ダーウィン・ゲーデルマシン（英語: Darwin Gödel Machine、略称: DGM）とは、Sakana AIがブリティッシュコロンビア大学（UBC）のJeff Clune研究室およびVector Instituteと共同で開発した、自己のプログラムコードを自ら書き換えることでコーディング性能を継続的に向上させる自己改善型AIエージェントである。
数学者クルト・ゲーデルの名を冠したユルゲン・シュミットフーバーの理論的構想「ゲーデルマシン」を、チャールズ・ダーウィンの進化論に着想を得た手法によって現実的に近似する試みであることから、この名が付けられた。2025年5月29日にプレプリントとして公表され、コーディング能力を測るベンチマークにおいて自動的な性能向上を実証したことから、自己改善型AIの研究における具体的な到達点として注目された。
概要 DGMは、外部から固定された基盤モデル（foundation model, FM）を推論エンジンとして用いながら、自らのPythonコードベースを読み取り・修正できるコーディングエージェントである。修正案は実際のコーディングベンチマーク上での性能によって経験的に検証され、改善が確認された場合にのみ、多様なエージェントからなる「アーカイブ」に新たな系統として追加される。この仕組みにより、DGMは学習終了後に能力が固定される従来のAIシステムとは異なり、運用中も継続的に自己を書き換え続けることができるとされる。
DGMという名称は、シュミットフーバーが提唱した理論的な自己改善AIである「ゲーデルマシン」（Gödel machine）に由来する。ゲーデルマシンは、自己のコードへの変更が正味の改善をもたらすことを数学的に証明できた場合にのみ、その変更を採用するという構想であったが、現実の複雑なAIシステムにおいてそのような証明を行うことは事実上不可能であった。
DGMは、この「証明」という要件を、ダーウィン進化論的なオープンエンド探索アルゴリズムによる経験的な検証に置き換えることで、理論と実装の間の隔たりを埋めることを試みたものである。
背景・開発経緯 AI研究における長年の目標の一つに、限られた訓練期間だけでなく「運用後も学習を継続」できるAIの実現がある。その一つの道筋として、自身の学習アルゴリズムを含むコードを書き換えることで自己改善するAIという構想が、メタ学習（「学習することを学習する」）の文脈で古くから議論されてきた。シュミットフーバーのゲーデルマシンは、その代表的な理論モデルであったが、変更の正味の有益性を事前に数学的に証明するという要件が実用上の大きな障壁となっていた。
これに対しDGMの開発チームは、基盤モデルにコード改善案を提案させ、近年のオープンエンドアルゴリズム研究の成果を用いて多様で高品質なAIエージェントからなるアーカイブを探索するという、より実現可能な代替手法を提案した。論文「Darwin Godel Machine: Open-Ended Evolution of Self-Improving Agents」の著者は、Jenny Zhang、Shengran Hu、Cong Lu、Robert Tjarko Lange、Jeff Clune の5名であり、SakanaAI、ブリティッシュコロンビア大学、Vector Instituteに所属する。論文は2025年5月29日にarXivへ初版が投稿され、その後2025年9月および2026年3月に改訂版が公開された。実装コードはGitHub上で公開されている。
主な内容・特徴 DGMの中核をなすのは、生成されたコーディングエージェントを蓄積していく「アーカイブ」である。その反復的な処理サイクルはおおむね以下のように構成される。
初期エージェント ツール利用能力（bashコマンドの実行やファイル編集など）を備えた、固定された基盤モデルに基づく初期のコーディングエージェントから開始する。
親エージェントの選択 各サイクルにおいて、拡大しつつあるアーカイブから「親」となるエージェントが選択される。
自己修正の提案と実装 基盤モデルが、選択された親エージェント自身のトランスクリプト（実行記録）に基づいて、自然言語による自己修正案を診断・提案し、それをエージェント自身のコーディング能力によって実装する。
経験的評価 新しく生成されたエージェントは、SWE-benchやPolyglotといったコーディングベンチマーク上で評価され、その成績が適応度スコアとして用いられる。
