# Anthropicの共同創設者は、「自己進化型AI」の出現を2028年までに予測2028年までに、市場には人間の介入なしに自ら後継者を開発・訓練できるAIシステムが登場する可能性がある。この予測をしたのは、Anthropicの共同創設者ジャック・クラーク。> > *「これは非常に重要だ。どう認識すればいいのかわからない。これに至る結論に、私は渋々たどり着いた。なぜなら、その結果はあまりにも大きく、圧倒されるほどだからだ。そして、社会が自動化されたAI開発がもたらす変化に準備できているのか確信が持てない」* > > クラークは、AI研究の完全自動化シナリオを次のように描写した — モデルが自律的に：* 研究課題を設定；* 実験を設計；* コードを書き、テスト；* 学習を最適化；* 次世代AIのアーキテクチャを改善専門家はこれを「ほぼ予測不可能な未来へのルビコン」と呼び、そのシナリオの確率を今後2年で60％と評価した。## 評価の根拠クラークの結論は、いくつかのベンチマークの動向に基づいている：* SWE-Bench — GitHubリポジトリの実際のエンジニアリング課題を解くテスト。2023年末には、最良モデルは約2％のケースに対応していたが、2026年春には94％に達した；* CORE-Bench — 科学的AI論文の結果を再現し、環境設定、コード実行、結論分析を行う。クラークによると、このベンチマークは「ほぼ閉じている」：現代のエージェントは約95.5％を示す；* MLE-Bench — KaggleレベルのML課題の実行。最先端のエージェントシステムはすでに64-65％に到達。Anthropicの共同創設者によると、これら3つの指標は一つのことを示している：AIは点在するコード作成から、エンジニアリングや研究の全体的なタスクの遂行へと急速に移行している。## 自律性の向上もう一つの証拠は、AIモデルが人間の介入なしに遂行できる課題の長さの増加だ。METRのデータによると、2022年にはシステムは人間にとって数十秒かかる課題を解決していた。2024年には約40分に増加し、2025年には6時間に達した。現在、最先端モデルは約12時間連続でエンジニアリング作業を行える。クラークはこれを、プログラミング用エージェントツールの普及と関連付けた。モデルが目標を長く保持し、中間結果を検証し、誤りを修正するほど、多くの研究サイクルの段階を委任できる。## AI開発にとってこれが重要な理由現代のAI開発サイクルは一つのパターンに従っている：資料を学習し、結果を再現し、実験を収集し、モデルを訓練または微調整し、メトリクスを検証し、ボトルネックを見つけて繰り返す。SWE-Bench、CORE-Bench、MLE-Benchの成長は、モデルがこのサイクルの一部を既にこなせることを示している。クラークは、より専門的な課題における進展も指摘した。例えば、GPUコアの設計にAIを応用し、特定のハードウェア上での学習と推論の効率性を決定するコードの自動生成に取り組み始めている。もう一つの方向性は、モデルの微調整だ。PostTrainBenchのベンチマークでは、オープンソースの小規模LLMを改善している。2026年春時点で、最良のニューラルネットは目標増加の25-28％に到達（人間のチームは51％）。クラークはこの結果を重要とみなしている：実際の指示モデルを作成した経験豊富な研究者たちが基準を設定している。Anthropicは、CPU上でのLLM訓練の最適化を測定した。1年で加速は2.9倍（Claude Opus 4）から52倍（Claude Mythos Preview）に増加。人間が同じ課題に通常4〜8時間かかる。## AIはすでにAIを管理し始めているクラークは、現代のシステムが他のエージェントの作業を調整し始めていると指摘した。このアプローチは、Claude CodeやOpenCodeのような製品ですでに使われている：一つのアシスタントが複数のサブアシスタントにタスクを分配し、管理し、結果を収集する。AI開発にとってこれは重要だ：これらは単一の直線的なタスクではなく、多数の並列プロセスを含むことが多い。コード作成や環境設定も含まれる。もしモデルがこれらのコンターを自律的に管理し始めれば、人間の関与は大幅に減少する。## ニューラルネットにクリエイティビティは必要かAnthropicの共同創設者によると、重要な問いの一つは、AI開発は一般相対性理論の発見に似ているのか、それともレゴの組み立てに似ているのか、ということだ。クラークは、現代のLLMは根本的に新しい科学的アイデアを生成できないと認めている。しかし、AI R&Dの多くを自動化するには必ずしも必要ではないとも。> > *「基本的に、AIは人間があるサイクルを体系的に実行するのを通じて進歩している：良く動作するシステムを取り、それのある側面を拡大し、拡大時の誤りを見て修正する。この過程にはあまり非標準的なアイデアは必要なく、多くの部分は地味なエンジニアリング作業に似ている」* > > ## 科学的貢献の初期兆候クラークは、AIモデルにすでに初期の科学的直感の兆候が現れ始めていると考えている。数学や情報科学の例を挙げた：* Geminiを用いた数学者チームは、エルデシュの約700の問題を検証し、13の解を得た。そのうち一つは、「やや非自明な」貢献と研究者が呼んだ未解決問題への一歩だった；* ブリティッシュ・コロンビア大学、ニューサウスウェールズ大学、スタンフォード、Google DeepMindの科学者たちは、Geminiベースのツールを用いて見つけた数学的証明を発表した。