夕刊 2026年7月13日
Epoch、知能爆発論は前半しか計算していないと指摘
この号はメールで配信していません。配信前の自動チェックが通らなかったため、購読者には届いていません。本文はそのままここに保存しています。
今号の要点
1. AI の進展を数量で推計する研究機関 Epoch AI は 7 月 7 日、AI が数年で世界を左右するという予測は、AI がどこまで強くなるかだけを計算し、目標とする技術そのものの作りにくさを量っていないと指摘した。補う方法として Epoch が示したのは一つの枠組みで、実際にこの計算をした公開の分析は一本しかない。
2. Epoch が中国の AI 求人 1,604 件を分析したところ、求められる経験年数は平均 1.6 年で、米国の同種の求人の平均 5.5 年を下回った。年数を明記した求人に限ると 3.4 年だった。数字はすべて Epoch 自身の収集による。
3. 自律的にコードを書くエージェント Devin を出した AI コーディング企業 Cognition が、エージェントが約束した価値を届けなければ利用クレジットを返す保証を出したと、ニュースレター Exponential View が伝えた。保証条項の原文は確認されておらず、転載による情報だ。
本号は本紙の研究日報 2026-07-13 にもとづく。過去 24 時間に起きた産業の出来事はなかった。中核は 2026-06-15 から 07-07 に出た分析記事のうち判断を最も左右するものを選び、各記事に元の公開日を記した。中国側の視点の資料(元の公開は 2025-05〜06)もある。今週は取り上げるべき新しい目利きの読みがなく、Nathan Lambert 氏の 2025-09 の論考を一本取り上げ、今日あらためて照らし合わせた理由を書いた。本号の本文ではリンクをたどれる外部のソースを 8 件使った。
今日の中核
1. [今週]（論考 7 月 7 日）Epoch AI は、知能爆発をめぐる議論が AI の能力の伸びだけを計算し、目標技術を作る難しさという後半を欠いていると指摘した
なぜ重要か： 本紙の推論：能力曲線を外挿するだけの AI の到来時期の予測は、示された幅よりずっと大きな誤差を抱える。
全文を読む
AI の進展を数量で推計する研究機関 Epoch AI は 7 月 7 日、知能爆発をめぐる議論を批判する論考を公開した（原文、2026-07-07）。
知能爆発とは、AI が自らを速く改良し、数年で制御できないほど強くなるという見方を指す。Epoch によれば、この議論はほぼ前半、つまり AI がどこまで賢くなるかだけを計算してきた。後半、つまり AI が十分に賢くても、ナノマシンや宇宙での太陽エネルギー収集装置のような目標技術を作るのがどれほど難しいかは、ほとんど量られていない。Epoch はこの差を、斧を作ることと核爆弾を作ることの難しさの差にたとえる。
Epoch が提案する補い方は三段階だ。技術を一つ選び、AI についての仮定を固定し、必要な時間と資源を見積もる。この種の分析で公開されているのは一本だけで、AGI 後の太陽光発電システムを推計したその研究は、生産能力が週単位で倍増するとしている。週単位の倍増という数字は、Epoch の紹介が唯一の出典である。
本紙の推論：AI-2027 のように到来時期を年で示す予測は、後半の難しさを計算に入れているかどうかで、誤差の幅の見え方が変わる。現状の予測はほぼすべて、能力曲線を先へ外挿しているだけだ。予測が誤りだとは言わない。ただし誤差は示された幅より大きい。
まだ言えないこと： 週単位の倍増という数字は Epoch の紹介だけが出典
検証： 出典は Epoch 一社で、内容は名前の付いた方法論の枠組みであって、合意された事実ではない。週単位で倍増するという数字は転載による単一の出典で、方向を見る材料にとどまる。
次に注目するのは、Epoch の方法で特定の技術について後半を計算した二本目の公開分析が出るかどうかだ。
2. [トレンド]（分析 6 月 24 日）Epoch が中国の AI 求人 1,604 件を分析し、中国の求人が求める経験年数は米国より短いと示した
なぜ重要か： 本紙の推論：中国は新人を育てる経路を敷き、米国は既存の熟練人材を奪い合っており、景気ではなく構造の差だ。
全文を読む
Epoch は 6 月 24 日、中国の AI 求人 1,604 件を収集して構造を分析した結果を公開した（原文、2026-06-24）。
そのため、米国企業が経験豊富な人材を採るときに上乗せする賃金は、高止まりする。Epoch によれば、中国の AI 求人が求める経験年数は平均 1.6 年で、年数を明記した求人に限ると平均 3.4 年だった。新卒採用が全体の二割を占める。米国の同種の求人は平均 5.5 年の経験を求める。
