「昨日教えたこと、今日も最初から説明するの？」
Claude CodeやDevinを使ったことがある人なら、この苛立ちを知っているはずだ。
毎回毎回、「このプロジェクトではポート5433を使う」「テストはnpm run test:unitで実行する」「このAPIはレート制限があるから注意」——同じことを繰り返し教える。AIは学ばない。忘れる。毎回リセットされる。
これこそが、AIがあなたの仕事を奪えない本当の理由だ。
そして2026年1月、この問題を解決する論文が爆発的に発表されている。
結論から言うと
破滅的忘却（Catastrophic Forgetting） = AIが新しいことを学ぶと、古い知識を完全に忘れてしまう現象。これが解決されれば、AIは「経験から学ぶ」ことができるようになり、ジュニアエンジニアからシニアエンジニアへ「成長」できるようになる。
現在のAIエージェント（Devin、Claude Code、Cursor等）は、どんなに優秀でも記憶喪失の天才だ。毎日記憶がリセットされる映画「メメント」の主人公のように、過去の経験を活かせない。
しかし、2026年1月に発表された最新研究が、この限界を突破しようとしている。
1. 破滅的忘却とは何か？
人間 vs AI：学習の決定的な違い
人間のエンジニアを考えてみよう：
Day 1: 本番環境でDELETE文を実行して大惨事 → 「WHERE句を絶対忘れない」と学習
Day 30: 自然とWHERE句を確認する習慣がついている
Day 365: 後輩に「DELETE文の前にSELECTで確認しろ」と教えられる
これが**継続学習（Continual Learning）**だ。新しい知識を獲得しながら、古い知識も保持する。
しかしAIは違う：
Session 1: 「このプロジェクトではPostgreSQL 15を使う」と教える
Session 2: 「どのDBを使いますか？」と聞いてくる（忘れている）
Session 100: 毎回最初から説明（成長ゼロ）
これが破滅的忘却だ。
なぜこれが起きるのか？
ニューラルネットワークの重みは、新しいタスクを学習すると上書きされる。古いタスクに重要だったパラメータが、新しいタスクの学習で変更されてしまう。
最新の機械的分析（2026年1月）によると、破滅的忘却には3つのメカニズムがある：
| メカニズム | 説明 |
|---|---|
| 勾配干渉 | Attention重みで新旧タスクの勾配が衝突 |
| 表現ドリフト | 中間層の表現が0.32〜0.47も変化 |
| 損失曲面の平坦化 | 以前のタスクの最適解周辺が平らになる |
特に**低層のAttentionヘッドの15〜23%**が深刻な破壊を受け、これが早期忘却の原因となる。
2. 【2026年1月最新】破滅的忘却を克服する3つの革命的手法
2.1 JitRL：勾配更新なしで学習する（1月26日公開）
Just-In-Time Reinforcement Learning（JitRL）は、パラメータを一切更新せずにポリシーを改善する。
従来の学習:
経験 → 勾配計算 → 重み更新 → 古い知識が壊れる💥
JitRL:
経験 → メモリに保存 → 推論時にメモリから検索 → ロジット調整 → 重みは変わらない✨
仕組み：
- 経験を「状態-行動-報酬」のトリプレットとして非パラメトリックメモリに保存
- 推論時に関連する過去の経験を検索
- 過去のリターンからアドバンテージを推定
- LLMのロジットを閉形式で調整
これにより、テスト時にリアルタイムでポリシーを改善できる。しかも勾配更新なしだから、過去の知識は壊れない。
2.2 FGGM：賢いパラメータの選び方（1月26日公開）
Fisher-Guided Gradient Maskingは、どのパラメータを更新すべきかを数学的に決定する。
全てのパラメータが同じ重要度ではない。あるパラメータは過去のタスクに極めて重要で、別のパラメータは比較的どうでもいい。
FGGMはFisher情報行列を使って各パラメータの重要度を計算し、重要なパラメータにはマスクをかけて更新を阻止する。
# 概念的なコード（実際はもっと複雑）
for param in model.parameters():
importance = compute_fisher_importance(param)
if importance > threshold:
param.requires_grad = False # 重要なパラメータは凍結
else:
param.requires_grad = True # 重要でないパラメータは更新可能
結果：TRACEベンチマークで従来手法より9.6%の相対改善を達成。
2.3 FIT：忘却を逆手に取る（1月29日公開）
FITは面白いアプローチを取る。LLMの「Unlearning（意図的な忘却）」において、継続的な削除リクエストに対応しつつ、有用な知識は保持する。
これはGDPR対応やプライバシー保護で重要だ。「このユーザーのデータを忘れて」というリクエストに対応しながら、モデル全体の性能を維持する。
3. 古典的手法：EWC（弾性重み固定）を理解する
最新手法を理解するには、2017年のDeepMindの論文で提唱された**Elastic Weight Consolidation（EWC）**を知る必要がある。
EWCの直感的な理解
想像してみてほしい。あなたはゴムバンドで古い位置に引っ張られながら、新しい場所に移動しようとしている。
