現在のAI能力ダッシュボード:2026年9月

このスナップショットの読み方

本ダッシュボードは、2026年9月13日時点で入手可能な公開証拠を記録したものである。これはライブのリーダーボードではなく、断りなく更新されるべきものでもない。AI製品、スキャフォールド、評価セット、価格はあまりにも速く変化するため、日付のない「現状」ページでは誠実さを保てない。

能力は多次元的である。あるシステムはオリンピックレベルの問題を解けても、アナログ時計を読めないことがある。専門的な生物学の問いに答えられても、実験室でのワークフローを完了できないことがある。あるいは、コーディングの採点をパスしても、保守担当者なら却下するようなパッチを生成することもある。スタンフォードの2026年AIインデックスはこのパターンをジャギーな知能と呼び、管理された環境と実際の環境との間に大きなギャップがあることを記録している(スタンフォードAIインデックス、技術的性能)。

以下の評価は、普遍的なモデルではなく証拠を記述したものである。「強い」とは、主要なシステムが関連する公開評価において目覚ましい成績を収めていることを意味する。安全であること、人間と同等であること、あるいは自律的で重大な用途に耐えるほど信頼できることを意味するわけではない。

次元	2026年9月時点の証拠	重要な限界
言語と知識	幅広い質問応答とマルチモーダルのテストで強い	ハルシネーション、汚染、事実面での信頼性のむらが残る
数学と構造化された推論	フロンティアシステムは選ばれた問題でトップクラスの競技レベルの成績を達成	性能は依然としてジャギーで、ツールと推論予算に敏感である
コーディングとコンピュータ操作	コーディングと構造化されたデスクトップ・エージェントのベンチマークで急速に向上	採点をパスしても、保守可能な本番用の作業が保証されるわけではない
長時間タスクの自律性	測定されたソフトウェアタスクの時間的視野が急速に増加	主に整理されたソフトウェア・機械学習・サイバー関連タスクであり、独立運用の継続時間ではない
科学支援	強い専門知識を持ち、プロトコル作成やトラブルシューティングの性能も向上中	知識面のスコアは、実験の全過程を担う能力を証明しない
サイバー能力	エージェントは実際の脆弱性を発見し、選ばれた専門家レベルのタスクを完了できる	エンドツーエンドの自律的攻撃は公には実証されていない
説得力	管理された実験において、測定可能な意見の変化が見られる	集団規模での悪意ある影響は実証されていない
ロボット工学と身体性	管理された環境では強い進歩	家庭や開放的な環境での信頼性は依然としてはるかに低い
安全性と信頼性	安全対策と評価は改善しつつある	報告は一貫しておらず、制御を保証する手法は存在しない

推論は目覚ましくも、むらがある

2026年AIインデックスは、Google DeepMindのシステムが、競技の制限時間内で2025年国際数学オリンピックにおいて金メダル級のスコアを達成したと報告している。同じ章では、ClockBenchで最も成績の良かったモデルでも、アナログ時計を正しく読み取れたのはおよそ半分の割合にすぎなかったのに対し、人間はおよそ90%だったとも報告している。これら2つのテストは同じ重要性を持つわけではないが、その対比は、単一のスカラー値としての「知能レベル」という発想を打ち砕く。

ベンチマークの向上は、より優れたベースモデル、より多くの推論時計算量、ツールの利用、複数の解を生成してサンプリングすること、あるいは特化したスキャフォールディングを反映しているのかもしれない。ある結果は、明示された条件のもとで試験された、その完全なシステム全体に属するものである。それを安易に、より安価な製品ティアや時間制約のある展開に当てはめるべきではない。

多くのテストはまた、急速に飽和する。スタンフォードは、Humanity’s Last Examでの急激な向上と、SWE-bench Verifiedでのほぼ飽和状態を報告しつつ、無効な問題やリーダーボードへの適応の可能性にも言及している。飽和とは、ある評価が主要なシステムを区別する力を失いつつあることを意味するのであって、基盤となる領域が解決されたことを意味するのではない。

コーディングとコンピュータ操作

主要なエージェントは、選ばれたリポジトリの課題を修正し、まとまった量のコードを書き、GUIアプリケーションを操作できる。スタンフォードの報告によれば、OSWorldでの性能はおよそ12%から66.3%まで上昇したが、それでも構造化されたタスクのおよそ3件に1件は失敗する。実際のコンピュータ操作には、変化するインターフェース、不明確な目標、認証情報、敵対的なコンテンツ、そしてベンチマークでは省かれがちな結果責任が伴う。

自動採点もまた一つの限界である。METRの2026年のSWE-benchパッチに関する研究は、ベンチマークのテストに合格したからといって、保守担当者がその変更をマージするとは限らないことを明らかにし、機能テストのケースだけでは測れない品質の次元を浮き彫りにした(METR保守担当者レビュー研究)。本番用のコーディングには、アーキテクチャ設計、コミュニケーション、セキュリティ、保守、そして失敗に対する責任が必要とされる。

この証拠は、選ばれた作業についての実質的な支援と自動化を裏づけている。「ソフトウェアエンジニアリングは解決された」という主張を裏づけるものではない。

長時間タスクにおける自律性

METRの2026年5月のダッシュボードは、エージェントが50%または80%の予測成功率を達成する、人間の専門家によるタスク所要時間を推定している。対象タスクは主にソフトウェアエンジニアリング、機械学習、サイバーセキュリティに関するものである。METRは、現行のタスク一式では16時間を超える測定値は信頼できないと述べている(METRタイムホライズン)。

