--- title: "エンティティ・心とありうる心、証拠の強さの順・シミュレーション仮説" url: https://simulation-hypothesis.com/ja/entities description: "心についての出典付きガイド。実測されたニューロン数を持つ動物、集団のシステムと人工システム、そして感覚と意識について公表された検査を扱います。" license: https://creativecommons.org/licenses/by/4.0/ credit: "Ross Allan Dahl、シミュレーション仮説（simulation-hypothesis.com）" --- # エンティティ · 心と、ありうる心を、証拠の強さで分類 世界がシミュレーションなら、心は、その中で最も計算しにくいものの一部かもしれません。このガイドは、単細胞から人間まで、知られている事例を並べています。これまでに作られた人工システムと、科学者や哲学者が提案したものの、誰も観察していない心も扱います。 すべての数字に、出典と信頼度のタグが付いています。実測は直接数えたもの、推定はほかのデータから割り出したもの、数えていないは誰も数を公表していないことを意味します。これらのシステムのどれかが経験をもつかどうかは、別の問いです。その証拠は、[感覚をもつことの基準](https://simulation-hypothesis.com/ja/entities/sentience)と[意識の指標](https://simulation-hypothesis.com/ja/entities/indicators)にあります。 ## 個々の心 ## 動物:大脳皮質と脳全体のニューロン 皮質または外套 脳全体 すべて 哺乳類 鳥類 大脳皮質(哺乳類)または外套(鳥類)のニューロン数。認知能力の目安として広く使われる解剖学的な指標です。対数目盛で、塗りつぶしの棒は集計値、斜線の棒は推定値または異論のある集計値(†)です。爬虫類と無脊椎動物は、比較できる集計がないため示していません。 1. シャチ † 431億 2. ヒレナガゴンドウ † 372億 3. [人間](https://simulation-hypothesis.com/ja/entities/human)▲1 163億 4. ネズミイルカ † 149億 5. [バンドウイルカ †](https://simulation-hypothesis.com/ja/entities/dolphin) 127億 6. アカボウクジラ 91億 7. ゴリラ 85億 8. オランウータン 85億 9. [チンパンジー](https://simulation-hypothesis.com/ja/entities/chimp) 74億 10. マイルカ 67億 11. タテゴトアザラシ 61億 12. [アフリカゾウ](https://simulation-hypothesis.com/ja/entities/elephant)▼1 56億 13. ナガスクジラ 52億 14. シロナガスクジラ 51億 15. ミンククジラ 32億 88件をすべて表示 10^6 10^7 10^8 10^9 10^10 10^11 neurons 数字を表示 | # | 動物 | 皮質または外套 | 脳全体 | | -- | ------------------------------------ | -------- | ------- | | 1 | シャチ † | 431億 | | | 2 | ヒレナガゴンドウ † | 372億 | | | 3 | 人間 | 163億 | 861億 | | 4 | ネズミイルカ † | 149億 | | | 5 | バンドウイルカ † | 127億 | | | 6 | アカボウクジラ | 91億 | | | 7 | ゴリラ | 85億 | | | 8 | オランウータン | 85億 | | | 9 | チンパンジー | 74億 | | | 10 | マイルカ | 67億 | | | 11 | タテゴトアザラシ | 61億 | | | 12 | アフリカゾウ | 56億 | 2570億 | | 13 | ナガスクジラ | 52億 | | | 14 | シロナガスクジラ | 51億 | | | 15 | ミンククジラ | 32億 | 574億 | | 16 | アヌビスヒヒ(オリーブヒヒ) | 28.8億 | 109.5億 | | 17 | シロイルカ | 27億 | | | 18 | コマッコウ | 20.2億 | | | 19 | ルリコンゴウインコ | 19.17億 | 31.36億 | | 20 | アカゲザル | 17.1億 | 63.91億 | | 21 | キリン | 16.7億 | 112.1億 | | 22 | リスザル | 13.4億 | 32.46億 | | 23 | ワシミミズク | 13.28億 | 18.98億 | | 24 | ケア(ミヤマオウム) | 12.81億 | 21.49億 | | 25 | シロフクロウ | 12.7億 | 18.08億 | | 26 | ワタリガラス | 12億 | 21.71億 | | 27 | モリフクロウ | 11.53億 | 15.81億 | | 28 | オマキザル | 11.4億 | 36.91億 | | 29 | キバタン | 11.35億 | 21.22億 | | 30 | ヨウム | 8.5億 | 15.66億 | | 31 | ミヤマガラス | 8.2億 | 15.09億 | | 32 | オオクーズー | 7.93億 | 60.9億 | | 33 | トラフズク | 6.73億 | 9.91億 | | 34 | タニンバーコバタン | 5.99億 | 11.61億 | | 35 | ライオン | 5.45億 | 46.67億 | | 36 | オジロワシ | 5.43億 | 16.54億 | | 37 | カケス | 5.29億 | 10.85億 | | 38 | イヌ | 5.26億 | | | 39 | シマハイエナ | 4.95億 | 38.85億 | | 40 | ニシコクマルガラス | 4.92億 | 9.68億 | | 41 | ダチョウ | 4.79億 | 16.29億 | | 42 | カササギ | 4.43億 | 8.97億 | | 43 | セーカーハヤブサ | 4.43億 | 12.04億 | | 44 | エミュー | 4.39億 | 13.35億 | | 45 | アライグマ | 4.38億 | 21.48億 | | 46 | メンフクロウ | 4.37億 | 6.9億 | | 47 | コキンメフクロウ | 4.01億 | 5.86億 | | 48 | クロコンドル | 3.99億 | 10.09億 | | 49 | スズメフクロウ(ヨーロッパスズメフクロウ) | 3.64億 | 5.33億 | | 50 | ノスリ | 3.52億 | 10.01億 | | 51 | アメリカレア | 3.3億 | 10.3億 | | 52 | コブハクチョウ | 3.24億 | 10.01億 | | 53 | ブタ | 2.93億 | 22.2億 | | 54 | ハイイロガン | 2.59億 | 7.38億 | | 55 | ヒグマ | 2.51億 | 95.86億 | | 56 | イエネコ | 2.5億 | 12.15億 | | 57 | コモンマーモセット | 2.45億 | 6.38億 | | 58 | チョウゲンボウ | 2.38億 | 6.25億 | | 59 | コガモ | 1.67億 | 3.75億 | | 60 | セキセイインコ | 1.49億 | 3.22億 | | 61 | アカエリヒメガン | 1.49億 | 4.83億 | | 62 | アメリカオシ | 1.38億 | 3.06億 | | 63 | コビトハヤブサ | 1.32億 | 3.5億 | | 64 | マーブルダック(Marmaronetta angustirostris) | 1.3億 | 3.87億 | | 65 | インドクジャク | 1.3億 | 5.71億 | | 66 | キバナコブホウカンチョウ | 1.25億 | 6.53億 | | 67 | ビクトリアカンムリバト | 1.18億 | 5.79億 | | 68 | マガモ | 1.12億 | 3.67億 | | 69 | シチメンチョウ(ワイルドターキー) | 1.06億 | 4.93億 | | 70 | ハイタカ | 8783.2万 | 4.02億 | | 71 | カラヤマドリ | 8068.8万 | 3.87億 | | 72 | カワラバト | 7200万 | 3.1億 | | 73 | アナウサギ | 7150万 | 5.13億 | | 74 | セキショクヤケイ | 6070万 | 2.21億 | | 75 | チリシギダチョウ | 5913万 | 2.41億 | | 76 | キンカチョウ | 5520万 | 1.36億 | | 77 | カンムリシギダチョウ | 5138.4万 | 2.18億 | | 78 | モリバト | 5132.51万 | 2.59億 | | 79 | ケブラチョカンムリシギダチョウ | 4829.2万 | 2.36億 | | 80 | アフリカコキジバト | 3999.75万 | 1.39億 | | 81 | コリンウズラ | 3911.2万 | 1.48億 | | 82 | ヨーロッパヤマウズラ | 3688.2万 | 1.7億 | | 83 | ラット | 3100万 | 2億 | | 84 | ウズラ | 2256.8万 | 1.18億 | | 85 | ヒメウズラ(キングウズラ) | 2052.3万 | 8047.8万 | | 86 | ダイヤモンドバト | 1820.93万 | 8787.9万 | | 87 | マウス | 1370万 | 7090万 | | 88 | ハダカデバネズミ | 531万 | 3362万 | ## AIシステム:パラメータ数とシナプス数 全パラメーター トークンごとに使用 All 言語 マルチモーダル 視覚 その他(音声、生物学、ゲーム、ロボット工学など) 学習可能なパラメーター(結合の重み)を対数目盛で示しています。Epoch AIのデータベースにある、パラメーター数のある主要なモデルすべてです(取得日 2026年10月3日)。塗りつぶしの棒は、Epochが信頼できると評価した数、斜線の棒は、可能性が高い、または推測的と評価した数です。\*の棒は、開発元が規模を公表していないクローズドなモデルの推定値で、第三者の分析から2026年10月2日にまとめたものです。ひげは推定値の範囲を示します。Gemini 3以降:公表された推定値はなし。 白抜きの行はシナプス数です。パラメーターはニューロンよりもシナプスに近いものです。 1. ヒトの新皮質 1.6 × 10¹⁴ 2. GPT-5.5 (OpenAI, 2026) \* \~4.7 × 10¹² 3. Claude Fable 5 (Anthropic, 2026) \* \~3.5 × 10¹² 4. Grok 3 (xAI, 2025) \~3 × 10¹² 5. Grok 4 (xAI, 2025) \~3 × 10¹² 6. Gemini 2.5 Pro (Google, 2025) \* \~3 × 10¹² 7. Kimi K3 (Moonshot, 2026) \~2.8 × 10¹² 8. Qwen 3.8 Max (Alibaba, 2026) 2.4 × 10¹² 9. Qwen3.8-2.4T-A95B (Alibaba, 2026) 2.4 × 10¹² 10. Grok 4.7 (xAI, 2026) \* \~2.1 × 10¹² 11. Llama 4 Behemoth (Meta AI, 2025) \~2 × 10¹² 12. GPT-4 (OpenAI, 2023) \~1.8 × 10¹² 13. DeepSeek-V4-Pro (DeepSeek, 2026) \~1.6 × 10¹² 14. LongCat-2.0 (Meituan Inc, 2026) \~1.6 × 10¹² 15. Switch (Google, 2021) 1.6 × 10¹² 16. GLaM (Google, 2021) 1.2 × 10¹² 17. PanGu-Σ (Huawei Noah's Ark Lab, 2023) 1.1 × 10¹² 18. Kimi K2.5 (Moonshot, 2026) \~1 × 10¹² 19. Composer 2 (Cursor, 2026) 1 × 10¹² 20. Kimi K2.6 (Moonshot, 2026) 1 × 10¹² 21. Composer 2.5 (Cursor, 2026) \~1 × 10¹² 22. MiMo-V2-Pro (Xiaomi Corp, 2026) 1 × 10¹² 23. MiMo-V2.5-Pro (Xiaomi Corp, 2026) \~1 × 10¹² 24. M6-T (Alibaba, 2021) \~1 × 10¹² 25. Kimi K2 (Moonshot, 2025) 1 × 10¹² 26. Qwen3-Max (Alibaba, 2025) \~1 × 10¹² 27. Ling-1T (Ant Group, 2025) 1 × 10¹² 28. Kimi K2 Thinking (Moonshot, 2025) \~1 × 10¹² 29. Inkling (Thinking Machines, 2026) \~9.8 × 10¹¹ 30. Tencent Hy4 preview (Tencent, 2026) \~7.7 × 10¹¹ 31. GLM-5.1 (Z.ai (Zhipu AI), 2026) 7.5 × 10¹¹ 32. K-EXAONE 2.0 (LG AI Research, 2026) 7.5 × 10¹¹ 33. DeepSeek V4.1 Flash (DeepSeek, 2026) \~7.5 × 10¹¹ 34. GLM-5 (Z.ai (Zhipu AI), 2026) \~7.4 × 10¹¹ 35. GLM-5.3 (Z.ai (Zhipu AI), 2026) 7.4 × 10¹¹ 36. A.X K2 (SK Telecom, 2026) 6.9 × 10¹¹ 37. DeepSeekMath-V2 (DeepSeek, 2025) 6.8 × 10¹¹ 38. Mistral Large 3 (Mistral AI, 2025) 6.8 × 10¹¹ 39. DeepSeek-V3 (DeepSeek, 2024) 6.7 × 10¹¹ 40. DeepSeek-R1 (DeepSeek, 2025) 6.7 × 10¹¹ 725件をすべて表示 10^4 10^6 10^8 10^10 10^12 10^14 パラメーターまたはシナプス 数字を表示 | # | システム | 全パラメーター | トークンごとに使用 | 年 | 種類 | | --- | ------------------------------------------------------------------------------------------- | ------------ | ---------- | ---- | ------------------------- | | 1 | ヒトの新皮質 | 1.6 × 10¹⁴ | 1.6 × 10¹⁴ | | シナプス | | 2 | GPT-5.5 (OpenAI, 2026) \* | \~4.7 × 10¹² | | 2026 | 推定 | | 3 | Claude Fable 5 (Anthropic, 2026) \* | \~3.5 × 10¹² | | 2026 | 推定 | | 4 | Grok 3 (xAI, 2025) | \~3 × 10¹² | | 2025 | 推定 | | 5 | Grok 4 (xAI, 2025) | \~3 × 10¹² | | 2025 | 推定 | | 6 | Gemini 2.5 Pro (Google, 2025) \* | \~3 × 10¹² | | 2025 | 推定 | | 7 | Kimi K3 (Moonshot, 2026) | \~2.8 × 10¹² | | 2026 | 推定 | | 8 | Qwen 3.8 Max (Alibaba, 2026) | 2.4 × 10¹² | 2.4 × 10¹² | 2026 | 構造は非公開 | | 9 | Qwen3.8-2.4T-A95B (Alibaba, 2026) | 2.4 × 10¹² | 9.5 × 10¹⁰ | 2026 | 専門家混合(mixture of experts) | | 10 | Grok 4.7 (xAI, 2026) \* | \~2.1 × 10¹² | | 2026 | 推定 | | 11 | Llama 4 Behemoth (Meta AI, 2025) | \~2 × 10¹² | | 2025 | 推定 | | 12 | GPT-4 (OpenAI, 2023) | \~1.8 × 10¹² | | 2023 | 推定 | | 13 | DeepSeek-V4-Pro (DeepSeek, 2026) | \~1.6 × 10¹² | | 2026 | 推定 | | 14 | LongCat-2.0 (Meituan Inc, 2026) | \~1.6 × 10¹² | | 2026 | 推定 | | 15 | Switch (Google, 2021) | 1.6 × 10¹² | 1.6 × 10¹² | 2021 | 専門家混合(有効なパラメーター数は非公表) | | 16 | GLaM (Google, 2021) | 1.2 × 10¹² | 1.2 × 10¹² | 2021 | 専門家混合(有効なパラメーター数は非公表) | | 17 | PanGu-Σ (Huawei Noah's Ark Lab, 2023) | 1.1 × 10¹² | 1.1 × 10¹² | 2023 | 専門家混合(有効なパラメーター数は非公表) | | 18 | Kimi K2.5 (Moonshot, 2026) | \~1 × 10¹² | | 2026 | 推定 | | 19 | Composer 2 (Cursor, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | 専門家混合(有効なパラメーター数は非公表) | | 20 | Kimi K2.6 (Moonshot, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | 専門家混合(有効なパラメーター数は非公表) | | 21 | Composer 2.5 (Cursor, 2026) | \~1 × 10¹² | | 2026 | 推定 | | 22 | MiMo-V2-Pro (Xiaomi Corp, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | 構造は非公開 | | 23 | MiMo-V2.5-Pro (Xiaomi Corp, 2026) | \~1 × 10¹² | | 2026 | 推定 | | 24 | M6-T (Alibaba, 2021) | \~1 × 10¹² | | 2021 | 推定 | | 25 | Kimi K2 (Moonshot, 2025) | 1 × 10¹² | 1 × 10¹² | 2025 | 専門家混合(有効なパラメーター数は非公表) | | 26 | Qwen3-Max (Alibaba, 2025) | \~1 × 10¹² | | 2025 | 推定 | | 27 | Ling-1T (Ant Group, 2025) | 1 × 10¹² | 5 × 10¹⁰ | 2025 | 専門家混合(mixture of experts) | | 28 | Kimi K2 Thinking (Moonshot, 2025) | \~1 × 10¹² | | 2025 | 推定 | | 29 | Inkling (Thinking Machines, 2026) | \~9.8 × 10¹¹ | | 2026 | 推定 | | 30 | Tencent Hy4 preview (Tencent, 2026) | \~7.7 × 10¹¹ | | 2026 | 推定 | | 31 | GLM-5.1 (Z.ai (Zhipu AI), 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | 専門家混合(有効なパラメーター数は非公表) | | 32 | K-EXAONE 2.0 (LG AI Research, 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | 専門家混合(有効なパラメーター数は非公表) | | 33 | DeepSeek V4.1 Flash (DeepSeek, 2026) | \~7.5 × 10¹¹ | | 2026 | 推定 | | 34 | GLM-5 (Z.ai (Zhipu AI), 2026) | \~7.4 × 10¹¹ | | 2026 | 推定 | | 35 | GLM-5.3 (Z.ai (Zhipu AI), 2026) | 7.4 × 10¹¹ | 4 × 10¹⁰ | 2026 | 専門家混合(mixture of experts) | | 36 | A.X K2 (SK Telecom, 2026) | 6.9 × 10¹¹ | 6.9 × 10¹¹ | 2026 | 専門家混合(有効なパラメーター数は非公表) | | 37 | DeepSeekMath-V2 (DeepSeek, 2025) | 6.8 × 10¹¹ | 6.8 × 10¹¹ | 2025 | 専門家混合(有効なパラメーター数は非公表) | | 38 | Mistral Large 3 (Mistral AI, 2025) | 6.8 × 10¹¹ | 4.1 × 10¹⁰ | 2025 | 専門家混合(mixture of experts) | | 39 | DeepSeek-V3 (DeepSeek, 2024) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2024 | 専門家混合(mixture of experts) | | 40 | DeepSeek-R1 (DeepSeek, 2025) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2025 | 専門家混合(mixture of experts) | | 41 | SenseChat 5.5 (SenseTime, 2024) | 6 × 10¹¹ | 6 × 10¹¹ | 2024 | 構造は非公開 | | 42 | Step 5 Preview (StepFun, 2026) | \~6 × 10¹¹ | | 2026 | 推定 | | 43 | PaLM-E (Google, 2023) | \~5.6 × 10¹¹ | | 2023 | 推定 | | 44 | Hunyuan-TurboS (Tencent, 2025) | 5.6 × 10¹¹ | 5.6 × 10¹¹ | 2025 | 専門家混合(有効なパラメーター数は非公表) | | 45 | LongCat-Flash (Meituan Inc, 2025) | \~5.6 × 10¹¹ | | 2025 | 推定 | | 46 | Nemotron 3 Ultra (Nvidia, 2026) | \~5.5 × 10¹¹ | | 2026 | 推定 | | 47 | PaLM (Google Research, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 密(dense) | | 48 | Minerva (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 密(dense) | | 49 | U-PaLM (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 密(dense) | | 50 | LMSI-Palm (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 密(dense) | | 51 | Flan-PaLM 540B (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 密(dense) | | 52 | Megatron-Turing NLG 530B (Microsoft, 2021) | 5.3 × 10¹¹ | 5.3 × 10¹¹ | 2021 | 密(dense) | | 53 | MegaScale (ByteDance, 2024) | \~5.3 × 10¹¹ | | 2024 | 推定 | | 54 | A.X K1 (SK Telecom, 2025) | 5.2 × 10¹¹ | 5.2 × 10¹¹ | 2025 | 専門家混合(有効なパラメーター数は非公表) | | 55 | Doubao-pro (ByteDance, 2024) | \~5 × 10¹¹ | | 2024 | 推定 | | 56 | Grok 4.20 (xAI, 2026) | \~5 × 10¹¹ | | 2026 | 推定 | | 57 | Qwen3-Coder-480B-A35B (Alibaba, 2025) | 4.8 × 10¹¹ | 3.5 × 10¹⁰ | 2025 | 専門家混合(mixture of experts) | | 58 | MiniMax-M3 (MiniMax, 2026) | 4.3 × 10¹¹ | 2.2 × 10¹⁰ | 2026 | 専門家混合(mixture of experts) | | 59 | ERNIE-4.5-VL-424B-A47B (Baidu, 2025) | 4.2 × 10¹¹ | 4.7 × 10¹⁰ | 2025 | 専門家混合(mixture of experts) | | 60 | Llama 3.1-405B (Meta AI, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | 密(dense) | | 61 | Llama 4 Maverick (Meta AI, 2025) | \~4 × 10¹¹ | | 2025 | 推定 | | 62 | Jamba 1.5-Large (AI21 Labs, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | 専門家混合(有効なパラメーター数は非公表) | | 63 | Qwen3.5 397B-A17B (Alibaba, 2026) | \~4 × 10¹¹ | | 2026 | 推定 | | 64 | Hunyuan-Large (Tencent, 2024) | 3.9 × 10¹¹ | 3.9 × 10¹¹ | 2024 | 専門家混合(有効なパラメーター数は非公表) | | 65 | GLM-4.7 (Z.ai (Zhipu AI), 2025) | \~3.6 × 10¹¹ | | 2025 | 推定 | | 66 | GLM-4.6 (Z.ai (Zhipu AI), 2025) | \~3.6 × 10¹¹ | | 2025 | 推定 | | 67 | GLM-4.5 (Z.ai (Zhipu AI), 2025) | 3.5 × 10¹¹ | 3.2 × 10¹⁰ | 2025 | 専門家混合(mixture of experts) | | 68 | PaLM 2 (Google, 2023) | \~3.4 × 10¹¹ | | 2023 | 推定 | | 69 | Med-PaLM 2 (Google Research, 2023) | \~3.4 × 10¹¹ | | 2023 | 推定 | | 70 | Nemotron-4 340B (Nvidia, 2024) | 3.4 × 10¹¹ | 3.4 × 10¹¹ | 2024 | 密(dense) | | 71 | GLM-5.3-Flash (Z.ai (Zhipu AI), 2026) | \~3.2 × 10¹¹ | | 2026 | 推定 | | 72 | Grok-1 (xAI, 2023) | \~3.1 × 10¹¹ | | 2023 | 推定 | | 73 | Motif-3 (Motif Technologies, 2026) | 3.1 × 10¹¹ | 3.1 × 10¹¹ | 2026 | 専門家混合(有効なパラメーター数は非公表) | | 74 | SB-LM (Google, 2007) | \~3 × 10¹¹ | | 2007 | 推定 | | 75 | Tencent Hy3 preview (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | 専門家混合(有効なパラメーター数は非公表) | | 