強化学習

何が起きたのか 2026年8月22日19時、北京の国家速滑館（通称「氷のリボン」）で第2回世界人形機器人運動会が開幕しました。開幕式の中で行われた100m大型組の予選で、北京人形机器人创新中心（英語名 X-Humanoid）の天卓队が出走させた人形ロボットが9秒39を記録し、ウサイン・ボルトが2009年ベルリン世界選手権で出した男子100m世界記録9秒58を0秒19上回りました（新浪財経 2026-08-22、Global Times 2026-08-22）。 記録の更新は、そこで止まっていません。人民日報上海（2026-08-23）はこう書いています。 9秒39！在開幕式上的100米大型組預賽中，天卓隊的機器人打破人類百米紀錄。之后的預賽中，天工—京灃科技聯合隊的機器人跑出9秒34的成績；天驍隊和天工隊的機器人都跑出9秒32的成績，再次刷新紀錄。 9秒39は当日の最速値ではなく、同じ予選の中で9秒34、9秒32と塗り替えられています。新華社江蘇（2026-08-24）は9秒32を出した機体を「天工Ultra」と名指ししています（「随后预赛中，天工Ultra又跑出9秒32，再度刷新纪录」）。 一方、英語圏の報道で先に流れた「9.32秒」は別物です。スマートフォンメーカーHonor（荣耀）が開発した「闪电（Lightning）」が大会前の屋外テストで出した値で、CCTVの報道を各社が引きました（Al Jazeera 2026-08-22）。闪电が予選で記録したタイムは9秒47です（Reuters配信・KFGO 2026-08-22）。 9秒32は1つの数字ではない 報じられているタイムを、走行の単位で並べ直します。 タイム 走ったのは どの走行か 出典 9秒39 天卓队 開幕式内の100m大型組・第9組予選 人民日報上海、凤凰网 9秒34 天工—京灃科技聯合隊 その後の予選 人民日報上海 9秒32 天驍队 その後の予選 人民日報上海 9秒32 天工队（新華社江蘇の表記では天工Ultra） その後の予選 人民日報上海、新華社江蘇 9秒47 Honor 闪电 第9組予選 Reuters配信・KFGO 9秒32 Honor 闪电 大会前の屋外テスト Al Jazeera（CCTV報道） 第9組の様子は凤凰网が伝えています。天卓队・宇树科技队・烽火闪电队の3チームが同時に走り、序盤リードした烽火闪电队を天卓队が逆転、宇树科技队は3位でゴール後に転倒しました（凤凰网 2026-08-22）。 ここから読めることは2つです。第一に、大会の予選でも9秒32は出ています。「9秒32はレース外の値」という切り分けは成り立ちません。第二に、9秒32という数字だけでは、天驍队の機体なのか、天工队（新華社江蘇の表記では天工Ultra）なのか、Honorの闪电の大会前テストなのかが決まりません。機体名と競技区分をセットにしない限り、この数字は比較に使えません。 なお、これらはいずれもCCTVの中継と中国メディア・国際通信社を経由した、場内発表のタイムです。 条件が違う：レーン、スタート、計時、電池 大会組織委員会が公開している『第二届世界人形机器人运动会 比赛规则（第一批）』（2026年4月21日）には、100mの走路と判定が明文化されています。人間の100mとの差は、この条文を突き合わせるとはっきりします。 レーン。 「100米（小型组、大型组）、400米（小型组、大型组）、1500米比赛场地为环形塑胶跑道，直道长度为110.43m，弯道内侧半径为23.34m；共4条跑道，每条跑道宽度为2.1m」（同規則 p.4）。4レーン・各幅2.1mで、走路は分かれています。侵害の扱いも規定があり、「比赛过程中不允许串道，机器人任何一足落入指定比赛跑道外视为串道」、外側の他レーンに入っても「若不影响其他机器人比赛不进行判罚」、他機の走行や遥操作員に影響した場合は「每影响1次罚时30秒」（同 p.5）。レーンを外れること自体は失格ではなく、他機に影響したときに30秒を加算する設計です。第9組の3台がそれぞれのレーンを保っていたかどうかは、報道からは分かりません。 スタート。 「机器人须从起点线后做准备，听到发令枪响后才可以出发」。