「機械にそんなことは無理だ」——そして、できてしまう

頭から離れないパターンがある。賢く、尊敬されている人物があるテクノロジーを見て、確信を持って「これは絶対に無理だ」と言う——そして数年後には、まさにそれが当たり前の日常になっている。

1997年、プリンストンの高等研究所(Institute for Advanced Study)のピート・ハット(Piet Hut)は、ボードゲームの囲碁についてニューヨーク・タイムズ紙にこう語った——「It may be a hundred years before a computer beats humans at Go — maybe even longer.」2016年3月、AlphaGoは世界トップクラスの棋士イ・セドル(Lee Sedol)を4勝1敗で下した。100年後ではない。19年後だった。

認知科学界屈指の知性、ダグラス・ホフスタッター(Douglas Hofstadter)は2018年、The Atlantic誌に「The Shallowness of Google Translate」と題したエッセイを書いた。そこで彼は「No reasonable person thinks that a machine translation can ever achieve elegance and style.」という一文に同意しつつ引用していた。2023年、6月に公開されたある対話の中で、同じホフスタッターはこう語っている——「I don’t think it’s interesting. I think it’s terrifying. I hate it. I think about it practically all the time, every single day.」そして——「It’s a very traumatic experience when some of your most core beliefs about the world start collapsing.」

この感覚に見覚えがあるなら、別の場所で見たのかもしれない。2017年、ジェイミー・ダイモン(Jamie Dimon)はバークレイズのカンファレンスでビットコインを詐欺だと呼んだ——「It’s worse than tulip bulbs. It won’t end well. Someone is going to get killed.」2018年1月、彼はその発言を後悔していると述べた。ウォーレン・バフェット(Warren Buffett)は2018年のバークシャー株主総会でビットコインを「probably rat poison squared」と呼び、チャーリー・マンガー(Charlie Munger)は暗号資産取引を「just dementia」と呼んだ。そしてポール・クルーグマン(Paul Krugman)は1998年、2005年までにはインターネットの経済への影響が「no greater than the fax machine’s」だと明らかになるだろうと書いた——その根拠の一つが「most people have nothing to say to each other!」だった。

こうした人たちより自分の方が賢いと言いたくて書いているのではない。実際そんなことはない。書いているのは、まさに今、同じパターンがまた進行中で、今回はそれが起きる様子を私たちがリアルタイムで見られるからだ。これはそのタイムラインだ。意図的に、これからも育ち続けるように作ってある。

それ以前はどうだったか(飛躍を実感するために)

2022年11月にChatGPTが登場する前、「文章を書くAI」は一部の内輪にしか知られていないものだった。

その裏側にあるモデルGPT-3は、2020年5月28日にプレプリントとして発表され(「Language Models are Few-Shot Learners」)、APIベータは2020年6月11日にスタートした。1,750億のパラメータ——それでいてコンテキストウィンドウはわずか2,048トークン、数段落分しか「記憶」できなかった。学習コストは推定460万ドル、1基のGPUだけで計算すると約355年かかっていた計算になる。

しかも簡単には使えなかった。GPT-3にはウェイティングリストがあった。OpenAIがそのリストを撤廃し、APIを一般公開したのは2021年11月18日——実に1年半後のことだった。

この時期を象徴する最も有名なテキストは、当時の実態をよく物語っている。2020年9月8日、The Guardian紙はGPT-3が書いたとする論説記事を掲載した——「A robot wrote this entire article. Are you scared yet, human?」冒頭は「I am not a human. I am Artificial Intelligence.」で始まり、「I have no desire to wipe out humans.」という一文もあった。印象的に聞こえる——注釈を読むまでは。GPT-3は(バークレーの学生の入力を受けて)8回分の出力を生成し、編集部がその中から良い部分をつなぎ合わせていた。つまり「Entirely written by AI」というのは、かなり大盤振る舞いな四捨五入だったわけだ。

