As AI systems tackle increasingly open-ended research problems, human experts may struggle to assess results and guide further progress. The model itself may be the best available optimizer and evaluator. The challenge is obtaining useful self-supervision within that homogeneous loop, where a model risks reinforcing its own blind spots rather than correcting them.

We ask whether a model can learn from the collective intelligence of its own team.

Introducing our new paper, Recursive Self-Improvement through Multi-Agent Self-Supervision:

• Detailed Blog: https://pub.sakana.ai/mass/
• Paper: https://arxiv.org/abs/2610.12176
• Code: https://github.com/SakanaAI/mass

We introduce Multi-Agent Self-Supervision (MASS). One shared model solves tasks through a team of virtual subagents, searches for better multi-agent workflows, then uses its own judgments to select the best ones. Training on the best team’s executions distills the team’s collective experience back into the shared model.

We ran two cycles using a 27B open-weights model on synthetic open-ended research tasks. After the second cycle, score per output token reached 1.2-1.6x the base model’s level across four research benchmarks.

Three key results:

1. MASS enables role generalization within an RSI loop: training only on task-solving data from the optimizee naturally improves the capabilities of both the optimizer and the evaluator.
2. multi-agent trajectories are more efficient training data than single-agent trajectories for RSI.
3. optimizer capacity, rather than evaluator capacity, can be the bottleneck in the speed of improvement.

We believe the community needs to investigate homogeneous RSI carefully to support AI safety. When a model is also its own evaluator, shared blind spots could allow mistakes to be accepted as progress and reinforced through training. For AI to improve beyond human expertise safely, we need to understand these failures and preserve effective ways to detect them and intervene.

This work was done by Hyunin Lee, Jinglue Xu, Jeffrey Seely, Yujin Tang, and our collaborators from UC Berkeley (Somayeh Sojoudi, Matei Zaharia, Donghyun Lee).

Sakana AIの開発する日本仕様のLLM「Sakana Namazu」が、医師向けエビデンス検索ツール「Evidence Finder」に採用されました。Evidence Finderは、医療AIを手がけるアイリス株式会社が提供するサービスです。

医師がエビデンスへ速やかに到達できる導線を提供する

医療の現場では、日々更新される論文や診療ガイドラインから必要な知見を探し、読み、比較する作業が欠かせません。一方で、診療を本業とする医師が文献調査に充てられる時間は限られています。

Evidence Finderは、医師の質問に対してPubMedなどのデータベースから文献を検索し、引用元を明示しながら回答を生成するサービスです。AIが引用した文献の実在性を自動検証するVerify機能を備え、医師が一次文献へ速やかにたどり着けるよう設計されています。

アイリスの医療知見 × Sakana Namazuの日本語能力

今回の取り組みでは、アイリスが培ってきた検索・検証のアルゴリズムに、Sakana NamazuのLLM技術を組み合わせています。

医師の質問に対してアイリス独自のアルゴリズムが関連文献を選び、それらの文献を比較・統合するとともに回答を生成する部分をNamazuが担います。これにより、「医師が信頼できる一次文献へ速やかに到達する」というワークフローに、Sakana Namazuが自然な形で組み込まれました。

今回の導入は、Sakana Namazuの日本語での回答能力、そして後述する医療領域での性能を評価いただいた結果となります。

「Evidence Finder」の回答画面

医師国家試験で96.4%の正解率

医学的な問いに正しく答えるには、専門知識や推論能力に加えて、日本語の質問の意図を正確に理解し、医師が確認しやすい形で整理する力が求められます。

Sakana Namazuを用いたEvidence Finderの評価用モデルは、2026年2月の第120回医師国家試験の成績で正解率96.4%を記録しました。アイリス社によれば、これは経済産業省GENIACが指定する国産基盤モデルの（公開されている中では）最高得点にあたります（※）。

国家試験の成績はあくまで知識や推論能力の一面を示すものであり、臨床現場での有用性をそのまま示すものではありません。しかし、こうした結果に加え、実際の回答による定性評価で実務での有用性を認めていただいたことから、Evidence FinderにNamazuを採用していただくことができました。

※ 2026年9月1日時点、アイリス株式会社調べ。経済産業省GENIACが指定する国産基盤モデルについて、各社公表資料等で確認可能な第118回以降の医師国家試験の評価結果を比較。

Sakana Namazu：能力を保ったまま日本へ適応

高性能なオープンモデルを日本語向けに追加学習すると、既存の知識や推論能力が失われる「破滅的忘却（catastrophic forgetting）」や、特定タスクへの過度な最適化がしばしば問題になります。Namazuはそうした課題を独自の事後学習技術で解決し、ベースモデルの推論・知識・コーディング能力を主要ベンチマーク上で維持しながら、日本語や日本の文化・業務文脈への適応と、中立的な応答能力を強化したモデルです。

現行のSakana Namazuは、ベースモデルが持つ数学的推論、一般知識・推論、コーディングの性能を維持しています。そのうえで、日本語の指示追従、翻訳、日本固有の文脈に関する評価ではベースモデルを上回りました。

私たちが目指すのは、単に日本語が上手なモデルではなく、世界の優れたオープンモデルの能力を日本で使える形にすることです。あわせて、国内で推論が完結する基盤の整備も進めており、データの取り扱いや運用を含めて、日本の企業や組織が選びやすいAI基盤を整えていきます。

おわりに：Sakana Namazuを専門業務へ

日本語や日本の文脈に沿った処理が求められる領域は、医療にとどまりません。人事、マーケティング、カスタマーサポート、社内調査など、日本の制度や商習慣を踏まえた業務は多岐にわたります。Namazuが特に力を発揮するのは、日本語の指示や資料を正確に理解し、情報の検索から整理・説明までを一貫して行う業務です。

こうした業務は繰り返し発生するため、品質とコストの両立も重要です。サービスの体験を損なわずにAIを組み込みたい事業者の皆様にとって、最良の選択肢でありたいと考えています。

活用先を広げるうえで鍵となるのは、各領域の専門家やサービス提供者の皆様との協働です。実際の利用から得た知見が共有され、それが次のユースケースを生む。私たちはそうした循環が生まれるコミュニティを支援し、Namazuの適用領域を広げていきます。

各業界でのAI導入を検討されている方は、お気軽にこちらよりご相談ください。

Sakana AI

Sakana AIは、AIの未来を私たちと一緒に切り拓いてくださる方を募集しています。当社の募集要項をご覧ください。

Sakana AIは、自然界から着想を得た独自の技術で、研究から産業実装、プロダクト開発までを一貫して手がけています。その最新情報をいち早くお届けするニュースレター「Sakana AI Insider」を配信しています。

Sakana AI Insiderで読めること

ニュースレターでは、Sakana AIが手がける基盤モデルやエージェント開発、RSI LabやFrontier Intelligence Groupによる最新研究から、金融・防衛などでの産業実装、「Sakana Marlin」、「Sakana Fugu」といったプロダクトまで、Sakana AIの最新情報を月2回ほどのペースでお伝えします。

以下のような独自コンテンツを用意しています。

• 新プロダクトのリリースやアップデート情報の先行案内
• 研究成果に関する解説コンテンツの配信
• 対面イベントやウェビナーへの優先案内
• 開発やプロダクトの裏話など、Sakana AIチームによるInsiderのみのコンテンツ

登録方法

ご登録は、以下のフォームから承ります。購読は無料で、いつでも配信停止できます。

👉Sakana AI Insiderを購読する： https://forms.gle/z98Lydq95v5Vi8RP8

ぜひご登録ください。

Introducing “Scaling In-Context Imitation Learning” (SAIL) to be presented at IROS2026. This work is a collaboration between Sakana AI and the University of Tokyo.

• Blog: https://pub.sakana.ai/sail
• Paper: https://arxiv.org/abs/2603.08269

What does a robot need before it can tackle a new task?

Teaching a robot something new usually starts with collecting demonstrations and training a policy. But foundation models have already learned from vast amounts of images, text, and robotics-related data. We wanted to see how much of that knowledge we could draw out for robot control without changing the model itself.

Recent demonstrations suggest that GPT-6 Astra can operate physical robots alongside its general language and vision capabilities. Earlier work has also shown that LLMs/VLMs can generate entire sequences of robot movements from a few demonstrations.

However, a foundation model does not necessarily produce a reliable robot trajectory in a single generation. Performance depends on the context provided, and a small error in a movement target can cause the entire task to fail.

We propose SAIL, a method for more reliable VLM-based robot trajectory generation through test-time scaling.

SAIL uses a policy VLM as a robot trajectory generator, conditioned on a few successful demonstrations. It tests the generated trajectory in a simulator and uses an evaluation VLM to review the resulting video and identify where progress stalled. The policy VLM then uses this feedback to revise the trajectory, with Monte Carlo tree search (MCTS) exploring alternatives while refining promising candidates. Only the selected trajectory is sent to the physical robot.

