Redwood Researchの主任科学者Ryan Greenblattが、Dwarkesh Patelのポッドキャストで踏み込んだ主張をした——AIの進化を押し上げてきたのは専門家データを大量に集める投資ではなく、手元のデータの中身を理解し取捨選択する「地味な科学」だという。開発チームにとっての意味は具体的だ。データ調達予算を積み増すより、データの理解・フィルタリングに強い研究者を厚くする方が投資対効果が高いという含意になる。フロンティアラボの間で人員配置転換や人材引き抜きが相次ぐ今、この発言は「次の競争軸はデータの保有量ではなく、それを扱う人材の質だ」という読みを補強する——データ・モートが崩れかけているとして、その先に立つ新しい堀は何なのかという問いが浮かび上がる。

何が起きたか

Dwarkesh Patelは2026年8月11日、自身のポッドキャストにRedwood Researchの主任科学者Ryan Greenblattを招き、「AIがAI研究を自動化できるようになると何が起きるか」と題した約2時間13分のエピソードを公開した。この中でGreenblattは、AIの進化を駆動してきた要因について、データの「量」ではなく「扱い方」を重視する立場を明確にした。

発言の中身

Greenblattは番組で次のように述べている。「AI進歩のほとんどは、私の見立てでは、アルゴリズムとデータの組み合わせから来ている。これらは改善を重ね続けられるし、より少ない計算量でAIを訓練できるようになる」("most of the AI progress, from my perspective, has come from some mix of algorithms and data, and you can just keep making huge improvements on these things and training AIs with less compute.")

専門家データの位置づけについては、「専門家の人間データを取得する労力を拡大することが、AI研究開発全般にとって非常に重要だったとは私は考えていない」("my sense is that scaling up the amount of effort spent on getting expert human data has not been hugely important for AI R&D in general.")と述べた。

ここは読み違えやすい。Greenblattは「人間データが一切不要」とは言っていない。彼が改善の源泉として挙げたのは「どのデータセットが良いかを理解する科学と、それをどう絞り込むかを地道に詰める労働」("science on better understanding what data sets are good and schleppy labor on figuring out how to filter down")であり、主張の核心は「データ収集への投資拡大」ではなく「既存データの理解・選別という地味な作業」にこそ価値があるという点にある。

背景

この主張と同じ系統として引き合いに出されることが多いのが、YouTube Shorts共同創業者で現OpenAI Head of Post-training for Multimodalを務めるShuchao Biの発言だ。Biはコロンビア大学での講演("Advancing the Frontier of Silicon Intelligence: the Past, Open Problems, and the Future")で、「タスク分布は事前学習データで十分にカバーされているべきだが、現状はそうなっていない」("task-distribution should be well-covered in pretraining data, and that's not the case right now")と述べ、データ分布の洗練がモデル改善の鍵だと論じた。また、タスク提案から知識の学習、新しい発想、フィードバック、知見への蒸留という人間の知識ループのほぼ全ステップをAIが加速しうるとも語っている。

ただし、Biの講演は2025年6月21日、Greenblattの発言は2026年8月11日と、1年以上隔たった別々の場でのものであり、両者が対談・共同議論したわけではない。この2つの発言を並べて「データの重要性という通念に両者が異議を唱えた」とまとめる語り口は、報じた側の編集的な枠組みである点には注意が必要だ。個々の発言内容そのものは、それぞれの一次ソースで裏付けが取れる。

なぜ重要か

この主張が突きつけるのは、「独自の高品質データを大量に持つことが競争優位の源泉」という、いわゆる「データ・モート」論への異議だ。Greenblattの見立てに立てば、ラボの競争力を左右するのはデータの保有量そのものではなく、手元のデータから何を学び取れるかを決める研究者・エンジニアの質——アルゴリズムとデータ処理の科学に強い人材ということになる。フロンティアラボが人員配置転換や人材引き抜きを繰り返している今の動きは、この読みと整合的だ。

もっとも、この一件だけでデータ・モート論が否定されたと結論づけるのは早計だ。Greenblatt自身の見立ても、番組内で語られた一研究者の立場であり、業界全体のコンセンサスではない。読者が注視すべき「本当の問い」は、データという堀が崩れかけているとして、その先にどんな新しい堀——人材、アルゴリズム、あるいは計算資源の使い方——が競争優位を規定するのか、という点にある。