AGIは「一人に一台」なのか——長期記憶と継続学習から考える、AIの提供形態

「AGIの実現には長期記憶と継続学習が前提だ」という見方があります。実際、Andrej Karpathy氏をはじめ複数の研究者が、継続学習の欠如をAGIへの主要な技術的障壁として挙げています。

では仮にそれが実現したとき、AIは個人・企業・団体ごとに「一体ずつ」配備されるのでしょうか。それとも記憶の部分だけが個別化され、本体は共有されるサービスとして提供されるのでしょうか。

結論から言えば、単一の勝者は存在しないというのが現時点での見立てです。ただし用途別の優劣にははっきりした傾向があり、それを決めるのは技術ではなく経済性と統制可能性です。以下、2025〜2026年の一次情報をもとに整理します。

本記事は未来予測を含みます。確立した専門家コンセンサスが存在しない領域のため、確認できる事実と筆者の推定を区別して記述しています。確率の数値は根拠に基づく推定であり、精密な予測ではありません。

1. 「記憶」を実装レイヤーに分解する

「長期記憶・継続学習」は単一の技術ではありません。コストが桁違いの層が積み重なったものです。この分解をしないと議論が噛み合いません。

層	代表的な実装	個別化コスト	消去・監査のしやすさ
対話文脈	コンテキストウィンドウ	ほぼゼロ	容易（セッション終了で消える）
外部知識	RAG、ベクトルDB、GraphRAG	低	容易（レコード単位で削除・出典提示可）
エージェント記憶	構造化メモリストア、時間的知識グラフ、階層要約	低〜中	容易（項目単位で閲覧・編集可）
適応層	LoRA／アダプタ等のPEFT	中	差分（リビジョン）単位で管理・ロールバック可
基盤重み	継続事前学習、全パラメータ更新	極大	ほぼ不可能（特定の事実だけ消せない）

重要なのは、最下層以外はすべて共有基盤モデルの上で個別化できるという点です。ここが答えの分岐点になります。

2. 経済性が「共有基盤＋個別アダプタ」を強く押す

推論経済の肝はマルチテナントでのバッチング効率です。テナントごとに重みが違えばGPUメモリに重みが張り付き、稼働率が崩壊します。だから素朴には「完全個別化＝経済的に不利」となります。

ところが2023年のS-LoRA以降、共有ベース重み＋小さなアダプタ差分を多数同時にサービングする技術が急速に成熟しました。2026年5月に公開されたMinT（Mind Lab）は、1Tパラメータ超の共有ベースモデル上でLoRAアダプタのライフサイクル（学習・エクスポート・評価・配信・ロールバック）を管理する基盤です。rank-1設定ではアダプタはベースモデルの1%未満に収まります。

ただし規模の解釈には注意が必要です。100万件のアダプタ・リビジョンを扱えるとされていますが、論文自身が「100万のアダプタが同時に常駐・稼働することを意味しない」と明記しています。実測は単一エンジンで10万規模までのスイープであり、100万リビジョンについては「構築・命名・監査し、限定された常駐ワーキングセットを通じて選択的に配信できる」ことを示したものです。またMinTは商用ベンダーによる論文であり、査読を経ていません。

より本記事の主題に近いのが、同チームが2026年6月に出した姉妹論文「On the Scaling of PEFT: Towards Million Personal Models of Trillion Parameters」です。ここではPEFTを「安価な代替手段」ではなく、共有基盤モデルの上に載る永続的なローカル状態として位置づけ直しています。アダプタが担うのは、嗜好・スキル・ツールの使い癖・記憶的な更新といった、まさに個体差にあたる情報です。

論文が使っている比喩は的確です。ヒトゲノムは99%以上が共有され、個体差は1%未満。同じように、99%以上を共有する基盤モデルと1%未満のアダプタで、何百万もの永続的な「個人モデル」が成立しうる——という構図です。

ただしこの論文の著者自身も、現段階は「実戦投入された商用規模の展開ではなく、まとまった研究青写真である」と率直に認めています。数百万の同時アクティブユーザーを実トラフィックで捌けば、ネットワークとコールドスタート遅延のボトルネックが必ず顔を出します。

