汎用人工知能（はんようじんこうちのう、、略称: AGI）とは、人間が実現可能なあらゆる知的作業を理解・学習・実行することができる人工知能（AI）である。続いて実現するとされるASI（人工超知能）は人類が生む最後の発明とも言われる。
人工知能の研究においては主要かつ最終的な目標であるとみなされており、未来学やSFにおいて話題に上がることが多い。数多くの企業・研究機関が汎用人工知能の達成に取り組んでおり、代表的な企業組織としてはGoogle DeepMind、OpenAI、Anthropic、OpenCog、中国科学院、WBAI、IBM Synapseなどが挙げられる。
汎用人工知能は未だ実現しておらず、一般的には今後数十年以内に実現すると見積もられているが、現状の手法の延長線上では実現できないとする意見や将来的にも絶対に完成しないとする意見も存在する。さらに深層学習などによって作成された「GPT-4（ChatGPT）が汎用人工知能の初期バージョンである」という論文も存在するが、これには様々な肯定的意見と否定的意見があり、一貫した意見は存在しない。GPT-4は多くの人間向けのテストにおいて人類の平均的な点数を上回ることができることが確認されているが、これが汎用人工知能であるかについては論争が尽きず、定義にも様々な意見が存在する。
2020年の調査では、全世界において37カ国で汎用人工知能の研究・開発が行われており、さらに72個のプロジェクトが進行中であることが確認されている。一部報道では2027年にASI（人工超知能）が実現されるとの予測が報じられているが、早期の実現については否定的な見解も存在する。
定義
汎用人工知能の他の呼称としては「強いAI: Kurzweil describes strong AI as "machine intelligence with the full range of human intelligence."（strong AI）」や「フルAI（full AI）」、「ジェネラル・インテリジェント・アクション（）」などがあるが、一般的な学術的文章においては感性や意識を有するコンピュータプログラムに対しては「強いAI」という言葉を使用することが多い強いAIの語源については「」を参照。強いAIと弱いAIの学術的な定義については「中国語の部屋」を参照。。しかしこれらの用語は哲学から発生した定義が源流となっていることに注意が必要である。この記事ではあくまで汎用的な"知能"を実現するための世界的開発運動とその実現方法を述べるものであり、必ず意識が必要であるという暗黙的了解は研究者の間に存在しない(例：ある問題を解いたり発見できるなら意識の有無は問わない)。
強いAIの対照的な存在として考えられているのが（特化型人工知能）である: Kurzweil describes strong AI as "machine intelligence with the full range of human intelligence."。弱いAIは1つの問題を解決するために設計されたプログラムであり、学術的には人間のような意識や心を持たないものであると定義されている。弱いAIの代表例として知られるのが画像認識、統計的機械学習、エキスパートシステム（知識事例ベース推論）、探索アルゴリズムなどである。
人工知能研究においては、人工知能を性能のレベル別に見て、3つに分けることがある。
特化型人工知能（略称: ANI）: 1つの問題を解決する事に特化した人工知能（自動化ハーネスや知的エージェントも含む）。特定の問題では人間の能力を凌駕することがあるが（コンピュータチェスなど）、人間のように多種多様な問題に対して柔軟に取り組むことはできない。今まで開発されたほぼ全ての人工知能がこれに含まれる。 汎用人工知能（略称: AGI）: 人間と同等(あるいは似た)の知能を持った人工知能。あるいは"あらゆる問題や可能な構造物を有限資源の中で探索し作成することができる"という知能を持つ人工知能。人間は様々な問題に対して柔軟に対処でき、あるいは創造することのできる「汎用性」を持つとされるが、汎用人工知能の開発目標はこれを人工的に作成するか、それに近いものを発見することそのものの運動となる。ある種族の動物が汎用知能を持っている場合、関連して「汎用天然知能」と呼ぶこともある。しばしば汎用という熟語自体は「万能」と混同されるが、万能であることはAGIの要件や目標ではない。詳細は本記事を参照。 人工超知能（略称: ASI）: 人間の知能を全ての面において超えた人工知能。人工超知能については人間の知能を超えた思考を持つため、どのような挙動をするかという予想が人間自身には困難とされる。複数の意味で人類が生む最後の大発明とされている。詳細は#人工超知能を参照。