Across six manipulation tasks in simulation, increasing the search budget from one candidate to 45 raised the average rate of finding a successful trajectory from 25% to 73%. We also evaluated SAIL on a physical robot. Our results suggest that robot trajectory generation can benefit from test-time scaling, with additional computation enabling the model to test and refine its proposed actions in simulation.

We think there is more to learn about what existing models can do with this kind of feedback, and how far those improvements carry over to physical robots.

Sakana AI株式会社は、「日本スタートアップ大賞2026」において、総務大臣賞（情報通信分野）を受賞しました。

日本スタートアップ大賞は、次世代のロールモデルとなるような、インパクトのある新事業を創出したスタートアップを表彰する制度です。首相官邸で行われた表彰式では、高市早苗内閣総理大臣や関係閣僚に対し、当社の技術と取り組みについてご説明する機会をいただきました。

受賞理由

今回の受賞では、以下の点が評価されました。

• 自然界の進化や集合知に着想を得た、効率的なAI開発手法を確立したこと
• 限られた計算資源のもとでも高性能な推論を実現するアーキテクチャを開発したこと
• 安全保障や労働力不足といった、日本が直面する課題の解決に取り組んでいること

首相官邸での対話

表彰式では、当社の最先端AI技術が持つ優位性についてご説明しました。

世界的なAIの大規模モデル開発競争が加熱し、計算資源の不足が課題となる中、当社は複数の小型・高効率モデルを掛け合わせるアプローチをとっています。巨大なインフラに依存せずに高い性能を引き出すこの手法が、日本にとって実効的な解決策になり得ることをお伝えしました。

また、当社が防衛・安全保障分野においてもAI技術の研究開発と実装を進めていることをご紹介しました。具体的には、指揮統制（C2）システムに最先端のAIを活用している事例を総理にご紹介しました。国内で開発したAI技術を重要領域で活用する取り組みを通じ、日本のAI主権の確立に向けた基盤づくりを担っています。

今後に向けて

独自のアプローチによるAI技術と、日本発のフロンティアAI企業としての挑戦が評価されたことに感謝いたします。私たちは今後もAIの限界を押し広げ、研究開発と社会実装を加速させていきます。

Sakana AI

日本でのAIの未来を、Sakana AIと一緒に切り拓いてくださる方を募集しています。当社の募集要項をご覧ください。

（＊日本語は英文の後に）

The next era of artificial intelligence will move beyond digital interfaces and directly into the physical world. To lead this paradigm shift, Sakana AI is incredibly proud to announce that Jürgen Schmidhuber, universally recognized as the father of modern AI, is officially joining Sakana AI as Chief Scientific Advisor, alongside his current positions, and will be involved in our Recursive Self-Improvement (RSI) Lab.

“Japan is a birthplace of foundational neural network architectures and advanced robotics. It is a privilege to join Sakana AI to help bridge these two worlds. The future of intelligence is not just language; it is physical AI powered by World Models. Sakana AI is uniquely positioned to reclaim Japan’s legacy of innovation by building autonomous systems that can truly understand, simulate, and interact with the physical universe.”

— Jürgen Schmidhuber

A core strength of Sakana AI is our ability to reverse the global AI brain drain and attract top-tier international talent to Tokyo. We are actively transforming Japan into a premier magnet for world-class technical talent. Having Jürgen join Sakana AI is a testament to this commitment. His foundational contributions to the field are legendary, specifically his pioneering work on World Models, Meta-Learning, and the Gödel Machine, as well as the 1991 deep learning techniques that underpin much of today’s AI boom. Now, he brings that visionary expertise to our team in Japan.

His arrival also highlights a shared respect for Japan’s true history of technical innovation. Japan did not merely participate in the AI revolution. It sparked it. Jürgen has long championed the groundbreaking work of Japanese researchers, including Kunihiko Fukushima, the original architect of Convolutional Neural Networks through his 1979 Neocognitron, and Shun-Ichi Amari, the true pioneer of Hopfield Networks, a form of self-organized recurrent neural networks, and many other theoretical foundations. By recognizing this legacy, Sakana AI and Jürgen are helping to ensure that Japan remains at the absolute forefront of scientific discovery. To help foster this next generation of local innovation, Jürgen will travel to Tokyo regularly to engage with our team and support the broader Japanese AI ecosystem.

Japan’s historic economic dominance was built on continuous innovation in manufacturing and robotics. To reclaim this global frontier, we cannot rely on conventional, static language models. The future belongs to Physical AI. Building upon Jürgen’s seminal foundational research, we are developing Agent-Native World Models that can safely simulate and dream the physical consequences of actions before they happen.

This technology is the key to revitalizing Japan’s Monozukuri legacy. By perfectly internalizing the laws of physics and logistics, these models will serve as the cognitive engines for the next generation of industrial manufacturing, allowing Japanese industry to optimize supply chains and robotic deployments without costly real-world trial and error.

To achieve this, Jürgen will help guide our newly formed RSI Lab. The ultimate objective of this lab is to trigger a compounding cycle of scientific discovery aimed at improving machine intelligence. Jürgen’s foundational vision, dating all the way back to his pioneering 1987 thesis on recursive self-improvement and meta-learning (see recent tweet), has already directly shaped several of our recent breakthroughs, from the Darwin Gödel Machine to The AI Scientist. Now, as we expand these foundational ideas to develop our first World Models, we are laying the groundwork for systems that actively research, discover, rewrite their own code, and interact with the physical world.

We are assembling a critical mass of world-class experts in Tokyo to make this a reality. If you want to work alongside the original pioneers of World Models and build autonomous systems that push the absolute limits of physical AI, we invite you to join Sakana AI and help us build the future of intelligence.

Japanese

人工知能のパイオニア、ユルゲン・シュミットフーバー氏がSakana AIに参画

Read in English

人工知能の次の時代は、デジタルなインターフェースの枠を超え、物理世界そのものへと広がっていきます。このパラダイムシフトを牽引すべく、Sakana AIは本日、現代AIの父として世界的に知られるユルゲン・シュミットフーバー（Jürgen Schmidhuber）博士が、現職と兼任する形でチーフ・サイエンティフィック・アドバイザー（Chief Scientific Advisor）としてSakana AIに正式に参画し、私たちのRSI Labにも携わることを発表します。

「日本は、ニューラルネットワークの基盤となるアーキテクチャと、高度なロボティクスを生み出してきた国です。この二つの世界の橋渡しを担うべく、Sakana AIに参画できることを光栄に思います。知能の未来は言語だけではなく、世界モデル（World Models）を原動力とするフィジカルAIにあります。物理世界を真に理解し、シミュレートし、相互作用できる自律システムを構築することで、日本のイノベーションの伝統を取り戻す。この挑戦において、Sakana AIは他にないユニークな立ち位置にあります。」

―ユルゲン・シュミットフーバー

Sakana AIは創業以来、AI人材の海外流出という流れを反転させ、世界トップクラスの研究者を東京に迎え入れることを強みとしてきました。私たちは、日本を世界最高水準の技術人材が集まる拠点にしていく取り組みを進めており、シュミットフーバー氏の参画は、そのコミットメントを象徴するものです。この分野への彼の貢献は伝説的とも言えるもので、世界モデル、メタ学習、ゲーデルマシンをはじめとする先駆的な研究から、今日のAIブームの多くを支える1991年のディープラーニング技術まで、まさにこの分野の礎を築いたものです。その視野と専門性が、これから東京の私たちのチームに加わります。

シュミットフーバー氏の参画は、日本の技術革新の歴史に対する敬意を、彼が私たちと共有していることの表れでもあります。日本はAI革命に単に「参加」したのではなく、その火付け役を担ったのです。シュミットフーバー氏は長年にわたり、日本人研究者の画期的な業績を称えてきました。例えば、1979年の「ネオコグニトロン」によって畳み込みニューラルネットワーク（CNN）の原型を築いた福島邦彦博士、そして自己組織的なリカレントニューラルネットワークの一種であるホップフィールド・ネットワークに先行する研究を行い、数多くの理論的基盤を築いた甘利俊一博士の研究です。こうした日本のAI研究の伝統を正しく受け継ぐことで、Sakana AIは彼と共に、日本が科学的発見の最前線であり続けることに貢献していきます。次世代のイノベーションを日本で育むため、シュミットフーバー氏は定期的に東京を訪れ、私たちのチームと協働するとともに、日本のAIエコシステム全体を支えていきます。

