OpenAIとAnthropicにおける再帰的自己改善(RSI) · 第5節(全9節)
5. ボトルネックとテイクオフモデル
5.1 形式的テイクオフモデル
テイクオフ論争の枠組みとなる形式的または半形式的なモデルが四つあり、成長経済学の一連の研究がそのすべてに反論している。
Davidsonの計算資源中心モデル。 Tom Davidsonの「What a Compute-Centric Framework Says About Takeoff Speeds」(Open Philanthropy、2023年、https://www.openphilanthropy.org/research/what-a-compute-centric-framework-says-about-takeoff-speeds/)は、実効計算資源と、AIが実行できるAI研究開発タスクの割合を進歩の駆動要因として扱う [Davidson, 2023]。その中心推定によれば、AI研究開発タスクの約20%をこなせるAIから約100%をこなせるAIへの移行は数年しかかからない可能性があり、ソフトウェアのみによる加速も可能であるとされる。ただしこの結果は、ソフトウェア研究開発の収益率パラメータと、残された非自動化タスクが他のタスクをどれほど強くボトルネックするかに敏感である [Davidson, 2023]。[confidence: medium — a model output, heavily parameter-dependent, not a measurement.] このモデルは収穫逓減とボトルネックタスクを明示的に組み込んでおり、ソフトウェアのみのテイクオフが妥当であるとする主要な形式的論拠であって、素朴なハードテイクオフ論ではない。
Aschenbrennerの「Situational Awareness」。 Leopold Aschenbrenner(2024年6月、https://situational-awareness.ai/)は、実効計算資源とアルゴリズム進歩の桁数を直線的に外挿して2027年頃のAGI到達を導き、その後、数十万から数百万の自動化研究者のコピーがアルゴリズム進歩の10年分を1年に圧縮すると予測する [Aschenbrenner, 2024]。批判は次の通りである。外挿の対象となる「unhobbling」による利得は測定が困難で、持続しない可能性がある。この議論は実験用の計算資源が制約にならないと仮定しているが、Epoch AIはこれに直接異議を唱えている [Epoch AI, 2023–2025]。さらにAschenbrennerはAI投資ファンドを設立しており、このエッセイはその投資テーゼを兼ねているため、インセンティブ加重のルールが適用される。
テイクオフモデルとしてのAI 2027。 AI Futures Projectの「AI 2027」(Kokotajlo et al.、2025年4月、https://ai-2027.com/)は、タイムライン予測とテイクオフ予測を通じてその物語を形式化しており、2027年3月という日付の直接の出所である。モデルとしての特徴的な操作は、METRのタイムホライズン系列に超指数曲線を当てはめることにある。この曲線当てはめに対する実証的批判(titotalの分析、著者らの応答、著者ら自身によるその後の中央値の修正)は第4節で扱っており、ここでは繰り返さない。本節に属する論点は構造的なものである。すなわち、このモデルの劇的な日付は関数形とパラメータの選択によって決まっており、ボトルネック分析に基づくものではない。またこのモデルはハードウェア研究開発の自動化を完全に省いており、Eli Lifland自身が後に、自分のモデルのテイクオフが遅すぎる理由としてこれを挙げている [Lifland, Kokotajlo & Halstead, 2026]。
Erdil & Besirogluの爆発的成長論。 Ege ErdilとTamay Besirogluの「Explosive Growth from AI Automation: A Review of the Arguments」(arXiv:2309.11690、https://arxiv.org/abs/2309.11690)は、爆発的成長を世界GDPの年率約30%の成長(歴史的な成長率より一桁高い)と定義し、それは「人間の労働を広範に代替できるAIがあれば妥当と思われるが、この主張に高い確信を持つことは現時点では正当化されないように思われる」と結論づけている [Erdil & Besiroglu, 2023]。
彼らが重視するのはBaumol効果とO-ringの論理である。一部の必須タスクが自動化もスケールもできなければ、それらのタスクの相対的重要性が高まり、総成長率に上限を課す。したがってErdil & Besirogluは、速いタイムラインを生む側よりも対抗論の側に近い。Epoch AIのその後の研究は、同じ懐疑論をソフトウェアのみの知能爆発に特化して拡張している。AI研究が自動化されても、実験用の計算資源と実証的反復の速度が、利得を実現できる速さを制約する [Epoch AI, 2023–2025]。[confidence: high — a stated Epoch position.]
