WAIC2026では、大規模モデルと生成型AIのカテゴリには130社の出展者がおり、そのうち83社がAIエージェントまたはスマートアプリケーションを主要なタグとしている。基礎的な大規模モデル企業はわずか18社にとどまっている。モデルの発表は減り、エージェントのデモは増えている。業界の議論の焦点は、「モデルがどれだけ賢いか」から「実際にどれだけの価値を生み出せるか」へと移行している。AI競争の基本単位は、「一つのモデル」から「一連のシステム」へと変化している。

01      モデルから体系へ：AGIの組織的目標とAIの核心的な発展要素

2026年、世界の人工知能産業は微妙で重要な分岐点に立っている。モデルの能力は継続的に突破され、エージェントは実体の場面に急速に導入されている。企業のAI戦略も、散発的な探求から統合されたシステムへと移行している。同時に、AGI（汎用人工知能）に関する議論も、「実現可能かどうか」から「どのように実現するか」へと移行し、より重要なのは「どの組織が実現できるか」である。

現在の研究開発組織にとって、これは選択肢ではなく、生存の問題だ。

AGIを組織の目標とする：ビジョンの共鳴から戦略の軸へ

AGIは単なる質問応答ツールではなく、複雑な目標を理解し、タスクを分解し、ツールを呼び出し、継続的に学習し、科研、工学、金融、製造、社会管理などの高次の仕事を担う知能システムである。OpenAI、Anthropic、Google DeepMindなど、世界的なAIリーダー企業はすべてAGIをAI発展の最終目標として位置づけている。

しかし、2026年に最も顕著な変化は、AGIが一部の先端研究室の「詩と遠い夢」ではなく、ますます多くの研究開発組織の中心的な戦略軸になっていることだ。

今年7月、DeepSeekの創業者梁文峰は4時間に及ぶ閉門での交流の中で、同社のAGIロードマップを体系的に説明した。それは6段階の進化的構造：言語モデル→思考チェーン（CoT）→エージェント→継続的な学習→自己反復（奇点）→身体知能である。梁文峰は「エージェントはCoTを使うべきであり、その逆も同様であるため、一度も無駄なステップはない」と強調した。

これらのシグナルは、AGIが一時的なジャンプではなく、必須の段階的な技術進化の道であるという共通認識を示している。

さらに重要なのは、AGIが組織の意思決定における「第一原理」になりつつあるということだ。DeepSeekは典型的なビジョン駆動型組織であり、組織の運営、技術の選択、商業的な意思決定がすべてAGI開発の共識に基づいて進められ、長期的な目標によって核心的な研究開発人材をまとめている。唐傑も指摘したように、今回のAI変革の本質は、製品革新やビジネスモデルの革新ではなく、技術革命自体が「知能上限」を引き上げたことである。誰がこの上限を一寸でも上昇させられるかが、あらゆる業界の能力境界を再定義する鍵となる。

AIの核心的な発展要素：三つの馬車からシステムの計算力へ

AGIが「どこに行くか」を定めるなら、計算力、データ、アルゴリズム、人材と組織構造は「どれだけ遠くまで行けるか」を決める。

計算力：単一カード競争からシステム競争へ

計算力はAIの持続的な進化の基盤であり、カギとなるエンジンである。工業情報省のデータによると、2026年6月末時点での中国のインテリジェント計算力規模は2185EFLOPSに達した。しかし、計算力の競争の論理は根本的に変わっている。

過去には、単一チップのレベルを尋ねることが多かった。だが、大規模モデルのトレーニングと推論は単一カードの競技ではない。接続、メモリ共有、タスクスケジューリングが大規模クラスターが有効な計算力を形成するかどうかを決めている。AIの計算力需要の重心はトレーニングから推論へとシフトし、ストレージ、先進プロセス、先進パッケージングの生産能力が次々と逼迫している。これにより、計算力が基盤となり、モデルが知能を提供し、エージェントが実行し、エンドデバイスとロボットが現実的な場面に入る——AI競争の基本単位は、「一つのモデル」から「一連のシステム」へと変化している。

データ：「管理する」から「使う」へ

データはAIの重要な「燃料」である。2025年、中国でAIのトレーニングおよび推論に使われたデータ総量は199.48エクサバイトであり、前年比で42.86%増加した。推論データ量は初めてトレーニングデータ量を上回った。今年6月末までに、全国で建設された業界向け高品質データセットの総量は1565ペタバイトを超えた。

