AI研究者25人への面接をまとめたSeverin Fieldらの調査は、自動AI研究を巡る警戒を具体的な観測指標へ落とし込んだ。Fieldは2026年7月8日に公開し同月28日に更新した解説で、参加者が挙げた節目の一部はすでに現れたと論じている。実際、機械学習の限定課題では、人間が候補を選別する条件のもと、AI生成3稿のうち1稿がワークショップの受理水準に達した。ただし、AIが強い後継を作り、その後継が改良を重ねる再帰的自己改善とは隔たりがある。
25人調査が捉えた見解の分布
Field、Raymond Douglas、David Kruegerによる「AI Researchers' Views on Automating AI R&D and Intelligence Explosions」は、2026年3月5日に改訂された26ページのarXivプレプリントである。DOIは10.48550/arXiv.2603.03338。査読済み論文ではない。調査はシミュレーションや能力実験でもなく、2025年8〜9月に実施した40〜60分の半構造化面接だ。
研究チームは182人を招待し、25人が参加した。募集経路は関連文献の著者7人、NeurIPSとICLRの関連ワークショップ8人、研究者ネットワークと雪だるま式抽出10人である。参加者には、現役のフロンティアAI企業研究者7人と元研究者4人が含まれる。大学所属は9人、大手テック企業やスタートアップは3人、非営利組織は2人だった。無作為抽出ではなく、招待者182人に対して参加者は25人に留まるため、得られた比率をAI研究者全体へ一般化できない。
25人中20人は、AIによるAI研究開発の自動化を、深刻で緊急性の高いAIリスクの一つに挙げた。17人は、高度なコーディング能力や研究開発能力を持つモデルが、企業や政府の内部に留められる方向へ進むと予想している。公開方針を明確に答えた20人に限ると、内部利用を予想したのは10人、一般公開は4人、条件付きまたは混合型は6人だった。
この数字が捉えるのは因果関係ではなく、選ばれた25人の認識である。研究自動化が実際に開発速度や社会的リスクをどれだけ押し上げるかは測っていない。第一著者が帰納的なコードを一人で作り、図に使うカテゴリー分類をClaudeで補助したため、独立した評価者間の一致度も算出されていない。著者自身も、結果をAI研究者の総意とは主張せず、特定時点における見解の記述と位置づけている。
「越えた節目」を時系列で読み直す
節目に関する発言は22件の面接にあった。コーディング能力への言及が8件、具体的な存在証明が5件、労働供給としての生産性成長と研究者の生産性向上が各3件である。例には、成功確率50%で40時間相当の課題をこなすエージェント、正しいコードを1万行生成するモデル、国際数学・情報オリンピックでの上位成績、70億パラメータ規模のモデルをほぼ自律的に訓練する仕組みが含まれた。
これらは、期限と判定法を事前登録した予測一覧ではない。参加者が自説を大きく更新し得る証拠として、面接中に挙げた観測指標である。したがって、実現した項目数を数えて25人の予測精度を評価することはできない。
時系列にも注意が要る。Google DeepMindは面接開始前の2025年7月21日、Gemini Deep Thinkが国際数学オリンピックで42点中35点を得て、6問中5問を満点で解いたと発表していた。解答は自然言語で作られ、競技と同じ4.5時間以内に終わり、IMO側の採点者が金メダル水準と認定した。原プレプリントの序論も、2025年8月時点でOpenAIのGPT-5系モデルが金メダル級に達したことを記している。IMO級数学は能力の存在証明にはなるが、面接後に初めて実現した未来予測とは言いにくい。
数学の難問を解く能力と、研究課題を選び、実験を設計し、誤った仮説を捨てる能力は同一ではない。面接でも15人が、アイデアを実装する力と、有望なアイデアを見分ける能力を区別した。16件の面接は、計算資源やデータ、評価能力などが急加速を妨げ得ると述べている。節目の通過は研究工程の自動化が進んだ材料であって、再帰的な加速そのものの観測ではない。
3稿中1稿とPGR 0.97、限定課題で進んだ自動化
面接後の成果で最も検証が進んでいるのは、Chris Luらが2026年3月25日にNatureへ発表した査読済み論文「Towards end-to-end automation of AI research」である。掲載はNature 651巻914〜919ページ、DOIは10.1038/s41586-026-10265-5。The AI Scientistは機械学習のアイデアを出し、コードを書いて計算機実験を回す。その結果を分析して論文にまとめ、自動査読までを一つの流れにつないだ。
