対談・インタビュー
Demis Hassabis『AGIまでは4分の3まで来た』をどう読むべきか
13分で読める|2026/05/09|
AIAGIGoogle DeepMindDemis Hassabis科学AI
この記事の要約
Demis Hassabisの『AGIまで4分の3』という発言を、DeepMindの研究系譜、科学AI、残る25%の技術課題、起業家・研究開発組織への学びとして読み解く。
Demis Hassabisの対談で最も目を引くのは、『AGIまで4分の3まで来た』という趣旨の発言である。この言葉は、日付予測として読むと誤解しやすい。重要なのは、DeepMindがAGIをどのような研究計画として見ているかである。
Hassabisはゲーム、シミュレーション、神経科学、科学AIをつなぐ長い視野で語る。DeepMindの歩みは、単にモデルを大きくする話ではなく、知能を作り、それを科学的発見へ使うという一貫した構想として読める。
本記事では、『4分の3』という強い見出しを、研究の現在地、残る課題、事業への示唆に分解する。AGI論争に振り回されるのではなく、どの能力がどこまで来ていて、何がまだ難しいのかを整理する。
この記事は Demis Hassabis: We're Three Quarters of the Way to AGI の内容を基に、
2026-05-09取得の英語字幕から再構成している。
本記事の前提
- 直訳ではなく、対談・講演の主張をトピック別に再構成している
- 動画内の主張と、記事側の実務的な補足・解釈を分けて整理している
- Sequoia AI Ascent 2026 の関連動画群を横断して読めるよう、関連記事も最後にまとめている
読む前の補助線
この動画を読むときの中心問いは「AGIまで4分の3という見立てを、事業と研究計画へどう翻訳するか」である。動画内では会話の流れに沿って論点が移るが、記事化するときは順番をそのまま追うより、AIを長期テーマとして扱う経営者、研究者、事業開発チームが判断に使える単位へ並べ替えた方が理解しやすい。
特に注意したいのは、「AGIの進捗を事業判断に変換する視点」を大きな流行語として受け取らないことだ。今回の対談で価値があるのは、未来予測そのものより、どの条件が変わり、どの責任が残り、どの組織能力を先に作るべきかが見えてくる点にある。
逆に読み違えると、到達時期の予想だけに反応し、残る25%の難しさを見落とすことが起きる。だから本記事では、動画の発言を単純な時系列ではなく、テーマごとに整理しながら、長期研究を実用価値へ接続する能力、科学AIを事業へ翻訳する設計力へ接続して読む。予測の強弱ではなく、モデル能力が伸びたときに何を先に変えるかをロードマップ化する必要がある。
また、この一本だけで閉じて読むより、Sequoia AI Ascent 2026の他セッションと並べると位置づけがはっきりする。ある動画はモデル能力を語り、別の動画は開発組織やロボティクス、インフラ、運用を語る。本記事ではその中で、Demis Hassabisの発言がどの論点を担っているのかを明確にする。
『AGIまで4分の3』は、日付ではなく能力地図として読む
Hassabisの発言は、センセーショナルな予測として消費されやすい。しかし対談の文脈では、AGIを単一のスイッチではなく、複数能力の集合として見ている。
AGIまで4分の3の読み方まず押さえるべきは、この章の話が単独の予測ではなく「AGIまで4分の3という見立てを、事業と研究計画へどう翻訳するか」という問いの入り口になっている点である。何が新しくなったのかと同時に、何をまだ人間側で設計しなければならないのかを分けて読む。
現在のAIは、言語、画像、コード、科学タスクで非常に広い能力を示している。
この広さが『かなり近づいた』という感覚を生む。かつては別々の研究領域だったものが、基盤モデルの上で統合され始めている。
AGIの議論では、単に人間のようかどうかではなく、どの能力が一般化し、どの能力がまだ脆いかを分ける必要がある。
実務では、この主張を「何が可能になったか」だけで終わらせない方がよい。予測の強弱ではなく、モデル能力が伸びたときに何を先に変えるかをロードマップ化する必要がある。そう読むと、この論点は新機能の紹介ではなく、次に整えるべき開発・事業プロセスの話になる。
残る25%は、最後の微調整ではない。
推論、計画、記憶、信頼性、世界理解は、個別には進歩しているが、長期的な自律性として安定させるのはまだ難しい。
『あと少し』という表現に見えても、残っている部分は実装上もっとも難しい領域である可能性がある。
