自動アルゴリズム設計は新たな段階に入り、大規模言語モデル（LLM）が完全な最適化（メタ）ヒューリスティックスを生成し、広範な設計空間を探索、反復的なフィードバックを通じて適応することが可能になっています。しかし、この急速な進展は性能主導であり、不透明です。本論文では、自動化と理解を系統的ベンチマークによって結び付けることが次のブレークスルーにつながると主張しています。具体的には、LLMによるアルゴリズムのバリエーション発見、性能をコンポーネントやハイパーパラメータに帰属させる説明可能なベンチマーク、アルゴリズムの動作を問題構造に結びつける問題クラス記述子の3つの柱に基づく説明可能な自動アルゴリズム設計のビジョンを提示します。これにより、発見、説明、一般化が相互に強化される知識の閉じたループが形成され、無差別な探索から解釈可能なクラス特有のアルゴリズム設計へと移行することができます。