棋譜なしで自ら学習したAlphaGo Zero。白紙の状態からわずか3日でAlphaGoを100対0で圧倒。2017年、ロンドンのキングスクロスにあるDeepMind本社。デビッド・シルバーのモニターには、奇妙な静寂が流れていました。わずか1年前、ソウルで李世ドル九段と世紀の一戦を繰り広げた「AlphaGo Lee」は、数十万枚もの人間の棋譜を飲み込んで成長した巨大な知性でした。しかし今、シルバーとハサビスが見つめている新しいバージョン、「AlphaGo Zero」の出発点は、徹底的な「無」でした。

彼らに人間の助けは必要ありませんでした。それどころか、人間の知識が人工知能の限界を規定してしまう不純物になり得るという、大胆な仮説を立てたのです。ハサビスはこのプロジェクトを承認する際、研究チームに対し、単なるデータ一つたりとも入力してはならないと指示しました。

AlphaGo Zeroに与えられたのは、碁盤の大きさという最も基礎的なルールと、勝利条件だけでした。それは、生まれてから一度も囲碁を見たことがない幼い子供が、碁盤の前に座ったのと同じような状態でした。最初の一手が置かれました。

その手は、あまりに無秩序でした。意味のない場所に石を置き、自ら地を作っては崩していく。初期段階のAlphaGo Zeroは、囲碁の初心者にも及ばない実力を見せていました。

ランダムに石を置き、勝敗さえ見当もつかないこの不完全なニューラルネットワークが、果たして人類最強の棋士を打ち破った先代モデルを超えられるのか、疑念を抱いても不思議ではありませんでした。しかし、学習が始まって3時間が経過した頃、驚くべき変化が感知されました。ランダムに石を置いていたシステムが、次第に石を繋げる方法を理解し始めたのです。

人間が数千年の歳月をかけて確立してきた定石の基礎を、自ら発見したのです。36時間が経過した頃、状況は一変しました。AlphaGo Zeroが、イ・セドル九段を4対1で破ったあのバージョンの実力を超えつつあったからです。人間の知識を全く学んでいな

いにもかかわらず、ただ自分自身との戦いのみを通じて、人類の頂点を突破してしまったのです。最も衝撃的な結果は、学習開始から72時間、すなわち3日後に現れました。DeepMindの研究チームは、3日間学習したAlphaGo Zeroと、イ・セドル版を対戦させました。

結果は、残酷なほど一方的なものでした。100対0。一局たりとも譲りませんでした。それどころか、AlphaGo Zeroは、イ・セドル九段との対局のために数ヶ月間学習とチューニングを重ねてきた旧バージョンよりも、はるかに少ないコンピューティングパワーを使用していました。

旧バージョンが48個のTPUを使用して分散処理を行っていたのに対し、AlphaGo Zeroはわずか4個のTPUのみで動作していました。より少ないリソースで、より短い時間で、人間のデータを一切使わずに完璧な勝利を収めたのです。この出来事は、まさに「知能の独立宣言」とも言えるものでした。

これまでの人工知能は、人間が作り上げたデータのパターンを模倣するレベルにとどまっていました。ChatGPTのような言語モデルも、結局はインターネット上のテキストを学習します。しかし、AlphaGo Zeroは、人間の経験世界の枠組みを超えて飛び出したのです。

ハサビスはこれについて、「私たちは人類の知識の限界に閉じ込められていた」と回想しています。人間の棋譜を学習させるということは、人間が犯すミスや偏見までも学習させてしまうことを意味していました。人間のデータを排除することで、AlphaGo Zeroは人間が到達できなかった真理、あるいは「囲碁の神」が打つ手へと、より近づくことができたのです。

3日間という時間は、象徴的なものでした。人類が囲碁というゲームを発明してから3000年もの間、築き上げてきた知恵の塔を、シリコンチップの中のアルゴリズムはわずか72時間で再構築し、超越してしまったのです。これは、ハサビスが夢見るAGI（汎用人工知能）への道のりにおける、重要な節目となりました。

人間のデータが不足している、あるいは全く存在しない領域、例えば新素材の発見や難病の原因となるタンパク質構造の解明といった分野においても、AIが自ら解決策を見出せる可能性を証明したからです。「100対0」というスコアボードは、知能のパラダイムが「模倣」から「発見」へと転換したことを告げる号砲でした。自己対局（Self-play）のみで超人的なレベルに到達することの意味。AlphaGo Zeroの成果を説明する核心的なキーワードは、「自己対局（Self-play）」です。

