AutoScientist：AI が自らモデルを訓練する大規模適応ツール
Adaption Labs が、データとモデルを同時に最適化して自己学習させる新ツール「AutoScientist」を発表し、フロンティアレベルの AI モデル訓練プロセスの民主化と効率化を目指す。
キーポイント
双方向最適化による自己学習
従来の微調整アプローチを超え、データセットとモデルの両方を同時に共最適化（co-optimization）することで、特定の能力を効率的に習得させる仕組みを採用している。
フロンティア AI 訓練の民主化
大規模ラボに依存しない形で、外部組織でも高度な AI モデルの訓練と微調整が可能になることを目指しており、Sara Hooker CEO はこれを「成功したフロンティア AI 訓練の新たな道」と位置づけている。
既存データ基盤との統合
同社の既存製品である高品質データセット構築ツール「Adaptive Data」を拡張し、継続的に改善されるデータセットがそのまま継続的に進化する AI モデルへと変換されるスタック全体を構築している。
ベンチマークの限界と新指標
特定のタスクへの適応に特化するため、SWE-Bench や ARC-AGI といった従来の汎用ベンチマークは適用できず、同社が示す「勝率の倍増」などの独自成果が評価基準となる。
影響分析・編集コメントを表示
影響分析
この記事は、AI モデル訓練の自動化と効率化における重要な転換点を示しており、特に「データとモデルの同時最適化」というアプローチが、フロンティア AI の開発コストと難易度を下げる可能性を示唆しています。大規模ラボに依存しない訓練環境の実現は、次世代 AI 研究の民主化を加速させる要因となり得ます。
編集コメント
「AutoScientist」の登場は、AI モデル訓練における「データ駆動型自己改善」の実用化に向けた大きな一歩であり、開発プロセスの根本的な見直しを迫る内容です。ただし、従来のベンチマークでは評価できない点や、具体的な数値データの文脈不足には注意が必要です。
長年、AI研究者たちは、AIシステムが人間よりも優れた方法で自らを改善できる瞬間が来ると予期してきました。投資家が研究主導の次世代AI研究所に資金を注ぎ込む中、この目標を追求するためのリソースはかつてないほど豊富になっています。そして今、その新設研究所の一つが、それを現実のものにするための大きな一歩を踏み出しました。
水曜日、Adaption は、従来のファインチューニング（fine-tuning）に自動化アプローチを用いることで、モデルが特定の能力を迅速に習得できるよう支援する新製品「AutoScientist」を発表しました。この技術は幅広い分野に応用可能ですが、Adaption チームは特に、フロンティアレベルの AI モデルのトレーニングおよびファインチューニングのプロセスを加速し、容易にする可能性に注力しています。
元 Cohere の AI 研究担当バイスプレジデントを務めた Adaption の共同創設者兼 CEO、サラ・フッカー氏によると、AutoScientist は AI トレーニングプロセスへの新たなアプローチ法を表しています。「最も素晴らしい点は、データとモデルの両方を同時に最適化し、あらゆる能力を習得するための最良の方法を学習する点です」とフッカー氏は TechCrunch に語りました。「これにより、ついにこれらの研究所の外でも成功したフロンティア AI のトレーニングが可能になるはずです。」
AutoScientist は、同社の既存のデータ提供サービスである Adaptive Data を基盤としており、これは時間とともに高品質なデータセットを構築しやすくすることを目指しています。一方、AutoScientist は、継続的に改善されるデータセットを、継続的に改善される AI モデルへと変換するために設計されています。「Adaption における私たちの見解では、スタック全体が完全に適応可能であり、基本的にあらゆるタスクに対してリアルタイムで最適化されるべきだと考えています」と Hooker は述べています。
もちろん、このアプローチの成否は結果次第です。発表資料において Adaption は、AutoScientist が異なるモデル間で勝率を倍以上に引き上げたことを自慢していますが、これは印象的な数字である一方で、文脈化して評価するのは困難です。システムが特定のタスクに合わせてモデルを適応させるように設計されているため、SWE-Bench や ARC-AGI といった従来のベンチマークは適用できません。
それでもなお、Adaption はユーザーが AutoScientist を試せば違いを実感できると確信しており、その自信の表れとして、リリース後最初の 30 日間は無料で利用できるようにしています。
「コード生成が多くのタスクを可能にしたのと同じように、これは異なる分野の最前線において多くのイノベーションを解き放つことになるでしょう」と Hooker は語っています。
*当記事内のリンクを通じてご購入いただいた場合、私たちは少額のコミッションを獲得する可能性があります。これは私たちの編集の独立性には影響しません。*
ラッセル・ブランドは 2012 年以来、プラットフォーム政策と新興技術に焦点を当てながらテクノロジー業界の報道を行ってきました。以前は The Verge や Rest of World で勤務し、Wired、The Awl、MIT の Technology Review にも寄稿しています。
彼への連絡先は russell.brandom@techcrunch.com または Signal（412-401-5489）です。
原文を表示
For years, AI researchers have anticipated the moment when AI systems will be able to improve themselves better than humans could. With investors pouring money into a new generation of research-driven AI labs, there are more resources than ever available to pursue the goal. Now, one of those neolabs has taken a major step toward making it real.
On Wednesday, Adaption introduced a new product called AutoScientist that helps models learn specific capabilities quickly by using an automated approach to conventional fine-tuning. The techniques are applicable to a wide range of fields, but the Adaption team is particularly focused on the potential for speeding up and easing the process of training and fine-tuning a frontier-level AI model.
According to Adaption co-founder and CEO Sara Hooker, who previously worked as VP of AI research at Cohere, AutoScientist represents a new way to approach the AI training process. “What’s super exciting about it is that it co-optimizes both the data and the model, and learns the best way to basically learn any capability,” Hooker told TechCrunch. “It suggests we can finally allow for successful frontier AI trainings outside of these labs.”
AutoScientist builds on the company’s existing data offering, Adaptive Data, which aims to make it easier to build high-quality datasets over time. AutoScientist, meanwhile, is designed to turn those continuously improving datasets into continuously improving AI models. “Our view at Adaption is that the whole stack should be completely adaptable, and should basically optimize on the fly to whatever task you have,” Hooker says.
Of course, that approach will only be as good as the results. In its launch materials, Adaption boasts that AutoScientist has more than doubled win rates across different models — impressive numbers, but difficult to put into context. Since the system is built to adapt models to specific tasks, conventional benchmarks like SWE-Bench or ARC-AGI aren’t applicable.
Still, Adaption is confident that users will see the difference once they try AutoScientist — so confident that the lab is making the tool free to use for the first 30 days after its release.
“The same way that code generation unlocked a lot of tasks, this is going to unlock a lot of innovation at the frontier of different fields,” Hooker says.
*When you purchase through links in our articles, we may earn a small commission. This doesn’t affect our editorial independence.*
Russell Brandom has been covering the tech industry since 2012, with a focus on platform policy and emerging technologies. He previously worked at The Verge and Rest of World, and has written for Wired, The Awl and MIT's Technology Review.
He can be reached at russell.brandom@techcrunch.com or on Signal at 412-401-5489.
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み