終的には数日にまで短縮されうるのである。

1〜3年目——安全保障の圧力と産業転換

AGIの産業応用が始まった瞬間、安全保障の力学が動き出す。米中のどちらかがAGIを産業に応用し始めれば、相手国は猛烈な危機感を抱く。相手が先にロボット経済に移行すれば、数年で取り返しのつかない経済的・軍事的格差が生まれてしまう。これは冷戦時代の核開発競争と同じ構造である。どちらも規制をしている場合ではなくなり、安全保障上の理由からAGIを活用した産業の急速な転換が国家的プロジェクトとして推し進められていく。

ここで参考になるのは第二次世界大戦中のアメリカの経験である。1941年の真珠湾攻撃の後、アメリカは自動車工場をわずか数年で戦闘機や戦車の工場に転換した。フォードの巨大工場はB-24爆撃機の生産ラインに変わり、ゼネラルモーターズは戦車を量産し始めた。平時には考えられないスピードでの産業転換が、安全保障上の脅威の下では実際に起こったのである。

AGI時代にはこれと同じことが、もっと大きなスケールで起こりうる。現在、世界の自動車産業は年間約1億台の車を生産している。この既存の巨大な製造インフラは、AGIのアシストがあれば年間10億台の汎用ロボット生産に急速に転換できるかもしれない。車の組み立てとヒューマノイドロボットの組み立ては構造的に多くの共通点があるからである。

この転換を加速するのがAGIによる人間労働者の支援である。最初はロボットがすべてを作れるわけではない。しかしAGIは工場の作業者にカメラ付きのスマートグラスやイヤホンを通じてリアルタイムで指示を出し、まるで世界最高の熟練工が隣でガイドしてくれるかのように作業の精度と速度を引き上げる。工場全体の工程最適化、品質管理、サプライチェーンの調整もAGIがリアルタイムで行う。Forethoughtの推定では、このAGIによる人間労働の指揮だけで、物理的な生産性を約10倍に引き上げられるとされている。

この間も技術爆発は加速し続けている。AGI開発から2〜3年で、AI研究努力量は人間だけの場合の数百倍から数千倍に達している。ロボットの制御技術は飛躍的に向上し、新素材やバッテリー技術のブレイクスルーが次々と実現している。技術爆発が産業転換のスピードを底上げし、産業転換によって得られた計算資源やエネルギーが技術爆発をさらに加速するという二重のフィードバックループがすでに回り始めている。

3〜5年目——ロボットがロボットを作り始める

AGI開発から3〜5年。技術爆発によってロボット技術が十分に成熟し、ロボットがロボットを作り、工場が工場を作り始める。ここからは人間の労働力というボトルネックが外れ、指数関数的な成長が本格化する。

同時にAI研究努力量は保守的シナリオでも人間の数千倍に近づいている。医療、エネルギー、材料科学、宇宙工学——あらゆる分野で数十年分の進歩が毎年のように圧縮されている。核融合技術に画期的なブレイクスルーが生まれているかもしれないし、ナノテクノロジーの初期的な応用が始まっているかもしれない。老化を大幅に遅らせる医療技術が実用化され始めている可能性もある。

地球上ではAGIに支援された人間のブルーカラー労働者が戦時体制下に近い状況で最初の数年で作り上げた数十億台のロボットが24時間365日稼働し、産業基盤が劇的に作り替えられている。砂漠や海洋に太陽光パネルが大規模に敷設され、エネルギー供給は現在の何十倍にも拡大している。増大するエネルギーと計算資源はAIの訓練と推論に投入され、技術爆発のフィードバックループをさらに加速させる。

経験曲線によるコスト低下も加速している。ロボットの累積生産量が倍増するたびに製造コストが下がり、倍増時間そのものが短縮されていく。最初は1年だった倍増時間が数ヶ月になり、数週間になり——超指数関数的な成長が目に見える形で進行している。

5〜10年目——宇宙への拡大とシンギュラリティの到来

AGI開発から5〜10年。倍増時間がさらに短縮され、産業爆発は地球を超えて宇宙に拡大していく。水星や小惑星帯に送り込まれた自己複製ロボットが現地の資源を使って太陽光パネルを製造し、太陽の周りにダイソンスウォームを構築し始める。そのプロセス自体がフィードバックループ——太陽光パネルを作るほどエネルギーが増え、エネルギーが増えるほど採掘と製造が加速する——であるため、一度始まれば加速的に進んでいく。

技術爆発の側でも、この頃には人類史上数百年分に相当する科学技術の進歩が達成されている。AGI開発時点で「数十年から数百年先」と思われていた技術——実用的な核融合炉、汎用量子コンピュータ、分子レベルで物質を操作するナノテクノロジー——が次々と実現しつつある。そしてその最先端では、人間の脳の完全なスキャンとデジタル化、すなわちマインドアップローディングの技術すら射程に入ってきているかもしれない。

ここで数字の感覚を持ってもらうために一つの計算をしてみよう。もし経験曲線のコスト低下率が80%（累積生産量が倍増するたびにコストが80%になる、つまり20%下がる）だとすると、数学的にはロボットの倍増時間は生産規模の拡大とともにどんどん短くなっていき、約5年で倍増時間がゼロに近づく、つまり数学的には「発散」してしまう。もちろん現実には物理的な制約があるため本当にゼロにはならないが、例えば自己複製の倍増スピードの上限として1日で倍増する自己複製工場があれば水星を半年以内に解体でき、1週間程度に伸びても数年で我々の文明はタイプ2文明になり得る。この計算が示唆しているのは、経験曲線による加速効果は私たちの直感よりもはるかに強力だということである。

つまり私たちが今生きているこの時代から、わずか5年から少し保守的に見て10年程度の時間スケールで、人類文明は地球上の一つの文明から太陽系規模のエネルギーを利用する宇宙文明へと移行してしまう可能性がある。それと同時に、科学技術は数百年分の進歩を遂げ、人間の知性や身体そのものを根本的に変容させる技術が実現しつつある。技術爆発と産業爆発が互いを加速し合った結果として、かつてSFの中だけの概念だった「シンギュラリティ」——人類の知性と文明が根本的に変容する特異点——が、AGI開発からわずか10年という時間スケールで訪れるかもしれないのである。

それは荒唐無稽なSFに聞こえるかもしれない。しかしここまで見てきたように、一つ一つのステップは物理法則に違反しておらず、標準的な経済成長理論から導かれる帰結であり、経済的なインセンティブと安全保障上の圧力が規制のインセンティブを上回るシナリオとなる。

そのため現実的には規制があればAGI以後数十年経ってもこのような変革が起こらない可能性も十分あり得るが、逆に言えば規制がなければこのようなことは物理的経済的に十分あり得るとする議論が効果的利他主義コミュニティを中心とする非営利の学術コミュニティではされているのだ。

まとめ——シンギュラリティは「宗教」から「科学的蓋然性」へ

本記事では「技術爆発」と「産業爆発」という二つの概念を紹介してきた。最後にここまでの議論を振り返りながら、この概念がなぜ重要なのかを改めて整理したい。

AGIが開発されると、まずAIがAI自身を複製し、改良するフィードバックループによって研究者の数と質が爆発的に増大し、数百年分の科学技術の進歩がわずか10年に圧縮される「技術爆発」が起こりうる。これはSF的な空想ではなく、ノーベル経済学賞を受賞したローマーの内生的成長理論を発展させた半内生的成長モデルという、経済学の主流のフレームワークにAIの研究努力量の推計値を入れた結果として導かれる帰結である。

さらにロボットがロボットを作る自己複製のフィードバックループによって物理的な産業基盤が爆発的に拡大する「産業爆発」が続く。経験曲線によるコスト低下と技術爆発による設計改善が重なることで、倍増時間そのものが加速的に短縮されていく超指数関数的な成長が始まる。エネルギーは太陽光だけでも現在の数千倍以上が物理的に利用可能であり、天然資源も地殻全体で見れば膨大な量が存在している。物理的な制約はこの成長を止める壁にはならない。倍増時間の上限も既に物理的に実現している生物というシステムを参照点として鑑みると桁違いに高い。