それは、孤独な修行者が鏡に映る自分自身と、絶え間なく剣を交える過程に例えることができます。従来の機械学習の手法である

教師あり学習（Supervised Learning）は、教師が学生に正解を教える方式でした。「この状況では、ここに打つのが良い」と、人間の達人の棋譜が教えてくれるようなものです。しかし、自己対局は異なります。教師も、教科書も存在しないのです。

ただ「勝利」という目標だけが存在します。強化学習（Reinforcement Learning）の真髄を示すこのプロセスは、残酷なほどにシンプルです。AのAlphaGoが黒石を握り、複製されたBのAlphaGoが白石を握ります。両者は激しく戦います。勝敗が決まると、勝った側の戦略は強化され、負けた側の戦略は修正されます。

少し賢くなったAlphaGoは、再び自分自身と対局を行います。このプロセスが数百万回、数千万回と繰り返されます。昨日の自分に勝った今日の自分、そしてその自分に勝とうとする明日の自分が絶え間なく競い合い、螺旋を描くように実力を引き上げていくのです。この手法が持つ哲学的な意味は、非常に深遠です。

ハサビスはこれを「タブラ・ラサ（Tabula Rasa）」、すなわち「白紙」の状態からの学習と呼びました。ジョン・ロックが「人間の心は生まれたときは白紙のようなものである」と主張したように、AlphaGo Zeroも白紙の状態から出発しました。これにより、AIは人間の慣習や固定観念に縛られることなく、独創的な戦略を構築することが可能になったのです。

AlphaGo Zeroは、学習の過程で人間が「定石」だと信じていた手を発見することもありましたが、一定のレベルを超えると、それらの定石を破棄し、全く新しい手を打ち始めました。人間が数千年にわたって「それは悪手だ」と定義してきた手が、実はより高次元の妙手であったことを証明したのです。技術的な観点から見ると、AlphaGo Zeroは2つのニューラルネットワークを1つに統合するという革新を成し遂げました。

以前のバージョンでは、次の一手を予測する「方策ネットワーク（Policy Network）」と、現在の局面を読み解く「価値ネットワーク（Value Network）」を個別に訓練していました。しかし、AlphaGo Zeroはこれら2つを一つの巨大なニューラルネットワークへと統合しました。これは、直感と読みが分離することなく同時に行われる、人間の達人の脳の働きに似ています。

一度の思考プロセスで、どこに打つべきか、そして自分がどれほど有利であるかを同時に判断することで、効率を最大限に高めました。

モンテカルロ木探索（MCTS）という探索アルゴリズムも、ニューラルネットワークとより密接に結合されました。以前は、膨大な数のランダムなシミュレーションを行うことが重要でしたが、AlphaGo Zeroはニューラルネットワークの直感が極めて優れているため、最後まで打ち進めなくても勝敗を予測することができました。これは、人間の棋士が「一目見ただけで、ここが急所だ」と感じる感覚を、数学的に具現化したも同然でした。

自己対局を通じて超人的なレベルに到達したことは、単に囲碁が上手な機械が登場したという以上の衝撃を科学界に与えました。それはまるで「データの終焉」を予兆しているかのようでした。ビッグデータ時代において、データは「石油」に例えられると言われてきました。

GoogleやFacebookのような企業がデータを独占することこそが権力であると、人々は信じていました。しかし、AlphaGo Zeroは、データが存在しない場所でも知能が爆発的に進化し得ることを示しました。ルールさえ明確であれば、AIは自らデータを生成し、そのデータを用いて自らを学習させることで、人間を超越することができるのです。

これは、新薬の開発や核融合の制御といった、究極的に解決すべき科学的課題に対する希望のメッセージでした。これらの分野では、良質なデータが不足していたり、実験コストが非常に高価であったりします。もしAIが仮想環境における自己シミュレーションのみで、最適な分子構造やプラズマ制御の手法を見つけ出すことができれば、科学の発展速度は指数関数的に加速するからです。結局のところ、AlphaGo Zeroの自己対局は碁盤の上で起きた出来事ではありましたが、その響きは実験室や研究所の枠を超え、人類の知性の拡張の可能性を模索する巨大な実験でもあったのです。