専門家たちはそれに見合って冷静だった。ゲイリー・マーカス(Gary Marcus)とアーネスト・デイヴィス(Ernest Davis)は2020年8月22日、MIT Technology Review誌に「GPT-3, Bloviator: OpenAI’s language generator has no idea what it’s talking about.」という見出しを掲げた。意図的に非体系的にまとめたテスト集——著者たち自身、ベンチマークではないと明言している——では、GPT-3は日常的な推論についておよそ半分は明確に正解、半分は明確に不正解だった。2021年3月、FAccT会議でエミリー・ベンダー(Emily Bender)らが定着することになる言葉を生み出した——「確率的オウム」、つまり何も理解しないまま言葉のパターンをオウム返しするだけの機械、という意味だ。その2年後、2022年3月のマーカスの評価はこうだった——「For all its fluency, GPT-3 can neither integrate information from basic web searches nor reason about the most basic everyday phenomena.」

では画像はどうか。2021年1月5日、OpenAIはDALL·Eを発表した——GPT-3から派生した120億パラメータのモデルで、テキストから画像を描いた。解像度は低く、的外れなことも多かった。実用の道具というより、ちょっとした珍品だった。

この光景を覚えておいてほしい——ウェイティングリスト、オウム返し、編集済みのテキスト、ぼやけた子猫の絵。それが3年半前の状況だった。

タイムライン

ここからは密度が増す。重要なリリースを日付とともに並べ、それぞれが初めて実際に可能にしたことを添えていく。このリストはこれからも育っていく——新しいことが起きるたびに書き足すつもりだ。

2020年5月/6月 — GPT-3がプレプリントとAPIベータとして登場。OpenAI自身のテストでは、審査員が機械生成の短い記事を正しく見抜けたのはわずか52%——コイン投げとほぼ変わらない。初めて実現したこと: 段落単位で人間らしく聞こえる文章。

2021年1月 — DALL·E 1。初めて実現したこと: 任意のテキストからの画像生成——ただし粗く小さい。

2022年6月21日 — GitHub Copilotが一般公開、月額10ドル。初めて実現したこと: コーディングを一緒に打ち込んでくれるAIが、どの開発者にも手の届く価格に。

2022年7月/8月 — 画像生成のブレイクスルーが立て続けに起きる:DALL·E 2(発表4月6日、ベータ7月20日)、Midjourney(オープンベータ7月12日)、Stable Diffusion(8月22日、オープンソースでコンシューマー向けハードウェアでもローカル実行可能)。初めて実現したこと: フォトリアルで自在に構成できる画像——そしてStable Diffusionにより、クラウドなしで自分のマシン上で。

2022年8月末/9月初め — ジェイソン・アレン(Jason Allen)のMidjourney作品「Théâtre D’opéra Spatial」がコロラド州フェアで1位を獲得(デジタル加工写真部門、賞金300ドル)。審査員はそれがAIによるものだと知らなかった。世間の議論は9月に巻き起こった。

2022年11月30日 — ChatGPT、GPT-3.5をベースにした無料プレビュー版が登場。5日間で100万ユーザー、2カ月後には月間約1億人。初めて実現したこと: オウムが会話ウィンドウを手に入れ、世界中の誰もがそこに入っていけるようになった。

2023年3月14日 — GPT-4、マルチモーダル対応(画像も理解する)、コンテキストは2,048ではなく最大32,000トークンに拡大。同じ月、Runwayの「Gen-2」が実用に耐える最初期のテキスト・トゥ・ビデオのベータ版としてスタート。初めて実現したこと: アップロードされた画像を「見る」AI——そしてテキストから生まれる最初の数秒の動画。

2023年10月 — DALL·E 3がChatGPTに直接統合。初めて実現したこと: 実際にタイプした内容にきちんと合った画像——読める文字入りも含めて。

2024年2月15日 — OpenAIがSoraを発表:1つのプロンプトから最大60秒間の高精細な1080p動画を生成。初めて実現したこと: 一見しただけでは本物と見分けがつかない動画。

2024年3月12日 — CognitionがDevinを発表、「最初のAIソフトウェアエンジニア」を謳い、自前のシェル・エディタ・ブラウザを備える。初めて実現したこと: プログラミングのタスクを最初から最後まで自律的にこなすAI。

2024年3月/4月 — Suno V3(3月21日、ボーカル入りの完成曲を最大4分まで生成、無料でも利用可能)とUdio(4月10日、公開ベータ)。初めて実現したこと: 一文から生まれる、歌声付きの完成した楽曲。