しかし、データの価値は「多さ」ではなく「活用」にある。国家データ局長の劉烈宏氏は、データ協力の話題が「データを管理する」から「データを活用する」へと移行していると指摘した。研究開発組織にとって、産業チェーンのデータ障壁を打ち破り、データの集約と共有・治理を進めることで、AIが産業現場に正確に根ざすことができる。

アルゴリズム：微小なイノベーションからベースラインの突破へ

アルゴリズム分野において、中国はすでに国際的な先進水準に達している。しかし、真の課題は：今後の大規模モデル企業の競争の焦点は、既存の技術枠組みの微小なイノベーションにとどまらず、モデルの認知能力、推論能力、世界知識の統合能力において本質的な突破を遂げる必要がある。

2026年、業界の共識は言語モデルから物理法則を理解するマルチモーダル世界モデルへとシフトしている。「長距離タスク」能力—AIが「即時質問」から「巨大プロジェクト」へと進化し、巨大な目標を数千の実行可能なサブタスクに自主的に分解する—が、アルゴリズムの突破の最前線である。

人材：最も貴重な資源

いくら強い計算力があり、いくら多くのデータがあっても、最終的には人がそれを操る必要がある。データによると、高性能計算エンジニアの人材需給比は低く0.15に達し、1人の合格求職者に対して7社が争っている。AI科学者は平均月収13.2万元で断然優位である。

しかし、人材の競争は単に「人を奪う」だけではない。世界トップクラスのAI研究者の中には中国人が47%を占めている。どうやって人材を確保し、創造力を引き出すかは、組織の制度と文化にかかっている。DeepSeekの取り組みは、AGIの長期的な目標で核心的な研究開発人材をまとめるというものである。

組織構造：「レース」から「統合」へ。

2026年、注目すべき傾向の一つは、AI研究開発組織構造の系統的な再構築である。

過去2年間、インターネット大手は内部レースを採用し、複数のAI製品ラインを分けて試行錯誤し、継続的に計算力と人力を消耗していた。しかし、2026年の半ばには、大手企業が統合のボタンを押した。字節は飛書製品チームを豆包に統合し、アリババは複数のエージェント製品ラインを統合して千問オフィスをリリースし、腾讯は研究開発資源を統合した。

これは中国に特有のものではない。アマゾンはAGI Lab研究チームを閉鎖し、AGI部門、自社チップチーム、量子コンピューティングチームを統合して統一組織にし、インフラストラクチャーからモデル開発に至るまでの全チェーンをつなぎ直した。Google DeepMindは組織構造を調整し、研究と運営の役割を最適化し、AGI技術の突進にリソースを集中させた。

これらの調整は、AI競争の核心が単一技術の突破から基本モデルの能力へとシフトしているという深い判断を反映している。優れたモデルは、アルゴリズム、データ、計算力、トレーニング、エンジニアリング、製品フィードバックなどの多方面の能力を同時に備えなければならない——このような能力の向上は、特定の研究室に依存するのではなく、全体の組織が高速な循環を形成することに依存する。

「知能を得る」から「組織知能」へ

AI産業は「知能を得る」段階から「組織知能」の段階へと移行している。モデルは依然としてAI能力の上限を決めるが、単独の優れたモデルだけでは、越來越難以構成完全な産業優位性になる。

今日の研究開発組織にとって、AGIは一文のスローガンではなく、システム的に構築する必要がある能力体系である——組織は計算力、データ、アルゴリズム、人材、構造において同時に進化しなければならない。意思決定者は短期的な収益と長期的な突破の間に選択する十分な戦略的耐性を持たなければならない。また、すべての参加者が理解しなければならないのは、「AGIへの道は一歩跳びできない」ということである。

DeepSeekの求人ポスターに記載されているように、現在の人類はAGIの前夜に立っている。しかし、「前夜」は「黎明」ではない。この長い夜を乗り切る組織は、明確な目標を持ち、核心的な発展要素を堅実に構築する長期主義者である。

