AI研究者が数週間かけて調整していたモデル訓練を、AIが数時間で終わらせました。しかも人間の専門家が設計したものより35%優れた結果で。

3秒サマリー
目標設定 → AutoScientist実行 → データ+レシピ同時最適化 → 反復収束 → カスタムAIモデル完成

どういうことなんですか？

ファインチューニングというのは、GPTのような汎用モデルを「法律文書分析」や「カスタマーサポート」のような特定用途に合わせて再訓練するプロセスです。

問題はこれが非常に複雑だということです。どのデータを使うか、どれを捨てるか、学習率はいくらか、何エポック回すか、損失関数はどう設定するか——組み合わせの数は天文学的です。だからこれまで本格的なファインチューニングはAI研究所レベルの専門家にしかできませんでした。

AdaptionのAutoScientistはこのプロセス全体をAIに任せます。データ選択と訓練レシピを同時に最適化しながら、どの組み合わせが目標に収束するかを自分で見つけます。

35%
人間研究者設計比の性能向上
48%→64%
専門家設定対比の勝率向上
数週間→数時間
モデル訓練サイクルの短縮

CEOのSara Hookerは元CoherのAIリサーチVPで、Google DeepMindで5年間勤めた経験があります。 2026年2月にEmergence Capital、Mozilla Ventures、Fifty Yearsから5千万ドルのシード投資を調達しました。単純なテックスタートアップではなく、AI訓練の核心を最もよく知るチームが作った製品です。

ファインチューニングがなぜ難しかったのか

既存のファインチューニングには3つの主な失敗原因があります。(1) 壊滅的忘却：新しいことを学ぶと既存の能力を忘れる現象。(2) 過学習：訓練データには最適化されても実運用では崩れる。(3) 矛盾するシグナル：相反する学習データが混ざってモデルが混乱する。AutoScientistはこの3つを自動的に検出し回避するよう設計されています。

どれくらい良いんですか？

Adaptionが公開した内部ベンチマークは明確です。自社AIリサーチャーが設計した訓練設定とAutoScientistを比較した際、8つの分野全体で平均35%上回りました。勝率は48%から64%に上昇。

従来のファインチューニング AutoScientist
最適化対象 データまたはレシピ（別々） データ+レシピ同時最適化
所要時間 数週間（手動実験の繰り返し） 数時間（自動収束）
必要な専門性 上級MLエンジニア必須 専門知識なしでも使用可能
データ処理 全データ使用（ノイズ含む） 高シグナルデータ自動選択・有害ノイズ除去

核心的な主張は力強いです：「Big Labの外でもフロンティアレベルのモデル訓練が可能だ」という民主化の宣言です。

まとめ：始め方

  1. 目標の定義
    どんなタスクに特化したモデルが必要かを定義します。具体的であるほど良いです。
  2. データの準備
    5,000件以上のサンプルがあれば始められます。AutoScientistが高シグナルデータを判断するので完璧に整理しなくても大丈夫です。
  3. AutoScientistの実行
    adaptionlabs.aiで30日間無料トライアルにアクセスできます。
  4. 収束の確認
    AIが様々な組み合わせを試しながら目標に収束する過程を自動追跡します。
  5. モデルのデプロイ
    Together AI基盤で100B+パラメータモデルまで対応。
🔗

더 깊이 파고 싶다면

AutoScientist公式ブログ
作動原理と主要な性能指標を直接説明しています。
Adaption aims big with AutoScientist (TechCrunch)
Sara Hookerへのインタビュー。AutoScientistの誕生背景と産業ビジョン。
Sara Hooker Bets $50M That Smarter Training Beats Bigger Models
投資背景とAI訓練専門知識の詳細分析。
AutoScientist Automates Model Fine-Tuning
クローズドループ訓練メカニズムの技術的詳細と内部ベンチマーク分析。