2024年5月13日 — GPT-4o、テキスト・音声・画像を一つにまとめた「オムニ」モデル。初めて実現したこと: 機械とリアルタイムで流れるように話すこと。

2025年2月24日 — Claude Codeがリサーチプレビューとして登場、2025年5月に一般公開。初めて実現したこと: プログラミングがターミナル上の対話になる——私自身もそうで、このサイトもそうやって作られている。

2025年3月25日 — OpenAIが画像生成をGPT-4oにネイティブ統合。バイラルになった「スタジオジブリ」トレンドがサービスに殺到し、無料版の提供を遅らせざるを得なくなった。初めて実現したこと: 会話の中での画像編集——「空をもっと暖色に」と言えば、その通りになる。

2025年5月20日 — Google Veo 3:初めて音声が動画と同期生成される——セリフ、効果音、リップシンクまで。Veo 3.1は2025年10月半ばに続く。初めて実現したこと: 見た目だけでなく、音も伴う動画。

2025年8月7日 — GPT-5。OpenAIはこれを「ポケットに入る博士研究員チーム」と表現した。

2025年9月30日 — Sora 2:音声同期、より自然な物理演算、「カメオ」機能——さらにTikTok形式の専用アプリも登場。初めて実現したこと: 研究室のデモではなく、ソーシャルメディアとしてのAI動画。

この5年間を一気に読み返すと、2020年のあのオウムはまるで別の世紀の話のように見えてくる。

誰もほとんど気づいていないこと

ChatGPTについては誰もが話す。だがこちらについて語る人はあまりにも少ない——それでいて、こちらの方が話の本体かもしれないのだ。

2020年11月、AlphaFold 2はCASP14コンペティションで中央値スコア約92 GDT_TSを記録して優勝し、生物学が50年間解けなかった問題を解決した——アミノ酸の配列から、タンパク質の立体的な折りたたみ構造を予測するという問題だ。これは遊びではない。タンパク質の折りたたみは、病気の仕組みや薬がどう結合するかを理解するための基盤になる。AlphaFoldのデータベースは2022年以降、2億以上の構造を収録し、2024年までに2億1,400万を超え、190カ国、200万人以上の研究者に利用されている。2024年5月8日にはAlphaFold 3が登場し、タンパク質・DNA・RNA・薬剤分子からなる複合体の予測も可能になった。

その評価は最高レベルにまで及んだ。2024年のノーベル化学賞は、半分がコンピュータによるタンパク質設計を評価されたデイビッド・ベイカー(David Baker)に、残り半分がタンパク質構造の予測を評価されたデミス・ハサビス(Demis Hassabis)とジョン・ジャンパー(John Jumper)に共同で贈られた。AIシステムが、ノーベル化学賞の中心に据えられたのだ。

そして、これはタンパク質だけにとどまらない:

  • 医療: 肺疾患IPF(特発性肺線維症)に対するAI発見の薬剤レントセルチブ(Rentosertib)は、71人の患者・22施設によるフェーズIIa試験で、12週間後に用量依存的な肺機能改善を示した——2025年6月3日、Nature Medicine誌に掲載。2023年には、ディープラーニングモデル(マクマスター大学とMITの共同研究)が、危険な院内感染菌に対する薬剤アバウシン(Abaucin)を、約7,500種類の分子をスクリーニングする中から特定した。
  • 材料科学: DeepMindのGNoMEは2023年末、220万種の新しい結晶の安定性を予測した。同じ日、バークレーのA-Labは、ロボットが機械学習を使って17日間で新しい無機材料を合成する様子を示した。(公平を期すために言うと、両方の成果はその後批判を受けている——GNoMEについては、本当に新規と言える構造の数が水増しされているとの見方が多く、A-LabについてはNature誌が訂正を出さざるを得なかった。ブレイクスルー自体は本物だが、その評価は議論の余地がある。)
  • 天気予報: GraphCastは、1台のコンピュータだけで最大10日先までの天気を1分足らずで予測する——検証対象となった1,380の指標のうち90%超で、確立されたECMWFのモデルより高精度だった。GenCastは2024年末、より精度の高いサイクロン進路予測を引っさげて続いた。
  • 純粋数学: AlphaProofとAlphaGeometry 2は、2024年の国際数学オリンピックで6問中4問を解き、42点満点中28点を獲得した——金メダルまであと1点の銀メダル水準だ。解いた問題のうちの一つは、600人を超える人間の参加者のうち完全に解けたのはわずか5人だった。そしてFunSearchは2023年末、ある未解決の数学問題に対して証明可能な新しい解を発見した——言語モデルが本物の、検証可能な新しい知識をもたらした初めての事例だった。

