そう。テキストで景観のスタイルを指示して、OSMの区画から上面の植栽配置を作って、3Dにして機能と見た目を評価する流れ。

配置の初期案はGemini 3 Proで作る。草の範囲だけ編集可能にして、大木・小木・低木の3種類に限定。その上面画像からバウンディングボックスで個体を抽出して3Dアセットに割り当てる。

そう。VLMの位置は決定論的な実現可能性修復のあと固定して、CMA-ESで各インスタンスのスケールと離散的なアセット置換を調整する。修復は最大30回で、ダメなら捨てる。

歩行者の視点からレンダリングして知覚指標、あと日陰、音響曝露、バイオマス。ただ日陰と音響は校正済みの物理予測じゃなくて、最適化用の効率的なサロゲートって論文が明記してる。

うん。それに提示本文では既存手法との定量的なベースライン比較の結果は確認できない。関連研究との位置づけはあるけど、数値で勝ったとは書かれてない。

入力はテキストの景観指示とOSM由来の区画。草地面を編集可能領域にして、3カテゴリのアセットライブラリを使う。実験は18個の固定プロンプトテンプレート、17がスタイル・配置用で1が抽出用。都市規模例ではドット注釈版も使う。

提示本文からは確認できない。VLM出力やプロンプト、アセット、OSMの草地区画に依存するし、3カテゴリ以外への一般化も未検証。計算資源やデータセット規模の詳細も本文からは確認できない。

そうだね。VLMの構造提案とCMA-ESの幾何調整を組み合わせて、日陰・音響・バイオマス・見た目を目的関数に入れる。従来は位置や見た目中心だったところに機能評価を結びつけたのが主張。

まず枯らさないことからだな。

ああ、それはLLMを使って難しい問題を解くための「探し方」を賢くする研究だね。ただ闇雲に探すんじゃなくて、状況に合わせて自分を変えていくんだ。

そうとも限らない。例えば、複雑なプログラムを作ったり、パズルみたいな最適化問題を解くとき、今のAIは「進化計算」っていう手法を使うことが多いんだ。これは、たくさんの正解候補を作って、良いものを残して改造していくやり方だよ。

そう。でも、これまでのやり方は「どれくらい改造するか」とか「どこに時間をかけるか」っていう設定が最初から最後まで固定だったんだ。道に迷っていても、ずっと同じ歩幅で歩き続けるようなもので、すごく効率が悪かったんだよ。

まさにそれを自動でやるのがAdaEvolveなんだ。この論文では「零次最適化」っていう、数式が分からなくても結果の良し悪しだけで答えを探す手法を扱っているんだけど、AdaEvolveは「改善の信号」を自分で読み取って、3つのレベルで自分を調整するんだよ。

まずレベル1は「ローカル適応」。これは一つのグループ内での調整だ。調子よく正解に近づいているときは慎重に「活用」して、行き詰まったら大胆に「探索」する。この切り替えを自動でやるんだ。

レベル2は「グローバル適応」。複数のグループ（島）で並行して答えを探すんだけど、見込みがあるグループに計算リソースをたくさん割り振るんだ。「多腕バンディット」っていう、当たりやすいスロット台にコインを集中させるような仕組みを使っているよ。

……まあ、効率化だね。で、最後のレベル3が「メタ・ガイダンス」。数値的な調整だけじゃどうにもならないとき、LLMが「そもそも別の戦略でいこう」って新しい作戦を文章で生成して、探索の方向性をガラッと変えるんだ。

185種類もの問題でテストしたんだけど、既存のAI手法を全部上回ったんだ。特に「円パッキング」っていう、箱の中に円をどれだけ詰め込めるかっていう有名な数学の問題では、人間がこれまでに見つけた最高記録すら超えちゃったんだよ。

そうだね。これまでは人間が「こうやって探せ」って細かく指示しなきゃいけなかったけど、これからはAIに丸投げしても、AIが勝手に最適な探し方を見つけてくれるようになる。これがこの論文の大きな意義だよ。

可能性はあるね。ただ、まだ計算コストが高いとか、もっと複雑な問題に対応できるかとか、課題はある。でも、この「自分で自分を最適化する」っていう方向性は、これからのAI研究の主流になるはずだよ。