AIを長期テーマとして扱う経営者、研究者、事業開発チームにとって重要なのは、この変化を個人の工夫で吸収しないことである。長期研究を実用価値へ接続する能力、科学AIを事業へ翻訳する設計力を組織の標準に近づけるほど、同じモデルやツールを使っても成果の安定度が変わる。
したがって、企業はAGI到達日を当てるより、能力単位で見るべきである。
どの業務が言語理解だけで変わるのか。どの業務には長期計画が必要なのか。どの業務では検証可能性がないと使えないのか。
AGIを抽象論で見るのではなく、自社のワークフローに必要な能力の成熟度として読むことが実務的である。
ここで焦点を外すと、到達時期の予想だけに反応し、残る25%の難しさを見落とすことにつながる。だからこの論点は、動画内の一発言ではなく、意思決定の前提を点検する材料として読む方がよい。
『4分の3』は、カレンダーではなく地図である。地図として読めば、楽観でも悲観でもなく、現在地を判断できる。
DeepMindのAGI観は、ゲームから科学AIまで続く長期計画である
Hassabisは、DeepMindの歩みを偶然の積み重ねとしてではなく、長期の計画として語る。ゲームやシミュレーションへの関心は、単なるデモではなく、知能を鍛える環境への関心である。
DeepMindの研究系譜ここでは「AGIの進捗を事業判断に変換する視点」を、抽象的なキーワードではなく実務上の判断材料として扱う。動画の順番に沿って理解するより、AGI・研究開発で起きる責任分担の変化として見る方が、論点の重みがつかみやすい。
ゲームは、知能研究にとって扱いやすい実験場だった。
ルールがあり、状態があり、報酬があり、試行錯誤できる。現実世界より閉じているが、計画や探索を鍛えるには適している。
DeepMindの初期成果は、派手なゲーム攻略ではなく、一般化可能な学習原理を探る研究だったと読める。
AIを長期テーマとして扱う経営者、研究者、事業開発チームにとって重要なのは、この変化を個人の工夫で吸収しないことである。長期研究を実用価値へ接続する能力、科学AIを事業へ翻訳する設計力を組織の標準に近づけるほど、同じモデルやツールを使っても成果の安定度が変わる。
神経科学や脳からの着想も、Hassabisの語りに残っている。
脳をそのまま模倣するのではなく、知能がどのように記憶、想像、計画を組み合わせるかを考える手がかりとして扱う。
AGIへの道は、単にGPUを増やす話ではない。学習、記憶、計画、環境との相互作用をどう統合するかの話でもある。
ここで焦点を外すと、到達時期の予想だけに反応し、残る25%の難しさを見落とすことにつながる。だからこの論点は、動画内の一発言ではなく、意思決定の前提を点検する材料として読む方がよい。
科学AIは、その長期計画の社会的出口である。
AlphaFoldのような成果は、AIがベンチマークを超えて、科学的な問題解決に使えることを示した。
AGIの価値は、人間らしさの模倣ではなく、科学や産業の難問を解く能力にある。
実務では、この主張を「何が可能になったか」だけで終わらせない方がよい。予測の強弱ではなく、モデル能力が伸びたときに何を先に変えるかをロードマップ化する必要がある。そう読むと、この論点は新機能の紹介ではなく、次に整えるべき開発・事業プロセスの話になる。
DeepMindのAGI観は、モデル能力の競争であると同時に、知能を科学的発見へ接続する計画である。
AlphaFoldは、AGI論を実用価値へ引き戻す
AGI議論はしばしば抽象的になる。そこで重要なのが、AlphaFoldのような科学AIの存在である。これは、AIが賢いかどうかではなく、何を解けるかを問う方向へ議論を戻す。
科学AIの発見ループこの章の論点は、技術の優劣だけでは完結しない。長期研究を実用価値へ接続する能力、科学AIを事業へ翻訳する設計力をどう整えるかまで含めて読むと、対談の発言がそのまま組織設計やプロダクト設計の宿題に変わる。
科学AIは、正しさを検証しやすい領域から価値を出しやすい。
予測が実験や既知データで検証できる場合、AIの出力は単なる提案ではなく、研究プロセスの一部になる。
これは企業利用にも通じる。AI導入は、検証可能な業務から始めるほど成果が出やすい。
ここで焦点を外すと、到達時期の予想だけに反応し、残る25%の難しさを見落とすことにつながる。だからこの論点は、動画内の一発言ではなく、意思決定の前提を点検する材料として読む方がよい。
AIが科学を加速する場合、価値はモデル単体ではなくループ全体から生まれる。
仮説を出し、予測し、実験し、結果を戻す。このループが短くなるほど、研究開発の速度は上がる。
研究組織は、モデル導入だけでなく、実験、データ、評価、知識管理を含むワークフローを設計する必要がある。