76 | Tencent Hy3 (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | 専門家混合(有効なパラメーター数は非公表) | | 77 | DeepSeek-V4-Flash (DeepSeek, 2026) | \~2.8 × 10¹¹ | | 2026 | 推定 | | 78 | Gopher (DeepMind, 2021) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2021 | 密(dense) | | 79 | TML-Interaction-Small (Thinking Machines, 2026) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2026 | 専門家混合(有効なパラメーター数は非公表) | | 80 | ST-MoE (Google, 2022) | \~2.7 × 10¹¹ | | 2022 | 推定 | | 81 | ERNIE 3.0 Titan (Baidu, 2021) | 2.6 × 10¹¹ | 2.6 × 10¹¹ | 2021 | 密(dense) | | 82 | Solar Open2 250B (Upstage, 2026) | \~2.5 × 10¹¹ | | 2026 | 推定 | | 83 | Aramco Metabrain AI (Saudi Aramco, 2024) | \~2.5 × 10¹¹ | | 2024 | 推定 | | 84 | Yuan 1.0 (Inspur, 2021) | 2.5 × 10¹¹ | 2.5 × 10¹¹ | 2021 | 構造は非公開 | | 85 | DeepSeek-Coder-V2 236B (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | 専門家混合(有効なパラメーター数は非公表) | | 86 | DeepSeek-V2.5 (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | 専門家混合(有効なパラメーター数は非公表) | | 87 | K-EXAONE (LG AI Research, 2025) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2025 | 構造は非公開 | | 88 | Qwen3-235B-A22B (Alibaba, 2025) | \~2.4 × 10¹¹ | | 2025 | 推定 | | 89 | Qwen3-235B-A22B-Thinking (Alibaba, 2025) | \~2.4 × 10¹¹ | | 2025 | 推定 | | 90 | P1-235B-A22B (Shanghai AI Lab, 2025) | \~2.4 × 10¹¹ | | 2025 | 推定 | | 91 | Seed-1.6-Thinking (ByteDance, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | 専門家混合(有効なパラメーター数は非公表) | | 92 | MiniMax-M2 (MiniMax, 2025) | 2.3 × 10¹¹ | 1 × 10¹⁰ | 2025 | 専門家混合(mixture of experts) | | 93 | MiniMax-M2.1 (MiniMax, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | 専門家混合(有効なパラメーター数は非公表) | | 94 | HyperCLOVA 204B (NAVER, 2021) | \~2 × 10¹¹ | | 2021 | 推定 | | 95 | Amazon Titan (Amazon, 2023) | \~2 × 10¹¹ | | 2023 | 推定 | | 96 | Falcon-180B (Technology Innovation Institute, 2023) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2023 | 密(dense) | | 97 | Jurassic-1-Jumbo (AI21 Labs, 2021) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2021 | 構造は非公開 | | 98 | BLOOM-176B (Hugging Face, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | 密(dense) | | 99 | BLUUMI (University of Turku, 2023) | \~1.8 × 10¹¹ | | 2023 | 推定 | | 100 | InstructGPT 175B (OpenAI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | 密(dense) | | 101 | OPT-175B (Meta AI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | 密(dense) | | 102 | BlenderBot 3 (McGill University, 2022) | \~1.8 × 10¹¹ | | 2022 | 推定 | | 103 | GPT-3 175B (OpenAI, 2020) | 1.7 × 10¹¹ | 1.7 × 10¹¹ | 2020 | 密(dense) | | 104 | Palmyra X 004 (Writer, 2024) | \~1.5 × 10¹¹ | | 2024 | 推定 | | 105 | FLAN 137B (Google Research, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | 構造は非公開 | | 106 | LaMDA (Google, 2022) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2022 | 構造は非公開 | | 107 | MEB (Microsoft, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | 構造は非公開 | | 108 | Pangu Ultra (Huawei, 2025) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2025 | 構造は非公開 | | 109 | DBRX (Databricks, 2024) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2024 | 専門家混合(有効なパラメーター数は非公表) | | 110 | GLM-130B (Tsinghua University, 2022) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2022 | 密(dense) | | 111 | Pixtral Large (Mistral AI, 2024) | 1.2 × 10¹¹ | 1.2 × 10¹¹ | 2024 | 構造は非公開 | | 112 | Mistral Large 2 (Mistral AI, 2024) | \~1.2 × 10¹¹ | | 2024 | 推定 | | 113 | Qwen3.5-122B-A10B (Alibaba, 2026) | \~1.2 × 10¹¹ | | 2026 | 推定 | | 114 | Galactica (Meta AI, 2022) | \~1.2 × 10¹¹ | | 2022 | 推定 | | 115 | Nemotron 3 Super (Nvidia, 2026) | \~1.2 × 10¹¹ | | 2026 | 推定 | | 116 | gpt-oss-120b (OpenAI, 2025) | 1.2 × 10¹¹ | 5.1 × 10⁹ | 2025 | 専門家混合(mixture of experts) | | 117 | Telechat2-115B (China Telecom, 2024) | 1.1 × 10¹¹ | 1.1 × 10¹¹ | 2024 | 構造は非公開 | | 118 | Kaiju Large (Character.ai, 2025) | \~1.1 × 10¹¹ | | 2025 | 推定 | | 119 | Llama 4 Scout (Meta AI, 2025) | \~1.1 × 10¹¹ | | 2025 | 推定 | | 120 | InternLM (Shanghai AI Lab, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | 密(dense) | | 121 | Solar Open 100B (Upstage, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | 構造は非公開 | | 122 | DLRM-2020 (Facebook AI, 2019) | 1 × 10¹¹ | 1 × 10¹¹ | 2019 | 密(dense) | | 123 | xTrimoPGLM -100B (Tsinghua University, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | 構造は非公開 | | 124 | Yi-Large (01.AI, 2024) | \~1 × 10¹¹ | | 2024 | 推定 | | 125 | VAETKI (NC AI, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | 専門家混合(有効なパラメーター数は非公表) | | 126 | ESM3 (EvolutionaryScale, 2024) | 9.8 × 10¹⁰ | 9.8 × 10¹⁰ | 2024 | 構造は非公開 | | 127 | マウスの新皮質 | 8.1 × 10¹⁰ | 8.1 × 10¹⁰ | | シナプス | | 128 | Flamingo (DeepMind, 2022) | 8 × 10¹⁰ | 8 × 10¹⁰ | 2022 | 密(dense) | | 129 | Qwen3-Coder-Next (Alibaba, 2026) | \~8 × 10¹⁰ | | 2026 | 推定 | | 130 | Qwen2-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | 密(dense) | | 131 | Qwen2.5-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | 密(dense) | | 132 | Qwen2.5 Instruct (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | 密(dense) | | 133 | Qwen-72B (Alibaba, 2023) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2023 | 密(dense) | | 134 | Palmyra X 003 (Writer, 2024) | \~7.2 × 10¹⁰ | | 2024 | 推定 | | 135 | Qwen1.5-72B (Alibaba, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | 密(dense) | | 136 | LLaVA-OV-72B (ByteDance, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | 密(dense) | | 137 | NVLM-X 72B (Nvidia, 2024) | \~7.2 × 10¹⁰ | | 2024 | 推定 | | 138 | NVLM-H 72B (Nvidia, 2024) | \~7.2 × 10¹⁰ | | 2024 | 推定 | | 139 | NVLM-D 72B (Nvidia, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | 構造は非公開 | | 140 | MindLink-72B (Kunlun Inc., 2025) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2025 | 構造は非公開 | | 141 | Chinchilla (DeepMind, 2022) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2022 | 密(dense) | | 142 | Llama 2-70B (Meta AI, 2023) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2023 | 密(dense) | | 143 | PPLX-70B-Online (Perplexity, 2023) | \~7 × 10¹⁰ | | 2023 | 推定 | | 144 | Llama 3-70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | 密(dense) | | 145 | ALLaM adapted 70B (Saudi Data and Artificial Intelligence Authority, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | 構造は非公開 | | 146 | Llama 3.3 70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | 密(dense) | | 147 | Reka Core (Reka AI, 2024) | \~6.7 × 10¹⁰ | | 2024 | 推定 | | 148 | LLaMA-65B (Meta AI, 2023) | 6.5 × 10¹⁰ | 6.5 × 10¹⁰ | 2023 | 密(dense) | | 149 | SNM-skip (Google, 2014) | \~6.2 × 10¹⁰ | | 2014 | 推定 | | 150 | PaLI-X (Google Research, 2023) | \~5.5 × 10¹⁰ | | 2023 | 推定 | | 151 | RT-2 (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | 構造は非公開 | | 152 | RT-2-X (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | 構造は非公開 | | 153 | NLLB (Meta AI, 2022) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2022 | 密(dense) | | 154 | BloombergGPT (Bloomberg, 2023) | 5.1 × 10¹⁰ | 5.1 × 10¹⁰ | 2023 | 密(dense) | | 155 | M4-50B (Google, 2019) | 5 × 10¹⁰ | 5 × 10¹⁰ | 2019 | 専門家混合(有効なパラメーター数は非公表) | | 156 | Mixtral 8x7B (Mistral AI, 2023) | \~4.7 × 10¹⁰ | | 2023 | 推定 | | 157 | AlphaCode (DeepMind, 2022) | 4.1 × 10¹⁰ | 4.1 × 10¹⁰ | 2022 | 構造は非公開 | | 158 | Falcon-40B (Technology Innovation Institute, 2023) | 4 × 10¹⁰ | 4 × 10¹⁰ | 2023 | 密(dense) | | 159 | Qwen3-Omni-30B-A3B (Alibaba, 2025) | 3.5 × 10¹⁰ | 3 × 10⁹ | 2025 | 専門家混合(mixture of experts) | | 160 | Yi-34B (01.AI, 2023) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2023 | 密(dense) | | 161 | Cambrian-1-34B (New York University (NYU), 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | 構造は非公開 | | 162 | Oryx 34B (Tsinghua University, 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | 構造は非公開 | | 163 | Kaiju Medium (Character.ai, 2025) | \~3.4 × 10¹⁰ | | 2025 | 推定 | | 164 | EXAONE 4.5 (LG AI Research, 2026) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2026 | 構造は非公開 | | 165 | Qwen2.5-32B (Alibaba, 2024) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2024 | 密(dense) | | 166 | QwQ-32B (Alibaba, 2025) | \~3.3 × 10¹⁰ | | 2025 | 推定 | | 167 | EXAONE 3.5 32B (LG AI Research, 2024) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2024 | 構造は非公開 | | 168 | EXAONE Deep 32B (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | 構造は非公開 | | 169 | EXAONE 4.0 (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | 構造は非公開 | | 170 | Olmo 3 (Allen Institute for AI, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | 構造は非公開 | | 171 | HyperCLOVA X SEED 32B Think (NAVER, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | 構造は非公開 | | 172 | Nemotron 3-Nano-30B-A3B (Nvidia, 2025) | \~3.2 × 10¹⁰ | | 2025 | 推定 | | 173 | Tongyi DeepResearch (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | 構造は非公開 | | 174 | MM1-30B (Apple, 2024) | \~3 × 10¹⁰ | | 2024 | 推定 | | 175 | Movie Gen Video (Meta AI, 2024) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2024 | 構造は非公開 | | 176 | AgentFounder-30B (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | 構造は非公開 | | 177 | PLUG (Alibaba, 2021) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2021 | 構造は非公開 | | 178 | Qwen Image (Alibaba, 2025) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2025 | 構造は非公開 | | 179 | GenSLM (University of Chicago, 2022) | 2.5 × 10¹⁰ | 2.5 × 10¹⁰ | 2022 | 構造は非公開 | | 180 | ViT-22B (Google, 2023) | 2.2 × 10¹⁰ | 2.2 × 10¹⁰ | 2023 | 構造は非公開 | | 181 | KN-LM (Google, 2007) | \~2.1 × 10¹⁰ | | 2007 | 推定 | | 182 | gpt-oss-20b (OpenAI, 2025) | 2.1 × 10¹⁰ | 2.1 × 10¹⁰ | 2025 | 専門家混合(有効なパラメーター数は非公表) | | 183 | RNN for 1B words (Google, 2013) | \~2 × 10¹⁰ | | 2013 | 推定 | | 184 | GPT-NeoX-20B (EleutherAI, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | 密(dense) | | 185 | UL2 (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | 構造は非公開 | | 186 | Parti (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | 構造は非公開 | | 187 | GPT-3.5 Turbo (OpenAI, 2023) | \~2 × 10¹⁰ | | 2023 | 推定 | | 188 | GPT-3.5 Turbo Instruct (OpenAI, 2023) | \~2 × 10¹⁰ | | 2023 | 推定 | | 189 | SPHINX (Shanghai AI Lab, 2023) | \~2 × 10¹⁰ | | 2023 | 推定 | | 190 | AlexaTM 20B (Amazon, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | 構造は非公開 | | 191 | CogAgent (Tsinghua University, 2023) | \~1.8 × 10¹⁰ | | 2023 | 推定 | | 192 | Turing-NLG (Microsoft, 2020) | \~1.7 × 10¹⁰ | | 2020 | 推定 | | 193 | CogVLM-17B (Tsinghua University, 2023) | 1.7 × 10¹⁰ | 1.7 × 10¹⁰ | 2023 | 構造は非公開 | | 194 | PaLI (Google, 2022) | \~1.7 × 10¹⁰ | | 2022 | 推定 | | 195 | CodeT5+ (Salesforce, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | 構造は非公開 | | 196 | StarCoder (Hugging Face, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | 密(dense) | | 197 | ESM2-15B (Meta AI, 2022) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2022 | 構造は非公開 | | 198 | FunSearch (Google DeepMind, 2023) | \~1.5 × 10¹⁰ | | 2023 | 推定 | | 199 | NVILA 15B (Nvidia, 2024) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2024 | 構造は非公開 | | 200 | nekomata-14b (rinna, 2023) | 1.4 × 10¹⁰ | 1.4 × 10¹⁰ | 2023 | 構造は非公開 | | 201 | VILA1.5-13B (Nvidia, 2024) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2024 | 構造は非公開 | | 202 | VILA-13B (Nvidia, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 構造は非公開 | | 203 | mT5-XXL (Google, 2020) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2020 | 密(dense) | | 204 | mT0-13B (Hugging Face, 2022) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2022 | 構造は非公開 | | 205 | LLaVA (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 密(dense) | | 206 | InstructBLIP (Salesforce Research, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 構造は非公開 | | 207 | Jais (Cerebras Systems, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 構造は非公開 | | 208 | FinGPT-13B (University of California Los Angeles (UCLA), 2023) | \~1.3 × 10¹⁰ | | 2023 | 推定 | | 209 | Ferret (Columbia University, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 構造は非公開 | | 210 | Skywork-13B (Kunlun Inc., 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 構造は非公開 | | 211 | LLaVA 1.5 (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 密(dense) | | 212 | Volcano 13B (Korea University, 2023) | \~1.3 × 10¹⁰ | | 2023 | 推定 | | 213 | Aya (Cohere Labs (formerly Cohere for AI), 2024) | \~1.3 × 10¹⁰ | | 2024 | 推定 | | 214 | Kaiju Small (Character.ai, 2025) | \~1.3 × 10¹⁰ | | 2025 | 推定 | | 215 | ByT5-XXL (Google, 2021) | \~1.3 × 10¹⁰ | | 2021 | 推定 | | 216 | CoRe (Tsinghua University, 2023) | \~1.2 × 10¹⁰ | | 2023 | 推定 | | 217 | DALL-E (OpenAI, 2021) | \~1.2 × 10¹⁰ | | 2021 | 推定 | | 218 | Codex (OpenAI, 2021) | \~1.2 × 10¹⁰ | | 2021 | 推定 | | 219 | T5-11B (Google, 2019) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2019 | 密(dense) | | 220 | UnifiedQA (Allen Institute for AI, 2020) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2020 | 密(dense) | | 221 | Unicorn (Allen Institute for AI, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | 構造は非公開 | | 222 | PLATO-XL (Baidu, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | 構造は非公開 | | 223 | CoEdiT-xxl (University of Minnesota, 2023) | \~1.1 × 10¹⁰ | | 2023 | 推定 | | 224 | GQA-8-XXL (Google Research, 2023) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2023 | 構造は非公開 | | 225 | XLMR-XXL (Facebook AI Research, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | 構造は非公開 | | 226 | Llama 3.2 11B (Meta AI, 2024) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2024 | 密(dense) | | 227 | ERNIE 3.0 (Baidu, 2021) | 1 × 10¹⁰ | 1 × 10¹⁰ | 2021 | 密(dense) | | 228 | ERNIE-ViLG (Baidu, 2021) | \~1 × 10¹⁰ | | 2021 | 推定 | | 229 | Qwen-VL (Alibaba, 2023) | \~9.6 × 10⁹ | | 2023 | 推定 | | 230 | Generative BST (Facebook AI Research, 2021) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2021 | 構造は非公開 | | 231 | Sparse all-MLP (Meta AI, 2022) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2022 | 専門家混合(有効なパラメーター数は非公表) | | 232 | CogVideo (Tsinghua University, 2022) | \~9.4 × 10⁹ | | 2022 | 推定 | | 233 | eDiff-I (Nvidia, 2022) | \~9.1 × 10⁹ | | 2022 | 推定 | | 234 | Eagle 2 (Nvidia, 2025) | 8.9 × 10⁹ | 8.9 × 10⁹ | 2025 | 構造は非公開 | | 235 | MoE-Multi (Jagiellonian University, 2017) | 8.7 × 10⁹ | 8.7 × 10⁹ | 2017 | 専門家混合(有効なパラメーター数は非公表) | | 236 | Qwen-Audio-Chat (Alibaba, 2023) | \~8.5 × 10⁹ | | 2023 | 推定 | | 237 | Megatron-LM (Nvidia, 2019) | \~8.3 × 10⁹ | | 2019 | 推定 | | 238 | BigSSL (Google, 2021) | \~8 × 10⁹ | | 2021 | 推定 | | 239 | Nemotron-3-8B (Nvidia, 2023) | 8 × 10⁹ | 8 × 10⁹ | 2023 | 構造は非公開 | | 240 | Stable Diffusion 3 (Stability AI, 2024) | 8 × 10⁹ | 8 × 10⁹ | 2024 | 密(dense) | | 241 | Qwen3 Embedding (Alibaba, 2025) | 8 × 10⁹ | 8 × 10⁹ | 2025 | 専門家混合(有効なパラメーター数は非公表) | | 242 | Imagen (Google Brain, 2022) | \~7.8 × 10⁹ | | 2022 | 推定 | | 243 | XGLM-7.5B (Meta AI, 2021) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2021 | 構造は非公開 | | 244 | RETRO-7B (DeepMind, 2022) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2022 | 構造は非公開 | | 245 | OpenVLA (Stanford University, 2024) | 7.2 × 10⁹ | 7.2 × 10⁹ | 2024 | 構造は非公開 | | 246 | mPLUG-Owl2 (Alibaba, 2023) | \~7.1 × 10⁹ | | 2023 | 推定 | | 247 | Goat-7B (National University of Singapore, 2023) | \~7 × 10⁹ | | 2023 | 推定 | | 248 | Llama 2-7B (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | 密(dense) | | 249 | Llama Guard (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | 密(dense) | | 250 | Qwen-VL-Max (Alibaba, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | 密(dense) | | 251 | Mathstral (Mistral AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | 構造は非公開 | | 252 | Apollo 7B (Meta AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | 構造は非公開 | | 253 | Eurus-2-7B-PRIME (Tsinghua University, 2025) | \~7 × 10⁹ | | 2025 | 推定 | | 254 | INTELLECT-MATH (Prime Intellect, 2025) | 7 × 10⁹ | 7 × 10⁹ | 2025 | 構造は非公開 | | 255 | Incoder-6.7B (Facebook AI Research, 2023) | 6.7 × 10⁹ | 6.7 × 10⁹ | 2023 | 構造は非公開 | | 256 | ProGen2-xlarge (Salesforce Research, 2022) | 6.4 × 10⁹ | 6.4 × 10⁹ | 2022 | 構造は非公開 | | 257 | GPipe (Google, 2018) | \~6 × 10⁹ | | 2018 | 推定 | | 258 | InstructGPT 6B (OpenAI, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | 密(dense) | | 259 | Vega v2 (Wuhan University, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | 構造は非公開 | | 260 | ChatGLM3-6B (Z.ai (Zhipu AI), 2023) | \~6 × 10⁹ | | 2023 | 推定 | | 261 | MolmoAct 2 (Allen Institute for AI, 2026) | \~5.5 × 10⁹ | | 2026 | 推定 | | 262 | T-NLRv5 XXL (Microsoft, 2021) | 5.4 × 10⁹ | 5.4 × 10⁹ | 2021 | 構造は非公開 | | 263 | π0.6 (Physical Intelligence, 2025) | 5.3 × 10⁹ | 5.3 × 10⁹ | 2025 | 専門家混合(有効なパラメーター数は非公表) | | 264 | PaLI-3 (Google DeepMind, 2023) | 5 × 10⁹ | 5 × 10⁹ | 2023 | 構造は非公開 | | 265 | Mesh-TensorFlow Transformer 4.9B (Google Brain, 2018) | 4.9 × 10⁹ | 4.9 × 10⁹ | 2018 | 密(dense) | | 266 | W.A.L.T (Stanford University, 2023) | 4.7 × 10⁹ | 4.7 × 10⁹ | 2023 | 構造は非公開 | | 267 | CogView (Tsinghua University, 2021) | \~4 × 10⁹ | | 2021 | 推定 | | 268 | Make-A-Scene (Meta AI, 2022) | \~4 × 10⁹ | | 2022 | 推定 | | 269 | ONE-PEACE (Alibaba, 2023) | \~4 × 10⁹ | | 2023 | 推定 | | 270 | Megatron-BERT (Nvidia, 2019) | 3.9 × 10⁹ | 3.9 × 10⁹ | 2019 | 密(dense) | | 271 | DALL·E 2 (OpenAI, 2022) | \~3.5 × 10⁹ | | 2022 | 推定 | | 272 | Stable Diffusion XL (Stability AI, 2023) | \~3.4 × 10⁹ | | 2023 | 推定 | | 273 | MusicGen (Meta AI, 2023) | \~3.4 × 10⁹ | | 2023 | 推定 | | 274 | Gemini Nano-2 (Google DeepMind, 2023) | 3.3 × 10⁹ | 3.3 × 10⁹ | 2023 | 構造は非公開 | | 275 | Zidong Taichu (Chinese Academy of Sciences, 2021) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2021 | 構造は非公開 | | 276 | DeepNet (Microsoft Research, 2022) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2022 | 構造は非公開 | | 277 | MS-ensemble-speech-recognition (Microsoft, 2016) | \~3.2 × 10⁹ | | 2016 | 推定 | | 278 | BASIC-L (Google, 2021) | \~3.1 × 10⁹ | | 2021 | 推定 | | 279 | BASIC-L + Lion (Google, 2023) | 3.1 × 10⁹ | 3.1 × 10⁹ | 2023 | 構造は非公開 | | 280 | LEP-AD (King Abdullah University of Science and Technology (KAUST), 2023) | 3 × 10⁹ | 3 × 10⁹ | 2023 | 構造は非公開 | | 281 | ViT-G/14 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | 構造は非公開 | | 282 | ProtT5-XL-U50 (Technical University of Munich, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | 構造は非公開 | | 283 | Swin Transformer V2 (Microsoft Research Asia, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | 構造は非公開 | | 284 | LongT5 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | 構造は非公開 | | 285 | ReALM (Apple, 2024) | 3 × 10⁹ | 3 × 10⁹ | 2024 | 構造は非公開 | | 286 | Mesh-TensorFlow Transformer 2.9B (Google Brain, 2018) | \~2.9 × 10⁹ | | 2018 | 推定 | | 287 | T5-3B (Google, 2019) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2019 | 密(dense) | | 288 | DPO on Pythia-2.8B (Stanford University, 2023) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2023 | 密(dense) | | 289 | AFM-on-device (Apple, 2024) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2024 | 構造は非公開 | | 290 | PolyCoder (Carnegie Mellon University (CMU), 2022) | \~2.7 × 10⁹ | | 2022 | 推定 | | 291 | Hybrid H3-2.7B (Stanford University, 2022) | \~2.7 × 10⁹ | | 2022 | 推定 | | 292 | GPT3-2.7B (Stanford University, 2023) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2023 | 構造は非公開 | | 293 | Meena (Google Brain, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | 密(dense) | | 294 | CPM-Large (Tsinghua University, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | 密(dense) | | 295 | Nucleotide Transformer (Nvidia, 2023) | \~2.5 × 10⁹ | | 2023 | 推定 | | 296 | Fugatto 1 (Nvidia, 2024) | 2.5 × 10⁹ | 2.5 × 10⁹ | 2024 | 構造は非公開 | | 297 | CoAtNet (Google, 2021) | 2.4 × 10⁹ | 2.4 × 10⁹ | 2021 | 構造は非公開 | | 298 | GShard (Google, 2020) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2020 | 密(dense) | | 299 | SeamlessM4T (Facebook, 2023) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2023 | 構造は非公開 | | 300 | Turing ULRv5 (Microsoft, 2021) | 2.2 × 10⁹ | 2.2 × 10⁹ | 2021 | 構造は非公開 | | 301 | CoCa (Google Research, 2022) | 2.1 × 10⁹ | 2.1 × 10⁹ | 2022 | 構造は非公開 | | 302 | MuseNet (OpenAI, 2019) | \~2 × 10⁹ | | 2019 | 推定 | | 303 | Infinity (ByteDance, 2024) | 2 × 10⁹ | 2 × 10⁹ | 2024 | 構造は非公開 | | 304 | Seq2Seq LSTM (Google, 2014) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2014 | 密(dense) | | 305 | BEIT-3 (Microsoft, 2022) | \~1.9 × 10⁹ | | 2022 | 推定 | | 306 | Ankh\_large (Technical University of Munich, 2023) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2023 | 構造は非公開 | | 307 | ViT-G/14 (Google Brain, 2021) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2021 | 構造は非公開 | | 308 | ViT-G (University of Washington, 2022) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2022 | 構造は非公開 | | 309 | Phenaki (University College London (UCL), 2022) | \~1.8 × 10⁹ | | 2022 | 推定 | | 310 | Gemini Nano-1 (Google DeepMind, 2023) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2023 | 構造は非公開 | | 311 | DistBelief Vision (Google, 2012) | \~1.7 × 10⁹ | | 2012 | 推定 | | 312 | Whisper (OpenAI, 2022) | \~1.6 × 10⁹ | | 2022 | 推定 | | 313 | GPT-2 (OpenAI, 2019) | \~1.5 × 10⁹ | | 2019 | 推定 | | 314 | DeBERTa (Microsoft, 2021) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2021 | 構造は非公開 | | 315 | AR-LDM (Alibaba, 2022) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2022 | 構造は非公開 | | 316 | AudioLM (Google Research, 2023) | \~1.5 × 10⁹ | | 2023 | 推定 | | 317 | BLIP-2 (Salesforce Research, 2023) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2023 | 構造は非公開 | | 318 | LDM-1.45B (Heidelberg University, 2021) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2021 | 構造は非公開 | | 319 | Stable Diffusion (Runway, 2022) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2022 | 密(dense) | | 320 | SEER (Facebook AI Research, 2021) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2021 | 構造は非公開 | | 321 | InstructGPT 1.3B (OpenAI, 2022) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2022 | 密(dense) | | 322 | Megatron-LM (Nvidia, 2019) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2019 | 密(dense) | | 323 | RDT-1B (Tsinghua University, 2024) | \~1.2 × 10⁹ | | 2024 | 推定 | | 324 | Gato (DeepMind, 2022) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2022 | 構造は非公開 | | 325 | DINOv2 (Facebook AI Research, 2023) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2023 | 構造は非公開 | | 326 | Diffusion Renderer (Nvidia, 2025) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2025 | 構造は非公開 | | 327 | InternImage (Shanghai AI Lab, 2022) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2022 | 構造は非公開 | | 328 | EVA-01 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | 1 × 10⁹ | 1 × 10⁹ | 2022 | 構造は非公開 | | 329 | Unsupervised High-level Feature Learner (Google, 2012) | \~1 × 10⁹ | | 2012 | 推定 | | 330 | Conformer + Wav2vec 2.0 + Noisy Student (Google, 2020) | 1 × 10⁹ | 1 × 10⁹ | 2020 | 密(dense) | | 331 | HuBERT (Facebook AI Research, 2021) | \~1 × 10⁹ | | 2021 | 推定 | | 332 | W2v-BERT (Google Brain, 2021) | 1 × 10⁹ | 1 × 10⁹ | 2021 | 密(dense) | | 333 | AudioGen (Meta AI, 2023) | \~1 × 10⁹ | | 2023 | 推定 | | 334 | VideoMAE V2 (Nanjing University, 2023) | 1 × 10⁹ | 1 × 10⁹ | 2023 | 構造は非公開 | | 335 | TransE (Universite de Technologie de Compiègne – CNRS, 2013) | \~9.4 × 10⁸ | | 2013 | 推定 | | 336 | ImageBind (Meta AI, 2023) | \~9.3 × 10⁸ | | 2023 | 推定 | | 337 | Big Transfer (Google Brain, 2019) | \~9.3 × 10⁸ | | 2019 | 推定 | | 338 | Florence (Microsoft, 2021) | 8.9 × 10⁸ | 8.9 × 10⁸ | 2021 | 構造は非公開 | | 339 | NÜWA (Microsoft Research, 2021) | 8.7 × 10⁸ | 8.7 × 10⁸ | 2021 | 構造は非公開 | | 340 | MusicLM (Google, 2023) | 8.6 × 10⁸ | 8.6 × 10⁸ | 2023 | 構造は非公開 | | 341 | ResNeXt-101 32x48d (Facebook, 2018) | 8.3 × 10⁸ | 8.3 × 10⁸ | 2018 | 密(dense) | | 342 | FixRes ResNeXt-101 WSL (Facebook AI, 2019) | \~8.3 × 10⁸ | | 2019 | 推定 | | 343 | ALIGN (Google Research, 2021) | 8.2 × 10⁸ | 8.2 × 10⁸ | 2021 | 構造は非公開 | | 344 | Statement Curriculum Learning (OpenAI, 2022) | \~7.7 × 10⁸ | | 2022 | 推定 | | 345 | CodeT5-large (Salesforce, 2022) | \~7.7 × 10⁸ | | 2022 | 推定 | | 346 | DITTO (Tsinghua University, 2022) | 7.5 × 10⁸ | 7.5 × 10⁸ | 2022 | 構造は非公開 | | 347 | FGN (Google DeepMind, 2025) | 7.2 × 10⁸ | 7.2 × 10⁸ | 2025 | 構造は非公開 | | 348 | data2vec (Meta AI, 2022) | \~7.1 × 10⁸ | | 2022 | 推定 | | 349 | Tranception (University of Oxford, 2022) | 7 × 10⁸ | 7 × 10⁸ | 2022 | 構造は非公開 | | 350 | Word2Vec (Google, 2013) | \~6.9 × 10⁸ | | 2013 | 推定 | | 351 | DiT-XL/2 (New York University (NYU), 2023) | 6.8 × 10⁸ | 6.8 × 10⁸ | 2023 | 構造は非公開 | | 352 | DiT-XL/2 + CADS (ETH Zurich, 2023) | \~6.8 × 10⁸ | | 2023 | 推定 | | 353 | OmegaPLM (Massachusetts Institute of Technology (MIT), 2022) | 6.7 × 10⁸ | 6.7 × 10⁸ | 2022 | 構造は非公開 | | 354 | XLM (Facebook, 2019) | \~6.7 × 10⁸ | | 2019 | 推定 | | 355 | ESM1b (Facebook AI Research, 2020) | 6.5 × 10⁸ | 6.5 × 10⁸ | 2020 | 密(dense) | | 356 | Segment Anything Model (Meta AI, 2023) | 6.4 × 10⁸ | 6.4 × 10⁸ | 2023 | 構造は非公開 | | 357 | ViT-Huge/14 (Google Brain, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | 密(dense) | | 358 | Masked Autoencoders ViT-H (Facebook AI Research, 2021) | \~6.3 × 10⁸ | | 2021 | 推定 | | 359 | Retrieval-Augmented Generator (Facebook, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | 密(dense) | | 360 | DLDL (University of Oxford, 2016) | \~5.6 × 10⁸ | | 2016 | 推定 | | 361 | ADM (OpenAI, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | 構造は非公開 | | 362 | TrOCR (Beihang University, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | 構造は非公開 | | 363 | XLM-RoBERTa (Facebook AI, 2019) | 5.5 × 10⁸ | 5.5 × 10⁸ | 2019 | 密(dense) | | 364 | LUKE (University of Washington, 2020) | \~4.8 × 10⁸ | | 2020 | 推定 | | 365 | EfficientNet-L2 (Google, 2019) | \~4.8 × 10⁸ | | 2019 | 推定 | | 366 | Noisy Student (Carnegie Mellon University (CMU), 2019) | 4.8 × 10⁸ | 4.8 × 10⁸ | 2019 | 密(dense) | | 367 | Meta Pseudo Labels (Google Brain, 2021) | \~4.8 × 10⁸ | | 2021 | 推定 | | 368 | EMDR (Mila - Quebec AI (originally Montreal Institute for Learning Algorithms), 