Adaption「AutoScientist」が変えるAIモデル開発の仕組みとは
ChatGPTの普及によって、多くの人がAIを使える時代になりました。一方で、AIモデルそのものを調整し、目的に合わせて学習させる技術は、いまも限られた研究者だけが扱っています。Adaptionが発表した「AutoScientist」は、そうした複雑なモデル学習を自動化しようとしているシステムです。AI開発の進め方そのものに変化を与える存在として注目されています。
ARCHETYP Staffingでは現在クリエイターを募集しています。
エンジニア、デザイナー、ディレクター以外に、生成AI人材など幅広い職種を募集していますのでぜひチェックしてみてください！
なぜAIモデルの学習は一部の研究者しか扱えなかったのか
ChatGPTの登場以降、多くの人がAIを使えるようになりました。しかし実際には、「AIモデルそのものを調整する作業」は、いまも限られた研究者しか扱えていません。理由の一つが、モデル学習そのものの難しさです。たとえばAIへ新しい知識を学習させる際には、「Catastrophic Forgetting（破滅的忘却）」と呼ばれる問題が発生します。これは、新しい情報を学習した結果、もともと持っていた一般知識まで失われてしまう現象です。さらに、「Overfitting（過学習）」も大きな課題として知られています。少量のデータへ強く適応しすぎることで、学習した内容以外への対応力が低下する状態です。人間で言えば、問題集の答えだけを覚え、少し形式が変わると対応できなくなる状態に近いかもしれません。
難しいのは、こうした問題に対する調整方法が固定されていない点です。どのデータを使うのか、どの設定で学習させるのかによって結果は変わり、モデルや用途が変われば有効な方法も変化します。Adaptionは、有効なノウハウの多くが研究者同士で共有され、十分に体系化されていないとも説明しています。その結果、多くの開発者は「モデルを調整する側」ではなく、「既存モデルへ指示を工夫する側」に留まっていました。現在のAI活用でプロンプト調整が中心になっている背景には、こうした事情があります。
そしてAdaptionは、この複雑な調整工程そのものを、自動化によって変えようとしています。
AutoScientistは「AI研究の試行錯誤」を自動化しようとしている
Adaptionが発表した「AutoScientist」の特徴は、単純な学習自動化ツールではない点にあります。AutoScientistは、「データ」と「学習レシピ」を同時に調整しながら、モデルの改善を繰り返す仕組みとして設計されています。
通常、AIモデルを調整する際には、多くの試行錯誤が必要です。どのデータを使うのか、どの学習方法を選ぶのか、どの設定値で学習させるのかによって結果は変わります。研究者は、その調整を何度も繰り返しながら、最適な構成を探しています。
AutoScientistは、この工程を自律的に実行しようとしています。Adaptionによると、AutoScientistは人間のAI研究者による設定を平均35%上回る結果を示したとされています。また、特定条件だけではなく、複数の業界領域やモデルでも改善が確認されたと説明されています。
重要なのは、「AIを使う」だけではなく、「目的に合わせてモデルを調整する工程」そのものを簡略化しようとしている点です。これまで専門知識が必要だった作業が整理されれば、AI開発の進め方も変わっていく可能性があります。さらにAdaptionは、将来的に「学習そのものを必要としないリアルタイム適応」の研究も進めていると説明しています。
現時点では研究段階ですが、AIモデルの作り方そのものが変化していく可能性を感じさせる内容です。AutoScientistは単なる新機能ではなく、「AIモデルをどう育てるか」という研究工程そのものへ踏み込んだ取り組みとして注目されています。
まとめ
いかがだったでしょうか？
Adaptionの「AutoScientist」は、これまで一部の研究者しか扱えなかったAIモデル学習の工程を、自動化しようとしているシステムです。データ選定や学習方法の調整をAI自身が繰り返し改善することで、複雑だったモデル調整の進め方にも変化が生まれ始めています。AIを「使う」だけでなく、「目的に合わせて育てる」という領域が、今後どのように広がっていくのか注目されます。