データを増やせば賢くなる、という常識のはじまりここ数年のAI開発は、ひとつの単純な信念に支えられてきました。データを増やし、計算資源を増やし、モデルを大きくすれば、それに比例して賢くなる、という考えです。この信念には根拠がありました。2020年にOpenAIのジャレッド・カプランらが発表した「スケーリング則」という論文が、モデルの大きさ、学習データの量、計算量という3つの要素を増やすほど性能が予測どおりに向上することを示したからです。この論文が、規模を追求すれば性能が伸びるというスケーリング時代の幕を開けました。実際、2019年のGPT-2はパラメータ数が15億でしたが、続くGPT-3はその100倍以上に膨れ上がり、性能も劇的に向上しました。こうして業界全体が「とにかく大きく、とにかく多く」という方向へ一斉に走り出したのです。小さな都市ほどの規模を持つデータセンターが建てられ、投じられる金額は数千億ドル（数十兆円）規模にまで達しました。賢いAIをつくるとは、巨大なデータの山を築くことだと、誰もが信じて疑いませんでした。ジョンズ・ホプキンス大学の驚きの結果ところが、この常識を根底から揺さぶる研究が、2025年から2026年にかけて相次いで現れました。なかでも象徴的なのが、ジョンズ・ホプキンス大学のミック・ボナー准教授らが学術誌「Nature Machine Intelligence」に発表した研究です。研究チームは、現代のAIで広く使われる3種類のネットワーク構造、すなわちトランスフォーマー、全結合ネットワーク、そして畳み込みニューラルネットワークを取り上げ、設計を少しずつ変えて何十種類もの人工神経回路をつくりました。重要なのは、これらのモデルを一切学習させなかった点です。学習前のモデルに人や動物、物体の画像を見せ、その内部の反応を、人間や霊長類が同じ画像を見たときの脳の反応と比べたのです。結果は予想を裏切るものでした。トランスフォーマーや全結合ネットワークでは人工神経の数を増やしてもほとんど変化が起きませんでしたが、畳み込みネットワークでは同じ調整によって、人間の脳に近い反応パターンが現れたのです。しかも、この学習していない畳み込みモデルは、通常なら数百万から数十億枚もの画像を必要とする従来のAIに匹敵する成績を示しました。ボナー准教授の言葉は印象的です。いまのAI分野は、モデルに大量のデータを投げ込み、小都市ほどの計算資源を築く方向へ進んでいる、その一方で人間はごくわずかなデータで見ることを学ぶ、と彼は指摘します。進化が長い時間をかけてたどり着いた脳の設計には、それなりの理由があったのではないか → ならば最初から脳に近い設計から出発すれば、AIは圧倒的に有利な地点に立てるのではないか。これがこの研究の核心です。なぜ大量データが「ムダ」になりうるのかでは、なぜ大量のデータが意味をなさなくなるのでしょうか。理由はいくつかあります。ひとつは「収穫逓減」という現象です。スケーリング則はもともと、性能の伸びがべき乗の形でゆるやかになることを意味していました。対数のグラフで見れば直線に見え、いかにも順調に伸びているように感じられますが、ふつうのグラフに直すと、最初に大きく伸びたあとは急速に平らになっていきます。2021年には計算量を倍にすればおおむね性能も倍になりましたが、2025年には、最も難しい推論課題で1割から2割の改善が得られる程度にとどまるようになりました。もうひとつは「データの壁」です。1兆パラメータ規模のモデルを最適に学習させるには、およそ20兆トークンのデータが必要とされますが、インターネット上の質の高いテキストは、数え方にもよりますが10兆から50兆トークン程度しかないと見積もられています。つまり、人類が書き残してきた文章を使い尽くす日が、現実味を帯びてきているのです。さらに深刻なのが「モデル崩壊」と呼ばれる問題です。足りなくなったデータを、AI自身が生成した合成データで補おうとする動きがありますが、ここに落とし穴があります。ある研究では、わずか0.1パーセントという少量の合成データが混じるだけでも、学習の進歩が止まりうることが示されました。大きなモデルほど、合成データの中の目に見えないわずかな癖に過剰に適応してしまい、かえって悪影響を受けやすいことも分かっています。量を求めて中身の薄いデータを足し続けることが、性能を押し上げるどころか足を引っ張りかねないのです。それでもデータが効く場面とはいえ、データに意味がないと言い切るのは早計です。大切なのは「量」ではなく「質」と「使い方」だ、というのが正確な理解でしょう。象徴的な例が、マイクロソフトの「Phi」シリーズです。わずか13億パラメータのPhi-1は、教科書のように丁寧に整えられた合成データで学習することで、コーディングの評価において自分の100倍もの大きさのモデルを上回りました。研究チームはデータの量ではなく質という別の軸で改善を探り、10倍の規模のモデルに匹敵する常識推論の成績を、10分の1以下のデータで達成したのです。「教科書さえあれば十分」という考え方が、業界に新鮮な衝撃を与えました。ただし、ここには見落とされがちなことがあります。Phiの研究チームは、その後の版では純粋な合成データだけに頼ることをやめ、質の高い実データと合成データを混ぜる、いまではおなじみの方法へと戻っていきました。教科書的な合成データだけでは、出てくる言葉の多様性が乏しくなり、かえって性能が落ちる場面があったからです。