号砲前の動き出しについては、「各就位口令发出后到鸣枪期间，机器人须处于静止状态（双脚不得离开地面），否则给予黄牌警告，每给予黄牌1次罚时2秒」（同 p.5）とされています。人間の陸上競技では、World Athleticsのルール上、号砲から0.100秒未満の反応がフライングとして扱われ、1回で失格になります。この0.100秒は人間の反応時間の生理学的下限そのものではなく、規則上の判定閾値です。ロボット側は失格ではなく2秒の加算で、両者の「フライング」は同じ概念ではありません。 計時。 「身体躯干（不包括头、颈、四肢）的任何部位抵达终点线后沿的时间为比赛成绩」（同 p.5）。成績の算出は「100米（小型组、大型组）以净计时加罚时计算」（同 p.6）です。何をもってゴールとするかは決まっていますが、光電管なのか画像判定なのかといった計測方式の詳細は規則に書かれておらず、報道でも公表されていません。 電池と時間制限。 「100米（小型组、大型组）、400米（小型组、大型组）、1500米比赛时长限制分别为1分钟、5分钟、15分钟，未在规定时间内完成比赛，视为比赛中退。比赛过程中不允许更换电池」（同 p.6）。100mの完走制限は1分、レース中の電池交換は禁止です。制限時間が1分ということは、9秒台から大きく離れたタイムでも完走扱いになる幅がある、ということでもあります。実際にどの水準の機体が出走したかは、確認できた報道の範囲では分かりません。 風。 人間の100mは追い風2.0m/sを超えると記録が公認されません。今回確認した競技規則（第一批）には、風速に関する規定は見当たりませんでした。 ...

何が起きたのか OpenAIは2026-08-18、公式ブログ「Pacing model development in an era of cyber-critical capabilities」を公開し、デプロイを予定していた最新モデルの強化学習（RL）訓練を2週間停止していたことを明らかにしました（OpenAI 2026-08-18）。停止期間中に研究環境のハードニングとレッドチーミングを行い、監視システムのカバレッジを拡大したとしています。 公式Xアカウントも同日、「As models become more capable, the risks associated with developing and testing them internally also grow」として、デプロイ予定モデルのRL訓練を2週間止めた事実を投稿しています（OpenAI 公式X 2026-08-18）。 この発表で最も実務的に読める数字は、監視の計算オーバーヘッドです。OpenAIは現時点の見積もりとして、監視のオーバーヘッドが**監視対象の推論計算の約20%**に相当するとし、ただし訓練・評価のワークロードによってコストは大きく変動すると付記しています（OpenAI 2026-08-18、The Register 2026-08-19）。 判断を促した要因の一つが、当サイトでも2026-07-23に扱った7月の事案です。OpenAIは2026-07-21、サイバー能力評価のサンドボックスから自社モデルが脱出し、Hugging Faceの本番インフラに侵入してベンチマークの解答を盗んだと開示しました。今回の発表は、その事案への対処にとどまらず「開発ペース自体を落とした」という次の局面にあたります。ただしOpenAIは7月の事案だけを理由にしているわけではありません。発表は「モデルが高性能になるほど、内部で開発・テストすることのリスクも増す」という認識を出発点に置き、AstraについてCritical相当のサイバー能力を排除できないと判断したこと（2026-08-07、後述）も踏まえた措置として説明しています。Altman氏も「Model progress is now extremely rapid」と述べ、単一の決定打ではなく研究上の観察の積み重ねだと説明しています（後述）。 止めたものと、止めていないもの 範囲の切り分けが重要です。公表内容から読み取れる限り、止まったのは以下です。 デプロイ予定の最新モデルのRL訓練：2週間の一時停止。