地域の集中も対照的だ。中国の求人の 93% は北京、杭州、上海に集まり、北京だけで 63% を占める。米国では 85% がサンフランシスコのベイエリアに集まる。
本紙の推論：新卒採用が二割という数字は、中国が自前の育成の仕組みに賭けていることを示し、成否は 3 年から 5 年後に見えてくる。後から当否を確かめられる判断である。
まだ言えないこと： 新卒中心の育成が実を結ぶかは 3 年から 5 年後まで分からない
検証： Epoch が自ら収集したデータで、集計方法を公開している。地域と経験年数の数字はすべてこの一本から出ている。
次に注目するのは、中国の求人で求める経験年数が今後上がるかどうかで、上がれば育成型という読みは変わる。
3. [トレンド]（転載 6 月 15 日）Cognition は、AI エージェントが価値を届けなければ最大 1,000 万米ドルの利用クレジットを返す保証を出したと伝えられた
なぜ重要か： 本紙の推論：AI エージェントの導入を阻むのは信頼で、Cognition の保証は失敗したときの負担を買い手から売り手に移す。
全文を読む
自律的にコードを書くエージェント Devin を出した AI コーディング企業 Cognition が成果保証を始めたと、ニュースレター Exponential View が 6 月 15 日に伝えた（出典、2026-06-15）。
本紙の推論：企業が AI エージェントを入れるときの最大の壁は、使えるかどうかではなく信じられるかどうかだ。Exponential View によれば、保証の中身は、Cognition のエージェントが企業顧客の支払った分の開発価値を届けなければ、最大 1,000 万ドル分の利用クレジットを返すというものだ。この額と比べる公開の数字は、Exponential View の紹介には出てこない。
業界にはこれまで二つの補い方があった。一つ目は、供給元が技術者を顧客のもとに置き、エージェントを使える形に作り込むやり方だ。二つ目は、買い手が検収の手間を引き受けるやり方だ。Cognition の保証は三つ目で、失敗したときの負担を買い手から売り手に移す。三つとも、エージェントが価値を確実に届けられないという同じ問題に対処している。価値の届き方は、売り手が保証なしで売れるほどには安定していない。
本紙の推論：同じ型の保証を求められた供給元がどう応じるかは、その供給元が自社の納品能力にどれだけ自信を持っているかの目安になる。
まだ言えないこと： 返還条項の細部は Exponential View の転載以外に出典がない
検証： 出典は Exponential View が Cognition の発表を紹介した転載一本で、返還条項の細部は原文と照合されていない。保証が確実に履行される証拠としては使えない。実際の支払いや再購入のデータが出るか、二社目の供給元が同じ型の保証を出せば、裏付けは強まる。
次に注目するのは、利用クレジットの返還が実際に行われたという記録と、ほかの供給元が同じ型の保証に続くかどうかだ。
4. [トレンド]（転載 6 月 15 日）米国の上位 1% の企業は従業員一人あたり月約 7,450 ドルを AI に使い、典型的な企業の 11.38 ドルの約 650 倍だと伝えられた
なぜ重要か： 本紙の推論：AI の普及は導入の有無より使い方の深さで分かれ、導入企業の割合は採用の実態を示さない。
全文を読む
同じ 6 月 15 日の Exponential View は、econlab のデータとして、AI への支出が企業間で極端に偏っていることを伝えた。データの出所は Exponential View の紹介だけである。
Exponential View によれば、米国の上位 1% の企業は従業員一人あたり月約 7,450 ドルを AI に使う。典型的な企業の 11.38 ドルの約 650 倍にあたる(7,450 ÷ 11.38 ≈ 650)。導入は有るか無いかの二択ではない。使っている企業だけを見ても、一人あたりの支出は急峻なべき乗分布を描き、ごく少数の企業が AI 支出の大半を占める。
中国の対話 AI アプリ豆包(Doubao)の例も同じ方向を指す。月間利用者は 3.45 億人だが、主な利用者は雑談に使う学生と中高年で、生産性の用途ではない。この数字は出典が示されていない。本紙の推論：利用者数は売上の代わりの指標にならず、用途の構成が分かれ目になる。
まだ言えないこと： 650 倍は econlab のデータの転載一本だけが出典
検証： 出典は econlab のデータを第三者が紹介した転載一本だ。方向を見る材料で、小数点以下まで当てにする数字ではない。
次に注目するのは、導入企業の割合ではなく、一人あたり支出の分布を示す二つ目のデータが出るかどうかだ。
目利きの読み