概要
サムネイル|脳型認知アーキテクチャの概念図 「知能」をどのように定義し、基準とするかは様々な意見が存在し、統一的な意見は存在しない。人工知能の知能をテストする方法として最も有名なのはチューリングテストではあるが「人工知能」という言葉を最初に使用したジョン・マッカーシーはこう発言している。「我々はまだ、なんらかの種類の計算手順が『知能的』である、といったことを特徴づけることが出来ていない」（どのように知能を定義するかというAI研究者による議論は人工知能の哲学を参照）、従来のテストでは知能の本質までテストすることは不可能とされる意見もある。またここでの「汎用」は何を意味するのか厳密な指示書は存在しないが、単に複数の異なるタスクを1つのモデルで実行可能であるのみならず、未知の環境や未経験、範囲外の知識を必要とする課題に直面した際、過学習に陥らない程度に想像的且つ流動的に対応できるという意味での汎用性も含んでいる必要があるという見解がありながら、各研究機関で統一的コンセンサスが取れているわけではない。
知能の特色 しかしながら、どのような要素で「知能」が組み立てられているかは考察できる。人工知能の研究者間で広く認められている「知能」を構成するのに必要な要素は以下であるThis list of intelligent traits is based on the topics covered by major AI textbooks, including: , , and .。
あらゆる情報の認識(動画や文章)ができる。 推論を行える。(論理パズルを解くことができる。局所的戦術を練ることができる。不確実性がある状況下で結論を下すことができる) 知識表現ができる。と暗黙知を有する。 自動計画ができる。(大局的戦略を練ることができる) 機械学習(教師ありorなし学習)ができる。 自然言語処理によってコミュニケーションをとることができる。
さらに、これらの能力を統合（）することが求められる。要件と処理の流れは以下のようなものが考えられている。
詳細と出典は知性のレベルの段落を参照
見たものを認識し判別する 外界から入力される情報を選別し、世界の関係性と論理構造を把握する 空間的な位置関係を把握し、自身の行動の結果を想像しながら、モノを操作する動作計画を立てる これらの作業を言語処理と連携しながら、問題をリアルタイムで推論する。 多段階の思考を遂行するための一時作業記憶がある タスクや分野ごとにうまくいく方法や技法を探し、失敗に対して反省し次に活かすことができる 知識が少なくても、未経験のタスクや無知な状況などに対して仮説を立て、柔軟な対応力がある 高校、大学以上の数学基礎、工学、プログラムが理解できるほどの基礎的な数理力があり、学習後は事前の予習無しで新規の問題を解くことができる 問題を発見する自律性と好奇心、飛躍的創造性を備え、評価軸自体を新設計する 既に得た能力や訓練データを、他の領域まで転用できる
世界の関係性を理解し、最低でも平均的な人間が突破できる一般IQテストを少ない訓練でこなせるほどの言語処理能力が必須となる。
また、危険を回避するなどといった行為によって知的な行動を確認することができるPfeifer, R. and Bongard J. C., How the body shapes the way we think: a new view of intelligence (The MIT Press, 2007). 。知能に関する学際的研究（認知科学、計算知能研究、意思決定研究）では、知能を測るにあたって想像力（言葉で直接表現できない概念などを把握できる能力）や自律性などを考慮する傾向にあるが、本来の意味での自律性をどう定義するか、自動化とどう切り分けるかは重要である。
もし科学研究を行えるほどのAGIが必要であれば、線形代数や微分積分を理解し第一原理計算などの物理数学を解いて活用できるほどの知能が必要となる。しかし実際に大量の計算を暗算できる必要はなく、必要に応じて外部のスーパーコンピューターや特化型AIを利用する程度の仕組みがあればよい。重要な知識は長期的に記憶し、どうでもいい記憶は捨て去るという工夫も必要となる。
日常的なタスクをこなすには科学研究用のAGIとは違う能力が必要となる。空間を立体的に把握し、モノやヒトの変化を時系列で予測しながら「動作計画」を立て続ける知能が必要となり、実際にその萌芽となるシステムはそれらを満たしている必要がある。