人間による評価では、ICLR 2025の「I Can't Believe It's Not Better」ワークショップへAI生成論文3稿を提出した。1稿は査読点6、7、6、平均6.33で受理水準に達し、残る2稿は届かなかった。AI生成稿はワークショップで審査された43稿に含まれたが、著者らは本会議より受理の基準が低い場だと説明している。研究チームは事前の実験手順に従って3稿すべてを撤回したため、達成したのは受理水準の査読を通過するところまでである。
実験条件にも人間の関与が残る。チームは生成物から有望な候補を段階ごとに選び、ワークショップの主題に合うか、コードが意図通り動くか、書式に問題がないかを確認した。対象は計算機内で完結する機械学習研究である。著者らも、素朴なアイデア、実装ミス、方法論の弱さ、不正確な引用を失敗例として挙げ、3稿中1稿という結果を安定したトップ会議級の研究能力とはみなしていない。
同論文は、基盤モデルの世代が新しくなるほど自動査読点が高くなる相関も報告した。テンプレートなしの各設定を6回、テンプレートありを3回反復し、相関のP値は0.00001未満だった。だが、モデル世代以外の条件を無作為に割り付けた因果実験ではない。新しいモデルだけが論文品質を上げたと断定する根拠にはならない。
AnthropicのJiaxin Wenらは、さらに踏み込んだ自律研究エージェントAARを公式研究ブログで公開した。査読済み論文ではないが、コードと実験条件は公開されている。9体のClaude Opus 4.6エージェントを5日間、累計800時間動かし、弱いモデルが強いモデルを監督する課題で、性能差回復率PGRを0.97まで高めた。人間2人が7日間かけて4つの既存手法を調整した最良値は0.23だった。費用は計算とAPIを合わせて約18,000ドル、エージェント1時間あたり約22ドルである。
ただし、AARが探索したのは、弱教師Qwen1.5-0.5B-Chatと強生徒Qwen3-4B-Baseを使い、答えを自動採点できる環境だった。人間が問題、評価API、9つの初期研究方向を設計している。最高案を本番規模の学習環境へ移すと、改善は評価値で0.5ポイントに留まり、ノイズの範囲だった。限定された実験では人間の基準を上回った。規模や課題が変わっても再現するかは未確認である。
時間地平の伸びと、再帰を隔てる四つの空白
面接参加者が繰り返し参照したMETRの「50%時間地平」は、AIが何時間動き続けたかを示す数字ではない。人間の専門家が完了にX時間かかる課題を、エージェントが50%の確率で成功すると推定されるときのXである。現行のTime Horizon 1.1は、ソフトウェア工学、機械学習、サイバーセキュリティを中心とする228課題の成績にロジスティック曲線を当てはめる。
METRの長期推定では、2019〜2025年の50%時間地平は196.5日ごと、約6.5カ月で倍増した。2024年以降だけを使うと88.6日になるが、METRは長時間課題の不足で推定が分析手法に左右されやすく、現行課題群による16時間超の測定は信頼できないと注意している。時間地平が倍になっても、自動化率や研究生産性が2倍になるわけではない。失敗時の人間による確認や修復まで測らなければ、実務の速度向上には換算できないからだ。
企業内の観測も同じ境界を持つ。Anthropicは2026年5月、社内で本番環境へマージされたコード行の80%以上をClaudeに帰属できたと報告した。Claude Codeの研究プレビュー開始前の2025年2月には1桁台前半だったという。典型的なエンジニアの1日あたりマージ行数も、2024年を1とした場合、2026年第2四半期は8に増えた。ただし絶対行数、対象人数、集計対象となった社員の選び方は開示されていない。同社はコード行数が品質を表さず、真の生産性向上をほぼ確実に過大評価すると明記する。導入前後の観測が並んでも、Claudeだけが増加を引き起こしたと分離できる対照実験ではない。
現時点で確認されたのは、評価できる目標に対してコードを書き、実験を繰り返す力の急速な向上だ。再帰的自己改善を確かめるには、なお四つの空白が残る。AI自身が研究課題と評価法を選べるか。小規模な成功を本番規模へ移せるか。改良した後継が次の改良速度を実測で高められるか。その成果を複数世代にわたって、人間の介入を減らしても再現できるか。次の決定的な節目は論文数やコード行数ではなく、この連鎖を同一条件で追試できる実験になる。
