「AI2027」は、主に「2027年までに人間レベルの汎用人工知能（AGI）および超人工知能（ASI）が実現する」というAI業界の予測シナリオやタイムラインを指すものだ。
元OpenAIの安全研究者Leopold Aschenbrenner（レオポルド・アッシェンブレナー）氏が論考『Situational Awareness』で示した「2027年AGI達成シナリオ」は、SF的な飛躍ではなく過去4年間（2019〜2023年）の進歩ペースをそのまま直線外挿（Trend Extrapolation）した技術的・算術的根拠に基づいている。
具体論の核となる概念と根拠は以下の通り。
1. 根拠の基本軸：「OOM（桁数）」の計算
アッシェンブレナー氏は、AIの能力向上を「実効計算量（Effective Compute）」の桁数（OOM: Orders of Magnitude、1 OOM = 10倍）の増分で評価する。
• 2019年（GPT-2）〜2023年（GPT-4）の実績：
◦ 能力変化：「幼児レベル（数文の生成が限界）」から「優秀な高校生レベル（高度なコード記述や数学的考察）」へと飛躍。
◦ この4年間で、実効計算量は約4.5〜5 OOM（約10万倍）増加したと推計されている。
• 2023年（GPT-4）〜2027年の予測：
◦ 同じペースで次の4年間もトレンドが続けば、さらに約4.5〜5 OOM（10万倍）の実効計算量が積み上がる計算になる。
◦ 「高校生レベル」から同じスケールで質的飛躍が起きれば、「最優秀のAI研究者・エンジニア（PhDレベル）と同等」になり、これがAGIの到達点と定義される。
2. 10万倍（5 OOM）を達成する3大技術推進力
実効計算量の「5 OOMの増加」は、単なる巨大データセンターの建設（物理計算量）だけで達成されるのではなく、以下の3つの要素の掛け合わせ（合計）として計算されている。
① 物理計算資源（Compute Scaleup）：約0.5 OOM / 年（計 2〜3 OOM）
• 金額・規模の拡大：
◦ GPT-2/3時代: 数百万ドル規模
◦ GPT-4時代（2023）: 数億ドル規模（数万枚のGPUクラスタ）
◦ 2027年予測: 100億〜1,000億ドル規模の巨大データセンター（数十万〜数百万枚クラスの次世代GPUクラスタ）
• 単一の超巨大クラスタの構築と、数ギガワット（GW）規模の専用電力インフラ（原発や大型発電所レベル）の増強が進むことで、物理的な計算量が1,000倍〜10,000倍増加する。
② アルゴリズム効率化（Algorithmic Efficiency）：約0.5 OOM / 年（計 2 OOM）
• 同じ計算資源で出せる成果の向上：
◦ アーキテクチャの改善（Mixture of Experts / MoE など）、アライメント技術、高品質な合成データ（Synthetic Data）の活用、効率的な学習アルゴリズム（Chinchilla Scaling Lawなど）の進化。
• これにより、物理的にハードウェアを増やさなくても「年率約3倍（0.5 OOM）」ペースで実効的な計算パワーが増強される計算になる。
③ 能力制限の解除（Unhobbling）：約 1 OOM（質的向上）
• 「喋るだけのチャットボット」から「自律エージェント」へ:
◦ 単なる次トークン予測（Base Model）ではなく、思考の連鎖（Chain of Thought）、ツール利用、自己修正（Self-Correction）、長文コンテキスト、長時間に及ぶ自律的な試行錯誤（Test-Time Compute / 推論時計算）を組み合わせるアプローチだ。
• これにより、AIは単なる「回答機」から「指示を与えれば数日かけてプログラムを書いたり実験を回したりできる自律型エンジニア」へと能力が解放される。
3. 2027年以降の「知能爆発（Self-Improvement）」
2027年に「トップクラスのAI研究者・エンジニアと同等能力のAGI」が誕生した場合、技術進化は人間の手から離れ、爆発的な加速度（Intelligence Explosion）に入ると予測されている。
【2027年のAGI誕生】
│ （AI研究・開発業務をAutomate）
▼
【数億人分の自動化AI研究者】
│ （24時間365日、超高速でAIの研究開発を回す）
▼
【従来10年かかるアルゴリズム改善（5 OOM）を1年未満で達成】
│
▼
【超人工知能（ASI）の急速な誕生】
人間に依存していたアルゴリズム研究やAI設計そのものを、数億体規模のAGIが自動で並列実行するため、2027年から数年以内に人間を遥かに超越した「超人工知能（ASI）」へと急速に移行すると結論付けている。
実証と議論（現状の評価）
2024年の発表以降、業界内ではこのモデルに対して肯定・批判の双方が議論されている。
• 合致している点： 1000億ドル規模のAIインフラ投資計画、推論時計算量（Test-Time Compute）による能力跳躍、アルゴリズム効率化のペースなどは、論考の指摘通り急激に進行している。
• 課題・ボトルネック：高品質データ枯渇問題や、物理的な電力網（データセンター用の送電設備・発電インフラ）の遅延、AIモデルが引き起こす予期せぬ信頼性低下などにより、「2027年はやや楽観的であり、2029〜2030年頃になるのではないか」とする予測修正を行う研究者グループも存在する。
あれっ、2027年て‥‥
もう来年じゃないか！