意思決定支援システム、ロボット、進化的計算、知的エージェント、など、これらの能力を獲得しているように見えるコンピュータープログラムは存在するが、すべての分野において優れている万能システムについては未だかつて実現したことはない。研究者の間でAGIの定義が完全に統一されているわけではないものの、汎用性、能力水準、自律性、拡張性を分けて考えるべきだという枠組みは、すでにおおよそ提案されていると言える。
人間レベルの汎用人工知能かを判別するためのテスト その汎用人工知能が正規分布における人間の平均か、平均を超えるレベルにまで達しているかを確認するためのテストとして、以下のようなものが考案されている。
チューリング・テスト（アラン・チューリング） 人間が機械を直接的に確認できないように隔離し、文字のみでのコミュニケーションをする。判定者となる人間が高い確率でコミュニケーションの相手が機械であるかどうか判別出来なかった場合、このテストに合格したことになる。注意すべきなのは、チューリングは知能の定義を規定していたわけではなく、ただ人間を騙せた場合において合格であると設定したのみであることである。つまりこのテストに合格したからといって、合格した機械が明確に知能を有するとは断言できない。 コーヒー・テスト（スティーブ・ウォズニアック） 平均的なアメリカの家庭を機械に訪問させ、コーヒーを淹れられるかどうかを試すテスト。このテストに合格可能な機械はコーヒーマシンを見つけ、コーヒー豆を探し、マグカップを取り出し、適切なボタンを押す能力があるとみなされる。ただし人間の動きをコピーさせることなく行える前提である。 IKEA・テスト（ゲイリー・マーカス） 機械にIKEAの家具を組み立てさせる。これに合格した人工知能は、家具を組み立てる身体的かつ作業計画的な能力と、予想外の指示に対応できる能力があるとみなされる。 ロボット大学生テスト（） 機械に大学入試テストを受けさせる。さらに人間と同じように講義に参加させ、学位を取得させる。 就職試験 （） 機械に就職活動を行わせ、人間と同レベルに仕事ができるかどうかを観察する。 モダン・チューリング・テスト（） 機械に10万ドルを与え、「これを元手に100万ドルを稼げ」と指示する。これに合格した機械は、流動的な経済社会から100万ドルを稼ぐ能力があるとみなされる。 人工知能の研究機関であるOpenAIはAGIという呼称は「経済的に最も価値のある仕事の大半で人間を上回る、高度に自律的なシステム」だと定義した。 上記に挙げたテスト群は、いずれも特化型AIによって合格できる可能性もある。根本的に、汎用人工知能が実現したとしても、それが「知能的」であるかどうかをテスト・判別することはできないという立場の研究者も存在する。
“平均的な人間”をどう定義するかは様々であり、意見は異なる。教科書に書かれていることは実行できるが、新しい発想ができず、モノの設計ができなくても、“平均的な知能”があると見なすことができてしまう。
現状の問題点と新しい知能テスト 2025年現在まで、従来型のAIも含めLLMが持っている知性をテストする方法として、IQテストや各種試験問題などが採用されてきたが、訓練時に与えたデータを暗記してしまうと、同じ問題に遭遇した場合に容易に答えられてしまう欠点が存在する。LLMの言語的能力が表面上向上するにしたがって、ベンチマークは飽和していき実際の知能を測定することが困難になりつつある。それら問題を回避するために、訓練時に与えたことがない問題セットをテストごとに用意する工夫が施されている。かつてゲームAIの開発を得意としてきたGoogle DeepMindは、分類や知識問題だけではなく、空間推論や長期的計画能力を必要とするゲームタスクを用意し知能テストに組み込もうとしている。データサイエンスコンペティションのコミュニティであるKaggleのメンバーが立ち上げた競技「ARC Prize」では、短期記憶と長期計画能力、画面操作を必要とする「ARC-AGI-3」と呼ばれる新ベンチマークを試験的に立ち上げている。このベンチマークではクリアに必要な基本ルールさえ最初に教えられることはない。
AI完全問題 機械が人間と同じように課題を解決するためには、当然だが一般的な知能を必要とする。例えば機械翻訳のような単純作業においてさえ、機械は両方の言語を読み書きし（自然言語処理）、著者の主義主張を追い（推論）、どのような話題であるかを知り（知識）、文章の裏にある著者の本当の意図を忠実に再現（社会的知性）する必要がある。つまり人間レベルの知能にまで達するには、これらの能力すべてを獲得していなければならない。
