論文の概要: Cognitive Atrophy and Systemic Collapse in AI-Dependent Software Engineering
- arxiv url: http://arxiv.org/abs/2604.26855v2
- Date: Sun, 03 May 2026 21:34:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 14:09:06.984969
- Title: Cognitive Atrophy and Systemic Collapse in AI-Dependent Software Engineering
- Title（参考訳）: AI依存型ソフトウェア工学における認知萎縮とシステム崩壊
- Authors: Frank Ginac,
- Abstract要約: 本稿では、技術者が論理的導出に代えて受動的AI検証を行う際に生じる隠れた搬送コストである"Epistemological Debt"を紹介する。
この負債は、根本原因分析に不可欠なメンタルモデルを侵食し、システムの複雑さと人間の理解のギャップを広げます。
2026年のAmazonの障害をケーススタディとして、この研究は「機械的収束」がシステム的脆弱性にどのように寄与するかを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The integration of Large Language Models (LLMs) into the software development lifecycle (SDLC) masks a critical socio-technical failure: Cognitive-Systemic Collapse. This paper introduces "Epistemological Debt," the hidden carrying cost incurred when engineers substitute logical derivation with passive AI verification. This debt erodes the mental models essential for root-cause analysis, widening the gap between system complexity and human comprehension. Furthermore, recursive training on synthetic code threatens to homogenize the global software reservoir, diminishing the variance required for robust engineering. Using the 2026 Amazon outages as a case study, this research illustrates how "mechanized convergence" leads to systemic fragility. To preserve long-term resilience, engineering leaders must move beyond prompt-based development to implement rigorous human-in-the-loop pedagogical standards. This framework balances AI-driven productivity with the epistemic sovereignty necessary to manage increasingly opaque software ecosystems.
- Abstract（参考訳）: 大規模言語モデル(LLM)をソフトウェア開発ライフサイクル(SDLC)に統合することは、社会技術的に重要な失敗を隠蔽している。
本稿では、技術者が論理的導出に代えて受動的AI検証を行う際に生じる隠れた搬送コストである"Epistemological Debt"を紹介する。
この負債は、根本原因分析に不可欠なメンタルモデルを侵食し、システムの複雑さと人間の理解のギャップを広げます。
さらに、合成コードに対する再帰的なトレーニングは、グローバルソフトウェア貯水池の均質化を脅かし、ロバストエンジニアリングに必要な分散を減少させる。
2026年のAmazonの障害をケーススタディとして、この研究は「機械的収束」がシステム的脆弱性にどのように寄与するかを示した。
長期的なレジリエンスを維持するために、エンジニアリングリーダーは、厳格な人間による教育標準を実装するために、急進的な開発を超えて進まなければならない。
このフレームワークは、AI駆動の生産性と、ますます不透明なソフトウェアエコシステムを管理するために必要なエピステミックな主権のバランスを取る。
関連論文リスト
- More Is Different: Toward a Theory of Emergence in AI-Native Software Ecosystems [3.362633173562401]
マルチエージェントAIシステムは、従来の理論による説明に反する方法で失敗する。
本稿では、AIネイティブなソフトウェアエコシステムは、複雑な適応システムとして研究されなければならないと論じる。
論文 参考訳（メタデータ） (2026-04-20T15:09:55Z) - Rethinking Software Engineering for Agentic AI Systems [0.0]
大規模言語モデルとエージェントAIシステムは、自動生成されたコードに前例のない量を生み出している。
本稿では、オーケストレーション、検証、人間とAIのコラボレーションを中心に、この規律を見直しるべきかどうかを検討する。
論文 参考訳（メタデータ） (2026-04-12T12:08:53Z) - Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。
本稿では,再構築による理解という,新しいパラダイムを提案する。
マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-11T09:23:20Z) - A Survey of Reasoning in Autonomous Driving Systems: Open Challenges and Emerging Paradigms [49.66022971508878]
私たちは、推論はモジュラーコンポーネントからシステムの認知コアに高めるべきだと論じています。
応答性推論のトレードオフやソーシャルゲーム推論など,7つの中核的推論課題を導出し,体系化する。
我々は,LLMに基づく推論と,ミリ秒スケールで安全クリティカルな車両制御の要求との間の,高レイテンシ,熟考的特性の根本的かつ未解決な緊張関係を同定する。
論文 参考訳（メタデータ） (2026-03-11T07:40:53Z) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - Advances and Frontiers of LLM-based Issue Resolution in Software Engineering: A Comprehensive Survey [59.3507264893654]
課題解決は、現実世界の開発に不可欠な複雑なソフトウェアエンジニアリングタスクです。
SWE-benchのようなベンチマークでは、このタスクは大規模言語モデルでは極めて困難であることが判明した。
本稿では,この新興領域を体系的に調査する。
論文 参考訳（メタデータ） (2026-01-15T18:55:03Z) - Lost in Code Generation: Reimagining the Role of Software Models in AI-driven Software Engineering [1.3124479769761592]
このシフトは、ソフトウェアモデルの再構築を動機付けている、と私たちは主張する。
事前の青写真としてのみ機能するのではなく、AI生成コードからモデルを取り出すことができる。
この役割では、モデルは人間の意図、AI生成、長期システムの進化の間の仲介者として機能する。
論文 参考訳（メタデータ） (2025-11-04T11:03:31Z) - A Path Less Traveled: Reimagining Software Engineering Automation via a Neurosymbolic Paradigm [9.900581015679935]
本稿では,ニューロシンボリック・ソフトウェア・エンジニアリングを,ニューラルネットワークとシンボリック(ルールベース)推論を組み合わせた有望なパラダイムとして提案する。
このハイブリッド方法論は、AI駆動ソフトウェアエンジニアリングの効率性、信頼性、透明性を高めることを目的としている。
論文 参考訳（メタデータ） (2025-05-04T22:10:21Z) - AI Maintenance: A Robustness Perspective [91.28724422822003]
我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。
本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。
我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
論文 参考訳（メタデータ） (2023-01-08T15:02:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。