ハクソク

世界を動かす技術を、日本語で。

Dream-RSI: 進化する世界を通じた再帰的自己改善

2026年9月16日原文(arxiv.org)

概要

  • Dream-RSI は自律型AIエージェントのための再帰的自己改善探索フレームワーク
  • 探索戦略の適応と効率的な評価を実現
  • 過去の発見履歴を活用した低コストなポリシー改善
  • オンライン評価のコスト削減と発見品質の向上
  • アルゴリズム工学やGPUカーネル最適化などで有効性を実証

Dream-RSI: スケーラブルな再帰的自己改善探索フレームワーク

  • Recursive self-improvement の重要性が増す自律型AIエージェント分野
  • 探索戦略の管理と改善が主要なボトルネック
  • 固定戦略はスケールに適応できず、オンライン最適化はコスト高・フィードバック遅延という課題
  • Dream-RSI は軽量なオーケストレーション層を導入し、探索戦略を明示的かつプログラム可能に
  • コーディングエージェント本体の変更不要
  • 発見履歴をリプレイシミュレータとして活用し、過去の探索空間で dreaming （模擬探索）を実施
  • これにより即時かつ低コストなオフポリシーフィードバックを獲得
  • 改善された探索ポリシーをオンラインで再展開し、自己改善ループを継続
  • シミュレータプールが継続的に拡大

Dream-RSIの効果と応用領域

  • アルゴリズム工学、数理最適化、GPUカーネル工学など複数分野で検証
  • 発見コストを大幅に削減しつつ、競争力のあるまたは優れた発見品質を達成
  • 固定戦略や従来のオンライン最適化アプローチに比べて効率的
  • 長期的なロールアウトや大規模なメタ探索空間にも適応可能

技術的特徴と今後の展望

  • 探索履歴を活用したリプレイ・シミュレーション技術
  • オフラインでのポリシー評価・改善によるコスト削減
  • プログラム可能な探索戦略管理による柔軟性
  • 自己改善型AIエージェント開発の新たな標準となる可能性
  • 今後はさらなるスケーリングや他分野への応用が期待

Hackerたちの意見

誰かこれが革命的かどうか、そしてその理由を教えてくれたらすごく嬉しいんだけど。

└

これだよ: 「アルゴリズムエンジニアリング、数学的最適化、GPUカーネルエンジニアリングを通じて、Dream-RSIは、いくつかの設定で発見の質を競争力のあるものにしながら、発見コストを大幅に削減します。」

└

公開されたからって革命的とは限らないよね。

└

今の時点で、すべてのラボがこれ（RSI）をやってると思う。問題は、彼らがどれだけ公にそのことを宣言しているか、PRをどう位置づけているかってこと。今日の軽量モデルでもカーネルを書く方法や最適化する方法を知ってるし、DeepSeek 4.1 Flashが自分のコードベースのカスタムCUDAカーネルをめちゃくちゃチューニングしてくれたけど、全然問題なかったし、安かったよ。革新の部分は、これをサポートするハーネスにあると思う。これが部分的にここで起こっていることなんじゃないかな。

└

なんでこれが革命的だと思うの？

もし誤解してなければ、これをRSIと呼ぶのはちょっと誤解を招く気がする？これは現在のトレーニング方法の最適化に見えるし、良いものだけど、「永遠に自分を改善し続けるシステム」という意味での「RSI」ではないよね。

└

RSIって今は具体的に何か意味あるの？RSIやAGIは、今やバズワードみたいになってるよね。確かにAGIには「95%の知的タスクで95%の人間より優れている」みたいな測定可能な定義があるけど、その定義を使うと、もうAGIは持ってることになるし、ほとんどの人はAGIを達成したとは思ってない。AIを使ってAIをトレーニングして、さらにそのAIをトレーニングするのに、なんでそれがRSIじゃないの？どれだけ人間の介入があればそれがRSIじゃないってことになるの？

└

うん、これが再帰的自己改善って言ってる人が思ってることとは全然違うよね。むしろ、継続的学習の概念に近い気がするけど、まだ数ページしか読んでないから、完全には理解できてない。

└

同意。RSIから理解してるのは、モデルが新しいモデルを作ったり、自分の重みやアーキテクチャをアップグレードすることだと思うけど、ここではそうなってないみたい。

└

業界のリーダーたちによると、最近の1ヶ月ほどでAGIとRSIが実現したらしいよ。もちろん、これに関する証拠は全く見てないし、彼らの言葉を信じるしかないけど。

└

この論文は、次のラウンドでエージェント自身に使われるコントローラー/ポリシーを最適化しているんだ。

結局、これの簡略版を作ったよ。/self-improveとして、https://github.com/DanMcInerney/orchflowsにある。歴史は状態台帳で、メモリとRSIは歴史を証拠として引用するだけで、書き換え可能なんだ。強い不変の状態が、これらのメモリライブラリのパズルの欠けているピースだと思う。

Hacker Newsで議論の続きを見る