02     なぜエージェントは最終的にモデルの中心に戻るのか、予訓練が限界

2026年、AI業界で最も明白な一条の主線は、エージェントが「会話する」から「働く」へと全面的な躍進である。基礎モデルの総合レベルは20点から70点以上に急騰し、長距離タスクの安定実行時間が8か月ごとに倍増しており、最高記録は16時間に達している。エージェントは「一つ質問すれば一つ答え」という形ではなく、毎回「観察→思考→行動」のクローズドループを自主的に行い、大規模モデルを推論中枢として、タスクを分解し、ツールを呼び出し、結果を評価する。

WAIC2026では、大規模モデルと生成型AIのカテゴリに130社の出展者がおり、そのうち83社がAIエージェントまたはスマートアプリケーションを主要なタグとしている。基礎的な大規模モデル企業はわずか18社にとどまっている。モデルの発表は減り、エージェントのデモは増えている。業界の議論の焦点は、「モデルがどれだけ賢いか」から「実際にどれだけの価値を生み出せるか」へと移行している。

しかし、エージェントの熱潮の下で、より深層的な技術的な問いが浮かび上がっている。エージェントの能力上限は、基本的に予訓練の大規模モデルに依存している。

予訓練：避けて通れない「限界」

もし予訓練がモデルの限界を決定するなら、後期訓練はそれが限界に達するかどうかを決定する。清华大学の唐傑教授は明確に述べた。予訓練により、大規模モデルは世界の常識知識を掌握し、簡単な推論能力を持つようになった——より多くのデータ、より大きなパラメータ、そしてより飽和した計算が、スケーリングベースモデルで最も効率的な方法である。

この判断は孤例ではない。業界では、予訓練大規模モデルが大規模モデルの推論能力の限界であるという共識が形成されている。後期訓練段階での強化学習による調整や、エージェントフレームワークの編成は、モデルの推論深度、知識広度、一般化能力を根本的に制限する予訓練段階で注入された世界知識と基本的な認識能力に依存している。

アリババの百霊Ling & Ring2.6の技術報告は正確にまとめている。「大規模モデルはチャットボットからエージェントへと変化している。この変化は見た目では使い方を変えただけのように見えるが、実際にはモデルの最適化目標を完全に書き換えた。実用的なエージェントは同時にもっと良い推論をしなければならない。」推論能力の基盤はまさに予訓練である。

腾讯雲の副社長李強は精妙な比喩を述べた。「大規模モデルはエンジンであり、エンジニアリングのプロセスはエンジンを車両にする工程である。エンジンは上限を決めるが、エンジニアリングはそれが走れるか、どれだけ走れるか、どれだけ安定するかを決める。」エージェントフレームワーク、ツール呼び出し、記憶管理—all these エンジニアリング能力は、エンジンの上に構築された車両である。エンジンがダメなら、車両がどれだけ豪華でも遠くには走れない。

エージェントの繁栄は、ベースモデルへの依存を隠せない

現在のエージェントの能力進化は、一つのコアな命題を検証している。エージェントがどれほど複雑なことをできるかは、ベースモデルが世界をどれだけ深く理解できるかに依存する。

上海AIラボがオープンソースしたAgents-A1モデルは、多領域・多タスクの高品質な長距離トラックデータを使用してトレーニングされ、長文脈条件下での理解、推論、命令遵守能力を強化した。研究チームは「小さなモデル+複雑な編成」の取巧な道を選ばず、予訓練に戻った。より良いデータと最適なトレーニング戦略を用いて、モデルのエージェント能力を根本的に改善した。

これらの実践は同じ方向を示している：エージェント能力の競争は、最終的にはベースモデル能力の競争である。

編成型エージェントの限界とモデルネイティブエージェントの台頭

現在のエージェント開発には二つの技術的な道線がある。一つは編成型エージェントで、一般的な大規模モデルに加えてLangGraph、Difyなどのスケジューリングフレームワークを使用し、工程化手段でタスクの分解とツール呼び出しを行う。もう一つはモデルネイティブエージェントで、トレーニング段階で直接計画・反省ロジックを内蔵し、一貫性が高い。

編成型エージェントは柔軟で配置しやすく、だが根本的な困難に直面している。超長タスクは論理的な漂移を起こしやすい。タスクチェーンが数十ステップ乃至百ステップにまで長くなると、ベースモデルの推論能力不足によりエージェントが「途中で方向を外れる」ことがある。これは編成フレームワークでは解決できない問題だ——フレームワークはプロセスを整理するだけで、モデルの判断力は改善しない。