2026年11月18日
AGI(汎用人工知能)は、2028年にも実現するのでしょうか?

Google DeepMindの共同創業者であり、2024年のノーベル化学賞受賞者でもあるデミス・ハサビス氏が、AGIの実現について「今後2〜3年以内」という見通しを示したと報じられ、注目を集めています。
Google DeepMindは、囲碁の世界トップ棋士に勝利した「AlphaGo」、タンパク質の立体構造予測を大きく前進させた「AlphaFold」、数学オリンピック級の問題を解く「AlphaGeometry」など、数々の研究成果を生み出してきました。
しかし、AGIが2028年に完成すると決まったわけではありません。実現には、未知の問題への対応、科学的発見能力、長期的な計画、安全性など、多くの課題が残されています。
この記事では、Google DeepMindの研究成果、デミス・ハサビス氏の経歴、AGIの実現予測、AIが未知の科学理論を発見できるかを問う「アインシュタイン・テスト」、そして第三者によるAI安全性評価まで、専門知識のない方にも分かりやすく解説します。
全30枚の解説スライドとともに、AGI時代の可能性と課題を考えていきましょう。
AlphaFold・AlphaGeometryの研究成果と「アインシュタイン・テスト」から考える、汎用人工知能の可能性と安全性
2026年11月14日版
第1部:AGIは本当に2028年に実現するのか?
① AGIは2028年に実現する? AI研究の最前線

人工知能(AI:Artificial Intelligence)の進歩が、世界中で注目されています。
AIとは、人間が行う学習、推論、判断などの知的な働きを、コンピューターで実現しようとする技術です。
現在では、文章を書いたり、外国語を翻訳したり、画像を理解したり、プログラムを作成したりするAIが、私たちの身近なところで使われています。
では、この進歩がさらに続いたら、どうなるのでしょうか。
2026年10月21日、米国の有力紙『ウォール・ストリート・ジャーナル』は、Google DeepMindの共同創業者であるデミス・ハサビス氏が、汎用人工知能の実現について、今後2〜3年以内という見通しを示したと報じました。
汎用人工知能(AGI:Artificial General Intelligence)とは、特定の作業だけでなく、人間のように幅広い知的課題に対応できる人工知能のことです。
2026年10月から2〜3年後と考えると、2028〜2029年ごろになります。
ただし、2028年にAGIが完成すると決まったわけではありません。
AGIには世界共通の厳密な定義や認定基準がなく、研究者によって実現時期の予測も異なります。
② なぜ今、AGIが世界中で注目されているのか?

それでも、この発言が注目されるのには理由があります。
ハサビス氏は、囲碁の世界トップ棋士に勝利した「AlphaGo」や、生命科学の研究を大きく前進させた「AlphaFold」の開発を率いてきた科学者です。
2024年には、ノーベル化学賞も受賞しました。
そして、ハサビス氏が長年追求してきたのは、単に便利なAIを作ることだけではありません。
AIの力で新しい科学的発見を生み出し、人類がまだ解決できていない難しい問題に挑むことです。
この記事では、Google DeepMindという組織の実態、ハサビス氏の経歴、AGIの実現予測、AlphaFold・AlphaGeometryの研究成果、そして「アインシュタイン・テスト」とAIの安全性について、専門知識のない方にも分かるように解説します。
この記事で分かる5つのこと
- Google DeepMindとは、どのようなAI研究組織なのか。
- デミス・ハサビス氏は、なぜノーベル化学賞を受賞したのか。
- AGIが2028〜2029年に実現するという予測は、どこまで確かなのか。
- AlphaFold・AlphaGeometry・アインシュタイン・テストは、AGIとどう関係するのか。
- 高度なAIを安全に開発・公開するために、何が必要なのか。
出典:The Wall Street Journal(2026年10月21日)
Why AI’s Deepest Mind Believes the World Is About to Change Radically
第2部:Google DeepMindとは?
③ Google DeepMindとは? 世界をリードするAI研究組織

Google DeepMind(グーグル・ディープマインド)は、Googleの中核的なAI研究開発組織です。
Googleと聞くと、検索サービス、YouTube、Gmail、Googleマップなどを思い浮かべる人が多いでしょう。
Google DeepMindは、こうしたサービスを支えるAI技術の研究だけでなく、医学、数学、物理学、気象予測、ロボットなど、幅広い分野に取り組んでいます。
主な研究領域は次のとおりです。
- 人間のように幅広く学習・推論できるAI
- 文章、画像、音声などを扱うAIモデル
- 医学や生命科学に役立つAI
- 数学や物理学の難問を解くAI
- 気象予測や災害対策に役立つAI
- 現実世界で動くロボットの制御技術
- AIの安全性や社会的リスクの研究
つまり、Google DeepMindは便利なチャットサービスを開発するだけの組織ではありません。
**「知能の仕組みを研究し、その成果を科学や社会の難しい問題の解決に役立てる組織」**と考えると、理解しやすいでしょう。
④ DeepMindの歴史:2010年の創業からGoogleの中核へ

Google DeepMindの歴史は、2010年にイギリスのロンドンで設立されたDeepMindという企業から始まります。
共同創業者の一人が、デミス・ハサビス氏です。
DeepMindは設立当初から、特定の作業だけをこなすAIではなく、さまざまな問題を自ら学習して解決できるAIを目指していました。
2014年、GoogleがDeepMindを買収します。
当時、Google社内にはGoogle Brainという別のAI研究チームもありました。
2023年4月、GoogleはDeepMindとGoogle Brainを統合し、Google DeepMindを発足させました。
研究者や技術、計算設備を結集し、より高度なAIの開発を進めるためです。
出典:Google DeepMind(2023年4月20日)
Announcing Google DeepMind
⑤ Google DeepMindの規模と研究体制

