核心的な判断：大規模モデルは強力な知能コンポーネントではあるが、自己維持できるシステムではない。理解・生成・推論・ツール呼び出しにおいて実用的な能力を備えており、高品質な仮説提案者およびコード生成者として活用できる。しかし、ライフサイクルを超えて継続的に進化するために必要な状態・目標・フィードバックの仕組みを欠いている。
3種類の構造的限界：
- 状態の限界：コンテキストウィンドウが有限で、セッションをまたぐ永続メモリが欠如しているため、長期的なプロジェクトを自立的に維持できない。
- 目標の限界：現実の問題は多目的の衝突と選好のトレードオフを伴うことが多く、モデルが自律的に正当化できる取捨基準を示すのは困難である。
- フィードバックの限界：実行可能な評価・選択・淘汰の仕組みが欠如しているため、生成された案を客観的に検証し、反復的に保持することができない。
結論：モデル能力の向上 ≠ システム能力の向上。能力はスナップショットであり、環境はプロセスである。大規模モデルを「生成—評価—選択—蓄積」という進化ループに組み込む必要がある。集合知によって候補の多様性を維持し、代理モデルによって高コストな評価を圧縮し、選択と蓄積の仕組みによって有効な経験を保持することで、はじめて知能は動的な環境への適応を維持できる。これこそが EvoX の立脚点であり、今後の「進化対象をパラメータからプログラムへ拡張する」「手法自身が進化する」「プロジェクトレベルで永続化する」といった議論の必要性を根拠づけるものである。
大規模モデル単体の能力スタックとシステムレベル進化ループの対比図左側では大規模モデルを独立した能力スタックとして扱い、その理解・生成・推論・ツール呼び出しは静的なスナップショットを出力するだけである。右側では LLM を一つのモジュールに位置づけて「生成—評価—選択—蓄積」のループに組み込み、集合知で候補の多様性を維持し、代理モデルで評価コストを圧縮し、選択と蓄積の仕組みで有効な経験を保持することで、モデル能力の向上がシステム能力の向上と等しくないことを示している。
大規模モデル単体の能力スタックとシステムレベル進化ループの対比図
左側では大規模モデルを独立した能力スタックとして扱い、その理解・生成・推論・ツール呼び出しは静的なスナップショットを出力するだけである。右側では LLM を一つのモジュールに位置づけて「生成—評価—選択—蓄積」のループに組み込み、集合知で候補の多様性を維持し、代理モデルで評価コストを圧縮し、選択と蓄積の仕組みで有効な経験を保持することで、モデル能力の向上がシステム能力の向上と等しくないことを示している。
