ヤン・ルカンが語る「LLMの限界」と次世代AIの本質とは？
近年、AI（人工知能）を取り巻く議論はとどまることを知らず、特に大規模言語モデル（LLM）の登場により社会や産業界での期待はますます高まっています。2025年のNVIDIA GTC（GPU Technology Conference）では、ヤン・ルカン（Yann LeCun）氏とビル・ダリー（Bill Dally）氏による興味深い対談が行われ、AIが向かう先や必要とされるコンピューティング・リソース、そしてオープンソースの意義などが幅広く論じられました。本記事では、その対談内容を中心に、AIとコンピューティングの最前線で何が起きているのかをわかりやすく解説します。
1. 大規模言語モデル（LLM）の先にあるAIの方向性
1-1. LLMへの関心低下と産業界での「改善フェーズ」
対談の冒頭で、「最もエキサイティングなAIの進展は？」という問いに対し、ヤン・ルカン氏は意外にも「LLM（大規模言語モデル）にはさほど興味がなくなった」と率直な見解を示しました。これは、現在のLLMが産業界による“改善フェーズ”に入っているという認識からであり、より多くのデータや計算資源を投入して性能を微調整する段階にあるというのが氏の見立てです。
実際、LLMはテキスト生成や対話システムなどで大きな成果を上げており、たとえば、「ChatGPT」や「LLaMA」に代表されるモデルは大きな注目を集めています。しかしルカン氏は、これらは「言語」という限定された空間での成功事例に過ぎず、真の意味で“汎用的な知能”に近づくには、物理世界の理解や持続的な記憶、さらに推論・計画能力が不可欠だと強調しました。
1-2. 物理世界を理解するモデルの重要性
物理世界を扱うAIでは、テキストのような「トークン」（離散的な単位）ではなく、高次元で連続的なデータをどう扱うかが大きな課題となります。たとえば画像や動画、さらには自律走行やロボティクスで得られるセンシング情報など、人間が日常的に行っている「空間把握」や「動きの予測」をAIに実装する必要があるからです。
対談でも、「ビデオのピクセル単位で未来を予測するのは失敗してきた」という言及がありました。これは、動画があまりにも多様な要素（光の加減、偶然性、観測できない要因など）によって構成され、単純な再構成やピクセル単位の予測では正しく学習が行えないためです。そこで提案されるのが「抽象的な表現空間」での予測、つまり高次元の特徴量に変換し、そこを使って予測や生成を行う手法だというわけです。
1-3. 「JEPA（Joint Embedding Predictive Architecture）」の構想
ルカン氏が注目しているアーキテクチャとして挙げたのが「JEPA（Joint Embedding Predictive Architecture）」です。これは、従来の生成モデルがピクセルを一つひとつ再構築しようとするのではなく、まず高次元の抽象空間へと入力を変換し、その上で未観測部分を予測するという仕組みを導入します。
たとえば、動画のあるフレームから次の数フレームをピクセルレベルで完全に生成しようとすると膨大な計算コストとデータが必要になりますが、JEPAでは動画の特徴量を捉えた潜在空間で予測を行うため効率が高く、かつより意味的・物理的に妥当な予測が可能になると期待されています。
2. AGIとAMI、そしてシステム1とシステム2の思考モデル
2-1. 「AGI」ではなく「AMI」――汎用知能のタイムライン
対談では、しばしば耳にする「AGI（汎用人工知能）」という言葉についても触れられました。ルカン氏は「AGI」という言葉に懐疑的であり、かわりに「AMI（Advanced Machine Intelligence, 高度機械知能）」という概念の方を支持するとしています。人間の知能は想像以上に特殊化されており、“本当に汎用的”とは言いがたい面があるという指摘です。
さらに、よく聞く「10年後には人間を超えるAIが誕生する」といった予測は、過去70年にわたって何度も現れては外れてきたとし、一気にAGIへ至るのではなく「3〜5年で小規模の実証的成功、さらに10年単位で大規模な知能レベルへ」という段階的な進展を予想しています。
2-2. システム1とシステム2——直感と熟考のアナロジー
対談の終盤では、心理学で言われる「システム1（直感的思考）」と「システム2（熟考的思考）」の話題が登場しました。システム1は自動的・反射的に行う処理（熟練した運転など）、システム2は計画や推論など意識的・論理的なプロセスを指します。
現在のLLMや多くの推論モデルは、どちらかといえば「トークンを次々に生成する」システム1的なアプローチに近く、大量の組み合わせから有望な出力を探索するといった手法を採っています。しかし、本格的な物理理解や連続的な空間把握、さらには“赤ちゃんが学習するように”世界モデルを構築するには、システム2的な新しいアーキテクチャが求められるというのがルカン氏の見方です。
3. ハードウェアとオープンソースの未来
3-1. スパイキングニューロン、アナログ計算、量子計算への考察
