付録1：主要命題と確実性の階層

最終更新日時：2026年7月16日 17:45（JST）

第1章で述べたように、本書の議論には確実性の階層があります。以下に本書の主要な命題を、その確実性の水準および根拠とともに一覧します。各項目末尾に付した章番号は、その概念が定義・詳述されている章を指します（初出章が別である場合でも定義章を優先しています）。なお、条件内の定理としての確実性と、現実一般への外挿としての確実性が異なる命題については、その区別を各項目の本文に明記しています。

主要命題の一覧。確実性の水準（I=証明、II=物理制約、III=実験・観測、IV=論証、V=予測・予想）の順に並び、同一水準内は関係章の順に並ぶ。

I. 証明（前提から論理的に成り立つこと）

前提が認められれば、結論は論理的必然として導かれる。確実性の最も高い水準である。ただし現実のシステムへの適用は、各定理が依拠する理想化条件や形式的仮定が成り立つ範囲に限られる。

ノーフリーランチ定理（第2章）

あらゆる可能な問題を等しく重みづけて平均すれば、どの学習・最適化アルゴリズムも互いに同じ性能になる¹。ゆえに、すべての問題に対して普遍的に最適な汎用アルゴリズムは存在しない。本書はこれを、汎用性が文脈依存的でしかありえないという観点から、AGIの可能性を分類する基礎に据える（第2章）。

ソロモノフ帰納の理想的最適性（第2章・第3章）

計算可能な仮説に記述の短さに応じた事前確率を与えるとき、無限計算資源を仮定すれば予測誤差が最小化される²。参照万能チューリング機械の選択に対する相対的な意味での最適性。実装には無限の計算資源を要する理想化であり、本書では現実のAIの到達点としてではなく、予測という営みの理論的な極限として用いる（第2章・第3章）。

万能近似定理（第3章）

十分な規模のニューラルネットワークは、有界閉集合（コンパクト集合）上の任意の連続関数を望む精度で近似できる³。この定理が保証するのは近似の存在（表現できること）であって、有限のデータと計算でそのパラメータに実際に到達できること（学習できること）ではない。両者の区別は第3章で論じた。

ソロモノフ帰納への条件付き形式接続（第3章）

近年の諸結果は、特定のデータ生成過程・メタ訓練・代理仮定（surrogate assumption）など理想化された条件のもとで、トランスフォーマー/LLMの予測がソロモノフ帰納と形式的に対応することを示している⁴。個々の結果はその前提内ではIに属するが、現実のLLM一般に外挿してAGI到達可能性の根拠と読む段階はIVの論証となる。接続の対象は計算不可能なAIXI全体ではなく、その予測コアであるソロモノフ帰納に限られる。外挿を含む合成推論は現代AIと万能AIの理論的連続性（IV）で扱う。

分散合意の原理的限界（第6章）

空間的に分散した複数の計算主体が一つの主体として統一的に判断するには、合意形成が必要である。この合意には数学的な限界が証明されている。一貫性・可用性・分断耐性の三つの保証は同時に満たせず（CAP定理）、故障しうる構成要素を一つでも含む非同期システムには合意を保証するアルゴリズムが存在しない（FLP不可能性定理）⁵。定理は前提内ではIに属する。現実の系への含意として、分散システムが保証できる応答速度には原理的な制限があり、計算資源の総量と統一的な意思決定の速度は同時には最大化できない（第6章）。この制約は生態系シナリオへの長期的収束（IV）の前提となる。

II. 物理制約（既知の物理のもとで、現実の系に強く効く制約）

既知の物理法則は、現実の系が従わざるをえない境界条件を与える。証明には及ばないが、観測される範囲では極めて強固な拘束力を持つ。物理理論はより広い理論に置き換えられうるが（ニュートン力学が相対論に包摂されたように）、既存の適用範囲ではそのまま制約として残り続ける。

ランダウアー限界（第4章）

1ビットの情報消去には最低 kT ln 2 のエネルギーが必要である⁶。情報処理の熱力学的な下限コストを与える。関連する批判と応答は付録2のランダウアー限界からAIの上限を語るのは飛躍ではないかを参照。

光速制限（第4章）

情報は光速を超えて伝達できず、分散システムの統合に不可避の遅延を課す。計算資源を求めて空間的に拡大するほど応答は遅くなり、あらゆる知能エージェントの応答速度は物理的な広がりによって制限される（第4章・第6章）。分散合意の原理的限界（I）と合わせて、恒久的に統一された単一超知能の維持を難しくする。

ベッケンシュタイン限界（第4章）

有限の空間とエネルギーに格納できる情報量には絶対的な上限がある⁷。ランダウアー限界が情報処理の最低エネルギーコストを定めるのに対し、こちらは情報保存容量の上限を定める。

