ASI-Evolve: AIがAIを加速させる
ASI-Evolve: AI Accelerates AI
March 31, 2026
著者: Weixian Xu, Tiantian Mi, Yixiu Liu, Yang Nan, Zhimeng Zhou, Lyumanshan Ye, Lin Zhang, Yu Qiao, Pengfei Liu
cs.AI
要旨
AIはAI自身の発展を加速させ得るか？近年のエージェントシステムは、範囲が明確で迅速なフィードバックが得られるタスクでは高い性能を示しているが、実際のAI進歩を駆動する、コストが高く長期的で弱教師付きの研究ループに対処できるかは不明である。本論文では、AIのための研究（AI-for-AI）を行うエージェントフレームワーク「ASI-Evolve」を提案する。このフレームワークは、学習-設計-実験-分析のサイクルを通じてこのループを閉じる。ASI-Evolveは、標準的な進化型エージェントに二つの主要コンポーネントを追加する。一つは、蓄積された人間の事前知識を各探索ラウンドに注入する「認知ベース」、もう一つは、複雑な実験結果を将来の反復で再利用可能な知見に蒸留する専用の「分析器」である。我々の知る限り、ASI-Evolveは、AI開発の三つの核心的要素（データ、アーキテクチャ、学習アルゴリズム）にわたってAI駆動の発見を実証した初の統一フレームワークである。
ニューラルアーキテクチャ設計では、105のSOTA線形注意機構アーキテクチャを発見し、最良の発見モデルはDeltaNetを+0.97ポイント上回り、これは近年の人間による改良による向上量の約3倍に相当する。事前学習データキュレーションでは、進化させたパイプラインが平均ベンチマーク性能を+3.96ポイント向上させ、MMLUでは18ポイントを超える向上を示した。強化学習アルゴリズム設計では、発見されたアルゴリズムが、AMC32でGRPOを最大+12.5ポイント、AIME24で+11.67ポイント、OlympiadBenchで+5.04ポイント上回った。さらに、このAI-for-AIパラダイムがAIスタックを超えて転移可能であることを、数学と生物医学における実験を通した予備的証拠を示す。これらの結果は総合して、ASI-Evolveが開発の基礎的段階全体でAIがAIを加速することを可能にするための有望な一歩であり、閉ループ型AI研究の実現可能性に対する初期証拠を提供することを示唆している。
English
Can AI accelerate the development of AI itself? While recent agentic systems have shown strong performance on well-scoped tasks with rapid feedback, it remains unclear whether they can tackle the costly, long-horizon, and weakly supervised research loops that drive real AI progress. We present ASI-Evolve, an agentic framework for AI-for-AI research that closes this loop through a learn-design-experiment-analyze cycle. ASI-Evolve augments standard evolutionary agents with two key components: a cognition base that injects accumulated human priors into each round of exploration, and a dedicated analyzer that distills complex experimental outcomes into reusable insights for future iterations. To our knowledge, ASI-Evolve is the first unified framework to demonstrate AI-driven discovery across three central components of AI development: data, architectures, and learning algorithms. In neural architecture design, it discovered 105 SOTA linear attention architectures, with the best discovered model surpassing DeltaNet by +0.97 points, nearly 3x the gain of recent human-designed improvements. In pretraining data curation, the evolved pipeline improves average benchmark performance by +3.96 points, with gains exceeding 18 points on MMLU. In reinforcement learning algorithm design, discovered algorithms outperform GRPO by up to +12.5 points on AMC32, +11.67 points on AIME24, and +5.04 points on OlympiadBench. We further provide initial evidence that this AI-for-AI paradigm can transfer beyond the AI stack through experiments in mathematics and biomedicine. Together, these results suggest that ASI-Evolve represents a promising step toward enabling AI to accelerate AI across the foundational stages of development, offering early evidence for the feasibility of closed-loop AI research.