5.2 成長経済学からの対抗論
アイデアに適用されたBaumol論。 Aghion, Jones & Jonesの「Artificial Intelligence and Economic Growth」(NBER w23928、https://www.nber.org/papers/w23928)は、AIが生産を自動化する場合、Baumolの洞察から、ほぼ完全な自動化の下でも爆発的成長ではなく均衡成長となる十分条件が導かれることを示している。AIがアイデアの生産を自動化するモデルに適用しても、同じメカニズムが爆発的成長を妨げうる [Aghion, Jones & Jones, 2017/2019]。成長は結局、自動化された多数派のタスクではなく、自動化に抵抗する必須タスクによって支配される。半内生的成長モデルの版では、研究が完全に自動化されても、実効研究者人口そのものが爆発しない限り、双曲的ではなく指数的な成長にとどまる [Jones; Aghion, Jones & Jones, 2019]。これにより再帰的自己改善(RSI)の問いは、精密な経済学的問いの特殊ケースとなる。すなわち、AIは残余のボトルネックタスクなしにアイデア生産を自動化できるか。第5.3節のあらゆる制約は、残余タスクの候補である。
アイデアは見つけにくくなっている。 Bloom, Jones, Van Reenen & Webb(AER 110(4)、2020年、https://doi.org/10.1257/aer.20180338)は、成果の成長率を一定に保つために研究投入が指数関数的に増加してきたことを記録している。今日、チップ密度を倍増させるには1970年代初頭の18倍を超える研究者を要し、半導体分野の研究生産性は年率約6.8%で低下している [Bloom et al., 2020]。これが、あらゆる再帰が上回らなければならない基準率である。懐疑的な読みの方が鋭い。自動化された研究者は、人間が直面するのと同じアイデア生産関数を引き継ぐ。既存のワークフローを自動化することは、その関数への投入を増やすにすぎない。爆発にはその関数の曲率を変えることが必要であり、ベンチマークの記録にはAIシステムがそれを行っている証拠は何もない。RSIは研究を自動化するだけでなく、研究の限界収益の低下を上回らなければならない [confidence: high — Bloom et al. is a landmark empirical result; its application to RSI is an interpretive extension]。
保守的なアンカー。 Daron Acemogluの「The Simple Macroeconomics of AI」(NBER w32487、https://www.nber.org/papers/w32487)は、AIの全要素生産性への効果を10年間の累積で約0.53–0.66%(保守的ケースでは0.53%未満、年率約0.064%)と推定している。その論拠は、AIがこの期間に仕事のタスクの約5%を実質的に自動化するというものである [Acemoglu, 2024]。[confidence: high — this is the published estimate; critics such as Korinek & Trammell (NBER w31815) object that it excludes new tasks and find singularity-type growth possible under full automation.] Acemogluの10年規模で1%未満という値と、Erdil & Besirogluの年率30%という閾値との開きは、論争の全域にわたる。2026年12月から2027年3月というRSIの時間枠が成立するには、この開きの遠い裾が数か月以内に正しいと判明する必要がある。
5.3 制約スタックと2026年の数値
ソフトウェアのみの知能爆発には、計算資源、実時間での訓練時間、逐次的な研究時間、電力、資本、チップ、協調、そして研究センスのすべてが同時に制約にならないことが必要である。