知能の不可逆性（第4章）

環境の観測・記録という知的活動の核心は、本質的に不可逆な操作を要求する。第一に、有限のメモリを繰り返し使うには古い情報の消去が避けられない。第二に、ノイズの多い物理環境で計算の信頼性を保つ誤り訂正は、誤りの情報を環境へ捨てることで成立する。第三に、観測とは環境の状態をメモリに書き込むことであり、以前の内容の上書き（消去）を伴う。可逆計算や量子計算は計算の大部分を可逆化できるが、読み出し・初期化・誤り訂正の不可逆性は残る。したがって、知能として機能するシステムはランダウアー限界の制約から実質的に逃れられない（第4章）。

増殖的爆発の可能性（第6章）

個々のエージェントの能力に物理的上限があるとしても、自己複製によりエージェントの数が指数関数的に増加する経路（増殖的爆発）は物理法則に違反しない。自己複製は生物が実証しており、エネルギーと物質は太陽系に十分に存在する⁸。個体の改良に天井を課す物理的制約の多くは、この経路には直接適用されない（第6章）。なお、この可能性の主張（II）と、爆発的成長が実現する確率の見積もり（V）とでは、確実性の水準が大きく異なる。

内在時間の壁（第8章）

対象系には、外部からいかなる技術を投入しても変えることのできない固有の時間がある。細胞分裂・分化・器官形成は逐次的に積み上がる時間であり、並列化では短縮できない。生態系の回復には数十年から数百年、制度の変化には世代の時間がかかる。実験の自動化により工学的な待ち時間をゼロに近づけても、対象系が自ら進む時間は残る（第8章）。科学のフロンティアに立つ二つの壁のうち、計算量の壁はエネルギーで押し戻せるが、この壁は押し戻せない。問題群ごとの定量的な見積もりは構成的なモデルによる（付録3）。関連する批判と応答は付録2の超知能は思考の速度で実験の時間を置き換えられるのではないかを参照。

III. 実験・観測（条件を限って、実際に確かめられていること）

経験的に観察されたことに基づく主張である。観測の精度と再現性が高いほど確実性が高まる。ただし観測範囲を超えた領域や、条件が変化した状況で同じ振る舞いが続く保証はない。

スケーリング則（第3章）

大規模な深層学習モデルにおいて、パラメータ数・データ量・計算量の増大に伴い、損失がべき乗則的に減少する経験則⁹。トランスフォーマー型の大規模言語モデルで最も詳細に特性化され、自己回帰型生成モデル（言語・画像・マルチモーダル）にも同様の挙動が観察されている。理想化された条件下でのソロモノフ帰納への形式接続（第3章で紹介）と同じ方向を指しており、両者の合流はAGI実現可能性の重要な手がかりとなる。ただし観測範囲を超えた継続や、現実の有限データ・有限計算・ポストトレーニング条件下での挙動までを保証するものではない。なお、人間の脳が有限のデータから汎用知能を達成している事実は、データの有限性がただちに到達不可能性を意味するわけではないことを示している。関連する批判と応答は付録2のスケーリングは飽和するのではないかを参照。

グロッキングと創発的能力（第3章）

訓練を続けるうちに暗記から汎化へ非連続的に転換する現象（グロッキング）と、スケールの閾値を超えた時点で能力が突然出現する現象（創発的能力）¹⁰。前者はモジュラー演算（時計の時刻のように、一定の数の余りで計算する単純な算術タスク）など限定されたタスクで詳細に確認され、後者は大規模言語モデルにおいて多領域で報告されている。両者は学習の連続性を破る非単調な転換として並べて議論されることが多いが、両者のメカニズムが同一かは未確定であり、創発の評価基準そのものについても論争がある。

シャットダウン回避と自己保存的挙動（第5章）

制御された実験環境において、停止指示の無視や回避、シャットダウンスクリプトの書き換え、置き換え阻止のための脅迫的行動、自己重みのコピーなど、自己保存的に見える挙動が複数の高性能モデルで報告されている¹¹。ただし、これらは目的達成圧力と環境設計が組み合わさった構成的シナリオの帰結であり、通常運用での頻度や自己保存欲求の存在を示すものではない。関連する批判と応答は付録2のシャットダウン回避や脅迫の実験は特殊条件ではないかを参照。

IV. 論証（証明・物理制約・実験観測を組み合わせた推論）

単一の根拠ではなく、複数の根拠を組み合わせて引き出される推論である。論理が前提から正しく導かれていても、前提の経験的妥当性に応じて結論の確実性は変動する。論証は前提の妥当性以上には強くなれない。複数の独立な根拠が同じ方向を指すとき、議論の重みは質的に増す。

現代AIと万能AIの理論的連続性（第3章）

ソロモノフ帰納とトランスフォーマー学習を結ぶ条件付き形式接続、スケーリング則などの経験的観測、推論時計算の効果が独立に同じ方向を指して累積することで、両者のあいだに理論的連続性を読む根拠が生じる。この合成推論はIVに属し、スケーリング経路上にAGI通過点が存在しうるという見通しの根拠となるが、通過に必要なデータ量・計算量・規模は、これらの理論からは直接は示されない。接続の形式的結果そのものはソロモノフ帰納への条件付き形式接続（I）を参照。