3. 継続学習そのものの現在地

では、重みを直接更新し続ける本命の継続学習はどこまで来ているのか。

Google Researchは2024年末にTitansを、2025年11月にNeurIPS 2025でNested Learningを発表しました。後者はモデルを「入れ子になった多層の最適化問題群」として捉え直すもので、アーキテクチャと学習アルゴリズムを同じものの異なるレベルとみなす発想です。実証アーキテクチャHopeは、Titansの自己修正型の変種で、更新頻度の異なるモジュール群からなる連続体メモリシステム（CMS）を備えます。

もっとも、過大評価は禁物です。Google自身の表現は「破滅的忘却のような問題の解決に資する」であり、著者らは継続学習を解決したとは主張していません。Hopeの実験結果も、長文脈推論や記憶集約型タスクで「控えめだが有望」という水準にとどまります。大規模実運用で忘却が克服されたわけではなく、現時点では概念実証と理解しておくべきです。

より根本的な立場もあります。2024年チューリング賞受賞者のRichard Sutton氏は2026年7月、John Carmack氏のKeen Technologiesを離れ、トロントにOak Labを設立しました。現在の深層学習手法を「弱く非効率で、小手先の調整ではなく根本的に新しい発想と全面的な作り直しが必要」と断じ、データを保存・再生することなく実時間で学習し続けるエージェントを目指すとしています。長期目標は、1兆パラメータのエージェントを20ワットで実時間学習・計画させること。

ただしOak Labは基礎研究段階で、製品も公表された資金調達額もロードマップもありません。ここは「有力な異論が存在する」という理解にとどめるのが妥当でしょう。

4. 市場はどちらに動いているか

興味深いことに、実際の製品動向は「重みを個別化する」方向から明確に離れています。

OpenAIはfine-tuning APIを畳んでいます。公式のDeprecationsページによれば、2026年5月7日にセルフサービス型fine-tuningプラットフォームの提供縮小を通知。同年7月2日に制限が強化され、2027年1月6日には既存の稼働中顧客も新規の学習ジョブを作成できなくなります。学習済みモデルでの推論は、ベースモデルが廃止されるまでは継続します。直接の代替サービスは発表されていません。

背景としてOpenAIは、新しいベースモデルが指示やフォーマットの遵守にはるかに優れており、fine-tuningの必要性が下がったと説明しています。オープンウェイトモデル側ではLoRA／QLoRAは健在で、Google Vertex AIやAmazon Bedrock経由のマネージドfine-tuningも継続しています。つまり「fine-tuningの終わり」ではなく、最大手APIにおける重み個別化からの撤退と読むのが正確です。

その一方で記憶機能への投資は加速しています。OpenAIは2026年6月4日、"Dreaming V3" と呼ばれる新メモリアーキテクチャの展開を開始しました。手動で保存するメモリ一覧を廃し、過去の会話全体を読み込んで背景プロセスがユーザー像を合成・更新し続ける仕組みです。時間経過も追跡し、「7月にシンガポールに行く予定」という記憶を、旅行終了後に「2026年7月にシンガポールへ行った」と自動で書き換えます。

OpenAI社内評価（自社ベンチマーク）	2024年版	2025年版	2026年版
事実の想起	41.5%	67.9%	82.8%
嗜好・制約の遵守	31.4%	55.3%	71.3%
時間経過後の正確さ	9.4%	52.2%	75.1%

これらはすべてOpenAIの自社評価であり、方法論やデータセットは公開されていません。独立検証も済んでいないため、方向性のシグナルとして読むべき数字です。とはいえ「時間経過後の正確さ」が9.4%から75.1%へ動いたという主張は、従来の記憶機能が構造的に陳腐化していたことの率直な自認でもあります。配信コストも約5分の1になり、無料プランへの展開が可能になったとされています。

Anthropicのアプローチは対照的です。2025年9月11日にTeam／Enterpriseプラン向けにメモリ機能を提供開始、10月23日にPro／Maxへ、2026年3月2日には無料プランにも拡大しました。特徴はプロジェクト単位で記憶を分離することと、明示的なオプトイン設計、そして記憶をプロジェクト単位でダウンロードしてChatGPTやGeminiへ移せる点です（インポートは実験的機能）。相互運用性を初期から意識した設計と言えます。