Googleとは別の会社なのか?
Googleの親会社はAlphabet(アルファベット)です。
その傘下にGoogleがあり、Google DeepMindはGoogleグループのAI研究開発を担っています。
| 名称 | 主な役割 |
|---|---|
| Alphabet | Googleなどを傘下に持つ親会社 |
| 検索、広告、YouTube、クラウドなどの事業を展開 | |
| Google DeepMind | AIの基礎研究、モデル開発、科学研究、安全性研究などを担当 |
Google DeepMindを、Googleから完全に独立して事業を営む一般企業と考えるのは適切ではありません。
Googleという巨大な企業グループの技術力を支える重要な組織です。
Google DeepMindの規模はどのくらい?
米国のテクノロジー専門メディア『The Information』は、2025年9月時点でGoogle DeepMindの人員規模を約5,600人と報じています。
ただし、これは報道による数字であり、2026年11月現在の公式な確定従業員数ではありません。
一方、Alphabetが米国証券取引委員会(SEC:Securities and Exchange Commission)に提出した2026年第3四半期の報告書では、2026年9月30日時点の従業員数が204,757人とされています。
SECとは、米国の証券市場を監督し、投資家保護などを担う政府機関です。
| 項目 | 内容 |
|---|---|
| DeepMindの創業 | 2010年 |
| Googleによる買収 | 2014年 |
| Google DeepMindの発足 | 2023年 |
| 主な研究拠点 | ロンドンをはじめ世界各地 |
| Google DeepMindの人員規模 | 約5,600人との報道(2025年9月時点) |
| Alphabet全体の従業員数 | 204,757人(2026年9月末) |
| 主な研究分野 | AI、科学、数学、ロボット、安全性 |
なお、Google DeepMind単独の売上高や利益は、Alphabetの決算で独立した事業部門として継続的に公表されているわけではありません。
そのため、Alphabet全体の売上高をGoogle DeepMindの売上高と混同してはいけません。
出典:The Information(2025年9月)
Google DeepMind Org Chart
出典:Alphabet(2026年9月30日終了四半期)
米国証券取引委員会提出資料 Form 10-Q
第3部:Google DeepMindが生み出したAI技術
Google DeepMindの研究力を理解するには、これまでに生み出してきた技術を見るのが分かりやすいでしょう。
特に注目したいのが、Gemini、AlphaGo、AlphaFold、AlphaGeometryです。
これらは異なる課題に取り組んだ技術ですが、いずれもAIの能力を広げるうえで重要な成果です。
⑥ Geminiとは? 文章・画像・音声を扱う生成AI

Geminiは、Googleが開発・提供するAIモデル群と、その技術を利用したサービスの名称です。
文章の作成、質問への回答、画像の理解、プログラミング支援など、幅広い用途に使われています。
Geminiのように、文章や画像などの新しい内容を生成するAIは、生成AI(Generative Artificial Intelligence)と呼ばれます。
また、文章だけでなく、画像や音声など、複数の種類の情報を扱う技術は「マルチモーダルAI(Multimodal AI)」と呼ばれます。
例えば、写真を見せて「この画像には何が写っていますか」と質問したり、文章をもとに資料の構成を考えさせたりできます。
ただし、幅広い機能を持つことと、AGIが完成したことは同じではありません。
現在の生成AIには、事実と異なる回答をしたり、複雑な課題で推論を誤ったりする限界もあります。
⑦ AlphaGo:世界トップ棋士に勝利したAI

AlphaGoは、囲碁を打つために開発されたAIです。
2016年、世界トップクラスの棋士である李世ドル氏との五番勝負に4勝1敗で勝利し、世界中を驚かせました。
囲碁は、盤面の状況に応じて膨大な選択肢が生まれるゲームです。
すべての手順を単純に計算することは現実的ではありません。
AlphaGoは、深層学習と探索技術などを組み合わせ、局面を評価しながら有望な手を選ぶ能力を身につけました。
深層学習(Deep Learning)とは、大量のデータから複雑な特徴や規則性を学習するAI技術です。
AlphaGoの勝利は、AIが人間の熟練者に匹敵する、あるいは上回る能力を特定の分野で獲得できることを示しました。
ただし、AlphaGoは囲碁に特化したAIであり、AGIではありません。
AlphaGoが示したのは、AIが人間の高度な判断を必要とする課題でも、大きな成果を上げられるという可能性です。
出典:Google DeepMind
AlphaGo
⑧ AlphaFold:ノーベル化学賞につながったAI

