人工知能が人間の直接的な介入なしに、自ら反復的かつ継続的に進化する歴史的な転換点が近づいている。再帰的自己改善と呼ばれるこの現象は、もはやSFの世界の話ではない。システム信頼性とコーディング自律性の劇的な進歩により、科学研究の基盤そのものが自動化される未来が現実味を帯びている。

特に顕著なのがプログラミング能力の向上だ。GitHub上の実課題解決力を測る「SWE-Bench」において、かつては成功率が低迷していたAIモデルが、現在では指標を飽和させるほどの成果を上げている。これはAIが開発者の補佐役から、単独でコードの執筆・テスト・デバッグを行うエンジニアへと進化したことを意味する。

さらに、AIの稼働時間も飛躍的に伸びている。METR（モデル評価および脅威研究）の測定によると、自律的に安定稼働できる時間は数分から12時間以上にまで拡大した。データセットの整理や実験の実施、結果の検証といった、研究の地道な側面を長時間担える能力は極めて重要だ。

この自動化の波は、科学のインフラにも及んでいる。AIモデルはハードウェア効率を決定づけるカーネル最適化を自ら実行し、AI自身の安全性評価を行う研究にまで踏み込んでいる。他のサブエージェントを管理し、自律的に問題を解決する様子は、まさに自律的な研究サイクルの初期形態といえる。

現段階のモデルに真の意味での創造的飛躍を生む能力はないが、科学の進歩を支える地道な反復実験においてAIは驚異的な適応力を見せている。このスケーリングの勢いが続けば、2028年までに人間が関与しない研究開発が実現する可能性は十分にあるだろう。私たちは、発見の速度が人間の知能ではなく計算資源によって決まる時代へと足を踏み入れている。

人工知能が人間の直接的な介入なしに、自ら反復的かつ継続的に進化する歴史的な転換点が近づいている。再帰的自己改善と呼ばれるこの現象は、もはやSFの世界の話ではない。システム信頼性とコーディング自律性の劇的な進歩により、科学研究の基盤そのものが自動化される未来が現実味を帯びている。

特に顕著なのがプログラミング能力の向上だ。GitHub上の実課題解決力を測る「SWE-Bench」において、かつては成功率が低迷していたAIモデルが、現在では指標を飽和させるほどの成果を上げている。これはAIが開発者の補佐役から、単独でコードの執筆・テスト・デバッグを行うエンジニアへと進化したことを意味する。

さらに、AIの稼働時間も飛躍的に伸びている。METR（モデル評価および脅威研究）の測定によると、自律的に安定稼働できる時間は数分から12時間以上にまで拡大した。データセットの整理や実験の実施、結果の検証といった、研究の地道な側面を長時間担える能力は極めて重要だ。

この自動化の波は、科学のインフラにも及んでいる。AIモデルはハードウェア効率を決定づけるカーネル最適化を自ら実行し、AI自身の安全性評価を行う研究にまで踏み込んでいる。他のサブエージェントを管理し、自律的に問題を解決する様子は、まさに自律的な研究サイクルの初期形態といえる。

現段階のモデルに真の意味での創造的飛躍を生む能力はないが、科学の進歩を支える地道な反復実験においてAIは驚異的な適応力を見せている。このスケーリングの勢いが続けば、2028年までに人間が関与しない研究開発が実現する可能性は十分にあるだろう。私たちは、発見の速度が人間の知能ではなく計算資源によって決まる時代へと足を踏み入れている。