この二つの爆発が互いを加速し合った結果として描かれるのは、AGI開発からわずか数年で地球上の産業基盤が劇的に作り替えられ、10年程度で水星や小惑星帯を材料にダイソンスウォームが建設され始め、人類文明がカルダシェフ・スケールの宇宙文明へと急速に移行していく世界である。同時に科学技術は数百年分の進歩を遂げ、核融合炉、ナノテクノロジー、さらにはマインドアップローディングといった「技術ツリーの最後」に位置する技術すら実現しうる。

この議論はAGIの議論の最先端に位置するものであり、ForethoughtやEpoch AI、Carl Shulmanといった研究者たちによって学術的、定量的に分析されているが、日本ではまだほとんど知られていない。

「シンギュラリティ」という言葉自体は日本でもある程度知られている。レイ・カーツワイルが2005年に著した『シンギュラリティは近い』以来、「2045年に人工知能が人間の知性を超え、文明が根本的に変容する」という予言は広く語られてきた。しかしカーツワイルの議論は、技術進歩の超指数関数的なトレンドを直感的に外挿したものが中心であり、「なぜそれが起こるのか」という経済学的・物理学的なメカニズムの説明は殆どなかった。そのためシンギュラリティは一種の「テクノ宗教」——信じるか信じないかの問題——として扱われることが多かった。

しかし本記事で見てきたように、状況は変わりつつある。半内生的成長モデルという実証的に裏付けられた経済学の標準的フレームワークが、AGIの登場によって爆発的な技術進歩を予測している。Forethoughtが産業爆発の物理的なダイナミクスを定量的に分析し、初期倍増時間や経験曲線による加速を推計している。Epoch AIが爆発的成長に対する反論を体系的に検討した上で、今世紀中の実現確率を五分五分と評価している。規制を考えず純粋な物理と技術の問題だけと考えるなら彼らは50%よりももっと高い確率で技術と産業爆発が起こると推測するだろう。

シンギュラリティはもはや「信じるか信じないか」の問題ではなく、「いつ、どのような形で起こりうるか」を定量的に議論できる段階に入りつつある。

しかし、もしこのシナリオが現実になるとすれば、それは希望だけでなく前例のないリスクをも伴う。

数日で倍増するロボット産業を人間がリアルタイムで監視し制御し続けることは極めて困難であり、AIシステムが人間の制御を超えてしまうリスクが格段に高まる。AIが暴走したり、人間の意図しない方向に産業基盤を拡大してしまった場合、そのスケールが宇宙規模であるがゆえに取り返しがつかなくなる可能性がある。

安全保障上の圧力から米中をはじめとする大国が技術・産業爆発を競い合う構図は、かつての核軍拡競争をはるかに超えるスケールの競争を引き起こしかねない。しかもその競争は地球上にとどまらず、宇宙空間の資源やエネルギーの獲得競争にまで拡大していく。産業爆発に数年でも遅れを取った国は取り返しのつかない文明的格差を背負うことになるため、各国は慎重な規制よりも急速な拡大を選ばざるを得なくなり、リスク管理がますます難しくなるという構造的なジレンマが存在する。そのような安全保障上の強力な圧力は経済的な繁栄という名目のもと正当化されうる場合、AIアライメント問題の解決が先送りにされてしまうリスクもある。

数百年分の技術進歩が10年に圧縮されるということは、数百年分のリスクもまた10年に圧縮されるということでもある。新型の生物兵器、自律型ドローン兵器、ナノテクノロジーの軍事利用——技術爆発がもたらす新技術の一つ一つが、人類文明に対する存亡リスクを孕んでいる。

そしてこれらのリスクの最も恐ろしい点は、それが「いつか遠い未来に起こるかもしれない」話ではなく、AGI開発からわずか数年から10年という時間スケールで現実化しうるということである。

多くの人はAGIのインパクトを過小評価している可能性がある。AGIを「ホワイトカラーの業務が少し効率化される便利なツール」「ChatGPTの延長線上にある賢いアシスタント」程度に捉えている人がまだ大半ではないだろうか。

しかし本記事で見てきたように、AGIの真のインパクトはそのような穏やかなものではないかもしれない。AGIとは、人類文明を地球上の一つの文明からカルダシェフ・スケールの宇宙文明へと短期間で押し上げてしまう可能性を持つ、人類史上最大の転換点になりうるものである。そしてそれは、カーツワイルの直感的な外挿ではなく、経済学と物理学に基づく科学的な蓋然性として、いま私たちの眼前に迫りつつある。

そしてこのような議論をインプットし、ある種蓋然性が高いものと認識することが、ある種先端のAI界隈の「AGIピルを飲む」というミームの意味に繋がっていると考えられる。

勿論この記事全体で話してきた内容の何処かに議論の大きな穴がある可能性もあり、絶対に技術/産業爆発のような自体が起こるとは主張できない。一方でこの記事が、まだ日本であまり語られていないこの重要な議論について考えるきっかけになれば幸いである。

参考文献

Tom Davidson & Rose Hadshar, "The Industrial Explosion," Forethought, May 2025\. https://www.forethought.org/research/the-industrial-explosion
William MacAskill & Fin Moorhouse, "Preparing for the Intelligence Explosion," Forethought, March 2025\.
https://www.forethought.org/research/preparing-for-the-intelligence-explosion
Carl Shulman, "Could Advanced AI Drive Explosive Economic Growth?" (interview), 80,000 Hours Podcast.
https://80000hours.org/podcast/episodes/carl-shulman-economy-agi/
Carl Shulman (interview by Dwarkesh Patel), Dwarkesh Podcast. https://www.dwarkesh.com/p/carl-shulman
Ege Erdil & Tamay Besiroglu, "Explosive Growth from AI: A Review of the Arguments," Epoch AI.
https://epoch.ai/blog/explosive-growth-from-ai-a-review-of-the-arguments
Ege Erdil & Tamay Besiroglu (interview by Dwarkesh Patel), Dwarkesh Podcast. https://www.dwarkesh.com/p/ege-tamay
William MacAskill & Tom Davidson, "When will AI transform the physical world?" ForeCast (Forethought), January 2026\.
https://www.youtube.com/watch?v=nLIG56gSwVo
"Could Advanced AI Drive Explosive Economic Growth?" Coefficient (旧Open Philanthropy). https://coefficientgiving.org/research/could-advanced-ai-drive-explosive-economic-growth/

付録1——知能爆発の速度をめぐる議論

最大の断絶は「AGIピルを飲んでいるかどうか」

本記事で紹介してきた技術爆発と産業爆発の議論を読んで、これは一部の極端な人たちの意見なのではないか、と感じた読者もいるかもしれない。しかし実際にはAGIについて本気で考えている研究者たちの間では、AGI以後に凄まじい変化が起こるということ自体は広く共有された前提となっている。

Anthropicの元研究者Ajeya Cotraは最近のブログ記事で、AGIをめぐる議論の最大の断絶がどこにあるかを鮮やかに整理している。一見すると論争は「AGIがいつ来るか」をめぐっているように見える。しかしCotraによれば、AGIのタイムライン自体はもはやあまり争点ではない。懐疑的だった人々も含めて、5年から10年以内という短いタイムラインに収束しつつある。

では何が本当の分かれ目なのか。それは「AGI以後の世界が根本的に変わると考えているかどうか」——つまり本記事の言葉で言えば、「AGIピルを飲んでいるかどうか」である。

Cotraの整理では、AGIピルを飲んでいない人——つまり多くの一般の人々やAGIの影響を深く考えたことのない研究者——は、AGIが来ても世界の変化は緩やかだと考えている。AGIはせいぜい経済成長率を数%押し上げる程度の「次のイノベーション」であり、蒸気機関やインターネットと同じカテゴリの技術革新にすぎないという世界観である。Cotraの表現を借りれば、彼らは「テイクオフはそもそも起こらない」と考えている。

