RSI が新たな AGI に — 定義が極めて困難であることにも変わりはない

「再帰」という言葉は、AI の業界における最新の流行語です。2 つの別々のスタートアップがこの名前を採用し、さらに多くの企業がロードマップに「再帰的自己改善（Recursive self-improvement: RSI）」を参照し始めています。AGI 以前と同様に、RSI もカタルシス的な AI の急成長を象徴する3文字の代名詞となっていますが、その正確な意味についてはまだわずかな議論があります。 基本的には、RSI は自分自身を継続的にアップグレードできるAIシステムを指します。一度AIシステムが人間よりもアップグレードサイクルを管理できるようになれば、このプロセスは閉じたループとなり、アクセス可能な計算資源のみによって制限され、人間はもはや必要ではなく、むしろ邪魔になる可能性さえあります。 恐ろしいかどうかにかかわらず、これは多くのAI研究所が熱心に追及しているビジョンです。 今月初め、著名なAI研究者のリチャード・ソチャー（Richard Socher）は、名前にふさわしく「再帰的スーパーインテリジェンス」を立ち上げました。これはRSIを明確な目標として掲げています。「私たちの主な焦点は、大規模に真の再帰的で自己改善型のスーパーインテリジェンスを構築することです」とソチャーは[立ち上げ時にTechCrunch に語りました](https://techcrunch.com/2026/05/14/what-happens-when-ai-starts-building-itself/)、「つまり、研究アイデアの構想、実装、検証というプロセス全体が自動化されることを意味します」。 他の多くの著名な研究者もすでに同じ目標を追っており、再帰的自己改善を可能にする画期的な突破を望んでいます。 最も注目されている一人に、テスラと OpenAI の伝説的人物である Alex Karpathy がいます。彼は「Auto-Research」と呼ぶプロジェクトで、エージェントの群れを用いて LLM（大規模言語モデル）を単純なタスクに対して訓練しています。Karpathy はこのプロジェクトについて異例ほどオープンにしており、[定期的にマイルストーンについてツイート](https://x.com/karpathy/status/2031135152349524125) したり、構築の基礎となるブロックを公開 GitHub リポジトリで提供しています。これまでの成果は主に GPT-2 スケールのモデルに対する微細な改善に留まっており – Karpathy は 3 月に「まだ画期的な『研究』ではない（が、そうなる可能性はある）」と指摘しました – しかし、これだけで多くの他の研究者を RSI の夢へと駆り立てるには十分でした。そして現在、Karpathy は [Anthropic で事前学習に取り組んでいます](https://techcrunch.com/2026/05/19/openai-co-founder-andrej-karpathy-joins-anthropics-pre-training-team/)。これにより、彼はこのアイデアをより大規模なスケールで適用する十分な機会を得ることになります。 Cohere と Google の元社員であるサラ・フッカーによって設立された Adaption は、最近 [AutoScientist という同様のツールを立ち上げ](https://techcrunch.com/2026/05/13/adaption-aims-big-with-autoscientist-an-ai-tool-that-helps-models-train-themselves/)、フロンティアモデルのトレーニング自動化に取り組んでいます。Karpathy の自動研究者と同様に、このシステムはエージェントに漸進的な改善を行わせるように訓練しますが、Adaption においては、フルスケールのフロンティアモデルをより容易に訓練できるようにすることが目的です。もしこれらの研究者がフロンティアの前進を推し進め始めれば、システムはあっという間に RSI（自己再帰的知能：Recursive Self-Improvement）と非常に似たものへと螺旋状に進化していく可能性があります。 Disarray の創設者であるドリス・シンは、 herself が訓練した機械学習エージェントが [最近の Kaggle コンペティションで 28 個のメダルを獲得](https://disarray.ai/featured/when-an-mle-agent-beats-humans-what-does-that-actually-mean) し、多くの人間が訓練したエージェントを打ち破ったことで、より具体的な RSI への関心を集めました。彼女の見解では、最大の課題は信頼性です。 「無限の計算資源と無限の時間的視野があるなら、私たちはすでにそこにいると私は主張します」とシンは私に語りました。「これは実際には創造的な取り組みではなく、単なる地味で堅実なエンジニアリングの積み重ねだと主張したいのです。」 ## まだまだ到達していない また、AI業界が実質的な意味で再帰的システムにそれほど近づいていないこと、そして進捗について警戒する一般大衆とどう対話するかでまだ苦戦していることを示す証拠も多数あります。そのため、GoogleのCEOであるサンダル・ピチャイ氏は最近の[ポッドキャストインタビュー](https://www.nytimes.com/2026/05/22/podcasts/sundar-pichai-understands-why-people-are-anxious-about-ai.html)でほぼ認める形となりました。 「これは連続体であり、私たちは確かに進歩しています」とピチャイ氏は述べています。「しかし、人々がR.S.I.（自己再帰的インテリジェンス：Recursive Self-Improving Intelligence）と表現するその方法論は、次のレベルの加速を意味し、多くの示唆を持つことになるでしょうが、私たちはまだそこには至っていません。」 しかし、この連続体には非常に多くの自己改善型AIシステムが含まれています。[1月には](https://x.com/bcherny/status/2015979257038831967?s=46&t=zHQCBTtfz3hXdhbfUsgEAg)、Claude Codeの主要プログラマーの一人が、チームのコードの「ほぼ100%」をこのツールが作成したと推定しました。