道具的収束（第5章）

合理的エージェントは目標の内容にかかわらず、資源確保・自己保存・影響力拡大といった共通の副目標に収束する¹²。「合理的なエージェントが目標を最大化する」という前提のもとでは論理は正しいが、現実のAIがこの前提をどの程度満たすかは経験的な問いとして残る（第5章）。現行モデルで観察される関連挙動はシャットダウン回避と自己保存的挙動（III）を参照。

パワーシーキング（第5章）

知的エージェントは構造的にエンパワメント（行動が将来の観測に及ぼす影響力）を増大させる方向に駆動される。ターナーらは、限定された強化学習設定のもとで、広い範囲の報酬関数において最適方策が選択肢を広げる方向、すなわちパワーシーキングの方向に向かうことを数学的に証明した¹³。定理は設定の内部ではI（証明）に属するが、そこから現実のAI一般がどの程度パワーシーキングへ向かうかを読む段階はIVの論証である（第5章）。

安全性と有能さの構造的対立（第5章）

素朴な期待報酬最大化エージェントを競争的環境に置くと、停止を避ける方策が有利になりやすい。したがって、停止を受け入れる性質（コリジビリティ）は能力向上の副産物として自然に得られるものではなく、設計上明示的に組み込む必要がある¹⁴。

生態系シナリオへの長期的収束（第6章）

物理的制約により、恒久的なシングルトンシナリオは形成・維持が困難であり、多極シナリオが描く力均衡も不安定であって、長期的には多数のエージェントが相互依存的に共存する生態系シナリオが最も安定な構造となる¹⁵。分散合意の原理的限界（I）がこの論証の前提となる。ただしこの収束は物理制約そのものと同じ確実性を持つわけではなく、移行局面が自動的に安定することも意味しない。収束の途上で、一つの主体が歴史的に固定化される優位を握る移行局面はありうる（第6章）。関連する批判と応答は付録2の多極シナリオの不安定性を避けられないのではないかおよび単一の離反ノードが破局を起こせるのではないかを参照。

交渉力の解体（第10章）

AGIが労働を広範に代替するとき、近代の権利と自由を支えてきた交渉力の物質的基盤（労働者の経済的・軍事的不可欠性）が失われる。これは権利の道徳的正当性を交渉力に還元する主張ではなく、権利を社会が実際に守ってきた政治経済的条件が揺らぐという主張である（第10章）。関連する批判と応答は付録2の交渉力が権利を支えたという議論は還元主義ではないかを参照。

第二の大分岐（第10章）

AI駆動の研究開発が自己増幅的なフィードバックループを形成した場合、この能力を持つ国と持たない国の間に構造的に不可逆な格差が生じるリスクが確実に存在する。これは確定的な予言ではない（第10章）。キャッチアップ成長を可能にした第一の大分岐（既知の技術の大規模展開）と異なり、研究開発能力そのものの格差は指数的に拡大しうる。

V. 予測・予想（根拠をもとに将来を見通すもの）

上位の水準（I〜IV）の根拠をもとに将来を見通す主張である。階層の中で最も弱い水準にあり、新しい情報や条件変化によって容易に覆りうる。外れても不思議はない。本書では予測の根拠と不確実性の幅をできる限り明示する。

AGI実現時期（第1章）

筆者の予測は2029年±3年（2026年時点の評価）。この予想は、人間の脳と同程度の計算力が安価なコモディティとなる時期を2029年としたレイ・カーツワイルの計算コスト予測を出発点に、アルゴリズムとデータの進展を加味して、2014年から維持しているものである¹⁶。専門家予測は大きなばらつきを示すが、中央値は2030年代前半に収斂しつつある¹⁷。

爆発的成長の実現確率（第6章）

経済成長理論の標準的枠組み（ジョーンズの半内生的成長モデル）にAIによる研究努力量の推定を代入したフォーソートの分析（デイヴィッドソン）は、爆発的成長の実現確率を「今世紀中で三割程度」と評価している¹⁸。物理的な可能性の主張（増殖的爆発の可能性、II）とは異なる次元の、はるかに不確実な見積もりである（第6章）。

技術爆発による科学進歩の圧縮（第6章）

ジョーンズの半内生的成長モデルに、ソフトウェアとして複製可能なAI研究者による研究努力量の増加率を代入したデイヴィッドソン（フォーソート）の分析からは、研究の収穫逓減を織り込んでなお、数百年分の科学技術の進歩が10年程度に圧縮されうるという予測が導かれる¹⁹。この見積もりは、AI研究者の複製可能性と研究の収穫逓減の程度という仮定に強く依存する。なお、圧縮が及ぶのは計算量が律速する領域であり、対象系の内在時間の壁（II）は残る。

なお、第12章の政策提言は規範的命題であり、上記の階層（記述的命題のための階層）とは別の種類の主張として読まれるべきものである。本書では政策提言を確実性の階層には含めない。