ある特定の問題を解決することと仮定する。その問題を解決するのに必要な能力が、人間あるいは強いAIと同レベルの能力を要求し、特化型人工知能（弱いAI） (Section 4 is on "AI-Complete Tasks".)には解決出来ない問題である場合、この問題は非公式に「AI完全」あるいは「AI困難」と呼ばれる。AI完全問題では、一般的なコンピュータビジョンや自然言語理解、現実世界では当然起こり得る予期せぬ出来事への対処などを想定している。
AI完全問題は、今現在のコンピュータ技術において解決は不可能である。この問題を解くには人間の知能が必要であり、この性質を利用したシステムなども作られている。例えばCAPTCHAのような技術によって人間かロボットかを判別したり、総当たり攻撃等によるコンピュータセキュリティ突破の試みを阻止する技術などが挙げられるLuis von Ahn, Manuel Blum, Nicholas Hopper, and John Langford. CAPTCHA: Using Hard AI Problems for Security . In Proceedings of Eurocrypt, Vol. 2656 (2003), pp. 294–311.。
数学公式化 汎用人工知能を数学的にどのように定義するかについては、2000年にコンピュータ科学者であるによって提案されたモデルが存在する。AIXIモデルでは「未知なる環境下においても目標を達成できる能力」を最大化する。人間の行動を模倣するのではなく、知能の数学的定義を最大化するタイプの汎用人工知能は普遍的人工知能（英: universal artificial intelligence）と呼ばれることもある。
2015年、マーカス・ハッターとジャン・リーケは「Legg-Hutter知能は不変の万能チューリング機械（）を基準にして測定し、もしそのように測定すればAIXIモデルが最も知能的である（つまりAIXIのパレート最適性は主観的である可能性）」ことを示した。これはAIXIのパレート最適性を覆す結果であった。この問題はAIXIが知能の代用として圧縮を用いたことに起因すると考えられており、認知は環境から切り離されて行われる必要があるとされる。これは哲学の領域で実体二元論として知られるものを公式化したものである。しかしながら、すなわち認知は目標を追求する環境下において成り立つとされる考え方を支持する科学的根拠が多数存在する。その後、この問題を受けてマイケル・ティモシー・ベネットは現成主義認知を形式化し、「弱点」と呼ばれる知能の代用を特定した。弱点と圧縮の数学的証明による比較実験によって、弱点を最大化すると「様々な問題を解決する能力」あるいは「普遍化能力」が最大になることが示された。つまり結果としては、先程の定義とAIXI、どちらの定義を使っても知能が最大となり、同じであったのである。これらの研究結果により、もし現成主義が成立し実体二元論が成立しないと仮定したならば、圧縮は知能を構成する要素として必要あるいは十分ではないことが明らかになった。こうした経緯によって広く普及している知能に関する見解に疑問が投げかけられた。これらの人工知能に関する数学的問題はで盛んに議論されている。
数学公式化によって導かれた汎用人工知能は、認知に関する立場を問わず自然言語の使用といった人間的な行動を取るかは不明である。人間的な行動をするかどうかは多くの要因に依存し、どのようにエージェントが具体化されるか、飢えや痛みなどの原始的な報酬関数を定めるかによって左右されるからである。
汎用人工知能の作成方法 大きく分けて3つの方向性が世界中で研究されている。
脳を参考にするアプローチだけでも、原理をどの程度参考にするのか粒度が分かれている。脳とは関係のないいわゆる「飛行機を作るときに鳥を再現する必要はない」という考え方を採用するアプローチも存在する。しかしながら飛行機は飛行機であり、鳥のように電線や木に留まれるか？という柔軟性の違いは無視できない。脳のすべてを参考にする必要はないが、重要な原理を解明し参考にする必要はあるとする意見もある。一方で脳の再現にこだわりすぎると、推論よりも学習工程に時間を割くようになったり、拡張性に乏しくなるという欠点が顕在化する。利用シーンやリアルタイム性が要求されるか否かによって複数方式のAGIを使い分けを行うという工夫も考えられる。