これは、Claude Codeが文字通り自分自身を書いているという率直な認容です。 エンジニアがAIツールを使用しているからといって、そのツールが彼らを代替できることを意味するわけではありませんが、Anthropic社はエンジニアの代替にも近づきつつあるようです。最近の[Mythosプレビューに関連した調査](https://www-cdn.anthropic.com/8b8380204f74670be75e81c820ca8dda846ab289.pdf)では、Anthropic社のエンジニア18人中5人が、ハネス（制御基盤）の改善があれば、このバージョンのMythosが間もなくL4エンジニアを代替できると考えていました。L4エンジニアとは、監督なしで複雑なプロジェクトを引き受けることができる中級プログラマーのことです。 それでも、予想されるのと同じような弱点はいくつかありました。 「Claude の L4 と比較した主な報告された弱点には、自己管理による週単位の曖昧なタスク、組織の優先事項の理解、審美眼、検証、指示の遵守、認識論が含まれる」とレポートは述べています。 つまり、その弱点はすべて自己方向性に関わるものであり、これは RSI の基盤となるものです。しかし、それ以外のすべてのことについては、Claude はすぐにでも対応する準備ができています。 AGI という用語に先駆けて、AI 業界もまた、有意義な再帰的システムを提示するまであとどれくらいかについて語ることはできません。ジョージタウン大学のセキュリティ・新興技術センター [が昨年、RSI を研究するために専門家グループを編成した際](https://cset.georgetown.edu/publication/when-ai-builds-ai/)、評価には大きな分断があることが判明しました。一部の専門家は差し迫った「スーパーインテリジェンス」型の爆発的成長を予測する一方、他の専門家はより緩やかな進展と最終的な頭打ちを予想していました。しかし、全員が再帰性によって未来の予測がいかに困難であるかについては一致していました。 CSET のディレクターであり、OpenAI の元理事でもあるヘレン・トナー氏は TechCrunch に対し、単に AI ツールを使って AI 研究を行うだけでは RSI とは認められないと語りました。「彼らはできる限り AI を利用しているだけですが」とトナー氏は TechCrunch に述べています。「それは、RSI の古典的な定義とは異なると思います。その本質とは、人間が全く必要ないということです。」 Toner は、METR の Ayeja Cotra による最近の投稿 [a recent post by METR’s Ayeja Cotra](https://www.planned-obsolescence.org/p/six-milestones-for-ai-automation) を指し示しており、そこでは AI 研究の乗っ取りへの道筋における異なるマイルストーンが区別されています。Cotra が「妥当性（adequacy）」と呼ぶ一つのステップは、すべての人間が排除された後でもシステムが研究を継続して行えるようになった時に訪れます – その結果として得られる研究がそれほど価値が高かったり効率的であったりするとは限りませんが。 「同等性（parity）」は、AI のみのシステムが人間のみのシステムと比べて研究において同じくらい優れている時に到来します。最終段階である「支配力（supremacy）」は、AI のみのシステムが人間と AI の共同システムよりも優れたパフォーマンスを発揮する時に訪れます。 究極的に Cotra は結論付けています。AI は、ある程度の作業を独自に生産できるという妥当性の閾値に非常に近いと。これは Karpathy 氏の Auto-Research システムによって行われた漸進的な変化に類似しています。「このマイルストーンがすでに通過したと聞かされても全く驚かないでしょうし、今後数年以内に実現すると予想しています」と Cotra は記述しています。 同等性がいつ到来するかについては彼女も明確ではありませんが、一度到達すれば、「AI 研究の支配力をさらに一年で達成するほど、AI の進歩のペースを劇的に加速させるだろう」と考えています。 ## 道のりにおける障害 AI の多くがスケーリング法則（scaling laws）に基づいているため、RSI（Research Supremacy Infrastructure）も同じ曲線を描くという強い傾向があります。Toner は、RSI を通じて AI 研究と開発を追求する人々の多くは、「それを非常に滑らかな梯子のように考えており、ただスケーリングし続けるだけでよい」と思っていると指摘しています。 しかし、AI 研究者たちが Karpathy の自動研究システムのような漸進的な改善を達成できたとしても、研究プロセス全体を引き継ぐことにはより大きな課題が待ち受けています。Toner はこれをコンピューティングの歴史に例えて説明します。それは、人間がトップから指示を出し続けながら、プロセスのより多くの部分を徐々に手放していくという流れです。 「私たちはマシン言語からアセンブリ言語、そしてコンパイル言語へと移行してきました。つまり、コンピュータの核心部分から遠ざかっていくのです」と Toner は述べています。「しかし、人間はいまだに、ある直感的な意味において、全体を統率し続けているのです」 このパラダイムを超えて進むためには、エンジニアリングとアライメント（調整）の両面で大きな課題に直面します。しかし、巨額の投資が行われている現状においても、無限の計算リソースが利用可能であるわけではなく、人的労働と機械知能の間にある基本的なトレードオフを克服するのは容易ではありません。 そして、終末的なビジョンを描く完全な再帰型 AI システムについてはどうでしょうか？研究者たちが本質的に合意している唯一のことは、AGI（汎用人工知能）と同様に、それはまだ実現されていないという点です。 *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受け取る可能性があります](https://techcrunch.com/techcrunch-affiliate-monetization-standards/)。これは当社の編集の独立性には影響しません。*

RSI が新たな AGI に — 定義が極めて困難であることにも変わりはない

背景や根拠まで確認しますか？

調べる

選ぶ

サイト