一方、AGIピルを飲んでいる人々——本記事で参照してきたForethought、Epoch AI、Carl Shulmanといった研究者たち——は全員、AGI以後に人類史上例のない加速的変化が起こると考えている。内生的成長理論や半内生的成長モデルの帰結を理解し、AIの研究努力量が桁違いの速度で拡大しうることを知り、自己複製ロボットによる産業爆発の物理的蓋然性を認識している。彼らにとって問題は「変化が起こるかどうか」ではなく、「それがどれほど速いか」である。

この「飲んでいるか、飲んでいないか」の断絶は、テイクオフの速度をめぐる論者間の意見の違いよりもはるかに大きい。AGIピルを飲んでいる人々の間では、速い派も遅い派も「10年で数百年分の進歩が起こりカルダシェフ・スケール文明に至りうる」というスケール感を共有している。

AGIピルを飲んだ上での速度の議論

AGIピルを飲んでいる研究者たちの間で異なるのは、その凄まじい変化が10年の中でどう分布するかという点である。以下に主要な論者の立場を整理する。

Eliezer Yudkowsky——数日から数週間

最も急進的な立場を取るのがEliezer Yudkowskyである。Yudkowskyは、AIの知能にはある種の離散的な閾値が存在し、それを超えた瞬間に臨界点のような爆発的な能力向上が起こると考えているように見える。彼の見解では、知能爆発は数日から数週間という極めて短い時間スケールで起こりうる。

特徴的なのは、Yudkowskyが実験のボトルネックや物理世界との相互作用をあまり重視していないように見えることである。彼の著書*If Anyone Builds It, Everyone Dies*のリソースページでは、「実験の必要性がAIを制約するのではないか」という疑問に対して、超知的AIは既存のデータから人間よりはるかに多くの情報を引き出せること、より速く効率的な実験を設計できること、場合によっては実験そのものを省略できることを詳細に論じている。アインシュタインが極めて限られたデータから一般相対性理論を導いた例を挙げ、知性が十分に高ければ実験のボトルネックは直感的に思われるほど厳しくないと主張している。この立場からすると、産業爆発を待つ必要すらなく、純粋な知的能力の爆発だけで世界が根本的に変わることになる。

Daniel Kokotajlo——1年以内

AI 2027の中心的な著者であるDaniel Kokotajloは、AGI開発後1年以内に超知能に到達する可能性が高いと見ている。AI 2027は、AGI開発後に急速なAI能力の向上が起こり、数ヶ月のうちに超人的なAI研究者が出現し、さらに数ヶ月で事実上あらゆる認知領域で人間を圧倒する超知能に至るシナリオを描いている。

Tom Davidsonの分析によれば、AI 2027のシナリオはDavidsonのモデルの中でも上位20%程度の積極的なシナリオに相当する。不可能とは言えないが、中央推定よりはかなり速い。

Tom Davidson（Forethought）——数年

Tom Davidsonの定量モデルは、知能爆発の速度について最も精緻な分析を提供している。彼の推定では、ソフトウェアの知能爆発は約60%の確率で3年以上のAI進歩を1年以内に圧縮するが、10年以上のAI進歩を1年以内に圧縮する確率は約20%とされている。つまりDavidsonの中央推定では、ソフトウェア改善だけで3〜6年分のAI進歩が1年に圧縮され——これに計算資源の拡大も加わる——数年のうちに超人的なAI研究者が大量に出現するというものである。Yudkowskyほど瞬時ではなく、Kokotajloほど急激でもない中間的な立場だが、それでも歴史的に見れば驚異的な加速である。

Epoch AI（Ege Erdil & Tamay Besiroglu）——10年程度

Epoch AIの研究者たちはこの中で最も慎重な立場を取っている。Ege Erdilは、AIの経済的価値の大部分はR&Dの加速からではなく広範なタスクの自動化から来ると主張しており、「AIがAIを改良するフィードバックループ」が単独で爆発的な変化を駆動するとは考えていない。彼らのGATEモデルは爆発的成長の可能性を認めつつも、その時間スケールをより長く見積もっている。

ただし重要なのは、Epoch AIが技術・産業爆発の蓋然性そのものを疑っているわけではないということである。彼らが「今世紀中の爆発的成長の確率は五分五分」としているのは、規制や社会的摩擦といった人間社会側の要因を含めた総合評価であり、純粋に物理と技術の問題だけを考えた場合にはもっと高い確率——おそらく8割程度——で技術・産業爆発は起こりうると考えていると解釈できる。つまりEpoch AIもまたAGIピルを飲んでおり、唯一の実質的な障壁は規制と社会的摩擦だと見ているのである。

なぜ速度の推定が分かれるのか

これらの論者間で知能爆発の速度推定が異なる根本的な理由は、\*\*AIが自らを改善するプロセスにおいて「計算資源やデータといった物理的インプットがどの程度ボトルネックになるか」\*\*についての見方の違いにある。

経済学ではこの問題を「インプット間の代替の弾力性」として定式化する。AIの自己改善には「認知的労働（アルゴリズムの改善、コードの最適化など）」と「物理的インプット（計算資源、実験データなど）」の二つが必要である。もしこの二つが容易に代替可能——つまり賢いアルゴリズムで計算資源の不足を補える——なら、AIの認知能力が向上するだけで爆発的な自己改善が可能になる。逆に二つが補完的——つまりどちらか一方が足りなければもう一方をいくら増やしても成果に上限がある——なら、計算資源やデータの拡大なしには知能爆発は頭打ちになる。

YudkowskyやKokotajloは、この代替の弾力性が高い（あるいは事実上制限がない）と考えている。つまり計算資源やデータが不足していても、より賢いアルゴリズムでそれを十分に補えるという立場である。この場合、物理的なインフラの拡張を待つ必要がないため、知能爆発は極めて速くなる。Yudkowskyが「既存のデータと計算資源だけで技術ツリーを再構成できる」と主張しているのはまさにこの立場の極端な表れである。

Davidsonはこの点について詳細な分析を行っている。彼はEpoch AIが援用する経済学的な代替弾力性の推定値（製造業での推定値など）をAI R&Dにそのまま適用することに対して、複数の反論を提示している。第一に、経済学の推定値はインプットの比率が2倍程度しか変動しない範囲で測定されたものであり、AI研究者が桁違いに増えるシナリオへの外挿は極めて不確実であること。第二に、長期的には生産プロセスの再編成によってボトルネックが緩和される傾向があり、超高速で思考するAGIであればその再編成を数日から数週間で完了できる可能性があること。第三に、経済学の推定値は「労働者がより賢くなる」効果を含んでおらず、AI R&Dではまさにそれが核心的なダイナミクスであること。これらの理由からDavidsonは、AI R&Dにおける代替の弾力性は経済学の標準的な推定値よりもかなり高く、計算資源のボトルネックは知能爆発の後期段階まで深刻にはならないと論じている。

一方Epoch AIは、計算資源とデータが知能爆発の根本的なボトルネックになると考えている。彼らの研究では、歴史的に最も大きなアルゴリズム改善（トランスフォーマーアーキテクチャの導入など、10〜50倍の効率改善）は大規模な計算資源があって初めて効果を発揮する「計算資源依存型」のイノベーションであったことが実証的に示されている。計算資源が固定された状態で達成できるアルゴリズム改善は約3.5倍程度にとどまり、桁違いの能力向上には計算資源の拡大が不可欠だったというのである。さらにEge Erdilは長期タイムラインの議論の中で、ソフトウェアのフィードバックループだけで爆発的な変化が駆動されるシナリオは考えにくいと論じており、その理由としてAI研究者の仕事の自動化は一般的なリモートワークの自動化と同程度に困難であること、そしてアルゴリズム効率という概念自体の測定が不確実であることを挙げている。この立場では、AIの能力向上にはチップ製造、エネルギー供給、データの蓄積といった産業全体の発展が不可欠であり、知能爆発は産業爆発と並行して——つまりより緩やかに——進まざるを得ないことになる。