2021) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2021 | 構造は非公開 | | 369 | NMT Transformer 437M (Google, 2019) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2019 | 密(dense) | | 370 | Adaptive Inputs + LayerDrop (Facebook AI Research, 2019) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2019 | 密(dense) | | 371 | ProtBERT-BFD (Technical University of Munich, 2021) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2021 | 構造は非公開 | | 372 | OntoProtein (Zhejiang University (ZJU), 2022) | \~4.2 × 10⁸ | | 2022 | 推定 | | 373 | DeBERTaV3large + KEAR (Microsoft, 2022) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2022 | 構造は非公開 | | 374 | BART-large (Facebook AI, 2019) | \~4.1 × 10⁸ | | 2019 | 推定 | | 375 | SigLIP 400M (Google DeepMind, 2023) | 4 × 10⁸ | 4 × 10⁸ | 2023 | 構造は非公開 | | 376 | BERT-Large-CAS (Amazon, 2019) | \~4 × 10⁸ | | 2019 | 推定 | | 377 | MoCo (Facebook AI, 2019) | \~3.8 × 10⁸ | | 2019 | 推定 | | 378 | SimCLR (Google Brain, 2020) | \~3.8 × 10⁸ | | 2020 | 推定 | | 379 | CLIP (OpenAI, 2021) | 3.7 × 10⁸ | 3.7 × 10⁸ | 2021 | 構造は非公開 | | 380 | RoBERTa Large (Facebook, 2019) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2019 | 密(dense) | | 381 | AbLang (University of Oxford, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | 構造は非公開 | | 382 | GPT-2 Medium (Stanford University, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | 密(dense) | | 383 | VALL-E (Microsoft, 2023) | \~3.5 × 10⁸ | | 2023 | 推定 | | 384 | BERT-Large (Google, 2018) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2018 | 密(dense) | | 385 | XLNet (Carnegie Mellon University (CMU), 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | 密(dense) | | 386 | ERNIE-GEN (Baidu, 2020) | \~3.4 × 10⁸ | | 2020 | 推定 | | 387 | CamemBERT (Facebook, 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | 密(dense) | | 388 | ELECTRA (Stanford University, 2020) | \~3.4 × 10⁸ | | 2020 | 推定 | | 389 | German ELECTRA Large (deepset, 2020) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2020 | 密(dense) | | 390 | ALM 1.0 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | \~3.4 × 10⁸ | | 2022 | 推定 | | 391 | MT-DNN (Microsoft, 2019) | 3.3 × 10⁸ | 3.3 × 10⁸ | 2019 | 密(dense) | | 392 | Fusion in Encoder (Samsung, 2022) | \~3.3 × 10⁸ | | 2022 | 推定 | | 393 | wave2vec 2.0 LARGE (Facebook, 2020) | 3.2 × 10⁸ | 3.2 × 10⁸ | 2020 | 密(dense) | | 394 | CPC v2 (DeepMind, 2019) | \~3 × 10⁸ | | 2019 | 推定 | | 395 | Transformer - LibriVox + Decoding/Rescoring (Facebook, 2019) | 3 × 10⁸ | 3 × 10⁸ | 2019 | 密(dense) | | 396 | DDPM-IP (Utrecht University, 2023) | \~3 × 10⁸ | | 2023 | 推定 | | 397 | GNMT (Google, 2016) | \~2.8 × 10⁸ | | 2016 | 推定 | | 398 | base LM+GNN+kNN (Shannon.AI, 2021) | 2.7 × 10⁸ | 2.7 × 10⁸ | 2021 | 構造は非公開 | | 399 | YOLO (University of Washington, 2015) | \~2.7 × 10⁸ | | 2015 | 推定 | | 400 | Transformer-XL (Carnegie Mellon University (CMU), 2019) | \~2.6 × 10⁸ | | 2019 | 推定 | | 401 | Transformer-XL + RMS dynamic eval (University of Edinburgh, 2019) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2019 | 密(dense) | | 402 | Transformer-XL Large + Phrase Induction (Massachusetts Institute of Technology (MIT), 2019) | \~2.6 × 10⁸ | | 2019 | 推定 | | 403 | Segatron-XL large, M=384 + HCP (Microsoft Research, 2022) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2022 | 構造は非公開 | | 404 | Denoising Diffusion Probabilistic Models (University of California (UC) Berkeley, 2021) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2021 | 構造は非公開 | | 405 | Pangu-Weather (Huawei, 2023) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2023 | 構造は非公開 | | 406 | SPN (Google Brain, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | 密(dense) | | 407 | S4 (Stanford University, 2021) | \~2.5 × 10⁸ | | 2021 | 推定 | | 408 | Base LM + kNN LM + Continuous Cache (Stanford University, 2019) | \~2.5 × 10⁸ | | 2019 | 推定 | | 409 | ERNIE-Doc (Baidu, 2020) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2020 | 密(dense) | | 410 | Adaptive Input Transformer + RD (Microsoft Research Asia, 2021) | \~2.5 × 10⁸ | | 2021 | 推定 | | 411 | Transformer (Adaptive Input Embeddings) WT103 (Facebook AI Research, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | 密(dense) | | 412 | TaLK Convolution (Carleton University, 2020) | \~2.4 × 10⁸ | | 2020 | 推定 | | 413 | ALBERT-xxlarge (Toyota Technological Institute at Chicago, 2020) | \~2.4 × 10⁸ | | 2020 | 推定 | | 414 | SRU++ Large (ASAPP, 2021) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2021 | 構造は非公開 | | 415 | GR-2 (ByteDance, 2024) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2024 | 構造は非公開 | | 416 | MaskGIT (Google Research, 2022) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2022 | 構造は非公開 | | 417 | MetNet (Google, 2020) | \~2.3 × 10⁸ | | 2020 | 推定 | | 418 | FFN SwiGLU (Google, 2020) | 2.2 × 10⁸ | 2.2 × 10⁸ | 2020 | 密(dense) | | 419 | CodeT5-base (Salesforce, 2021) | \~2.2 × 10⁸ | | 2021 | 推定 | | 420 | Transformer (Google Research, 2017) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2017 | 密(dense) | | 421 | Sandwich Transformer (Allen Institute for AI, 2019) | \~2.1 × 10⁸ | | 2019 | 推定 | | 422 | EfficientNetV2-XL (Google, 2021) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2021 | 構造は非公開 | | 423 | Word2Vec (Google, 2013) | \~2.1 × 10⁸ | | 2013 | 推定 | | 424 | Multilingual DNN (Google, 2013) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2013 | 密(dense) | | 425 | DreamerV3 (DeepMind, 2023) | \~2 × 10⁸ | | 2023 | 推定 | | 426 | DL scaling speech (Baidu, 2017) | \~1.9 × 10⁸ | | 2017 | 推定 | | 427 | ResNeXt-101 Billion-scale (Facebook AI, 2019) | \~1.9 × 10⁸ | | 2019 | 推定 | | 428 | (NTT Communication Science Laboratories, 2018) | 1.9 × 10⁸ | 1.9 × 10⁸ | 2018 | 密(dense) | | 429 | TrellisNet (Carnegie Mellon University (CMU), 2018) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2018 | 密(dense) | | 430 | DL scaling LM (Baidu, 2017) | \~1.8 × 10⁸ | | 2017 | 推定 | | 431 | EXAONE Path 2.0 (LG AI Research, 2025) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2025 | 構造は非公開 | | 432 | OpenAI Five Rerun (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | 密(dense) | | 433 | OpenAI Five (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | 密(dense) | | 434 | 4 layer QRNN (Salesforce Research, 2018) | \~1.5 × 10⁸ | | 2018 | 推定 | | 435 | TransformerXL + spectrum control (University of California Los Angeles (UCLA), 2020) | \~1.5 × 10⁸ | | 2020 | 推定 | | 436 | AlphaGeometry (Google DeepMind, 2024) | 1.5 × 10⁸ | 1.5 × 10⁸ | 2024 | 構造は非公開 | | 437 | PermuteFormer (Peking University, 2021) | \~1.5 × 10⁸ | | 2021 | 推定 | | 438 | Fragment embedding (Stanford University, 2014) | \~1.4 × 10⁸ | | 2014 | 推定 | | 439 | OverFeat (New York University (NYU), 2013) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2013 | 密(dense) | | 440 | VGG19 (University of Oxford, 2014) | \~1.4 × 10⁸ | | 2014 | 推定 | | 441 | LRCN (UT Austin, 2014) | \~1.4 × 10⁸ | | 2014 | 推定 | | 442 | Transformer-XL DeFINE (University of Washington, 2019) | \~1.4 × 10⁸ | | 2019 | 推定 | | 443 | Deep Autoencoders (University of Toronto, 2011) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2011 | 密(dense) | | 444 | AlphaStar (DeepMind, 2019) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2019 | 密(dense) | | 445 | VGG16 (University of Oxford, 2014) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2014 | 密(dense) | | 446 | VGG-Face (University of Oxford, 2015) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2015 | 密(dense) | | 447 | SAF R-CNN (Beijing Institute of Technology, 2015) | \~1.4 × 10⁸ | | 2015 | 推定 | | 448 | Template Adaptation (University of Oxford, 2016) | \~1.4 × 10⁸ | | 2016 | 推定 | | 449 | LRR-4X (UC Irvine, 2016) | \~1.4 × 10⁸ | | 2016 | 推定 | | 450 | CMS-RCNN (IEEE, 2016) | \~1.4 × 10⁸ | | 2016 | 推定 | | 451 | QRNN (Salesforce Research, 2018) | \~1.4 × 10⁸ | | 2018 | 推定 | | 452 | Multiresolution CNN (Google, 2014) | \~1.3 × 10⁸ | | 2014 | 推定 | | 453 | FTW (DeepMind, 2018) | \~1.3 × 10⁸ | | 2018 | 推定 | | 454 | Feedback Transformer (LORIA, 2020) | \~1.3 × 10⁸ | | 2020 | 推定 | | 455 | KEPLER (Tsinghua University, 2020) | 1.3 × 10⁸ | 1.3 × 10⁸ | 2020 | 密(dense) | | 456 | DL scaling Image (Baidu, 2017) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2017 | 密(dense) | | 457 | GloVe (Stanford University, 2014) | \~1.2 × 10⁸ | | 2014 | 推定 | | 458 | Conformer (Google, 2020) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2020 | 密(dense) | | 459 | GPT-1 (OpenAI, 2018) | \~1.2 × 10⁸ | | 2018 | 推定 | | 460 | ContextNet (Google, 2020) | \~1.1 × 10⁸ | | 2020 | 推定 | | 461 | SciBERT (Allen Institute for AI, 2019) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2019 | 密(dense) | | 462 | DNABERT (Northeastern University, 2021) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2021 | 構造は非公開 | | 463 | Contriever (Meta AI, 2021) | \~1.1 × 10⁸ | | 2021 | 推定 | | 464 | BERT-RBP (Waseda University, 2022) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2022 | 密(dense) | | 465 | RoFormer (Zhuiyi Technology, 2023) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2023 | 構造は非公開 | | 466 | LSTM LM (RWTH Aachen University, 2012) | \~1 × 10⁸ | | 2012 | 推定 | | 467 | ReLU-Speech (Google, 2013) | \~1 × 10⁸ | | 2013 | 推定 | | 468 | STORM-B/8 (University of Southern California, 2024) | 1 × 10⁸ | 1 × 10⁸ | 2024 | 構造は非公開 | | 469 | Support Vector Machines (AT&T, 1995) | \~1 × 10⁸ | | 1995 | 推定 | | 470 | GPU DBNs (Stanford University, 2009) | 1 × 10⁸ | 1 × 10⁸ | 2009 | 密(dense) | | 471 | MSA Transformer (Facebook AI Research, 2021) | \~1 × 10⁸ | | 2021 | 推定 | | 472 | YOLOX-X (Megvii Inc, 2021) | \~9.9 × 10⁷ | | 2021 | 推定 | | 473 | DeLighT (University of Washington, 2020) | \~9.9 × 10⁷ | | 2020 | 推定 | | 474 | ELMo (University of Washington, 2018) | \~9.4 × 10⁷ | | 2018 | 推定 | | 475 | AlphaFold 2 (DeepMind, 2020) | \~9.3 × 10⁷ | | 2020 | 推定 | | 476 | AlphaMissense (Google DeepMind, 2023) | \~9.3 × 10⁷ | | 2023 | 推定 | | 477 | Octo-Base (University of California (UC) Berkeley, 2024) | 9.3 × 10⁷ | 9.3 × 10⁷ | 2024 | 構造は非公開 | | 478 | PolyNet (Chinese University of Hong Kong (CUHK), 2016) | \~9.2 × 10⁷ | | 2016 | 推定 | | 479 | Transformer local-attention (Google Cloud, 2021) | 9 × 10⁷ | 9 × 10⁷ | 2021 | 構造は非公開 | | 480 | Transformer + Simple Recurrent Unit (ASAPP, 2018) | 9 × 10⁷ | 9 × 10⁷ | 2018 | 密(dense) | | 481 | NASNet-A (Google Brain, 2017) | \~8.9 × 10⁷ | | 2017 | 推定 | | 482 | CLIP (OpenAI, 2021) | \~8.9 × 10⁷ | | 2021 | 推定 | | 483 | Detic (Meta AI, 2022) | \~8.8 × 10⁷ | | 2022 | 推定 | | 484 | MSRA (Microsoft Research, 2015) | 8.7 × 10⁷ | 8.7 × 10⁷ | 2015 | 密(dense) | | 485 | BigBiGAN (Google, 2019) | \~8.6 × 10⁷ | | 2019 | 推定 | | 486 | ViT-Base/32 (Google Brain, 2020) | \~8.6 × 10⁷ | | 2020 | 推定 | | 487 | DeiT-B (Meta AI, 2021) | 8.6 × 10⁷ | 8.6 × 10⁷ | 2021 | 構造は非公開 | | 488 | CaLM (University of Oxford, 2022) | \~8.6 × 10⁷ | | 2022 | 推定 | | 489 | Tensor-Transformer (University of California (UC) Berkeley, 2020) | 8.5 × 10⁷ | 8.5 × 10⁷ | 2020 | 密(dense) | | 490 | ResNeXt-101 (University of California San Diego, 2016) | 8.3 × 10⁷ | 8.3 × 10⁷ | 2016 | 密(dense) | | 491 | RBM Image Classifier (University of Toronto, 2009) | \~8 × 10⁷ | | 2009 | 推定 | | 492 | Routing Transformer (Google Research, 2020) | 8 × 10⁷ | 8 × 10⁷ | 2020 | 密(dense) | | 493 | Big-Little Net (IBM, 2018) | \~7.7 × 10⁷ | | 2018 | 推定 | | 494 | EfficientDet (Google Brain, 2020) | \~7.7 × 10⁷ | | 2020 | 推定 | | 495 | CODEFUSION (Microsoft, 2023) | 7.5 × 10⁷ | 7.5 × 10⁷ | 2023 | 構造は非公開 | | 496 | RNN LM (Johns Hopkins University, 2010) | \~7 × 10⁷ | | 2010 | 推定 | | 497 | R-CNN (University of California (UC) Berkeley, 2013) | \~6.9 × 10⁷ | | 2013 | 推定 | | 498 | Variational (University of Cambridge, 2015) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2015 | 密(dense) | | 499 | DistilBERT (Hugging Face, 2019) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2019 | 密(dense) | | 500 | Theseus 6/768 (University of California San Diego, 2020) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2020 | 密(dense) | | 501 | ResNet-152 (Microsoft, 2015) | 6 × 10⁷ | 6 × 10⁷ | 2015 | 密(dense) | | 502 | AlexNet (University of Toronto, 2012) | 6 × 10⁷ | 6 × 10⁷ | 2012 | 密(dense) | | 503 | DETR (Facebook, 2020) | 6 × 10⁷ | 6 × 10⁷ | 2020 | 密(dense) | | 504 | YOLOv3 (University of Washington, 2018) | \~5.7 × 10⁷ | | 2018 | 推定 | | 505 | Inception-ResNet-V2 (Google, 2016) | \~5.6 × 10⁷ | | 2016 | 推定 | | 506 | Transformer ELMo (Allen Institute for AI, 2019) | 5.6 × 10⁷ | 5.6 × 10⁷ | 2019 | 密(dense) | | 507 | ショウジョウバエの脳 | 5.5 × 10⁷ | 5.5 × 10⁷ | | シナプス | | 508 | NAS with base 8 and shared embeddings (Google Brain, 2016) | 5.4 × 10⁷ | 5.4 × 10⁷ | 2016 | 密(dense) | | 509 | RetinaNet-R101 (Facebook AI Research, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | 密(dense) | | 510 | AWD-LSTM+WT+Cache+IOG (NTT Communication Science