AlphaFoldは、Google DeepMindが開発した、タンパク質の立体構造を予測するAIです。
タンパク質は、筋肉や酵素など、生命活動を支える重要な物質です。アミノ酸という小さな分子が鎖のようにつながり、複雑な立体構造を作っています。その形によって働きが変わるため、立体構造を知ることは病気の仕組みや医薬品の研究に役立ちます。
従来、タンパク質の立体構造を調べるには、X線結晶構造解析やクライオ電子顕微鏡など、高度な実験技術と多くの時間が必要でした。
AlphaFoldは、アミノ酸の配列情報などをもとに、タンパク質がどのような立体構造を持つかを高い精度で予測します。2020年に大きな成果を示したAlphaFold 2は、タンパク質構造予測の国際的な評価実験で注目されました。
さらに、2024年に発表されたAlphaFold 3では、タンパク質だけでなく、DNA(Deoxyribonucleic Acid:デオキシリボ核酸。遺伝情報を保存する物質)やRNA(Ribonucleic Acid:リボ核酸。遺伝情報の利用などに関わる物質)、薬の候補となる小さな分子などを含む複合体の構造予測へと対象が広がりました。
ただし、AIによる予測は実験結果そのものではありません。実際の生命現象を理解するには、研究目的に応じた検証が必要です。
この研究への貢献により、デミス・ハサビス氏とジョン・ジャンパー氏は2024年のノーベル化学賞を受賞しました。なお、同年のノーベル化学賞は、タンパク質の計算による設計で貢献したデイヴィッド・ベイカー氏も共同受賞しています。
AlphaFoldは、AIが生命科学の研究を加速させ、新しい発見を支援できることを示した代表的な成果です。
出典:Google DeepMind
AlphaFold
出典:ノーベル賞公式サイト(2024年)
The Nobel Prize in Chemistry 2024
⑨ AlphaGeometry:数学オリンピック級の問題を解くAI

AlphaGeometryは、Google DeepMindが開発した、高度な幾何学の問題を解くAIです。
幾何学とは、三角形や円などの図形、角度、長さ、位置関係を数学的に研究する分野です。難しい問題では、複数の条件を組み合わせ、論理的な推論によって答えを証明する必要があります。
例えば、「三角形のある角度が何度になるか」という問題でも、単に公式を当てはめるだけでは解けない場合があります。新しい補助線を引いたり、図形の隠れた関係を見つけたりする発想が必要です。
AlphaGeometryの特徴は、AIによる柔軟な推論と、数学的な規則に従って証明を進める仕組みを組み合わせていることです。
2024年に発表された研究では、国際数学オリンピック(IMO:International Mathematical Olympiad)の過去の幾何学問題30問のうち、25問を制限時間内に解くことに成功しました。
国際数学オリンピックとは、世界各国の優秀な高校生などが数学の難問に挑戦する国際大会です。
AlphaGeometryは、補助線に相当する新しい図形要素を追加し、そこから論理的な証明を進める能力を示しました。AIが提案した着想を、数学的な規則に基づく仕組みで検証する点が重要です。
ただし、AlphaGeometryは主に平面幾何学の問題を対象とした研究成果であり、あらゆる数学問題を解けるわけではありません。また、AGIが完成したことを意味するものでもありません。
AlphaGeometryは、AIが答えを予測するだけでなく、数学的な根拠を積み重ねて問題を解く可能性を示した重要な研究です。
出典:Google DeepMind(2024年1月17日)
AlphaGeometry: An Olympiad-level AI system for geometry
出典:Nature(2024年)
Solving olympiad geometry without human demonstrations
⑩ AlphaFoldとAlphaGeometryは何が違う?

AlphaFoldとAlphaGeometryは、どちらも高度なAI研究の成果ですが、解決しようとしている問題は異なります。
| 比較項目 | AlphaFold | AlphaGeometry |
|---|---|---|
| 主な研究分野 | 生命科学 | 数学 |
| 主な目的 | タンパク質などの立体構造を予測 | 幾何学の問題を論理的に証明 |
| 入力する情報 | 分子の配列や構造に関する情報 | 図形の条件や数学的な関係 |
| 主な成果 | タンパク質構造予測の大幅な進歩 | 数学オリンピック級の問題を解く能力 |
| 検証方法 | 実験データなどとの比較 | 数学的な規則による証明の確認 |
| AGIとの関係 | 科学研究におけるAIの可能性を示す | AIの高度な推論能力の可能性を示す |
AlphaFoldは、生命科学における複雑な構造予測を前進させました。
一方、AlphaGeometryは、論理的な推論と証明という数学の重要な能力を示しました。
どちらも、特定の分野における優れた成果です。
そして、ここにAGI研究との重要な接点があります。
AIが個別の専門分野で示している高度な能力を、将来、より幅広い問題に応用できるようになるのでしょうか。
この問いが、AGI研究の中心的な課題の一つです。
補足:気象予測やロボットにも広がるAI研究
Google DeepMindは、気象予測やロボットの研究にも取り組んでいます。
気象予測では、大量の観測データから将来の天候を予測する技術が研究されています。
ロボットでは、周囲の状況を認識し、適切な行動を選び、安全に動く能力が必要です。
文章を理解するAIと、現実世界で物体を動かすロボットでは、求められる能力が異なります。
そのため、AIの高度化だけで、すべてのロボット技術が完成するわけではありません。
しかし、さまざまな研究分野でAIの能力が高まっていることは、将来の汎用的な知能を考えるうえで重要な背景になっています。
出典:Google DeepMind公式サイト
https://deepmind.google/
第4部:デミス・ハサビス氏とは?
⑪ デミス・ハサビス氏:チェスの天才少年からAI研究者へ

デミス・ハサビス氏は、1976年7月27日、イギリスのロンドンで生まれました。
2026年11月現在、50歳です。
幼いころからチェスに親しみ、13歳ごろには非常に高い実力を持つ選手になっていました。
チェスでは、相手の動きを予測し、何手も先を考えながら判断します。
ハサビス氏は、こうした複雑な問題を解くことに強い関心を持っていました。
その後、コンピューターゲームの開発に進みます。
10代のころには、遊園地を経営するシミュレーションゲーム「Theme Park」の開発に参加しました。
ゲームの世界では、多くの登場人物や施設が、それぞれのルールに従って動きます。
複雑な状況をコンピューター上で再現する経験は、後のAI研究につながる経歴としても興味深いものです。
⑫ なぜハサビス氏は人間の脳を研究したのか?

