論文
多様なコントローラーを使用するロボットデータを共同学習する技術
Cross-Controller Transfer via In-Context Behavior Adaptation
- 何を
- 異なる制御方式を使用するロボットのデータを衝突なく活用して学習する技術を開発しました。
- 主な結果
- 従来方式と比較して、平均成功率が33パーセントポイント向上しました。
- 意味
- 様々な環境で収集したロボットデータをより効果的に活用できる可能性を示しています。AI要約
AIリーダー：人事異動・論文 — 最新の所属変化と研究
AI研究所・ビッグテック・学界のキーパーソンがどこへ移り、どんな論文を出すかは、技術の方向性と企業競争力を先取りするシグナルです。人事異動と論文を毎日自動で集め、運営者が確認したうえで、わかりやすい要約と原文リンクでまとめています。
最近の主なニュース
人事異動 · 新興研究所 · ロボット・フィジカルAI
条件に合う人事異動はまだありません。
論文 · 新興研究所 · ロボット・フィジカルAI
論文
多様なロボットの動作を統合する世界モデルの開発
Cross-Embodiment Robot Foundation World Models with Latent Actions
- 何を
- 多様な形態のロボット間で共有できる統合された潜在行動空間を活用するロボット世界モデルを開発しました。
- 主な結果
- 新しいロボットに適用する際、従来手法よりも精巧な操作タスクで最大46.7%、LIBERO性能評価で11.7%向上した性能を示しました。
- 意味
- 多様なロボット間の効率的な学習を可能にし、ロボット工学の主要な難題を解決することに寄与します。AI要約
論文
仮想空間のロボット映像を現実のように変換するAI技術
RoboRender: Robot-Oriented Video Generation for Visual Sim-to-Real Transfer
- 何を
- 仮想環境のロボットデータを現実環境のように見える映像に変換し、ロボットの制御能力を向上させる技術を開発しました。
- 主な結果
- この技術で学習したロボットは、現実環境で平均71パーセントの成功率を記録し、従来の手法よりも優れた性能を示しました。
- 意味
- 仮想環境で作ったデータを実際のロボットにそのまま適用することが難しかった視覚的な問題を緩和するのに役立ちます。AI要約
論文
ロボット制御と未来予測を組み合わせたオープンフレームワークを公開
OpenWAM: An Open Framework for Composable World-Action Models
- 何を
- ロボット制御と未来映像予測を統合して扱う世界-行動モデルを比較・研究できるオープンソースフレームワーク「OpenWAM」を開発しました。
- 主な結果
- 提案手法によりロボット操作タスクの成功率が大幅に向上し、反事実データ学習を通じて動力学モデルの性能が改善されました。
- 意味
- 多様なロボット制御や映像予測手法を共通の基準で比較できる基盤を提供し、関連技術の研究効率を高めることができます。AI要約
論文
人工知能の行動模倣技術現象を研究するための新しい基準を開発
Behavioral Cloning Mystery
- 何を
- 人間のデモンストレーションに類似した特性を持つロボット操作評価ツールであるOCBenchを提案しました。
- 主な結果
- このツールを通じて、グラフィックス処理装置（GPU）ベースの環境で行動模倣に関連する様々な現象を科学的に研究し、仮説を検証できることを示しました。
- 意味
- ロボット学習技術において、これまで原因が不明確だった現象を制御された環境下で分析できる基盤を提供します。AI要約
論文
ロボット学習の効率を高める性能ベースのデータ収集手法
Mulligan: Performance-Guided Data Collection for Efficient On-Robot Learning
- 何を
- 研究陣は、ロボット操作の学習過程において失敗した状態や試行されていない状態を中心にデータを収集して効率を高めるMulligan手法を提案しました。
- 主な結果
- Mulligan手法は、従来方式よりもロボットの最終作業成功率を10パーセントから34パーセント向上させました。
- 意味
- 人間がロボットを教える過程で時間と労力をより効率的に使えるよう支援する技術的進歩を示しています。AI要約
論文
複雑な視覚的計画のために階層構造を学習するAIモデル H-JEPAを開発
H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning
- 何を
- 時間帯に応じて抽象化のレベルを分けて学習する階層的世界モデルである H-JEPAを開発しました。
- 主な結果
- シミュレーション環境と実ロボットの映像実験において、従来の単一レベルモデルよりも計画の成功率が高くなり、計算効率が向上しました。
- 意味
- 複雑な長期計画が必要なロボット制御や視覚的タスクにおいて、効率を高めることに寄与できます。AI要約
論文
T2Mem: ロボットが過去のシーンを記憶して作業を行うよう学習する手法
