Fugu-MT 論文翻訳(概要): Recursive Criticality of AI Self-Improvement

論文の概要: Recursive Criticality of AI Self-Improvement

arxiv url: http://arxiv.org/abs/2609.00137v1
Date: Mon, 31 Aug 2026 18:00:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-02 16:31:35.882742
Title: Recursive Criticality of AI Self-Improvement
Title（参考訳）: AIの自己改善における再帰的臨界
Abstract要約: AIは、未来のAIシステムを生成するR&Dプロセスでますます使われています。このフィードバックが自己増幅となる条件について検討する。
参考スコア（独自算出の注目度）: 4.306089871723393
License: http://creativecommons.org/licenses/by/4.0/
Abstract: AI is increasingly used in the R\&D process that produces future AI systems. We study the conditions under which this feedback becomes self-amplifying. Our model describes how the rate of AI capability growth depends on baseline research productivity, recursive feedback, and the increasing difficulty of research progress. We derive a recursive reproduction number, $\mathcal{R}_{\mathrm{AI}}$, that determines whether improvements are amplified or damped across development cycles. This quantity compares the strength of feedback with the rate at which further progress becomes more difficult. When $\mathcal{R}_{\mathrm{AI}}>1$, the effects of improvements compound across development cycles, placing the system in a self-amplifying regime. When $\mathcal{R}_{\mathrm{AI}}<1$, their effects weaken across cycles. The transition depends on the structure of the AI R\&D feedback loop and need not occur at any particular level of model capability. A system can therefore enter a self-amplifying regime before acceleration becomes visible, while rapid progress can also occur without self-amplification. Higher baseline research productivity can accelerate progress without changing whether the system is self-amplifying, but the duration of the development cycle becomes a limiting timescale for amplification. Increasing research difficulty can end a period of self-amplification. Extending the model to multiple research actors shows that improvements shared across organizations can make the overall research ecosystem self-amplifying even when no individual actor is. The framework identifies measurable properties of AI R\&D systems that can help distinguish recursive amplification from rapid progress driven by other sources, including the strength of recursive feedback, how effectively improvements propagate into successor systems, cycle duration, and the increasing difficulty of further progress.
Abstract（参考訳）: AIは、未来のAIシステムを生成するR\&Dプロセスでますます使われています。このフィードバックが自己増幅となる条件について検討する。我々のモデルは、AI能力の成長の速度が、ベースライン研究の生産性、再帰的なフィードバック、そして研究の進歩の困難さにどのように依存するかを説明する。再帰的再生数 $\mathcal{R}_{\mathrm{AI}}$ を導出し、開発サイクルを通じて改善が増幅されるか減衰されるかを決定する。この量は、フィードバックの強さと、さらなる進歩がより困難になる速度を比較する。 $\mathcal{R}_{\mathrm{AI}}>1$ になると、開発サイクル全体にわたる改善の効果が複雑になり、システムは自己増幅状態に置かれる。 $\mathcal{R}_{\mathrm{AI}}<1$ になると、それらの効果はサイクルを通して弱まる。移行はAI R&Dフィードバックループの構造に依存しており、特定のモデルの能力レベルでは発生しない。したがって、システムは加速が見える前に自己増幅状態に入ることができ、一方、急速な進歩は自己増幅なしでも起こりうる。ベースライン研究の生産性は、システムが自己増幅であるかどうかを変えることなく進歩を加速することができるが、開発サイクルの持続時間は増幅の制限時間スケールとなる。研究の難しさが増すと、自己増幅の期間が終わる。複数のリサーチアクターにモデルを拡張することで、組織間で共有された改善が、個々のアクターがいない場合でも、研究エコシステム全体を自己増幅できることを示している。このフレームワークは、再帰的増幅と、再帰的フィードバックの強さ、後継システムへの効果的な改善の効果的化、サイクル持続時間、さらなる進歩の困難化など、他のソースによって駆動される急速な進歩とを区別するのに役立つAI R&Dシステムの測定可能な特性を特定する。