Laboratories, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | 密(dense) | | 511 | Hierarchical Scene Labeling (New York University (NYU), 2013) | 5.2 × 10⁷ | 5.2 × 10⁷ | 2013 | 密(dense) | | 512 | VD-LSTM+REAL Large (Salesforce Research, 2016) | 5.1 × 10⁷ | 5.1 × 10⁷ | 2016 | 密(dense) | | 513 | YOLOv2 (University of Washington, 2016) | \~5.1 × 10⁷ | | 2016 | 推定 | | 514 | Dropout-LSTM+Noise (Columbia University, 2018) | \~5.1 × 10⁷ | | 2018 | 推定 | | 515 | LSTM + dynamic eval (University of Edinburgh, 2017) | \~5 × 10⁷ | | 2017 | 推定 | | 516 | Dropout (University of Toronto, 2012) | \~4.9 × 10⁷ | | 2012 | 推定 | | 517 | Dropout: SVHN (University of Toronto, 2014) | 4.8 × 10⁷ | 4.8 × 10⁷ | 2014 | 密(dense) | | 518 | DistBelief Speech (Google, 2012) | \~4.7 × 10⁷ | | 2012 | 推定 | | 519 | AlphaGo Zero (DeepMind, 2017) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2017 | 密(dense) | | 520 | Fine-tuned-AWD-LSTM-DOC (Samsung R&D Institute Russia, 2018) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2018 | 密(dense) | | 521 | CT-MoS (Google, 2020) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2020 | 密(dense) | | 522 | JFT (Google Research, 2017) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2017 | 密(dense) | | 523 | ResNet-101 (Microsoft, 2015) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2015 | 密(dense) | | 524 | HR-ResNet101 (Carnegie Mellon University (CMU), 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | 密(dense) | | 525 | 3DMM-CNN (University of Southern California, 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | 密(dense) | | 526 | LaNet-L (Brown University, 2019) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2019 | 密(dense) | | 527 | ProBERTa (University of Illinois Urbana-Champaign (UIUC), 2020) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2020 | 密(dense) | | 528 | PreTrans-3L-250H (University of Toronto, 2013) | \~4.3 × 10⁷ | | 2013 | 推定 | | 529 | Inceptionv4 (Google, 2016) | \~4.3 × 10⁷ | | 2016 | 推定 | | 530 | GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (Ben-Gurion University of the Negev, 2017) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2017 | 密(dense) | | 531 | U-Net (University of Freiburg, 2015) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2015 | 密(dense) | | 532 | NASv3 (Google Brain, 2016) | \~3.7 × 10⁷ | | 2016 | 推定 | | 533 | MuZero (DeepMind, 2019) | \~3.7 × 10⁷ | | 2019 | 推定 | | 534 | AWD-LSTM-MoS + dynamic evaluation (Carnegie Mellon University (CMU), 2017) | \~3.5 × 10⁷ | | 2017 | 推定 | | 535 | AWD-LSTM-MoS+PDR + dynamic evaluation (IBM, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | 密(dense) | | 536 | AWD-LSTM-MoS + dynamic evaluation (Peking University, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | 密(dense) | | 537 | AWD-LSTM + MoS + Partial Shuffled (University of Texas at Austin, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | 密(dense) | | 538 | Mogrifier (d2, MoS2, MC) + dynamic eval (DeepMind, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | 密(dense) | | 539 | Mogrifier RLSTM (DeepMind, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | 構造は非公開 | | 540 | RT-1 (Google, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | 構造は非公開 | | 541 | DenseNet-264 (Tsinghua University, 2016) | 3.4 × 10⁷ | 3.4 × 10⁷ | 2016 | 密(dense) | | 542 | RetinaNet-R50 (Facebook AI Research, 2017) | \~3.4 × 10⁷ | | 2017 | 推定 | | 543 | Fraternal dropout + AWD-LSTM 3-layer (Jagiellonian University, 2017) | \~3.4 × 10⁷ | | 2017 | 推定 | | 544 | AWD-LSTM-DRILL + dynamic evaluation† (IDIAP, 2019) | \~3.4 × 10⁷ | | 2019 | 推定 | | 545 | AWD-LSTM - 3-layer LSTM (Salesforce Research, 2017) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2017 | 密(dense) | | 546 | TCAN (Nanjing University, 2020) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2020 | 密(dense) | | 547 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | \~3.2 × 10⁷ | | 2019 | 推定 | | 548 | Paragraph Vector (Google, 2014) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2014 | 密(dense) | | 549 | aLSTM (University of Manchester, 2018) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2018 | 密(dense) | | 550 | StyleGAN2 (Nvidia, 2019) | 3 × 10⁷ | 3 × 10⁷ | 2019 | 密(dense) | | 551 | UDSMProt (Fraunhofer Heinrich Hertz Institute, 2019) | \~2.8 × 10⁷ | | 2019 | 推定 | | 552 | SENet (Chinese Academy of Sciences, 2017) | \~2.8 × 10⁷ | | 2017 | 推定 | | 553 | Perceiver IO (DeepMind, 2020) | 2.8 × 10⁷ | 2.8 × 10⁷ | 2020 | 密(dense) | | 554 | Fractional Max-Pooling (University of Warwick, 2014) | \~2.7 × 10⁷ | | 2014 | 推定 | | 555 | Hierarchical Reasoning Model (Sapient Intelligence, 2025) | 2.7 × 10⁷ | 2.7 × 10⁷ | 2025 | 構造は非公開 | | 556 | RNN-WER (DeepMind, 2014) | \~2.6 × 10⁷ | | 2014 | 推定 | | 557 | StyleGAN (Nvidia, 2018) | 2.6 × 10⁷ | 2.6 × 10⁷ | 2018 | 密(dense) | | 558 | PyramidNet (Korea Advanced Institute of Science and Technology (KAIST), 2017) | \~2.6 × 10⁷ | | 2017 | 推定 | | 559 | ResNeXt-50 (University of California San Diego, 2016) | \~2.5 × 10⁷ | | 2016 | 推定 | | 560 | AWD-LSTM (DeepMind, 2017) | 2.4 × 10⁷ | 2.4 × 10⁷ | 2017 | 密(dense) | | 561 | Inception v3 (Google, 2015) | \~2.4 × 10⁷ | | 2015 | 推定 | | 562 | Mamba-24M (Carnegie Mellon University (CMU), 2023) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2023 | 構造は非公開 | | 563 | WeNet (Amazon, 2019) | \~2.3 × 10⁷ | | 2019 | 推定 | | 564 | EN^2AS with performance reward (Beijing Institute of Technology, 2019) | \~2.3 × 10⁷ | | 2019 | 推定 | | 565 | NAS+ESS (Northeastern University (China), 2020) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2020 | 密(dense) | | 566 | Xception (Google, 2016) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2016 | 密(dense) | | 567 | MetaMimic (Google, 2018) | \~2.2 × 10⁷ | | 2018 | 推定 | | 568 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | \~2.1 × 10⁷ | | 2019 | 推定 | | 569 | Pointer Sentinel-LSTM (MetaMind Inc, 2016) | 2.1 × 10⁷ | 2.1 × 10⁷ | 2016 | 密(dense) | | 570 | DiffDock (Massachusetts Institute of Technology (MIT), 2022) | \~2 × 10⁷ | | 2022 | 推定 | | 571 | EI-REHN-1000D (Korea Advanced Institute of Science and Technology (KAIST), 2017) | 1.9 × 10⁷ | 1.9 × 10⁷ | 2017 | 密(dense) | | 572 | TC-DNN-BLSTM-DNN (Carnegie Mellon University (CMU), 2015) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2015 | 密(dense) | | 573 | OR-WideResNet (Duke University, 2017) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2017 | 密(dense) | | 574 | BP-DBN (University of Toronto, 2009) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2009 | 密(dense) | | 575 | ALBERT (Toyota Technological Institute at Chicago, 2019) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2019 | 密(dense) | | 576 | MedBERT (Peng Cheng Laboratory, 2021) | \~1.7 × 10⁷ | | 2021 | 推定 | | 577 | LCNP NORB (, 2009) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2009 | 密(dense) | | 578 | LF-MMI (Johns Hopkins University, 2016) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2016 | 密(dense) | | 579 | AlphaFold (DeepMind, 2020) | \~1.6 × 10⁷ | | 2020 | 推定 | | 580 | GNoME for crystal discovery (Google DeepMind, 2023) | \~1.6 × 10⁷ | | 2023 | 推定 | | 581 | ReLU (University of Toronto, 2010) | \~1.6 × 10⁷ | | 2010 | 推定 | | 582 | ProteinBERT (Hebrew University of Jerusalem, 2022) | 1.6 × 10⁷ | 1.6 × 10⁷ | 2022 | 構造は非公開 | | 583 | Eve (Harvard Medical School, 2021) | \~1.5 × 10⁷ | | 2021 | 推定 | | 584 | LCNP LabelMe (University of Bonn, 2009) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2009 | 密(dense) | | 585 | BatchNorm (Google, 2015) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2015 | 密(dense) | | 586 | Fold2Seq (IBM, 2021) | \~1.2 × 10⁷ | | 2021 | 推定 | | 587 | NPLM (University of Montreal / Université de Montréal, 2003) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2003 | 密(dense) | | 588 | LCNP MNIST (, 2009) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2009 | 密(dense) | | 589 | ISS (Duke University, 2017) | 1.1 × 10⁷ | 1.1 × 10⁷ | 2017 | 密(dense) | | 590 | ResNet-1001 (Microsoft, 2016) | \~1 × 10⁷ | | 2016 | 推定 | | 591 | RNN+LDA+KN5+cache (Microsoft, 2012) | \~9 × 10⁶ | | 2012 | 推定 | | 592 | Gated HORNN (York University, 2016) | \~9 × 10⁶ | | 2016 | 推定 | | 593 | AlphaGo Fan (DeepMind, 2015) | \~8.2 × 10⁶ | | 2015 | 推定 | | 594 | genCNN + dyn eval (Chinese Academy of Sciences, 2015) | \~8 × 10⁶ | | 2015 | 推定 | | 595 | Once for All (MIT-IBM Watson AI Lab, 2020) | 7.7 × 10⁶ | 7.7 × 10⁶ | 2020 | 密(dense) | | 596 | Multi-cell LSTM (University of Hyderabad, 2018) | \~7.2 × 10⁶ | | 2018 | 推定 | | 597 | Feedforward NN (University of Montreal / Université de Montréal, 2010) | 7.1 × 10⁶ | 7.1 × 10⁶ | 2010 | 密(dense) | | 598 | True-Regularization+Finetune+Dynamic-Eval (Mobvoi, 2019) | 7 × 10⁶ | 7 × 10⁶ | 2019 | 密(dense) | | 599 | Neural LM (University of Montreal / Université de Montréal, 2000) | 6.9 × 10⁶ | 6.9 × 10⁶ | 2000 | 密(dense) | | 600 | GoogLeNet / InceptionV1 (Google, 2014) | 6.8 × 10⁶ | 6.8 × 10⁶ | 2014 | 密(dense) | | 601 | HyenaDNA (Stanford University, 2023) | 6.6 × 10⁶ | 6.6 × 10⁶ | 2023 | 構造は非公開 | | 602 | Dropout (University of Toronto, 2012) | 5.6 × 10⁶ | 5.6 × 10⁶ | 2012 | 密(dense) | | 603 | SimpleNet (Sensifai, 2016) | 5.5 × 10⁶ | 5.5 × 10⁶ | 2016 | 密(dense) | | 604 | AlphaX-1 (Facebook AI Research, 2019) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2019 | 密(dense) | | 605 | 3DDFA (Chinese Academy of Sciences, 2015) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2015 | 密(dense) | | 606 | Deep CNN + COTS (IEEE, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | 密(dense) | | 607 | DCNN (University of Maryland, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | 密(dense) | | 608 | NLP from scratch (NEC Laboratories, 2011) | \~5 × 10⁶ | | 2011 | 推定 | | 609 | SPN-4+KN5 (Singapore University of Technology & Design, 2014) | \~5 × 10⁶ | | 2014 | 推定 | | 610 | 6-Act Tether (Facebook AI Research, 2021) | 5 × 10⁶ | 5 × 10⁶ | 2021 | 構造は非公開 | | 611 | High Performance CNN (IDSIA, 2011) | \~4.9 × 10⁶ | | 2011 | 推定 | | 612 | MobileNet (Google, 2017) | \~4.2 × 10⁶ | | 2017 | 推定 | | 613 | NPLM (University of Montreal / Université de Montréal, 2003) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2003 | 密(dense) | | 614 | LMICA (, 2004) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2004 | 密(dense) | | 615 | PoE MNIST (University College London (UCL), 2000) | 3.9 × 10⁶ | 3.9 × 10⁶ | 2000 | 密(dense) | | 616 | Dimensionality Reduction (University of Toronto, 2006) | \~3.8 × 10⁶ | | 2006 | 推定 | | 617 | GOAT (DeepMind, 2021) | \~3.5 × 10⁶ | | 2021 | 推定 | | 618 | MobileNetV2 (Google, 2018) | \~3.4 × 10⁶ | | 2018 | 推定 | | 619 | Big-Little Net (IBM, 2018) | \~3.3 × 10⁶ | | 2018 | 推定 | | 620 | DLWP (University of Washington, 2021) | 2.7 × 10⁶ | 2.7 × 10⁶ | 2021 | 構造は非公開 | | 621 | BIDAF (University of Washington, 2016) | 2.6 × 10⁶ | 2.6 × 10⁶ | 2016 | 密(dense) | | 622 | DeepStack (University of Alberta, 2017) | \~2.5 × 10⁶ | | 2017 | 推定 | | 623 | KataGo (Jane Street, 2019) | \~2.5 × 10⁶ | | 2019 | 推定 | | 624 | ShuffleNet v1 (Megvii Inc, 2017) | \~2.4 × 10⁶ | | 2017 | 推定 | | 625 | ADAM (University of Amsterdam, 2014) | 2.4 × 10⁶ | 2.4 × 10⁶ | 2014 | 密(dense) | | 626 | StyleGAN3-T (Nvidia, 2021) | 2.2 × 10⁶ | 2.2 × 10⁶ | 2021 | 構造は非公開 | | 627 | LSTM+NeuralCache (KU Leuven, 2018) | \~2.1 × 10⁶ | | 2018 | 推定 | | 628 | HLBL (University of Toronto, 2008) | 1.8 × 10⁶ | 1.8 × 10⁶ | 2008 | 密(dense) | | 629 | ResNet-110 (Microsoft, 2015) | \~1.7 × 10⁶ | | 2015 | 推定 | | 630 | Dueling DQN (Google DeepMind, 2016) | 1.7 × 10⁶ | 1.7 × 10⁶ | 2016 | 密(dense) | | 631 | DQN-2015 (Google, 2015) | \~1.7 × 10⁶ | | 2015 | 推定 | | 632 | Rational DQN Average (TU Darmstadt, 2021) | \~1.7 × 10⁶ | | 2021 | 推定 | | 633 | IBM-5 (IBM, 1993) | \~1.7 × 10⁶ | | 1993 | 推定 | | 634 | Deep Belief Nets (University of Toronto, 2006) | \~1.6 × 10⁶ | | 2006 | 推定 | | 635 | IMPALA (DeepMind, 2018) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2018 | 密(dense) | | 636 | StyleGAN3-R (Nvidia, 2021) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2021 | 構造は非公開 | | 637 | Deep Multitask NLP Network (NEC Laboratories, 2008) | \~1.5 × 10⁶ | | 2008 | 推定 | | 638 | Double DQN (Google DeepMind, 2016) | 1.5 × 10⁶ | 1.5 × 10⁶ | 2016 | 密(dense) | | 639 | CNN committee (IDSIA, 2011) | \~1.4 × 10⁶ | | 2011 | 推定 | | 640 | SqueezeNet (DeepScale, 2016) | \~1.2 × 10⁶ | | 2016 | 推定 | | 641 | Neocognitron (NHK Broadcasting Science Research Laboratories, 1980) | 1.1 × 10⁶ | 1.1 × 10⁶ | 1980 | 密(dense) | | 642 | CURL (University of California (UC) Berkeley, 2020) | \~9.1 × 10⁵ | | 2020 | 推定 | | 643 | DQN (DeepMind, 2013) | 8.4 × 10⁵ | 8.4 × 10⁵ | 2013 | 密(dense) | | 644 | EnhanceNet (Max Planck Institute for Intelligent Systems, 2016) | 8.1 × 10⁵ | 8.1 × 10⁵ | 2016 | 密(dense) | | 645 | Image generation (University of Amsterdam, 2013) | 7.8 × 10⁵ | 7.8 × 10⁵ | 2013 | 密(dense) | | 646 | Hanabi 4 player (DeepMind, 2019) | 