実務では、この主張を「何が可能になったか」だけで終わらせない方がよい。予測の強弱ではなく、モデル能力が伸びたときに何を先に変えるかをロードマップ化する必要がある。そう読むと、この論点は新機能の紹介ではなく、次に整えるべき開発・事業プロセスの話になる。
AGIの社会的インパクトは、こうしたループが複数領域に広がることで現れる。
創薬、材料、エネルギー、気候、数学など、検証可能だが探索空間が大きい領域では、AIの価値が特に大きい。
AGIを消費者向けチャット体験だけで判断すると見誤る。科学AIは、より深い産業変化の入口である。
AIを長期テーマとして扱う経営者、研究者、事業開発チームにとって重要なのは、この変化を個人の工夫で吸収しないことである。長期研究を実用価値へ接続する能力、科学AIを事業へ翻訳する設計力を組織の標準に近づけるほど、同じモデルやツールを使っても成果の安定度が変わる。
AlphaFoldが示したのは、AIが人間の会話を真似るだけでなく、科学の進め方そのものを変えうるということである。
残る25%は、推論・計画・記憶・信頼性の統合にある
Hassabisの発言を実務的に読むなら、注目すべきは残り25%の中身である。ここには、現在のAIがまだ不安定な領域が集まっている。
残る25%の技術課題ここで見たいのは、話者の断言の強さよりも、その断言が成り立つ条件である。到達時期の予想だけに反応し、残る25%の難しさを見落とすことを避けるには、便利になった部分と、むしろ重くなる判断を分ける必要がある。
推論は進んだが、常に安定しているわけではない。
モデルは複雑な問題を解ける一方で、簡単な前提を落とすことがある。難問に強く、基本に弱いという揺らぎが残る。
企業利用では、推論能力そのものより、推論結果をどう検証するかが重要になる。
実務では、この主張を「何が可能になったか」だけで終わらせない方がよい。予測の強弱ではなく、モデル能力が伸びたときに何を先に変えるかをロードマップ化する必要がある。そう読むと、この論点は新機能の紹介ではなく、次に整えるべき開発・事業プロセスの話になる。
長期計画は、短い回答生成より難しい。
複数ステップの計画では、途中の誤りが後続に伝播する。環境が変わると、計画を更新する必要もある。
agent活用では、長い仕事を一気に任せるより、途中で検証点を置く設計が必要である。
AIを長期テーマとして扱う経営者、研究者、事業開発チームにとって重要なのは、この変化を個人の工夫で吸収しないことである。長期研究を実用価値へ接続する能力、科学AIを事業へ翻訳する設計力を組織の標準に近づけるほど、同じモデルやツールを使っても成果の安定度が変わる。
信頼性は、能力とは別の問題である。
一度できることと、毎回安全にできることは違う。AGIに近づくほど、この差は社会実装の制約になる。
残る25%は、モデルの賢さだけでなく、信頼できるシステムとして使うための工学でもある。
ここで焦点を外すと、到達時期の予想だけに反応し、残る25%の難しさを見落とすことにつながる。だからこの論点は、動画内の一発言ではなく、意思決定の前提を点検する材料として読む方がよい。
AGIまでの距離を語るとき、能力の最大値だけを見るべきではない。最小値、再現性、検証可能性こそが実装を左右する。
企業はAGI定義争いより、能力の業務接続を見るべきである
AGIという言葉は定義が揺れる。だからこそ、企業が見るべきなのは、AGIかどうかではなく、どの能力がどの業務を変えるかである。
企業がAGIを見るための判断軸AIを長期テーマとして扱う経営者、研究者、事業開発チームにとって、この章は採用すべきツール名を決める話ではない。予測の強弱ではなく、モデル能力が伸びたときに何を先に変えるかをロードマップ化する必要がある。 その視点で読むと、動画内の具体例が次の運用設計につながる。
言語能力だけで変わる業務と、計画能力が必要な業務は違う。
文書要約や問い合わせ対応は比較的早く変わる。一方、研究開発、事業計画、複雑な業務実行には、長期記憶や計画が必要になる。
AI導入計画は、業務を能力要件で分類するところから始めるべきである。
AIを長期テーマとして扱う経営者、研究者、事業開発チームにとって重要なのは、この変化を個人の工夫で吸収しないことである。長期研究を実用価値へ接続する能力、科学AIを事業へ翻訳する設計力を組織の標準に近づけるほど、同じモデルやツールを使っても成果の安定度が変わる。
検証可能性が高い業務ほど、AI化しやすい。
出力の正しさを評価できるなら、AIは高速に反復できる。逆に、評価基準が曖昧な業務では、人間の判断がより重要になる。
導入の順序を間違えると、AIの能力不足ではなく評価設計の不足で失敗する。