関連論文リスト

Dream-RSI: Recursive Self-Improvement through Evolving Worlds [61.888486670260306]
textscDream-RSIはスケーラブルな自己改善探索のためのフレームワークである。軽量なオーケストレーションレイヤは、探索を明確にし、プログラム化可能にする。歴史的発見木から構築された再生シミュレーターでドリームを実行することで、textscDream-RSIは即時かつ低コストなオフ政治フィードバックを確保できる。
論文参考訳（メタデータ） (2026-09-14T00:10:47Z)
The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement [66.06470438483697]
再帰的自己改善(Recursive self-improvement、RSI)は、AIシステムが経験とフィードバックを永続的な変化に変え、能力と将来の改善プロセスの両方を改善することを可能にする。
論文参考訳（メタデータ） (2026-09-10T17:44:23Z)
The Emerging AI Paper-Review Arms Race: Adversarial Co-Evolution in Scholarly Publishing [29.2504911117417]
生成AIとエージェントAIは、科学研究の制作と評価の両方を変えつつある。これらの開発は、AIがどのように研究を生み出し、どのようにAIがそれをレビューできるかという疑問として、しばしば別々に研究されている。この分離は、学術出版においてますます重要な特徴を欠いている、と我々は主張する。一方の変更は、他方のインセンティブ、制約、行動を変化させる。
論文参考訳（メタデータ） (2026-09-07T16:25:54Z)
AgentX: Towards Agent-Driven Self-Iteration of Industrial Recommender Systems [82.01232437066487]
AgentXはプロダクションデプロイされたマルチエージェントシステムで、このプロダクション機能を再構築する。自律的に生成し、実装し、評価し、レコメンデーション実験から学ぶ。 AgentXは4つの密結合したステージをクローズドループでオーケストレーションする。
論文参考訳（メタデータ） (2026-06-25T10:42:28Z)
Human-AI Co-Evolution and Epistemic Collapse: A Dynamical Systems Perspective [2.1061291753905405]
人間と言語モデルは、使用、生成、再訓練のフィードバックループによってリンクされた結合された動的システムを形成する。我々は,AIへの依存度の増加が,低ダイバーシティ,準最適均衡への移行をもたらすことを示す。結果は、AIシステムの軌道はモデル設計だけでなく、人間とAIの共進化のダイナミクスによって形成されていることを示唆している。
論文参考訳（メタデータ） (2026-05-07T14:31:17Z)
ASI-Evolve: AI Accelerates AI [42.885465604426884]
ASI-EvolveはAI-for-AI研究のためのフレームワークで、学習設計-実験-分析サイクルを通じてループを閉じる。我々の知る限り、AI-EvolveはAI開発における3つの中心的なコンポーネントにわたるAI駆動の発見を示す最初の統一されたフレームワークです。
論文参考訳（メタデータ） (2026-03-31T12:04:17Z)
On the Learning Dynamics of RLVR at the Edge of Competence [86.52481827737097]
検証可能な報酬(RLVR)による強化学習は、大規模な推論モデルにおける最近のブレークスルーの主要な要因である。コンポジション推論タスクにおける変圧器のRLのトレーニング力学の理論を開発する。
論文参考訳（メタデータ） (2026-02-16T16:03:08Z)
Self-Play Only Evolves When Self-Synthetic Pipeline Ensures Learnable Information Gain [22.77669491242655]
大規模言語モデル(LLM)は、自己進化ループを通じて改善されるシステムを構築するのにもっとも適している。持続可能な自己進化には、繰り返しにまたがる学習可能な情報を備えた自己合成データパイプラインが必要です。
論文参考訳（メタデータ） (2026-02-10T08:12:09Z)
AI Agents as Universal Task Solvers [94.49762121230042]
我々は,過去のデータを用いて,普遍的な解法が達成できる最適なスピードアップが,アルゴリズム情報と密接な関係があることを示す。我々は、推論モデルをスケールする際に最適化する重要な量は時間であり、学習における重要な役割は、これまでは間接的にのみ考慮されてきたと論じている。
論文参考訳（メタデータ） (2025-10-14T02:17:54Z)
DODO: Causal Structure Learning with Budgeted Interventions [1.0323063834827415]
本稿では,エージェントが環境の因果構造を自律的に学習する方法を定義するアルゴリズムであるDODOを紹介する。その結果,最も限られた資源条件を除いて,観測的アプローチに比べ,DODOの性能は向上した。
論文参考訳（メタデータ） (2025-10-09T13:32:33Z)
Graphs Meet AI Agents: Taxonomy, Progress, and Future Opportunities [117.49715661395294]
データ構造化は、複雑で非組織的なデータをよく構造化された形式に変換することで、有望な役割を果たす。この調査では、グラフがAIエージェントにどのように権限を与えるかを、初めて体系的にレビューする。
論文参考訳（メタデータ） (2025-06-22T12:59:12Z)
Knowing You Don't Know: Learning When to Continue Search in Multi-round RAG through Self-Practicing [4.874077691069634]
Retrieval Augmented Generation (RAG)は、言語モデルの知識を高め、AI生成幻覚を減らす強力な能力を示している。現在のマルチラウンドRAGシステムは、十分な情報が既に取得されている場合でも検索を続けることができる。本稿では,RAGシステムの自己認識と多ラウンド検索機能を強化するための新しいフレームワークSIM-RAGを提案する。
論文参考訳（メタデータ） (2025-05-05T17:39:35Z)

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。