実験用計算資源と、識別されていない弾力性。 AI研究は実験を走らせることで進み、実験はGPU時間を消費する。自動化された研究者が検証できる速さを超えてアイデアを生み出せば、計算資源がループを制約する [Epoch AI, 2023–2025; Davidson, 2023]。鍵となる実証パラメータは、研究用計算資源と認知労働が代替財か補完財かである。Whitfill & Wuは、OpenAI、DeepMind、Anthropic、DeepSeekの2014–2024年のデータに一定代替弾力性型の生産関数を当てはめ、分かれた結果を得た。両者が代替可能である(爆発を許容する)基準仕様と、両者が補完的である(爆発を阻む)フロンティア実験仕様である [Whitfill & Wu, 2025, arXiv:2507.23181]。率直にまとめれば、ソフトウェアのみの爆発という問い全体の帰趨を決めるパラメータを、入手可能なデータは識別していない。
並列化技術。 Phil TrammellによるEpoch AIの2026年7月29日の報告(https://epoch.ai/publications/parallelization-constraints-could-delay-a-technological-singularity)は、標準的なテイクオフモデルにはないパラメータを導入している。「実効研究投入は、生の研究投入と、その仕事を分割し、実行し、協調させ、統合するために必要な『並列化技術』のうち、より希少な方によって制限される」[Trammell, 2026]。
問題を分解し結果を再統合する技術が存在しなければ、有能なエージェントの1万のコピーは1万研究者年にはならない。Trammellは時期の予測を示さず、これを未解決の実証的問いとして位置づけている。Kirgis et al.のシャドウ評価(第3.3節)で記録された指示からの逸脱とリソース認識の失敗は、この協調技術がまだ存在しないことの直接の実証的証拠である [Kirgis et al., 2026]。これはAschenbrennerの「数百万の仮想研究者」論に対する直接の技術的反論である。
逐次的な実時間。 世代的なモデル改善には訓練の実行が必要であり、フロンティアの訓練はアルゴリズムの良し悪しにかかわらず数か月を要する。2026年のフロンティア訓練は1e26–1e27 FLOPと推定されている [secondary infrastructure analysis, 2026; confidence: low-medium]。認知労働をいくら投入しても、3か月の訓練をその物理的な所要時間より短くすることはできない。例外はアルゴリズムの変更だが、それ自体が訓練の実行によって検証されなければならない。OpenAIのCritical Self-Improvementの閾値(2024年の実時間の5分の1で世代的改善を達成し、それを数か月維持すること)が実時間で定義されているのはまさにこの理由による。そしてこの閾値を満たすと主張されたモデルは存在しない [OpenAI Preparedness Framework; METR, 2026c]。
電力。 データセンターのクリティカルIT電力需要の総量は、2023年の約49 GWから2026年には96 GWへとほぼ倍増すると予測されており、増加分の約90%はAI関連である。最大のフロンティアモデルの訓練に要する電力は年に2倍超のペースで増えており、このトレンドでは2030年までに数ギガワットに達する [Epoch AI data-center research, 2026; confidence: medium]。電力系統への接続とデータセンター建設は複数年のリードタイムで動く [SemiAnalysis, 2024–2025]。これは、ソフトウェアの利得をより大きな訓練に換金できる速さを年単位の時間軸で制約する。2026年12月から2027年3月のループが必要とする月単位ではない。[confidence: high — physical lead times are well documented.]
