基準日 2026-11-03
実行 2026-11-03 21:00:25
S&P 500
7,569
NDX 100
28,180
VIX
20.82
US 10Y
4.95%
DXY
101.86
WTI
$96.60
Gold
$3,932
USD/KRW
1,344
SOX
10,599
Trump Approve
35.4%
S&P 500
7,569
NDX 100
28,180
VIX
20.82
US 10Y
4.95%
DXY
101.86
WTI
$96.60
Gold
$3,932
USD/KRW
1,344
SOX
10,599
Trump Approve
35.4%
AI LEADERS · MOVES & PAPERS

AIリーダー:人事異動・論文 — 最新の所属変化と研究

LAST UPDATE 2026-11-03 08:00 KST PEOPLE 77 · PAPERS 76 · MOVES 0
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 · エージェント・コーディング

条件に合う人事異動はまだありません。

論文 · エージェント・コーディング

論文2026-10-30

複雑なロボット制御の限界を超える階層型モデルの開発

Hierarchical World Models with Implicit Dynamics
何を
研究チームは、状態の到達可能性と局所制御を分離し、複雑で長時間のタスクを実行できる階層型ワールドモデルであるID-WMを開発しました。
主な結果
既存の最高性能の手法と比較して38.5パーセント向上した性能を記録し、単一レベルのワールドモデルと比較した場合は135パーセントの性能向上の見せました。
意味
今回の研究は、複雑で初めて直面する環境でも、ロボットがエラーを減らしながら長期的な計画を立てられる可能性を示しています。AI要約
論文2026-10-29 · arXiv (Cornell University)

仮想環境学習による精神科問診対話AIの性能向上

Training language models in simulation for psychiatric intake
Mark Chen ほか55名
何を
研究チームは、仮想環境で強化学習を経た言語モデルが、構造化テキストベースの精神科初期問診能力を大幅に向上させることを実証しました。
主な結果
精神科医が参加した評価において、学習された人工知能は、診療スコア、患者中心のコミュニケーション、鑑別診断の適切さなど、複数の指標でベースモデルを上回る成果を示しました。
意味
仮想環境が精神科対話型人工知能を訓練し、安全性を検証するための有用なテストベッドになり得ることを示しています。AI要約
論文2026-10-28

複雑なタスクの実行が可能な高効率AIモデルの開発

Nemotron 3.5 Super and Lightning: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Models for Agentic AI
何を
研究チームは、推論、長文脈の理解、自律的なタスク実行に適したオープンなAIモデルである Nemotron 3.5 Super と Lightning を開発しました。
主な結果
Super モデルは、少ない活性化パラメータを使用しながらもソフトウェアエンジニアリングの評価で 51.78% を記録して従来のモデルを凌駕し、多様な最適化を通じて高い処理性能を示しました。
意味
本研究は、大規模モデルの効率性と性能を同時に高め、多様な環境で実用的に活用できる可能性を示しています。AI要約
論文2026-10-08 · Science

人工知能により未解決の数学的問題を自動で証明

Advancing mathematics research with AI-driven formal proof search
Pushmeet Kohli ほか20名
何を
コンパイラが証明のステップを検証する言語を活用し、大規模に数学的証明を探索するAIエージェントを開発しました。
主な結果
このAIエージェントは、複数の未解決の数学的問題や予想を自律的に解決することに成功しました。
意味
人工知能が自律的な数学的発見を導き出す可能性を示しました。AI要約
論文2026-10-07

ベースAIモデルのコーディングエージェント性能を事前に予測する方法を開発

Before They Can Solve: Predicting Post-Training Coding-Agent Performance from Base Models
何を
ベースAIモデルの潜在能力を評価するため、事後学習されたコーディングエージェントの成功経路を活用する3つの評価画面(スクリーン)を開発しました。
主な結果
開発された3つの評価方法すべてが、公開モデルグループの順位を実際の性能に近く予測しました。
意味
今後のコーディングエージェントベンチマークをベースモデル評価に活用できる可能性を提示します。AI要約
論文2026-10-06 · arXiv (Cornell University)