オウム返しをするだけだと言われていたそのオウムは、こうしてタンパク質を折りたたみ、薬剤を発見し、ほとんどの人間には解けない数学に取り組んできたのだ。

数字で見る

あるテクノロジーが本物かどうかを知りたいとき、私はお金の流れ——そして雇用の動きを追う。

Stanford HAIによれば、世界の企業によるAI投資は2024年に約2,520億ドルに達した。2025年にはそれが5,817億ドルへとほぼ倍増した。民間投資だけを見ると127.5%増の3,447億ドルに跳ね上がっている。生成AI——画像・テキスト・動画を作る領域——は2025年に約200%成長し、約1,710億ドルに達した。これは民間AI投資全体のほぼ半分にあたる。米国は民間投資2,859億ドルで首位に立ち、これは中国の23倍にあたる。

利用の広がりもそれに追いついている。組織の78%が2024年にAIを利用していると回答した(前年は55%)。McKinseyは2025年、少なくとも1つの事業機能で定期的にAIを使っている割合を88%とした。ここに落とし穴がある——あえて名指ししておくが、パイロットプロジェクトを超えてスケールさせている企業は全体の3分の1程度にすぎず、利益への測定可能な効果を示せているのは少数派だ。試すことは多く、やり切ることは少ない。

では雇用はどうか。ここが核心だ。IMFの試算では、世界の雇用の約40%がAIの影響を受けやすく、先進国では約60%に上る。そのうち半分の仕事はAIから恩恵を受ける一方、残り半分は中核的な業務を失うとみられる。IMF専務理事のクリスタリナ・ゲオルギエヴァ(Kristalina Georgieva)はこうまとめた——「We are on the brink of a technological revolution that could jumpstart productivity, boost global growth and raise incomes around the world. Yet it could also replace jobs and deepen inequality.」

WEFは2030年までに新たに1億7,000万件の雇用が生まれ、9,200万件が失われると見込んでいる——差し引き純増7,800万件だ。つまり、失うだけではない。最も急成長するのはビッグデータ専門職(+110%)、フィンテックエンジニア(+95%)、AI/ML専門職(+85%)。最も縮小するのは、事務職やレジ係のような従来型のオフィス職だ。今日求められている中核スキルの39%は、2030年までに陳腐化するとされている。

楽観的にさせてくれる一つの詳細がある。Anthropic Economic Indexは2026年初め、約200万件のAIとの会話を分析した。そこで初めて、拡張(Augmentation)——AIが人間の仕事を手伝う形——が52%となり、自動化(Automation)——タスクを丸ごと引き継ぐ形——の45%を上回った。置き換えるより、助手であることの方が多い。少なくとも今のところは。

当時 vs. 今——私自身の計算

ここからは具体的な話になる。まさにここが私の生きている場所だからだ。AIストア、ブログ——そこに載せる画像はどこかから来なければならない。そこで、広告用の従来型フォトシューティングが実際に何を必要とするのかを調べてみた。イメージではなく、実際の計算を。

まずは権利の話から始めよう。ほとんどの人が見落としている部分だからだ。画像を使用するには、ギャラに加えて「バイアウト」が上乗せされる——リーチと期間に応じた追加料金で、代理店の言葉を借りれば「longer period, higher buyout」だ。ライセンスは通常1〜5年間有効で、それ以降はその画像を使うことができなくなる。そして米国では、識別可能な人物一人ひとりについてモデルリリース(肖像使用許諾)が必要になる——これがなければ、有名人であろうとなかろうと、商用利用は単純に違法だ。