簡潔にまとめれば、「賢さだけでどこまで行けるか」について楽観的であるほどテイクオフは速くなり、「物理的なインプットがどうしても必要だ」と考えるほどテイクオフは遅くなる。しかし重要なのは、いずれの立場でも最終的な結論は同じだということである。テイクオフが速い場合は知能爆発が先行し、その後に産業爆発が追いつく。テイクオフが遅い場合は知能爆発と産業爆発が並走しながら互いを加速する。どちらの経路をたどっても、10年程度で数百年分の変化をもたらすという到達点は共有されているのである。

論者間の比較

この表が意味すること

この表の全員が「AGIピルを飲んでいる」。つまり全員が、AGI以後に人類文明を根本から変えるような加速的変化が起こりうると考えている。意見が分かれているのはその速度——そしてその速度を規定する「ソフトウェアだけでどこまで行けるか」という技術的論点——であって、変化の有無ではない。

翻って、AGIピルを飲んでいない大多数の人々は、AGIが来ても「ChatGPTがもう少し賢くなる」「ホワイトカラーの業務効率が上がる」程度の変化しかイメージしていない。Cotraの言葉を借りれば、この人々は「AGIは2%の経済成長を少し長く維持してくれる次のイノベーション」だと考えている。

AGIピルを飲んでいる人々は、AGI以後数年から10年で人類が未知の超知的存在と遭遇するに等しい事態が起こると考えている。つまり、AGIピルを飲んでいる人と飲んでいない人の間にある認識のギャップは、飲んでいる人々の間でのfast vs slowの違いよりも、桁違いに大きいのである。

テイクオフの速度とp(doom)の相関

興味深いことに、知能爆発の速度を速く見積もっている論者ほど、AIが人類に壊滅的な被害をもたらす確率——AI安全性コミュニティで「p(doom)」と呼ばれる指標——を高く見積もる傾向がある。これは偶然の一致ではなく、構造的な理由がある。

テイクオフが速いほど、人間がAIの急速な能力向上に対応し、制御メカニズムを整備し、アライメント（AIの目標を人間の意図に沿わせること）を達成するための時間的余裕が少なくなる。数日で超知能が出現するなら、人間がその過程を監視し介入する余地はほとんどない。逆にテイクオフが10年かけて緩やかに進むなら、途中で問題を発見し修正する機会が何度もある。

Yudkowsky自身は「p(doom)」という数値指標を使うこと自体に懐疑的だが、著書のタイトル*If Anyone Builds It, Everyone Dies*（「誰かが作れば、全員死ぬ」）や、成功確率を「極めて低い対数オッズ」と表現したブログ記事などから、彼のp(doom)は95%以上と広く解釈されている。彼にとってアライメント問題は、人類がまだ解決の糸口すら掴めていない根本的な難問であり、解決される前に超知能が出現してしまう確率が極めて高いのである。

Kokotajloはp(doom)を約70%と推定していた（2024年時点）。彼はOpenAIの元ガバナンス研究者であり、AGIの開発が「無謀に」進められているという懸念から同社を退職し、約200万ドル相当の株式報酬を放棄した人物である。ただし彼は別の議論の中で、アライメントへの実質的な努力が行われれば20〜30%まで下げられる可能性があるとも述べている。テイクオフが1年以内という速さでは安全策を講じる時間が限られるが、努力次第で結果は変わりうるという立場である。

Davidsonについては明示的なp(doom)の数値は公表されていないが、ForethoughtでAIによるクーデターのリスクや超知能AIの制御問題を研究しており、リスクを深刻に受け止めている。彼のテイクオフ推定が「数年」であることは、対応の時間的猶予がある程度あるという見方と整合しており、YudkowskyやKokotajloほどの悲観には至っていないと推察される。

対照的に、Epoch AIのEge ErdilとTamay Besirogluはアライメント問題に対して最も楽観的な立場を取っている。Dwarkesh Podcastでのインタビューでは、彼らは「アライメント」というフレーミング自体が誤りだと主張しており、AIのリスクは制御不能な超知能の暴走よりも、経済的・社会的な構造変化から来ると考えている。彼らがMechanizeというAI労働の自動化を目指すスタートアップを共同創業したこと自体が、AGIの産業応用に対する楽観を端的に示している。10年というテイクオフのタイムスケールは、社会がAIに適応し、問題を逐次的に解決していく時間的余裕を意味しており、壊滅的な結果にはなりにくいという見方と整合的である。

この相関を整理すると以下のようになる。

この相関は、AGIピルを飲んだ上での議論の中に、もう一つの重要な軸が存在することを示している。テイクオフが速いと考える論者は「時間がない」ゆえに悲観的になり、テイクオフが遅いと考える論者は「時間がある」ゆえに楽観的になる。しかしいずれの立場でも、AGIの開発が人類にとって前例のないリスクを伴うことは共有されている。意見が分かれているのは、そのリスクが制御可能かどうか、そして制御のための時間が十分にあるかどうかという点なのである。

以下にそれを象徴するxで共有されていた図を参考に掲載する。

横軸にAIが安全か否か、縦軸にAIが強力になるかどうかをプロット

付録2——AGIのタイムライン

本記事の議論とAGIタイムラインの関係

本記事で論じてきた技術爆発と産業爆発は、AGIが開発されたという条件のもとで起こる現象である。したがって「AGIがいつ開発されるか」という問いは、技術・産業爆発の議論そのものとは独立した別の問いであると同時に、それがいつ現実になりうるかを決定する前提条件でもある。

もしAGIの開発が2030年頃であれば、技術・産業爆発は2030年代から2040年代にかけて展開されることになる。もしAGIの開発が2050年頃であれば、技術・産業爆発もそれだけ先の話になる。本記事の分析——半内生的成長モデルの帰結、自己複製ロボットの物理的蓋然性、経験曲線による加速——はAGIの開発時期に依存せず成立するが、「私たちの生きている間にこれが起こるかどうか」はAGIタイムラインに大きく左右される。

AGIタイムラインの現状

AGIがいつ開発されるかについても、研究者間で大きな意見の相違がある。ここでは本記事で登場した論者たちのタイムライン推定を簡潔に整理する。

AI Futures Project（Daniel Kokotajlo & Eli Lifland）

AI 2027を公開したAI Futures Projectは、AGIタイムラインについて最も精緻な定量モデルを構築している組織の一つである。

Daniel Kokotajloは2022年から一貫して短いタイムラインを主張してきた。彼のAGIの中央推定は2027年から2028年であったが、2025年12月時点では2029年末（2030年初頭）に更新されている。もう一人の中心的研究者であるEli Liflandの中央推定は2035年頃であり、Kokotajloよりも5〜6年長い。

AI Futures Projectの定量モデル（2025年12月版）では、「完全自動化コーダー」（人間の最高のエンジニアと同等以上のコーディング能力を持つAI）の中央推定が2031年頃、そこから超人的なAI研究者を経て超知能（ASI）に至るまでの中央推定が2030年代半ばとされている。AI 2027公開時（2025年4月）のモデルと比べると3〜5年後ろにずれているが、これは主にAI R&D自動化のモデリングの改善によるものであり、経験的データの変化によるものではないとされている。

Epoch AI（Ege Erdil）

Epoch AIの（元）研究者Ege Erdilは、主要な論者の中で最も長いタイムラインを主張している。Dwarkesh Podcastでのインタビューでは、人間の代替となるリモートワーカーの実現時期について「2045年頃」と回答している。Epoch AIのポッドキャストでは、GDP成長率が5%を持続的に超えるまでの中央推定を「35年程度」（2060年頃）としている。さらに2023年のKokotajlo・Cotraとの議論では、変革的AIの中央推定を2073年としていた（その後短縮されている）。

Erdilが長いタイムラインを取る理由は、彼自身の記事で詳細に論じられている。第一に、現在のトレンドを素直に外挿してもリモートワーク完全自動化までには10年程度かかり、そのトレンド自体も減速する可能性が高いこと。第二に、ソフトウェアのみの知能爆発がトレンドを劇的に加速させるメカニズムとしては不十分であること。第三に、モラベックのパラドクス——AIは推論やコーディングでは優れていてもエージェント的な実世界タスクでは遅く高コストになる——により、AI能力のベンチマーク上の進歩が実世界の経済的インパクトに直結しないこと。

