8000ドル未満のAIがStratego王者を撃破
MIT・CMU・NYU・スタンフォードのチームが開発したAI「Ataraxos」が、Stratego史上最強とされる棋士に15勝1敗4分で勝利。学習費用は8000ドル未満だった。
強化学習のニュースと分析
強化学習に関する製品動向と業界分析を全12件掲載しています。
小米、MiMoのツール呼び出し重複を9万ドルで修正
小米のMiMoチームがコーディングエージェントで同じツール呼び出しを繰り返すバグを強化学習段階の見落としまで遡って特定し、231万ドルの再学習ではなく約9万ドルで修正した。
DeepSeek、1日300万個運用のサンドボックス公開
DeepSeekが強化学習訓練用サンドボックス基盤DSecを論文で公開。1日約300万個を起動し、ピーク時の同時実行数は約38万に達する。
小米がMiMo-V2.6公開、知能指数46点に
小米がMiMo-V2.6を公開。6日間・約350万ドルの強化学習を経て知能指数46点を獲得し、オープンソース系トップに立った。
Hugging Face、178枚の画像で水彩画AIを訓練
Hugging Faceが、178枚の手動評価画像だけを報酬に使うGRPO強化学習で、コーディングモデルに水彩画を描かせる学習記録を公開した。
RLinf v0.3、ロボット訓練を一本化
RLinf v0.3 は、データ収集から SFT、強化学習、評価、実機配備までをつなぐ具身 AI 向け訓練基盤の更新だ。
Oak Lab、継続学習するエージェントに20ワット目標を掲げた
Oak Labは継続学習するエージェントに20ワット目標を掲げた。この記事は確認済みの事実と、単発の発表を超えた意味を整理する。
Sutton氏、生成AIだけでは本物の科学はできないと指摘
強化学習の先駆者は、次単語予測モデルには因果、実験、自己経験が足りないと見る。
AlphaGo生みの親David Silver氏、自己学習型AIに11億ドル調達
David Silver氏の新会社Ineffable Intelligenceがシードラウンドで11億ドル、評価額51億ドルを達成。欧州史上最大のシード調達となった。元DeepMind研究者は、大規模言語モデルとは異なる強化学習による「スーパーラーナー」AIの構築を目指す。
Mira Murati氏の新会社、14カ月で評価額120億ドルに
元OpenAI CTOのMira Murati氏が設立したThinking Machines Labが、Google Cloudと数十億ドル規模のGB300契約を締結。設立からわずか14カ月で評価額120億ドルに達した。
ソニーの卓球ロボット「Ace」、競技で初めて人間に勝利
ソニーAIの卓球ロボット「Ace」が、エリートアマチュア選手やプロリーグ選手との実戦で勝利。ロボットが実際の競技スポーツでエリートレベルのパフォーマンスを達成した初めての事例となった。
Kimi K1.5、強化学習による推論を実証
Moonshot AIがK2の前にリリースしたK1.5は、純粋な強化学習で推論能力を高める手法を実証し、大規模モデルへの拡張の基盤を築いた。