次に、現場にいる人たちだ。代理店はモデルから15〜20%の手数料を取り、さらに発注元にも追加料金を上乗せする。1日限りのファッション撮影でも、あっという間に積み上がっていく——カメラマン1,000〜3,500ドル(ニューヨークやLAなら3,000〜8,000ドル超も珍しくない)、モデル500〜3,000ドル、スタジオ300〜1,500ドル、ヘア&メイク400〜1,200ドル、スタイリスト400〜1,800ドル、加えて画像ごとのレタッチ料金。控えめな制作でも約2,600ドル、中規模で約12,700ドル、ハイエンドなら25,000〜100,000ドル——これが1日あたりの金額だ。そして撮影当日は、ある制作会社が素っ気なく言うように「the smallest part(最も小さな部分)」にすぎない。テレビCMの場合、プリプロダクションが全体の時間の40〜50%を占め、1本のCMには合計6〜10週間、キャンペーン全体では8〜12週間かかる。キャスティング、許可と保険を伴うロケハン、2人から200人規模のクルー、天候による予備日の確保。

印象に残る一例を挙げよう。あるセレブ担当のヘアスタイリストは、撮影2日間で12,000ドルを請求した——移動費も代理店手数料も抜きの、施術そのものだけの金額だ。髪だけで、それだけかかる。

では今は? まさにその結果——人物、光、場所、ムード——が、一つのプロンプトになる。数週間ではなく数秒で。バイアウトもなければ、期限切れになるライセンス契約もなく、天候の心配もない。このサイトとショップがその生きた実例だ。ここで見ている画像は、3年前だったら5桁の中盤に達する制作費と1カ月の準備期間を意味していたはずだ。これらの画像がどう作られているかはAIのページで紹介している——AIツールはその裏にある道具箱だ。

これは誰かの仕事を否定するために言っているのではない。優れたカメラマン、優れたスタイリスト——それは変わらず一つの技術だ。私がこれを言うのは、敷居が消えたからだ。かつては予算と人脈を必要としたものが、今では良いアイデアと的確な一文を必要とするだけになった。

落とし穴

これが宣伝文句だけで終わらないように、正直な部分も書いておく。行政機関はこうしたモデルをほとんど使っておらず、多くの企業も使っていない——データ保護上の理由からだ。そしてこれは愚かなことではなく、理にかなったことだ。機密データを他社のクラウドモデルに入力する人は、自分が手放してはいけないかもしれないコントロールを手放していることになる。役所、クリニック、法律事務所は、個人データを米国のプロバイダーに簡単に渡すわけにはいかない。

ただし、その答えは「まったく使わない」ではなく、「どうやってそこに辿り着くか」であるべきだ。2022年8月のStable Diffusionを思い出してほしい——あれは最初から、普通のハードウェア上でローカルに動作し、1バイトたりとも自分のマシンの外に出ることはなかった。まさにこの方向性——自分のマシン上や自社内で動くモデル——こそが、行政機関やデータに敏感な企業がコントロールを失わずに済む道だ。そのための技術は月を追うごとに向上し、小型化している。これを無視する者は、問題を解決するのではなく、先送りしているだけだ。

最後に

パターンはいつも同じだ。最初は「そんなことは絶対に無理だ」、次に「まあ、そうかもしれないが、大したことじゃない」、そしてそれが当たり前の日常になり、誰もそれを疑っていたことすら覚えていない。囲碁。翻訳。タンパク質の折りたたみ。画像、声、音声付きの動画。そして、そう、かつてのインターネットと、ただの「ネズミの毒」だと言われていた「デジタルマネー」も同じだった。

これがどこで終わるのか、私が知っていると言うつもりはない。誰にもわからないことだ。しかし、この3年半から得た一つの教訓だけは、あえて書いておきたい。それはほとんど誰もが思っているよりも早くやってくる——「絶対に無理だ」と言う賢い人たちが思っているよりも、なお早く。

だからこそ、このタイムラインをこれからも続けていく。昨日まで不可能だと言われていたことがまた一つ崩れるたびに、新しい項目を書き足していく。一緒に育っていきたいなら、たまに覗きに来てほしい——そして、ここに抜けているものを見つけたら、お問い合わせページから教えてほしい。このリストは完成していない。まだ始まったばかりだ。