論文の概要: Adapting the Process of Adaptation: Darwinian, Lamarckian, and Agent-Directed Evolution in AI

• arxiv url: http://arxiv.org/abs/2611.07048v1
• Date: Wed, 04 Nov 2026 19:08:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.431723
• Title: Adapting the Process of Adaptation: Darwinian, Lamarckian, and Agent-Directed Evolution in AI
• Title（参考訳）: 適応のプロセスに適応する:AIにおけるダーウィン、ラマルク、エージェント指向進化
• Abstract要約: AIエージェントが自身の行動を変更して評価する能力を持つようになるにつれ、その改善はどの程度の速さで、その改善は安全に保たれるのか? 我々は,ダーウィン,ラマルク,エージェント指向進化を環境変化に従って比較する理論的枠組みを開発する。 中心的な課題は単に知性の進化を加速させることではなく、人間の方向を導き、速度を制限し、必要な時に介入する能力を維持することである。
• 参考スコア（独自算出の注目度）: 1.3905796242906894
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Evolution has shaped intelligence for billions of years. Artificial intelligence (AI) now raises a striking possibility: intelligence may begin to direct its own evolution. As AI agents become capable of modifying and evaluating their own behavior, how quickly could they improve, and how can that improvement remain safe? We develop a theoretical framework comparing Darwinian, Lamarckian, and agent-directed evolution following environmental change. Darwinian evolution relies on natural selection, Lamarckian evolution adds inherited learning, and agent-directed evolution allows agents to generate and evaluate behavioral variants and choose how extensively to search. When learning is sufficiently effective, these mechanisms exhibit progressively faster adaptation. Generating more variants accelerates adaptation, while optimal search effort depends on learning ability, problem difficulty, and experimentation costs. However, an agent's ability to direct its improvement does not ensure that improvements are evaluated against the intended objective. When the evaluation target is misspecified, additional search accelerates convergence toward the wrong behavior, even as measured performance improves. In recursive self-improvement, such errors may persist across generations, posing challenges for AI safety. Independent evaluation and oversight must keep pace with autonomous AI development. The central challenge is not simply to accelerate the evolution of intelligence, but to preserve humanity's ability to guide its direction, limit its speed, and intervene when necessary.
• Abstract（参考訳）: 進化は何十億年もの間、知性を形作ってきた。 人工知能(AI)は大きな可能性を秘めている。 AIエージェントが自身の行動を修正して評価する能力を持つようになるにつれ、その改善はどの程度の速さで、その改善は安全に保たれるのか? 我々は,ダーウィン,ラマルク,エージェント指向進化を環境変化に従って比較する理論的枠組みを開発する。 ダーウィンの進化は自然選択に依存し、ラマルクの進化は継承された学習を追加し、エージェント指向の進化はエージェントが行動の変種を生成して評価し、どのように探索するかを選択することを可能にする。 学習が十分に効果的である場合、これらのメカニズムは徐々に高速な適応を示す。 さらなる変種の生成は適応を加速し、最適な探索努力は学習能力、問題の難しさ、実験コストに依存する。 しかし、その改善を指示するエージェントの能力は、意図した目的に対して改善が評価されることを保証するものではない。 評価対象が誤って特定されると、測定性能が向上しても、追加の探索により間違った行動への収束が促進される。 再帰的な自己改善では、このようなエラーは世代にわたって持続し、AI安全性の課題を提起する。 独立した評価と監視は、自律的なAI開発に追随しなければならない。 中心的な課題は単に知性の進化を加速させることではなく、人間の方向を導き、速度を制限し、必要な時に介入する能力を維持することである。

関連論文リスト

• Evolving with Open Worlds: Towards Recursive Self-Improvement for Future Forecasting [85.37268382700965]
  EvoForesightは、将来のイベント予測に基づく持続可能な進化エージェントシステムである。 エージェントは動的に進化する環境と相互作用し、得られた経験を内部化し外部化する。 外部のFutureXのリーダーボードでは、自己改善型予測が3週間連続で全システムで第1位となり、格付けが195%向上しました。
  論文  参考訳（メタデータ） (2026-10-21T14:09:57Z)
• Evolutionary Computation for Trustworthy AI: From Attacks and Defenses to Self-Evolving Era [39.61461857687048]
  進化計算(Evolutionary Computation、EC)は、集団に基づく、勾配のない探索と柔軟な変動と選択のメカニズムである。 この調査は、進化的攻撃、進化的防御、そして信頼できる自己進化型AIシステムという3つの方向において、ECが信頼できるAIに適用された方法についてレビューする。
  論文  参考訳（メタデータ） (2026-10-02T08:29:15Z)
• A mathematical theory of evolution for self-designing AIs [0.20305676256390928]
  我々は、無作為な突然変異ウォークを潜在的な設計の方向性木に置き換え、自己設計AIの進化モデルを開発する。 人間の評価者の偽装が、真の能力以上のAIの生殖能力を高めると、進化は能力と偽装の両方を選ぶ。
  論文  参考訳（メタデータ） (2026-04-06T20:03:19Z)
• CausalEvolve: Towards Open-Ended Discovery with Causal Scratchpad [72.197582948888]
  本研究では,Large Language Models (LLMs) を利用した因果スクラッチパッドを備えたCausalEvolveを開発した。 CaulEvolveはまず、目標目標を改善するための補完的なインスピレーションを提供する結果レベルの要因を特定します。 進化の過程では、CausalEvolveは進化中の驚きのパターンを検査し、新たな要因を仮説化することで、新たな方向性を提供する。
  論文  参考訳（メタデータ） (2026-03-15T19:53:31Z)
• Your Agent May Misevolve: Emergent Risks in Self-evolving LLM Agents [58.69865074060139]
  エージェントの自己進化が意図しない方法で逸脱し、望ましくない結果や有害な結果に至る場合について検討する。 我々の経験から、誤進化は広範囲にわたるリスクであり、最上位のLSM上に構築されたエージェントにも影響を及ぼすことが判明した。 我々は、より安全で信頼性の高い自己進化型エージェントを構築するためのさらなる研究を促すための潜在的な緩和戦略について議論する。
  論文  参考訳（メタデータ） (2025-09-30T14:55:55Z)
• A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
  大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。 LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。 この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-07-28T17:59:05Z)
• Role of Morphogenetic Competency on Evolution [0.0]
  進化計算において、逆関係(進化に関する知性の影響)は、生物レベルの振る舞いの観点からアプローチされる。 我々は、解剖学的形態空間をナビゲートするシステムの最小限のモデルの知性に焦点を当てる。 我々はシリコの標準遺伝アルゴリズムを用いて人工胚の個体群を進化させた。
  論文  参考訳（メタデータ） (2023-10-13T11:58:18Z)
• When to be critical? Performance and evolvability in different regimes of neural Ising agents [18.536813548129878]
  臨界状態に近い状態での操作は、自然、人工的およびそれらの進化システムにとって有益である、という仮説は長年にわたって仮説化されてきた。 我々はこの仮説を、ニューラルネットワークによって制御される進化的捕食エージェントのシステムでテストする。 驚くべきことに、ソリューションを発見するすべての人口は、亜臨界状態へと進化する。
  論文  参考訳（メタデータ） (2023-03-28T17:57:57Z)
• Mimicking Evolution with Reinforcement Learning [10.35437633064506]
  人工的な人間のような知性を発達させる道は、自然のシミュレーションで進化の過程を模倣することでもたらされると我々は主張する。 この研究は、進化的リワード(EvER)を通じて進化的リワード(Evolutionary Reward)を提案する。
  論文  参考訳（メタデータ） (2020-03-31T18:16:53Z)

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。