7.6 × 10⁵ | 7.6 × 10⁵ | 2019 | 密(dense) | | 647 | TA-CNN (Chinese University of Hong Kong (CUHK), 2014) | \~7.1 × 10⁵ | | 2014 | 推定 | | 648 | Robot Parkour (Shanghai Qi Zhi institute, 2023) | 5 × 10⁵ | 5 × 10⁵ | 2023 | 構造は非公開 | | 649 | LISSOM (University of Texas at Austin, 1995) | \~4.3 × 10⁵ | | 1995 | 推定 | | 650 | SPIDER2 (Griffith University, 2016) | \~4.1 × 10⁵ | | 2016 | 推定 | | 651 | Mixture of linear models (, 1994) | \~3.8 × 10⁵ | | 1994 | 推定 | | 652 | NPD (IEEE, 2014) | 3.1 × 10⁵ | 3.1 × 10⁵ | 2014 | 密(dense) | | 653 | Pooling CNN (University of Bonn, 2010) | 2.9 × 10⁵ | 2.9 × 10⁵ | 2010 | 密(dense) | | 654 | Pooling CNN (University of Bonn, 2010) | 2.7 × 10⁵ | 2.7 × 10⁵ | 2010 | 密(dense) | | 655 | Two Stage Feature Extraction (New York University (NYU), 2009) | 2.6 × 10⁵ | 2.6 × 10⁵ | 2009 | 密(dense) | | 656 | Vector Space Model (Stanford University, 2011) | 2.5 × 10⁵ | 2.5 × 10⁵ | 2011 | 密(dense) | | 657 | HyperNEAT (University of Texas at Austin, 2014) | \~2.4 × 10⁵ | | 2014 | 推定 | | 658 | DNN EM segmentation (IDSIA, 2012) | 2.2 × 10⁵ | 2.2 × 10⁵ | 2012 | 密(dense) | | 659 | Predictive Coding NN (Technical University of Munich, 1994) | 2.1 × 10⁵ | 2.1 × 10⁵ | 1994 | 密(dense) | | 660 | Table Tennis Agent (Google DeepMind, 2024) | \~1.9 × 10⁵ | | 2024 | 推定 | | 661 | CNN Committee (IDSIA, 2011) | \~1.3 × 10⁵ | | 2011 | 推定 | | 662 | CNN Committee (IDSIA, 2011) | \~1.2 × 10⁵ | | 2011 | 推定 | | 663 | RECONTRA-uncategorized (, 1999) | \~1.1 × 10⁵ | | 1999 | 推定 | | 664 | BLSTM for handwriting (University of Bern, 2007) | \~1 × 10⁵ | | 2007 | 推定 | | 665 | SVM-CNN (New York University (NYU), 2006) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2006 | 密(dense) | | 666 | Invariant CNN (New York University (NYU), 2004) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2004 | 密(dense) | | 667 | SexNet compression (, 1990) | 7.3 × 10⁴ | 7.3 × 10⁴ | 1990 | 密(dense) | | 668 | NeuroChess (, 1994) | \~7.2 × 10⁴ | | 1994 | 推定 | | 669 | RECONTRA-categorized (, 1999) | \~6.7 × 10⁴ | | 1999 | 推定 | | 670 | LeNet-5 (AT&T, 1998) | 6 × 10⁴ | 6 × 10⁴ | 1998 | 密(dense) | | 671 | Swift (Intel Labs, 2023) | \~5.7 × 10⁴ | | 2023 | 推定 | | 672 | TCN (Carnegie Mellon University (CMU), 2018) | 4.2 × 10⁴ | 4.2 × 10⁴ | 2018 | 密(dense) | | 673 | TRPO (University of California (UC) Berkeley, 2015) | 3.4 × 10⁴ | 3.4 × 10⁴ | 2015 | 密(dense) | | 674 | SOM-CNN (, 1997) | 3.2 × 10⁴ | 3.2 × 10⁴ | 1997 | 密(dense) | | 675 | NETtalk reimplementation (Oregon State University, 1990) | 2.7 × 10⁴ | 2.7 × 10⁴ | 1990 | 密(dense) | | 676 | TD-Gammon (IBM, 1992) | \~2.5 × 10⁴ | | 1992 | 推定 | | 677 | Cognitron (Biological Cybernetics, 1975) | 2.2 × 10⁴ | 2.2 × 10⁴ | 1975 | 密(dense) | | 678 | NetTalk (Princeton University, 1987) | 1.9 × 10⁴ | 1.9 × 10⁴ | 1987 | 密(dense) | | 679 | CFSS (SenseTime, 2015) | \~1.7 × 10⁴ | | 2015 | 推定 | | 680 | MUSIC perceptron (, 1996) | 1.4 × 10⁴ | 1.4 × 10⁴ | 1996 | 密(dense) | | 681 | AdaRNN (Beihang University, 2014) | 1.3 × 10⁴ | 1.3 × 10⁴ | 2014 | 密(dense) | | 682 | Bidirectional RNN (Advanced Telecommunications Research Institute, 1997) | \~1.3 × 10⁴ | | 1997 | 推定 | | 683 | Decision tree (Mitsubishi Electric Research Labs, 2001) | \~1.2 × 10⁴ | | 2001 | 推定 | | 684 | LSTM (Technical University of Munich, 1997) | 1.1 × 10⁴ | 1.1 × 10⁴ | 1997 | 密(dense) | | 685 | MLN-ASR (McGill University, 1988) | 1 × 10⁴ | 1 × 10⁴ | 1988 | 密(dense) | | 686 | Hopfield network (California Institute of Technology, 1982) | \~9.9 × 10³ | | 1982 | 推定 | | 687 | Zip CNN (AT&T, 1989) | 9.8 × 10³ | 9.8 × 10³ | 1989 | 密(dense) | | 688 | Hierarchical Cognitron (NHK Broadcasting Science Research Laboratories, 1984) | \~9.3 × 10³ | | 1984 | 推定 | | 689 | Weight Decay (, 1991) | 8.4 × 10³ | 8.4 × 10³ | 1991 | 密(dense) | | 690 | Deep Blue (IBM, 1997) | \~8 × 10³ | | 1997 | 推定 | | 691 | 線虫(C. elegans) | 7 × 10³ | 7 × 10³ | | シナプス | | 692 | System 11 (Carnegie Mellon University (CMU), 1996) | 6.5 × 10³ | 6.5 × 10³ | 1996 | 密(dense) | | 693 | ACF-WIDER (Chinese Academy of Sciences, 2014) | 6.1 × 10³ | 6.1 × 10³ | 2014 | 密(dense) | | 694 | RankNet (Microsoft Research, 2005) | 5.7 × 10³ | 5.7 × 10³ | 2005 | 密(dense) | | 695 | ANN Eye Tracker (, 1993) | 5.6 × 10³ | 5.6 × 10³ | 1993 | 密(dense) | | 696 | JPMAX (, 1994) | \~4.4 × 10³ | | 1994 | 推定 | | 697 | Kohonen network (Helsinki University of Technology, 1981) | \~4.1 × 10³ | | 1981 | 推定 | | 698 | Speaker-independent vowel classification (University of Washington, 1989) | 3 × 10³ | 3 × 10³ | 1989 | 密(dense) | | 699 | Pattern recognition and reading by machine (Sandia Corporation, 1959) | \~2.6 × 10³ | | 1959 | 推定 | | 700 | Handwritten digit recognition network (AT&T, 1989) | 2.6 × 10³ | 2.6 × 10³ | 1989 | 密(dense) | | 701 | Boosting (Bell Laboratories, 1992) | \~2.6 × 10³ | | 1992 | 推定 | | 702 | Decision tree adaline (Tokyo Medical and Dental University, 1969) | 2.5 × 10³ | 2.5 × 10³ | 1969 | 密(dense) | | 703 | LTE speaker verification system (IBM, 1966) | \~2.1 × 10³ | | 1966 | 推定 | | 704 | Ceramic-MLP (Sapienza Università di Roma, 1994) | \~1.9 × 10³ | | 1994 | 推定 | | 705 | SexNet classification (, 1990) | \~1.6 × 10³ | | 1990 | 推定 | | 706 | RAAM (, 1990) | 1.5 × 10³ | 1.5 × 10³ | 1990 | 密(dense) | | 707 | Super-vector coding (University of Illinois Urbana-Champaign (UIUC), 2010) | \~1 × 10³ | | 2010 | 推定 | | 708 | Perceptron Mark I (Cornell Aeronautical Laboratory, 1957) | \~1 × 10³ | | 1957 | 推定 | | 709 | Perceptron (Cornell Aeronautical Laboratory, 1960) | \~1 × 10³ | | 1960 | 推定 | | 710 | Translation-invariant MLP (Carnegie Mellon University (CMU), 1987) | 8.2 × 10² | 8.2 × 10² | 1987 | 専門家混合(有効なパラメーター数は非公表) | | 711 | Truck backer-upper (Stanford University, 1989) | 8.1 × 10² | 8.1 × 10² | 1989 | 密(dense) | | 712 | Siamese-TDNN (Bell Laboratories, 1993) | \~7.4 × 10² | | 1993 | 推定 | | 713 | MLP with back-propagation (University of California San Diego, 1986) | 7.2 × 10² | 7.2 × 10² | 1986 | 密(dense) | | 714 | がん治療薬の作用機序の予測(National Cancer Institute, 1992) | \~5.9 × 10² | | 1992 | 推定 | | 715 | Distributed representation NN (Carnegie Mellon University (CMU), 1986) | 4.3 × 10² | 4.3 × 10² | 1986 | 密(dense) | | 716 | Piecewise linear model (University of Kansas, 1973) | 3.6 × 10² | 3.6 × 10² | 1973 | 密(dense) | | 717 | ASE+ACE (University of Massachusetts Amherst, 1983) | \~3.2 × 10² | | 1983 | 推定 | | 718 | LSTM with forget gates (IDSIA, 1999) | \~2.8 × 10² | | 1999 | 推定 | | 719 | Self Organizing System (Massachusetts Institute of Technology (MIT), 1955) | \~2.3 × 10² | | 1955 | 推定 | | 720 | Theseus (Bell Laboratories, 1950) | 4 × 10¹ | 4 × 10¹ | 1950 | 密(dense) | | 721 | SNARC (Harvard University, 1952) | \~4 × 10¹ | | 1952 | 推定 | | 722 | Bankruptcy-NN (, 1990) | 3.6 × 10¹ | 3.6 × 10¹ | 1990 | 密(dense) | | 723 | GNN (University of Siena, 2008) | 3 × 10¹ | 3 × 10¹ | 2008 | 密(dense) | | 724 | ADALINE (Stanford University, 1960) | 1.7 × 10¹ | 1.7 × 10¹ | 1960 | 密(dense) | | 725 | Samuel Neural Checkers (IBM, 1959) | \~1.6 × 10¹ | | 1959 | 推定 | ## 集団 これらのグラフは、動物の社会、宗教、国家、政党、企業を、2通りで順位付けします。ひとつは構成員の数、もうひとつはニューロン相当数です。後者は、各構成員の起きている時間のうち、集団の指示が方向づける割合で重みを付けます。宗教の戒律、法律、政党の規則、職務記述書は、どれも同じように数えます。どれも指示の集まりなので、同じ規則で測ります。[方向づけられた時間の推定方法](https://simulation-hypothesis.com/ja/entities/control)。 ## 動物の社会:連携した集団活動に関わるニューロン 群れの中のニューロン数 集団での活動 典型的な群れのメンバー数 × 各メンバーの皮質または外套(昆虫は脳全体)のニューロン数を、対数目盛で示しています。斜線の棒は、推定した群れの規模、または近縁種のニューロン数を使っています。 1. チンパンジーの群れ▲1 7.4 × 10¹¹ 2. ハキリアリのコロニー▼1 6.3 × 10¹¹ 3. ボノボの群れ▲2 4.4 × 10¹¹ 4. ハッザ族のキャンプ(人間、規模の目安として) 4.1 × 10¹¹ 5. ビッグス型シャチの群れ▼2 2.6 × 10¹¹ 6. 定住型シャチの母系群 2.4 × 10¹¹ 7. ヒヒの群れ 8.6 × 10¹⁰ 8. バンドウイルカの同盟▲1 7.6 × 10¹⁰ 9. マッコウクジラの社会単位▲1 6.4 × 10¹⁰ 10. ミツバチのコロニー▼2 5.8 × 10¹⁰ 11. ゾウの家族 5.6 × 10¹⁰ 12. ピニョンカケスの群れ 5.3 × 10¹⁰ 13. ブチハイエナのクラン 2.2 × 10¹⁰ 14. リカオンの群れ 7.2 × 10⁹ 15. オオカミの群れ 4.2 × 10⁹ 16. ミーアキャットの群れ 1.7 × 10⁹ 17. ハダカデバネズミのコロニー 4.1 × 10⁸ 10^8 10^9 10^10 10^11 10^12 neurons 数字を表示 | # | グループ | 群れの中のニューロン数 | 集団での活動 | メンバー | 指示される割合 | 鳴き声の種類 | | -- | ---------------------- | ----------- | ---------- | ------ | ------- | ------ | | 1 | チンパンジーの群れ | 7.4 × 10¹¹ | 2.5 × 10¹¹ | 100 | 34% | — | | 2 | ハキリアリのコロニー | 6.3 × 10¹¹ | 5 × 10¹¹ | 250万 | 80% | — | | 3 | ボノボの群れ | 4.4 × 10¹¹ | 1.9 × 10¹¹ | 59 | 43% | — | | 4 | ハッザ族のキャンプ(人間、規模の目安として) | 4.1 × 10¹¹ | 2.1 × 10¹¹ | 25 | 53% | — | | 5 | ビッグス型シャチの群れ | 2.6 × 10¹¹ | 2.4 × 10¹¹ | 6 | 91% | — | | 6 | 定住型シャチの母系群 | 2.4 × 10¹¹ | 1.7 × 10¹¹ | 6 | 70% | 11 | | 7 | ヒヒの群れ | 8.6 × 10¹⁰ | 5.2 × 10¹⁰ | 30 | 60% | 9 | | 8 | バンドウイルカの同盟 | 7.6 × 10¹⁰ | 4.2 × 10¹⁰ | 6 | 55% | — | | 9 | マッコウクジラの社会単位 | 6.4 × 10¹⁰ | 4.1 × 10¹⁰ | 8 | 65% | — | | 10 | ミツバチのコロニー | 5.8 × 10¹⁰ | 4.9 × 10¹⁰ | 60,000 | 85% | — | | 11 | ゾウの家族 | 5.6 × 10¹⁰ | 3.2 × 10¹⁰ | 10 | 57% | — | | 12 | ピニョンカケスの群れ | 5.3 × 10¹⁰ | 3.2 × 10¹⁰ | 100 | 60% | — | | 13 | ブチハイエナのクラン | 2.2 × 10¹⁰ | 6.7 × 10⁹ | 45 | 30% | 11 | | 14 | リカオンの群れ | 7.2 × 10⁹ | 4.8 × 10⁹ | 14 | 67% | 11 | | 15 | オオカミの群れ | 4.2 × 10⁹ | 2.6 × 10⁹ | 8 | 63% | — | | 16 | ミーアキャットの群れ | 1.7 × 10⁹ | 1 × 10⁹ | 15 | 57% | 12 | | 17 | ハダカデバネズミのコロニー | 4.1 × 10⁸ | 2.9 × 10⁸ | 78 | 70% | — | [グループの点数のつけ方](https://simulation-hypothesis.com/ja/entities/control). ## 宗教:信者と、その指示に従うニューロン メンバー その指示に従う 宗教全体 分派と運動 信者数を対数目盛で示しています。分派や運動は、それを含む宗教とは別に示します。塗りつぶしの棒は集計値、斜線の棒は推定値です。 1. キリスト教▲1 22.69億 2. イスラム教▼1 20.23億 3. ヒンドゥー教 11.78億 4. 民間信仰 4億 5. 仏教 3.24億 6. アフリカの伝統宗教▲1 9873.4万 7. 神道▲1 8792.41万 8. シク教▲1 2500万 9. ユダヤ教▼3 1478万 10. 道教▲1 800万 11. バハイ教▲1 800万 12. 法輪功▲1 700万 13. ジャイナ教▼3 445.18万 14. 心霊主義(スピリティズム) 380万 15. カオダイ教 250万 16. 天理教 112.15万 17. ブラフマ・クマリス 100万 10^5 10^6 10^7 10^8 10^9 10^10 メンバー 数字を表示 | # | 宗教 | メンバー | その指示に従う | 指示される割合 | 週あたりの時間 | | -- | ------------- | -------- | ---------- | ----------- | ------- | | 1 | キリスト教 | 22.69億 | 1.7 × 10¹⁸ | 0.88% | 0.9 h | | 2 | イスラム教 | 20.23億 | 8.9 × 10¹⁸ | 5.1% | 5.4 h | | 3 | ヒンドゥー教 | 11.78億 | 1.6 × 10¹⁸ | 1.6% | 1.6 h | | 4 | 民間信仰 | 4億 | 2 × 10¹⁷ | 0.59%(代替指標) | 0.6 h | | 5 | 仏教 | 3.24億 | 7.5 × 10¹⁶ | 0.27% | 0.3 h | | 6 | アフリカの伝統宗教 | 9873.4万 | 5 × 10¹⁶ | 0.59%(代替指標) | 0.6 h | | 7 | 神道 | 8792.41万 | 4.5 × 10¹⁶ | 0.59%(代替指標) | 0.6 h | | 8 | シク教 | 2500万 | 3.7 × 10¹⁶ | 1.7% | 1.8 h | | 9 | ユダヤ教 | 1478万 | 5.3 × 10¹⁶ | 4.2% | 4.4 h | | 10 | 道教 | 800万 | 4.1 × 10¹⁵ | 0.59%(代替指標) | 0.6 h | | 11 | バハイ教 | 800万 | 4.1 × 10¹⁵ | 0.59%(代替指標) | 0.6 h | | 12 | 法輪功 | 700万 | 3.6 × 10¹⁵ | 0.59%(代替指標) | 0.6 h | | 13 | ジャイナ教 | 445.18万 | 1.8 × 10¹⁶ | 4.6% | 4.8 h | | 14 | 心霊主義(スピリティズム) | 380万 | 1.9 × 10¹⁵ | 0.59%(代替指標) | 0.6 h | | 15 | カオダイ教 | 250万 | 1.3 × 10¹⁵ | 0.59%(代替指標) | 0.6 h | | 16 | 天理教 | 112.15万 | 5.7 × 10¹⁴ | 0.59%(代替指標) | 0.6 h | | 17 | ブラフマ・クマリス | 100万 | 5.1 × 10¹⁴ | 0.59%(代替指標) | 0.6 h | [すべての実践、割合、出典](https://simulation-hypothesis.com/ja/entities/control). ## 国家:住民と、その指示に従うニューロン 住民 その指示に従う すべて サハラ以南アフリカ ヨーロッパ・中央アジア ラテンアメリカ・カリブ海 中東、北アフリカ、アフガニスタン、パキスタン 北米 南アジア 東アジア・太平洋 人口を対数目盛で示しています。塗りつぶしの棒は集計値、斜線の棒は推定値です。 1. インド▲1 14.64億 2. 中国▼1 14.07億 3. 米国 3.42億 4. インドネシア 2.86億 5. パキスタン▲5 2.55億 6. ナイジェリア▲1 2.38億 7. ブラジル▼2 2.13億 8. バングラデシュ▲5 1.76億 9. ロシア▼3 1.44億 10. エチオピア▲7 1.35億 11. メキシコ▼2 1.32億 12. 