## 予測が正しければどうなるかクラークは、最大のAIラボがすでに研究の自動化に向かって動いていることに注目した。OpenAIは自律的な科学活動のためのAI研修者を作る意向であり、Anthropicは人間の価値観に基づく自動調整の研究を進めている。もしこのペースが続けば、AI開発の完全自動化フェーズに移行し、次の世代のAIが次の出現を加速させるサイクルが始まると予測した。彼の見解では、2028年末までにこの移行が実現すれば、単なる技術的飛躍だけでなく、根本的な安全性、資本分配、人間の労働とシステムの制御といった重要な問題も浮上する。> > *「2027年の確率を挙げるとしたら30％だ。2028年末までにこれが見られなければ、現行の技術パラダイムに何らかの欠陥があると考えざるを得ない。そして、前進には人間の発明が必要になるだろう」* > > 最後に、2023年1月にAnthropicのCEOダリオ・アモデイは、AGIの早期出現と雇用喪失を予測した。
Anthropicの共同創設者は、2028年までに「自己進化型AI」の出現を予測した - ForkLog：暗号通貨、AI、シンギュラリティ、未来
2028年までに、市場には人間の介入なしに自ら後継者を開発・訓練できるAIシステムが登場する可能性がある。この予測をしたのは、Anthropicの共同創設者ジャック・クラーク。
クラークは、AI研究の完全自動化シナリオを次のように描写した — モデルが自律的に：
専門家はこれを「ほぼ予測不可能な未来へのルビコン」と呼び、そのシナリオの確率を今後2年で60％と評価した。
評価の根拠
クラークの結論は、いくつかのベンチマークの動向に基づいている：
Anthropicの共同創設者によると、これら3つの指標は一つのことを示している：AIは点在するコード作成から、エンジニアリングや研究の全体的なタスクの遂行へと急速に移行している。
自律性の向上
もう一つの証拠は、AIモデルが人間の介入なしに遂行できる課題の長さの増加だ。
METRのデータによると、2022年にはシステムは人間にとって数十秒かかる課題を解決していた。2024年には約40分に増加し、2025年には6時間に達した。現在、最先端モデルは約12時間連続でエンジニアリング作業を行える。
クラークはこれを、プログラミング用エージェントツールの普及と関連付けた。モデルが目標を長く保持し、中間結果を検証し、誤りを修正するほど、多くの研究サイクルの段階を委任できる。
AI開発にとってこれが重要な理由
現代のAI開発サイクルは一つのパターンに従っている：資料を学習し、結果を再現し、実験を収集し、モデルを訓練または微調整し、メトリクスを検証し、ボトルネックを見つけて繰り返す。SWE-Bench、CORE-Bench、MLE-Benchの成長は、モデルがこのサイクルの一部を既にこなせることを示している。
クラークは、より専門的な課題における進展も指摘した。例えば、GPUコアの設計にAIを応用し、特定のハードウェア上での学習と推論の効率性を決定するコードの自動生成に取り組み始めている。
もう一つの方向性は、モデルの微調整だ。PostTrainBenchのベンチマークでは、オープンソースの小規模LLMを改善している。
2026年春時点で、最良のニューラルネットは目標増加の25-28％に到達（人間のチームは51％）。クラークはこの結果を重要とみなしている：実際の指示モデルを作成した経験豊富な研究者たちが基準を設定している。
Anthropicは、CPU上でのLLM訓練の最適化を測定した。1年で加速は2.9倍（Claude Opus 4）から52倍（Claude Mythos Preview）に増加。人間が同じ課題に通常4〜8時間かかる。
AIはすでにAIを管理し始めている
クラークは、現代のシステムが他のエージェントの作業を調整し始めていると指摘した。このアプローチは、Claude CodeやOpenCodeのような製品ですでに使われている：一つのアシスタントが複数のサブアシスタントにタスクを分配し、管理し、結果を収集する。
AI開発にとってこれは重要だ：これらは単一の直線的なタスクではなく、多数の並列プロセスを含むことが多い。コード作成や環境設定も含まれる。もしモデルがこれらのコンターを自律的に管理し始めれば、人間の関与は大幅に減少する。
ニューラルネットにクリエイティビティは必要か
Anthropicの共同創設者によると、重要な問いの一つは、AI開発は一般相対性理論の発見に似ているのか、それともレゴの組み立てに似ているのか、ということだ。
クラークは、現代のLLMは根本的に新しい科学的アイデアを生成できないと認めている。しかし、AI R&Dの多くを自動化するには必ずしも必要ではないとも。
科学的貢献の初期兆候
クラークは、AIモデルにすでに初期の科学的直感の兆候が現れ始めていると考えている。数学や情報科学の例を挙げた：
予測が正しければどうなるか
クラークは、最大のAIラボがすでに研究の自動化に向かって動いていることに注目した。OpenAIは自律的な科学活動のためのAI研修者を作る意向であり、Anthropicは人間の価値観に基づく自動調整の研究を進めている。
もしこのペースが続けば、AI開発の完全自動化フェーズに移行し、次の世代のAIが次の出現を加速させるサイクルが始まると予測した。
彼の見解では、2028年末までにこの移行が実現すれば、単なる技術的飛躍だけでなく、根本的な安全性、資本分配、人間の労働とシステムの制御といった重要な問題も浮上する。
最後に、2023年1月にAnthropicのCEOダリオ・アモデイは、AGIの早期出現と雇用喪失を予測した。