ハサビス氏は、ケンブリッジ大学でコンピューター科学を学びました。
その後、ゲーム開発会社Elixir Studiosを設立し、企業経営にも携わります。
しかし、やがて研究対象を人間の脳へと広げました。
ロンドン大学ユニバーシティ・カレッジで認知神経科学を研究し、2009年に博士号を取得しています。
認知神経科学とは、記憶、学習、思考、想像力などが脳のどのような働きによって生まれるのかを研究する学問です。
では、なぜAIを作りたい人が、人間の脳を研究したのでしょうか。
その背景には、人間の知能の仕組みを理解することが、より高度なAIを作る手がかりになるという考え方があります。
例えば、人間は過去の経験を記憶し、似た状況で応用できます。
また、実際には経験していない未来の出来事を想像し、計画を立てることもできます。
こうした能力は、幅広い問題に対応できるAIを考えるうえで重要です。
⑬ DeepMind創業から2024年ノーベル化学賞へ

2010年、ハサビス氏は仲間とともにDeepMindを創業しました。
その後、AlphaGoやAlphaFoldなどの研究を率い、世界的に知られる科学者となりました。
主な経歴を整理すると、次のようになります。
| 年 | 主な出来事 |
|---|---|
| 1976年 | イギリス・ロンドンで誕生 |
| 1980年代 | チェスで優れた才能を発揮 |
| 1990年代 | コンピューターゲーム開発に参加 |
| 1997年 | ケンブリッジ大学を卒業 |
| 1998年 | Elixir Studiosを設立 |
| 2009年 | 認知神経科学の博士号を取得 |
| 2010年 | DeepMindを共同創業 |
| 2014年 | GoogleがDeepMindを買収 |
| 2016年 | AlphaGoが李世ドル氏に勝利 |
| 2023年 | Google DeepMindが発足 |
| 2024年 | ノーベル化学賞を受賞 |
ハサビス氏の経歴が興味深いのは、チェス、ゲーム、脳科学、AI研究、企業経営という異なる分野を経験していることです。
そして、その活動を貫いているのが「知能とは何か」という問いです。
AIを作ることで知能の仕組みを理解し、その力で科学の難問を解決しようとしているのです。
出典:英国王立協会
Demis Hassabis
出典:ノーベル賞公式サイト
Demis Hassabis – Facts
第5部:AGIとは何か?
⑭ AGIとは? 現在のAIとの決定的な違い

AGIは、Artificial General Intelligenceの略称で、日本語では「汎用人工知能」と呼ばれます。
現在のAIは、文章作成、画像認識、翻訳、数学、プログラミングなど、多くの分野で高い能力を示しています。
しかし、ある分野で優れた能力を持つことと、人間のように幅広い状況に柔軟に対応できることは、必ずしも同じではありません。
AGIには、一般に次のような能力が期待されています。
- 幅広い分野の知識を理解する
- 初めて出会う問題に対応する
- 異なる分野の知識を組み合わせる
- 長期的な計画を立てて実行する
- 新しい経験から学習する
- 複雑な状況に応じて判断を変える
ただし、どこまでの能力が必要なのかについては、研究者の間でも考え方が異なります。
そのため、AGIには世界共通の厳密な完成基準が存在しません。
⑮ 特化型AI・AGI・ASIはどう違う?

AGIとともに語られることがあるのが、人工超知能です。
人工超知能(ASI:Artificial Superintelligence)とは、幅広い知的能力において、人間を大きく上回ると想定される人工知能を指します。
両者を整理すると、次のようになります。
| 種類 | 意味 | 主な特徴 |
|---|---|---|
| 特化型AI | 特定の課題に対応するAI | 囲碁、画像認識などで高い能力を発揮 |
| AGI | 汎用人工知能 | 幅広い知的課題に対応することを目指す |
| ASI | 人工超知能 | 人間の知的能力を広範囲で大きく上回ると想定される |
ただし、AGIとASIの境界も明確に統一されているわけではありません。
また、AGIが完成すれば、必ずASIが短期間で実現するという科学的な合意もありません。
⑯ なぜAGIの完成時期は予測できないのか?

AGIの完成時期を予測するのが難しい理由はいくつかあります。
第一に、完成基準が統一されていないことです。
第二に、現在のAIがどこまで能力を伸ばせるのか、まだ十分に分かっていないことです。
第三に、未知の問題を解く能力や、長期的に安定して行動する能力など、解決すべき技術的課題が残っていることです。
第四に、AIの研究成果が発表されても、その能力がさまざまな現実の場面で再現されるとは限らないことです。
例えば、あるAIが数学の難問を解けたとしても、医療、経営、科学研究などの幅広い場面で同じように優れた判断をできるとは限りません。
AGIの実現時期を考える際には、特定の試験で高得点を取ることと、幅広い知能を持つことを区別する必要があります。
第6部:AGIは2028〜2029年に実現するのか?
⑰ ハサビス氏が示した「今後2〜3年」の予測

