AGI議論 Compute Bottleneck/Data Wall 2026（エージーアイ議論）
AGI Timeline議論。Compute Bottleneck (Capex $1T・Power 5GW)・Data Wall (Pretraining Token不足・Synthetic Data依存)・Test-Time Compute Scaling (o1/o3 突破口)・Reasoning RL Scaling・Leopold Aschenbrenner Situational Awareness 2027 AGI予測・Daniel Kokotajlo AI 2027・METR Time Horizon・Dario Amodei (Anthropic) Powerful AI 2026-2027・Sam Altman Brilliant Friend・¥0 知識・Bitter Lesson Sutton、2026年AGI Definition論議活発化。
概要
AGI（汎用人工知能）を実現するための技術的障壁として、2026年に注目される「Compute Bottleneck」と「Data Wall」が議論されています。Compute Bottleneck では、Capex が 1 兆ドル、電力が 5 GW に達する規模での計算リソースが必要とされ、Data Wall では大規模事前学習に必要なトークン数が不足し、合成データへの依存が高まると指摘されています。さらに、Test‑Time Compute Scaling（o1/o3 でのスケーリング突破口）や Reasoning‑RL Scaling が AGI への道筋を示し、2027年に向けた「Situational Awareness」予測や「METR Time Horizon」などが提案されています。2025 年には新世代 GPU アーキテクチャが登場し、2026 年には合成データ生成が主流化、2026 年には AI フレームワークの分散学習が標準化されるという動きが報告されています。
主な特徴・仕組み
- Compute Bottleneck：Capex $1 T、Power 5 GW、1 TFLOP/s 以上のスループットが必要
- Data Wall：1 兆トークンを超える事前学習データが不足、合成データ生成に 60 % 以上依存
- Test‑Time Compute Scaling：o1（1 倍）→o3（3 倍）で推論時間を 10 % 以内に抑制
- Reasoning‑RL Scaling：強化学習で推論を 5 % 以上向上、報酬設計が鍵
- Situational Awareness 2027：Leopold Aschenbrenner が提唱、環境変化に即応する AGI
- METR Time Horizon：2027 年までに 80 % の実用化を目指すスケジュール
- Dario Amodei 予測：Anthropic が 2026‑2027 年に「Powerful AI」を実現
- Sam Altman の Brilliant Friend：対話型 AGI が 2026 年に実装
- Bitter Lesson (Sutton)：2026 年に AGI 定義議論が活発化、計算資源が決定的要因
スペック比較表
| 製品 | GPU アーキテクチャ | TFLOP/s | 電力 (W) | メモリ | 価格 (¥) | 主要用途 |
|---|---|---|---|---|---|---|
| NVIDIA RTX 5090 | Ada Lovelace | 24 TFLOP/s | 450 W | 24 GB GDDR7 | 1,200,000 | 大規模推論 |
| AMD Radeon RX 7900 XTX | RDNA 3 | 18 TFLOP/s | 350 W | 24 GB GDDR6 | 900,000 | ゲーム & AI |
| NVIDIA H100 | Hopper | 30 TFLOP/s | 700 W | 80 GB HBM3 | 3,500,000 | データセンター |
| Google TPU v5 | TPU‑v5 | 25 TFLOP/s | 600 W | 128 GB HBM2 | 2,800,000 | 大規模学習 |
| AMD Ryzen 9 9950X3D | Zen 5 | 3.8 GHz | 165 W | 64 MB L3 | 350,000 | 高負荷処理 |
具体例・対応製品
- NVIDIA RTX 5090：2025 年に発表された Ada Lovelace アーキテクチャで、1 TFLOP/s 以上の推論性能を持ち、AGI のテストタイム計算に最適。
- AMD Radeon RX 7900 XTX：RDNA 3 で 18 TFLOP/s を実現し、データウォールを突破するための合成データ生成に使用。
- Google TPU v5：2026 年にリリースされ、1 兆トークンを超える学習データセットに対して 25 TFLOP/s のスループットを提供。
自作PCでの選び方・注意点
- 電力設計：5 GW という計算ボトルネックに対し、電源ユニットは 1000 W 以上を推奨。
- 冷却：450 W 以上の GPU は水冷または大型空冷が必須。
- メモリ容量：80 GB 以上の高速メモリ（HBM2/3）を選択。
- PCIe スロット：PCIe 5.0 をサポートするマザーボードを選ぶ。
- 拡張性：複数 GPU を同時に搭載できる構成（NVLink / Infinity Fabric）を検討。
関連用語との違い
| 用語 | 定義 | AGI 議論との関係 |
|---|---|---|
| Bitter Lesson | 計算資源が成果を左右するという原則 | AGI では Compute Bottleneck が中心テーマ |
| METR | 未来予測モデル | 2027 年の AGI 実現時期を示す指標 |
| Situational Awareness | 環境変化への即応性 | AGI が実世界で動作するための必須要件 |
よくある質問(FAQ)
Q1: AGI を実現するために最も重要なハードウェアは何ですか？
A1: 2026 年の議論では「Compute Bottleneck」が最も重要で、Capex $1 T、電力 5 GW の計算リソースが必要です。
Q2: Data Wall を突破するための具体策は？
A2: 合成データ生成の自動化と、1 兆トークンを超える事前学習データの収集が鍵。GPU アーキテクチャの高速化も併せて進める必要があります。
Q3: Test‑Time Compute Scaling の実装方法は？
A3: 推論時に o1→o3 のスケーリングを行い、推論時間を 10 % 以内に抑えるために、モデル圧縮と量子化を組み合わせます。
まとめ
AGI への道は「Compute Bottleneck」と「Data Wall」という二重の壁を乗り越えることにあります。2025‑2026 年の技術進展（新世代 GPU、合成データ生成、分散学習標準化）を踏まえ、ハードウェア選定と冷却設計を慎重に行うことで、実用的な AGI の実現に近づけます。自作 PC でも高性能 GPU（RTX 5090、RX 7900 XTX）と十分な電源・冷却を備えれば、2027 年の AGI 予測に合わせた実験環境を構築可能です。