プリンストン大学のナラヤナン教授、ICML 2026基調講演でAIを通常の技術と呼ぶ

プリンストン大学のArvind Narayanan教授は、ソウルのICML 2026で基調講演を行った。彼はAIを存在論的な断絶ではなく、通常の技術として扱うべきだと主張した。講演では、突然の職の喪失ではなく着実な適応に焦点を移す3つのポイントが示された。

Narayananは、研究室がすべての労働者を失業させるような単一のマイルストーンを生み出すことはないと述べた。また、再帰的な自己改善は研究に値するが、実践的にはまだ遠いと付け加えた。聴衆は、仕事そのものが変化し、今から準備を始める必要があることを聞いた。

教授は、AIコミュニティに対し、タスクが単に機械に引き渡されるという考えを拒否するよう促した。その代わりに、現在のモデルの限界を補完するスキルの意図的な開発を求めた。判断力とセンスは、モデルがまだ大規模に欠いている能力の例として挙げられた。

Narayananは、AIを通常の技術として定義し、電力やコンピューティングといった過去の変化と比較した。彼は、進歩が採用、コスト削減、ワークフロー調整の予測可能なパターンに従うと述べた。オフィスを空にするような突然の飛躍は、歴史的な記録には現れないと語った。

聴衆は、過去の自動化エピソードからのデータポイントを受け取った。影響を受けたセクターの雇用は、新たな役割が生まれたため、初期の減少後も継続した。Narayananはこれらの記録を用いて、現在の懸念を理解できるが誇張されていると位置づけた。

講演の主な緊張は、完全な置き換えという予測と、漸進的な変化という測定可能な証拠の間にある。Narayananは、警鐘を鳴らす主張と自己満足の両方に対して自らを位置づけた。彼は、研究者に対し、劇的なシナリオではなく実際の能力曲線を研究するよう促した。

彼は、急速な離陸の主張が未検証の仮定に基づいていると指摘した。現在の研究室の結果は、モデルが超人的な速度で自らのコードを書き換えることを示していない。現在のシステムとそれらの仮説的なモデルの間のギャップは依然として大きい。

あるセクションでは、人間が依然として主張できるスキルについて考察した。Narayananは、モデル出力の評価、品質基準の設定、相反する提案の中からの選択を挙げた。これらの活動には、人間の指示を通じてのみモデルが獲得する文脈が必要である。

彼は、不明確なユーザーの嗜好に基づく製品決定の例を挙げた。経験を通じて培われたセンスにより、チームは技術的に健全な選択肢の中から選ぶことができる。モデルは候補を生成できるが、明示されていない目標に対してそれらをランク付けすることはまだできない。

Narayananは、共超知能と名付けた短いビジョンで締めくくった。この用語は、人間とモデルのパフォーマンスが単独の場合を超える組み合わせを表す。彼は、その結果がツールの受動的な使用ではなく、能動的なスキル構築に依存すると述べた。

講演は控えめな拍手を受けた。参加者は、能力競争に焦点を当てた過去の基調講演とはトーンが異なると指摘した。複数の研究者が、今後のプロジェクトで提案されたスキルカテゴリをテストする計画だと述べた。

今後の注目シグナルには、自己改善ベンチマークに関する研究室の報告や、判断力を重視する役割の採用データが含まれる。突然の能力ジャンプが引き続き見られないことは、通常の技術という枠組みを支持するだろう。評価スキルを報いる求人投稿の変化は、早期の確認を提供するだろう。

Narayananは、適応は能動的なタスクであると聴衆に思い起こさせた。置き換えを待つことは何の利点ももたらさない。補完的な能力を構築する作業は、次のブレークスルーではなく、次のプロジェクトから始まる。