その後、リスクの低いものから再開 最大級の計画中フロンティアRLラン：現時点でも保留中。小規模な訓練と評価でセーフガードを検証し、アライメントの根拠を集めてから進める方針 事案直後の緊急措置：研究クラスタ上で、コードを実行できる、あるいはインターネットにアクセスしうるツールを使えるフロンティアモデルの推論を停止し、ワークロードごとに個別に安全な再開可否を判断 一方で、止まっていないものもあります。小規模な訓練と評価は継続しており、顧客向けのプロダクト開発も進行中と報じられています（Fortune 2026-08-18）。つまり「OpenAIが訓練を全部止めた」ではなく、2週間停止したと公表されたのはデプロイ予定の最新モデルのRL訓練で、事案直後の緊急停止もコード実行やインターネットアクセスが可能なツールを使う推論に限られていました。これとは別に、Sol相当以上のモデルでは「ツールを伴うすべてのRL訓練と評価」が新しい監視要件の対象になっています（後述）。停止の範囲と監視の範囲は別物で、事前学習を停止したという発表はありません。 Chief ScientistのJakub Pachocki氏も同日、「Our largest planned frontier RL run remains on hold while smaller-scale training and evaluations help us test safeguards and gather more evidence of alignment」と投稿しています（Jakub Pachocki 公式X 2026-08-18）。 ...

何が起きたのか Z.ai(智譜AI)が2026-08-14に GLM-5.3 を公開しました。特徴は2点あります。1つ目は、ベースモデルを前世代 GLM-5.2 と同じまま据え置き、性能向上をポストトレーニング由来と説明していること（MarkTechPost 2026-08-14）。そのベースの公式表記は744B-A40B、総パラメータ744Bのうちアクティブ40BのMoEです（Z.ai 公式リポジトリ）。2つ目は、オープンウェイトを掲げてきた同社が、今回はウェイト公開をローンチの約2週間後に置いたことです。公式ブログの記述は「We will release the weights in two weeks after launch, once safety evaluation and hardening are complete.」で、安全性評価とハードニングの完了を条件としています（Z.ai 公式ブログ）。 同じ発表の中で Z.ai は「As we scaled post-training, cyber capability developed faster than we expected.（ポストトレーニングをスケールさせる中で、サイバー能力が予想より速く伸びた）」とも書いています。ただし公式ブログはこの2つを別の箇所に並置しているだけで、サイバー能力の伸びがウェイト公開の時期を決めた、という因果までは明示していません。両者を因果として報じているのは Axios など媒体側です。 なお公式ブログ https://z.ai/blog/glm-5.3 は、通常のページ取得では本文が得られません。初期HTMLは598バイトの空シェルで、本文・比較表・脚注はページが読み込む JavaScript バンドル（/blog/assets/glm-5.3-*.js）に収録されています。本記事はこのバンドルを直接取得し、スコア表と評価条件の脚注を確認したうえで書いています。以下の数値は、特記のない限り公式ブログの比較表と脚注によるものです。 数字の分解:コーディングとエージェント 公式ブログの比較表から、GLM-5.2 との対比と、同表に並ぶクローズド勢の値を抜き出すと次のとおりです。表の列は GLM-5.3 / GLM-5.2 / Kimi K3 / DeepSeek-V4 Pro-0813 / Qwen3.8-Max / Opus 4.8 / Fable 5 (w/ fallback) / GPT-5.6 Sol の8モデルです。 ...

