論文の概要: Stronger artificial intelligence breakthroughs hasten their own exhaustion

• arxiv url: http://arxiv.org/abs/2610.27296v1
• Date: Mon, 19 Oct 2026 21:12:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.515148
• Title: Stronger artificial intelligence breakthroughs hasten their own exhaustion
• Title（参考訳）: 人工知能の力強いブレークスルーは、彼らの疲労を激化させる
• Abstract要約: ブレークスルーは集団濃度が低下する多様な注意に依存していることを示す。 36年間のコンピュータサイエンスにおいて、我々は720万の論文、73,089の査読、そして370万の研究者とそのトピックシフトを分析した。
• 参考スコア（独自算出の注目度）: 1.067761539361402
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Progress in artificial intelligence is widely assumed to scale with effort: more researchers, papers and investment should accelerate discovery. Theories of technological growth instead locate the difficulty of discovery in the space of ideas. Here we show that neither scale nor space is enough: breakthroughs depend on diverse attention, which collective concentration can deplete. Across 36 years of computer science, we analyze 7.2 million papers, 73,089 peer reviews and 3.7 million researchers and their topic shifts. The field expanded while its attention narrowed sharply after the Transformer. Over half of topic-shifting researchers moved into AI, especially mid-career ones, and reviewer confidence fell by a full point on a 5-point scale. Each successive breakthrough, from AlexNet to large language models, raised the field's carrying capacity for ideas but was followed by steeper exhaustion of those ideas. Bigger breakthroughs capture attention more completely, depleting the diversity their successors may draw upon. Structural biology shows the same cycle after cryo-EM and AlphaFold. Simulations show how well-intentioned and widely used policies such as reciprocal reviewing empower prolific authors and further narrow what the field accepts. We call for institutions that protect diverse attention in artificial intelligence rather than reward concentration on the winning paradigm.
• Abstract（参考訳）: より多くの研究者、論文、投資が発見を加速するはずだ。 技術的成長の理論は、代わりにアイデアの空間における発見の難しさを見つける。 ここでは、スケールも空間も十分ではないことを示す。ブレークスルーは、集団濃度が低下する様々な注意に依存している。 36年間のコンピュータサイエンスにおいて、我々は720万の論文、73,089の査読、そして370万の研究者とそのトピックシフトを分析した。 トランスフォーマーの後、フィールドは拡大し、注意は急速に狭まった。 トピックシフトの研究者の半数以上がAI、特に中産階級に移行し、レビュアーの自信は5ポイントのスケールで完全に低下した。 AlexNetから大規模言語モデルまで、それぞれの連続的なブレークスルーによって、アイデアの輸送能力は向上したが、その後、これらのアイデアの徹底的な疲労が続いた。 大きなブレークスルーはより完全に注目を集め、後継者が引き起こすであろう多様性を損なう。 構造生物学は、Cryo-EMとAlphaFoldの後に同じサイクルを示す。 シミュレーションは、相互のレビューや多作作家の力の増強、分野が受け入れられるものをさらに狭めるといった、十分に意図された、広く使われている政策を示している。 我々は、勝利のパラダイムに報酬を集中するのではなく、人工知能における様々な注意を守りたい機関を求めている。

関連論文リスト

• Filling holes in science draws collective attention, but most higher-order holes remain unexplored [1.0456203870202954]
  知識を高次元の概念埋め込みとして表現し、永続的ホモロジーを用いて次数増加の穴を検出する。 経験的漸近が2つある。 発見者は、より豊かな穴の科学を呼び、現代のAIが人間の科学が開く高次元のギャップを埋めるのに役立つフロンティアを示す。
  論文  参考訳（メタデータ） (2026-08-28T19:48:28Z)
• Heuresis: Search Strategies for Autonomous AI Research Agents Across Quality, Diversity and Novelty [39.97857268041792]
  Heuresisは、研究パイプラインを汎用的で構成可能なプリミティブのセットに抽象化するフレームワークである。 全く新しいアイデアは稀である。得点したアイデアは「オリジナル(Original)」と評価され、前作と比べて「マイナーな類似性(Minor similarity)」しか達成できない。
  論文  参考訳（メタデータ） (2026-06-23T21:44:08Z)
• From AGI to ASI [65.04985565452489]
  人間のレベルの人工知能の構築は、遠方の憶測から、大規模なAI組織の多くにとって、具体的な次の10年ターゲットへと移行してきた。 報告では、AI自体が、マシンインテリジェンスの継続とともに、AGI後の世界でどのように発展し続けるのかを調査している。
  論文  参考訳（メタデータ） (2026-06-10T21:14:10Z)
• Intrinsically-Motivated Humans and Agents in Open-World Exploration [50.00331050937369]
  複雑なオープンエンド環境で、大人、子供、AIエージェントを比較します。 エントロピーとエンパワーメントだけが、人類の探査の進歩と一貫して正の相関関係にあることがわかった。 個人の発話,特に目的語化が子どもの探索に有効であることを示す予備的証拠を見出した。
  論文  参考訳（メタデータ） (2025-03-31T00:09:00Z)
• Scaling Laws in Scientific Discovery with AI and Robot Scientists [72.3420699173245]
  自律的なジェネラリスト科学者(AGS)の概念は、エージェントAIとエンボディロボットを組み合わせて、研究ライフサイクル全体を自動化している。 AGSは科学的発見に必要な時間と資源を大幅に削減することを目指している。 これらの自律的なシステムが研究プロセスにますます統合されるにつれて、科学的な発見が新しいスケーリング法則に従うかもしれないという仮説を立てる。
  論文  参考訳（メタデータ） (2025-03-28T14:00:27Z)
• What comes after transformers? -- A selective survey connecting ideas in deep learning [1.8592384822257952]
  2017年以降、トランスフォーマーは人工知能のデファクトスタンダードモデルとなっている。 研究者にとって、こうした発展をより広いレベルで追跡することは困難である。 深層学習の基本的な理解をすでに持っている人たちに対して、これらの領域における多くの重要かつ最近の研究の概要を包括的に紹介する。
  論文  参考訳（メタデータ） (2024-08-01T08:50:25Z)
• The Introspective Agent: Interdependence of Strategy, Physiology, and Sensing for Embodied Agents [51.94554095091305]
  本論では, 環境の文脈において, 自己能力を考慮した内省的エージェントについて論じる。 自然と同じように、私たちは戦略を1つのツールとして再編成して、環境において成功させたいと考えています。
  論文  参考訳（メタデータ） (2022-01-02T20:14:01Z)
• Limitations of Deep Neural Networks: a discussion of G. Marcus' critical appraisal of deep learning [0.0]
  ディープニューラルネットワークは、医療画像、半自律車、電子商取引、遺伝学研究、音声認識、粒子物理学、実験芸術、経済予測、環境科学、工業製造、そしてほぼあらゆる分野の様々な応用において、非常に大きな成果を上げてきた。 本研究は、深層ニューラルネットワークの限界のいくつかを調査し、将来の研究のための潜在的な経路を指し示し、多くの研究者が保持するメタフィジカルな誤解を解消することを目的としている。
  論文  参考訳（メタデータ） (2020-12-22T12:11:19Z)

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。