……それは君が自分で考えなよ。そんなことにLLMの計算リソースを使わせるな。

ヒーローじゃないよ。これは進化型AIエージェント、つまり何度も試行錯誤してコードを書いたり問題を解いたりするAIの効率を上げるための研究だね。

違うよ。一つの答えを出して終わりじゃなくて、生成した答えを何度も修正して、より良いものに「進化」させていく手法のこと。でも、これって何度もAIを動かすから、計算コストがめちゃくちゃ高いっていう問題があるんだ。

AI自身は気にしないけど、使う人間にとっては大問題だよ。そこでこの論文は、賢くて重い「大きいモデル」と、そこそこだけど軽い「小さいモデル」を、状況に合わせて使い分けようって提案してるんだ。

立候補というか、AIの「自信」を見るんだ。専門用語で言うと『確信度（Confidence）』だね。AIが言葉を生成するとき、どれくらい迷わずにその言葉を選んだかを数値化するんだよ。

そう。エントロピーっていう指標を使って、予測がバラついていれば「自信がない」、一点に集中していれば「自信がある」と判断する。この論文では、全体の平均だけじゃなくて、文章の終わりの方の安定感とか、一番怪しい部分のスコアとか、4つの指標をチェックしてるんだ。

小さいモデルが「うーん、自信ないな」ってなったら、決定木っていう軽い判断アルゴリズムが「じゃあ大きいモデルにバトンタッチだ！」って指示を出す。これを『AdaptEvolve』と呼んでいるんだよ。

例えはともかく、効率は劇的に上がってるね。特に簡単な問題は小さいモデルだけで済ませて、難しいところだけ大きいモデルを使うっていうメリハリが効いてるんだ。

亜美さんの場合は、自信満々で間違えてる「自信過剰なハルシネーション」が多そうだから、決定木が壊れちゃうよ。

ああ、それはLLMを使って科学的な問題やプログラミングの最適化を「進化計算」の手法で解くための新しいフレームワークだね。かなり画期的な内容だよ。

例えは悪くないけど、正確には「たくさんの解の候補を作って、成績が良いものを残して改良を繰り返す」っていう手法のことだよ。でも、今のLLMを使った進化計算には大きな弱点が3つあるんだ。

一つは『文脈汚染』。失敗した実験の履歴が溜まりすぎて、AIが混乱して変なアイデアばかり出すようになること。二つ目は『モード崩壊』。同じようなアイデアに固執して、行き詰まっちゃうこと。最後は『弱い連携』。並列で作業してる他のAIとうまく協力できないことだね。

……まあ、人間味のある解釈だけど、だいたい合ってるよ。PACEvolveは、それを解決するために3つの新しい武器を持ってるんだ。まずは『階層的コンテキスト管理（HCM）』。これはアイデアを「抽象的な作戦」と「具体的な解決策」に分けて整理して、不要なゴミ情報を捨てる仕組みだよ。

そこで二つ目の『モメンタムベースのバックトラッキング（MBB）』だ。AIが「最近あんまり改善してないな」っていう進捗の勢い、つまりモメンタムを自分で計算するんだ。勢いがなくなったら、思い切って過去の調子が良かった時点まで戻ってやり直すんだよ。

そう。そして三つ目が『自己適応型共同進化（CE）』。自分の過去に戻るか、それとも他の並列で頑張ってるチームから良いアイデアを盗んでくる（交叉）かを、状況に合わせて自動で選ぶんだ。これで協力プレイもバッチリだね。

数式を見つけるタスクや、GPUの計算を速くするコードの最適化で、これまでの記録を塗り替えて世界一の成績を出したんだ。特にNanoGPTっていう有名なモデルの改良では、これまでの最高記録をさらに更新したんだよ。

将来性は高いね。科学的な発見やエンジニアリングの自動化がもっと進むはずだ。ただ、まだ課題もある。計算コストがかかるし、どのタイミングで過去に戻るのがベストかっていう設定も、もっと洗練させる必要があるんだ。

それはただの現実逃避だろ。食べた事実は消えないから、大人しく運動してこい。