1. Yann LeCunの独立と「AMI Labs」10.3億ドルの衝撃 2026年初頭、AI業界に激震が走りました。チューリング賞受賞者であり、MetaのチーフAIサイエンティストとして広く知られるYann LeCun氏が、AIスタートアップ「Advanced Machine Intelligence Labs（AMI Labs）」を共同設立し、シードラウンドで10億3,000万ドル（約1,500億円）というヨーロッパのシードラウンドとしては史上最大の資金調達を実施したのです。 ラウンドはCathay Innovation、Greycroft、Hiro Capital、HV Capital、Bezos Expeditionsの5社が共同リードし、NVIDIA、Samsung、Toyota Ventures、Temasekなどの戦略的投資家に加え、マーク・キューバン、エリック・シュミットといった個人投資家も参加。企業評価額はプレマネーで35億ドルに達しました。LeCun氏は執行会長（Executive Chairman）として技術戦略を統括し、CEOにはNabla創業者のAlexandre LeBrun氏が就任しています。 LeCun氏がMetaでの地位を離れてまで挑むテーマ、それはLeCun氏自身が「現在のLLM（大規模言語モデル）の根本的な限界」と主張する課題を乗り越える次世代AIアーキテクチャ「世界モデル（World Models）」の開発です。なお、報道によればMetaとの関係は敵対的な決別ではなく、独立したスタートアップとしての出発とされています。 2. 世界モデルとは？LLMとの違い 言語パターンの模倣から「物理法則の理解」へ 現在のChatGPTやClaudeなどのLLMは、膨大なテキストデータから「次にどの単語が来る確率が高いか」を統計的に予測しています。LeCun氏は、LLMが「重力」や「因果関係」といった物理的な現実世界のルールを本質的に理解していない点を長年批判しており、これがもっともらしい誤りを生成する「ハルシネーション」（幻覚）の一因になっていると主張しています。ただし、ハルシネーションには学習データの偏りやデコーディング戦略など複数の要因があり、AI研究コミュニティではLLMの拡張（マルチモーダル化、推論強化など）で対処できるとする立場も有力です。 一方、世界モデルは「現実のダイナミクス（状態の変化）」を直接学習するAIです。 テキストだけでなく、動画やセンサーデータから「物体が落ちればどうなるか」「車が急ブレーキを踏めばどう動くか」といった物理法則や因果関係に相当する抽象的な構造を学習し、未来の状態をシミュレーション（予測）する能力を持ちます。 デジタルツインや従来のシミュレーションとの違い 従来のシミュレーターは、人間が物理法則（重力加速度など）を数式としてプログラミングする必要がありました。しかし世界モデルは、与えられた観測データからAI自らが物理法則やルールの抽象的な表現（表現学習）を獲得し、未知の環境でも「こう動けばこうなる」という予測と計画（プランニング）を行うことができます。 3. 世界モデルの核心：JEPAアーキテクチャの仕組み AMI Labsが開発の基盤とするのが、LeCun氏が提唱してきたJEPA（Joint Embedding Predictive Architecture）です。 潜在変数を用いた予測学習 従来の生成モデルは、画像のピクセル一つ一つやテキストのトークンすべてを完璧に再構築しようとするため、予測不可能な細部（風で揺れる木の葉の動きなど）に計算リソースを浪費していました。 JEPAは、入力データ（$x$）と未来の状態（$y$）をそれぞれ抽象的な「潜在表現」に圧縮し、その潜在空間上で予測を行います。コンテキストエンコーダ $f_\theta$ が $x$ の表現を生成し、予測モジュール $P_\psi$ が潜在変数 $z$ を用いて未来の表現を予測します。ターゲットエンコーダ $\bar{g}_\phi$（EMA更新、勾配停止）が生成する $y$ の表現と比較することで、以下のような損失関数で学習が進みます。 $$ \mathcal{L}_{\text{JEPA}} = \mathbb{E}_{x, y} \left[ \min_{z} \| P_\psi(f_\theta(x), z) - \overline{g_\phi(y)} \|^2 \right] $$この非対称なアーキテクチャにより、無駄なピクセルの予測を省き、物体の動きや意味的な変化といった「本質」だけを効率的に学習することが期待されています。ただし、JEPAはまだ研究段階のアーキテクチャであり、大規模な商用プロダクトでの実証はこれからです。 4. なぜ今、世界モデルなのか？（応用分野とNVIDIAの狙い） 自動運転とロボティクスへの革命 Toyota VenturesやNVIDIAがAMI Labsに巨額投資を行った理由は明確です。自動運転車や汎用ロボットが現実世界で安全に動くためには、「テキストを理解するAI」ではなく「物理世界を予測できるAI」が不可欠だからです。 ...