モデルの読み · トレンド観察 （インタビューの初出は 2026-05-22 収録、学術との対照は 2026-06 ／ 07）
この記事の出典 2026年8月2日 夕刊
昨夜新しく入った 15 本の論文はまだ処理しておらず、この欄に単日の増分は無い。「言い分と学術」の対照を 1 組出す。Vinyals はこの 1 年で変わった考えを自ら述べている。数学やコーディングといった、答えが自動で照合できる狭い領域で学習させると(AI 業界でいう RLVR、検証可能な報酬による強化学習)、領域をまたぐ汎化が生まれる——「creates this generalization. I think that is not something I quite predicted to work as well as it … did」。ただしこの問いが未決であることも、彼は明言する。数学とコードだけで汎用の問題解決の力を誘発できるのか——「I don't know. I mean, I think it could go either way」。彼が賭ける解は、モデル自身に判定させて、自動で採点できない領域を開くことである(Unsupervised Learning インタビュー、2026-05-22 収録)。学術の測定は、ちょうどこの賭けの上に落ちている。2026-07 の評価研究は、参照の答えが無い場面で AI の判定が体系的に甘く付き、参照の答えを足すと判定がひっくり返る割合が最大 85% に達すると測った(arXiv 論文、2026-07)。2026-06 の採点器の設計の研究は、単体テストを採点器に充てると特定の誤りの型への検出力がゼロになりうること、そして誤った採点器が返す助言は、助言が無いよりも悪いことを測った(arXiv 論文、2026-06)。並べて読む。「採点器を書けない領域」こそ、AI の判定がいま最も当てにならない領域である。賭けが張れないという話ではない。いまの測定が、その側に立っていないという話である。
AI を訓練する新しい筋のひとつが「rubric 型の報酬」である。報酬モデルを別に訓練せず、1 枚の評価表で答えに点を付ける。Ai2(Allen Institute for AI…
AI データ研究機関の Epoch AI と評価機関 METR がベンチマーク MirrorCode を公開した。ソースコードを見ず、ネットにもつながない条件で、コマンドラインの入…
SemiAnalysis は同じ AMD 現地調査のなかで、一次の工学的観察を示した:2.5 人のエンジニアに AI コーディングエージェントを組み合わせれば、かつてはチーム一組が…