資金調達。現時点では制約ではない。 少なくとも資本は短期的な制約ではない。Epoch AIの2026年8月12日の分析は、Anthropicがベンダー支援型の仕組みを通じて米国内の計算インフラに500億ドルを投じると発表したことを記録している。内訳はTPUシステム向けの約350億ドルの負債と、1.43 GWのクリティカルIT容量に対する152億ドルの融資で、Broadcomが300億ドルを保証しており、2028年までに20 GW超のフロンティアラボ展開を支える設計のプラットフォーム上にある [Hutcheson, 2026]。同じ出典は、Anthropicの収益が2025年末の90億ドルから2026年5月までに470億ドル超に成長したと報じている [Hutcheson, 2026; UNVERIFIED — an extraordinary growth rate, not independently confirmed]。ハイパースケーラーの2026年の設備投資予測は6,000億ドルから8,000億ドルの範囲に集中している [Credit Sights via secondary, 2026; confidence: low-medium]。
チップ。 チップの1ドル当たり性能は年平均49%で成長しており、約1.7年ごとに倍増している [Epoch AI, 2026c; confidence: medium — Epoch data insight, not independently reconfirmed]。これは歴史的にみればどの基準でも速いが、4か月のループで計算資源を非制約にするにはまったく足りない。Raoの表現では、「フロンティアの各反復がチップ、ファブ、メモリに縛られているなら、ループは思考の速さで複利的に増えることはできない」[Rao, 2026]。
ハードウェア研究開発の自動化。 AI 2027モデルが省いたこの経路は実在するが、物理的な時計から逃れられない。AI支援のチップ設計は実運用水準にあり、漸進的である。GoogleのAlphaChipによる強化学習フロアプランニングは2021年のNature論文以来TPUのレイアウトに使われており、Cadence CerebrusとSynopsys DSO.aiは2026年のフラッグシップEDAツールで強化学習ベースの配置配線を標準機能として出荷している [agentic-EDA survey, arXiv:2512.23189; LLM-assisted EDA framework, arXiv:2601.14098]。AIはチップ設計の一部の工程を数か月からそれ以下に圧縮するが、リスピンには数千万ドルの費用と約6か月の遅延がかかり、ファブの生産能力、相互接続、電力のリードタイムがハードウェアの反復を物理的な時計の上に留めている。これはLiflandの修正(モデルが実在する経路を省いている)を部分的に支持する一方で、時期の点ではボトルネック論を支持する。
研究センス。 これは今やあらゆる当事者が認めるボトルネックであり、認めないことに最も強いインセンティブを持つ当事者も含まれる。Anthropic自身の文章では、研究センスと判断力、すなわち「どの問題が重要か、どの結果を信頼すべきか、あるアプローチがいつ行き止まりになるかを選ぶこと」は、「当面は人間が比較優位を持つ領域」にとどまる [Anthropic Institute, 2026]。RSIのサーベイは、「研究の方向性設定」がループの完全な閉鎖を妨げていると結論づけている [Chen, Wang & Qu, 2026]。
Anthropic内部からのJack Clarkの発言では、「今日のAIシステムには、価値ある直感的な創造性がある種欠けている」[MIT Technology Review, 2026a]。これは彼自身の2028年までに60%という予測に対する弱気のシグナルである。Kirgis et al.はこのギャップを五つの具体的な失敗モードとして測定した(第3.3節)。
Arvind Narayananは外部性の側面を示す。超知能ががんを治すには「難しいのは数千人と10–15年を要する臨床試験である」。ボトルネックはコンピュータの外にあり、「AIの再帰的自己改善がこれらのボトルネックを魔法のように取り除くとは思わない」[Narayanan, ICML 2026 keynote, via secondary; TIME, 2026]。研究センスがO-ringの意味でのボトルネックタスクであるなら、コーディングエージェントが改善してもループの律速段階は人間の手に残る [Erdil & Besiroglu, 2023; Aghion, Jones & Jones, 2019]。
5.4 ボトルネック論が最も弱いところ
ボトルネック論は現在の研究パラダイムを前提としているが、ソフトウェアがその名指しする制約を緩めている直接の証拠がある。AlphaEvolveのフリートスケジューリングのヒューリスティクスはGoogleの計算資源の約0.7%(およそ14,000台のサーバー)を回収した。AIが生成したソフトウェアが計算資源の制約を直接緩めた事例である [Google DeepMind, 2025/2026]。Codexは数週間分の本番トラフィックを分析し、GPT-5.5のローンチに先立ってトークン生成速度を20%超引き上げるGPU分割のヒューリスティクスを書いた [OpenAI, 2026b; confidence: medium — vendor self-report, no independent replication]。
この種の利得が複利的に積み上がるなら、「計算資源が制約である」という主張は時間とともに弱まり、制約スタックは壁ではなく動く標的になる。率直な立場は、AIが発見した効率化利得の複利率が未測定だというものである。各ラボは、これが散発的な収穫なのか曲線なのかを決着させる時系列(リリースごとの、AI生成の成果に帰属する効率化利得)を公表していない。この系列こそ、ボトルネック論とテイクオフモデルの間を最も直接に裁定する唯一の測定である。