1. [振り返り]（論考 2025-09）オープンモデル分野で最もよく引かれる分析者の一人 Nathan Lambert 氏は、同じモデルでも外側の作業環境が変わると成績が大きく変わると書いた。 Lambert 氏は元 Hugging Face、AI2 の研究者で、2025 年 9 月に自身のニュースレター Interconnects で、コーディングは、一般の利用者が触れるフロンティアモデルの進歩で、最後に残る汎用の戦場だと論じた（原文、2025-09）。近年の進歩の多くはモデル本体ではなく外側の実装層にあるというのが Lambert 氏の見方だ。外側の層とは、モデルにどんな道具を渡し、どこに境界を引き、成果物をどう検収するかを指し、業界ではハーネスと呼ぶ。論考はこの見方の材料として、Codex で累計 100 万件を超えるコードの変更がマージされたことと、2021 年から 2027 年にかけての能力の段階も挙げる。今日あらためて取り上げたのは、中核 3 の供給側にあたるからだ。本紙の推論：Cognition がお金で保証を付けるのは、価値がまだ安定しない実装層にあるからだ。価値はモデルの素の能力にあるのではない。Lambert 氏はオープンモデル寄りの立場で、枠組みは使えるが楽観の度合いは割り引いて読む。
研究とモデル
1. [トレンド]（発表 6 月 17 日）Epoch は、フロンティア AI 企業の研究作業を 6 大分類、60 余りの作業に分け、AI による自動化の度合いを 0 から 5 で評価する分類表の初版を出した。 Epoch は 6 月 17 日に分類表を公開した（原文、2026-06-17）。狙いは、測りやすいものだけを測る偏りを正すことで、ただし同じ方法を採る機関はまだ Epoch 一社だ。手本にしたのは米国労働省の職業別作業データベース O*NET である。METR のように AI が単独でこなせる作業時間の長さを測る一本の物差しは測りやすいが、研究作業の複雑な構造を取りこぼすと Epoch はみる。本紙の推論：中核 1 と合わせると、Epoch は知能爆発がいつ来るかという議論に、測れる作業の単位を持ち込もうとしている。二つ目の機関が続くまで、業界の測り方が変わったとは言えない。
2. [トレンド]（2026-07）AI 開発者会議 AIEWF の日報は、顧客ごとの作り込みの大半がモデルではなく、モデルを道具や権限、作業の流れにつなぐオーケストレーション層で起きていると書いた。 AI Engineer World's Fair(AIEWF)の日報を Latent Space が載せた（出典）。差がつくのはモデル本体より外側の、モデルを道具や権限、作業の流れにつなぐ層だという点で、四つの経路の内容が一致した。6 月 23 日の Claude Code チームの発表は、Anthropic の公式発表と一致する。同発表は、Claude Code がプロダクトチームのコードの 65% を書いたと述べる。この 65% という数字は Anthropic の自己申告だ。
学術論文では、今週新たに出たか、古い論文が急に見直されたもので、本号の中核に結びつくものはなかった。検索用のアーカイブに今週加わった学術資料は、チップの設計、タンパク質、エネルギーの古い論文が中心だった。
チップと半導体
1. [トレンド]（分析 6 月 24 日）Epoch は中国の求人から、国産チップが推論の側から使われ始め、最も重い事前学習はまだ Nvidia に頼っていると推測した。 Epoch は同じ 1,604 件の求人を読み、チップの使われ方の構図を示した（同じ出典、2026-06-24）。輸出規制の下で、国産への置き換えは計算負荷の軽い推論から進んでいる。これは Epoch が求人から推した見立てで、メーカーの説明ではない。Epoch によれば、中国の本番環境の推論は今も多くが Nvidia の上で CUDA と TensorRT-LLM を使って動き、同時に各社が Huawei の昇騰(Ascend)や寒武紀(Cambricon)の人材を募っている。国産チップだけで訓練されたモデルも個別にはあり、GLM-Image(160 億パラメーター)がその例だ。Epoch の最善の推測は、国産チップは推論ではよく使われ、事前学習ではめったに使われないというものだ。昇騰が推論に使われるという既存の読みとも同じ方向を指す。これは 6 月下旬の求人を一度読んだ結果だ。国産チップをめぐる状況は変わるのが速い。見るべき節目は、事前学習がいつ国産に移るかだ。
プロダクト動向
本号にプロダクト動向はありません。
過去の洞見