2026年10月21日の『ウォール・ストリート・ジャーナル』は、ハサビス氏がAGIの実現について、今後2〜3年以内という見通しを示したと報じました。
これは2028〜2029年ごろに相当します。
報道によれば、ハサビス氏は2026年のそれ以前には、3〜5年程度という、もう少し長い時間軸を示していました。
そのため、実現時期に関する見通しが近づいたことが注目されています。
ただし、「2〜3年」という数字は報道によって伝えられた予測であり、Google DeepMindが2028年の完成を正式に約束したものではありません。
研究開発には予想外の困難が生じる可能性があります。
また、AGIの定義が統一されていないため、ある研究者がAGIと認めたAIを、別の研究者はまだAGIではないと評価する可能性もあります。
出典:The Wall Street Journal(2026年10月21日)
Why AI’s Deepest Mind Believes the World Is About to Change Radically
⑱ ハサビス氏が目指すのは「科学的発見ができるAI」

ハサビス氏の研究活動で特に注目したいのは、AIを科学研究に役立てるという考え方です。
現在のAIは、すでに存在する知識を整理したり、説明したりすることが得意です。
しかし、科学研究で重要なのは、人類がまだ知らないことを発見することです。
例えば、次のような課題があります。
- 病気の原因や仕組みをより深く理解する
- 新しい医薬品の候補を発見する
- 効率のよいエネルギー技術を研究する
- 新しい材料を開発する
- 宇宙や物理法則の謎を解明する
AlphaFoldは、AIが科学研究に大きく貢献できることを示した代表例です。
しかし、AlphaFoldが優れた成果を上げたことと、AGIが完成したことは同じではありません。
ハサビス氏が目指すのは、AIが科学者の研究を支援するだけでなく、将来的には新しい仮説や理論の発見にも貢献することです。
出典:Google DeepMind
Science
科学的発見ができるAIは、なぜ重要なのか?
科学的発見には、単なる知識の暗記とは異なる能力が必要です。
例えば、これまでの理論では説明できない現象が見つかったとします。
科学者は、観測結果を調べ、仮説を考え、数学的な推論や実験によって、その仮説が正しいかどうかを検証します。
ときには、従来の考え方を大きく変える新しい理論が必要になります。
将来のAIがこうした過程に深く関われるようになれば、科学研究の進め方が変わる可能性があります。
ただし、AIが新しい仮説を提案したとしても、それが正しいとは限りません。
科学的な発見として認めるには、再現可能な実験や観測、数学的な検証などが必要です。
重要なのは、AIが新しい答えを思いつくことだけではなく、その答えが正しいかどうかを確かめられることです。
第7部:アインシュタイン・テストとは?
⑲ アインシュタイン・テストとは? AIの真の知能を考える

アインシュタイン・テストは、AGIを理解するうえで興味深い考え方です。
最初に重要な点を説明します。
アインシュタイン・テストは、世界共通の公式なAGI認定試験ではありません。
ハサビス氏が、高度なAIに求められる科学的発見能力を説明するために用いている考え方です。
その中心にあるのは、次の問いです。
「AIは、すでに発表された科学理論を説明するだけでなく、まだ知られていない理論を自分で発見できるのか?」
⑳ 1901年の知識だけで1905年の発見ができるか?

アルベルト・アインシュタインは、1905年に複数の重要な論文を発表しました。
この年は、物理学の歴史で「奇跡の年」と呼ばれることがあります。
代表的な研究には、次のようなものがあります。
- 光電効果に関する研究:光と物質の相互作用を理解するうえで重要な研究
- ブラウン運動に関する研究:液体などの中にある微粒子の不規則な動きを説明する研究
- 特殊相対性理論:時間と空間の関係について、新しい理解を示した理論
- 質量とエネルギーの関係:質量とエネルギーの等価性を示す研究
現在のAIに「特殊相対性理論を説明してください」と質問すれば、その概要を説明できるでしょう。
しかし、それだけでは、AIがアインシュタインと同じような科学的発見能力を持っているとはいえません。
なぜなら、現在のAIは、すでに発表された研究内容を学習している可能性があるからです。
そこで、次のような実験を考えます。
もしAIに1901年までの科学知識だけを与えたら、AIは1905年のアインシュタインの研究に相当する発見を、自分で導き出せるでしょうか。
これが、2026年10月の報道で紹介されたアインシュタイン・テストの発想です。
出典:The Wall Street Journal(2026年10月21日)
Why AI’s Deepest Mind Believes the World Is About to Change Radically
㉑ アインシュタイン・テストを5段階で理解する

ここでは、仕組みを理解するための仮想的な実験を紹介します。
第1段階:学習する知識の時代を制限する
例えば、1901年までに人類が知っていた科学知識だけをAIに学習させます。
第2段階:未来の答えを学習させない
1905年に発表されたアインシュタインの研究や、その後の解説をAIに与えないようにします。
第3段階:当時の科学的な問題を与える
光、物質、空間、時間などについて、当時知られていた科学的な問題をAIに考えさせます。
第4段階:新しい理論を導けるか調べる
AIが自分で仮説を立て、数学的な推論を進め、1905年の研究に相当する発見を導けるかを調べます。
第5段階:科学的に検証する
AIが作った理論について、数学的な整合性や観測結果との一致を確認します。
もっともらしい文章を書いただけでは、科学的発見とは認められません。
なお、これらの5段階は仕組みを説明するための例であり、公式に定められた試験手順ではありません。
㉒ 普通のAIテストとアインシュタイン・テストの違い