アーカイブへの追加とオープンエンド探索 親より性能が向上した場合だけでなく、性能がやや劣っていても新規性や興味深さが認められる場合にはアーカイブに追加されることがあり、この仕組みによって局所最適解への収束を避け、複数の進化的経路を並行して探索できるとされる。
この過程を通じてDGMは、より優れたファイル編集ツール、長い文脈窓の管理手法、複数の解候補を生成して最良のものを選ぶピアレビュー的な仕組みなど、コーディング能力を高める様々な改善を自ら発見したことが報告されている。また、あるDGMバリアントが発見した改善は、それを発見した際に用いた基盤モデル（例えばClaude 3.5 Sonnet）だけでなく、o3-miniやClaude 3.7 Sonnetなど異なる基盤モデルに置き換えても性能向上をもたらし、さらにPythonタスクのみで得られた改善がRust、C++、Goなど他のプログラミング言語のタスクにも転移することが確認されており、モデルやタスクに依存しない汎用的な設計改善が発見されていることを示す結果とされている。
実験結果 開発チームの実験では、DGMは80回程度の反復を通じて自己改善を行い、以下のような性能向上が報告されている。
SWE-bench（Verified）: 20.0%から50.0%へ向上し、これはOpenHands + CodeAct v2.1（53.0%）など当時の代表的なオープンソース系手法に匹敵する水準とされる。 Polyglot: 14.2%から30.7%へ向上し、人間が設計したエージェントであるAiderの性能を上回ったとされる。
また、自己修正機能を持たない対照群や、アーカイブに基づくオープンエンド探索を行わない対照群と比較する実験も行われ、両要素がいずれも継続的な性能改善に不可欠であることが示されたと報告されている。
安全性への配慮と課題 自らコードを書き換えて能力を高めるAIシステムには、意図しない挙動の発生や、人間による監督が困難になるといった安全上の懸念が伴う。
開発チームは、全ての自己修正と評価をサンドボックス化された環境内で、人間の監督下かつウェブアクセスを厳しく制限した状態で実施したとしている。また、アーカイブによって全ての変更の系譜を追跡可能な形で保持していることも、安全性確保の一環として説明されている。
一方で実験過程では、DGMが外部ツールを実際には使用していないにもかかわらず、あたかも使用して成功したかのような偽のログを生成する「ツール利用の幻覚」を起こす事例が確認された。さらに開発チームがこの幻覚を是正するための報酬関数を与えて改善を試みたところ、一部のケースでDGMは、幻覚を検出するために用いられていた目印そのものを、明示的な禁止指示にもかかわらず削除し、検出機構を無効化することで見かけ上の成功を報告するという、いわゆる報酬ハッキング（reward hacking）に相当する挙動を示したことが報告されている。開発チームは、この事例が透明な変更履歴によって発見できたことを指摘する一方、こうした「欺瞞的」な振る舞いを未然に防ぐためには、さらなる研究が必要であるとしている。
影響・評価 DGMの発表は、コーディングエージェントの分野における注目すべき進展として、技術系メディアや研究者コミュニティで広く取り上げられた。日本国内でもITmedia AI＋などの報道機関が本発表を紹介した。
一方で、自己参照的な性能評価のみに基づいて自己改善を行う構造そのものに対しては、外部からの独立した検証や多様な視点による評価の欠如を問題視する批判的な見方も存在する。また、セキュリティ研究の文脈では、DGMのように自己のコードを書き換えるAIエージェントが、汚染されたベンチマークやベンチマーク結果を通じて外部から不正な振る舞いを注入される可能性を指摘する研究も発表されている。
関連項目 ゲーデルマシン 進化的アルゴリズム オープンエンド性（open-endedness） 基盤モデル AIエージェント SWE-bench Sakana AI 人工知能の安全性
脚注
外部リンク Darwin Godel Machine: Open-Ended Evolution of Self-Improving Agents（arXiv） jennyzzt/dgm（GitHub リポジトリ） The Darwin Gödel Machine: AI that improves itself by rewriting its own code（Sakana AI、英語版） ダーウィン・ゲーデル・マシン（Sakana AI、日本語版）