2030年、AGIは旅の途中で現れる ― デミス・ハサビスが語る「逆算の生き方」

「10年かけて挑む仕事」の途中で、AGIが現れるとしたら。

これは、AI業界だけの未来予測ではありません。

創薬、材料科学、エネルギー、教育、製造、組織づくり。長い時間をかけて社会実装する仕事ほど、いま考えなければならない問いがあります。

Google DeepMindのCEOであるデミス・ハサビスは、Y Combinatorのインタビューで、AGIの到来時期について「最短で2030年頃」という見立てを語りました。

ただし、彼が語っているのは「AIがすごくなる」という単純な話ではありません。

この記事では、ハサビスの発言を手がかりに、

• 2030年というタイムラインがもたらす戦略の転換

• 現在のAIに欠けている最後のピース

• AIが科学を変える未来と、人間に残される問い

を、一本の流れとして整理します。

少し長い記事ですが、途中で離脱しても拾える構成にしています。気になる節からどうぞ。

目次

1. 旅の途中で、道具の性能が変わる

2. 「AIで何を効率化するか」では足りない

3. 現在のAIはまだAGIではない ― ダクトテープ問題

4. コンテキストウィンドウは、記憶ではない

5. 自分の間違いに気づいても、直せない

6. AIは目的ではなく、科学のための道具になる

7. アインシュタイン・テストが問うもの

8. 原子の世界に残る、防御力

9. 実務者にとっての逆算 ― 何を残すかから始まる

10. 真似できる部分・真似してはいけない部分

11. 最後に残るのは、何に生命力を注ぐか

1. 旅の途中で、道具の性能が変わる

ハサビスの話で最初に重く響くのは、ディープテックの時間軸と、AIの進化の時間軸がぶつかる点です。

創薬、材料科学、クリーンエネルギー、ロボティクス。こうした領域では、成果が出るまでに10年単位の時間がかかります。研究があり、実験があり、検証があり、規制や市場との接続があります。

ソフトウェアのように、来週リリースして、反応を見て、すぐ改善する、というわけにはいきません。

一方で、ハサビスの見立てでは、その10年の途中でAGIが登場する可能性がある。

ここで重要なのは、「2030年に必ずAGIが完成する」と信じることではありません。長期プロジェクトを設計する側が、

という前提を持てるかどうかです。

従来のロードマップは、いま見えている技術の延長で引かれます。しかし、ハサビスが投げかけている問いは違います。

いまの技術だけで完走する計画ではなく、旅の途中でAGI級のシステムが現れたときに、一気に加速できる計画になっているか。

AIがまだ弱いから始めないのではなく、AIが強くなったときに最も大きく伸びる場所に、今から立っておく。そのためには、未来から逆算して、今日の一歩を選ぶ必要があります。

2. 「AIで何を効率化するか」では足りない

私たちはAIを使うとき、つい目の前の効率化から考えます。

議事録を要約する。文章の下書きを作る。調査を速くする。問い合わせ対応を軽くする。これは実務上、とても大切です。

ただ、ハサビスが見ている時間軸は、もう少し遠いところにあります。

ここで焦点になるのが、「原子の世界」と「ビットの世界」の違いです。

ビットの世界 ― AIで一気に変わる領域

デジタルの世界では、AIの進化がそのまま実行速度の向上につながりやすい。コードを書く、設計案を出す、分析する、シミュレーションする。こうした知的作業は、AIの能力が上がるほど一気に変わります。

原子の世界 ― ショートカットがない領域

しかし、物理世界はそうはいきません。

材料を合成するには時間がかかります。薬の候補を見つけても、実験や臨床試験が必要です。新しいエネルギー技術を社会に入れるには、設備、規制、安全性、サプライチェーンが関わります。

