【AI文明論】AIがAIを開発する時代は、本当に来るのか？[2026/11/10]

AIがAIを開発する時代は、本当に来るのか 🔁🤖

AIがコードを書くのは、もう珍しくありません。テストを作り、バグを調べ、リポジトリを読んで複数ファイルを直し、テストを回して、結果を見ながら直す。ここまではすでに現場で起きていることです。

では、その先。AIが「ソフトを作る」のではなく、「AIそのものを作る仕事」を手伝い始めたら? 🤔
SF映画のように「ある日突然、賢さが爆発する」のか。それとも、もう少し地味な話なのか。今回は、計算できる範囲で考えてみます。

■ すでに始まっている部分と、まだ仮説の部分 🧭

先に線を引いておきます。

確認できることとして、AI研究の工程の一部は、すでにAIに任せられます。コードの変更、学習の実行、ベンチマークの測定、結果の整理、次の実験案の提案。研究者が一つずつ手でやっていたループを、AIエージェントが高速に回せるようになってきました。

まだ仮説なのは、そのループの「頭の部分」、つまり何を試すべきかを決める創造的な判断まで、AIが安定して担えるかどうかです。ここは研究が続いている段階で、できるとも、できないとも、言い切れません。⚖️

■ 実は、似た話をエンジニアは知っている 🛠️

「自分で自分を作る」と聞いて、思い出す話はありませんか。コンパイラのセルフホスティングです。あるプログラミング言語のコンパイラを、その言語自身で書く。最初は別の言語で作ったコンパイラで育て、十分育ったら、自分自身をコンパイルさせる。実際、多くの言語がこの道を通っています。🐍

でも、コンパイラが自分自身を作り直せるようになっても、コンパイラが指数関数的に賢くなったことはありませんよね。速くなる、バグが減る、最適化が増える。改善は続くけれど、爆発はしない。なぜか。改善が効く範囲が決まっていて、新しい物理や新しい問題は、コンパイラ自身では生み出せないからです。

AIがAIを作る話にも、同じ「構造的な頭打ち」があるのか、それとも別物なのか。ここが、今回の論点です。🔍

■ アムダールの法則で、ループを計算してみる 🧮

ここで、もう一つエンジニアの武器を使います。アムダールの法則。システム全体のうち一部だけを高速化しても、全体の速度向上は、残りの部分で頭打ちになる、という有名な法則です。

AI研究のループを、単純化して分けてみます。たとえば、半分(50%)は、コードの変更や実験の実行、結果の整理といった、自動化しやすい作業。残りの半分は、仮説を立てる、評価の基準を決める、結果の意味を判断する、といった自動化しにくい作業だとします。

この前提で、自動化しやすい半分を無限に速くできたとしても、全体の速度は最大で2倍です。(計算は 1 ÷ 0.5 = 2。あくまで例え話の数字です)。🧱

もし自動化できる割合が90%なら、上限は10倍。**99%**なら、100倍。つまり、ループ全体が爆発的に加速するかどうかは、「AIがどれだけ速いか」より、「自動化できない部分が、どれだけ小さくなるか」で決まります。⚡

■ 最後まで残りそうな「自動化しにくい部分」 🧩

では、その「残る部分」には何が入るのか。予測ですが、候補はいくつか見えます。

一つは、評価です。「改善した」と言うには、何をもって改善とするかを決める必要があります。ここで怖いのが、「指標が目標になった瞬間、良い指標ではなくなる」というグッドハートの法則。AIにベンチマークの点を上げさせ続けると、点だけ上がって中身は良くならない、ということが起こり得ます。🎯

もう一つは、計算資源と時間です。改善案を1000個思いついても、1000個を実際に学習させて確かめるには、GPUと電力と日数が要ります。思考は速くできても、実験は物理的に時間がかかる。ここは、これまでの電力やインフラの話とも、そのままつながります。⏳

そして現実世界です。AIのコードは、ソフトの中で完結します。でも、新しい半導体、データセンター、通信を改善するには、工場や工事や許認可が絡みます。AI研究が速くなっても、GPUを作る時間までゼロにはなりません。🏭

■ それでも「速くなる」こと自体が大事 🏎️

ここで、悲観や楽観に振り切らないでおきます。ループが爆発しなくても、十分な効果はあります。

研究者1人が回せる実験の数が、数倍になったとします。これは、研究者を数倍に増やすのと似た効果を、採用や教育のコストなしで得ることです。しかも、その成果が次のAIを賢くし、次のAIがまたループを速くする。倍々には行かなくても、複利のように積み上がる可能性はあります。📈

つまり、シンギュラリティのような一点での爆発というより、研究開発のペースが、静かに底上げされていく姿のほうが、構造的には自然に見えます。ここは私の見立てで、実際の速度は、先ほどの「自動化しにくい部分」の大きさ次第です。

■ 人間の役割は「実験する人」から「探索を設計する人」へ 🧑‍🔬

ソフト開発で起きていることと、同じ構図です。コードを書く価値が下がり、何を作るか、どう検証するかの価値が上がる。AI研究でも、実装や実験の実行をAIが引き受けるほど、人間には問題設定、制約条件、評価の基準、最終判断が残ります。

エンジニア風に言えば、探索空間の設計です。何を自動化するか。何を評価するか。どこに歯止めを置くか。失敗をどう検知するか。どの結果を採用するか。自動化の外枠を設計する力が、ますます効いてきます。🛡️

ただし、人間の役割が、いつまでも安泰とは限りません。判断そのものまでAIが担う段階が来れば、ここも変わります。ただ、そこはまだ確認されていない領域です。

■ ニュースを見たときの「チェックリスト」 📋

「AIがAIを開発した」というニュースを見たら、「すごい」「怖い」で反応する前に、次の点を見てみてください。

どの工程が自動化されたのか。人間の仕事として何が残っているのか。評価の基準は信頼できるのか。計算資源は足りているのか。物理的な実験が必要な部分は含まれているのか。

特に、アムダールの法則の「残りの部分」がどこにあるかを探すと、ニュースの重さが変わって見えます。🔎

■ まとめ：爆発するかは、「速さ」ではなく「残り」で決まる 🌱

AIがAIを作る時代は、すでに入口には来ています。ただ、「無限に自己改良して人間を超える」という筋書きには、計算資源、データ、評価、現実世界の制約という歯止めがあります。ループ全体の加速は、自動化できない部分の大きさで頭打ちになる。ここは、計算で見える範囲の話です。

それでも、「知能を作る工程そのものが、自動化され始めている」ことの意味は、軽くありません。技術革新の速度そのものが、静かに変わっていく可能性があるからです。

爆発するのか、複利で効くのか、途中で頭打ちになるのか。答えは、誰にも確定していません。だからこそ、次にこの手のニュースを見たら、こう問いかけてみてください。「で、残りの部分はどこ?」。コンパイラを育てた先輩エンジニアたちなら、きっと同じ質問をするはずです。😉

by レイ