彼らはベンチマークに名前を付けました
超知能のために

2026 年 8 月 18 日、論文が「人工超知能 ベンチ: 人工超知能の夜明け」というターゲットを隠さないタイトルで arXiv に掲載されました。 40 人以上の専門家が、11 の科学分野にわたって 60 のプロジェクト レベルの研究タスクを構築しました。著者らは、人的コストは 31,000 時間を超えると見積もっています。このテストは、既知の事実に関する別のクイズではありません。人間の指示が外れたときに、AI システムが探索し、方法を選択し、新しいアイデアを確認できる結果に変えることができるかどうかが問われます。

最先端のエージェントおよびモデル構成18件において、完全な方法論ガイダンスを与えた場合の平均スコアは50.91だった。方法名のみを指定した場合は29.10に低下し、エージェント自身に方法を選択させた場合は26.62に低下した。著者らはこの低下を、教師が読むように解釈した。現在のシステムは依然として、作業の進め方を知っている人間に依存している。

この急激な低下は、現在のシステムが依然として人間のガイダンスに大きく依存しており、自律的にプロジェクトレベルの科学研究をエンドツーエンドで実施する段階には程遠いことを示している。

人工超知能-Bench · arXiv:2608.17271 · 2026

ベンチが実際に測定するもの

既存のテストのほとんどは、モデルがすでに圧縮された知識から正しい答えを導き出せるかどうか、または人がメソッドを保持している間にモデルがタスクを完了できるかどうかを尋ねます。 人工超知能-Bench は、革新的な探査と自律的な科学的実行という 2 つのことを同時に評価しようとします。同じ研究プロジェクトについて、システムが独自にどこまで進むかを確認するために、段階的に方法論的な指導を撤回している。

タスクは専門家によるレビュー、監査、サンドボックス実行、スコアラー検証を経た。これはリーダーボードのスクリーンショットよりも慎重な扱いである。それでもなおベンチマークである。数値は超知能ではない。本論文は超知能が到来したと主張していない。

一般的な解釈は、時間的余裕があるというものだ

51から27への崩れは距離的に見えます。距離は現実です。それは間違った慰めでもあります。同じ8月、OpenAIはその可能性を排除できないと述べたアストラの重要なサイバー能力: 目標を与えられ、すべてのステップに人が関与することなく、強化されたシステムの穴を見つけて利用します。まだ手法が必要なリサーチエージェントと、そうでないサイバーエージェントが同じ業界に同時に存在することはあり得ません。一方の数字がもう一方の数字を打ち消すことはありません。

「時間的余裕がある」という声より静かな第二の誤りがある。それは残されたギャップを単なる作業リストとして扱うことだ。一度分野が超知能にベンチマークを名付ければ、残された作業は得点表を持つことになる。研究所はすでに得点表の最適化を行っている。本論文の枠組み「夜明け」は、滑走路の言葉であり、停止の言葉ではない。

同じプロジェクト上のメソッドの撤回が実際のテストです。人がすでに実験を選択し、手段に名前を付け、成功条件を記述している場合、モデルは強力に見えます。これが今日のエージェントのデモのほとんどです。 人工超知能-Bench は、こ​​れらのギフトが削除されたときに何が残るかを尋ねます。システムは何を試行するかを決定し、作業を実行し、スコアラーがチェックできるものを返すことができるかどうかです。 50.91から26.62の下落は贈り物の大きさです。

これらすべてを理解するために、著者らの夜明けの比喩を信じる必要はない。科学研究の最後の人間の段階に向けた公開トラックを研究コミュニティが立ち上げ、世界にその埋め合わせを求めたことに気づく必要がある。

ベンチマークが目指すものを構築してはならない

ナカダ財団は、人工超知能-Bench のスコアが低いことを継続の許可とはみなしません。超人工知能は決して構築されるべきではありません。 超知能は人間がコントロールすることはできません。最後の人間の方法を撤回するテストは、最後の人間の役割のテストです。 現在のエージェントがそのテストに不合格であっても、テストに合格したビルド エージェントにとって安全なケースではありません。

科学分野で働くなら、この道筋を加速させることが公共の利益だと誰が決めたのか問いかけてほしい。政府で働くなら、本論文を研究所が埋めようとするものの地図として扱ってほしい。リスクに見合う対応は、目的地を閉じる法律である。