AIがどれだけ賢くなっても、物理法則そのものを飛び越えることはできません。

だからこそ、いま始める価値があります。

AIが賢くなるまで待つのではなく、AIが賢くなったときに使えるデータ、実験系、検証環境、現場との接点を先に作っておく。AGIに「何を解かせるか」を準備しておく。

この発想に立つと、長くて重い課題は、避けるべきものではなくなります。むしろ、2030年代に最も大きく加速する可能性を持った領域になります。

3. 現在のAIはまだAGIではない ― ダクトテープ問題

では、いまのAIはすでにAGIなのでしょうか。

ハサビスの見方は冷静です。

この話を理解するうえで重要なのが、現在のAIが持つ「いびつさ」です。

ある日は、専門家のように論点を整理し、複雑なコードを書き、難しい概念を見事に説明してくれる。ところが別の日には、初歩的な条件を見落とし、明らかに矛盾した答えを出し、こちらが指摘するとあっさり謝る。

このギャップは、単なる性能不足ではありません。

現在のAIの知能は、滑らかではなく、場所によって極端に凸凹している。 ある領域では超人的に見えるのに、別の領域では子どもでも気づくようなミスをする。難問を解けるのに、簡単な確認を落とす。

この現象を理解しないままAIを導入すると、実務では危険です。

なぜなら、AIは「できないこと」を一貫してできないわけではないからです。できるように見えた直後に、ありえないところで崩れる。その崩れ方が読みにくいから、設計が難しいのです。

ハサビスがこれを「ダクトテープで補修しているようなもの」と表現するのは、まさにこの限界を指しています。

4. コンテキストウィンドウは、記憶ではない

いま多くのAIモデルでは、一度に扱える情報量、つまりコンテキストウィンドウの大きさが競争軸になっています。

長いPDFを読める。大量の議事録を入れられる。過去の会話をまとめて渡せる。これは実務上、大きな進歩です。

ただ、ハサビスの視点では、それは本当の意味での「記憶」とは違います。

机が大きくなれば扱える情報は増えますが、それだけで知能が根本的に洗練されるわけではありません。

問題は、情報量ではなく、統合の仕方です。

• どの情報が重要なのか

• どれは一時的なノイズなのか

• 新しい事実を、すでに持っている知識とどう結びつけるのか

• 過去の失敗を、次の判断にどう反映するのか

人間の学習は、ただ情報を保存するだけではありません。経験を圧縮し、意味づけし、既存の知識と結びつけ、次の行動に使える形へ変えていきます。

ハサビスは認知神経科学、とくに記憶の研究を背景に持っています。人間の脳は、日中の経験をそのまま保存しているわけではありません。睡眠中に重要な経験を再生し、既存の知識と結びつけ、次に使える形へ整理していると考えられています。

DeepMindの初期研究であるDQNでも、「経験再生（Experience Replay）」という発想が重要でした。過去の経験を再利用しながら学習することで、AIはゲームの攻略法を身につけていきました。

ここには、AGIへの大きなヒントがあります。

現在のAIに足りないのは、単に「もっと長く覚えること」ではありません。覚えたものを、どう自分の知識にするかです。

5. 自分の間違いに気づいても、直せない

もう一つ重要なのが、自己内省の問題です。

ハサビスは、Geminiとチェスを指したときのエピソードを通じて、AIの推論のいびつさに触れています。モデルがある手を悪手だと認識しているように見えるにもかかわらず、より良い手を見つけられず、結局その手を選んでしまうことがある、という話です。

これは、AIの限界を考えるうえで象徴的です。

人間の仕事でも同じです。会議で「この企画は少し危ない」と気づいていても、代案が出せなければ進んでしまう。資料に違和感があっても、どこを直せばよいかわからなければ、そのまま提出してしまう。

現在のAIにも、それに似た現象があります。

「これは怪しい」と判定する能力と、「ではどうすればよいか」を探索し直す能力が、まだ十分につながっていない。推論の途中で自分を監視し、必要なら戻り、別の経路を試し、結論を更新する。このループがまだ弱い。

実務で怖いのは、まさにそこです。

AIの答えが雑なら、人間はすぐ気づきます。しかし、流暢で、論理的に見えて、部分的には正しい答えほど危ない。間違いが文体のうまさに隠れてしまうからです。

だから、AIを導入する側に必要なのは、盲信でも拒絶でもありません。

AIのいびつさを前提にした設計です。

6. AIは目的ではなく、科学のための道具になる

ここまで見ると、ハサビスの関心がAIそのものにあるように見えます。

しかし、彼の本当の目的は、AIを作ることだけではありません。DeepMindのミッションは、かつて次のように表現されていました。

この言葉は、一見すると大きすぎる理想に聞こえます。

けれども、AlphaFoldの成功によって、その理想は単なる標語ではなくなりました。タンパク質の構造予測という、生物学における長年の難題にAIが深く関わったことで、「AIを使って科学の根本問題を解く」という道筋が現実味を帯びたからです。