AlphaZero：単一のシステムで多領域をマスター。2017年末、ディープマインドの研究室は、再び静かな興奮に包まれていました。AlphaGo Zeroが囲碁を制した直後、ハサビスとデビッド・シルバーは根本的な問いを投げかけました。「このアルゴリズムは、囲碁に特化しすぎているのではないか？」もしそうであれば、それは真の意味での知能とは言えませんでした。

真の知能は、汎用性（Generality）を備えていなければなりません。単一の原理で、さまざまな問題を解決できなければならないのです。彼らはAlphaGo Zeroのアルキズムから、「囲碁」という特殊性を削ぎ落とし始めました。

碁盤の回転対称性や、囲碁特有のルールをコードから削除していきました。そして、その空白に、より抽象的で一般的な学習構造を詰め込んだのです。こうして誕生したのが、まさに「AlphaZero」でした。

今回の挑戦対象は、ボードゲームの三強と呼ばれる囲碁、チェス、そして日本将棋でした。これら三つのゲームは、性質が全く異なります。囲碁は石を置くゲームであり、チェスと将棋は駒を動かすゲームです。また、将棋は取った駒を再利用できるため、局面の複雑さはチェスよりも膨大です。

かつてのAIは、それぞれのゲームに合わせた個別のチューニングとアルゴリズムを必要としていました。チェスエンジンにはチェス特有の知識が、囲碁プログラムには囲碁の地計算の手法が組み込まれていなければなりませんでした。しかし、AlphaZeroは、たった一つのアルゴリズム、たった一つのニューラルネットワーク構造ですべてのゲームを攻略すると宣言したのです。

実験が始まりました。その結果は、驚異を超えて恐怖を感じさせるほどでした。AlphaGo Zeroは、白紙の状態から学習を開始してわずか4時間で、当時の世界最強のチェスエンジンであった「Stockfish」を凌駕したのです。

Stockfishは、数十年にわたり人間の開発者たちがチェスのあらゆる知識をコードへと精緻に落とし込み作り上げた、文字通りの「チェス機械」でした。毎秒7,000万手もの局面を計算するStockfishに対し、AlphaZeroは毎秒わずか8万手の計算しか行っていなかったにもかかわらず、勝利を収めました。それは、力任せの計算力（Brute-force）ではなく、直感と戦略的な判断力によって圧倒したのです。

将棋においても同様でした。世界チャンピオンプログラムである「Elmo」をわずか2時間で制しました。囲碁においては、前作であるAlphaGo Zeroを8時間で追い抜いたのです。

24時間も経たないうちに、人類が作り出した最も複雑な3つのボードゲームが、たった一つのアルゴリズムによって征服されました。これは人工知能の歴史において、最も重要な瞬間の一つとして記録されるべき出来事でした。なぜなら、特定の課題に合わせて人間が手作業で特徴量を設計（Feature Engineering）しなくても、AIが汎用的な学習能力のみによって、その領域の最高手に到達できることを証明したからです。

「しかし、AlphaGo Zeroはまるで宇宙人が打っているかのように創造的で、時にはロマンチックですらあります」

AlphaGo Zeroは、駒の価値を重視する従来のエンジンとは異なり、長期的な形勢の優位のために駒を果敢に犠牲にするプレイを見せました。これは人間の直感と機械の精密さが結びついた、あるいはその両方を超越した、新しい形態の知能でした。AlphaGo Zeroは単にゲームに勝ったのではなく、ゲームの『やり方』を書き換えたのです。

AGI（汎用人工知能）のためのテストベッド（Test-bed）でした。世界はAlphaGoとAlphaGo Zeroの勝利に歓喜しましたが、デミス・ハサビスの視線は碁盤の向こう側へと向けられていました。メディアのインタビューや講演において、彼は飽きられるほど繰り返しこう語りました。

「私たちの目標は、ゲームが上手なAIを作ることではありません。ゲームはあくまでテストベッドに過ぎないのです」。この言葉は、DeepMindのアイデンティティを最もよく表している一文です。なぜ、あえてゲームだったのでしょうか。ハサビスにとって、ゲームは現実世界の縮図であり、最も安全で効率的な実験室だったのです。

現実世界はあまりにも複雑で、ノイズが多すぎます。結果を測定することは難しく、実験を無限に繰り返すこともできません。ロボットを学習させるために現実の世界で転ばせれば、ロボットは壊れてしまいます。気候モデルをテストするために、地球を壊すわけにはいかないのです。

