要約

我々は、AIシステムが環境やツールに対して自己主導的な関与を通じて、問題を自発的に発見し、仮説を立案し、解決策を実行する能力として「自律性（Agency）」を定義する。この根本的な能力は、「AI自律性の時代（Age of AI Agency）」の幕開けを示しており、その背景には産業界における重要な転換がある。すなわち、AIが単に思考するだけでなく、実際の作業を遂行する必要性が急務となっている点である。現在のAIは推論や応答生成において優れた性能を発揮しているが、業界の要請は、タスクを実行し、ツールを操作し、現実世界に実効的な成果をもたらす自律的エージェントの開発に向けられている。自律的知能（agentic intelligence）が、認知システムと生産的作業者を分ける決定的特徴となる中で、機械の自律性を効率的に育成することが極めて重要となる。従来のアプローチは、データ量の増加がより優れた自律性をもたらすと仮定しており、言語モデルにおける従来のスケーリング則に従っている。しかし、我々はこのパラダイムを根本から問い直す。LIMI（Less Is More for Intelligent Agency）は、自律性がまったく異なる発展原則に従うことを示している。戦略的に協働ソフトウェア開発や科学的研究ワークフローに焦点を当てることで、わずかだが戦略的に選別された自律的行動の例から、高度な自律的知能が発現可能であることを実証した。わずか78件の厳密に設計された訓練サンプルを用いるだけで、LIMIは包括的な自律性ベンチマークで73.5%のスコアを達成し、最先端モデルを大きく上回った。具体的には、Kimi-K2-Instruct（24.1%）、DeepSeek-V3.1（11.9%）、Qwen3-235B-A22B-Instruct（27.5%）、GLM-4.5（45.1%）を上回った。特に顕著なのは、1万件のサンプルで訓練されたモデルと比較して53.7%の性能向上を達成しており、128分の1のサンプル数で優れた自律的知能を実現した点である。本研究の成果は、「自律性効率の原則（Agency Efficiency Principle）」を確立するものであり、機械の自律性はデータの豊富さではなく、高品質な自律的行動の例の戦略的選別によって生じるという新たな知見を提示している。