人工知能コーディングの信頼性を高めるヒューマナイズ手法

Humanize: Judgement Engineering for Agentic Coding
Song Han ほか8名
何を
計画、実装、レビューの段階間に明確で機械的な決定を適用する、複数人工知能の協調ワークフローであるヒューマナイズを紹介しました。
主な結果
異なる企業の制作人工知能とレビュー人工知能が交互に作業し、競技会の問題解決や性能評価で高い成果を収めました。
意味
人工知能を利用したプログラミングの過程において、独立したレビューがエラーの発見に役立つことを示しています。AI要約
論文2026-10-06 · arXiv (Cornell University)

人工知能エージェントの環境制御力と構造的中心性の関係を解明

The Geometry of Empowerment
Sergey Levine ほか3名
何を
研究チームは、人工知能エージェントが周辺環境を制御する能力を指すエンパワーメントと、将来の結果への幅広いアクセスを可能にする構造的中心性との間の関係を明らかにしました。
主な結果
エンパワーメントの最大化とスキル学習手法を結びつけ、これを解釈・分析できる新しい幾何学的構造を提示しました。
意味
スケーラブルなエンパワーメント最大化手法を構築するために必要な理論的示唆を提供します。AI要約
論文2026-10-06 · arXiv (Cornell University)

AIエージェントの経験を通じた自己改善能力を評価する新しい方法

Agent Plasticity: Measuring Self-Improvement Through Experience
Rob Fergus ほか10名
何を
経験を通じて自ら発展するAIエージェントの自己改善効率を測定するため、エージェント可塑性の概念を導入し、評価方法を研究した。
主な結果
最新モデルは学習機会が類似しているにもかかわらず向上経路に大きな差を示し、最終的な性能が最も優れたエージェントが必ずしも最も効率的に向上するわけではなかった。
意味
人工知能の発展可能性を評価する際、固定された時点の能力だけでなく、経験を通じてどれほど効果的に改善されるかを測定することが重要であることを示している。AI要約
論文2026-10-04 · arXiv (Cornell University)

音楽を楽譜に変換するAI「SheetSage2」が公開

SheetSage2: Coherent Lead-Sheet Transcription with Synthetic Supervision
何を
音声録音を人間が読める楽譜(リードシート)に自動変換する統合音楽採譜モデル「SheetSage2」が提案されました。
主な結果
単一モデル「SheetSage2-AR」は、評価された15のベンチマーク・指標ペアのうち12個で列挙された既存システムを上回り、前バージョンの「SheetSage1」から大幅に改善され、一部のベンチマークではタスク専用モデルよりも高い性能を示しました。
意味
音楽採譜技術の精度を高める研究であり、モデルの重みと推論コードが公開されており、後続の研究や応用を活用することができます。ただし、要約だけでは商用化の可能性や市場規模の判断は困難です。AI要約
論文2026-10-04 · arXiv (Cornell University)

複数のAIエージェントがGitリポジトリに作業を積み重ねて問題を解く手法を提案

GitSwarm: Decentralized Compounding Inference
Rob Fergus ほか13名
何を
同一の複数のAIエージェントが共有Gitリポジトリで各自独立して作業を進め、中間成果物を継続的に保存・参照・結合できる「累積型推論」システムGitSwarmを提案し評価しました。
主な結果
数学の証明30問を1度の実行ですべて解き、プログラミング課題ProgramBenchで平均79.4点を記録し、予算条件が定められた中で最も強いベースライン(65.1点)を上回り、ニューラルネットワーク構造研究の3つの課題で反復実験を通じて出発点構造を改善したと報告しました。
意味
AIが試行ごとに結果を捨てず、中期成果を積み重ねて次の作業に再利用できることを示し、長期的な問題解決や科学研究用AI設計の方向性を提示しています。ただし、抄録に記載されたレベルの結果であるため、実際の産業への波及効果はこの資料だけでは判断が困難です。AI要約
論文2026-10-01 · arXiv (Cornell University)

