自己進化型エージェントの調査：人工超知能への道程

要旨

大規模言語モデル（LLMs）は強力な能力を発揮しているものの、本質的には静的であり、新しいタスク、進化する知識領域、または動的なインタラクションコンテキストに内部パラメータを適応させることはできません。LLMsがオープンエンドでインタラクティブな環境に展開されるにつれ、この静的な性質は重大なボトルネックとなっており、リアルタイムで適応的に推論、行動、進化できるエージェントの必要性が高まっています。このパラダイムシフト――静的モデルのスケーリングから自己進化型エージェントの開発へ――は、データ、インタラクション、経験から継続的に学習し適応するためのアーキテクチャと手法に対する関心を高めています。本調査は、自己進化型エージェントに関する初の体系的かつ包括的なレビューを提供し、進化の対象（何を進化させるか）、進化のタイミング（いつ進化させるか）、進化の方法（どのように進化させるか）という3つの基本的な次元に基づいて整理しています。エージェントの構成要素（モデル、メモリ、ツール、アーキテクチャなど）における進化メカニズムを検証し、適応手法を段階（テスト時間内、テスト時間間など）ごとに分類し、進化的適応を導くアルゴリズムとアーキテクチャ設計（スカラー報酬、テキストフィードバック、単一エージェントおよびマルチエージェントシステムなど）を分析します。さらに、自己進化型エージェントに特化した評価指標とベンチマークを分析し、コーディング、教育、医療などの分野での応用例を強調し、安全性、スケーラビリティ、共進化ダイナミクスにおける重要な課題と研究の方向性を特定します。自己進化型エージェントを理解し設計するための構造化されたフレームワークを提供することで、本調査は研究と実世界の展開における適応型エージェントシステムの進展に向けたロードマップを確立し、最終的には人工超知能（ASI）の実現への道を照らします。ASIでは、エージェントが自律的に進化し、幅広いタスクにおいて人間レベルの知能を超える性能を発揮します。

English

Large Language Models (LLMs) have demonstrated strong capabilities but remain fundamentally static, unable to adapt their internal parameters to novel tasks, evolving knowledge domains, or dynamic interaction contexts. As LLMs are increasingly deployed in open-ended, interactive environments, this static nature has become a critical bottleneck, necessitating agents that can adaptively reason, act, and evolve in real time. This paradigm shift -- from scaling static models to developing self-evolving agents -- has sparked growing interest in architectures and methods enabling continual learning and adaptation from data, interactions, and experiences. This survey provides the first systematic and comprehensive review of self-evolving agents, organized around three foundational dimensions -- what to evolve, when to evolve, and how to evolve. We examine evolutionary mechanisms across agent components (e.g., models, memory, tools, architecture), categorize adaptation methods by stages (e.g., intra-test-time, inter-test-time), and analyze the algorithmic and architectural designs that guide evolutionary adaptation (e.g., scalar rewards, textual feedback, single-agent and multi-agent systems). Additionally, we analyze evaluation metrics and benchmarks tailored for self-evolving agents, highlight applications in domains such as coding, education, and healthcare, and identify critical challenges and research directions in safety, scalability, and co-evolutionary dynamics. By providing a structured framework for understanding and designing self-evolving agents, this survey establishes a roadmap for advancing adaptive agentic systems in both research and real-world deployments, ultimately shedding lights to pave the way for the realization of Artificial Super Intelligence (ASI), where agents evolve autonomously, performing at or beyond human-level intelligence across a wide array of tasks.

自己進化型エージェントの調査：人工超知能への道程

A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence

要旨

Support