能力を分野ごとに分けると、本当に追いついたのは一つだけ

「追いついた」という3文字が同時に立証も反証もできてしまうのは、能力がもともと分野ごとに分かれているからだ。あるモデルはコーディングで相手に並びながら、同時に他の分野では何世代も遅れていることがありうる。この分析に登場した分野をひとつずつ並べると、落差がすぐに見えてくる。

コーディングという項目こそ最も目に入りやすい。公開ランキングが最も多く、誰もが日常的に使う能力でもある。一方で下の項目は専門機関が個別に測定する必要があるか、そもそも自己申告リストに入っていない。世間の「追いついた」論は、基本的に最初の行だけから育っている。

だがコーディングというこの一項目こそ、実は最も重い一項目だ

現時点で最も確度高く測定されているトレンドはまさにソフトウェアエンジニアリングにある。AIが自律的にこなせるタスクの長さは、およそ4ヶ月ごとに倍になっている。著者はこの傾向が数学など他の分野でも成立する可能性が高いと述べているが、測定が最も充実しているのはソフトウェアエンジニアリングの側だという。この「タスクの長さ」には専門用語があり、タイムホライズンと呼ばれる。

このトレンドをあと2、3年延ばせば、「人が数ヶ月から数年かけてやる仕事を、モデルが引き受けられる」という段階になる。仮にこの傾向がコーディングという一つの作業だけで成立するとしても、超人的な水準のプログラマーモデルを誰が最初に手にするかは、容易に追いつかれない戦略的地位を握ることを意味する。だからこそ、その数ヶ月の差を正確に計算する価値がある。

AI Futures Model（2025年12月版、パラメータは2026-04-02更新）。左下の二つの日付は、この推計モデルが中央値パラメータで導いた結果：自動化プログラマー2028年6月、超知能2029年5月。主要パラメータの欄に記載されたコーディングのタイムホライズン倍加周期は4ヶ月。これは予測モデルの出力であり、実測データではない。出典：AI Futures Project

比較を米中間だけに絞っているのは、最良のモデル、最多のAI研究、最多の計算資源がこの二カ国に集中しているからだ。ヨーロッパは理論上は資金も人材もあるが、今のところ本気で競争に参入する構えは見せていない。

そこで問題はこうなる。分野別に見ると落差はこれほど明確なのに、なぜランキング上では「総合で追いついた」に見えてしまうのか。あと二段階掘り下げるとはっきりする。まず一段目は「差」という言葉そのもので、実はこれは方向の異なる二つの問いを同時に含んでおり、たいていの人はそのうち一方しか使っていない。

「差」という言葉は同時に二つのことを言っている

差の定義は一言で言える。あるラボが、もう一方のラボがすでに達成した能力に追いつくのにどれだけかかるか、というものだ。だがこの一言には、方向がまったく異なる二つの問いが隠れている。

概念を説明するための図で、実データではない。図中の6.3ヶ月と10.0ヶ月は、概念を説明するために書かれた仮想の数字だ。左側は「先行側がいつ遅れ側の今日のスコアに達したか」を測り、右側は「遅れ側がいつ先行側の今日のスコアに届くか」を測る。出典：scaling01

もう一つ見落とされがちな層がある。能力は分野ごとに分かれているという点だ。あるモデルはコーディングで別のモデルに並びながら、他の分野、あるいは総合では依然として劣ることがありうる。だから「追いついた」という3文字は、どの項目が追いついたのかを必ず問わなければならない。

モデルは一世代ずつ発表され、連続した曲線は存在しない

実際に計算しようとすると、ある現実的な問題にぶつかる。進歩は離散的だということだ。モデルは数週間から数ヶ月おきにしか発表されず、二つのモデルのスコアがぴったり一致することもないため、間にどれだけの時間が挟まったかを直接測ることはできない。3つの手法にはそれぞれトレードオフがある。

著者は3つ目を選んだ。理由は対称的であり、根底にある大きなトレンドをより反映でき、差が広がっているか縮まっているかも見て取れるからだ。代償もはっきりしている。結果は回帰モデルの選び方に左右され、トレンドの断絶点をならしてしまう。この点はKimi K3にとって不利に働く。もしKimi K3が本当にトレンドの断絶点なら、回帰線はそれを元に戻してしまう。