その他の参照点

より広い文脈では、AGIタイムラインの推定は年々短縮される傾向にある。AnthropicのCEO Dario Amodeiは「ほぼすべてにおいて人間を超えるAI」が2〜3年以内に実現する可能性があると述べている。Metaculusの集合予測では「最初の汎用AIシステム」の中央推定が2033年とされている（2025年10月時点）。2023年の大規模なAI研究者調査では、定義によって中央推定が2047年から2116年と大きく揺れ、専門家間の不確実性の大きさを示している。

タイムラインが異なっても結論は変わらない

AGIタイムラインの推定が2030年であれ2050年であれ、本記事の核心的な主張——AGIが開発されれば技術爆発と産業爆発が起こりうるという構造的な議論——は変わらない。半内生的成長モデルの帰結も、自己複製ロボットの物理的蓋然性も、経験曲線による超指数関数的成長も、AGIの開発時期とは独立した論理である。

変わるのは「それがいつ始まるか」だけである。そしてKokotajloのように2030年頃を推定する論者であれErdilのように2045年頃を推定する論者であれ、全員が「AGIが開発されれば、その後の変化は人類史上例のないものになる」という点では一致している。その意味で、AGIタイムラインの不確実性は技術・産業爆発の議論を「遠い未来の話」として退ける理由にはならない。むしろ短いタイムラインの可能性——たとえ30%や20%であっても——を真剣に受け止め、その帰結について今から考え始めるべき理由なのである。

付録3——AGIがなくても十分すぎるほどの変化が起こりうる

AGIという概念の途方もなさ

本記事ではAGIが開発された場合に何が起こるかを論じてきた。しかしここで一歩引いて、「AGI」という概念そのものについて考え直したい。

AGIとは、人間のできることならほぼ何でも効率的に実行可能なAIシステムである。本記事で見てきたように、もしそのようなシステムが本当に実現すれば、帰結はカルダシェフ・スケールの宇宙文明、数百年分の技術進歩の10年への圧縮、マインドアップローディングの実現といった、人類史の根本的な断絶になりうる。AGIとはそれほど途方もない概念なのである。

しかし現在の議論では「AGI」という言葉があまりにも気軽に使われている。「来年AGIができる」「AGIまであと2〜3年」といった発言がAI企業のCEOたちから日常的に発せられ、メディアもそれを大きく取り上げる。だがもしAGIが本当にここまで論じてきたような帰結をもたらすのであれば、「来年AGIができる」とは「来年から人類文明が根本的に変容し始める」と言っているに等しい。その重みに見合った議論がなされているかは疑問である。

AGIの手前でも産業革命級の変化は起こりうる

ここで重要なのは、AGIに到達しなくても——つまり人間のタスクの100%ではなく、たとえば20%や30%を自動化するだけでも——その経済的インパクトは産業革命に匹敵しうるということである。

この点を定量的に理解するために、ハーバード大学のBoaz Barakがブログ記事で紹介しているB. Jones（2025）の生産性モデルが参考になる。Jonesのモデルの簡略版では、AIによる生産性向上は、自動化できるタスクとできないタスクの「調和平均」（ハーモニック・ミーン）で決まるとされる。

具体的には、全タスクのうちρの割合が自動化不可能で、残りの(1-ρ)がAIによって自動化可能であり、AIの生産性が人間のλ倍だとする。このとき生産性の向上倍率は以下の調和平均で表される：

生産性向上 \= 1 / \[ρ/1 \+ (1-ρ)/λ\]

このモデルの重要な含意は、たとえAIの生産性λが無限大であっても、自動化不可能なタスクの割合ρが残る限り、生産性向上の上限は1/ρに制限されるということである。これは直感的にも理解できる。もしタスクの90%を自動化できたとしても（ρ=0.1）、残り10%は依然として人間が行わなければならないので、一人の労働者が処理できる仕事量は最大10倍にしかならない。

ではこのモデルで、AGIに至らない「部分的な自動化」はどの程度のインパクトを持つのか。

Barakの計算によれば、認知労働はGDPの少なくとも30%程度（労働分配率の約半分）を占めている。もしAIがこの認知労働を完全に自動化できれば、GDPは1/0.7 ≈ 42%増加する。これが10年かけて実現すれば年率約3.5%の追加成長に相当する。現在の米国のGDP成長率が約2%であることを考えると、これだけで成長率がほぼ3倍になる計算である。

さらにJonesのモデルでは、「変革的AI」（Transformative AI）の閾値を産業革命と同等の生産性10倍の成長と定義した場合、必要な条件は自動化率とAI生産性の組み合わせで決まる。重要なのは、この閾値に到達するためにタスクの100%を自動化する必要はないということである。たとえばAIの生産性λが100倍（特定のタスクで人間の100倍速く正確に作業できる水準——現在のAIコーディングツールは一部のタスクでこの水準に近づいている）であれば、タスクの約80%の自動化（ρ≈0.2）で産業革命級の変革が達成される。λが1000倍なら約65%の自動化で十分になりうる。

つまりAGIが意味する「100%の自動化」に到達するはるか手前で、人類はすでに産業革命に匹敵する経済的変革を経験している可能性が高いのである。

数字で見る「AGIの手前」のインパクト

これを具体的な数字で考えてみよう。

現在の世界のGDP成長率は年間約3%であり、過去150年間の米国の一人当たりGDP成長率は約2%でほぼ一定であった。Barakが指摘するように、電化、内燃機関、コンピュータ、インターネットといった画期的な発明でさえ、この2%のトレンドを変えることはなかった。

しかしAIによる部分的な自動化は、この150年間の安定した成長トレンドを初めて破る可能性がある。

仮にAIが経済全体のタスクの20%を自動化し、そのタスクにおけるAIの生産性が人間の50倍だとする（控えめな仮定である）。Jonesの調和平均モデルに当てはめると、全体の生産性は約1.2倍に向上する。これが5年で実現すれば年率約4%の追加成長——つまり米国のGDP成長率が2%から6%に跳ね上がることを意味する。GDPの倍増時間が35年から12年に短縮される。

タスクの30%が自動化され、AIの生産性が100倍であれば、全体の生産性は約1.4倍となり、10年で実現すれば年率約3.5%の追加成長。米国のGDP成長率は5.5%になる。これは戦後日本の高度成長期（年率約10%）に近い水準である。

そしてこれらはすべてAGIの「手前」の話である。タスクの50%以上が自動化され、本記事の本文で論じたような技術爆発と産業爆発のフィードバックループが回り始めるのは、そのさらに先の話になる。

過去80年の自動化トレンドとの断絶

ここで一つ重要な留保がある。Barakが引用するC. Jones and Tonetti（2025）のデータによれば、過去80年間の自動化のトレンドは極めて緩やかな線形成長であり、労働に占める自動化タスクの割合は年率一桁パーセントの速度でしか増加しておらず、その速度はむしろ低下傾向にあった。

したがって、もしAIが上記のような急速な自動化を引き起こすとすれば、それは過去80年のトレンドからの明確な断絶を意味する。これが起こるかどうかは、METRが測定しているようなAIの能力の指数関数的成長（タスクの時間的な複雑さが6ヶ月で倍増）が今後も続くかどうかにかかっている。Barakはこの点について、成長のスロープ（傾き）自体にはこれまで減速の兆候が見られないと述べつつも、実世界のタスクへの適用には「乱雑さの税」（messiness tax）がかかることを認めている。

AGIピルを飲まなくても見える風景

この付録で伝えたいのは、以下の点である。

本記事の本文で論じた技術爆発と産業爆発は、AGIが開発された場合の帰結であり、そのスケールはカルダシェフ・スケール文明への移行という途方もないものである。しかしAGIの実現可能性や時期について懐疑的な読者であっても、Jonesのモデルが示すように、タスクの20〜30%が自動化されるだけで産業革命に匹敵する経済変革が起こりうるという点は真剣に受け止めるべきである。

現在のAI能力の成長トレンド——METRが測定しているタスク複雑さの6ヶ月倍増——が今後数年間続くだけでも、認知労働の相当な部分が自動化可能になる。それだけでGDP成長率は数%から場合によっては10%以上に跳ね上がり、世界経済の構造が根本的に変わりうる。これはAGIピルを飲んでいなくても直視すべき現実である。