ゲームはルールが明確で、勝敗という目標がはっきりしており、何よりも仮想空間において無限に高速なシミュレーションが可能です。ハサビスは、幼少期にチェスのチャンピオンであり、ビデオゲームの開発者でもあった自身の経験を通じて、ゲームが知能を測定し訓練するための最適な道具であることを本能的に理解していました。AlphaZeroは、この「検証台」という理論を完璧に証明したのです。

囲碁、チェス、将棋は、それぞれ異なるルールを持つ複雑なシステムです。もし一つのアルゴリズムが、これら異なるシステムをすべて解釈し、最適な解を見つけ出すことができるならば、そのアルゴリズムはゲーム以外の複雑なシステムにも応用できるはずです。これこそが、AGI（汎用人工知能）へと至る核心的な鍵なのです。

ハサビスは、AlphaZeroが示した「汎用的な学習能力」が、タンパク質の構造予測（Protein Folding）や新素材の発見といった科学的な難問にも、そのまま適用できると確信していました。AlphaZeroプロジェクトが成功裏に終了した後、DeepMindの主要なメンバーたちは、大規模に科学プロジェクトへと移っていきました。

碁盤のパターンを読み解いていたニューラルネットワークは、今やアミノ酸の配列を読み解き始めました。チェスの駒の動きを予測していた探索アルゴリズムは、タンパク質が三次元空間でどのように折り畳まれるかをシミュレーションするために使用されました。AlphaGoやAlphaZeroがなければ、ノーベル賞をもたらした「AlphaFold」の誕生は不可能だったでしょう。ゲームで蓄積された強化学習とモンテカルロ木探索の技術、そして何よりも「人間の知識がなくても可能である」という自信が、科学分野へと継承されたのです。

多くの人々がAlphaGoを「囲碁を打つ機械」として記憶している一方で、ハサビスはそれを「汎用的な問題解決機械」のプロトタイプとして捉えていました。彼はDeepMindのミッションを「知能を解く（Solve Intelligence）」と定義し、AlphaZeroはそのミッションの第一段階である「汎用アルゴリズム」が可能であることを、数学的、そして経験的に証明してみせました。ゲームは終わったのです。

しかし、そのゲームを通じて鍛えられた知能は、いまや現実世界の真の課題に立ち向かうべく、実験室の外へと歩み出そうとしていました。MuZero（ミュゼロ）：ルールさえも自ら学習し、AI環境モデルを自律的に構築する、計画に基づいた学習。AlphaGo ZeroやAlphaZeroは驚くべき成果を上げましたが、依然として致命的な限界がありました。それは、あらかじめ「ルールを知っている」という前提があったことです。囲碁、チェス、将棋といったゲームには、ルールが完璧に定義されています。

どこに石を置けるのか、駒はどう動くのかといった情報を、あらかじめAIに伝えていました。これは「完全情報ゲーム（Perfect Information Game）」と呼ばれます。しかし、ハサビスが見据える現実世界は異なります。私たちは人生において、ルール説明書を受け取ることはありません。

株式市場の変動、天候の変化、人間関係の力学などには、明確なルールブックが存在しません。ルールを知らない状態でも学習し、計画を立てられることこそが、真のAGI（汎用人工知能）の姿です。2019年、DeepMindはこの難題を解決するために「MuZero」を世に送り出しました。

MuZeroの最大の特徴は、ゲームのルールさえも教えないという点にあります。盤面は見せますが、石をどのように置くべきか、どうすれば勝てるのか、さらにはこれが囲碁なのかチェスなのかさえも教えません。MuZeroは、画面に映し出されるピクセル（Pixel）情報のみから、世界の仕組みを自ら悟らなければなりませんでした。

これが可能となった理由は、MuZeroが「モデルベース強化学習（Model-Based Reinforcement Learning）」の新たな地平を切り拓いたからです。従来のAIは、目の前の画面を見て即座に行動を決定していました。しかし、MuZeroは人間のように「想像」を行うのです。

人間が未知の場所に足を踏み入れたとき、すべての物理法則を計算するわけではありません。代わりに、「こちらへ進めば道があるだろう」「雨が降れば地面は滑りやすくなるだろう」といった、頭の中の簡略化されたモデルを動かしてみます。MuZeroも同様です。環境のあらゆる複雑な情報を処理する代わりに、意思決定に必要な核心的な要素だけを抽象化し、独自の「内部モデル（Internal Model）」を作り上げます。この内部モデルの中で、MuZeroは自らに三つの問いを投げかけ、答えています。

