定量取引企業(quantitative trading firm)であるJump Tradingは、GPT-6 Astraを使い、より長く、より曖昧なリサーチ課題に取り組んでいます。

市場は複雑でノイズが多く時間とともに変化するため、何が起こるかを正確に予測することはまれにしかできません。JumpのHead of LLM R&DであるLucas Bakerによれば、大規模にコインフリップよりわずかに良く予測できるだけでも、成功する戦略につながるのに十分です。Bakerはエージェント型の研究開発(agentic research and development)を率いており、定量リサーチャーが自分のアイデアをより広く深く探究できるようにするエージェント、ハーネス(harnesses)、インフラの構築に注力しています。

GPT-6 Astraの追加により、日常的なコーディングから、新しい仮説を検証する高度な定量研究まで、エージェントに任せられるワークフローの規模と複雑さが大幅に拡大しました。

AIの変化とGPT-6 Astraが開いた自律性

過去1年でAIは、1回限りのコードスニペットを書いたり小さなバグを見つけたりする便利なツールから、コードベース全体やサービスを自力で開発できる、有能で汎用性の高いシステムへと変わりました。

Bakerは、GPT-6シリーズ、とりわけGPT-6 Astraによって、OpenAIは、柔軟なエージェント連携と複雑なワークフローでの極めて高い粘り強さを要する長期(long-horizon)タスクについて、新しいティア(tier)の自律性を切り開いたと述べています。以前は頻繁な人間の指導や介入が必要でしたが、今は安全で十分に監視された環境と明確な目標の定義に専念し、エージェントに自分で道を見つけさせられます。

Bakerとそのチームは、AIは同僚のように扱うときに最もうまく機能すると考えています。リサーチャーは重要な問題、作業環境、結果の質と重要性を評価する方法を定義し、分析をどこに集中させるか、次にどのジョブを実行するかについて、1つまたは複数のエージェントをリアルタイムで舵取りできます。

Bakerによれば、GPT-6 Astraではエージェントが意味があり実用的な変更を見つけられるだけでなく、見つけた変更の成果を統合して積み重ねる再帰的改善(recursive improvement)のプロセスも行えるようになっています。また、1つの長時間タスクの間にシステムが自らの発見を分析し、最初の提案で合意された基準に照らして判断し、変更の各ラウンドを人が分析することなく、自ら取り組みの方向を能動的に修正できます。さらに、数日間実行する必要があり、多くのデータソースから情報を引き出し、何が重要で何が重要でないかについて微妙な判断を下し、あらゆる要素を相互に関連づけるタスクを定義すれば、今は実際に機能する包括的な分析が作れると述べています。

規制の厳しい業界でのリスクと管理体制

Jump Tradingはあらゆる時間軸とアセットクラスで業務を行っています。金融のように規制の厳しい業界では、ミスが金銭面とコンプライアンス面の両方の結果を招きえます。プロセスの各ステップは複雑です。

Jump Tradingでエージェント型の研究開発を率いるLucas Bakerは、AIに作業を任せることで生じるリスクを認識することが重要であると述べています。一方でBakerは、エージェント型の知能は機能追加だけでなく、品質、セキュリティ、監視の改善にも適用できるとも述べています。

Jump Tradingのチームが、AIを活用したワークフローを規制環境で拡大できる状態にするうえでは、強固なシステム設計と境界、明確な制約、舵取り可能性(steerability)と観測可能性(observability)を促すインフラ、および変更に対する人間によるレビューが助けになっています。エージェントがトレーディングシグナルを生成した場合も、他の出力と同様に範囲を限定してレビューされます。トレーディングシグナルは通常は有益ですが誤りの可能性もあるものとして扱われ、厳格にレビュー・管理された実行環境で、他のすべてのシグナルと統合されます。

autoresearchの普及と人間の役割

Bakerは、研究者として働くエージェントによる、測定可能なシステムの再帰的改善である「autoresearch」が、定量リサーチャーの通常のワークフローの一部とみなされるほど普及する世界に向かっていると考えています。

現在、GPT-6 Astraの最も長時間にわたる作業でも、タスクを定義する人との定期的な確認が必要です。確認する内容は、どのデータを取得するか、どれだけ実行するか、何が重要かに加え、中間結果が妥当かどうかです。

Bakerが描く将来の高度なautoresearchでも、入力、環境定義、評価指標、トレードオフ、全体の優先事項を含むシステムは人間が定義するところから始まります。

しかし、残りのプロセスは、他のエージェントが調整する、緩やかに構造化されたエージェント群に任されることになります。

うまく構造化されたリサーチパイプラインの中で、高度なautoresearchのエージェントは、アイデアをどう探索するか、計算時間をどう配分するか、有望な発見をどう統合するかについて知的な判断ができるようになります。

これらのプロセスは、オープンな問い程度を出発点として始まります。

モデルの進展と今後の見通し

毎年、ベンチマーク測定値が着実に向上しているだけでなく、モデルが実行できる仕事の種類にも飛躍的な変化(step change)が起きています。こうした進展は数か月前でも予測しにくいことが多くあります。2024年には初期のエージェントがミスなく1つのファイルを書けること自体が印象的とされましたが、2025年にはコードベース全体をゼロから作成できるようになり、2026年には多数のエージェントが動的に並んで協働して、未解決の研究課題に進展を出せるようになりました。Bakerは来年に何が来るのかについて、「非常に驚くべき見通しだ」と述べています。