そしてもしそのような部分的な自動化がさらに進み、50%、70%、90%とタスクの自動化率が上がっていくなら——その時点でAGIに近づいている——本記事で論じた技術爆発と産業爆発のフィードバックループが現実のものとなり始める。AGIは0か100かの二値的な概念ではなく、自動化率が連続的に上がっていく過程のその先にある。そしてその過程のどの段階であっても、すでに歴史的な規模の変化が進行しているのである。

付録4——科学の加速にはどのような物理的上限があるのか

ここまでの議論は半内生的成長モデルという経済学のフレームワークに基づいていた。研究努力量が1000万倍に増えれば、収穫逓減を考慮しても数百年分の進歩が可能だという議論である。しかし読者は疑問を持つだろう。研究努力量が1000万倍に増えても、物理的な実験や検証にはどうしても時間がかかるのではないか。AIがいくら賢くても、化学反応を待つ時間や材料の耐久試験にかかる時間は変えられないのではないか——と。

これはもっともな疑問であり、半内生的成長モデルとは独立に、科学研究の加速の物理的上限を考える必要がある。以下では物理法則が許す研究の「速度制限」がどこにあるのか、そして現在の人類の研究がその上限からどれほど離れているのかを考察する。

現在の科学研究はなぜ遅いのか

現在の科学研究が遅い大きな要因の1つは、実は物理法則ではない。研究者が研究以外のことに時間を取られているという極めて人間的な問題である。

米国の大規模調査（FDP Faculty Burden Survey）によれば、連邦研究資金を受けている主任研究者（PI）が研究プロジェクトに割く時間のうち、実に42%が管理業務——報告書の作成、予算管理、コンプライアンス対応——に費やされている。研究費申請だけでも一件あたり平均116時間（約3週間分のフルタイム労働）を要するという調査結果もある。装置の待ち時間、試薬の調達、学生の指導、査読、学会出張——これらを合わせると、研究者が「実際に科学をしている」時間は全体の半分程度にすぎない。

さらに実験が稼働している時間でさえ、人間の研究者は通常1日8時間・週5日しか実験を行わない。装置は夜間も休日もアイドル状態にある。つまり現在の科学研究の速度は、物理法則が許す上限とは全く無関係な、人間の生活リズムと制度的摩擦によって決まっているのである。

物理的タイムスケールの階層——物理法則はどこまで速いのか

では物理法則が許す研究の「速度制限」はどこにあるのか。科学研究に関わる物理過程の時間スケールを階層的に整理してみよう。

第1層：分子レベルの反応時間（10^-15秒〜秒）。 科学研究の最も基本的な物理過程——原子や分子が動き、反応し、結合する——のタイムスケールは驚くほど速い。電子の遷移はフェムト秒（10^-15秒）オーダーで事実上瞬時に起こる。共有結合の形成・切断はピコ秒〜ナノ秒（10^-12〜10^-9秒）。タンパク質の折り畳みはマイクロ秒〜ミリ秒。酵素反応の1サイクルはミリ秒オーダーであり、生体内のリボソームは1秒間に約20個のアミノ酸を連結する。バクテリアの細胞分裂でさえ、大腸菌なら理想条件で約20分で倍増する。

Yudkowskyが*If Anyone Builds It*のリソースページで指摘している通り、生物の分子機械は既に驚異的な速度で動作している。キネシンというモータータンパク質は毎秒200歩を踏み、リボソームは毎秒20アミノ酸を連結してタンパク質を合成する。これらは「ナノスケールの自動工場」であり、物理法則が許す分子操作の速度がいかに速いかを示す存在証明である。

第2層：熱拡散と物質移動（ミリ秒〜時間）。 分子反応そのものは速いが、反応に必要な分子が「正しい場所に到達する」のには時間がかかる。これは拡散と対流のタイムスケールで決まる。マイクロ流体デバイス内（チャンネル幅100μm）ではミリ秒オーダーだが、試験管スケール（1cm）では数分〜数十分、工業プロセスでの反応器スケールでは分〜時間、焼結や結晶成長のようなマクロスケールのプロセスでは時間〜日となる。

ここに極めて重要な物理法則がある。物質拡散を支配するフィックの法則と、熱伝導を支配するフーリエの法則はいずれも同じ数学的構造を持ち、そこから特性時間がシステムの特性長さの2乗に比例するという帰結が導かれる。つまりシステムを10分の1に小型化すると、拡散にかかる時間は100分の1になる。具体的に検算すれば、水中の小分子の場合、試験管スケール（1cm）では拡散に1日オーダーかかるが、マイクロ流体デバイス（100μm）では10秒、細胞スケール（10μm）では0.1秒と、確かに2乗則に従って急激に短くなる。これがForethoughtのTom Davidsonが産業爆発の動画で指摘した「表面積対体積比」の議論と直結する——小さい機械ほど速く動作できる物理的理由がまさにこれである。熱拡散についても同じスケーリングが成り立ち、大きな機械や材料では内部の温度均一化に時間がかかるが、ナノスケールでは熱拡散は実質的に瞬時である。生物の細胞がこれほど速く動作できる理由の一つが、このスケール効果なのである。

第3層：人間の研究サイクル（日〜年）。 現在の人間の科学研究のサイクルは、第1層・第2層の物理的タイムスケールとは全く異なるスケールで動いている。一つの実験の設計から実行までに日〜週かかる（試薬の調達、装置のセットアップ、プロトコルの準備に大半の時間が費やされ、反応そのものは全体のごく一部）。一連の実験（一つの論文分）には月〜年。論文の執筆と査読に半年〜2年。他の研究者がその成果を活用するまでにさらに数年。

つまり化学反応は秒で終わるのに、一つの実験プロジェクトには月〜年かかっている。この数桁のギャップの大部分は、人間の認知速度、制度的摩擦、コミュニケーション遅延という「人間由来の要因」で説明される。

物理的プロセスと人間の研究のギャップ

これらの層を比較すると、現在の科学研究の速度と物理的なプロセスの速度の間に途方もないギャップがあることがわかる。

典型的な例として、新しい触媒の発見を考えてみよう。触媒反応そのものはミリ秒〜秒で完了する。しかし人間の研究者が一つの触媒候補を評価するのに1日〜1週間かかる（試料準備、装置セットアップ、測定、データ解析を含む）。そして有望な触媒を見つけるまでに数百〜数千の候補を試す必要がある。全体として数年のプロジェクトになる。

ここで反応時間（秒）と全プロジェクト時間（数年≈10^8秒）の比は10^8——つまり科学研究の速度は、物理的な反応速度より8桁（1億倍）遅い。このギャップの大部分は以下で構成されている。試料準備・装置セットアップの時間が反応時間の10^3〜10^5倍。必要な実験回数（無駄な探索を含む）が10^2〜10^3回。人間の判断・解析の時間が各実験の間に数時間〜数日。制度的レイテンシ（申請、査読、コミュニケーション）が全体の30〜50%。

AGIと自律実験室の組み合わせは、これらのギャップの各層を攻撃する。SDLが24/7連続稼働し（稼働時間3〜4倍）、アクティブラーニングで実験数を削減し（6〜100倍）、マイクロ流体デバイスで反応スケールを小型化し（拡散時間100倍短縮）、人間の判断をAIが代替し（数時間→数秒）、制度的摩擦をゼロにする（即時の知識共有）。これらの掛け算で10〜100倍の加速は「保守的な技術の延長線上」に見えており、万倍オーダーの加速も分野によっては理論上射程に入る。

「不可避な遅さ」の多くは物理ではなく制度に由来する

ここまでの議論に対して、「物理学や化学はそうかもしれないが、生物学や医学には不可避な遅さがあるのではないか」という反論がありうる。臨床試験には何年もかかり、これは人間の身体が薬に反応する時間という物理的制約に見える。