かつての日本経済の強さの一因は、製造業とロボティクスにおける絶え間ないイノベーションにありました。この分野のフロンティアを再び切り拓くには、従来型の静的な言語モデルに頼るだけでは足りず、フィジカルAIに進まねばなりません。私たちはシュミットフーバー氏の基礎研究をもとに、エージェントネイティブな世界モデル（Agent-Native World Models）の開発を進めています。これは、ある行動が物理世界にどのような結果をもたらすかを、実際に行動する前に、いわば「夢」のなかで安全にシミュレートできるモデルです。

この技術は、日本のものづくりの伝統を再興する鍵となるものです。物理法則やロジスティクスを深く内在化した世界モデルは、次世代の産業製造を支える「頭脳」の役割を果たします。これにより日本の産業界は、コストのかかる実世界での試行錯誤を繰り返すことなく、サプライチェーンの最適化やロボットの導入を進められるようになるはずです。

その実現に向けて、シュミットフーバー氏は新設のRSI Labの舵取りを支援します。このラボの最終的な目標は、機械知能の向上に向けて、科学的発見が新たな発見を呼ぶ再帰的なサイクルを引き起こすことです。再帰的自己改善とメタ学習を扱った1987年の先駆的な学位論文にまでさかのぼる彼のビジョン（最近の投稿も参照）は、Darwin Gödel MachineからThe AI Scientistまで、私たちの最近のブレークスルーに直接的な影響を与えています。そして今、私たちはこれらのアイデアをさらに発展させ、Sakana AI初の世界モデルの開発に取り組んでいます。これは、自ら研究と発見を行い、自らのコードを書き換え、物理世界とも相互作用するAIシステムの実現に向けた土台となります。

私たちはこの構想の実現のため、世界トップクラスの専門家を東京に結集させています。世界モデルを切り拓いた先駆者たちとともに、フィジカルAIの可能性を押し広げるような自律システムを構築したい方は、ぜひSakana AIにご参画ください。

（＊日本語は英文の後に）

The Current and Future State of Artificial Intelligence

Current AI systems are extraordinary. They can write and converse expertly on almost any topic, compose music, generate video, program entire applications, and have even started providing insights into long-standing mathematical problems. Given this trajectory, it’s reasonable to ask if the current paradigm (scaling the Transformer architecture with even more data and even more compute) is “all you need”¹ to take us all the way to AGI. This is exactly what Llion Jones, our CTO and one of the inventors of the Transformer, questioned in the recent Transformer vs Post-Transformer debate. Spoiler: we think there’s more to do.

The most popular components of modern AI systems, such as the most popular architecture, optimiser, training objectives, and so on, work so well that we can maintain progress by continuing to tweak them. However, current systems still have fundamental problems that we haven’t been able to address yet: they confidently hallucinate false information, falter badly in the face of genuinely novel situations, and require significant amounts of energy to run. Many researchers are incentivized to try and fix these problems within the current paradigm, but maybe we should be looking for other paradigms.

Nature shows us that alternatives exist. In contrast to current AI, biological intelligence learns continuously, requires far less data to generalise robustly, and can even explore through self-directed, open-ended curiosity. And even though our current AI systems are built upon “artificial neurons”, the way that artificial neural networks are structured and updated is a long way from our current understanding of the brain. While we don’t expect that we need to replicate a real brain in silico, it may be that these gaps are telling us something important about general intelligence.

Given all these differences between current AI and biological intelligence, we think it would be surprising if there were no more major breakthroughs left. What’s less obvious is how to go looking for one. As current systems improve, a natural option is to rely on recursive self-improvement, allowing AI to bootstrap itself. But it may also come from somewhere else — and fostering a research environment where this can emerge is important. As Llion argued in his 2025 TED Talk, the strength of the current paradigm has stifled the kind of research freedom that allowed for its very inception. We need to deliberately create and protect the right environment for this kind of long-term speculative research, and that is what we are trying to do at Sakana AI. Here in Japan, where many fundamental advances in artificial neural networks were developed, and where other researchers are still investigating alternative pathways to intelligence, we’re explicitly setting out to find the next big thing.

The Frontier Intelligence Group

Today we are announcing the existence of FIG, a collective that has been growing inside the company. We hold regular meetings where we discuss ideas that challenge the mainstream, invite external researchers from different backgrounds to propose alternative views on intelligence, and promote an environment where people are given the time and freedom to work on long-term, speculative ideas.

FIG starts from the position that intelligence is not yet “solved”, and we should actively explore alternative paradigms. And even if the current paradigm can achieve AGI through scale, we would still want systems that can learn with the data and/or energy efficiency of the human brain. This means looking honestly at the shortcomings of today’s technology, and treating those as research directions that should be tackled head-on, rather than as details that perhaps could be engineered away later.

The FIG Philosophy

To reach the next big thing, we have to take a leap of faith. And given the strength of the current paradigm, where we end up after one jump may end up looking worse. Artificial neural networks have existed since the 1970s, but it wasn’t until the mid 2010s that their performance started surpassing alternatives across a wide range of domains. What this required was researchers with the conviction to pursue the path they believed in, against the prevailing opinion.

At FIG, we recognise that the path to the next breakthrough may not be straightforward, but hold several core principles that guide us on our way.

Research freedom: the freedom to explore different ideas, and most importantly, the freedom to fail. To enable great research, researchers should be given the time and freedom to explore ideas openly, without the pressure of pushing up benchmark numbers. FIG is a space to pursue ambitious directions, even if we are not sure how they will work out.

Uniqueness: “You should only work on research that wouldn’t happen if you weren’t doing it”². We encourage researchers to work on what they personally believe is interesting and important, even if it goes against current trends. In a trend-driven industry, researchers are often worried about another group publishing the same ideas they are working on before they can. Uniqueness protects against that.

“Greatness Cannot Be Planned”: a core philosophy at Sakana AI.³ Many of the greatest discoveries in science and technology were not planned. For example, liquid crystals were discovered by a botanist studying cholesterol derivatives in carrots! Thus, to find breakthroughs one should foster an environment that encourages exploration of ideas rather than enforcing a rigid plan.

Nature-inspired: as our name and logo suggest, Sakana AI often looks to nature for insights. Whilst we’re best known for research in collective intelligence — primarily using evolutionary algorithms — we also have researchers with backgrounds in disciplines such as computational neuroscience and cognitive psychology that can study intelligence from other angles. This doesn’t mean that everything we do is nature-inspired, though - being overly prescriptive goes against our core principles!

Understanding intelligence: we are the Frontier Intelligence Group because we also aim to study and understand intelligence directly. Improving performance on benchmarks doesn’t necessarily inform us about how intelligence works - and as researchers, we believe that this knowledge has its own intrinsic value.

While these values apply within Sakana AI as a whole, in FIG we try to turn up these values up to 11.

Research

We want to showcase some of the fruits of the freedom and creativity that FIG enables. Here we highlight some research that has come from some of the members of the FIG collective, where our inspiration from nature is clear:

• Continuous Thought Machines: Current artificial neurons abstract away much of the richness of biological neurons. The CTM re-introduces some of this structure, in the form of separate synapses and “neuron-level models” that perform iterative computation over their inputs. It also represents information via synchronization between sets of neurons, resulting in more diverse and dynamic representations of data than standard recurrent neural networks.
• Augmented Lagrangian Predictive Coding: The method by which current artificial neural networks are trained, backpropagation, is biologically impossible. If we could work out how credit is assigned in the brain via purely local updates, we could potentially unlock a new level of scaling AI through distributed processors. Neuroscientists have long proposed a method known as predictive coding, but so far it has struggled at optimising very deep neural networks. Building on top of our prior work in distributed optimization for multi-agent coordination, we’ve come up with a novel variant of predictive coding that can successfully optimize neural networks with up to 1,000 layers. This research could enable not just novel AI models, but also feed back into our understanding of how the brain works.
• Sparser, Faster, Lighter Transformer Models: Sparsity is a common motif in the brain, enabling more energy-efficient computation by only activating the specific neurons needed for a thought. However, current hardware is natively designed for dense, not sparse, computation. In collaboration with NVIDIA, we developed a new sparse format and CUDA kernels that unlock the performance of sparse neural networks on GPUs, with speed, memory and energy improvements demonstrated on billion-parameter scale LLMs.
• The AI Picbreeder Experiment: Biological evolution is an open-ended process that has produced an incredible amount of diverse lifeforms on this planet. Could AI systems also perform such open-ended search? By recreating the famous Picbreeder website and comparing the discoveries of frontier VLMs to that of humans, we could find how creative they are. Whilst we were able to find interventions that increased the quality and diversity of their outputs, we found that current AI systems struggle to take inventive detours.
• Smart Cellular Bricks: Groups of cells possess remarkable self-organizational abilities. Through local communication they can assess whether they have correctly formed a target object, such as an organ, and even remodel the body following injury. Inspired by this, we developed physically-embodied smart “cellular” bricks that can understand what object they belong to (e.g., a chair or a table), and even detect and reorganize to repair from damage.