専業の記憶レイヤーも市場を形成しました。Mem0は2025年10月28日に総額2400万ドル（シード390万ドル＋シリーズA 2000万ドル）の調達を発表。API呼び出しは2025年Q1の3500万件からQ3には1億8600万件へ伸び、AWSは自社Agent SDKの排他的メモリプロバイダとしてMem0を採用しました。共同創業者のTaranjeet Singh氏は、大手AIラボが記憶システムを構築する動機は持っていても、それを可搬・相互運用可能にする動機はほとんど持っていないと指摘しています。この指摘は後述のロックイン論点に直結します。

5. 実務上は「重みに焼かない」ことが要件になる

技術的に継続学習が可能になったとしても、企業システムとしては別の力学が働きます。記憶をパラメータに焼き込むと、以下の性質が付いてきます。

• 消せない——削除権への対応、退職者データの扱い、誤情報混入時のロールバックが原理的に困難
• 監査できない——なぜその出力になったかの説明責任、根拠文書の提示ができない
• 再現できない——「いつの個体か」で挙動が変わり、受け入れテストの前提が崩れる
• 壊れうる——破滅的忘却、テナント固有データによる汎用性能の劣化

規制産業ほど「記憶は外部化・構造化して、参照可能かつ削除可能な形で持つ」ことが要件そのものになります。この観点は決して枝葉ではありません。Lenovo／IDCのCIO Playbook 2026によれば、AI導入の後期段階にある組織が60%に達する一方、包括的なAIガバナンス枠組みを持つ組織は27%にとどまります。統制の整備が能力の展開に追いついていない状況で、監査不能なアーキテクチャを選ぶ判断は取りにくいはずです。

6. それでも完全個別配備が残る領域

経済性と統制可能性が共有基盤を押す一方、逆向きの力も明確に存在します。

• データ主権・機密性——防衛、政府、金融、医療。学習データを外に出せない
• 学習データ自体が競争優位——製造ノウハウ、独自プロセス。共有基盤に還流させたくない
• 物理制約——オフライン環境、レイテンシ要件

日本のソブリンAIの取り組みは、まさにこの層に位置します。デジタル庁のガバメントAI「源内」は2026年4月24日、Webインターフェース部分のソースコードと一部AIアプリの開発テンプレートを、商用利用可能なライセンス（ソフトウェアはMIT中心、ドキュメントはCC BY 4.0）でGitHubに公開しました。全府省庁の約18万人を対象とした大規模実証は2026年5月28日に開始されています。国産・海外を含む複数のLLMを切り替えて利用できる構成で、tsuzumi 2やPLaMo 2.0 Primeなどが採用されています。

江戸時代の発明家・平賀源内に由来する命名は象徴的で、この設計はベンダーロックインを構造から断つことを明確な目的としています。自治体が同じ基盤を再利用でき、重複開発を避けられる。国レベルで「個別配備しつつロックインは避ける」という解を志向していると読めます。

計算基盤側では、産総研のABCI 3.0が2025年1月に本格提供を開始しています。NVIDIA H200を6,128基（766ノード）搭載し、ピーク性能は半精度で6.2エクサフロップス。整備は日本ヒューレット・パッカードが348.7億円で落札しました。これは経済産業省による約1,566億円規模の計算基盤整備イニシアチブの一部です。