| 比較項目 | 一般的な知識テスト | アインシュタイン・テストの発想 |
|---|---|---|
| 学習する情報 | 現代までの知識 | 過去の一定時点までの知識 |
| 問われる内容 | 既存の理論を説明する | 未知の理論を導く |
| 必要な能力 | 記憶、理解、説明 | 仮説、推論、独創性、検証 |
| 評価の中心 | 正しい答えを知っているか | 答えを自分で発見できるか |
重要なのは、知識を持っていることと、知識を新しく生み出すことを区別する点です。
身近な料理の例で考えてみよう
あるAIが、世界中の料理のレシピを学習しているとします。
「カレーの作り方を教えてください」と質問すれば、詳しく説明できるでしょう。
しかし、それだけでは新しい料理を発明できるとは限りません。
そこで、既存のレシピをそのまま使わず、食材の性質や調理方法の知識から、新しい料理を考えさせます。
さらに、その料理を実際に作り、おいしく食べられるか、栄養面で問題がないかを確認します。
この例で重要なのは、新しい組み合わせを考えるだけでなく、結果を確かめることです。
科学でも、新しい仮説を考えただけでは不十分です。
実験や観測によって確かめる必要があります。
もちろん、新しい料理を考えることと、新しい物理理論を発見することでは難しさが大きく異なります。
あくまで発想を理解するための例です。
㉓ アインシュタイン・テストに合格すればAGIなのか?

実際のAI研究でも使われているのか?
アインシュタイン・テストという名称の、世界共通の公式試験が実施されているわけではありません。
一方、AIの科学的推論能力を評価する研究では、過去のデータを使って後の発見を予測・再現できるかを調べる方法が考えられます。
例えば、ある科学的発見が2000年に発表されたとします。
研究者は、1999年以前の情報だけを使ってAIを評価し、その発見に相当する結論を導けるかを調べることができます。
ただし、ここには難しい問題があります。
AIが学習した情報の中に、未来の答えが混入しているかもしれません。
また、研究者が途中で助言を与えていた場合、AIがどこまで独力で発見したのかを判断する必要があります。
さらに、過去の発見を再現できたとしても、まったく新しい科学的発見ができると証明されたわけではありません。
アインシュタイン・テストの発想と、実際の科学的推論能力を評価する研究には共通点がありますが、同一の公式試験ではないのです。
AlphaFoldやAlphaGeometryは合格したのか?
AlphaFoldはタンパク質の立体構造予測で成果を上げました。
AlphaGeometryは高度な幾何学の問題を解く能力を示しました。
しかし、これらはアインシュタイン・テストの正式な合格例ではありません。
そもそも、統一された合格基準が存在しないからです。
また、特定の科学的課題を解決できることと、幅広い知的能力を持つことは同じではありません。
アインシュタイン・テストが示す本当の意味
この考え方が重要なのは、AIの未来を単なる知識量の競争として捉えていないことです。
現在のAIは、人類がすでに知っていることを説明できます。
しかし、将来のAIには、人類がまだ知らないことを発見する力が期待されています。
AIは「知識を利用する道具」から「新しい知識を生み出す研究のパートナー」へ進化できるのでしょうか。
これが、アインシュタイン・テストの重要な問いです。
関連出典:TIME(2025年)
Demis Hassabis Is Preparing for AI’s Endgame
第8部:高度なAIの安全性
㉔ AIが高度になるほど危険性も大きくなる?

AIの能力が高まると、これまで人間が行っていた複雑な作業を支援できる可能性があります。
しかし、AIが高度になればなるほど、その判断や行動が社会に与える影響も大きくなる可能性があります。
例えば、AIが誤った情報を生成するだけでなく、外部のシステムを操作したり、長期的な計画を実行したりするようになれば、誤動作による影響も広がるかもしれません。
また、高度なAIが悪用される危険も考えられます。
そのため、AIの能力を高める研究と同時に、安全性を確認する研究も重要になります。
㉕ ハサビス氏が提案する「第三者によるAI安全性評価」

2026年10月の『ウォール・ストリート・ジャーナル』の報道で、特に注目したいのが安全性に関する制度提案です。
ハサビス氏は、高度なAIシステムを公開する前に、開発企業から一定の独立性を持つ組織が安全性を評価する仕組みを提案したと報じられています。
その構想は、AI業界が資金を提供し、政府の監督のもとで評価を行うというものです。
分かりやすく言えば、AIを開発した企業だけが「安全です」と判断するのではなく、第三者がリスクを検証する仕組みです。
例えば、自動車には安全性を確認するための試験があります。
医薬品にも、効果や副作用を調べる審査制度があります。
高度なAIについても、能力が大きくなればなるほど、公開前に危険性を調べる必要があるという考え方です。
ただし、AIと自動車や医薬品では性質が異なるため、同じ制度をそのまま導入できるわけではありません。
第三者評価を実現するには課題もある
独立した評価組織を設けるとしても、解決すべき課題があります。
例えば、次のような問題です。
- 評価基準:どのような能力や危険性を調べるのか
- 独立性:資金を提供する企業の影響を受けずに評価できるのか
- 透明性:評価結果をどこまで公開するのか
- 政府の役割:どの範囲まで監督や規制を行うのか
- 国際協力:国によって異なる制度をどう調整するのか
- 継続的な評価:公開後に能力が変化した場合、どう対応するのか
高度なAIの安全性を、一度の試験だけで完全に保証することは難しいと考えられます。
そのため、公開前の評価だけでなく、公開後の監視や改善も重要になります。
AIの開発を止めるという意味ではない
安全性の評価を重視することは、必ずしもAIの研究開発を止めるという意味ではありません。
AIが科学研究や医療などに役立つ可能性がある一方、危険性もあるため、両方を考える必要があるということです。
重要なのは、AIの能力を高める競争だけでなく、その能力を安全に利用できる仕組みを整えることです。
高度なAIの開発と、安全性の確認を両立させることが、AGI時代に向けた重要な課題になっています。
出典:The Wall Street Journal(2026年10月21日)
Why AI’s Deepest Mind Believes the World Is About to Change Radically
第9部:AGI実現までに残された課題
㉖ AGI実現への課題① 未知の問題と長期計画