At FIG, our diverse research portfolio is naturally maintained by researchers’ different interests and beliefs. Some focus on novel architectures, some on novel optimizers, some on novel objectives. The level of granularity ranges from studying the dynamics of individual neurons to collectives of agents. To push the frontiers of intelligence we need to search in all of these dimensions.

Looking Forward

What started as a casual weekly chat between two researchers at the beginning of Sakana AI has now grown into a lively group that is seriously looking for the next paradigm shift. Our values (research freedom, uniqueness, exploration, understanding, and some inspiration from nature) have already produced an interesting range of discoveries as a result. We hope that these values will also spread and inspire other researchers to boldly go where no one has gone before.

At FIG, we have more questions than answers. How do humans generalise systematically from so few examples? How can neural networks learn to propagate credit over long timescales with only local learning rules? Is it possible to train AI systems without decorrelated batches of data?

If these questions sound interesting to you, please apply to join Sakana AI! In particular, we highly encourage multi-disciplinary researchers, such as those at the intersection of neuroscience and machine learning, to help us answer these problems and find the next breakthrough in AI.

Japanese

次のパラダイムを探索する：Sakana AI、Frontier Intelligence Group (FIG) の紹介

Read in English

人工知能の現在と未来

現在のAIは驚くべき水準に達しています。ほぼどんな話題についても専門家のように文章を書き、対話し、音楽を作り、動画を生成し、アプリケーションを丸ごとプログラムし、さらには長年未解決だった数学の問題の解決にも威力を発揮し始めています。この流れを見れば、現在のパラダイムである「Transformerアーキテクチャ」に、より多くのデータとより多くの計算資源を与えてスケールさせれば、それだけでAGIまで到達できるのではないか、それが “all you need”⁴ なのではないか、と問いたくなるのは自然です。これはまさに、当社CTOでありTransformerの発明者の一人であるLlion Jonesが、先日の Transformer vs Post-Transformer の討論で投げかけた問いでもあります。結論を先に言えば、私たちの考えは「まだやるべきことがある」というものです。

今のAIシステムで広く使われている主流のアーキテクチャ、最適化手法、学習目的関数などは非常にうまく機能しており、それらに改良を加え続けるだけでも進歩は維持できるでしょう。しかし現在のAIには、まだ手つかずの問題があります。誤った情報を自信たっぷりに生成してしまうこと、本当に未知の状況に置かれると大きく性能を落としてしまうこと、膨大なエネルギーを必要とすること。多くの研究者は現在のパラダイムの枠内でこれらを解決しようとしていますが、別のパラダイムを探す必要があるのかもしれません。

知能に別のやり方がありうることは、自然界を見ればわかります。現在のAIとは対照的に、生物の知能は継続的に学習し、はるかに少ないデータでよく汎化し、自発的でオープンエンドな好奇心をもって探索することもできます。また、現在のAIシステムは「人工ニューロン」を土台にしているとはいえ、人工ニューラルネットワークの構造や更新の仕組みは、私たちが今理解している脳とはかけ離れています。実際の脳をそのままコンピュータ上で再現する必要があるとは私たちも考えていませんが、こうした違いは、汎用知能について何か重要なことを示しているはずです。

現在のAIと生物の知能にこれほどの違いがある以上、大きなブレークスルーがもう残っていないと考えるほうが不自然でしょう。問題は、それをどう探すかです。現在のシステムが進歩するにつれ、自然な選択肢のひとつは再帰的自己改善、つまりAI自身に自らを改善させる方向になるでしょう。一方で、ブレークスルーはまったく別の場所から生まれるかもしれません。だからこそ、それが芽吹くような研究環境が重要になります。Llionが2025年のTED Talkで論じたように、現在のパラダイムはその強力さゆえに、そのパラダイム自体を生み出したような研究の自由を奪いつつあります。長期的で先の読めない研究を守るためには、意識してその環境をつくらなければなりません。Sakana AIではまさにそれに取り組んでいます。日本は人工ニューラルネットワークの基礎的な業績が数多く生まれた土地であり、今なお新しい知能へのアプローチを探る研究者たちがいます。この日本で、私たちは次の大きな何かを見つけることを目指しています。

Frontier Intelligence Group (FIG)

ここでは、この間、社内で育ってきたFrontier Intelligence Group（FIG）を紹介します。私たちは定期的にミーティングを開き、主流とは異なるアイデアを議論し、異なる背景を持つ外部の研究者を招いて知能についてのオルタナティブな見方を提示してもらうことなどを通して、長期的で野心的なアイデアに取り組むための環境を作ってきました。

FIGは、知能はまだ「解決」しておらず、別のパラダイムを積極的に探るべきだという立場から出発します。そして、たとえ現在のパラダイムがスケールによってAGIに到達できるとしても、人間の脳と同じデータ効率やエネルギー効率で学習できるシステムを別途実現したいと考えます。今日の技術の欠点から目を背けず、それを「あとで工学的に何とかなる細部」として片付けるのではなく、研究として正面から取り組むということです。

FIGの哲学

次の大きな何かにたどり着くには、ある種の信念をもって飛躍しなければなりません。現在のパラダイムが強力なため、そのジャンプの先の着地点は、今より劣って見えることもあります。人工ニューラルネットワークは1970年代から存在していましたが、その性能が幅広い領域で他の手法を上回りはじめたのは2010年代半ばのことでした。それを可能にしたのは、周囲の大勢に逆らってでも自分が信じる道を進んだ研究者たちでした。

FIGでは、次のブレークスルーへの道が一筋縄ではいかないことを認めたうえで、道しるべとなるいくつかの基本原則を掲げています。

• 研究の自由: さまざまなアイデアを探る自由、そして何より、失敗する自由。優れた研究を生むには、ベンチマークの数値を上げるというプレッシャーから離れて、研究者が自由にアイデアを追える時間と余裕が必要です。FIGは、うまくいくかどうか確信が持てなくても、野心的な方向を追いかけられる場所を目指しています。
• 独自性: 「自分がやらなければ生まれなかったはずの研究だけをやるべきだ」という原則。⁵私たちは研究者に、たとえ今の流行に反していても、自分自身が面白く重要だと信じることに取り組むよう促しています。流行に駆動される業界では、研究者は自分が取り組んでいるのと同じアイデアを他のグループに先に発表されることを心配しがちです。独自性は、それを防いでくれます。
• 「Greatness Cannot Be Planned」: Sakana AIの中核にある哲学。⁶科学技術における最も偉大な発見の多くは、計画されたものではありませんでした。たとえば液晶は、ニンジンに含まれるコレステロール誘導体を研究していた植物学者によって発見されました。ブレークスルーは、厳格な計画を押しつけるよりも、アイデアの探索を促す環境を育てることによって生まれる、という考え方です。
• 自然に学ぶ: 当社の社名やロゴが示すとおり、Sakana AIはしばしば自然界にヒントを求めます。私たちは主に進化的アルゴリズムを用いた集合知の研究で知られていますが、計算神経科学や認知心理学といった分野を背景に持ち、別の角度から知能を研究できるメンバーもいます。とはいえ、私たちのすべてが自然に着想を得ているわけではなく、それによってアプローチを狭めてしまうことは意図していません。
• 知能を理解する: 私たちがFrontier「Intelligence」Groupを名乗っているのは、知能そのものを研究し理解することも目指しているからです。ベンチマークでの性能を上げることは、知能の理解には必ずしもつながりません。私たちは理解そのものに価値があると考えています。