この指標はしばしば誤って報じられる。4時間のホライズンとは、エージェントが4時間独立して稼働することを意味するのではなく、測定された難易度のタスクを人間の専門家が完了するのに通常およそ4時間かかることを意味する。成功したエージェントは、はるかに速く完了することもある。このタスク一式は、多くの組織的業務とは異なり、自己完結的で客観的に採点可能である。

METRはさらに、領域によって桁違いの差があること、誤差の幅が広くなりうること、そして98%の信頼性が求められる場面では50%のホライズンでは不十分であることを警告している(METRの限界に関する注記)。この傾向は、選ばれたデジタルタスクにおける急速な進歩を示す有意義な証拠ではあるが、雇用の自動化やAGIへのカウントダウン時計ではない。

科学、生物学、サイバー

英国AIセキュリティ研究所は、2025年10月までに試験されたシステムが、選ばれた化学と生物学の問いにおいて博士号取得者レベルの専門家基準を上回り、プロトコル生成や実験室でのトラブルシューティングでも改善が見られたと報告している。同研究所はまた、プラスミド設計を最初から最後まで一貫して行うことについては依然として困難が残ると報告している(AISIフロンティアAI動向報告)。これらは政府による評価結果ではあるが、専門家の基準やタスクの構成の仕方が、その意味を左右することに変わりはない。

サイバー能力は、質問応答から、脆弱性を発見し複数段階の課題を解くエージェントへと進化してきた。AISIは2026年2月、そのサイバータスク指標におけるより速い成長を報告した(AISIサイバー動向)。国際AI安全性報告書は、こうした証拠を展開実態とは区別している。攻撃者はAIを利用しているものの、完全に自律したエンドツーエンドの攻撃は公には報告されておらず、攻撃側と防御側のどちらがより多くの恩恵を受けているのかは不確かなままである(国際AI安全性報告書2026)。

説得力と社会的能力

対話型AIは、実験の中では態度を変化させうる。2026年にAISIが主導した、7万6977人が参加した研究では、スケールや基本的なパーソナライゼーションよりも、プロンプト設計や説得に特化した事後学習の方が、より大きな説得効果をもたらすことが分かった。パーソナライゼーションによる効果は1パーセントポイント未満だった。説得力の高まりは、事実に関する正確さの低下と関連していた(AISI説得研究)。

この発見は、実験条件下で測定された能力を確立するものである。持続的な行動変容、選挙への影響、あるいは大衆の統制を証明するものではない。到達範囲、プラットフォームでの拡散、競合するメッセージ、ユーザーの信頼、そして持続性は、それぞれ別個の変数として残る。

身体性は依然として大きなギャップである

ロボット工学は、管理された環境と開放的な環境との違いが最も明確に表れる分野である。スタンフォードは、シミュレーション・ベンチマークでは高い成功率を報告している一方、試験された実際の家庭内タスクではわずか12%にとどまると報告している。自律走行車両は、限定されたサービスエリア内では意味のある規模で稼働しているが、その解釈には運行設計領域(ODD)や遠隔地からの人間による支援が重要な意味を持つ。

言語モデルの幅広いデジタル・インターフェースを、物理世界における汎用性と混同すべきではない。センシング、操作、人の周囲での安全性、未知の誤りからの復旧、ハードウェアの保守、コストはすべて、展開を制約する。本マニュアルのヒューマノイドロボットの章では、ベンチマーク上のデモンストレーションと実世界でのロボット性能とのこのギャップを、企業ごとにより詳しく追跡している。

信頼性は能力の一部である

66%の確率で成功するエージェントは、レビューを伴えば有用かもしれないが、レビューがなければ受け入れがたいものになりうる。重大な用途で使われるシステムには、較正された不確実性、失敗の検知、異議申し立て、監査ログ、ロールバック、セキュリティ、そして人間へのフォールバックが必要とされる。平均的なベンチマークスコアは、稀ではあるが重大な結果をもたらす誤りを覆い隠してしまう。

2026年AIインデックスは、開発企業が主流の能力ベンチマークについては、責任あるAIの評価に比べて、はるかに一貫して報告していることを明らかにしている(AIインデックス責任あるAIの章)。公開結果が欠けているからといって、社内テストが存在しないことの証明にはならないが、比較可能性と社会的な保証を制限することにはなる。

本ダッシュボードが証明しないこと

本ダッシュボードは、意識、意図、あらゆる職業にわたる経済的価値、あるいは合意されたAGIの閾値を証明するものではない。あるベンチマークの結果が、異なる言語、集団、ツールセット、コスト制約、あるいは敵対的な環境にも当てはまることを示すものでもない。現行のアーキテクチャが頑健に汎用的なものになりうるかどうかを解決するものでもない。

このスナップショットの時点で言える最も確かな結論は、フロンティアシステムが並外れた広がりと急速な向上を示す一方で、根強い脆さ、領域ごとのギャップ、そして不完全な安全性の証拠を抱え続けているということである。それは、「単なる自動補完にすぎない」あるいは「AGIはすでに到来した」というどちらの主張よりも、はるかに重大で、そしてはるかに正確である。