- 重要なパラメータ → 強いゴムバンド（動かしにくい）
- 重要でないパラメータ → 弱いゴムバンド（自由に動ける）
損失関数 = 新タスクの損失 + λ × Σ F_i × (θ_i - θ*_i)²
↑重要度 ↑現在値 ↑古い最適値
EWCの限界
しかしEWCには問題がある：
- 固定サイズネットワーク前提：タスクが増えると容量が足りなくなる
- タスク間の類似性が必要：全く異なるタスクでは性能が落ちる
- Fisher情報行列の計算コスト：大規模モデルでは計算が重い
だからこそ、2026年の新手法が重要なのだ。
4. なぜDevinは複雑なタスクの15%しか成功しないのか？
実際のテスト結果を見てみよう：
Devinは複雑なタスクの約15%しか自律的に完了できない。20件のエンドツーエンドタスクで成功したのはたった3件。
なぜか？
Devinの「シニアレベル理解、ジュニアレベル実行」問題
Devinはコードベースを理解する能力は高い（シニアレベル）。しかし実行能力はジュニアレベルだ。
これは破滅的忘却と直結している：
| 能力 | 人間のシニアエンジニア | Devin |
|---|---|---|
| コードベース理解 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| 過去の失敗から学習 | ⭐⭐⭐⭐⭐ | ❌ |
| プロジェクト固有の知識 | ⭐⭐⭐⭐⭐ | ⭐（毎回リセット） |
| 「前回こうだった」という経験 | ⭐⭐⭐⭐⭐ | ❌ |
シニアエンジニアがシニアたる理由は、経験の蓄積だ。「この設計パターンは3年前にも使ったけど、あの時はこういう問題が起きた」という知識。
AIにはこれがない。毎回が初めてなのだ。
5. 解決への道：メモリシステムの進化
現状のワークアラウンド
Claude CodeはCLAUDE.mdというファイルでプロジェクト知識を保持する：
# CLAUDE.md
## このプロジェクトについて
- PostgreSQL 15を使用
- テストは`npm run test:unit`
- 本番環境のポートは5433
## 過去の問題
- APIレート制限に注意（1分100リクエストまで）
- キャッシュはRedis、invalidationに注意
しかしこれは手動だ。AIが自分で学んでいるわけではない。
2026年の新アプローチ
ReasoningBankは興味深いアプローチを取る：
- 成功と失敗の両方を記録
- 一般化可能な推論戦略を蒸留
- 新しい問題に対して過去の経験を検索
これは人間のエンジニアがやっていることに近い。
6. 未来予測：いつAIエンジニアは「成長」できるようになるか？
短期（2026年後半）
- JitRLのような推論時学習が商用ツールに組み込まれる
- プロジェクト固有の知識が自動的に蓄積されるようになる
中期（2027年）
- FGGMのような選択的パラメータ更新が標準化
- 「このプロジェクトに特化したモデル」が作れるようになる
長期（2028年以降）
- 真の継続学習が実現
- AIエンジニアが「経験から学ぶ」ようになる
- ジュニア → シニアへの「成長」が可能に
7. ソフトウェアエンジニアへの影響
奪われない仕事
破滅的忘却が解決されても、人間エンジニアには絶対的な優位性がある：
- ドメイン知識：業界固有の暗黙知
- コミュニケーション：ステークホルダーとの調整
- 創造性：「何を作るべきか」の判断
- 責任：最終的な意思決定
変わる仕事
しかし、仕事の質は変わる：
現在: コードを書く仕事
↓
未来: AIに「何を作るか」を教え、「作り方」はAIが学習する仕事
あなたはAIのメンターになる。1回教えたら、AIはそれを覚えて応用する。
まとめ：今あなたができること
-
継続学習の論文を読む
-
現状のワークアラウンドを活用する
- CLAUDE.mdを充実させる
- セッションハンドオフを実践する
-
「AIのメンター」スキルを磨く
- 明確な指示の出し方
- 知識の構造化
- フィードバックの与え方
最後に
破滅的忘却は、AIが人間エンジニアを完全に置き換えられない根本的な理由だ。
しかし、2026年1月に発表された論文群は、この問題に本気で取り組んでいる。JitRL、FGGM、FIT——これらが実用化されれば、AIは本当に「成長」できるようになる。
その時、ソフトウェア開発の風景は一変するだろう。
あなたは、その変化に備えているだろうか？
この記事が参考になったら、いいねとストックをお願いします！
質問：あなたはAIコーディングツールで「毎回同じことを説明する」フラストレーションを感じたことがありますか？コメントで教えてください。
参考文献
- Mechanistic Analysis of Catastrophic Forgetting in LLMs
- JitRL: Just-In-Time Reinforcement Learning
- FGGM: Fisher-Guided Gradient Masking
- FIT: Defying Catastrophic Forgetting
- EWC: Overcoming Catastrophic Forgetting
- Devin AI Review
- ACM Computing Surveys: Continual Learning of LLMs
- Memory in the Age of AI Agents