高次元かつ連続的な世界モデルを構築・学習させるには、膨大な計算リソースが必要となります。ビル・ダリー氏は、NVIDIAのGPUが過去10年で数千倍もの性能向上を遂げてきた歴史を振り返りつつ、スパイキングニューロンやアナログ計算、量子計算などの新技術の可能性についても言及しました。
しかしルカン氏は、ニューロモーフィック（脳型）コンピューティングやアナログ計算、量子計算が短期的に大きなブレイクスルーをもたらすかどうかについては懐疑的な姿勢を示しています。生物のニューロンも最終的には“スパイク”というデジタル的な形で情報をやり取りしており、アナログ的に大規模なネットワークを組む場合、既存の半導体技術や再利用性との兼ね合いで現状は難しいというのが主な理由です。
3-2. オープンソースモデルの利点と課題
AI技術の開発には莫大なリソースが必要となる一方で、すべてを一社のみで完結することは現実的ではありません。そこで注目されるのがオープンソースによる共同開発の流れです。たとえばMeta（旧Facebook）が公開した「LLaMA」や「LLaMA 2」は大きな話題を呼び、世界中の研究者や企業がこれをベースにアプリケーションを開発しています。
「誰もが同じプロジェクトで研究できる環境」や「多様な言語や文化に対応したデータの分散学習」は、単独の企業ではなし得ない規模の知見を集約できるメリットがあります。一方で、企業がコストをかけて開発した最新モデルを“無償”で公開する意義や収益構造とのバランスは課題となるでしょう。ルカン氏は「特定の製品が利益を生むことで十分リターンが見込める企業なら、オープン化しても自社に不利とは限らない」と説明しており、「プラットフォームのオープン化が世界の多様性を支える」という理念を強調していました。
4. AIの可能性とリスク、そして私たちができること
4-1. 医療や自動運転など社会実装の現状
AIの社会実装例としては、すでに医療画像診断や創薬支援などで大きな成果が報告されています。実際、ルカン氏は「MRIの撮像時間を従来の1/4に短縮できる事例」や、「自動車の緊急ブレーキシステムの普及による事故減少」など、身近な分野での実利用を強調しました。
ただし、こうした実利用には「誤作動が許されない」厳格な制度・評価の枠組みが必要になります。自動運転や医療機器などは誤認識のリスクが重大であり、実装には時間がかかることが指摘されています。
4-2. リスク対策とオープンな研究の重要性
多くのコメントでも、「AIが深刻なデマやフェイクを生むリスクはないか」という懸念が示されていました。しかしルカン氏によれば、すでにSNS運営企業などはAIによる悪意ある投稿をAIで検知する仕組みを整えつつあり、実際には大きな“ネガティブな津波”は見受けられないそうです。
一方、専門家による「AGIが突如誕生し、人類を脅かす」というシナリオには懐疑的な声が強いです。現実には、技術の進歩は段階を踏んで起こり、人間社会もその都度対応策を見出してきました。また、オープンな研究コミュニティーが主導することで、より多様で安全なAIモデルの開発が期待できるという意見が多くの研究者から寄せられています。
5. ユーザーコミュニティからの声
実際の動画コメント欄では、多様な視点や称賛が寄せられていました。たとえば「@AravindanUmashankar」氏は「ヤン・ルカンのような巨人の肩に立って、さらに多くの人が世界を前に進めていく」と賛辞を送りつつも、「次世代を担う若手リーダーたちには安全なAIのかたちを追求してほしい」という期待を示しています。また、「@behrad9712」氏のように「彼（ルカン氏）はとてもオープンマインドで素晴らしい」という純粋な賞賛の声や、「@RufusShinra」氏のように「オープンソースとクローズドモデルの両方が同時進行で進んでおり、その経済的インパクトはすでに始まっている」という冷静な分析も散見されました。
さらに「@HSt-t7n」氏は議論のタイムラインを非常に詳しくまとめ、「動画のどの時点で何が話されたか」を紹介するなど、ユーザーが自発的に内容を整理し、コミュニティとして知識を共有する姿も印象的です。こうした双方向的な意見交換がオープンなAI研究の原動力となっていることは間違いありません。
ヤン・ルカン氏とビル・ダリー氏による対談は、AIがこれから向かう先を示すうえで非常に示唆に富む内容でした。大規模言語モデル（LLM）が注目を集める一方で、その先には物理世界のモデリング、推論、計画といった新たな課題が控えています。JEPAのような新しいアーキテクチャが提案されつつあり、システム1とシステム2を組み合わせた“直感と熟考”の統合により、高度機械知能（AMI）へとつながる可能性が見え始めています。
また、こうした研究を下支えするコンピューティング・ハードウェアは引き続き進化を続け、オープンソースの流れによって世界中の研究者が協力し合う土台が整いつつあります。AIがもたらすメリットを最大化し、リスクを最小化するためには、一部企業や地域に閉じた独占的な開発ではなく、国境を超えた知的交換と透明性の高いコミュニティの形成が欠かせないでしょう。
私たち一人ひとりが、AIアシスタントを「自分の部下」として使いこなせる未来は遠くありません。そのとき、どんな“知能”と共生し、どのような社会を築いていくのか。まさに今、この問いに真剣に向き合うことが求められています。
関連記事