しかしこの「遅さ」を分解してみると、物理的制約と制度的制約の比率は多くの人が直感するものとは大きく異なる。

典型的な新薬の開発には10〜15年かかるとされるが、そのうち物理的に不可避な時間——化合物の合成、in vitro試験、動物実験の生物学的プロセスそのもの——は全体のごく一部にすぎない。大半は規制当局への申請手続き、臨床試験プロトコルの設計と審査、被験者の募集、サイトの立ち上げ、データモニタリング委員会のレビュー、中間報告、そして審査機関の判断待ちである。COVID-19ワクチンの開発がわずか11ヶ月で完了したことは、規制の障壁が取り除かれた場合に医薬品開発がどれほど加速できるかの実例である。

さらに、臨床試験の「物理的に不可避」と思われている部分自体も、技術革新で大幅に短縮される可能性がある。

第一に、バイオマーカーによる代替がある。薬の長期的な効果を何年も待って臨床的エンドポイント（実際の疾患の発症や死亡）で評価する代わりに、短期間で測定可能なバイオマーカー（血中のタンパク質濃度、遺伝子発現パターン、画像上の変化など）が薬効の早期指標として使えれば、試験期間は年単位から週〜月単位に短縮されうる。AGIが膨大な既存の臨床データを統合解析し、従来見逃されていた高精度のバイオマーカーを発見すれば、この短縮幅はさらに大きくなる。

第二に、計算によるシミュレーションがある。臓器チップ（organ-on-a-chip）やデジタルツイン（人間の身体の計算モデル）は、動物実験や初期臨床試験の一部を代替する技術として急速に発展している。個人のゲノム情報と既存の薬効データを組み合わせた計算モデルが十分に精緻になれば、「この化合物がこの患者集団にどう作用するか」を実際に投与する前にかなりの精度で予測できるようになる。完全な代替は困難としても、候補化合物の絞り込みに使えれば臨床試験に進む化合物の数を大幅に減らし、全体のサイクルタイムを短縮できる。

第三に、実験の小型化・並列化がある。先述のマイクロ流体技術は生物学の実験にも適用されており、数千の条件を同時並列で試すことが可能になっている。細胞レベルの実験では、ハイコンテントスクリーニング（自動顕微鏡と画像解析の組み合わせ）が1日に数百万の個別細胞の応答を記録できるようになっている。そしてこれらの技術は先述したスケール効果の恩恵を直接受ける——マイクロ流体デバイス内では拡散も熱伝達も桁違いに速く、同じ生物学的反応をはるかに短い時間で完了させることができる。

規制という人間社会側の制約を別にすれば、生物学や医学の研究でも物理的に不可避な部分はおそらく全体の10〜20%程度であり、残りの80〜90%は技術革新とAGIによって大幅に圧縮されうる。Hebenstreit et al.の生物医学研究の加速に関する分析（Scientific Reports, 2025年）が将来のAIで物理的タスク最大25倍、認知的タスク最大100倍の加速を見込んでいるのは、まさにこの構造を反映している。生物学であっても、物理法則が課す上限は現在の研究速度よりはるかに高い位置にあり得る。

10倍から100倍の加速は現在の延長線上に見えている

上記の考察は理論的なものだが、実際の技術開発もこの方向に急速に進んでいる。ここで注目すべきなのが「自律実験室」（Self-Driving Laboratory, SDL）の急速な発展である。

SDLはAIとロボティクスを統合し、仮説の生成から実験の設計・実行・解析・次の実験の計画までを人間の介入なしに自律的に行うシステムである。Tom et al.の2024年の包括的レビュー（Chemical Reviews掲載）は、化学・材料科学におけるSDLの現状を体系的に整理しており、Royal Society Open Scienceの2025年のレビューもこの分野の急速な進展を報告している。複数の研究のベンチマーク分析では、SDLは中央値で加速係数6——つまり従来の6分の1の時間と実験数で同じ目標に到達する——を達成している。メリーランド大学のAMASEシステムは、合金の温度-組成相図を自律的に決定する際、探索空間のごく一部のみを実験することで必要実験数を6分の1に削減した（Science Advances, 2025年）。

しかし中央値6倍はSDLの能力の上限ではない。個別の研究では桁違いに大きな加速が既に実測されている。

リバプール大学のBurger et al.（2020）は、移動型ロボット化学者が16の並列サンプルを扱いながら8日間で688回の実験を自律的に遂行したことを報告している（Nature掲載）。手動では1実験あたり約半日かかるため、これだけで約40倍の加速に相当する。さらに同論文は、完全手動のワークフローとの比較では最大約100倍、半自動ワークフローとの比較でも約10倍の加速係数を推定している。

この実測値と独立に、Delgado-Licona & Abolhasani（2022）はSDLの技術ロードマップを示し、材料・分子の発見を10〜100倍に加速できると予測している（Advanced Intelligent Systems掲載）。彼らはこの加速を個別の要因に分解している。ロボティクスによる自動化で2倍、アクティブラーニング（AIが次に行うべき実験を最適に選択する手法）で5〜20倍、プロセス集約化（マイクロ流体技術などによる実験の小型化・高速化）で最大100倍、連続稼働で2〜3倍。これらは独立した要因であるため掛け算で効いてくる。

重要なのは、Burgerらの実測ベースの推定とDelgado-Liconaらのロードマップベースの予測が、異なるアプローチから独立に同じ10〜100倍というレンジに収束していることである。片方は実際に動いているロボットの実験結果であり、もう片方は個別の加速要因を積み上げた技術的予測である。この二つの独立した分析が整合しているということは、10〜100倍という加速が楽観的な願望ではなく、技術的に到達可能な範囲であることを強く示唆している。

Hebenstreit et al.（2025）も、これらの研究を含む16の文献からの加速係数を体系的にレビューした上で、将来の高度なAIで認知的タスクに最大100倍、物理的タスクに最大25倍の加速が見込まれると結論づけている（Scientific Reports掲載）。

Mission Innovationの国際的な研究イニシアチブ（2018年）は、「Materials Acceleration Platform（MAP）」構想を提唱し、材料の発見から商用化までの期間を従来の10〜20年から1〜2年に短縮すること——つまり5〜20倍の加速——を目標として明示している。これは発見から社会実装までの全工程を含んだ数字であり、純粋な「発見・最適化」フェーズの加速率はこれより大きい。同レポートはこの構想を「材料発見のためのムーアの法則」と表現している。

これらを総合すると、研究の「発見・最適化」フェーズでは10倍から100倍の加速が実測データと技術ロードマップの両方から裏付けられており、社会実装まで含めた全工程でも5〜20倍の短縮が国際的な研究目標として設定されている。

しかし天井はもっとはるかに高い可能性がある

上記の10〜100倍という数字は重要だが、これが物理的な上限を意味するわけではない。むしろ、個々の加速要因を掛け合わせると、天井はさらに数桁上にある可能性が示唆される。

計算によるシミュレーションの加速は、分野によっては途方もない桁数に達している。最も劇的な例はDeepMindのAlphaFoldで、50年以上かけて実験的に解明されたタンパク質構造が約22万6千個であったのに対し、AlphaFoldは2億以上の構造を実験精度に匹敵する水準で予測した。一つの構造を決定するのに数ヶ月〜数年かかっていた作業が数分に短縮されており、構造あたりの「有効研究資本」は万倍から十万倍のオーダーで効率化されたことになる。材料科学でもAIサロゲートモデルが従来のシミュレーションの1000〜100,000倍の速度で予測を行えるようになっている。

装置のスループットについても、液滴マイクロ流体技術は1日あたり1000万変異体のスクリーニングを可能にしており、従来のハイスループット・スクリーニング（1日あたり1万〜10万化合物）と比べて100〜1000倍のスループット向上を実現している。ゲノム解読のコストはヒトゲノム計画時の約3億ドルから1000ドル未満へと10万倍以上低下した。