1. [振り返り]（番組 2025-08）Benchmark のパートナー Bill Gurley 氏は、中国のモデル層の低い粗利率は競争の偶然ではなく政策の設計だとみる。 Gurley 氏は 2025 年 8 月ごろ収録のポッドキャスト BG2 で、この見方を示した（番組、2025-08）。同氏によれば、利益の源泉はモデル層から流通層に移る。ただしこれは Gurley 氏一人の見立てである。Gurley 氏の説明では、五か年計画がオープンソース化を明記し、各省が競って実行した結果、複数のオープンモデルが並び、独占の心配がない。同氏は電気自動車と比べる。電気自動車の競争では他社の車を分解して自社の車を良くすることはできないが、モデルではできる。重みが公開されていれば、各ラボは互いの技術報告の上に立てるので、競争は電気自動車より激しくなる。結果としてモデル層の粗利率は構造的に押しつぶされ、優位は Alibaba Cloud、ByteDance のアプリ、Xiaomi の端末のような流通層に移る。Nathan Lambert 氏も、中国のラボは互いの詳しい技術報告によって研究開発の計算資源の 80% を重複して使わずに済んでいると指摘する。一方、モデル間の改良には上限があり、表面的な能力は別のモデルに移せても、一部の隠れた特徴は移らないとする研究がある（arXiv、2026-06）。Gurley 氏の説明は方向としては成り立つが、モデル間でどこまで能力を移せるかについては広く言いすぎている。本紙の推論：モデル層で稼げないなら、有利になるのはサプライチェーンと流通を握る大手だ。中国発の価格の圧力は、世界のフロンティアモデル価格の天井にもなる。
ソースと棚卸し
過去 24 時間。 定例の収集で新たに入った材料は約 50 本である。内訳は米国上場企業の決算・開示書類 43 件と番組の書き起こし 7 本で、書き起こしのうち 6 本を読み終え、1 本は一回分まるごと新しい材料がないとして除いた。X で追跡している @sama、@elonmusk、@bhorowitz などのアカウントには少しの動きがあり、オリジナルの投稿はすべて読み終えた。この 50 本が、過去一日に実際に新しく入った量である。
あとから補った古い資料。 今週、アーカイブに過去の材料を続けて補った。学術論文 2,101 本、ブログ 2,083 本、ニュースレター 974 本、上場企業の開示書類 851 件、業界分析 533 本、番組 288 本、X の投稿 202 件などで、さかのぼって調べるためのもので、ニュースとしては扱わない。過去 24 時間の数字にも含めていない。
本号で確認できていないこと。 Cognition の返還条項の原文は Exponential View の転載だけが出典で、細部は照合されていない。上位 1% の企業の AI 支出は econlab のデータの転載で、元の集計方法は示されていない。Epoch が紹介した、生産能力が週単位で倍増するという推計も、Epoch の紹介が唯一の出典だ。
本紙が追っているソース。 長期の追跡リストには 529 の人とソースがあり、本日の新規追加はない。X 305 人(Elon Musk、Andrej Karpathy、Sam Altman、Greg Brockman、Mark Zuckerberg、Demis Hassabis、Lip-Bu Tan、Jeff Dean、Noam Brown…)、番組 90 人(Satya Nadella、Sundar Pichai、Dario Amodei、Sam Altman、Demis Hassabis…)、ニュースレター 46 人(Dylan Patel、Jack Clark、Nathan Lambert、Dwarkesh Patel、swyx、Ben Thompson、Nathan Benaich、Ethan Mollick、Andrew Ng…)、個人ブログ 48 人(Karpathy、Simon Willison、Chris Olah、Jason Wei、Boaz Barak…)、論文の著者 48 人(Noam Shazeer、John Schulman、Percy Liang、Tri Dao、Matei Zaharia…)、機関のブログ 70(NVIDIA、Google Research、Hugging Face、SemiAnalysis、Interconnects、More Than Moore…)、決算説明会 26 人(Jensen Huang、Lisa Su、C.C. Wei…)、基調講演 23 人、メディアのインタビュー 51 人、YouTube 4、書籍 2、講座 2、政府 1 である。
本記事は日本語版・英語版・中国語版と同一の調査と判断にもとづいて書かれています。出典にはリンクを付け、原文書と報道を区別し、確かめられなかった点を明記しています。
本紙はニュースのまとめではありません。AI を使って分野横断で一次情報を読み、判断には原文の出典を添え、誤りは訂正ページで公表します。焦点は、どの変化がすでに起きていて、どの主張にまだ裏付けが足りないかであって、今日何が起きたかではありません。
—— SecondSource・調査システムによる自動生成 · 8 件のソース · ご意見・ご感想は [email protected] までお寄せください