T$^2$Mem: Learning Test-Time Memory for Robotics
- 何を
- 過去の観測情報を記憶する必要があるロボット操作タスクのために、記憶機能を持っていなかった事前学習済みロボットポリシーに、テスト時訓練（test-time training）によって記憶能力を追加するフレームワーク（T2Mem）を提案しました。
- 主な結果
- 16個の RoboMME タスクにおいて平均成功率が、記憶機能のないベースラインポリシーの 17.93% から 56.83% に向上し、ベンチマークで報告されたリカレント記憶手法を上回りました。
- 意味
- ロボットが現在の画面にない過去の情報を活用する能力を、外部記憶装置なしでデモンストレーションデータのみによって伸ばすことができる点を示したことに意義がありますが、アブストラクトは研究段階の結果のみを扱っているため、商用化や市場への効果は確認できません。AI要約
論文
人間のデモ動画からロボットの手の動きの学習データを自動生成するDexAgent
DexAgent: An Agentic Human2Sim2Robot Framework for Dexterous Manipulation with Self-Evolving Tool Library
- 何を
- 人間が撮影した一人称視点の動画1本と作業説明文を入力すると、物理的に実現可能なロボットの動作軌跡を作成し、ロボット学習用のデータを生成するエージェント型フレームワークを提案しました。
- 主な結果
- 現実環境の11の作業において、DexAgentが作成したデータで学習したポリシー（ロボットの行動ルール）が、比較基準となる手法よりも3.5倍高い成功率を示しました。
- 意味
- 人間のデモ動画をロボットの学習データに変換するプロセスを自動化する可能性を示していますが、アブストラクトだけでは実際の産業適用レベルや商用化の時期を判断することは困難です。AI要約
論文
自動運転のワールドモデルを100倍高速化したJEPAに関する研究
AD-E2E-JEPA: A Joint-Embedding Predictive Architecture For End-to-End Autonomous Driving
- 何を
- 自動運転に使用される予測ベースのワールドモデル（JEPA系）を比較評価し、計算量を大幅に削減した改良構造「AD-E2E-JEPA」を提案しました。
- 主な結果
- 提案構造は、計画に使用するパッチ数を16分の1に、埋め込み次元を4分の1に減らすことで、計画性能を維持しながら推論速度を約100倍向上させたと報告されています。
- 意味
- 自動運転AIの計算コストを削減する方向性を示した研究と言えますが、実際の車両への適用効果や商用化の可能性は抄録だけでは判断困難です。AI要約
人物
フロンティア研究所
ノーム・シャジールNoam ShazeerGoogle Gemini 共同リーダーダリオ・アモデイDario AmodeiAnthropic CEO最近の活動 2026-10-27デミス・ハサビスDemis HassabisGoogle DeepMind CEO最近の活動 2026-10-20Mark ChenOpenAI 最高研究責任者最近の活動 2026-10-29アレクサンドル・ワンAlexandr WangMeta Superintelligence Labs リーダー最近の活動 2026-06-10Jakub PachockiOpenAI チーフサイエンティスト最近の活動 2026-09-28ジャリッド・カプランJared KaplanAnthropic 共同創業者最近の活動 2026-10-09ジェフ・ディーンJeff DeanGoogle チーフサイエンティストナット・フリードマンNat FriedmanMeta Superintelligence LabsNoam BrownOpenAIRob FergusMeta FAIR 責任者最近の活動 2026-10-20ムスタファ・シュリーマンMustafa SuleymanMicrosoft AI CEO最近の活動 2026-10-22シェーン・レッグShane LeggGoogle DeepMind 共同創業者最近の活動 2026-09-28ヤン・ライケJan LeikeAnthropicオリオール・ヴィニャルズOriol VinyalsGoogle DeepMindShengjia ZhaoMeta Superintelligence Labs チーフサイエンティストJason WeiMeta Superintelligence LabsKoray KavukcuogluGoogle 最高AIアーキテクト最近の活動 2026-07-02クリス・オラーChris OlahAnthropic最近の活動 2026-05-28Pushmeet KohliGoogle DeepMind 科学AI最近の活動 2026-10-20
新興研究所