日本▲11 1.23億 13. エジプト▼2 1.18億 14. フィリピン 1.17億 15. コンゴ民主共和国▼3 1.13億 196件をすべて表示 10^4 10^6 10^8 10^10 住民 数字を表示 | # | 国家 | 住民 | その指示に従う | 指示される割合 | 週あたりの時間 | | --- | ---------------- | -------- | ---------- | ------- | ------- | | 1 | インド | 14.64億 | 2.5 × 10¹⁸ | 2% | 2.1 h | | 2 | 中国 | 14.07億 | 5 × 10¹⁸ | 4.1% | 4.3 h | | 3 | 米国 | 3.42億 | 1.6 × 10¹⁸ | 5.6% | 5.8 h | | 4 | インドネシア | 2.86億 | 1 × 10¹⁸ | 4.2% | 4.4 h | | 5 | パキスタン | 2.55億 | 5.7 × 10¹⁷ | 2.6% | 2.7 h | | 6 | ナイジェリア | 2.38億 | 6.6 × 10¹⁷ | 3.2% | 3.4 h | | 7 | ブラジル | 2.13億 | 8.7 × 10¹⁷ | 4.8% | 5 h | | 8 | バングラデシュ | 1.76億 | 4.6 × 10¹⁷ | 3% | 3.1 h | | 9 | ロシア | 1.44億 | 7.5 × 10¹⁷ | 6.1% | 6.4 h | | 10 | エチオピア | 1.35億 | 3.9 × 10¹⁷ | 3.4% | 3.5 h | | 11 | メキシコ | 1.32億 | 5.9 × 10¹⁷ | 5.2% | 5.5 h | | 12 | 日本 | 1.23億 | 2.8 × 10¹⁷ | 2.7% | 2.8 h | | 13 | エジプト | 1.18億 | 5.5 × 10¹⁷ | 5.4% | 5.7 h | | 14 | フィリピン | 1.17億 | 4.4 × 10¹⁷ | 4.4% | 4.6 h | | 15 | コンゴ民主共和国 | 1.13億 | 4.7 × 10¹⁷ | 4.8% | 5.1 h | | 16 | ベトナム | 1.02億 | 4.2 × 10¹⁷ | 4.8% | 5 h | | 17 | イラン | 9241.77万 | 3.5 × 10¹⁷ | 4.3% | 4.6 h | | 18 | トルコ | 8587.86万 | 4.3 × 10¹⁷ | 5.8% | 6 h | | 19 | ドイツ | 8349.12万 | 2.9 × 10¹⁷ | 4% | 4.2 h | | 20 | タイ | 7161.99万 | 2.4 × 10¹⁷ | 3.9% | 4.1 h | | 21 | タンザニア | 7054.59万 | 2.2 × 10¹⁷ | 3.6% | 3.8 h | | 22 | 英国 | 6948.7万 | 2.8 × 10¹⁷ | 4.6% | 4.8 h | | 23 | フランス | 6872.03万 | 3.1 × 10¹⁷ | 5.3% | 5.5 h | | 24 | 南アフリカ | 6474.73万 | 2.9 × 10¹⁷ | 5.1% | 5.4 h | | 25 | イタリア | 5891.57万 | 2.1 × 10¹⁷ | 4.2% | 4.4 h | | 26 | ケニア | 5753.25万 | 2.3 × 10¹⁷ | 4.7% | 5 h | | 27 | ミャンマー | 5485.06万 | 1.9 × 10¹⁷ | 4% | 4.2 h | | 28 | コロンビア | 5342.56万 | 1.7 × 10¹⁷ | 3.7% | 3.9 h | | 29 | 韓国 | 5168.46万 | 1.4 × 10¹⁷ | 3% | 3.2 h | | 30 | スーダン | 5166.21万 | 1.5 × 10¹⁷ | 3.4% | 3.6 h | | 31 | ウガンダ | 5138.49万 | 1.5 × 10¹⁷ | 3.4% | 3.6 h | | 32 | スペイン | 4935.51万 | 1.8 × 10¹⁷ | 4.2% | 4.3 h | | 33 | アルジェリア | 4743.53万 | 3.2 × 10¹⁷ | 7.9% | 8.3 h | | 34 | イラク | 4702.08万 | 1.1 × 10¹⁷ | 2.8% | 2.9 h | | 35 | アルゼンチン | 4585.14万 | 1.7 × 10¹⁷ | 4.4% | 4.6 h | | 36 | アフガニスタン | 4384.41万 | 1.8 × 10¹⁷ | 4.8% | 5 h | | 37 | イエメン | 4177.39万 | 1.3 × 10¹⁷ | 3.7% | 3.9 h | | 38 | カナダ | 4165.17万 | 2 × 10¹⁷ | 5.5% | 5.8 h | | 39 | アンゴラ | 3904万 | 1.4 × 10¹⁷ | 4.2% | 4.4 h | | 40 | ウクライナ | 3898.04万 | 2.1 × 10¹⁷ | 6.2% | 6.5 h | | 41 | モロッコ | 3843.08万 | 1.5 × 10¹⁷ | 4.5% | 4.7 h | | 42 | ウズベキスタン | 3705.34万 | 2 × 10¹⁷ | 6.3% | 6.6 h | | 43 | サウジアラビア | 3697.36万 | 1.4 × 10¹⁷ | 4.3% | 4.6 h | | 44 | ポーランド | 3643.59万 | 2.1 × 10¹⁷ | 6.7% | 7 h | | 45 | マレーシア | 3597.78万 | 1.8 × 10¹⁷ | 5.8% | 6.1 h | | 46 | モザンビーク | 3563.17万 | 1.5 × 10¹⁷ | 4.8% | 5.1 h | | 47 | ガーナ | 3506.43万 | 1.2 × 10¹⁷ | 3.9% | 4.1 h | | 48 | ペルー | 3457.67万 | 1.4 × 10¹⁷ | 4.8% | 5 h | | 49 | マダガスカル | 3274.07万 | 9.4 × 10¹⁶ | 3.3% | 3.5 h | | 50 | コートジボワール | 3271.15万 | 9.5 × 10¹⁶ | 3.4% | 3.5 h | | 51 | カメルーン | 2987.93万 | 9.8 × 10¹⁶ | 3.8% | 4 h | | 52 | ネパール | 2961.81万 | 1.1 × 10¹⁷ | 4.2% | 4.4 h | | 53 | ベネズエラ | 2851.69万 | 1.5 × 10¹⁷ | 6.1% | 6.4 h | | 54 | ニジェール | 2791.78万 | 6.4 × 10¹⁶ | 2.6% | 2.8 h | | 55 | オーストラリア | 2761.44万 | 1.1 × 10¹⁷ | 4.7% | 5 h | | 56 | 北朝鮮 | 2657.1万 | 6.6 × 10¹⁷ | 29% | 30.1 h | | 57 | シリア | 2562.04万 | 9.8 × 10¹⁶ | 4.4% | 4.6 h | | 58 | マリ | 2519.88万 | 4.9 × 10¹⁶ | 2.3% | 2.4 h | | 59 | ブルキナファソ | 2407.46万 | 5.7 × 10¹⁶ | 2.8% | 2.9 h | | 60 | 台湾 | 2330.61万 | 1 × 10¹⁷ | 5% | 5.3 h | | 61 | マラウイ | 2221.61万 | 1 × 10¹⁷ | 5.4% | 5.6 h | | 62 | ザンビア | 2191.39万 | 10 × 10¹⁶ | 5.3% | 5.5 h | | 63 | スリランカ | 2175.6万 | 1.1 × 10¹⁷ | 6% | 6.3 h | | 64 | チャド | 2100.37万 | 4.9 × 10¹⁶ | 2.7% | 2.9 h | | 65 | カザフスタン | 2084.38万 | 1.4 × 10¹⁷ | 7.6% | 7.9 h | | 66 | チリ | 1985.99万 | 6.2 × 10¹⁶ | 3.6% | 3.8 h | | 67 | ソマリア | 1965.47万 | 1.5 × 10¹⁶ | 0.88% | 0.9 h | | 68 | ルーマニア | 1902.03万 | 7.5 × 10¹⁶ | 4.6% | 4.8 h | | 69 | セネガル | 1893.2万 | 5.9 × 10¹⁶ | 3.6% | 3.8 h | | 70 | グアテマラ | 1868.79万 | 6 × 10¹⁶ | 3.7% | 3.9 h | | 71 | エクアドル | 1828.99万 | 6.6 × 10¹⁶ | 4.2% | 4.4 h | | 72 | オランダ | 1808.76万 | 7.6 × 10¹⁶ | 4.9% | 5.1 h | | 73 | カンボジア | 1784.8万 | 7.4 × 10¹⁶ | 4.8% | 5.1 h | | 74 | ジンバブエ | 1695.08万 | 6.1 × 10¹⁶ | 4.2% | 4.4 h | | 75 | ギニア | 1509.97万 | 3.1 × 10¹⁶ | 2.4% | 2.5 h | | 76 | ベナン | 1481.45万 | 4.4 × 10¹⁶ | 3.4% | 3.6 h | | 77 | ルワンダ | 1456.93万 | 7 × 10¹⁶ | 5.6% | 5.8 h | | 78 | ブルンジ | 1439万 | 5.2 × 10¹⁶ | 4.2% | 4.4 h | | 79 | ボリビア | 1258.18万 | 5.8 × 10¹⁶ | 5.4% | 5.6 h | | 80 | チュニジア | 1234.86万 | 6.4 × 10¹⁶ | 6% | 6.3 h | | 81 | 南スーダン | 1218.88万 | 4.4 × 10¹⁶ | 4.2% | 4.4 h | | 82 | ベルギー | 1194.18万 | 4.5 × 10¹⁶ | 4.3% | 4.5 h | | 83 | ハイチ | 1190.61万 | 1.9 × 10¹⁶ | 1.8% | 1.9 h | | 84 | ヨルダン | 1152.07万 | 4.9 × 10¹⁶ | 5% | 5.2 h | | 85 | ドミニカ共和国 | 1152.05万 | 4.9 × 10¹⁶ | 4.9% | 5.2 h | | 86 | アラブ首長国連邦 | 1151.31万 | 3.1 × 10¹⁶ | 3.1% | 3.2 h | | 87 | ホンジュラス | 1100.59万 | 3.2 × 10¹⁶ | 3.3% | 3.5 h | | 88 | キューバ | 1093.72万 | 1.6 × 10¹⁷ | 17% | 17.4 h | | 89 | チェコ | 1088.69万 | 5.8 × 10¹⁶ | 6.2% | 6.5 h | | 90 | ポルトガル | 1080.49万 | 5.1 × 10¹⁶ | 5.5% | 5.7 h | | 91 | タジキスタン | 1078.67万 | 5.3 × 10¹⁶ | 5.7% | 6 h | | 92 | パプアニューギニア | 1076.28万 | 4.3 × 10¹⁶ | 4.6% | 4.8 h | | 93 | スウェーデン | 1059.66万 | 6.8 × 10¹⁶ | 7.5% | 7.8 h | | 94 | ギリシャ | 1041.4万 | 4.9 × 10¹⁶ | 5.4% | 5.7 h | | 95 | アゼルバイジャン | 1024.7万 | 6.2 × 10¹⁶ | 7% | 7.4 h | | 96 | イスラエル | 1012.28万 | 6.4 × 10¹⁶ | 7.3% | 7.7 h | | 97 | ハンガリー | 951.43万 | 5.7 × 10¹⁶ | 6.9% | 7.3 h | | 98 | オーストリア | 920.82万 | 2.5 × 10¹⁶ | 3.2% | 3.4 h | | 99 | スイス | 909.24万 | 3.9 × 10¹⁶ | 5% | 5.3 h | | 100 | ベラルーシ | 908.6万 | 7.9 × 10¹⁶ | 10% | 10.6 h | | 101 | シエラレオネ | 881.98万 | 4.9 × 10¹⁶ | 6.5% | 6.8 h | | 102 | トーゴ | 859.16万 | 3 × 10¹⁶ | 4% | 4.2 h | | 103 | ラオス | 787.3万 | 3.2 × 10¹⁶ | 4.8% | 5 h | | 104 | トルクメニスタン | 761.88万 | 4.2 × 10¹⁶ | 6.5% | 6.8 h | | 105 | リビア | 745.86万 | 3.9 × 10¹⁶ | 6.1% | 6.4 h | | 106 | キルギス | 734.31万 | 4.1 × 10¹⁶ | 6.5% | 6.8 h | | 107 | パラグアイ | 701.31万 | 2.9 × 10¹⁶ | 4.8% | 5.1 h | | 108 | ニカラグア | 700.75万 | 2.8 × 10¹⁶ | 4.6% | 4.8 h | | 109 | セルビア | 654.91万 | 4.1 × 10¹⁶ | 7.2% | 7.5 h | | 110 | コンゴ共和国 | 648.44万 | 1.7 × 10¹⁶ | 3% | 3.1 h | | 111 | ブルガリア | 643.33万 | 3.3 × 10¹⁶ | 5.9% | 6.2 h | | 112 | エルサルバドル | 636.55万 | 3.2 × 10¹⁶ | 5.8% | 6.1 h | | 113 | シンガポール | 611.12万 | 1.9 × 10¹⁶ | 3.6% | 3.7 h | | 114 | デンマーク | 600.92万 | 3.9 × 10¹⁶ | 7.6% | 8 h | | 115 | レバノン | 584.94万 | 1.5 × 10¹⁶ | 3% | 3.1 h | | 116 | リベリア | 573.12万 | 1.5 × 10¹⁶ | 3.1% | 3.3 h | | 117 | フィンランド | 564.64万 | 3.2 × 10¹⁶ | 6.6% | 6.9 h | | 118 | ノルウェー | 561.09万 | 3.7 × 10¹⁶ | 7.6% | 8 h | | 119 | 中央アフリカ共和国 | 551.33万 | 1.7 × 10¹⁶ | 3.5% | 3.7 h | | 120 | オマーン | 549.47万 | 2.9 × 10¹⁶ | 6.2% | 6.5 h | | 121 | アイルランド | 548.44万 | 3.4 × 10¹⁶ | 7.2% | 7.6 h | | 122 | スロバキア | 541.38万 | 3.1 × 10¹⁶ | 6.7% | 7 h | | 123 | パレスチナ | 541.36万 | 2 × 10¹⁶ | 4.3% | 4.5 h | | 124 | ニュージーランド | 532.47万 | 2.7 × 10¹⁶ | 5.9% | 6.2 h | | 125 | モーリタニア | 531.51万 | 2 × 10¹⁶ | 4.3% | 4.5 h | | 126 | コスタリカ | 515.3万 | 2.6 × 10¹⁶ | 5.9% | 6.2 h | | 127 | クウェート | 486.53万 | 2.7 × 10¹⁶ | 6.5% | 6.8 h | | 128 | パナマ | 457.12万 | 2.3 × 10¹⁶ | 5.9% | 6.2 h | | 129 | ジョージア | 393.58万 | 2.1 × 10¹⁶ | 6.1% | 6.4 h | | 130 | クロアチア | 387.62万 | 2.2 × 10¹⁶ | 6.7% | 7 h | | 131 | エリトリア | 360.7万 | 1.5 × 10¹⁶ | 5% | 5.2 h | | 132 | モンゴル | 356.9万 | 2.2 × 10¹⁶ | 7% | 7.3 h | | 133 | ウルグアイ | 338.47万 | 1.7 × 10¹⁶ | 5.9% | 6.2 h | | 134 | ボスニア・ヘルツェゴビナ | 314.01万 | 1.6 × 10¹⁶ | 5.9% | 6.2 h | | 135 | ナミビア | 309.28万 | 1.8 × 10¹⁶ | 6.9% | 7.2 h | | 136 | アルメニア | 308.67万 | 1.7 × 10¹⁶ | 6.5% | 6.8 h | | 137 | カタール | 297.22万 | 9.6 × 10¹⁵ | 3.8% | 3.9 h | | 138 | リトアニア | 288.88万 | 1.8 × 10¹⁶ | 7.4% | 7.7 h | | 139 | ジャマイカ | 283.71万 | 1.2 × 10¹⁶ | 5% | 5.2 h | | 140 | ガンビア | 282.21万 | 1.1 × 10¹⁶ | 4.5% | 4.7 h | | 141 | ガボン | 259.31万 | 9.9 × 10¹⁵ | 4.4% | 4.6 h | | 142 | ボツワナ | 256.21万 | 1.3 × 10¹⁶ | 5.7% | 6 h | | 143 | レソト | 236.33万 | 9.5 × 10¹⁵ | 4.7% | 4.9 h | | 144 | モルドバ | 236.05万 | 1.5 × 10¹⁶ | 7.3% | 7.6 h | | 145 | アルバニア | 234.96万 | 1.2 × 10¹⁶ | 5.7% | 6 h | | 146 | ギニアビサウ | 224.95万 | 5.7 × 10¹⁵ | 2.9% | 3.1 h | | 147 | スロベニア | 213.1万 | 1.2 × 10¹⁶ | 6.6% | 6.9 h | | 148 | 赤道ギニア | 193.84万 | 4 × 10¹⁵ | 2.4% | 2.5 h | | 149 | ラトビア | 184.78万 | 1.2 × 10¹⁶ | 7.6% | 7.9 h | | 150 | 北マケドニア | 182.09万 | 9.2 × 10¹⁵ | 5.9% | 6.2 h | | 151 | バーレーン | 160.04万 | 5.9 × 10¹⁵ | 4.3% | 4.5 h | | 152 | コソボ | 157.69万 | 8 × 10¹⁵ | 5.9% | 6.2 h | | 153 | 東ティモール | 141.85万 | 8 × 10¹⁵ | 6.6% | 6.9 h | | 154 | キプロス | 137.08万 | 5.5 × 10¹⁵ | 4.7% | 4.9 h | | 155 | トリニダード・トバゴ | 136.78万 | 9.3 × 10¹⁵ | 7.9% | 8.2 h | | 156 | エストニア | 136.65万 | 8.3 × 10¹⁵ | 7% | 7.4 h | | 157 | エスワティニ | 125.62万 | 7.5 × 10¹⁵ | 6.9% | 7.2 h | | 158 | モーリシャス | 124.37万 | 5.1 × 10¹⁵ | 4.8% | 5 h | | 159 | ジブチ | 118.41万 | 4.6 × 10¹⁵ | 4.5% | 4.8 h | | 160 | フィジー | 933,154 | 5.6 × 10¹⁵ | 7% | 7.4 h | | 161 | コモロ | 882,847 | 3.5 × 10¹⁵ | 4.6% | 4.8 h | | 162 | ソロモン諸島 | 838,645 | 3.2 × 10¹⁵ | 4.4% | 4.6 h | | 163 | ガイアナ | 835,986 | 4.6 × 10¹⁵ | 6.4% | 6.7 h | | 164 | ブータン | 796,682 | 5.8 × 10¹⁵ | 8.5% | 8.9 h | | 165 | ルクセンブルク | 686,970 | 2.4 × 10¹⁵ | 4% | 4.2 h | | 166 | スリナム | 639,850 | 3.7 × 10¹⁵ | 6.7% | 7.1 h | | 167 | モンテネグロ | 623,129 | 4.3 × 10¹⁵ | 8.1% | 8.5 h | | 168 | Malta | 579,704 | 3.1 × 10¹⁵ | 6.2% | 6.5 h | | 169 | モルディブ | 529,676 | 4.7 × 10¹⁵ | 10% | 10.8 h | | 170 | カーボベルデ | 527,326 | 3.3 × 10¹⁵ | 7.2% | 7.6 h | | 171 | ブルネイ | 466,330 | 3.6 × 10¹⁵ | 8.9% | 9.3 h | | 172 | ベリーズ | 422,924 | 1.1 × 10¹⁵ | 2.9% | 3.1 h | | 173 | バハマ | 403,033 | 2.2 × 10¹⁵ | 6.4% | 6.7 h | | 174 | アイスランド | 392,404 | 2.5 × 10¹⁵ | 7.4% | 7.7 h | | 175 | バヌアツ | 335,169 | 2 × 10¹⁵ | 6.9% | 7.3 h | | 176 | バルバドス | 282,623 | 1.5 × 10¹⁵ | 6% | 6.3 h | | 177 | サントメ・プリンシペ | 240,254 | 1.1 × 10¹⁵ | 5.4% | 5.7 h | | 178 | サモア | 219,306 | 1.1 × 10¹⁵ | 5.7% | 5.9 h | | 179 | セントルシア | 180,149 | 9.3 × 10¹⁴ | 6% | 6.3 h | | 180 | キリバス | 136,488 | 7.6 × 10¹⁴ | 6.4% | 6.7 h | | 181 | セーシェル | 122,730 | 8.9 × 10¹⁴ | 8.4% | 8.8 h | | 182 | グレナダ | 117,303 | 7.3 × 10¹⁴ | 7.2% | 7.5 h | | 183 | ミクロネシア | 113,683 | 5.7 × 10¹⁴ | 5.8% | 6.1 h | | 184 | トンガ | 103,742 | 5.9 × 10¹⁴ | 6.6% | 6.9 h | | 185 | セントビンセント・グレナディーン | 99,924 | 4.9 × 10¹⁴ | 5.7% | 5.9 h | | 186 | アンティグア・バーブーダ | 94,209 | 6.5 × 10¹⁴ | 8% | 8.3 h | | 187 | アンドラ | 82,904 | 3.9 × 10¹⁴ | 5.5% | 5.8 h | | 188 | ドミニカ国 | 65,871 | 2.3 × 10¹⁴ | 4.1% | 4.3 h | | 189 | セントクリストファー・ネイビス | 46,922 | 2.1 × 10¹⁴ | 5.2% | 5.5 h | | 190 | リヒテンシュタイン | 41,024 | 2 × 10¹⁴ | 5.7% | 5.9 h | | 191 | モナコ | 38,341 | 2.3 × 10¹⁴ | 6.9% | 7.3 h | | 192 | マーシャル諸島 | 36,282 | 3.3 × 10¹⁴ | 10% | 10.9 h | | 193 | サンマリノ | 34,109 | 1.3 × 10¹⁴ | 4.6% | 4.8 h | | 194 | パラオ | 17,663 | 1.6 × 10¹⁴ | 10% | 11 h | | 195 | ナウル | 12,025 | 9.3 × 10¹³ | 9% | 9.4 h | | 196 | ツバル | 9,492 | 8 × 10¹³ | 9.8% | 10.2 h | [数えるもの、数えないもの](https://simulation-hypothesis.com/ja/entities/control). ## 政党:党員と、その指示に従うニューロン メンバー その指示に従う 政党が報告するメンバー数を、対数目盛で示しています。塗りつぶしの棒は集計値、斜線の棒は推定値または自己申告です。 1. インド人民党(インド)▲1 1.4億 2. 中国共産党▼1 1.01億 3. 民主党(米国)▲13 4490万 4. 共和党(米国)▲16 3800万 5. インド国民会議▼2 2600万 6. AIADMK(インド)▼2 2004.44万 7. DMK(インド)▼2 2000万 8. 繁栄党(エチオピア)▼1 1570万 9. TVK(インド)▼1 1500万 10. 革命党(タンザニア、Chama Cha Mapinduzi)▼1 1300.07万 11. 全進歩会議(ナイジェリア)▼1 1290万 12. AK Party(トルコ)▼1 1170.99万 13. Morena(メキシコ)▼1 1162.95万 14. テルグ・デーサム党(インド)▼1 1005.26万 15. カンボジア人民党▼1 700万 59件をすべて表示 10^4 10^5 10^6 10^7 10^8 10^9 メンバー 数字を表示 | # | 政党 | メンバー | その指示に従う | 指示される割合 | 週あたりの時間 | | -- | ------------------------------ | -------- | ---------- | ----------- | ------- | | 1 | インド人民党(インド) | 1.4億 | 6.3 × 10¹⁶ | 0.52%(代替指標) | 0.6 h | | 2 | 中国共産党 | 1.01億 | 8.2 × 10¹⁶ | 0.94% | 1 h | | 3 | 民主党(米国) | 4490万 | 2.3 × 10¹⁵ | 0.06% | 0.1 h | | 4 | 共和党(米国) | 3800万 | 2 × 10¹⁵ | 0.06% | 0.1 h | | 5 | インド国民会議 | 2600万 | 1.2 × 10¹⁶ | 0.52%(代替指標) | 0.6 h | | 6 | AIADMK(インド) | 2004.44万 | 9 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 7 | DMK(インド) | 2000万 | 9 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 8 | 繁栄党(エチオピア) | 1570万 | 7 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 9 | TVK(インド) | 1500万 | 6.7 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 10 | 革命党(タンザニア、Chama Cha Mapinduzi) | 1300.07万 | 5.8 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 11 | 全進歩会議(ナイジェリア) | 1290万 | 5.8 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 12 | AK Party(トルコ) | 1170.99万 | 5.2 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 13 | Morena(メキシコ) | 1162.95万 | 5.2 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 14 | テルグ・デーサム党(インド) | 1005.26万 | 4.5 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 15 | カンボジア人民党 | 700万 | 3.1 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 16 | 朝鮮労働党 | 617.5万 | 7.6 × 10¹⁵ | 1.4% | 1.5 h | | 17 | FRELIMO(モザンビーク) | 600万 | 2.7 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 18 | ベトナム共産党 | 560万 | 2.1 × 10¹⁵ | 0.44% | 0.5 h | | 19 | 共に民主党(韓国) | 499.58万 | 2.2 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 20 | 国民の力(韓国) | 443.98万 | 2 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 21 | PSUV(ベネズエラ) | 424万 | 1.9 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 22 | ZANU-PF(ジンバブエ) | 405.84万 | 1.8 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 23 | UMNO(マレーシア) | 325.15万 | 1.5 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 24 | 正義党(アルゼンチン) | 310.23万 | 1.4 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 25 | コロラド党(パラグアイ) | 300万 | 1.3 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 26 | 統一ロシア | 260万 | 1.2 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 27 | UzLiDeP(ウズベキスタン) | 230.76万 | 1 × 10¹⁵ | 0.52%(代替指標) | 0.6 h | | 28 | PLD(ドミニカ共和国) | 217.7万 | 9.7 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 29 | MDB(ブラジル) | 201.85万 | 9 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 30 | CHP(トルコ) | 188万 | 8.4 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 31 | 急進市民同盟(アルゼンチン) | 179.37万 | 8 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 32 | 労働者党、PT(ブラジル) | 166.57万 | 7.5 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 33 | PRM(ドミニカ共和国) | 155.17万 | 6.9 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 34 | 真正急進自由党(パラグアイ) | 154.8万 | 6.9 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 35 | Partido Federal ng Pilipinas | 150万 | 6.7 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 36 | PAS(マレーシア) | 130万 | 5.8 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 37 | PRD(ブラジル) | 129.25万 | 5.8 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 38 | Progressistas(ブラジル) | 128.57万 | 5.8 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 39 | PSDB(ブラジル) | 126.1万 | 5.6 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 40 | PKR(マレーシア) | 115.32万 | 5.2 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 41 | 経済的自由の闘士(南アフリカ) | 108.58万 | 4.9 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 42 | PDT(ブラジル) | 107.33万 | 4.8 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 43 | União Brasil | 106.7万 | 4.8 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 44 | CPI(M)(インド) | 101.9万 | 4.6 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 45 | 自由民主党(日本) | 100.33万 | 4.5 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 46 | FLN(アルジェリア) | 100万 | 4.5 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 47 | 自由党、PL(ブラジル) | 952,881 | 4.3 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 48 | キューバ共産党 | 700,000 | 2.7 × 10¹⁴ | 0.44% | 0.5 h | | 49 | アフリカ民族会議 | 688,454 | 3.1 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 50 | カナダ保守党 | 678,708 | 2.7 × 10¹⁴ | 0.46% | 0.5 h | | 51 | CDU(ドイツ) | 364,202 | 1.6 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 52 | SPD(ドイツ) | 357,116 | 1.6 × 10¹⁴ | 0.52%(代替指標) | 0.6 h | | 53 | 労働党(英国) | 333,235 | 1.6 × 10¹⁴ | 0.55% | 0.6 h | | 54 | カナダ自由党 | 163,836 | 6.5 × 10¹³ | 0.46% | 0.5 h | | 55 | 緑の党(ドイツ) | 155,296 | 7 × 10¹³ | 0.52%(代替指標) | 0.6 h | | 56 | CSU(ドイツ) | 125,153 | 5.6 × 10¹³ | 0.52%(代替指標) | 0.6 h | | 57 | 保守党(英国) | 123,000 | 3.7 × 10¹³ | 0.35% | 0.4 h | | 58 | 新民主党(カナダ) | 100,542 | 4 × 10¹³ | 0.46% | 0.5 h | | 59 | AfD(ドイツ) | 51,335 | 2.3 × 10¹³ | 0.52%(代替指標) | 0.6 h | [会合、調査、出典](https://simulation-hypothesis.com/ja/entities/control). ## 企業:従業員と、その指示に従うニューロン 従業員 その指示に従う 最新の年次報告書または名簿にある従業員数を、線形目盛で示しています。 