アルトマン氏、スケーリング懐疑論者を批判

OpenAIのサム・アルトマンCEOは、スタンフォード大学での講演で、AI研究の大規模化（スケーリング）を否定的に見てきた研究者たちに反論した。「研究者の一世代全体が、スケーリングの可能性を過小評価することでAIの進歩を遅らせてきた」と述べ、その根拠としてOpenAIが最近、数学の未解決予想を反証したことを挙げた。

スケーリングとは、モデルの学習に使うデータ量や計算資源を増やすことで性能を向上させるアプローチを指す。OpenAIやGoogleなどが大規模言語モデル（LLM）の開発でこの手法を推し進めてきた一方、AI研究の世界では「スケーリングだけでは限界がある」「データを増やしても真の知能には到達できない」という懐疑的な見方が、特に2010年代後半から2020年代初頭にかけて少なくない研究者の間で広まっていた。アルトマン氏の発言は、そうした批判論に対する正面からの反論と位置づけられる。

アルトマン氏が根拠として示したのは、OpenAIのモデルが数学の未解決予想を反証したという最近の成果だ。高度な数学的推論は、かつてはAIが最も苦手とする領域の一つとされていた。その領域で具体的な成果が出たことを、スケーリングの有効性を示す証拠として引用した形だ。

この発言が持つ意味は、技術論争にとどまらない側面もある。スケーリングへの投資を正当化する立場のOpenAI CEOとして、研究コミュニティに向けて自社の戦略的方向性を改めて示したという見方ができる。大規模な計算資源への投資を続ける企業にとって、スケーリング懐疑論は研究の優先順位や資金配分にも影響しうるため、この種の議論は純粋な学術的関心を超えた意味を持つ。

一方で、スケーリング一辺倒のアプローチに対する懸念が完全に払拭されたわけではない。学習コストや消費エネルギーの増大、あるいは「スケーリングの法則がどこかで頭打ちになるのではないか」という問いは、研究者の間で引き続き議論されている。アルトマン氏の発言はあくまで一方の立場からの主張であり、数学的予想の反証という一例が、スケーリングの有効性全般を証明するものかどうかについては、異論の余地がある。

今後注目されるのは、スケーリングと、より効率的なアーキテクチャや推論手法との組み合わせがどう進化するかという点だ。大規模化だけに依存せず、少ない計算資源で高い性能を引き出す研究も並行して進んでおり、両者の成果が積み重なる中で、AI性能の上限についての議論はさらに深まっていくと見られる。