研究者たちが行き着いた教訓は、置き換えるのではなく混ぜる、人間が書いた本物のデータを残したうえで合成データを足す、というものでした。データはやはり必要ですが、無造作に積み上げるのではなく、何をどう混ぜるかという設計が成否を分けるのです。研究者たちが静かに気づいていたこと表向きには「もっと大きく」という掛け声が続く一方で、研究室の内側ではずっと前から空気が変わっていました。フロンティアモデルが頭打ちに達しているのではないか、という見方が、1年以上前から業界内で静かに広がっていたのです。これはなかなか表には出てこない事情でした。莫大な投資を集めてきた以上、減速を公然と認めるのは難しいからです。それでも、影響力のある声は次々と上がりました。OpenAIの共同創業者だったイリヤ・サツケバーは、2024年のNeurIPSで、われわれが知るかたちの事前学習は終わると述べ、2010年代は規模の時代だったが、いまは再び発見の時代に戻ったのだと語りました。研究者のサラ・フッカーは2026年の論考で、より小さなモデルが、優れた学習手法によって大きなモデルとの差を急速に縮めている様子を記録しました。実際、2023年に登場したパラメータ1800億のFalcon 180Bは、わずか1年後に登場した80億パラメータのLlama 3 8Bに追い抜かれてしまったのです。これは、規模だけがものを言う時代がすでに終わりつつあることを示す、生々しい一例でした。決定的だったのは、性能向上の主役が交代したことです。OpenAIのo1やo3に代表される推論モデルは、モデルを大きくするのではなく、答えを出すまでにどれだけ長く考えるかという、別の軸に注目しました。DeepSeek R1の突破口も、その大きさではなく、学習後の調整の工夫にありました。同じころ、MITの研究チームは、最も巨大で計算量の多いモデルが、やがて小さなモデルに比べて収穫逓減に陥る可能性を指摘し、今後5年から10年のうちに差が縮まっていく可能性が高いと警告しました。つまり、賢さの源泉が「どれだけ食べさせたか」から「どんな構造で、どう考えさせるか」へと移りつつあるのです。これから何が変わるのかこうした流れを束ねると、ひとつの見取り図が浮かび上がります。データを際限なく投入する戦略は、それ自体が間違いだったというより、ひとつの時代の役割を終えつつある、ということです。ジョンズ・ホプキンス大学の研究が示したのは、希望のある未来でした。もし大量データでの学習こそが決定的な要因なら、設計の工夫だけで脳に近いAIにたどり着けるはずがない、とボナー准教授は言います。それが可能だったということは、正しい設計図から出発し、生物学からの知見を取り入れることで、AIの学習を劇的に加速できる可能性があるということなのです。研究チームはいま、生物の仕組みにならった簡素な学習方法を探り、より速く、効率的で、巨大なデータに依存しない新世代の枠組みを目指しています。この変化は、私たちの実感とも重なります。人間の子どもは、何十億枚もの写真を見なくても、犬を数回見ればそれが犬だと分かるようになります。進化が用意した「良い初期設計」が、わずかな経験を一気に意味へと変えているのです。AIもまた、データの量で力ずくに押し切る段階から、構造と学習方法の賢さで効率を高める段階へと、静かに軸足を移し始めています。大量のデータを投入することは、無意味になったわけではありません。けれども、それだけで賢くなるという素朴な期待は、もはや通用しなくなりました。これからの問いは「どれだけ多く与えるか」ではなく、「どんな器に、何を、どう与えるか」へと変わっていくはずです。お金とエネルギーを際限なく注ぐ競争の先に、設計の知恵で勝負する新しい時代が、すでに始まっているのです。参考文献Johns Hopkins University「AI may not need massive training data after all」ScienceDaily, 2026年1月4日Kazemian, A., Elmoznino, E., Bonner, M. F.「Convolutional architectures are cortex-aligned de novo」Nature Machine Intelligence, 第7巻, 2025年Jeong, J.「The One-Axis Era Is Over: AI's Four New Scaling Laws」Medium, 2026年5月「LLM Scaling Laws Explained: Will Bigger AI Models Always Win?」BuildFastWithAI, 2026年3月MIT FutureTech, MIT News「Initiative on the Digital Economy」2026年4月「Demystifying Synthetic Data in LLM Pre-training」arXiv:2510.01631, 2025年Langlais, P-C.「Synthetic Pretraining」Vintage Data, 2026年2月「Context Collapse: In-Context Learning and Model Collapse」arXiv:2601.00923, 2026年