とはいえ過去5年ほどを振り返ると、トレンドの断絶点と言えるものは1、2回しかない。2024年第3四半期の推論モデル、そして2025年11月のClaude Opus 4.5発表後にagenticモデルが立ち上がった件、これが2回目に数えられるかもしれない。いずれもモデルサイズとは無関係だった。だからDeepSeek-V4-Proの2倍にも満たない規模のモデルが、サイズだけでトレンドを断ち切るというのは、あまり説得力がない。

そこで以降の結論はすべて二組の数字を示す。近接モデル区間（現時点の瞬間的な差。図には区間内の補間値も示す）と、トレンド線推定（長期的な水準を見たもの）だ。手法が決まったところで、次は意見の相違の第二層、しかも最も重要な層に移る。どの評価項目を測るかという問題だ。

ランキングの項目をどう選ぶかが結論を決めてしまう

「35項目中30項目で勝った」という一文の重みは、その35項目がどう選ばれたかに完全に左右される。構成を分解すると、欠けている項目のほうが在る項目より雄弁だ。

視覚系とagentic系を合わせると24項目、このリストの7割近くを占める。コーディング系には著者が信号の質が高いと見なすものもいくつかある。ProgramBenchやSWE-Marathonなどで、これらはタスクの範囲がより広く、時間軸もより長い。

第三者ランキングにも同じ偏りがある

では第三者のArtificial Analysis Indexならどうか。今日最も広く使われている指数の一つだが、著者はこれをモデルの総合的な強さの判定に使うべきではないと考えている。理由は二つある。

一つ目は重みだ。この指数の構成は明らかにAgentと短い時間軸のコーディング課題に偏っている。

指数の4分類の重み：Agents 34%、Coding 24%、General 18%、Scientific Reasoning 24%、前二者の合計は58%。最大の比重を占めるGDPval-AA v2は220タスクのAgent評価だ。出典：Artificial Analysis

二つ目は難易度だ。各評価がどれほど難しいか、成績がどれだけの情報量を持つかを、この指数はまったく考慮しない。すべての評価は人手で決めた重みで加重平均され、誰でも簡単に通過できる評価と、ほとんどどのモデルも正解できない評価が、指数に占める割合は同じになる。

これは無用だという意味ではない。この指数の順位は日常的な使用感と一致する。測っているのが経済的に本当に役立つ作業だからだ。著者の対処法はこの指数の位置づけを変えることだった。日常的な使いやすさの指標として扱い、総合知能の指標としては扱わないというものだ。だから彼の文章では、この指数はArtificial Analysis Indexと呼ばれ、公式名にあるIntelligenceという語は外されている。では人手で重みを選ばず、しかも項目の難易度も計算に入れる物差しはないのか。ある。しかもAnthropic自身もそれを使っている。

ECIはどうやって項目の難易度をスコアに組み込むのか

Epoch AIのCapability Index（略称ECI）は、まさに上の二つの欠点を狙い撃ちしている。測りたいのはモデルの根底にある総合能力値であり、すべてのモデルを同じ物差しに載せることだ。使う手法はItem Response Theory、中国語では通常「項目反応理論」と訳される。

評価に当てはめると、各ベンチマークについて二つのパラメータを推定する。

これらのパラメータを推定した後、統一的な統計モデルをフィットさせ、観測されたすべてのスコアを最もよく説明できる能力値を探し出す。この能力値がモデルのECIになる。

Anthropicも最近、モデルの強さを測るのに同じ手法を採用しており、自社のシステムカードではAECIと呼ばれている。彼らの図では、各ベンチマークの難易度も併せて描かれている。

そのうちの一マスを検算してみると、この手法が何をやっているかがわかる。GPQA Diamondの50点刻みは能力値129付近に位置する。つまり能力値が約129のモデルは、このベンチマークでおよそ50点取れるという意味だ。Claude 3 OpusのAECIは約126で129よりわずかに低いため、このモデルによれば50点をわずかに下回ると予測される。実測は50.4点で、予測よりわずかに高かった。

Anthropicのシステムカードのデータをもとに描いたAECIグラフ。赤い点は歴代Claudeモデルの能力値、色付きの枠は各ベンチマークの難易度区間（枠は50%スコアに必要な能力の25%〜75%範囲をカバーし、中央の横線が50%の刻み）。左から右へ、GPQA Diamondの横線が最も低く、GSO-Benchが最も高く、難易度は順に上がっていく。出典：Mythos Previewシステムカード

能力値が共有の物差しに乗り、人手で重みを選ぶ指数よりバイアスが少ない。これがECIの意義だ。二つの物差しが揃ったところで、同じモデル群をそれぞれの物差しに載せて測ってみよう。

