AI研究 GRPOからSAMPOへ:エージェントRLにおけるトレーニング崩壊の解決
本動画は、AIエージェントの強化学習における新たなポリシー最適化手法「SAMPO」を紹介する技術解説である。従来のGRPOなどの手法では、マルチターン環境での学習が不安定になり、勾配爆発やトレーニング崩壊が発生する問題があった。カリフォルニ...
報酬関数
AI研究 
AI研究 14BモデルがGPT-5.2を超える性能を実現 ファジーグラフ報酬による推論革命
Princeton大学の研究チームが、知識グラフを暗黙的な報酬モデルとして活用する新しいAIシステムを発表した。この手法は、従来のLLMが抱える「真の組み合わせ的推論」の限界を克服するものである。研究の核心は、3ホップの推論で訓練されたモデ...
脳科学・意識・知性 アダム・マーブルストーン:AIは脳に関する根本的な何かを見落としている
本動画は、神経科学者Adam Marblestoneが脳と人工知能の根本的な違いについて語るインタビューである。人間の脳は現代のLLMよりも遥かに少ないデータで学習できるが、その秘密は何か。Marblestoneは、AIの分野が見落としてき...
Google・DeepMind・Alphabet SRL:Googleによる新しいAI訓練手法
Googleが発表した新しいAI学習アルゴリズム「教師あり強化学習(SRL)」は、従来の教師あり学習と強化学習の長所を組み合わせた革新的な手法である。従来の教師あり微調整は過学習の問題があり、検証可能な報酬関数による強化学習は複雑なタスクに...
LLM・言語モデル リチャード・サットン – 強化学習の父がLLMは行き詰まりだと考える理由
この動画は強化学習の父として知られるリチャード・サットンが、現在主流となっている大規模言語モデルのアプローチに対して根本的な批判を展開する内容である。サットンは強化学習こそが真の知能の基盤であり、LLMは人間の模倣に過ぎず行き詰まりだと主張...
LLM・言語モデル なぜLLMはハルシネーションを起こすのか（そしてそれを止める方法）
本動画では、現代の大規模言語モデル（LLM）におけるハルシネーション（幻覚）問題について、OpenAIの最新研究論文を基に詳細な解説を行う。ハルシネーションが発生する根本原因は、モデルの訓練と評価方法にあり、現在の精度ベースの評価システムが...
AI研究 AIが適応型ウィジェットを生成UIとしてコーディング（スタンフォード大学）
スタンフォード大学が開発した革新的な生成UIシステムに関する解説である。従来のテキストベースの応答ではなく、AIがユーザーの質問やタスクに応じて動的にインタラクティブなウィジェットやツールを生成する新しいパラダイムを提示している。システムは...
RAG RAG 3.0における強化学習：自己学習AIエージェントの推論（清華大学）
この動画では、RAG（Retrieval-Augmented Generation）と強化学習を組み合わせた新しいフレームワーク「RAG 3.0」について解説している。従来のAIエージェントが抱える無限ループ問題や、いつ内部知識に頼り、いつ...