これらの価値観はSakana AI全体に当てはまるものですが、FIGではとりわけ強く、これらを追求しています。

研究事例

こうしたFIGの文化が、これまでどのように実を結んできたかをいくつか紹介します。

• Continuous Thought Machines (CTM): 現在のAIで使われている人工ニューロンのモデルは、1980年代からほとんど変わっていません。ニューロンは「今どれくらい発火しているか」というひとつの値を出すだけで、生物のニューロンが持つ「いつ、他のニューロンとどんなタイミングで発火するか」という情報は捨てられています。CTMは、この「時間」をニューロンレベルに取り戻す試みです。各ニューロンが自分の過去の活動履歴を参照しながら反復的に計算を行い、さらにニューロン同士の発火の同期そのものを情報の表現として使います。その結果、通常の再帰型ニューラルネットワークよりもはるかに多様で動的な振る舞いが現れ、たとえば迷路を解くときには、モデルが経路を目で辿るように「考えている」様子を可視化できます。
• Augmented Lagrangian Predictive Coding (PC-ALM): 現在のニューラルネットワークの学習を支える誤差逆伝播（backpropagation）は、脳では実現できないと考えられています。順伝播が終わるのを待ち、逆伝播が終わるのを待ってから重みを更新するという、ネットワーク全体での厳密な同期が必要だからです。脳が局所的な情報だけでどのように credit assignment（どのニューロンが誤りに責任を持つかの割り当て）を行っているのかは、神経科学における未解決問題のひとつです。神経科学者たちは長らく、隣り合う層のあいだの予測誤差だけで学習を進める予測符号化（predictive coding）という枠組みを提案してきましたが、層が深くなると誤差信号が途中で減衰してしまい、深いネットワークの学習には苦戦してきました。私たちはマルチエージェント協調のための分散最適化に関する以前の研究を土台に、各層に一種のフィードバック制御器として働く「双対ニューロン」を加えた新しい変種を考案し、最大1,000層のニューラルネットワークを、隣の層とのやりとりだけで誤差逆伝播にほぼ匹敵する精度で学習できることを示しました。この研究は分散プロセッサやニューロモーフィックハードウェア上での新しいAIの学習方法につながるだけでなく、脳の働きについての理解にも還元されうるものです。
• Sparser, Faster, Lighter Transformer Language Models: 脳が省エネなのは、ひとつの思考に必要なニューロンだけを活性化させる、つまりスパースに動いているからです。実は現在のLLMも似た性質を持っていて、フィードフォワード層のニューロンの95%以上は、ある単語を処理する際には沈黙しています。ところがGPUは密で規則的な行列計算のために設計されているため、この性質を素直に活かそうとすると、計算量が減っているのに逆に遅くなるという逆説的なことが起きます。私たちはNVIDIAとの共同研究で、GPUをスパース性に合わせるのではなく、スパース性の形をGPUに合わせて整える新しいデータ形式「TwELL」と専用のCUDAカーネルを開発しました。10億パラメータ規模のLLMで、速度・メモリ・エネルギーのいずれも改善できることを実証しています（ICML 2026採択）。
• The AI Picbreeder Experiment: 生物の進化はオープンエンドなプロセスであり、この地球上に信じがたいほど多様な生命を生み出してきました。AIシステムも、そのようなオープンエンドな探索を行えるのでしょうか。私たちは、目標を与えられないまま多くの人が「面白い」と感じた画像を選んで進化させ、顔や動物や頭蓋骨といった予期しない形が自然と現れた有名なPicbreederのウェブサイトを再現し、その「ユーザー」を最先端のVLMエージェントに置き換えて、人間による発見と比較しました。エージェントは似たような画像に何度も戻ってきてしまう傾向があり、多様な人格を持つエージェント集団を導入すると探索は大きく改善しましたが、それでも、偶然見つけたものの価値に気づき、そこから大きな概念的飛躍につなげるという点では人間に届きませんでした。現在のAIシステムは、創意に富んだ寄り道をするのが苦手なようです。
• Smart Cellular Bricks: 細胞の集団は、驚くべき自己組織化の能力を持っています。局所的なやりとりだけで、器官などの目標とする構造が正しくできているかを判断し、損傷を受けたあとに身体をつくり直すことさえできます。ここから着想を得て、私たちは200個近い物理的なブロックからなるシステムを開発しました。各ブロックは同じ小さなニューラルネットワークを動かし、物理的に接続された隣のブロックとだけ通信します。自分の位置も、全体が何の形なのかも知らされていないにもかかわらず、集団として「自分たちは椅子の一部だ」「テーブルの一部だ」と正しく認識でき、どこが欠けているかを検知し、欠けた方向に新しいブロックを足していくことで自己修復もできます。これまでソフトウェアの中で研究してきた集合知を、物理世界に持ち出した最初の一歩です（Nature Communications掲載）。

FIGの研究ポートフォリオは、研究者それぞれの関心と信念によって自発的に作られています。新しいアーキテクチャに取り組む人、新しい最適化手法に取り組む人、新しい目的関数に取り組む人がいます。扱うスケールも、個々のニューロンの挙動からエージェントの集団までさまざまです。知能のフロンティアを押し広げるには、これらすべての次元で探索する必要があります。

FIGのこれから

Sakana AI創業当初、研究者2人のちょっとした週次の雑談として始まったものが、今では次のパラダイムシフトを本気で目指す、活気あるグループに育ちました。研究の自由、独自性、探索、理解、そして自然からの着想という私たちの価値観は、すでに興味深い発見をいくつも生み出しています。この価値観が広がり、他の研究者たちが誰も行ったことのない場所へ大胆に踏み出すきっかけになればと願っています。

FIGには、答えよりも問いのほうが多くあります。人間はなぜ、こんなに少ない事例からこれほど汎化できるのか。局所的な学習則だけで、長い時間スケールにわたって学習できるニューラルネットワークはいかにして作れるか。相関を取り除いたデータのバッチを用いずに、AIシステムを学習させることは可能なのか、などです。

こうした問いを面白いと感じる研究者の参加をお待ちしています。とくに神経科学と機械学習の交差点にいるような、複数の分野にまたがる研究者の方に、これらの問いに一緒に答え、AIの次のブレークスルーを見つける仲間として加わっていただきたいと考えています。

Footnotes

Switch to the Japanese section - 日本語版はこちら

Sakana AI’s Product Team turns the technology created by our research teams into products and delivers them to the world. Many of the questions we hear from candidates in casual interviews and throughout the hiring process turn out to be the same ones. In this article, we’ve gathered the Product Team’s culture and our answers to those frequently asked questions, based on interviews with team members.

Members who contributed to this article

• Sota Omura (Head of Product)
• Masaya Ohagi (Applied Research Engineer)
• Seiya Kokushi (Software Engineer)
• Masahisa Saito (Designer)

The Product Team in Numbers

First, let’s look at the Product Team through data. Below is a breakdown of the team as of September 2026. The team brings together a range of roles, including product managers, engineers, designers, and sales, and a range of nationalities.

How We Work

Do I need to come into the office? Can I work remotely?

As a team, we encourage face-to-face communication, but how often people come in varies. Some members are in the office nearly five days a week, and there is considerable flexibility in working hours. For example, some members arrive between 11:00 and 12:00, or leave around 17:00. There are no fixed core hours; 10:00–19:00 is the standard workday. Rather than imposing a single way of working, we expect people to take the initiative themselves. As long as you stay productive, you’re free to work how you like. That said, the team operates primarily on-site, so if you work remotely, you’re expected to close any information gaps on your own.

How many meetings are there?

As the team has grown, the all-hands Product Team meeting now happens about once a month. Beyond that, each team sets its own cadence: some run a short daily sync (Sakana Chat / Translate), while others hold a weekly retrospective (Sakana Marlin). There is a separate regular meeting where each product reports its KPIs and progress to a group that includes Sota, our Head of Product, and there are also sessions to discuss product direction directly with David, our CEO.

Is internal communication in Japanese or English?

On teams with English speakers, English is encouraged for both documentation and spoken communication. That said, Japanese speakers are not required to speak English with one another. What matters is that communication across the team as a whole runs smoothly.

What tools do you use?

Slack, Claude Code, Codex, Figma, Confluence, Google Workspace, Jira, Devin, GitHub, Typeless, Adobe Creative Cloud, among others. Given the nature of the Product Team, we actively encourage trying out new products, and it’s easy to bring in the tools you want to use.

Autonomy and Roles

How much autonomy do I get?

This is the question engineers ask most often. The short answer: a lot. That said, the broad direction is set at the company, team, and product levels, and we don’t expect anyone to unilaterally go off in a different direction. Communicating with the people around you and getting alignment before moving forward is essential.

As a concrete example, one of our Applied Research Engineers (AREs) has taken on something like a PM role for the API Platform based on their own interests. The scope of work you’re trusted with is broad, and your opinions carry weight.

The same goes for Software Engineers (SWEs). Beyond designing and building everything from infrastructure to application code, SWEs handle whatever software development requires: monitoring, QA, testing, data governance, security, and communication with stakeholders. Because we have relatively few SWEs for the number of products we run, the environment may suit someone who works broadly across the full stack better than someone who wants to specialize deeply in a single area.

What’s the difference between an ARE and a SWE?

AREs build out the core technical components of a product; SWEs build the system around them. SWEs focus on laying the foundations for agent systems and on the broader software infrastructure. The boundary isn’t rigid, though. The two roles give each other feedback as they work, and the division of responsibilities shifts flexibly with team needs and individual preferences.

How do AREs on the Product Team differ from AREs on the Applied Team?

For AREs on the Applied Team, what matters is building agent systems tailored to a specific customer’s requirements. AREs on the Product Team, by contrast, build products for a broad user base, so they place more emphasis on generality when benchmarking and developing AI technology. Product Team AREs also tend to work more closely with the Research Team.