二つの物差しで同じモデル群を測ると、差は3倍以上変わる

同じモデル群、同じ期間でも、物差しを変えれば米中の差の数字も方向も変わる。

まずAAIという物差しを見る

Kimi K3はこの指数で57.1点を取った。指数は0から100の間に収まるため、著者はシグモイド曲線で両国のフロンティアのトレンドをフィットさせている。

AAIでフィットした米中フロンティアのトレンド。右下の情報ボックス：近接モデル区間37〜49日（1.22〜1.61ヶ月）、区間内補間45日（1.48ヶ月）、トレンド線基準88日（2.89ヶ月）、米中交差点2027-11-09。出典：scaling01

この物差しでは、中国のフロンティアは米国のフロンティアに1ヶ月余り遅れており、トレンド線をそのまま延ばせば2027年11月9日に逆転する計算になる。

ECIに変えると、同じモデル群の結論が逆転する

EpochがKimi K3の暫定スコアを出した後、そのスコアとMoonshot AIが公表した成績を合わせ、合計9項目のベンチマークで直接フィットさせると、ECIが155.53、90%区間は153.87〜158.21となった。この数字は著者自身が計算したものであり、Epoch公式が発表したECIではない。位置はGPT-5.3 CodexとGPT-5.4 Proの間にあり、前者に近い。

ECIでフィットした米中フロンティアのトレンド。右下の情報ボックス：近接モデル区間133〜161日（4.37〜5.29ヶ月）、区間内補間160日（5.27ヶ月）、トレンド線基準185日（6.08ヶ月）、米中交差点の欄にはnoneと書かれている。年間進歩速度は米国14.6、中国11.0。出典：scaling01

ラボ単位まで分解すると、順位はほぼ逆転する

国のフロンティアだけを見ると、個々のラボのリズムが覆い隠されてしまう。そこで両方の図についてラボ別のバージョンも作られた。両側の年間進歩速度を並べると、この評価手法の見解の相違がどれほど大きいかがわかる。

Moonshot AIは左側の首位から、右側ではOpenAIの後ろまで転落する。Anthropicは左側の5位から、右側では断トツ首位に上がる。7社のうち順位が変わらないのはGoogleだけだ。21.4と6.3、どちらも最下位のままだった。

AAIのラボ別トレンドでは、Moonshotの傾きが最も急で、2027年2月8日に米国フロンティア線を超える計算になる。原文本文の表現では「Anthropicを超える」となっている。ECIのラボ別トレンドでは、Moonshotの交差点欄も同じくnoneと書かれている。Mythos PreviewをAnthropicのデータから除いたとしても、その進歩速度は依然として年18.1点で最速だ。

ラボ別トレンド図2枚と、Kimi K3のECIがどう推定されたか

AAIラボ別トレンド、右下は7社の年間進歩速度とMoonshotの交差点2027-02-08。出典：scaling01

ECIラボ別トレンド、同じラボ群だが速度の順位は上図とほぼ逆になる。出典：scaling01

Epochのスコアが出る前、著者は一度推定を行っていた。コミュニティの予想ではKimi K3のECIは158〜159、著者本人は156〜157、分析者Teortaxesは157〜158と予想していた。

直感に頼らないために、著者はAAIとECIの高い相関を使って換算した。直線を単純に当てはめることはできない。AAIは0から100の間に収まっており、両端に近づくほどスコアが圧縮されて団子状になるのに対し、ECIには上限がなく線形だからだ。その結果、直線は非常に弱いClaude 2やClaude 3のあたりでは過大評価し、中間帯では過小評価し、強いモデルのあたりで再び過大評価してしまう。

解決法はまずAAIにロジット変換（シグモイドの逆演算）をかけ、圧縮された両端を再び引き伸ばしてからフィットすることだ。

ロジット変換をかけた後のフィッティング。平均絶対誤差は直接的な線形フィッティングより37.2%低下した。出典：scaling01

換算による推定値は158.33、bootstrap 80%区間は154.49〜162.02。その後Epochのスコアが公開され、9項目のベンチマークを直接フィットさせた結果は155.53となり、この区間内には収まったものの換算値よりやや低かった。以降の分析ではこの155.53を用い、換算式は今後のために残されている。