ここで焦点を外すと、到達時期の予想だけに反応し、残る25%の難しさを見落とすことにつながる。だからこの論点は、動画内の一発言ではなく、意思決定の前提を点検する材料として読む方がよい。
競争力は、モデル利用ではなく、業務ループの再設計から生まれる。
同じモデルを使えるなら、差はデータ、評価、ワークフロー、意思決定の速度に移る。
AGI時代の企業戦略は、AIを使う部署を決めることではない。AIで短くなるループを見つけ、組織構造を合わせることである。
実務では、この主張を「何が可能になったか」だけで終わらせない方がよい。予測の強弱ではなく、モデル能力が伸びたときに何を先に変えるかをロードマップ化する必要がある。そう読むと、この論点は新機能の紹介ではなく、次に整えるべき開発・事業プロセスの話になる。
AGI論争に勝つ必要はない。必要なのは、自社のどのループがAIで短くなり、どのループにはまだ人間の理解が必要かを見極めることである。
この対談から起業家・研究開発組織は何を学ぶべきか
Hassabisの対談から得るべき学びは、AGI到達日の予想ではない。長期の研究計画を、実用価値へどう接続するかである。
最後に重要なのは、学びを一般論で終わらせないことである。この章の主張を「明日から何を変えるか」へ落とすなら、長期研究を実用価値へ接続する能力、科学AIを事業へ翻訳する設計力を点検することが出発点になる。
第一に、能力を分解して見ること。
AGIという大きな言葉をそのまま扱うと、議論が抽象化する。言語、推論、計画、記憶、科学的検証に分ければ、現在地が見える。
起業家は、どの能力の成熟が自社の市場を開くのかを明確にすべきである。
ここで焦点を外すと、到達時期の予想だけに反応し、残る25%の難しさを見落とすことにつながる。だからこの論点は、動画内の一発言ではなく、意思決定の前提を点検する材料として読む方がよい。
第二に、検証可能な領域からAIを使うこと。
科学AIが強いのは、予測と検証のループを持てるからである。企業内でも同じ構造を作るほど、AIの価値は出やすい。
AIプロダクトは、出力生成だけでなく、評価と改善のループを内蔵すべきである。
実務では、この主張を「何が可能になったか」だけで終わらせない方がよい。予測の強弱ではなく、モデル能力が伸びたときに何を先に変えるかをロードマップ化する必要がある。そう読むと、この論点は新機能の紹介ではなく、次に整えるべき開発・事業プロセスの話になる。
第三に、長期計画と短期実装をつなぐこと。
DeepMindの強さは、遠いAGI構想と、具体的な科学成果をつないでいる点にある。
起業家も、長期の世界観だけでなく、今日短くできる業務ループを示す必要がある。
AIを長期テーマとして扱う経営者、研究者、事業開発チームにとって重要なのは、この変化を個人の工夫で吸収しないことである。長期研究を実用価値へ接続する能力、科学AIを事業へ翻訳する設計力を組織の標準に近づけるほど、同じモデルやツールを使っても成果の安定度が変わる。
『AGIまで4分の3』という言葉は、未来予測としてではなく、研究と実装の現在地として読むと価値がある。残る25%を見極めることが、次の事業機会を見極めることでもある。
関連記事
この記事の著者
中村 知良
代表取締役
早稲田大学卒業後、ソフトバンク株式会社にてAI活用やCEO直下案件のプロジェクトマネージャーに従事。その後、不動産スタートアップPit in株式会社の創業、他スタートアップでの業務改善・データ活用を経験後、2023年10月、株式会社ネクサフローを創業し代表取締役CEO就任。
次に読む
あわせて読みたい
Sequoia AI Ascent 2026 Keynote『This is AGI』を読む
Sequoia AI Ascent 2026の基調講演『This is AGI』を、定義争いではなく、reasoning、test-time compute、long-horizon agents、労働市場への拡張として読み解く。
2026/05/09
AIAGISequoia
DeepMindとSergey BrinのAGI timelineを読む｜Big Technology対談 recap
Big Technology Podcast の対談を、2030という年号そのものよりも、AGIの定義、reasoningに時間をかける発想、physical context を扱う assistant、SynthID の論点から読み解く
AIDeepMind
Naveen Rao『脳はGPUより100万倍効率的に計算する』を読む
Naveen Raoの脳とGPUの計算効率に関する議論を、efficiencyの4レイヤー、現行GPUスケーリングの限界、brain-inspired compute、AIインフラ事業への示唆として整理する。
AIAIチップ