論文の概要: The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement

• arxiv url: http://arxiv.org/abs/2609.11873v2
• Date: Tue, 15 Sep 2026 08:48:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.072109
• Title: The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement
• Title（参考訳）: 人間による最後のAI: 再帰的な自己改善に向けて
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 66.06470438483697
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recursive self-improvement (RSI) enables AI systems to turn experience and feedback into persistent changes that improve both their capabilities and the process of future improvement. We first use the Headroom-Closed Index (HCI) to reveal the problems of existing LLMs, then introduce the RSI concept and its development roadmap: from improvement-execution autonomy, improvement-strategy autonomy, experience-acquisition autonomy, and environment-adaptation autonomy, to recursive meta-improvement. Next we examine RSI across scenarios (e.g., scientific discovery, embodied intelligence, software engineering), highlighting their distinct requirements and development speeds. Drawing on diverse industry practices and preliminary empirical evidence, we connect RSI research with practical systems and identify key challenges to achieving genuine RSI.
• Abstract（参考訳）: 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。 私たちはまず、Headroom-Closed Index(HCI)を使用して、既存のLCMの問題を明らかにし、その後、改善実行の自律性、改善戦略の自律性、経験獲得の自律性、環境適応の自律性から再帰的なメタ改善に至るまで、RSIの概念とその開発ロードマップを紹介します。 次に、シナリオ(科学的発見、インテリジェンス、ソフトウェアエンジニアリングなど)にわたるRSIを調べ、それぞれの要件と開発速度を強調します。 多様な産業慣行と予備的な実証的証拠に基づいて、RSI研究を実用システムと結びつけ、真のRSIを達成するための重要な課題を特定する。

関連論文リスト

• ARISE-RL: Agentic Rubric-Grounded Iterative Self-Evolution with Reinforcement Learning [74.19730275669227]
  ARISE-RLは、オープンエンドエージェントをトレーニングするための新しいフルサイクルの自己進化フレームワークである。 Reward-Gated Self-Evolution Distillation (RG-SED)を提案する。 ECR-Benchは,シングルツールディープリサーチとマルチツールトラベルプランニングを対象とする,専門家校正型ルーリックベンチマークスイートである。
  論文  参考訳（メタデータ） (2026-09-01T10:54:13Z)
• Robo-Cortex: A Self-Evolving Embodied Agent via Dual-Grain Cognitive Memory and Autonomous Knowledge Induction [40.686692342584884]
  RoboCortexは、ロボットがナビゲーションと認知戦略を自律的に誘導することを可能にする、自己進化型のフレームワークである。 我々の中心となる革新は、多モード軌跡を構造化ナビゲーションヒューリスティックライブラリーに蒸留する自律的知識誘導機構である。 我々は,RoboCortexがタスク成功と探索効率の両方において,高いベースラインを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-05-18T17:52:14Z)
• Let the Barbarians In: How AI Can Accelerate Systems Performance Research [80.43506848683633]
  我々は、この繰り返しサイクルを、AI駆動システム研究の生成、評価、洗練のサイクルと呼ぶ。 我々はADRSが生成するソリューションが人間の最先端の設計に適合し、さらに優れることを示した。
  論文  参考訳（メタデータ） (2025-12-16T18:51:23Z)
• SEEA-R1: Tree-Structured Reinforcement Fine-Tuning for Self-Evolving Embodied Agents [58.174206358223415]
  自己進化型エボダイドエージェント(SeEA-R1)は、自己進化型エボダイドエージェント用に設計された最初の強化微細調整フレームワークである。 本研究は,SEEA-R1が自律適応と報酬駆動型自己進化をサポートすることを示す。
  論文  参考訳（メタデータ） (2025-06-26T18:00:07Z)
• Chain-of-Thought for Autonomous Driving: A Comprehensive Survey and Future Prospects [13.655659915158633]
  CoT推論(Chain-of-Thought reasoning)は、人間の思考過程をシミュレートする高度な認知手法である。 本稿では,CoT法が自律運転モデルの推論能力をどのように向上させるかを検討する。
  論文  参考訳（メタデータ） (2025-05-26T17:06:00Z)
• Foundation Models for Autonomous Driving System: An Initial Roadmap [17.198146951189635]
  ファンデーションモデル(FM)の最近の進歩は、自律運転システム(ADS)を著しく強化した。 ADSは、信頼性と安全性を確保するために厳格なソフトウェアエンジニアリングプラクティスを必要とする、非常に複雑なサイバー物理システムである。 我々は、FMのインフラ、その自律運転システムへの応用、そして実際の応用の3つの重要な側面を網羅して、FMを自律運転に統合するための構造化されたロードマップを提示する。
  論文  参考訳（メタデータ） (2025-04-01T15:45:31Z)
• Towards Agentic Recommender Systems in the Era of Multimodal Large Language Models [75.4890331763196]
  大規模言語モデル(LLM)の最近のブレークスルーは、エージェントAIシステムの出現につながっている。 LLMベースのAgentic RS(LLM-ARS)は、よりインタラクティブで、コンテキストを認識し、プロアクティブなレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2025-03-20T22:37:15Z)
• ReVISE: Learning to Refine at Test-Time via Intrinsic Self-Verification [53.80183105328448]
  Refine via Intrinsic Self-Verification (ReVISE)は、LLMが自己検証を通じてアウトプットを自己修正できる効率的なフレームワークである。 様々な推論タスクに関する実験により、ReVISEは効率的な自己補正を実現し、推論性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2025-02-20T13:50:02Z)
• Evolutionary Reinforcement Learning: A Systematic Review and Future Directions [18.631418642768132]
  進化強化学習(EvoRL)は、複雑な問題解決における強化学習と進化アルゴリズム(EA)の限界に対する解決策である。 EvoRLはEAと強化学習を統合し、知的エージェントを訓練するための有望な道を提供する。 この体系的なレビューは、EvoRLの現状に関する洞察を提供し、人工知能の進化を続ける風景において、その能力を向上させるためのガイドを提供する。
  論文  参考訳（メタデータ） (2024-02-20T02:07:57Z)

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。