OpenAIがひた隠す不都合な真実――GPT-5が”真の知能”に永遠に届かない理由

AI研究の権威テリー・ウィノグラードが40年以上前に提唱した理論が、GPT-4o登場後の今、再び脚光を浴びています。それは、現在のAI開発が「真の知能」から最も遠い道を突き進んでいるという、業界の根幹を揺るがす警告だからです。日本ではまだほとんど報じられていない、AGI（汎用人工知能）を巡るこの「もう一つの真実」を解き明かします。

GPT-4oが人間のように会話し、リアルタイムで映像を解釈するデモは、世界中にAGIの到来を予感させました。しかし、この熱狂の裏で、一部のAI科学者たちは冷ややかな視線を送っています。「AGIはマルチモーダルではない」——この一言が、現在のAI開発の巨大な潮流に真っ向から異を唱える挑戦的な論考の核心です。

彼らが指摘するのは、現在のAIがどんなに進化しても、それは巨大なデータベースを高速で検索し、統計的に最も確からしい応答を生成しているに過ぎないという事実です。これは真の「理解」ではなく、まるで人間のように振る舞う「賢いオウム」に他なりません。

なぜAIは「自転車の乗り方」を理解できないのか？

現在のAIの限界を理解するために、簡単な例を考えてみましょう。それは「自転車に乗る」という行為です。

GPT-5であろうと、その次の世代のAIであろうと、「自転車の乗り方」について完璧な論文を生成することはできます。ペダルの踏み方、ハンドルの切り方、バランスの取り方まで、物理法則に基づいて詳細に解説するでしょう。しかし、そのAI自身が実際に自転車に乗ることは永遠にできません。

なぜなら、自転車に乗る能力は、言葉や画像といった「記号」で表現できる知識（形式知）ではなく、身体を通してのみ獲得できる「暗黙知」だからです。バランスを取る際の微妙な重心移動、路面の凹凸を感じ取る皮膚感覚、転びそうになった時のとっさの反応。これらは、言語化不可能な身体的な経験そのものです。

現在のマルチモーダルAIは、テキスト、画像、音声といった記号データを処理することに特化していますが、この「身体性を伴う経験」をインプットする仕組みを持ちません。AI研究のパイオニアであるテリー・ウィノグラードは、知能とは世界との物理的な相互作用の中で生まれる「身体化された認知（Embodied Cognition）」であると喝破しました。現在のAI開発は、この最も重要なピースを完全に無視しているのです。

我々の知性の大部分は、言語化できない暗黙知で構成されています。料理の火加減、職人の手先の感覚、対面でのコミュニケーションにおける空気感の察知。これらすべてが、AIには決して届かない領域なのです。

「賢いオウム」の限界：マルチモーダル化という名の袋小路

「GPT-4oのように音声や映像を扱えれば、それはもう経験ではないのか？」と反論があるかもしれません。しかし、これも本質的な問題の解決にはなっていません。

入力と出力のチャネル（モーダル）を増やすことは、例えるなら、オウムに言葉だけでなく絵カードも見せて芸を仕込むようなものです。オウムは「リンゴ」という言葉を聞いて、リンゴの絵カードを選べるようになるでしょう。しかし、オウムはリンゴの味も、手触りも、その重さも知りません。リンゴが木から落ちるという物理法則を「体験」として理解しているわけではないのです。

マルチモーダル化は、AIをより洗練された記号操作マシンにするだけであり、身体的な経験から生まれる真の理解には繋がりません。むしろ、人間のような応答が巧みになることで、我々はAIが「理解している」という幻想を抱きやすくなり、問題の本質から目を逸らしてしまう危険性すらあります。この道は、AGIへと続く高速道路ではなく、巧妙に作られた袋小路なのです。

AGIへの真の道：日本の製造業が握る「身体性データ」という切り札

では、AGIへの道は完全に閉ざされたのでしょうか。いいえ、むしろ新たな地平線が見え始めています。その鍵は、現在のAI開発の主流から外れた場所、すなわち「身体性（Embodiment）」を取り戻すことにあります。

真の知能を持つAIを創造するには、ソフトウェアだけの進化では不十分です。物理的な身体（ロボット）を持ち、現実世界で試行錯誤し、失敗から学ぶプロセスが不可欠となります。壁にぶつかり、物を落とし、重力を「体感」することでしか得られないデータこそが、知能の土台を形成するのです。

このパラダイムシフトは、これまでAI開発の主役であったGoogleやOpenAIのような巨大IT企業ではなく、むしろ日本の製造業やロボティクス企業にとって歴史的な好機となる可能性があります。

なぜなら、彼らは世界で最もリッチな「身体性データ」の宝庫を保有しているからです。熟練工が部品を組み立てる際の微細な力の入れ具合、製造ラインを流れる製品を検査するセンサーの時系列データ、過酷な環境で稼働する建設機械の振動データ。これらは、テキストや画像データとは比較にならないほど高密度で、物理法則に裏打ちされた情報を含んでいます。

この「身体性データ」を学習する次世代のAIモデルこそが、AGIへの道を切り拓くかもしれません。それはもはや大規模言語モデル（LLM）ではなく、「大規模行動モデル（Large Behavior Model）」とでも呼ぶべき、全く新しいアーキテクチャになるでしょう。

日本のエンジニア・ビジネスマンが今週中にできる具体的アクション

この巨大なパラダイムシフトに乗り遅れないために、今すぐできることがあります。

1. 社内の「暗黙知」を棚卸しする: 自社の業務プロセスに潜む、マニュアル化できない「匠の技」や「現場の勘」をリストアップしてみましょう。それこそが、次世代AIにとって最も価値のある学習データです。
2. AIベンダーへの質問を変える: 「このAIは、物理的なフィードバックループをどう学習するのか？」と問いかけてみてください。言語や画像の処理能力だけでなく、現実世界との相互作用について議論を始めることが重要です。
3. ロボティクスとIoTへの再注目: 現在のLLM活用と並行し、物理的なデータを収集するためのセンサー技術や、そのデータを実行に移すロボットアームなどのハードウェア技術への情報収集を再開しましょう。ソフトウェアとハードウェアの融合こそが、次の競争力の源泉です。