1. ウォルマート 210万 2. アマゾン▲1 157.6万 3. 国家電網▼1 136.14万 4. 中国石油天然気集団 102.63万 5. 京東(JD.com) 951,420 6. BYD▲1 869,622 7. アクセンチュア▼1 779,000 8. Allied Universal▲3 770,000 9. 中国郵政集団▼1 719,448 10. ロシア鉄道(RZD)▲2 677,363 11. フォルクスワーゲン・グループ▲6 662,942 12. 鴻海(Hon Hai、Foxconn)▼2 633,167 13. シュワルツ・グループ▲16 604,000 14. コンパス・グループ▲18 590,000 15. タタ・コンサルタンシー・サービシズ▼6 584,510 71件をすべて表示 0 0.5M 1M 1.5M 2M 2.5M employees 数字を表示 | # | 企業 | 従業員 | その指示に従う | 週あたりの時間 | 指示される割合 | | -- | ------------------------------------------ | ------- | ---------- | ---------------- | ------- | | 1 | ウォルマート | 210万 | 6.3 × 10¹⁶ | 36.3 h (米国) | 35% | | 2 | アマゾン | 157.6万 | 4.7 × 10¹⁶ | 36.3 h (米国) | 35% | | 3 | 国家電網 | 136.14万 | 5.5 × 10¹⁶ | 49 h (中国) | 47% | | 4 | 中国石油天然気集団 | 102.63万 | 4.1 × 10¹⁶ | 49 h (中国) | 47% | | 5 | 京東(JD.com) | 951,420 | 3.8 × 10¹⁶ | 49 h (中国) | 47% | | 6 | BYD | 869,622 | 3.5 × 10¹⁶ | 49 h (中国) | 47% | | 7 | アクセンチュア | 779,000 | 3.7 × 10¹⁶ | 57.58 h (インド) | 55% | | 8 | Allied Universal | 770,000 | 2.3 × 10¹⁶ | 36.52 h (米国) | 35% | | 9 | 中国郵政集団 | 719,448 | 2.9 × 10¹⁶ | 49 h (中国) | 47% | | 10 | ロシア鉄道(RZD) | 677,363 | 2.2 × 10¹⁶ | 39.96 h (ロシア) | 38% | | 11 | フォルクスワーゲン・グループ | 662,942 | 2 × 10¹⁶ | 35.95 h (ドイツ) | 34% | | 12 | 鴻海(Hon Hai、Foxconn) | 633,167 | 2.5 × 10¹⁶ | 49 h (中国) | 47% | | 13 | シュワルツ・グループ | 604,000 | 1.6 × 10¹⁶ | 31.49 h (ドイツ) | 30% | | 14 | コンパス・グループ | 590,000 | 1.5 × 10¹⁶ | 31.7 h (米国) | 30% | | 15 | タタ・コンサルタンシー・サービシズ | 584,510 | 2.8 × 10¹⁶ | 58.23 h (インド) | 56% | | 16 | DHLグループ | 583,998 | 1.7 × 10¹⁶ | 35.81 h (ドイツ) | 34% | | 17 | 中国石化(Sinopec) | 513,434 | 2.1 × 10¹⁶ | 49 h (中国) | 47% | | 18 | ガスプロム | 501,000 | 1.7 × 10¹⁶ | 40.47 h (ロシア) | 39% | | 19 | フェデックス | 474,200 | 1.6 × 10¹⁶ | 39.98 h (米国) | 38% | | 20 | ホーム・デポ | 470,000 | 1.4 × 10¹⁶ | 36.3 h (米国) | 35% | | 21 | 中国移動 | 468,496 | 1.9 × 10¹⁶ | 49 h (中国) | 47% | | 22 | UPS | 460,000 | 1.5 × 10¹⁶ | 39.98 h (米国) | 38% | | 23 | 中国農業銀行 | 457,835 | 1.8 × 10¹⁶ | 49 h (中国) | 47% | | 24 | コンセントリクス | 455,000 | 1.7 × 10¹⁶ | 46.71 h (フィリピン) | 45% | | 25 | テレパフォーマンス | 446,716 | 2.2 × 10¹⁶ | 58.89 h (インド) | 56% | | 26 | ジャーディン・マセソン | 443,000 | 1.5 × 10¹⁶ | 41.93 h (インドネシア) | 40% | | 27 | ソデクソ | 426,464 | 1.1 × 10¹⁶ | 31.7 h (米国) | 30% | | 28 | キャップジェミニ | 423,400 | 2 × 10¹⁶ | 58.23 h (インド) | 56% | | 29 | リライアンス・インダストリーズ | 419,911 | 2.1 × 10¹⁶ | 59.57 h (インド) | 57% | | 30 | エデカ | 417,500 | 1.1 × 10¹⁶ | 31.49 h (ドイツ) | 30% | | 31 | 立訊精密(Luxshare Precision) | 416,197 | 1.7 × 10¹⁶ | 49 h (中国) | 47% | | 32 | ターゲット | 415,000 | 1.2 × 10¹⁶ | 36.3 h (米国) | 35% | | 33 | マリオット・インターナショナル | 414,000 | 1.1 × 10¹⁶ | 31.7 h (米国) | 30% | | 34 | ボッシュ | 412,400 | 1.2 × 10¹⁶ | 35.95 h (ドイツ) | 34% | | 35 | 中国工商銀行(ICBC) | 409,758 | 1.6 × 10¹⁶ | 49 h (中国) | 47% | | 36 | クローガー | 403,000 | 1.2 × 10¹⁶ | 36.3 h (米国) | 35% | | 37 | 華潤集団 | 397,398 | 1.6 × 10¹⁶ | 49 h (中国) | 47% | | 38 | マグニット(Magnit) | 394,000 | 1.3 × 10¹⁶ | 39.69 h (ロシア) | 38% | | 39 | トヨタ | 390,927 | 1.3 × 10¹⁶ | 39.6 h (日本) | 38% | | 40 | ユナイテッドヘルス・グループ | 390,000 | 1.2 × 10¹⁶ | 36.87 h (米国) | 35% | | 41 | X5グループ | 389,000 | 1.3 × 10¹⁶ | 39.69 h (ロシア) | 38% | | 42 | バークシャー・ハサウェイ | 387,800 | 1.2 × 10¹⁶ | 37.75 h (米国) | 36% | | 43 | 中国航空工業集団(AVIC) | 384,000 | 1.5 × 10¹⁶ | 49 h (中国) | 47% | | 44 | Ahold Delhaize | 384,000 | 1.1 × 10¹⁶ | 36.3 h (米国) | 35% | | 45 | 中国電信 | 381,436 | 1.5 × 10¹⁶ | 49 h (中国) | 47% | | 46 | スターバックス | 381,000 | 9.9 × 10¹⁵ | 31.7 h (米国) | 30% | | 47 | レーベ・グループ | 380,000 | 9.8 × 10¹⁵ | 31.49 h (ドイツ) | 30% | | 48 | 中国建設銀行 | 378,344 | 1.5 × 10¹⁶ | 49 h (中国) | 47% | | 49 | TJXカンパニーズ | 377,000 | 1.1 × 10¹⁶ | 36.3 h (米国) | 35% | | 50 | 中国建築(China State Construction Engineering) | 370,272 | 1.5 × 10¹⁶ | 49 h (中国) | 47% | | 51 | FEMSA | 368,776 | 1.4 × 10¹⁶ | 47.09 h (メキシコ) | 45% | | 52 | 日本郵政 | 360,000 | 1.2 × 10¹⁶ | 41.6 h (日本) | 40% | | 53 | テスコ | 354,744 | 9.3 × 10¹⁵ | 31.81 h (英国) | 30% | | 54 | コグニザント | 351,600 | 1.7 × 10¹⁶ | 58.23 h (インド) | 56% | | 55 | NTT | 344,196 | 1.1 × 10¹⁶ | 40.2 h (日本) | 38% | | 56 | コストコ | 341,000 | 1 × 10¹⁶ | 36.3 h (米国) | 35% | | 57 | インフォシス | 328,594 | 1.6 × 10¹⁶ | 58.23 h (インド) | 56% | | 58 | ISS | 325,000 | 1.6 × 10¹⁶ | 58.89 h (インド) | 56% | | 59 | セキュリタス | 322,000 | 9.7 × 10¹⁵ | 36.52 h (米国) | 35% | | 60 | HCAヘルスケア | 320,000 | 9.7 × 10¹⁵ | 36.87 h (米国) | 35% | | 61 | ロスネフチ | 320,000 | 1.1 × 10¹⁶ | 40.47 h (ロシア) | 39% | | 62 | JPモルガン・チェース | 318,512 | 1.1 × 10¹⁶ | 40.14 h (米国) | 38% | | 63 | シーメンス | 318,000 | 9.4 × 10¹⁵ | 35.95 h (ドイツ) | 34% | | 64 | 中国銀行 | 313,746 | 1.3 × 10¹⁶ | 49 h (中国) | 47% | | 65 | ウォルグリーン・ブーツ・アライアンス | 312,000 | 9.3 × 10¹⁵ | 36.3 h (米国) | 35% | | 66 | ペプシコ | 306,000 | 1 × 10¹⁶ | 40.7 h (米国) | 39% | | 67 | 中国鉄建(CRCC) | 304,927 | 1.2 × 10¹⁶ | 49 h (中国) | 47% | | 68 | 国家能源投資集団(CHN Energy) | 303,418 | 1.2 × 10¹⁶ | 49 h (中国) | 47% | | 69 | 中国中鉄(CREC) | 302,527 | 1.2 × 10¹⁶ | 49 h (中国) | 47% | | 70 | CKハチソン | 300,000 | 8.6 × 10¹⁵ | 35.08 h (英国) | 33% | | 71 | CVSヘルス | 300,000 | 8.9 × 10¹⁵ | 36.3 h (米国) | 35% | [時間と出典](https://simulation-hypothesis.com/ja/entities/control). ## 動物とその他の生物 ニューロンをもたない単細胞から、人間の脳まで。ニューロン数は、測定されている場合には実測値です。 ### ニューロンなし * [大腸菌(Escherichia coli)](https://simulation-hypothesis.com/ja/entities/ecoli)大腸菌(Escherichia coli) 0 実測 ニューロンをもたない単細胞。餌のほうへ進み、数秒続く化学的な記憶をもっています。 * [粘菌](https://simulation-hypothesis.com/ja/entities/physarum)Physarum polycephalum 0 実測 ニューロンをもたない巨大な単細胞。迷路を解き、効率のよい輸送網を作り上げます。 * [オジギソウ](https://simulation-hypothesis.com/ja/entities/mimosa)Mimosa pudica 0 実測 触れると葉が閉じる植物。無害な接触を無視することを学習するという研究が報告されましたが、のちの再解析がそれに異論を唱えました。 * [海綿動物](https://simulation-hypothesis.com/ja/entities/sponge)Porifera (e.g. Amphimedon queenslandica) 0 実測 ニューロンもシナプスもないのに、体全体を協調して収縮させる動物。 ### 神経網のみ、脳なし * [ヒドラ](https://simulation-hypothesis.com/ja/entities/hydra)Hydra vulgaris 約3000〜5000 推定 小さな淡水産の刺胞動物。散在神経網で制御され、脳はありません。 * [ハコクラゲ](https://simulation-hypothesis.com/ja/entities/jellyfish)Tripedalia cystophora 公表された数なし ハコクラゲには中枢の脳がありませんが、連合学習を示しました。 ### 脳をもつ無脊椎動物 * [線虫](https://simulation-hypothesis.com/ja/entities/celegans)Caenorhabditis elegans 302 実測 体長1ミリほどで、ニューロンがちょうど302個の線虫。完全な配線図が最初に描かれた動物です。 * [ショウジョウバエ](https://simulation-hypothesis.com/ja/entities/drosophila)Drosophila melanogaster 139,255 実測 これまでに描かれた最大の完全な脳配線図で、約13.9万個のニューロンを含みます。 * [ミツバチ](https://simulation-hypothesis.com/ja/entities/honeybee)Apis mellifera 約100万 推定 ニューロンは約100万個で、ミツバチは「同じ」と「違う」のような抽象的な概念を学習できます。 * [アリ(Camponotus / Formica)](https://simulation-hypothesis.com/ja/entities/ant)Camponotus spp. 公表された数なし 歩数を数える経路積分と、目印の記憶によって長距離の航行をこなす小さな脳。 * [ポーシア(ハエトリグモの一種)](https://simulation-hypothesis.com/ja/entities/portia)Portia fimbriata / labiata 公表された数なし 遠回りの経路を計画するハエトリグモ。獲物から遠ざかり、視界から外れる経路をたどります。 * [ヨーロッパミドリガニ/ザリガニ](https://simulation-hypothesis.com/ja/entities/decapod)Carcinus maenas; Procambarus / Astacus spp. 公表された数なし カニとザリガニ。2021年の政府レビューは、本物のカニに感覚があることの強い証拠を見いだしました。 * [マダコ](https://simulation-hypothesis.com/ja/entities/octopus)Octopus vulgaris 5億 推定 ニューロンの大半は腕にあります。2021年のレビューは、感覚があることについて非常に強い証拠があるとしました。 ### 魚類と両生類 * [ゼブラフィッシュ](https://simulation-hypothesis.com/ja/entities/zebrafish)Danio rerio 公表された数なし 神経科学で広く使われる小型の魚。ニューロンはまだ完全には数えられていません。成体の脳には約1000万個の細胞があります。 * [ホンソメワケベラ](https://simulation-hypothesis.com/ja/entities/wrasse)Labroides dimidiatus 公表された数なし 鏡のマークテストの一種に合格したサンゴ礁の魚。それが何を示すのかについては、意見が分かれています。 * [カエル](https://simulation-hypothesis.com/ja/entities/frog)Anura (e.g. Xenopus / Rana) 公表された数なし 2024年のニューヨーク宣言は、両生類にも意識的な経験の現実的な可能性があるとしています。 ### 鳥類 * [カワラバト](https://simulation-hypothesis.com/ja/entities/pigeon)Columba livia 3億1000万 実測 小さな脳に数億個のニューロン。ハトは複雑な画像をカテゴリーに分類できます。 * [ワタリガラス](https://simulation-hypothesis.com/ja/entities/raven)Corvus corax 21億7000万 実測 ニューロンは20億個以上で、密に詰まっています。ワタリガラスは、個々の競争相手を覚えています。 * [カレドニアカラス](https://simulation-hypothesis.com/ja/entities/nccrow)Corvus moneduloides 公表された数なし 小枝や針金から鉤型の道具を作ります。ニューロンは数えられていません。 * [ヨウム](https://simulation-hypothesis.com/ja/entities/greyparrot)Psittacus erithacus 15億7000万 実測 ニューロンは約16億個。数の概念やカテゴリー化について、何十年も実験室で研究されています。 ### Mammals * [マウス](https://simulation-hypothesis.com/ja/entities/mouse)Mus musculus 7090万 実測 ニューロンは約7100万個。マウスは、測定できる痛みの表情を見せます。 * [ラット](https://simulation-hypothesis.com/ja/entities/rat)Rattus norvegicus 2億 実測 ニューロンは約2億個。ラットは、閉じ込められた同じケージの仲間を解放します。 * [イエネコ](https://simulation-hypothesis.com/ja/entities/cat)Felis catus 12億2000万 実測 大脳皮質のニューロンは約2億5000万個。 * [イヌ](https://simulation-hypothesis.com/ja/entities/dog)Canis familiaris 18億〜26億、イヌにより異なる 実測 皮質のニューロンは最大で約6億個で、イヌにより異なります。ネコより多い数です。 * [ブタ](https://simulation-hypothesis.com/ja/entities/pig)Sus scrofa domesticus 22億2000万 実測 ブタは鏡に映るものを理解し、それを使って餌を見つけます。 * [バンドウイルカ](https://simulation-hypothesis.com/ja/entities/dolphin)Tursiops truncatus 公表された数なし 鏡による自己認識テストに合格します。バンドウイルカのニューロン数は測定されていません。 * [アフリカゾウ](https://simulation-hypothesis.com/ja/entities/elephant)Loxodonta africana 2570億 実測 ニューロンは2570億個で、人間の3倍。そのほとんどが小脳にあります。 * [チンパンジー](https://simulation-hypothesis.com/ja/entities/chimp)Pan troglodytes 約280億(スケーリング則からの予測で、実際に数えたものではない) 推定 現生の最も近い親戚2種(もう1種はボノボ)の1つ。鏡のテストに合格します。 * [人間](https://simulation-hypothesis.com/ja/entities/human)Homo sapiens 861億 実測 ニューロンは860億個で、そのうち160億個が大脳皮質にあります。自分の経験を言葉で報告できるメンバーがいるのは、私たち人間だけです。 ## 集団システム どの1人のメンバーにもできない決定を下す集団。心としてではなく、集団知能として研究されています。 * [アリのコロニー](https://simulation-hypothesis.com/ja/entities/c-ants)コロニーがより良い巣を選ぶのは、個々のアリが定足数の閾値に従うからです。候補地を全体で比べるアリはいません。 * [ミツバチの分蜂群](https://simulation-hypothesis.com/ja/entities/c-bees)分蜂群は、偵察個体どうしの競争と定足数によって、最適な巣穴を選びます。停止信号が相互抑制を生み、膠着状態を打ち破ります。 * [ムクドリの群れ](https://simulation-hypothesis.com/ja/entities/c-starlings)鳥は、決まった距離内のすべての鳥ではなく、決まった数(約6〜7羽)の近隣個体を追います。これは、距離ではなく位相に基づく相互作用と呼ばれます。 * [魚の群れ](https://simulation-hypothesis.com/ja/entities/c-fish)魚の群れは、定足数の規則で決定します。大きな群れは、単独の魚には感じ取れない環境の勾配を感じ取れます。 ## 人工システム 機械知能の種類を、仕組みで分類したもの。意識の有力な候補と考えられているシステムは、現時点ではありません。 * [ルールベースのエキスパートシステム](https://simulation-hypothesis.com/ja/entities/ai-expert)専門家の知識を明示的なif-thenルールとして記述したプログラム。推論エンジンがルールを順に適用して結論に達し、多くの場合、その推論の説明もつけます。 * [ゲーム木探索エンジン(チェス)](https://simulation-hypothesis.com/ja/entities/ai-chess)起こりうる手順を決まった深さまで列挙し、人が作った評価関数で結果の局面に点をつけるプログラム。選択を変えられない枝は刈り込みます(アルファ・ベータ法つきのミニマックス)。 * [深層強化学習エージェント](https://simulation-hypothesis.com/ja/entities/ai-drl)試行錯誤によって報酬信号を最大化するよう訓練されたニューラルネットワーク。環境、多くはゲームのようなシミュレートされた環境とやり取りしながら、方策や価値関数を学習します。 * [大規模言語モデル](https://simulation-hypothesis.com/ja/entities/ai-llm)非常に大きなテキストコーパスで次のトークンを予測するよう訓練され、その後、人間のフィードバックで調整されることが多いトランスフォーマー型ニューラルネットワーク。 * [身体をもつロボット](https://simulation-hypothesis.com/ja/entities/ai-robots)センサーとアクチュエーターをもち、物理世界で行動する機械。中心的な世界モデルの代わりに、層状の反応型制御を使うことが多く、行動は身体と環境のあいだのループから生まれます。 * [ニューロモルフィック・ハードウェア](https://simulation-hypothesis.com/ja/entities/ai-neuromorphic)回路がスパイキングニューロンとシナプスを模したチップ。従来のプロセッサーとメモリーの設計と違い、イベント駆動で消費電力が小さい構造です。 ## 仮説上の心 科学や哲学の文献で提案されている心。観察した人はいません。 * [全脳エミュレーション](https://simulation-hypothesis.com/ja/entities/h-wbe)未観察 脳を細部まで走査し、そのソフトウェアモデルを走らせること。 * [祖先シミュレーションの中のシミュレートされた心](https://simulation-hypothesis.com/ja/entities/h-ancestor)未観察 ボストロムのトリレンマ:ポストヒューマン段階に達する文明がほとんどないか、祖先シミュレーションを走らせる文明がほとんどないか、私たちがほぼ確実にその中に暮らしているか、のいずれかです。 * [ボルツマン脳](https://simulation-hypothesis.com/ja/entities/h-boltzmann)未観察 まれな熱ゆらぎや量子ゆらぎから現れる、脳のような観察者。 * [段階的な置き換えによるマインドアップロード](https://simulation-hypothesis.com/ja/entities/h-uploading)未観察 ニューロンを、機能の同じ人工部品に一つずつ置き換えること。 * [超知能](https://simulation-hypothesis.com/ja/entities/h-superintelligence)未観察 人間の性能をほぼあらゆる分野で大きく上回る、仮説上の知性。ボストロムの本は、そこに至る道筋(全脳エミュレーション、生物学的な認知、AI)、その形態、制御の問題を分析しています。 データのバージョン2.0.0。[ダウンロード(JSON)](https://simulation-hypothesis.com/entities/minds.json)。