未知の問題を安定して解く能力
現在のAIは、数学やプログラミングなどで高度な能力を示すことがあります。
しかし、難しい問題を解ける一方で、比較的簡単な問題を間違えることもあります。
また、学習した内容と異なる状況に直面したとき、適切に対応できない場合もあります。
AGIを考えるうえでは、特定の問題で優れた成績を出すだけでなく、未知の状況でも安定して判断できることが重要です。
長期的な計画を立て、実行する能力
人間は、数日から数年にわたる計画を立て、状況に応じて修正できます。
例えば、新しい研究を始める場合、資料を調べ、仮説を立て、実験し、結果を分析し、必要に応じて研究方針を変えます。
こうした作業をAIが長期間にわたって安定して実行するには、多くの課題があります。
途中で誤った判断をした場合に修正できることや、自分の能力の限界を認識できることも重要です。
㉗ AGI実現への課題② 継続学習・検証・社会的信頼

新しい経験から学び続ける能力
人間は、新しい経験を通じて知識や技能を身につけます。
一方、AIでは、新しい情報を継続的に学習させる際に、以前の知識や能力を維持することが課題になる場合があります。
新しいことを学ぶ過程で、以前に学んだ内容への対応力が低下する現象は「破滅的忘却(Catastrophic Forgetting)」と呼ばれます。
将来のAGIには、新しい知識を獲得しながら、過去の学習成果を適切に維持する能力も求められると考えられます。
AIの判断を検証できること
高度なAIが新しい科学理論を提案したとしても、その内容が正しいとは限りません。
また、複雑な計画を実行する場合、その判断の根拠を確認することも重要です。
数学であれば、証明が論理的に正しいかどうかを検証できます。
生命科学であれば、実験による確認が必要になる場合があります。
AIの能力が高まるほど、結果を検証する技術や制度も重要になるでしょう。
技術的な能力と社会的な信頼は別問題
仮に高度なAGIが開発されたとしても、社会がすぐに受け入れるとは限りません。
安全性、信頼性、責任の所在、利用ルールなどについて、十分な議論が必要です。
AGIが技術的に実現することと、社会で安全に利用できることは、別の課題なのです。
第10部:まとめと未来への展望
㉘ 2028年にAGIが完成する? 重要な5つのポイント

今回の重要な5つのポイント
- 実現時期:2028〜2029年という見通しは予測であり、完成は確定していません。
- 研究組織:Google DeepMindが高度なAI研究を推進しています。
- 科学的成果:AlphaFoldとAlphaGeometryが重要な進歩を示しました。
- 知能の評価:未知の科学的発見ができるかが重要な問いです。
- 安全性:高度なAIには第三者評価などの仕組みが必要です。
AGIの未来を考えるには、実現時期だけでなく、能力・科学的成果・安全性を総合的に見ることが大切です。
今回の記事で、最も重要な点を整理しましょう。
Google DeepMindは、Googleの中核的なAI研究開発組織であり、Gemini、AlphaGo、AlphaFold、AlphaGeometryなどの技術に関わってきました。
その共同創業者であるデミス・ハサビス氏は、ゲーム開発者、脳科学研究者、AI企業の創業者という経歴を持ち、2024年にはノーベル化学賞を受賞しています。
2026年10月には、AGIが今後2〜3年以内に実現する可能性があるという見通しが報じられました。
しかし、これは確定した予定ではありません。
また、AGIには世界共通の厳密な完成基準がないため、実現時期を一つの日付で示すことは困難です。
㉙ AIは人類が知らないことを発見できるのか?

ハサビス氏が重視しているのは、AIが人間の知的能力に近づくことだけではありません。
AIが新しい科学的発見を生み出し、人類が抱える難しい問題の解決に役立つことです。
AlphaFoldは、タンパク質の立体構造予測を大きく前進させました。
AlphaGeometryは、数学の難問に対して論理的な証明を導く能力を示しました。
これらの成果は、AIが単に情報を整理する道具ではなく、科学研究の重要な支援技術になり得ることを示しています。
そして、アインシュタイン・テストは、その可能性をさらに先へ進めた問いです。
現在のAIがアインシュタインの理論を説明できても、それはすでに存在する知識を利用している可能性があります。
しかし、過去の科学知識だけを与えられたAIが、人類の歴史を変えるような新しい理論を自分で導き出せたら、どうでしょうか。
それは、AIの科学的発見能力を考えるうえで、大きな意味を持つでしょう。
ただし、高度な科学的発見ができることと、AGIが完成したことは必ずしも同じではありません。
㉚ 最終まとめ:AGI時代に私たちが知っておくべきこと