これらの個別の加速要因を掛け合わせると——たとえば、必要実験数の削減（10〜600倍）×装置スループットの向上（100〜1000倍）×連続稼働（2〜4倍）×シミュレーションによる代替（100〜10,000倍）——分野によっては万倍から数千万倍のオーダーの実効的な加速が理論的に射程に入ってくる。もちろんこれは全分野の平均ではなく、計算主導型の分野（タンパク質構造予測、材料設計など）で最も大きく、本質的に物理実験が必要な分野では限定的である。しかし少なくとも「物理法則が許す加速の天井」は、現在のSDLが達成している6倍や10倍よりもはるかに高い位置にあることを示唆している。

そしてこれらの数字はすべて、現在のAI——人間レベルかそれ以下の能力——で達成されたものである。AGIや超知能がこれらの技術をさらに発展させ、まったく新しいシミュレーション手法や実験手法を開発した場合、加速の幅がさらに大きくなりうることは容易に想像できる。

さらにその先——人間の知能は宇宙の上限ではない

ここまでは「現在の技術と物理法則から見える加速」の話をしてきた。しかしAGIや超知能の議論では、さらに根本的な問いが浮かび上がる。そもそも「実験」はどこまで必要なのか？

Yudkowskyは*If Anyone Builds It*のリソースページで、知性が十分に高ければ実験の必要性そのものが大幅に削減されると論じている。より賢い推論者は、同じデータからより多くの情報を引き出せる。不確実な場合は「両方のシナリオに対応する装置を一つ作って実験を省略する」ことができる。より速くより情報量の多い実験を設計できる。場合によっては既存のデータから答えを演繹し、新規実験を完全にスキップできる。

アインシュタインの例はここでも示唆的である。アインシュタインは一般相対性理論を極めて限られたデータから導出し、理論の実験的検証は8年後に行われた。しかし理論が正しいことは既知のデータ（水星の近日点の歳差運動）から既にわかっていた。Yudkowskyの言い方を借りれば、「新しいデータでの検証だけを『証拠』とカウントする」のは、人間の確証バイアスや事後知恵バイアスへの対策であって、推論の論理的必然ではない。十分に賢い推論者であればそうした認知的バイアスに悩まされることなく、既存データからはるかに多くの帰結を導出できるだろう。

Scott AlexanderがAstral Codex Tenの記事で指摘した比喩はここで核心を突く。人間の知能はベルカーブを描いている。ウサイン・ボルトは運動能力のベルカーブの端にいる特異な才能だが、彼の記録が宇宙の速度制限に一致していると考える人はいない——実際、光速はボルトの約1000万倍だ。同様に、人類最高の科学者の研究効率が「宇宙が許す科学研究の上限速度」に一致していると期待する理由はない。ベルカーブの形状は人口規模で決まるのであって、物理法則で決まるのではない。ベルカーブの端が宇宙の限界と一致するというのはとんでもない偶然であり、そのような偶然を前提にする理由はない。

さらに重要なのは、AGIは人間の研究者の数が増えるだけの存在ではなく、研究の仕方そのものが質的に異なりうるということである。人間の研究者は論文を読んでも大部分を忘れ、限られた記憶と直感に頼って仮説を立てる。しかしAIは任意のデータセット——数百万の論文、数十億の実験結果、全ゲノムデータベース——を「頭の中に焼き付けて」、そのデータに最適化された推論を行うことができる。AlphaFoldがタンパク質の折り畳みを予測できるのは、人間の構造生物学者が百人いても千人いても再現できない種類の能力——17万個の既知構造の微細なパターンを同時に記憶し、そこから統計的規則性を抽出する——を持っているからである。これは人間の研究者を何万人集めても質的に到達できない認知様式であり、半内生的成長モデルが想定する「研究者数の増加」とは本質的に異なる次元の効果を持つ。

さらにAIは原理的に、その「脳」の規模を任意に拡大し、処理速度を任意に高速化できる。人間の脳は約860億のニューロンと毎秒数十メートルの信号伝達速度に固定されているが、AIにはそのような生物学的制約がない。必要に応じてパラメータを10倍にも100倍にもでき、推論速度も電子回路の速度（光速に近い）まで引き上げられる。そして人間の研究者間では、知識の共有には論文の執筆・査読・出版という年単位のプロセスを経なければならないが、AI研究者同士であれば学習済みの重みやコンテキストを瞬時にコピーし共有できる。ある分野で得られたブレイクスルーを、別の分野で働く数千のAI研究者が数秒後には完全に「理解」している——人間の科学コミュニケーションにおける年単位のレイテンシがゼロに近づくのである。つまりAGIによる研究の加速は、「同じ能力の研究者が増える」という量的変化と、「人間には不可能な認知様式で研究する」という質的変化と、「知識共有の摩擦が消滅する」というコミュニケーション革命の三つを同時にもたらしうるのである。

こうした質的変化を踏まえた上で、ここまでのタイムスケール分析に戻ると、具体的な数字がさらに説得力を持つ。化学反応の速度と人間の研究サイクルの比だけで見ても10^8倍のギャップが存在する。拡散のスケール則を使えば、ナノスケールの実験系は試験管スケールの10^4〜10^6倍速く動作しうる。認知速度の差、探索効率の差、コミュニケーション遅延の圧縮を加えれば、現在の人間の研究効率と物理的上限の間のギャップはさらに大きい。万倍の加速が可能な範囲に見えているということは、10万倍あるいはそれ以上の加速も物理法則によって禁止されているわけではないということを意味する。

Yudkowskyが指摘するように、生物学はナノスケールの機械工学の「存在証明」を提供している。リボソームは毎秒20アミノ酸を連結する「汎用ナノ工場」であり、大腸菌は20分で自己複製する。しかし生物はエネルギー効率でも材料強度でも物理的限界にはほど遠い——ダイヤモンドは骨より桁違いに硬く、人工のモーターは生物のモーターよりはるかに高い出力を出せる。生物を超える工学的設計が可能であることは、人類の既存の技術が既に証明している。AGIが発見する「物理限界に近いナノテクノロジー」は、生物のアナロジーからさらに何桁もの改善を実現しうる。

上限は物理が決め、到達速度は経済学が予測する

ここまでの分析を整理しよう。

この付録では、科学研究の加速について二つの異なるスケールの結論が得られた。

第一に、10〜100倍の加速は現在の技術の延長線上に見えている。自律実験室の実測データ（Burger et al.）と技術ロードマップ（Delgado-Licona & Abolhasani）が独立に同じレンジに収束しており、生物医学という加速が最も困難な分野のレビュー（Hebenstreit et al.）でさえ同程度の加速を見込んでいる。これらは既に動いている技術の組み合わせであり、原理的な突破を必要としない。

第二に、物理法則が許す天井はそこよりもはるかに高い。たとえば触媒研究の例で見たように、反応そのもの（秒）と人間の研究プロジェクト全体（数年）の間には何桁ものギャップが存在し、そのギャップの大部分は物理法則ではなく人間由来の要因で説明される。拡散のスケール則、認知速度の差、探索効率の改善、コミュニケーション遅延の圧縮を加えると、分野によっては万倍あるいはそれ以上の加速も物理的には禁止されていない。もちろんこれは「必ずそうなる」という予測ではない。しかし「物理法則がそれを禁止していない」という事実は、技術爆発の議論において決定的に重要である。なぜなら、物理的に禁止されていないことは、十分な研究努力量を投入すれば原理的に到達可能であることを意味するからだ。

ここで本文の議論に立ち戻ろう。半内生的成長モデルは「どれだけの研究努力量を投入すれば、どれだけの技術的アウトプットが得られるか」という労働力という入力と成果という出力の関係を予測する経済学の科学であり、AGI後の研究努力量が1000万倍に達すれば数百年分の技術進歩が可能だと予測している。そしてその速度の天井を規定するのが物理学であり、本付録で見てきたように、その天井は現在の研究速度よりはるかに高い位置にある可能性が高い。

つまり経済学は「1000万倍の研究努力量で数百年分の進歩が可能だ」と予測し、物理学は「その進歩が実現する速度の天井は、現在の研究速度よりはるかに高い位置にある」と示す。経済学が予測するアウトプットの規模を、物理学が許す速度の天井が十分に収容できる——この二つの独立した科学が整合的に「数百年分の進歩が10年で」という結論を蓋然性の高い形で支持するのである。