第一に、「現在の状態はどうなっているか？」（State）。第二に、「自分がどのような行動をとれば、状態はどう変化するか？」（Dynamics）。第三に、「その状態は自分にとってどれほど価値があるか？」（Value）です。驚くべき点は、MuZeroが学習したこの内部モデルが、実際のゲームのルールと正確に一致している必要はないということです。例えば、Atariのゲームをプレイする際、背景の雲がどのように動くかはスコアとは関係ありません。MuZeroは、スコアを得るために重要な「キャラクターの位置」や「障害物」といった情報だけに集中し、それ以外は無視します。

これは、人間が世界を認識する際に不要な情報を削ぎ落とすプロセスと同じです。このように自らルールを学習したMuZeroは、囲碁、チェス、将棋だけでなく、57種類のAtariビデオゲームにおいても超人的な性能を発揮しました。特に、戦略的な計画を要するボードゲームと、視覚的な反応が重要なビデオゲームの両方を、単一のアルゴリズムで制覇したことは衝撃的でした。

それまでは、「計画（Planning）」に長けたアルゴリズム（AlphaGo系）と、「反応（Reacting）」に長けたアルゴリズム（DQN系）が分かれていましたが、MuZeroはこれら二つを統合したのです。ルールを知らない混沌とした状況の中でも秩序を見出し、未来をシミュレーションする能力。これこそが、野生の環境で生き残るために必要な知能の本質に、最も近い形でした。

Nature誌への論文発表と汎用学習の新たな地平。2020年12月、世界的な科学誌『Nature』にMuZeroに関する論文が掲載されました。タイトルは『Mastering Atari, Go, Chess and Shogi by Planning with a Learned Model』。この論文は、AI研究者の間で「強化学習の聖杯（Holy Grail）を見つけた」と評されました。この論文が持つ意味は、AIが「現実世界（Real World）」に適用可能な、最も強力なツールになったことを宣言した点にあります。

ハサビスは常に「現実はゲームよりもはるかに複雑（messy）である」と語ってきました。YouTubeの動画圧縮アルゴリズムを最適化する問題や、自動運転車が複雑な交差点を通過する問題には、囲碁のような明確なルールが存在しません。刻一刻と変化する環境の中で、ルールを推論し、その中での最善の経路を計画しなければならないのです。

MuZeroは、まさにこの点において真価を発揮しました。GoogleはMuZeroのアルゴリズムをYouTubeの動画配信システムに適用しました。ネットワーク状況が不安定な現実のインターネット環境において、MuZeroはルールを事前に学習することなく、自律的にトラフィックを最適化することで、動画画質の向上とバッファリングの削減に成功しました。

これは、ゲームのために開発されたAIが、実際の産業現場における不確実性を制御するために活用された、最初の大規模な事例の一つでした。MuZeroは「表現学習（Representation Learning）」の進化を示しました。人間がリンゴを見たとき、その分子構造を見るのではなく「赤くて丸い果実」という概念として認識するように、MuZeroも入力されたデータ（ピクセル）をそのまま使うのではなく、意思決定に有用な「潜在状態（Hidden State）」へと変換して保存したのです。

これは、AIが人間のように抽象的な思考を行うための足がかりを築いたと評価されています。ハサビスにとってMuZeroは、AlphaGoシリーズの完成形であり、新たな始まりでもありました。AlphaGoが「直感」を示し、AlphaGo Zeroが「独創性」を示し、AlphaZeroが「汎用性」を示したとするならば、MuZeroは「適応性」を示したのです。

いかなる未知の環境に置かれても、自らルールを学習し、生き残り、目標を達成するAI。これは、DeepMindが追求してきた「知能を解き明かす」というミッションにおいて、「知能の核心的なメカニズム」を解明した瞬間でした。MuZeroの成功は、DeepMindの歩みに大きな自信を与えました。そして今、タンパク質構造の予測、気候変動の予測、核融合の制御、さらには数学的な難問の解決に至るまで。ルールさえ分からな

い未知の領域、すなわち「自然（Nature）」という巨大なゲーム盤へと進む準備が整ったのです。MuZeroは「ゲームオーバー（Game Over）」ではなく、「サイエンス・スタート（Science Start）」を告げる号砲でした。そして、その道の先には、202なる2024年のノーベル賞という栄誉が待ち受けていました。AIとチェス、AlphaZeroの世界