7. 6つの実装パターンと見立て

ここまでを踏まえ、想定される提供形態を6つに整理します。確率はいずれも筆者の推定であり、精密な予測ではありません。

パターン	技術的実現性	経済性	主戦場と見立て（推定）
(a) 完全個別配備 組織ごとに専用インスタンス	実現済み。蒸留した中小規模モデルなら単一GPU級でも運用可能	バッチング効率を放棄するため汎用用途では不利	政府・防衛で支配的（60〜70%）／規制産業で中（30〜40%）／消費者向けは10%未満
(b) 共有基盤＋外部記憶のみ RAG／メモリストア	実現済み・製品化済み	最も安価。削除権・監査要件との相性も最良	消費者向けで支配的（50〜60%）／一般企業SaaSでも同程度
(c) 共有基盤＋軽量アダプタ＋外部記憶	S-LoRA〜MinTで実証段階。1T級ベース上でも成立	共有ベースを崩さないため成立。ただし運用複雑度は上がる	中堅〜大企業で有力（40〜50%）。オープンウェイト側で拡大中
(d) 階層モデル 基盤＋業界層＋組織層＋個人層	階層型アダプタの研究が進行中。統合設計は未成熟	共有度が高く効率的だが、層間の責任分界が難所	規制産業・業界コンソーシアムで中（30〜40%）
(e) ハイブリッド／フェデレーテッド	実現済み。オンプレ＋クラウド併用が既に商用化	主権とスケール経済の折衷。運用コストは高め	規制産業・多国籍企業で有力（40%前後）
(f) 自律継続学習による「個体化」	研究段階。Nested LearningやOaKアーキテクチャが挑戦中	未知。成立すれば経済構造そのものが変わる	2030年代前半までの一般化は限定的（20%未満）

8. 時間軸で見た変化

短中期（今後2〜5年）

パターン(b)と(c)が主流を形成します。すでに製品化されている記憶機能、RAG、メモリレイヤーが積み上がり、RAGはGraphRAGやエージェンティックRAGへ進化して「知識ランタイム」化していきます。重み個別化は最大手APIから後退し、オープンウェイト＋LoRAという別ルートに移動します。この局面での競争軸は、モデルの賢さより記憶の運用品質——鮮度、削除可能性、監査可能性——になるはずです。

長期（5〜15年以降）

継続学習が実用水準に達した場合、論点は「個体化」に移ります。同じベンダーの同じモデルでも、育て方によって組織間に能力差が出る。すると「引き継ぎ」「配置転換」「離職に相当する喪失」といった、人材マネジメントとほぼ同型の概念が発生します。AIが費用ではなく資産として扱われ、減価償却ではなく育成投資として語られるようになるでしょう。

SIerやシステムインテグレータのビジネスモデルへの影響も大きく、重心は「導入」から「育成・運用」へ移ります。ただしここは筆者の推論であり、現時点で確立した業界データがあるわけではありません。

9. 次の主戦場は「記憶のポータビリティ」

この構成が現実的だとすると、避けて通れない論点が浮上します。

基盤モデルは数か月で世代交代しますが、蓄積された組織記憶は資産です。モデルを乗り換えたとき、その記憶を持ち出せるのか。フォーマットは標準化されるのか。前述のMem0創業者の指摘——大手ラボに記憶を可搬にする動機はない——は、この問題の本質を突いています。

現状、MCP（Model Context Protocol）はツールアクセスを標準化しましたが、記憶の永続化と移転は明示的に扱っていません。Anthropicがプロジェクト単位の記憶ダウンロードと他サービスへの移行を実験的に提供しているのは、この空白に対する数少ない具体的な動きです。

調達の観点で言えば、記憶を重みに焼くアーキテクチャは「乗り換え不能な状態」を意味します。RFPで問うべきは「学習できるか」ではなく「学習させたものを取り出せるか、消せるか、説明できるか」でしょう。

まとめ

「AGIは個人や組織ごとに配備されるのか」という問いに対する現時点の答えは、用途によって異なり、当面は共有基盤＋個別記憶が優勢です。

興味深いのは、その理由が技術的可能性ではないことです。PEFTの研究は「1%未満のアダプタで数百万の個人モデルを成立させる」という方向を示し、継続学習の研究も着実に前進しています。それでも産業実装が外部記憶に寄るのは、統制可能性という要件が技術的可能性より先に効くからです。消せること、説明できること、再現できること。これらは規制産業では機能要件そのものです。

ただしこの前提は、経験からの重み更新こそがAGIの本質であり外部記憶では代替不能だと判明すれば崩れます。Sutton氏のような有力な異論は現に存在します。その場合、私たちは組織ごとに「個体」を育てる世界に入り、AIの調達は採用に、運用は育成に、乗り換えは離職に似た問題になるでしょう。

どちらに転ぶかは未解決の実証問題です。当面の実務的な指針としては、記憶を取り出せる形で持っておくこと——これに尽きるように思います。