ASI-Evolve: AI가 AI를 진화시키다

ASI-Evolve: AI Accelerates AI

March 31, 2026

저자: Weixian Xu, Tiantian Mi, Yixiu Liu, Yang Nan, Zhimeng Zhou, Lyumanshan Ye, Lin Zhang, Yu Qiao, Pengfei Liu

cs.AI

초록

AI가 AI 자체의 발전을 가속화할 수 있을까? 최근 등장한 에이전트 시스템이 명확한 범위와 빠른 피드백이 있는 작업에서는 강력한 성능을 보였으나, 실제 AI 진보를 이끄는 고비용·장기적·약한 감독 형태의 연구 순환 과정을 해결할 수 있을지는 여전히 불분명하다. 본 논문에서는 학습-설계-실험-분석 사이클을 통해 이러한 순환을 완성하는 AI-for-AI 연구를 위한 에이전트 프레임워크인 ASI-Evolve를 제안한다. ASI-Evolve는 표준 진화 에이전트에 두 가지 핵심 구성 요소를 추가한다: 각 탐색 라운드에 누적된 인간의 사전 지식을 주입하는 인지 기반(cognition base)과 복잡한 실험 결과를 향후 반복 작업에서 재사용 가능한 통찰력으로 정제하는 전용 분석기(analyzer)가 그것이다. 우리가 알고 있는 바에 따르면, ASI-Evolve는 AI 개발의 세 가지 핵심 구성 요소(데이터, 아키텍처, 학습 알고리즘) 전반에 걸쳐 AI 주도 발견을 입증한 최초의 통합 프레임워크이다. 신경망 구조 설계 분야에서는 105개의 SOTA 선형 어텐션 구조를 발견했으며, 발견된 최고 모델은 DeltaNet을 +0.97점으로 능가하여 최근 인간이 설계한 개선점의 성능 향상치의 약 3배에 달하는 성과를 거두었다. 사전 학습 데이터 큐레이션에서는 진화된 파이프라인이 평균 벤치마크 성능을 +3.96점 향상시켰으며, MMLU에서는 18점 이상의 향상을 보였다. 강화학습 알고리즘 설계 분야에서는 발견된 알고리즘이 AMC32에서 GRPO 대비 최대 +12.5점, AIME24에서 +11.67점, OlympiadBench에서 +5.04점 더 높은 성능을 달성했다. 더 나아가 수학 및 생의학 분야 실험을 통해 이 AI-for-AI 패러다임이 AI 스택을 넘어서도 전이될 수 있다는 초기 증거를 제시한다. 종합하면, 이러한 결과들은 ASI-Evolve가 개발의 기초 단계 전반에 걸쳐 AI가 AI를 가속화할 수 있는 가능성으로 나아가는 유망한 한 걸음을 나타내며, 폐쇄 순환 AI 연구의 실현 가능성에 대한 초기 증거를 제공함을 시사한다.

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.