Mythos Preview側も推定が必要だった。Substackコラム「Point Estimate」はECI方式で161.5、Ramez Naamは最小二乗法で161、著者自身も161、90%区間158〜166を得た。この数字はClaude Fable 5の実際のECI160（区間158〜165）に近い。著者の判断根拠は、Fable 5はMythos Previewから蒸留された小型モデルである可能性が高く、加えて追加の安全学習も施されているため、両者ともスコアをわずかに押し下げるというものだ。

前向きの差：今日の最強に追いつくにはどれだけかかるか

問いを前向きのほうに変えると、答えはこうなる。国のトレンド線に従うと、中国モデルがMythos Previewの161点に届くのは2027年3月7日、つまり約11ヶ月後だ。90%信頼帯が示す区間は2026年12月28日から2027年6月18日で、遅れの長さに換算すると8.72〜14.38ヶ月になる。

最も難しい問題では、差はさらにはっきりする

Epochが公開した暫定結果の中に、それを特によく示す項目がある。研究レベルの難易度を持つFrontierMath Tier 4の数学問題で、Kimi K3は約39点しか取れず、7ヶ月前に発表されたGPT-5.2 Pro（約45点）にも及んでいない。同じ図でClaude Fable 5は88点だ。

FrontierMath Tier 4（v2）、Epoch AI内部評価、40モデル、最高スコア88%。赤枠で囲まれた緑の点がKimi K3で約39点。上方の紫の点はClaude Fable 5（max）で約88点。出典：Epoch AI

この計算にはまだ5つの要素が抜けている

著者自身の判断では、上の二つの差の数字はどちらも過小評価されている。なぜなら影響の大きいいくつかの事柄がまったく計算式に入っていないからだ。理由の多くは、そもそもこれらの数字が公開されていないことにある。

一つ目はモデルサイズ。Kimi K3は2.8兆パラメータだ。CursorのMichael Truellはかつて、OpusとGPTシリーズの規模がCursorが新たに発表した1.5兆モデルに近いと述べたことがあり、これはおそらくClaude Opus 4.8とGPT-5.4を指している。GPT-5.5とGPT-5.6は3兆に近いと見積もられている。つまり2.8兆のモデルがいくつかの項目で1.5兆規模のClaude Opus 4.8に勝ったとしても、アーキテクチャの観点からはあまり多くを語れない。

二つ目は推論効率。あの35項目のベンチマークにはこれを測る項目が一つもなく、著者の判断では、Kimi K3の推論効率は依然として米国モデルに劣っている。同じパラメータ規模でより多くのトークンを消費して同じスコアを得ているとすれば、そのコストはどのランキングにも計上されていない。

三つ目は実際のサービスコストと総計算力。手元に最新のBlackwellが100万枚あるのか、それともスループットの低い旧世代のHopperが並んでいるのかが、同時にいくつのインスタンスを立ち上げ、どれだけの速度でユーザーに供給できるかを決める。両国が本気で競争する局面になれば、この要素の重みはモデルのスコアに劣らない。

四つ目は安全性テストにかかる時間。米国ラボの安全性テストは中国ラボよりずっと徹底しており、この分がさらに1ヶ月ほど差に上乗せされる可能性がある。

五つ目は評価そのものの代表性。多くのベンチマークは実際の仕事上のタスクを代表しておらず、コストと時間の制約から、スコアを測定する際もモデルの最大性能を絞り出しているわけではない。

とはいえ、差が過小評価されているからといって、中国のラボが本当に加速していないわけではない。実際に速くなっている。しかもその速さは異常なほどだ。

もう一つの層：米国ラボは未発表のモデルを手元に抱えている

Mythosは10兆パラメータのモデルだという噂がある。SpaceX AI、OpenAI、Metaもそれぞれ自社の10兆級モデルを開発中だ。著者の見立てでは、今回のKimi K3の「追いついたように見える」現象は、中国モデルが前世代に追いついた一方で、米国ラボはすでに次世代に進んでおり、サイバー・生化学能力がもたらす法的な不確実性のために、最強のモデルを未発表のまま抑えているだけかもしれない。

もしAnthropicとOpenAIが本当にClaude Fable 5.1とGPT-6を出してきたら、追いついたという議論自体が成立しなくなるだろう。この10兆パラメータ級のモデル群は、まったく別物だからだ。Lisan al Gaib、scaling01

中国モデルはなぜ去年8月から急に速くなったのか

中国ラボの進歩速度は確かに速くなっており、しかも起点はかなり具体的だ。著者は指数の時間に対する導関数を使ってこの転換点を探そうとしているが、これがあまり良い推定方法ではないことは本人も認めている。