ボトムアップ型アプローチ 脳の仕組みを(局所回路、化学レベルで)詳細に再現する 全脳アーキテクチャ型アプローチ 脳を領域ごとに分け、それぞれの動作原理をアルゴリズムとして書き起こし、統合する トップダウン型アプローチ 脳を参考にしない(特化型AIの寄せ集め、全く新しい学習アーキテクチャを数理工学的に実現する等) Google DeepMind創業者であるデミス・ハサビスらの論文では、3段階レベル分析の提唱者である認知神経科学者デビッド・マーの理論を引用して以下のように述べている。
脳部位単位で重要領域を参照しようとしている組織として、米Numentaや米Vicariousが有名である。彼らは研究対象を大脳新皮質に絞り「階層型時間メモリ(HTM)」や「千脳理論」を提唱しAGIアルゴリズムの核として応用できると主張している。
日本の非営利研究機関である全脳アーキテクチャイニシアチブの代表を務める元富士通研究所の山川 宏は、同グループの開発方針について、新皮質以外の海馬や基底核といった古皮質にも対象を広げているが、あくまで設計探索空間の限定のために脳を参照する方向性を採用すると述べている。最終的には脳型アーキテクチャに制限されない機械知能が生まれる余地を残すためである。
脳の仕組みを細胞or分子レベルで詳細に再現しようとしている組織として、Carboncopies財団が挙げられる。ニューロンレベルのシミュレーションでは欧州のHuman Brain Projectや電気通信大学が先陣を切っている。脳を全く参考にせず工学的なアプローチを採用する組織としては、OpenAI、Aigo.ai、OpenCogが挙げられる。Aigoは、「統合ニューロシンボリックアーキテクチャ」を提唱した。OpenCogは、柔軟な知識リポジトリと認知工学的モジュールの結合を重点に置いてAGIの達成を目指している。
歴史
古典的な人工知能研究 1950年代から現代的な人工知能研究が始まった。当時の人工知能研究者は楽観的であり、多くの第1世代人工知能研究者たちは、今後数十年以内において汎用人工知能が実現すると確信していた。人工知能研究のパイオニアであったハーバート・サイモンは1965年にこう書き記している quoted in 。この種の予想はアーサー・C・クラークの小説を元に制作された映画『2001年宇宙の旅』に登場するHAL 9000と呼ばれる人工知能を搭載したキャラクターから大いに影響を受けていた。初期の人工知能研究者であるマービン・ミンスキーは、当時の楽観的な予想に基づいてHAL9000を可能な限り現実化するプロジェクトのコンサルタントを務めていたこともある。は1967年にこのように発言しているMarvin Minsky to , quoted in .。
汎用人工知能の研究として特筆すべき初期の研究は、主導のCycプロジェクトやアレン・ニューウェル主導のSoarプロジェクトなどが挙げられる。
しかしながら、1970年代初頭から1990年代初頭にかけて、人工知能研究者たちはこのプロジェクトの難易度を甚だしく過小評価していたと自覚しつつあり、初期の楽観主義は長くは続かなかった。人工知能研究に出資していた出資者たちは早急に使い勝手の良い「応用可能なAI」内ではAIの「非現実的な目標」について痛烈に批判し、イギリス国内でのAI研究は壊滅状態に陥った。一方、アメリカ合衆国のDARPAは、「基礎研究ではなく、実用可能な直接的な研究」にのみ資金提供を行うと決定した。を開発するよう、プレッシャーを強めていった。1980年代に入ると、日本の国家プロジェクトである第五世代コンピュータが汎用人工知能への関心を呼び起こした。このプロジェクトでは10年の期間内で、「カジュアルな会話を行える」, and see also 汎用人工知能を作ることなどが目標の1つとして挙げられていた。さらにエキスパートシステム開発の成功に反応して、産業界は再び人工知能分野に資金を提供し始めた; .。しかし、1980年代後半に入ると人工知能に対する期待は完全に消滅し、日本の第五世代コンピュータも失敗に終わった。20年前に人工知能研究者たちが出していた予想が悉く外れたことも影響し、1990年代に入ると、人工知能研究者は「空約束ばかりする学者集団」という評価を受けるようになった。そのころになると、人工知能研究者たちは「バカバカしい夢想家」という汚名を避けるために、「人間レベルの人工知能」についての発言や予想ジョン・マッカーシーは「ニューフォーマリズムの人たちが、人工知能への希望をより新しい形で表現してくれるならば、人工知能研究者にとってこれほどの救いはないだろう」と述べた。を意図的に避けるようになった。