ここで重要なのが、ハサビスの「ルートノード（Root Node）」という考え方です。

タンパク質の構造予測は、その象徴でした。

生命科学では、タンパク質の形がわかることが、病気の理解や薬の設計に深く関わります。ここが大きく前進すると、その先の研究の速度が変わります。

ハサビスが目指しているのは、この構造を他の領域にも広げることです。

材料科学、数学、気候変動、クリーンエネルギー。どの領域にも、表面に見える問題の奥に、根っこの問題があります。その根を見つけ、AIで解くことができれば、人間の研究開発の速度は一段変わります。

AIは、単なる文章生成ツールではありません。正しく使えば、

• 科学の探索空間を広げ、

• 人間だけでは届かなかった仮説を出し、

• 実験すべき候補を絞り込み、

根本問題に近づくための道具になります。

7. アインシュタイン・テストが問うもの

ただし、ここにも未解決の問いがあります。

ハサビスは、AIの科学的創造性を測る試金石として、いわば「アインシュタイン・テスト」と呼べる考え方を示しています。

これは、単なる知識量のテストではありません。

過去の論文を検索して、既存の答えを再現するだけなら、真の創造的推論とは言えません。問われているのは、パターンマッチングを超えて、まだ誰も言語化していない概念を組み立てられるかです。

そして、この問いは、AIだけでなく、人間にも返ってきます。

私たちはAIに何を期待しているのか。

• 既存業務の効率化なのか

• 既存知識の再整理なのか

• それとも、まだ誰も見つけていない問いや仮説を生み出すことなのか

AGIがもし「究極の道具」になるなら、最後に重要になるのは、道具の性能だけではありません。

その道具に何を問うのかです。

8. 原子の世界に残る、防御力

この視点は、起業や事業づくりにも直結します。

AIが進化するほど、純粋なデジタルサービスは基盤モデルのアップデートに飲み込まれやすくなります。昨日まで差別化できていた機能が、明日には大手モデルの標準機能になる。 これは、すでに多くの領域で起き始めています。

では、AI時代に防御力のある事業とは何でしょうか。

ハサビスの示唆は、原子の世界にあります。

物理的な実験、臨床試験、製造プロセス、現場データ、規制対応、顧客との長期的な信頼関係。これらは、モデルのアップデートだけでは一瞬で置き換えられません。

AIがどれだけ進化しても、

• 実験には時間がかかる

• 材料を作るには設備が要る

• 医療には倫理と安全性が関わる

• エネルギーには社会インフラが関わる

つまり、AI時代に強いのは、AIだけを作る組織ではありません。

現場を持ち、データを持ち、検証環境を持ち、AIの提案を現実に試せるチーム。こうしたハイブリッドな組織こそ、AGI時代において最も強い立ち位置を取る可能性があります。

9. 実務者にとっての逆算 ― 何を残すかから始まる

では、日本の実務者は、ここから何を学べるのでしょうか。

多くの会社では、AI活用が「業務効率化」の文脈で語られています。資料作成を速くする。社内ナレッジを検索しやすくする。カスタマーサポートを軽くする。

これは入り口として正しいと思います。ただ、それだけでは、AGI時代の逆算には届きません。

本当に問うべきなのは、

です。

AGIが登場したとき、価値を持つのは「人間が頑張って抱えているノウハウ」だけではありません。

AIが読める形で残され、AIが試せる環境とつながり、AIの提案を人間が検証できる仕組みになっていることです。

その意味で、これからの戦略は、

ここでいう「使われる」は、従属するという意味ではありません。AGIが現れたときに、選ばれ、呼び出され、組み込まれるだけの独自性を持つという意味です。

10. 真似できる部分・真似してはいけない部分

真似できる三つのこと

① 時間軸を長く取る

半年後の効率化だけではなく、5年後、10年後にどんな道具が存在しているかを仮説として置く。そのうえで、いま集めるべきデータ、作るべき検証環境、押さえるべき現場接点を決める。

