ハイパーエージェント

要旨: 自己改善AIシステムは、人間のエンジニアリングへの依存を減らすべく、自身の学習と問題解決プロセスを改善する方法を学習します。既存の自己改善アプローチは、固定化された、手作りのメタレベル機構に依存しており、根本的にこのようなシステムの改善速度を制限します。ダーウィン・ゲーデル・マシン（DGM）は、自己改変型のバリアントを繰り返し生成・評価することで、終わりのない自己改善をプログラミングで実証します。評価と自己改変の両方がコード作成タスクであるため、コーディング能力の向上は自己改善能力の向上へとつながる可能性があります。しかし、この整合性は、コーディング領域を超える場合には一般には成立しません。我々は \textbf{hyperagents} を導入します。これは、ターゲットタスクを解くタスクエージェントと、それ自身とタスクエージェントを修正するメタエージェントを、1つの編集可能なプログラムに統合する、自己参照型エージェントです。特に、メタレベルの変更手続き自体が編集可能であり、メタ認知的自己改変を可能にし、タスク解決の挙動だけでなく、将来の改善を生み出す仕組み自体も改善します。このフレームワークを、DGMを拡張して DGM-Hyperagents（DGM-H）を作成することで具体化し、タスクの性能と自己改変スキルのドメイン特異的な整合性の前提を排除し、任意の計算可能なタスクにおける自己加速的進歩を支援する可能性を高めます。多様な領域にわたって、DGM-Hは時間とともに性能を向上させ、自己改善やオープンエンド探索を伴わないベースラインや、従来の自己改善システムを上回ります。さらに、DGM-Hは新しいエージェントを生成する過程（例：持続的メモリ、性能追跡）を改善し、これらのメタレベルの改善は領域を横断して移転し、実行を重ねるごとに蓄積します。DGM-Hyperagentsは、単により良い解を探すだけでなく、改善する方法を探すという探索自体を継続的に改善するオープンエンドAIシステムの一端を示します。