How do you work with the Research Team and the Applied Team?

The basic flow is that the Research Team creates the technology behind our products, and the Product Team connects it to business use cases. But responsibilities aren’t strictly separated: the Product Team sometimes customizes the technology, and the Research Team sometimes works directly on products. We collaborate with the Applied Team when a Product Team product looks likely to help solve a customer’s problem. The setup we’re aiming for is one where the Product Team builds general-purpose products, and the Applied Team customizes them further to deliver distinctive value to each client.

A Day in the Life

Here’s what a typical day looks like for an ARE.

Culture and Team Atmosphere

What kinds of backgrounds do people have?

Most AREs used to come from research-oriented backgrounds, such as corporate R&D, but that’s less true recently. If there’s one thing most AREs have in common, it’s a background in computer science. For other roles, many members joined from companies that build products, such as SaaS companies.

Many members also simply love making things. Outside of work, you’ll find people designing their own caps, T-shirts, and stickers featuring our product logos. These are people who enjoy building something with their own hands.

The makeup of the team is changing, too. We’ve recently welcomed more members from outside Japan, and the team has become more diverse. We also plan to add sales and marketing roles going forward.

What’s the team atmosphere like?

With many members in the office, casual conversations happen naturally. Team lunches are frequent but never mandatory. Every so often, there’s even a volleyball tournament.

The Hiring Process

What do you look for in the technical problem set?

Applied Research Engineer

In the ARE assignment, we look beyond whether you can solve the problem. We want to see whether you understand the strengths and weaknesses of each technique and can explain them in your own words. Product development means making decisions every day amid a tangle of constraints (accuracy, latency, cost, UI/UX), so the ability to judge quickly and well is essential. We also check whether you can design an appropriate evaluation for the task. Measuring any capability is inherently hard, and building convincing benchmarks that speed up the product development cycle is a key part of the job.

Software Engineer

Using AI in development has become the norm, and what matters to us is whether you can take responsibility for your own decisions and actions. We look for people who don’t hand everything off to AI, but learn alongside it and use it to grow. In the technical assignment, we expect a baseline level of quality in the final output, and beyond that we place weight on whether you can explain, in your own words, why you chose the technologies and design you did and how the system could evolve.

Who We Want on the Product Team

Finally, here is the kind of person Sota Omura, our Head of Product, hopes to work with:

• Someone who is deeply curious and has something they pursue with more persistence than is strictly necessary
• Someone who is a strong communicator and skilled at drawing out the intrinsic motivation of others
• Someone who can perform at a high level in their area of expertise without needing to be supervised
• Someone with a strong capacity for self-improvement and self-directed learning, grounded in metacognition
• Someone with the ownership to keep widening their scope of responsibility rather than defining it narrowly
• Someone who has the conduct, mindset, and character to earn the trust of others from scratch, even without a title or position
• Someone with the courage to take risks without hesitation when needed, having properly assessed them
• Someone with a spirit of fellowship — who doesn’t reject others on the basis of their differences, but works continually toward mutual understanding
• Someone who is good at finding good faith and conscience, rather than ill intent, in what others say
• In short, someone who is kind

The thinking behind this profile is discussed in depth in a previous interview. We encourage you to read it as well.

Blog: From Japan, Products the World Will Use: An Interview with Sakana AI’s Head of Product Development

The Product Team is currently hiring for ARE / SWE / Data Engineer / PM / Designer / Sales roles, among others. If any of this has piqued your interest, we’d love to hear from you.

Product Team Open Positions

Inside Sakana AI’s Product Team

Sakana AIのProduct Team (PD Team)は、研究チームが生み出す技術をプロダクトとして世に届けるチームです。カジュアル面談や選考の場で候補者の方からいただく質問には、実は共通するものが多くあります。この記事では、PD Teamのカルチャーや面談でよく聞かれる質問への答えを、メンバーへのヒアリングをもとにまとめました。

ヒアリングに協力してくれたメンバー

• 大村壮太 (Head of Product)
• 大萩雅也 (Applied Research Engineer)
• 國師誠也 (Software Engineer)
• 齋藤昌久 (Designer)

数字で見る Product Team

まずは、PD Teamがどんなチームなのかをデータで見てみましょう。以下は2026年9月時点のメンバー構成をまとめたものです。プロダクトマネージャー、エンジニア、デザイナー、セールスと多様な職種のメンバーが集まり、国籍もさまざまです。

働き方について

出社は必須ですか? リモートはできますか?

チームとしては対面コミュニケーションを推奨していますが、出社頻度は人によります。ほぼ週5で出社するメンバーもいれば、11〜12時の出社、17時頃の退勤など、働く時間の調整はかなり利きます。コアタイムがはっきり決まっているわけではなく、10:00〜19:00が標準的な勤務時間です。働き方を画一的に縛らず、自ら動けることを前提としています。生産性が保てるのであれば働き方は自由ですが、チームの運営はオンサイトを中心に行われるため、リモートで生じる情報の差分は自分自身で埋めにいくことが期待されます。

ミーティングはどのくらいありますか?

人数が増えてきたこともあり、PD Team全体の定例は月に一度ほどあります。あとはチームごとに設計が異なり、毎朝短めのsyncを設定しているチーム(Sakana Chat / Translate)もあれば、週次で振り返りMTGを設定しているチーム(Sakana Marlin)もあります。各プロダクトのKPIや進捗をHead of Productの大村を含めて報告する定例は別途あり、CEOのDavidと直接プロダクトの方向性を議論する場も設定されています。

社内のコミュニケーションは日本語ですか? 英語ですか?

英語話者のいるチームでは、ドキュメント・口頭コミュニケーションともに英語が推奨されています。ただし日本語話者同士の会話まで英語が強制されることはありません。重視されているのは、全体のコミュニケーションがスムーズに進むことです。

どのようなツールを使っていますか?

Slack、Claude Code、Codex、Figma、Confluence、Google Workspace、Jira、Devin、GitHub、Typeless、Adobe Creative Cloudなどです。PD Teamという特性上、新しいプロダクトを積極的に使っていくことが奨励されており、使いたいツールを使いやすい環境です。

裁量とロールについて

裁量はどのくらいありますか?

エンジニアの方から最もよく聞かれる質問です。結論から言えば、裁量は大きいチームです。ただし、会社・チーム・プロダクトそれぞれのレイヤーで大きな方針は決まっており、そこから外れることを一人で勝手に進めることは想定されていません。周りとコミュニケーションをとり、合意を得てから進めることが大切です。

実際に、Applied Research Engineer (ARE)のメンバーが興味関心に応じてAPI PlatformのPdMのような役割を担っている例もあります。幅広く業務を任せてもらえ、意見も通りやすい環境です。

Software Engineer (SWE)も同様で、インフラからアプリケーションの設計・実装はもちろん、モニタリング、QA、テスト、データガバナンス、セキュリティ、ステークホルダーとのコミュニケーションまで、ソフトウェア開発に関わることはなんでも担当します。プロダクト数に対してSWEが少ないため、どこかの領域を専門性高く深掘りするタイプよりも、フルスタックに広くやれる人に向いている環境かもしれません。

AREとSWEはどう違うのですか?

プロダクトのコアとなる要素技術を作り込むのがARE、システムを作り上げるのがSWEです。SWEはエージェントシステムの土台構築や、より外側のソフトウェア基盤の整備が中心になります。ただし境界が明確に決まっているわけではなく、お互いにフィードバックしながら業務を進めており、担当範囲はチームの状況や個人の希望によって柔軟に変わります。

PD TeamのAREとApplied TeamのAREはどう違うのですか?

Applied TeamのAREは、顧客の具体的な要件に合わせてエージェントシステムを作り込むことが重要です。一方PD TeamのAREは、幅広いユーザーに使ってもらうため、汎用性をより意識してベンチマーキングやAI技術の作り込みを行います。また、PD Teamの方がResearchに近い距離でやり取りすることが多くなる印象です。

Research Team、Applied Teamとはどう関わっていますか?

Research Teamがプロダクトの源泉となる技術を生み出し、PD Teamがそれをビジネスユースケースに紐づける、という進め方が基本です。ただし職責が完全に分かれているわけではなく、PD Team側で技術をカスタマイズすることも、Research Team側でプロダクトに手を入れることもあります。

Applied Teamとは、PD Teamのプロダクトが顧客の課題解決に役立ちそうな場合に連携して進めます。目指しているのは、PD Teamが汎用的なプロダクトを作り、Applied Teamがそれをさらにカスタマイズして、案件先の企業に特別な価値を届けられる体制です。

ある一日のスケジュール

AREのとある一日を紹介します。

カルチャー・チームの雰囲気

どのようなバックグラウンドの人が多いですか?