瞬間進歩速度（AA指数点/年）。2本の縦線は追い越し時点：Moonshotは2025-08-06からAnthropicを超え、GLMは2025-10-19から超えている。ピーク時でMoonshotは約39.8、Z AIは約36.5、一方Anthropicは約31、OpenAIは約30.3。出典：scaling01

これ自体が異常な現象だ。米国ラボはより多くの計算力、データ、人材を持ち、自社の研究開発を加速するためのより強力なモデルも持っている。それなのに進歩速度がむしろ遅い。著者はまず一つの技術的な説明を検証した。指数に上限があるため、米国側はすでにスコアが高く、上に伸びるのがより難しくなり、その結果遅く見えているだけではないか、というものだ。ロジット変換をかけてこの圧縮効果を除いてみても、MoonshotとZ AIのピーク速度は依然としてより高かった。

蒸留はその一因だが、すべてではない

厳密な意味での蒸留にはモデル本体を入手する必要があるが、より強いモデルを使って弱いモデルの出力を採点させることも、すでにこの部類に入る。Anthropicは何度も、蒸留攻撃を中国のラボまで追跡できたと報告している。だからこれは実在する現象だが、外部からはその規模がどれほどか、実際どれだけ役立ったかはわからない。著者の表現では、中国モデルが得た能力の中には、多かれ少なかれ蒸留に由来する部分があるという。

これ以外にもいくつかの説明があり、著者はそれらの組み合わせが実際の姿だと見ている。

もう一つ付け加えるべき条件がある。この追い上げのストーリーはAAI上でしか成立せず、ECI上では成立しない。

逆方向の証拠：タスクが難しく長くなるほど、差が露わになる

英国AI安全研究所のサイバー演習場は現時点で最も難しい部類の評価で、タスク自体が非常に厳しく、モデルを極限まで追い込むには1億トークンを消費する必要がある。EpochのMirrorCodeはさらに極端で、1モデルあたり10億トークンを使う。

この32ステップの企業ネットワーク攻撃シミュレーションで、GLM-5.2は平均約11ステップまで進み、Claude Opus 4.5と同水準だった。一方GPT-5.6 Solは約29ステップまで進み、Anthropicの更新版Claude Mythos 5は約27ステップだった。ところが自己申告のコーディングベンチマークでは、GLM-5.2の成績はClaude Opus 4.8に近い。

UK AISIの「The Last Ones」サイバー演習場、32ステップの企業ネットワーク攻撃シミュレーション、横軸は累積消費トークン数（対数目盛）、各モデルは10回、1回あたり1億トークン走らせる。GLM-5.2（緑線）とOpus 4.5はともに約11ステップで停止、DeepSeek-V4-Pro（青線）は約8ステップ。出典：UK AI Security Institute

同じモデルが、公開されていて対策しやすいコーディングランキングでは最新のClaude Opus 4.8に近い成績を出す一方、長い連鎖を必要とする難タスクでは7、8ヶ月前のClaude Opus 4.5水準まで後退する。この落差自体が一つのシグナルだ。

記事の最後には一つの観察が残されている。もし中国モデルが本当に米国のフロンティアと同等の強さなら、道理から言えば、これまで解けなかった数学や物理の問題をいくつか解いていてもおかしくない。今のところ、そうした例はまだ見られていない。

同じモデル群、同じ期間を、二つの評価体系にそれぞれ載せて測ると、出てくるのは数字が違うだけでなく方向まで逆になる。

誰が加速しているかまで逆転する。AAIでは4つの中国ラボの年間進歩速度が3つの米国ラボすべてより速く、Moonshot AIが39.4で全体首位。ECIに変えると、Anthropicが25.0で断トツ首位、Moonshot AIは13.8まで落ち、OpenAIの14.3の後ろにつく。

手法は試験評価から借りたもので、項目反応理論（Item Response Theory）と呼ばれる。一言で言えば、二人がともに60点を取った、一人は小学生の試験、もう一人はオリンピック数学の試験だとすれば、示す実力はまったく違う。比較するには、まず各試験がどれだけ難しいかを知る必要がある。

「3倍違う」と言われても抽象的だが、日数に換算すると実感が湧く。同じ問い――中国のフロンティアの今日の水準は、米国のフロンティアの何日前に相当するか――に対して、二つの物差しが出す答えはこうだ。