自己改善型テスト時知能のサーベイ：推論時におけるフィードバック駆動の適応・学習・スケーリング
本サーベイは、フィードバック駆動のテスト時知能（TTI）という統一的な視点を提示し、モデルがデプロイ中や推論時に自己改善する研究を整理する。テスト時適応・テスト時学習・テスト時スケーリングの関係を明確化し、視覚、言語、マルチモーダル学習、生成モデル、ロボティクス、医療などの応用と課題を俯瞰する。
従来、AIモデルは学習後に固定された重みのままで推論されることが一般的でした。しかし、実際のデプロイ環境ではデータ分布が変化したり、未知のタスクへ対応したりする必要があるため、推論時に利用できる情報と追加の計算を使ってモデル自身が振る舞いを改善できる重要性が高まっています。この方向性の研究は、テスト時のシグナルを利用してモデルの内部状態を改変するアプローチと、追加のサンプリングやツール利用といった推論時リソースを増やして予測を改善するアプローチに大別できます。ただし、それぞれが異なるコミュニティと異なる用語で研究されてきたため、共通性が見えにくくなっています。
この問題意識から、本サーベイは「フィードバック駆動のテスト時知能（Test-Time Intelligence, TTI）」という統一的視点を提案します。TTIは、テスト時適応（test-time adaptation）、テスト時学習（test-time learning）、テスト時スケーリング（test-time scaling）を同じ枠組みで関係づけ、それぞれの違いと、ハイブリッドシステムにおける融合の進展を明確にします。バラバラに存在していたアイデアをつなぎ、推論時自己改善の概念的な基盤を提供するのが論文の狙いです。
この論文は、Shuaicheng Niu氏を含む17人の著者によるもので、2026年9月1日にarXiv（arXiv:2609.01679）へ投稿され、Machine Intelligence Researchに採録されています。著者らはTTIの主要な方法論パラダイムを整理し、視覚、言語、マルチモーダル学習、生成モデル、ロボティクス、医療など幅広い分野の代表的な応用と未解決課題も概観しています。これにより、特定のタスクを超えた一般原則と研究ロードマップの構築を目指しています。
重要なのは、モデルの状態をテスト時に更新する手法と、より多くの推論計算を投じる手法が、単なる代替関係ではなく、ハイブリッドシステムの中で急速に接近しつつある点です。テスト時のフィードバックに基づいてモデルを適応させたうえで、多様なサンプリングや外部ツールを組み合わせれば、モデル自身の学習と推論時の計算投入を同時に活用できます。このため、ドメインシフトへの対処や、より複雑な推論を伴う生成タスクなどへの応用が期待されます。
本サーベイは、これまでの自己改善研究を整理するだけでなく、テスト時知能に関する今後の研究の概念的な地図を提供しようとするものです。異なる背景を持つアプローチを共通の枠組みで比較できるようになることで、より相互参照しやすく、再現性の高い研究の蓄積が促されると期待されます。AIの実運用やエージェント設計にかかわる研究者・エンジニアにとって有用な展望を示しています。