② AIの能力をひとまとめに見ない

「AIは賢い」「AIは使えない」という大きな言葉ではなく、どの種類の推論に強く、どの種類の記憶に弱く、どの場面で自己修正が効きにくいのかを分けて見る。AIのいびつさを理解している組織ほど、導入で事故を起こしにくくなります。

③ ルートノードを探す

目の前の枝葉を片づけるだけでなく、そこを解けば多くの問題が動き出す根本課題は何かを考える。事業でも、研究でも、組織づくりでも、最も効く問いはたいてい深い場所にあります。

真似してはいけない三つのこと

① 「2030年にAGIが来るらしいから、今の計画を全部変えよう」と短絡すること

ハサビスの発言は、未来を確定する予言ではなく、戦略上の前提として扱うべき見立てです。AGIが遅れる可能性もあるし、想定とは違う形で社会実装される可能性もあります。

重要なのは、未来を一点で当てることではありません。複数の未来に耐えられる計画を作ることです。

② 「AIが全部やってくれるから、人間は難しい準備をしなくていい」と考えること

むしろ逆です。AIが強くなるほど、人間側には、問いを選ぶ力、現場を設計する力、検証する力、失敗を記録する力が求められます。

AGIが来た瞬間に価値が生まれるのではありません。AGIが来たときに接続できる準備をしていた人や組織に、価値が集まるのです。

③ 「AIはまだAGIではないから、本格導入は待とう」と考えること

現在のAIは未完成です。しかし、未完成であることと、役に立たないことは違います。むしろ、未完成な今から使い、どこで崩れるかを知っている組織ほど、次の世代のAIをうまく使えるはずです。

AIの限界を知ることは、AIを使わない理由ではありません。よりよく使うための条件です。

11. 最後に残るのは、何に生命力を注ぐか

ハサビスのキャリアは、一見すると不思議な曲線を描いています。

幼少期からチェスに親しみ、ゲーム開発に進み、認知神経科学を学び、DeepMindを立ち上げ、AIを科学的発見へと接続していく。

しかし、その奥には一つの問いがあります。

この問いに向かって、彼の歩みは収束しているように見えます。

ハサビスは、人生は短く、時間もエネルギーも限られているのだから、自分がそこにいなければ前に進まなかったような、本当に違いを生み出せるものに生命力を注ぐべきだ、という趣旨のことを語っています。

これは、起業家だけに向けられた言葉ではありません。

研究者にも、会社員にも、経営者にも、プロダクトマネージャーにも、現場で改善を続ける人にも関係があります。

AIが知的作業の多くを担う時代になるほど、人間に残る問いは鋭くなります。

少し大げさに聞こえるかもしれません。でも、AGIが本当に「万能の道具」に近づいていくなら、最後に差を生むのは、道具を持っていることではありません。

その道具を向ける先を選べることです。

2030年、その旅の途中でAGIが現れるかもしれない。

だとしたら、私たちは未来をただ待つのではなく、未来の知能が接続できる問い、データ、現場、検証環境を、今から作り始める必要があります。

AIが科学を変える日、社会を変える日、仕事の前提を変える日。

そのときに問われるのは、「AIに何ができるか」だけではありません。

あなたへの問い

あなたの仕事やプロジェクトが2030年まで続く旅だとしたら、

途中でAGIが現れる前提で、いま最初に書き換えるべき計画はどこでしょうか。

ぜひコメントで教えてください。
共感していただけたら、スキ ♡ や フォロー が次の記事を書く力になります。

参考にした情報について

この記事は、2026年4月に公開されたY Combinatorでのデミス・ハサビスへのインタビュー内容、およびGoogle DeepMind、AlphaFold、AGI、AI for Scienceに関する公開情報をもとに、筆者の解釈を加えて整理したものです。

#AGI #AGI2030 #DeepMind #デミスハサビス #ディープテック #AlphaFold #AI戦略 #起業 #AIforScience #逆算思考