テックブログ「AI Watch」へようこそ。ライターの視点から、加速するAI業界の最前線をお届けします。
本日、2026年10月12日。私たちはAIの歴史における大きな転換点に立っています。かつて、AIの性能向上は「より多くのデータ」と「より巨大な計算資源」に依存していました。しかし、その限界が囁かれ始めた2024年8月、東京を拠点とするスタートアップ「Sakana AI」が発表した一つの論文が、その後の2年間の潮流を決定づけることになりました。それが、集団知能による再帰的自己改善手法『Mass（Model-Agnostic Search-based Self-improvement）』です。
本記事では、2024年の発表から現在に至るまで、なぜこの『Mass』がAI開発の聖杯として注目され続けているのか、その技術的真価と2026年現在の視点から見た社会的・技術的影響を深く掘り下げます。
1. ニュースの概要：Sakana AIが示した「自律進化」への道筋
2024年8月にSakana AIから発表された『Mass』は、AIモデルが人間の介入を最小限に抑え、自律的に自身の性能を向上させる「再帰的自己改善（Recursive Self-Improvement）」を実現するためのフレームワークです。従来のAI開発では、人間が設計したアーキテクチャに基づき、人間が収集・アノテーションしたデータを用いて学習を行ってきました。
しかし、Sakana AIが提唱したのは、「進化的アルゴリズム」と「集団知能」を組み合わせたアプローチです。これは、複数のAIモデル（エージェント）を「集団」として扱い、それらを交配・選択・変異させることで、特定のタスクに対して最適化された「より優れた次世代モデル」を自動的に生成するというものです。
この手法の衝撃は、2026年現在、現実のものとなっています。かつて人間が行っていた複雑なモデルの調整やデータの選別が、AI自らの手で行われるようになり、AI開発のスピードは幾何級数的に加速しました。この流れは、かつて人間が手作業で行っていたデータアノテーションの重要性が低下していることとも深く関連しています。実際、「AI学習の礎」が静かに幕を下ろす：Amazon Mechanical Turkの新規受付停止が示唆する、人間によるアノテーション時代の終焉でも語られている通り、AIが自らデータを生成し、自ら学習するフェーズへと移行しているのです。
2. 技術的な詳細：『Mass』を支える「進化的モデルマージ」
『Mass』の核心となる技術は、Sakana AIが得意とする「進化的モデルマージ（Evolutionary Model Merging）」をさらに発展させたものです。具体的には以下のプロセスを経て、AIは自己改善を繰り返します。
① 多様なモデルの「プール」形成
まず、ベースとなる複数の異なる特性を持つAIモデルを用意します。これらは、数学に強いモデル、コーディングに長けたモデル、あるいは論理的思考に優れたモデルなど、多様な「知能の種」となります。
② 進化的探索（Evolutionary Search）
これらのモデルを「親」として、パラメータ空間やモデル構造のレベルで「交配（マージ）」を行います。Sakana AIの手法がユニークなのは、単に重みを平均化するのではなく、どの層をどのように組み合わせれば最も高いパフォーマンスを発揮できるかを、アルゴリズムが自動的に探索する点にあります。
③ 再帰的なフィードバックループ
生成された「子モデル」は、特定の評価指標（ベンチマーク）によってテストされます。優秀な成績を収めたモデルは生き残り、次世代の親として再び交配プロセスに投入されます。このサイクルを繰り返すことで、人間が想像もしなかったような最適化されたモデルが誕生します。これが「再帰的自己改善」の正体です。
このプロセスを支えるためには、膨大な試行錯誤を高速に回すための計算資源が必要です。2026年現在のインフラ環境においては、「NVIDIA Blackwellの2倍のコスト効率」を誇るAMD MI355Xのような最新チップの登場が、Massのような進化的手法の実行コストを劇的に下げ、研究室レベルの技術を実用的な開発プロセスへと押し上げました。
3. 考察：ポジティブな展望 vs 潜在的な懸念点
『Mass』がもたらす変革は、単なる性能向上に留まりません。しかし、そこには光と影が存在します。
ポジティブな側面：知能のデモクラティゼーションと限界突破
- データ限界の打破： 人間が作成したテキストデータが枯渇しつつある中、AIが自律的にモデルを改良できることは、AGI（汎用人工知能）への到達を早める鍵となります。
- 特化型知能の高速生成： 創薬、材料科学、サイバーセキュリティなど、特定の専門分野に特化した超高性能モデルを、人間が設計するよりも遥かに短期間で構築可能です。
- コスト効率の向上： ゼロから巨大なモデルをトレーニングするのではなく、既存のモデルを賢く「マージ」して改善するため、学習に必要なエネルギー消費と時間を大幅に削減できます。
懸念点：制御可能性と「知能の近親交配」
一方で、深く掘り下げるべき懸念も存在します。
- ブラックボックス化の深化： AIがAIを作ることにより、人間がそのモデルの内部構造や判断基準を完全に理解することがさらに困難になります。これは「アライメント（調整）」の問題をより複雑にします。
- 知能の多様性の喪失： 進化的プロセスにおいて、特定のベンチマークスコアのみを追い求めすぎると、局所解に陥り、創造性や予期せぬ発見といった「知能の幅」が失われるリスクがあります。これを専門家は「知能の近親交配」と呼んでいます。
- 中央集権的なリスク： このような高度な自己改善システムを運用できるのは、依然として大規模な計算資源を持つ組織に限られる可能性があります。これに対し、「プライバシー特化型AI」を掲げるVenice AIのような動きは、中央集権的なAI進化に対する重要なアンチテーゼとして機能するでしょう。
4. まとめ：2026年、AIは「作るもの」から「育てるもの」へ
2024年にSakana AIが蒔いた『Mass』という種は、2026年の今日、大樹となってAI業界を覆っています。モデルを固定された成果物として捉える時代は終わり、AIは常に環境に合わせて自己を更新し続ける「動的な知能」へと変貌を遂げました。
「集団知能による再帰的自己改善」は、私たちがAIと共生する未来において、不可欠な要素です。AIが自ら知能を練り上げるプロセスに、いかにして人間の倫理と意図を介在させるか。技術の衝撃が一段落した今、私たちに問われているのは、その「ガバナンス」の在り方なのかもしれません。
Sakana AIの挑戦は、単なるアルゴリズムの提案ではなく、知能の本質を再定義する試みであったと言えるでしょう。AI Watchでは、今後もこの自己改善型AIの進化を注視していきます。