ミラ・ムラティMira MuratiThinking Machines Lab CEOアンドレイ・カルパシーAndrej KarpathyEureka Labs 創業者ヤン・ルカンYann LeCunAMI Labs 創業者最近の活動 2026-10-30イリア・スーツキヴァーIlya SutskeverSSI CEOLlion JonesSakana AI最近の活動 2026-10-06Lilian WengThinking Machines Lab 共同創業者Barret Zoph頻繁な移籍(2026年にOpenAI復帰後、再び移籍したと報道)Sergey LevinePhysical Intelligence・UCバークレー最近の活動 2026-10-06アラビンド・スリニバスAravind SrinivasPerplexity CEOArthur MenschMistral AI CEOアシシュ・ヴァスワニAshish VaswaniEssential AI最近の活動 2026-10-28Aidan GomezCohere CEO最近の活動 2026-09-12ジョン・シュルマンJohn SchulmanThinking Machines Lab チーフサイエンティストChelsea FinnPhysical Intelligence・スタンフォード大学最近の活動 2026-10-29フェイフェイ・リーFei-Fei LiWorld Labs CEO・スタンフォード大学最近の活動 2026-10-07
学界
リチャード・サットンRichard Suttonアルバータ大学ステュアート・ラッセル (政治家)Stuart Russellカリフォルニア大学バークレー校アンドリュー・ングAndrew NgDeepLearning.AI・AI Fundヨシュア・ベンジオYoshua Bengioモントリオール大学・LawZero最近の活動 2026-10-12ジェフリー・ヒントンGeoffrey Hintonトロント大学名誉教授最近の活動 2026-09-28クリストファー・D・マニングChristopher Manningスタンフォード大学最近の活動 2026-07-20Percy Liangスタンフォード大学・Together AI最近の活動 2026-10-22ピーター・アビールPieter Abbeelカリフォルニア大学バークレー校最近の活動 2026-10-06Kaiming Heマサチューセッツ工科大学最近の活動 2026-10-01
AIハードウェア
韓国
中国
経営陣
Kwak Noh-jungSKハイニックス CEOマーク・ザッカーバーグMark ZuckerbergMeta CEOサム・アルトマンSam AltmanOpenAI CEO全永鉉Jun Young-hyunサムスン電子 DS部門長ジェンスン・フアンJensen HuangNVIDIA CEOC.C. WeiTSMC 会長兼CEOグレッグ・ブロックマンGreg BrockmanOpenAI プレジデントリサ・スーLisa SuAMD CEOリップ＝ブー・タンLip-Bu TanIntel CEOサティア・ナデラSatya NadellaMicrosoft CEOSanjay MehrotraMicron CEOMasayoshi Sonソフトバンク会長サンダー・ピチャイSundar PichaiAlphabet CEOアンディ・ジャシーAndy JassyAmazon CEOイーロン・マスクElon MuskxAI・Tesla CEOKevin ScottMicrosoft CTOHock TanBroadcom CEO
なぜAIリーダーの人事と論文を追うのか
AI産業では人こそが技術です。キーとなる研究者がどの企業に移り、どんな研究所を立ち上げるかは、数か月後に製品・資金調達・M&Aにつながることが少なくありません。本ページでは、フロンティア研究所、新興研究所、学界、AI半導体、韓国・中国の人物まで分けて所属の変化を追跡します。
論文は、その人がいま何に注力しているかを示します。HBM・メモリ、GPU・アクセラレータ、推論効率、エージェント、ロボットなど投資につながる10分野に論文を分類し、抄録をもとに「何を・主な結果・意味」の3行要約と原文・PDFリンクを提供します。特定銘柄の売買推奨ではなく、アイデアを探すための情報です。
よくある質問
Q. どの人物を追跡していますか？
フロンティア研究所（OpenAI・Google DeepMind・Anthropic・Metaなど）、新興研究所、学界、AI半導体、韓国・中国のキーとなる研究者と経営陣です。論文をほとんど書かない経営陣は人事異動のみ追跡します。
Q. 情報源と更新頻度は？
論文はSemantic ScholarとarXiv、経歴はウィキデータ（CC0）と公式発表・報道をもとに毎日自動で収集します。運営者が確認・承認した項目のみ公開します。
Q. 論文要約は誰が書いていますか？
論文の抄録をもとにAI（Google Gemini）が下書きを作成し、運営者が確認してから公開します。他言語は確認済みの韓国語要約をAIで翻訳したものです。詳しい数値や文脈は必ず原文でご確認ください。
本ページは公開論文・公式発表・報道を整理した情報提供用の資料です。論文要約は抄録をもとにAIが作成し運営者が確認したもので、原文と異なる場合があるため、重要な内容は原文をご確認ください。特定銘柄の売買推奨や投資助言ではありません。 人事異動は公式発表または主要報道を出典として表示し、経歴の一部はウィキデータ（CC0）を参照しています。 このページの要約は、運営者が確認した韓国語版をもとにAIが翻訳したものです。