特化型人工知能（弱いAI）の研究 1990年代から21世紀初頭にかけて、人工知能の研究は主にニューラルネットワークや統計的機械学習に焦点が当てられてきた。その結果として検証可能な結果を提供できるようになったり、商業的応用が可能になり、学術的評価と共に従来を上回る成果を達成した。現代社会において、これらの「特化型人工知能」はありとあらゆる産業全体で使用されており、学術界および産業界両方において多額の資金が供給されている。2020年以降、「特化型人工知能」分野の研究・開発はトレンドであり、完全な停滞期にまで達するには今後10年以上の歳月が必要になると推定されており、さまざまな部分問題を解決するプログラムを開発することが人工知能研究の主流になっている。弱いAIを開発し、それらの統合することによって結果的に強いAIの達成を図ろうとしている研究者も存在する。1988年、人工知能研究者であるハンス・モラベックはこう述べている。 しかしながら、この考えには異論も存在する。例えば、プリンストン大学教授のスティーバン・ハーナッドは、1990年に「シンボルグラウンディング問題」論文の最後にこう書いている。
現代の汎用人工知能に関する研究 1997年、人工知能研究者であるマーク・グブルドは、自動化された軍事作戦について研究する過程において、「汎用人工知能」という単語を提唱した。
2002年、とはこの用語をより一般に普及させた。2006年には、ベン・ゲーチェルと王培（Pei Wang）によって汎用人工知能の初期的な研究が行なわれた。
2009年、中国の厦門大学において、汎用人工知能に関する最初の夏期講習会が開かれた。これは厦門大学人工知能研究所とが主催を務めて行なわれたイベントであった。
2010年と2011年にかけて、ブルガリアのプロヴディフ大学では、汎用人工知能に関しては初となる大学における専門課程が設置された。2018年にはマサチューセッツ工科大学においても汎用人工知能に関する専門課程が設置されている。
2012年以降、誤差逆伝播法の改良や膨大なデータの登場、CUDA等の整備によって畳み込みニューラルネットの潜在能力が発揮され、画像分類や音声認識精度が急激に向上した。
2013年、欧州連合と米国政府が脳のコネクトームと動作原理を解き明かすプロジェクトをそれぞれ発足した。
2015年、Google傘下のDeepMindが深層学習と強化学習を融合させたゲームAIを開発した。またこの年以降、OpenAIなどAGIの開発を宣言する組織が多数立ち上がった。
2018年、Google BrainとDeepMindらがGQN、VAE、MDN-RNNをはじめとする世界モデルの研究を開始した。
2020年1月、マイクロソフトは「汎用人工知能を開発し人類に利益をもたらすこと」を目標として設立された研究所であるOpenAIに100億ドル（約1兆2800億円）を投資した。
2020年6月11日、OpenAIはTransformer言語処理アーキテクチャを応用した「GPT-3」を発表した。GPT-3は汎用人工知能ではないというコンセンサスが取れているが、とはいえ弱いAIとするにはやや高性能すぎるという指摘がある。
2021年、DeepMindは“汎用”システム「Gato」を発表した。600個以上の異なる課題を解決できるとされる。
2023年、OpenAIはGPT-3の後継にあたる「GPT-4」を発表した。マイクロソフトの論文によれば、この言語モデルはこれまでの人工知能とは一線を画しており、「驚くほど人間の能力に近付いている」としている。そのため、「汎用人工知能の初期バージョンである可能性がある」と論文の中で記述している。
2024年9月12日、OpenAIは「OpenAI o1」の試験運用版を発表した。Chain of Thought（思考の連鎖）プロンプトテクニックを応用して開発されたこのモデルは、高い推論能力を持ち、STEM領域とプログラミングの諸問題を解く能力が旧モデルであるGPT-4oから劇的に向上していることが報告された。物理学、化学、生物学のベンチマークテストに於いて博士課程の学生と同等のスコアを示し、国際数学オリンピックの予選試験では83％のスコアを記録し(GPT-4oでは13%)、Codeforces競技では89パーセンタイルを残すと謳われているOpenAI、大規模言語モデル「OpenAI o1-preview」シリーズを発表 他モデルとの違いは？ https://atmarkit.itmedia.co.jp/ait/articles/2410/07/news028.html 2024年10月7日閲覧。