AREは研究寄りのバックグラウンド(企業のR&D出身)が多かったものの、最近はそうとも限りません。共通点を挙げるならComputer Scienceのバックグラウンドで、これは多くのAREが持っています。それ以外の職種は、SaaSなどプロダクトを作っている会社からの転職が多いです。

また、ものづくりそのものが好きなメンバーが多いです。仕事の外でも、自分たちのプロダクトのロゴを入れたオリジナルキャップやTシャツ、ステッカーを自作する人など、手を動かして何かを形にすることを楽しんでいるメンバーが集まっています。

チームの構成も変わってきています。最近は日本以外の国から来たメンバーが増え、多様な環境が整ってきました。今後は営業やマーケティング職も増やしていく予定です。

チームの雰囲気は?

出社しているメンバーが多いこともあり、雑談は自然発生的に起きています。チームランチもしばしばありますが、強制ではありません。たまにバレーボール大会が開かれることもあります。

選考について

選考課題ではどこを見ていますか?

Applied Research Engineer

AREの課題では、単に解けるかどうかではなく、それぞれの技術の強み・弱みを理解し、自分の言葉で説明できるかを見ています。プロダクト開発では、精度、所要時間、価格、UI/UXなど様々な制約が複雑に絡み合う中で日々選択を続ける必要があり、迅速かつ適切な判断ができるかが問われます。また、タスクに対する評価設計を適切にできるかも確認しています。何かの能力を評価することは本質的に難しく、説得力のあるベンチマークを構築してプロダクトの開発サイクルを加速させられるかが大事だからです。

Software Engineer

開発にAIを用いることが当たり前になってきた一方で、自分の決定や行動に責任を持てるかが重要だと考えています。全てAI任せにせず、AIと共に学び、自身を成長させられる人かどうかを見ています。技術課題では、最終的なアウトプットの品質が一定担保された上で、技術や設計の選定理由、システムの発展性を自分の言葉で語れるかを重視しています。

PD Teamが求める人物像

最後に、Head of Productの大村から一緒に働きたいと考える人物像をお伝えします。

• 好奇心旺盛で、必要以上の執着を持って取り組んでいることがあること
• 良いコミュニケーターで、他者の内発的な動機づけを引き出すことに長けていること
• 管理監督がなくても、自分の専門性に高いレベルで臨むことができること
• メタ認知に基づく高い自己成長力と自己学習能力を持っていること
• 自分の責任領域を狭く定義せず、無限に取り組む領域を広げていけるオーナーシップを持っていること
• 肩書きや地位がない場所でも、他者の信頼をゼロから勝ち取るための行動や振る舞い、精神性を身につけていること
• リスクを適切に把握した上で、必要なら躊躇いなくそのリスクを取れる勇気を持っていること
• 他者を自分との「違い」を元に拒絶せず、不断の相互理解に努めようとする友愛の精神を持っていること
• 他者の言葉の中に、悪意ではなく善意や良心を見つけることに長けていること
• 総じて、「優しい」人間であること

この人物像の背景にある考え方は、過去のインタビュー記事で詳しく話しています。あわせてご覧ください。

Blog: 日本から、世界で使われるプロダクトを:Sakana AI プロダクト開発責任者インタビュー

PD Teamでは現在、ARE / SWE / Data Engineer / PdM / Designer / Sales などを募集しています。少しでも興味を持っていただけたら、まずはご応募ください。

PD Team 採用情報

（English Announcement Below.）

Sakana AIは本日、「Sakana Chat（サカナ・チャット）」をアップデートしました。先日APIとして公開したオーケストレーターモデル「Fugu Max」を全ユーザーに提供し、あわせて会話の内容を引き継ぐメモリー機能を追加しました。

👉Sakana Chatを試す： https://chat.sakana.ai/

Sakana Chatは、APIを介さずに私たちが開発するモデルをそのままお試しいただける場として、2026年3月にSakana Namazuのα版とともに公開しました。8月のアップデートではSakana Fuguを加えてモデルを選べるようにしたほか、コードの実行や画像・ドキュメントの添付にも対応しました。

Sakana Fuguが最新モデルになりました

Sakana Chatに搭載するSakana Fuguを、最新モデル「Fugu Max」に切り替えました。多様なオープンモデルを束ね、プロンプトの内容に応じて最適なモデルに処理を割り振ることで、単一のモデルに頼らずフロンティアモデルに匹敵する性能を実現したモデルです。追加の設定は必要なく、モデル選択でFugu Maxを選べば、本日から最新モデルで動作します。

モデル選択からFugu Maxを選べます

会話の内容を覚える「メモリー」を追加しました

Sakana Chatに、メモリー機能を追加しました。これまでは会話を終えるたびに前提がリセットされていましたが、役割や文体の好みなど、一度伝えた内容を次回以降の会話にも引き継げるようになります。メモリー機能はNamazu・Fugu Maxのどちらでも使えます。記憶した内容は設定画面からいつでも確認でき、機能をオフにすることもできます。なお、記憶されるのは本アップデート以降の会話で、過去の会話は対象になりません。

Sakana Chatはhttps://chat.sakana.ai/からご利用いただけます。

Sakana AI

Sakana AIは、AIの未来を私たちと一緒に切り拓いてくださる方を募集しています。当社の募集要項をご覧ください。

English Announcement

Sakana Chat Update: Fugu Max for Everyone, Now with Memory

Today we released an update to Sakana Chat. Fugu Max, the orchestrator model we recently made available via API, is now available to all users, and we have added memory, which carries what you have told Sakana Chat over into your next conversation.

👉Try Sakana Chat： https://chat.sakana.ai/

Sakana Chat has served as a place to try the models we develop without going through an API, since we launched it in March 2026 alongside the alpha version of Sakana Namazu. Our update in August added Sakana Fugu so that you can choose between models, and introduced code execution and image and document attachments.

Sakana Fugu Now Runs on Our Latest Model

The Sakana Fugu available in Sakana Chat now runs on our latest model, Fugu Max. It brings together a diverse pool of open models and routes each prompt to the model best suited to it, reaching performance on par with frontier models without relying on any single one. No setup is required: select Fugu Max from the model picker and you are using the latest model as of today.

Select Fugu Max from the model picker

Memory: Sakana Chat Remembers Your Context

Until now, Sakana Chat started from scratch every time a conversation ended. With memory, what you tell it once (your role, the project you are working on, how you like answers formatted and written) carries over into later conversations, so you no longer need to begin each one with the same explanation. Memory works with both Namazu and Fugu Max. You can review what has been remembered from the settings screen at any time, or turn the feature off entirely. Memory begins with conversations from this update onward; earlier conversations are not included.

Sakana Chat is available at https://chat.sakana.ai/

Sakana AI

Interested in joining us?

Please see our career opportunities for more information.

（English Announcement Below.）

Sakana AIは本日、「Sakana Marlin」に2つの機能を追加しました。

• Interactive Reading：レポート上の記述を、その場で裏取り・深掘りできる読み方
• PowerPointスライド出力：調査結果を編集し、報告に活用する

いずれも、Sakana Marlinが生み出した数十ページのアウトプットを、読み手が深く理解し、より良い意思決定につなげるための機能です。

Sakana Marlinのコンセプト

今年6月に公開した「Sakana Marlin」のコンセプトは、「リサーチはAIへ。人間は意思決定に集中する。」です。独自技術AB-MCTSを活用した最大8時間に及ぶリサーチで、仮説設定から情報収集、調査結果のレポート化までを、AIが自律的に行います。

開発の背景には、生成AIの登場以降、社会の変化が著しく速くなり、私たちが処理する必要のある情報の量は、日夜増大し続けているという認識があります。そこでSakana Marlinは、公開情報の中から本当に必要な情報を的確かつ効率的に収集し、可読性の高い文書やスライド資料にまとめることで、人々が良質な意思決定に集中できるようにすることを目指してきました。

実際、リリース以降は大手企業、スタートアップ、コンサルティングファーム、金融機関、大学・研究機関など、多様な組織にて利用いただき、その調査業務をサポートしてきました。

さらに人間が意思決定に集中するために

一方で、Sakana Marlinを実際の業務で使っていただくなかで、私たちはリリース時に想定していなかった新たな課題に向き合うことになりました。それは、調査結果を私たち人間が読み解き、内容の確からしさを判定し、その主張に納得するという、「理解」のプロセスにおけるボトルネックです。

例えば、ユーザーの皆様から以下のようなフィードバックをいただきました。

• 情報の網羅性は評価できるが、数十ページもの調査報告を読み解くのが大変で、結局調査業務に費やしている時間があまり減っていない
• 人間の成果物をレビューするときのように、出典まで遡って主張の確からしさを確認したいが、AIが何を根拠にどう解釈したのか質問できない
• 社内で共有・報告する際には、レポートを修正したり自分の解釈や理解を反映したいが、そうしたインタラクティブな機能が不足している