さらに、AIの能力が高まるほど、安全性の確認も重要になります。
ハサビス氏が提案する、開発企業から一定の独立性を持つ組織による安全性評価は、その課題に対応するための一つの考え方です。
AGIの研究で重要なのは、いつ完成するかという予測だけではありません。どのような能力を持ち、その能力が本当に信頼できるのか、そして安全に利用できるのかという点です。
2028年にAGIが実現するかどうかは、まだ分かりません。
しかし、AlphaFoldやAlphaGeometryのような研究成果を見ると、AIが科学研究の進め方を変え始めていることは確かです。
これからのAI研究では、単に大量の知識を扱う能力だけでなく、未知の問題を解決し、新しい知識を生み出す能力が、ますます重要になるでしょう。
AIは、人類がすでに知っていることを説明する存在から、人類がまだ知らないことを発見する存在へと進化できるのでしょうか。
その問いこそが、Google DeepMindとデミス・ハサビス氏の研究を理解するうえで、最も注目したいテーマです。
よくある質問(FAQ)
Q1. AGIは2028年に完成するのですか?
2028年に完成すると決まったわけではありません。
2026年10月の報道では、デミス・ハサビス氏が今後2〜3年以内という見通しを示したとされています。
これは2028〜2029年ごろに相当しますが、あくまで予測です。
Q2. Google DeepMindは何をしている組織ですか?
Googleの中核的なAI研究開発組織です。
生成AI、科学研究、数学、ロボット、安全性など、幅広い分野に取り組んでいます。
Q3. Google DeepMindは何人くらいの組織ですか?
2025年9月の専門メディアの報道では、約5,600人とされています。
ただし、2026年11月時点の公式な確定従業員数ではありません。
Q4. デミス・ハサビス氏はなぜノーベル賞を受賞したのですか?
タンパク質の立体構造を予測するAI「AlphaFold」の開発に貢献したためです。
2024年のノーベル化学賞を、ジョン・ジャンパー氏らとともに受賞しました。
Q5. AlphaFoldは新しい薬を自動的に作れるのですか?
AlphaFoldは、タンパク質などの構造予測を通じて、医薬品研究を支援する技術です。
しかし、構造を予測できることと、安全で効果のある医薬品を完成させることは同じではありません。
医薬品の開発には、実験や臨床試験など、多くの段階が必要です。
Q6. AlphaGeometryは数学の問題を何でも解けるのですか?
いいえ。
AlphaGeometryは、主に平面幾何学の問題を対象としたAI研究です。
高度な問題を解く能力を示しましたが、あらゆる数学分野の問題を解けるわけではありません。
Q7. アインシュタイン・テストに合格すればAGIなのですか?
必ずしもそうではありません。
高度な科学的発見ができることは重要ですが、AGIには幅広い知的能力が求められます。
また、アインシュタイン・テストには、世界共通の公式な合格基準がありません。
Q8. AGIと人工超知能は同じものですか?
同じではありません。
AGIは、人間のように幅広い知的課題に対応できる人工知能を指します。
人工超知能(ASI)は、人間の知的能力を広範囲で大きく上回ると想定される人工知能です。
ただし、両者の定義や境界は統一されていません。
Q9. AGIが完成したら、すぐに社会が大きく変わるのですか?
必ずしもそうではありません。
高度なAIが開発されたとしても、社会で広く利用するには、安全性の確認、制度の整備、利用環境の構築などが必要です。
技術の完成と社会への普及には、時間差が生じる可能性があります。
Q10. AGIの研究で最も重要な課題は何ですか?
重要な課題は一つではありません。
幅広い知的能力、未知の問題への対応、継続的な学習、科学的な検証、安全性など、多くの課題があります。
また、技術的な研究だけでなく、社会で安全に利用するための制度づくりも重要です。
関連記事:AIの進歩で仕事・給料・物価・暮らしはどう変わるのか?
本記事では、Google DeepMind、デミス・ハサビス氏、AGIの研究、科学的発見能力、安全性について解説しました。
一方、AIの進歩が私たちの仕事や生活にどのような影響を与えるのかも、重要なテーマです。
例えば、次のような疑問があります。
- AIによって人間の仕事はなくなるのか
- AIを活用すると給料は上がるのか
- AIによって商品やサービスの価格は安くなるのか
- AIロボットは日本の人手不足を解消できるのか
- シニア世代の生活はどのように変わるのか
- AI時代に向けて、今から何を準備すればよいのか
これらの問題については、国際機関の研究や経済統計などをもとに、別の記事で詳しく解説します。
関連記事(予定):『AIで仕事はなくなる? 給料・物価・暮らしはどう変わるのか――2026年最新研究から考えるAI時代の未来』
記事に関する注記
本記事は、2026年11月14日時点の情報をもとに構成しています。
AGIの実現時期や、AIの科学的発見能力に関する将来の見通しには予測が含まれます。
Google DeepMindの人員規模は報道に基づく数字であり、公式な最新従業員数ではありません。
また、アインシュタイン・テストはAGIの科学的発見能力を考えるための概念的な評価方法であり、世界共通の公式な認定試験ではありません。
本記事では、ハサビス氏本人の発言や研究成果と、一般的なAI研究の動向、技術的な課題、将来の可能性を区別して紹介しています。
本文内の出典は、各章の関連する記述に対応するように掲載しています。一部の報道記事は有料購読が必要な場合があります。
🔶AI進化論について
AI(人口知能)について、このまま進化すると人類が滅亡するかも知れない、と警告しているAI専門家がいます。
その話を聞いて本当なのかな?
と思い、自分でも調べてみようと考え、今、勉強中です。
その勉強した内容を、下記の【AI進化論】というYouTubeチャンネルに掲載しています。
もし、ご興味がおありでしたら、ご覧になってみてください。
