自律型AI研究フレームワーク「Arbor」：仮説木で長期的な反復実験を実現

現在のAIエージェントにバグ修正や短いスクリプト作成を頼めば、そつなくこなしてくれます。しかし、数日間に及ぶ研究やモデル最適化を自律的に任せようとすると、途端に破綻します。数回試行して失敗すると学んだはずの教訓を忘れ、同じ袋小路をぐるぐると回り始めるのが常でした。

要するに、AIエージェントには長時間の作業を支える「連続性」が決定的に不足していました。

研究チームが発表した自律型研究フレームワーク「Arbor」は、この健忘症を克服するために設計されたシステムです。その中核にあるのが、検証プロセスを蓄積していく「仮説木（Hypothesis Tree）」というアプローチです。

司令塔と使い捨てのアシスタント

Arborは、単にプロンプトのコンテキスト長を広げるのではなく、エージェントの組織構造そのものを再設計しました。この仕組みは「仮説木の細化（HTR）」と呼ばれます。

システムは大きく2つの役割に分かれています。全体戦略を統括するのは「長寿命のコーディネーター」です。研究全体の仮説マップを見渡し、次にどの方向性を検証すべきかを判断します。

一方、実験の実行を担うのは「短寿命のエグゼキューター」たちです。司令塔から指示を受けると、隔離されたワークスペース内で個別の実験を1回だけ走らせ、結果を報告して役目を終えます。

仮説木の各ノードには、仮説、生成コード、実験結果、そこから抽出された教訓が記録されます。失敗した試行であっても、そのデータが木全体に還元され、無駄な再試行を防ぐ仕組みです。

Claude Code比で2.5倍以上の成果

この構造化された反復プロセスは、実証実験で明確な差となって現れました。

人間の介入を排した自律最適化環境において、モデル訓練や評価基盤構築、データ合成など6つの実践的な研究課題を実施。同一の計算予算とインターフェースという条件下で、Arborは全6課題で単独首位を獲得し、Claude CodeやCodexと比較して平均2.5倍以上の相対的ゲインを記録しました。

さらに機械学習コンペの評価ベンチマーク「MLE-Bench Lite」では、GPT-5.5との組み合わせで86.36%のメダル獲得率（Any Medal）を達成しています。

なぜ重要か

研究者やエンジニアにとって、Arborは自律型AIの付き合い方を大きく変える可能性を秘めています。ターミナルに張り付いてプロンプトを打ち直す代わりに、目標だけを与えてAIに自律的な仮説検証を任せる未来が現実味を帯びてきました。

私たちが特に巧みだと感じるのは、実行ログで文脈を埋め尽くすのではなく、戦略と実行を完全に分離した点です。作業用エージェントを使い捨てることでコンテキストの汚染を防ぎ、長期的な判断力を維持させています。

もちろん課題もあります。隔離環境の維持や枝分かれした実験の並列実行には相応の計算コストとAPI費用がかかります。それでも、単発のコード生成から「蓄積型の科学実験」へとAIの役割を押し上げた意義は小さくありません。