ここから見えてきたのは、調査にかかる時間や労力をどれだけAIで効率化できても、意思決定の手前で私たち自身がその内容を「理解し」「確かめ」「伝える」というプロセスが、依然としてボトルネックになり続けるということです。

今回のSakana Marlinのアップデートは、この「理解する」「確かめる」「伝える」プロセスにもAIの力を活かし、意思決定の全プロセスを一気通貫で支援することを目指すものです。

1. Interactive Reading：読み、問い、確かめる

AIが生成したレポートを使うとき、ユーザーである私たちに求められるのは、レポートの主張が基づく情報源を確認し、その内容を理解することです。しかし、すべてを自分でチェックするのであれば、AIにリサーチを任せた意味はありません。かといってまったく確認せずに受け入れるのでは、自分の判断にはなりません。

Sakana Marlinの新機能「Interactive Reading」は、この二者択一を解消するものです。ユーザーは出力されたレポートについて、チャット形式でエージェントと議論したり、質問することができます。レポートの当該箇所へ飛ぶことができるため、上からレポートを読むだけではなく、気になる部分にフォーカスできます。

新機能：Interactive Reading

また、レポート内の引用をクリックすると、AIエージェントが出典を開き、記述の根拠となる箇所を提示します。これまでは、出典先のページから該当箇所を探すのはユーザーが行う必要がありましたが、新しいSakana Marlinではその作業をAIが支援します。

Interactive Readingは、レポートを「ただ読む」のではなく、「エージェントとの対話を通じて必要なところに深く潜る」新しい読み方です。エージェントとともに探索し、問い直しながら読むことによって、AI生成のレポートを自分の理解に変えることができます。人の意思決定の質は、こうした「情報から理解への変換」に支えられていると私たちは考えています。

2. PowerPointスライド出力：調査結果を編集し、自分の考えとして提示する

二つ目のアップデートは、編集可能なPowerPointファイルへの出力機能です。Sakana Marlinの調査結果をスライド出力し、文章や図形に加え、表やグラフのデータ・書式も変更できます。また、各スライドには出典のURLも記載され、スライドから出典を確認することもできます。

編集可能なスライド形式での出力により、より自由度高く調査結果に利用者自身の解釈や論点を加え、社内での共有やクライアントへの報告に活用できます。

出力スライドの例

PowerPoint出力では、任意のスライドテンプレートに対応しています。社内やクライアント指定のテンプレートを使うことで、出力後に体裁を整える手間を減らせます。

スライドテンプレートを変更した例

調査結果のどこに着目し、その中から何を選んで伝えるか。そして、それをどんな議論につなげるか。この工程には、利用者自身の経験や問題意識が表れます。Sakana Marlinのスライド出力は、AIによるレポート生成の先にある対話や意思決定までをサポートする機能です。

AIとともに理解し、意思決定する未来へ

今回の二つのアップデートを通じて目指すのは、Sakana Marlinのコンセプト「リサーチはAIへ。人間は意思決定に集中する。」をもう一段進歩させることです。信頼できるレポートを出力するだけでなく、その内容を人が辿り、確かめ、納得したうえで判断する。AIを優秀なブラックボックスとして使うのではなく、ともに考え、理解し、意思決定を行っていく。人だけでもAIだけでもできない高度な意思決定を実現したい。こうした人とAIの双方向の関係を、私たちは「attunement（調和）」と呼んでいます。今回のSakana Marlinのアップデートは、その一歩になるものです。Sakana AIのプロダクトは、今後も人とAIが調和し、高度な意思決定ができる世界を目指していきます。

Sakana Marlinは、従量課金プランならクレジットカード登録で当日からご利用いただけます。無料トライアルもご用意しています。

👉Sakana Marlinを試す： https://sakana.ai/marlin/

Sakana AI

Sakana AIは、AIの未来を私たちと一緒に切り拓いてくださる方を募集しています。当社の募集要項をご覧ください。

English Announcement

Sakana Marlin Update: Interactive Reading, plus PowerPoint Export

Today Sakana AI is adding two new features to Sakana Marlin:

• Interactive Reading: a new way to read a report, where you can check the evidence behind any statement and dig deeper without leaving the page
• PowerPoint slide export: edit your findings and put them to work in your own template

Both features exist for the same reason: to help readers genuinely understand the dozens of pages Marlin produces, and turn that understanding into better decisions.

The Idea Behind Sakana Marlin

When we launched Sakana Marlin in June, we described it in a single line: leave the research to AI, so people can focus on the decision making. Powered by our own AB-MCTS technology, Marlin runs research sessions of up to eight hours, working autonomously from framing a hypothesis through gathering information to writing up the findings as a report.

The thinking behind it was simple. Since generative AI arrived, the world has been changing faster, and the volume of information any of us has to process keeps growing by the day. Marlin was built to find what actually matters within the vast body of public information, gather it accurately and efficiently, and present it as documents and slides that are genuinely readable, so that people can put their attention where it counts: on making good decisions.

Since launch, Marlin has supported research work at a wide range of organizations, including large enterprises, startups, consulting firms, financial institutions, universities and research institutes.

Going One Step Further

From the feedback of our beta testers, we ran into a problem we had not initially anticipated. The bottleneck had moved. It now sits in the process of understanding: reading the findings, judging how sound they are, and arriving at a point where you actually believe the conclusion.

Some of the feedback we heard:

• “The coverage is impressive, but working through dozens of pages of findings is hard going, and in the end I am not spending much less time on research than before.”
• “When I review work by a colleague, I trace claims back to the source. I want to do the same here, but I have no way to ask the AI what a given interpretation was based on.”
• “Before I share or present this internally, I want to revise the report and fold in my own reading of it, and the tools to do that interactively are missing.”

What this tells us is that however much AI compresses the time and effort of research itself, the steps that come just before a decision, where we understand the material, confirm it, and communicate it to others, remain a bottleneck.

This update is about bringing AI to those steps too, so that Marlin supports the whole arc of a decision rather than just the research at the front of it.

1. Interactive Reading: Read It, Question It, Confirm It

When you work from an AI-generated report, part of the job is checking the sources a claim rests on and understanding what they say. But if you have to verify everything yourself, there was little point handing the research to AI in the first place. And if you accept it all without checking anything, the judgment you reach is not really yours.

Interactive Reading is built to remove that trade-off. You can now discuss the report with the agent in a chat, asking questions as they come up. The agent can take you straight to the relevant part of the report, so instead of reading from the top, you can zero in on whatever you want to dig into.

New feature: Interactive Reading

Click a citation inside the report and the AI agent opens the source and points you to the specific passage the statement rests on. Finding that passage on the source page used to be your job. In the new Marlin, the AI does the legwork with you.

Interactive Reading is a different way of reading: not simply working through a report, but diving into the parts that matter through a conversation with the agent. Exploring alongside the agent and questioning as you go is what turns an AI-generated report into your own understanding. We believe the quality of human decisions rests on exactly this conversion, from information into understanding.

2. PowerPoint Export: Edit the Findings and Present Them as Your Own Thinking

The second update is export to editable PowerPoint files. You can now output Marlin’s findings as slides and change the text, the shapes, and the data and formatting of tables and charts. Every slide also carries the source URLs, so the evidence is one click away from the deck itself.

Because the output is a slide format you can actually edit, you have far more freedom to layer your own interpretation and your own questions onto the findings, whether you are sharing them internally or presenting to a client.

Example output slides

PowerPoint export works with any slide template, so using your company’s template or one specified by a client cuts out most of the tidying up that would otherwise follow export.

The same output with a different slide template

Which parts of the findings you focus on, what you select from them to pass on, and what discussion you steer that into: this is where your own experience and judgment show. Slide export is there to support the conversation and the decision that comes after the report, not just the report itself.

Toward a Future Where We Understand, and Decide, with AI

With these two updates, we want to push Marlin’s original idea, leave the research to AI so people can focus on the decision, one step further. It is not enough to produce a report you can trust. You should be able to follow it, confirm it, and be genuinely convinced before you judge. Rather than treating AI as a capable black box, we want people to think, understand and decide together with it, reaching decisions that neither people nor AI could reach alone. We call this two-way relationship between people and AI “attunement.” This update is a step toward it.

Sakana AI’s products will continue working toward a world where people and AI are attuned to each other and better decisions follow.

Sakana Marlin is available on a pay-as-you-go plan: register a credit card and you can start the same day. A free trial is also available.

👉Try Sakana Marlin： https://sakana.ai/marlin/

Sakana AI

Sakana AI is looking for people to help us shape the future of AI. Interested in joining us?

Please see our career opportunities for more information.