VISTA:視覚的記憶によるマルチモーダルAIエージェントの性能向上に関する研究

VISTA: A Visual Harness for Reasoning in an Interactive World
Kaiming He ほか4名
何を
研究チームは、画像とテキストを同時に扱うマルチモーダルAIモデルが対話型の視覚環境でタスクをよりよく解けるように支援する「ビジュアルハーネス」VISTAを提案しました。
主な結果
ARC-AGI-3にVISTAを適用した結果、相対的人間行動効率スコアが40.68から100.00に上昇し、公開ゲーム25個をすべてクリアした上で、最初に参加した人間よりも57.4%少ない行動で終了したと報告されています。
意味
既存モデルに視覚的記憶と検索機能を付加する手法が、特定の視覚ゲームタスクにおいて効果的であった事を示しています。ただし、抄録では一部のベンチマーク結果しか提示されていないため、実際の産業現場全般に適用できると断定することはできません。AI要約
論文2026-10-01 · arXiv (Cornell University)

ロボットがシミュレーションの練習で自らスキルを向上させるRPGフレームワーク

Reconstruct, Practice, Go Real: Guided Self-Improvement for Embodied Agents
何を
人間の追加介入なしにロボットのタスクシステムを自律的に改善するRPGフレームワークを提案しました。
主な結果
22の操作タスクの新しい初期条件テストにおいて、成功率が初回の練習後の28.6%から15ラウンド後には95.0%に上昇し、実機ロボットの30回の試験すべてに成功しました。
意味
ロボット制御ソフトウェアを人間の手直しを減らして改善できる可能性を示した研究ですが、実際の産業適用や商用化のレベルは抄録だけでは判断できません。AI要約
論文2026-10-01 · arXiv (Cornell University)

研究者184人が作成した「インスピレーション論文検索」ベンチマーク

ScholarCatalyst: A Benchmark for Retrieving Papers That Inspire New Research
Chelsea Finn ほか13名
何を
コンピュータ科学分野の最近の論文207本の筆頭著者184名が、どの過去の論文が自身の研究に実際に役立ったかを示したデータセット「ScholarCatalyst」を作成し、それを発見する検索タスクを提案しました。
主な結果
エージェント(自ら検索を繰り返してタスクを実行するAI)検索は、基本の検索手法よりも優れた性能を示しませんでした(上位20件の結果に基づく再現率で0.42対0.48)。「Claude Fable 5.1」ベースのエージェントも0.51にとどまりました。
意味
現在のAIには、膨大な研究文献から必要な先行アイデアを見つけ出す専門家の直感がまだ不足しており、そのための新しい学習方法が必要であるという方向性を示しています。科学研究を支援するAI研究の一歩と見なすことはできますが、実際の商用化や産業的効果はアブストラクトから確認することはできません。AI要約
論文2026-09-29 · arXiv (Cornell University)

AIエージェントが作業前に「どのように進めるか」を先に見極めるメタ推論手法を提案

Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning
Rob Fergus ほか11名
何を
長時間の作業を行うAIエージェントが、以前の作業結果をどれだけ再利用するか、新しく始めるか、いつ停止するかといった実行制御の決定を体系的な推論プロセスとして扱う「エージェント・メタ推論」方式を提案しました。
主な結果
プログラム再構成ベンチマークのProgramBenchにおいて、GPT-5.5ベースで71.5%を記録しCodexの58.0%を上回り、Opus 4.8ベースでは67.2%を記録しClaude Codeの65.5%を上回りました。
意味
アブストラクトによると、エージェントがより長い作業を実行するほど、計算リソースを構造化された実行制御に割くことがより重要になる可能性があることを示唆しています。ただし、アブストラクトの結果は特定のベンチマークと実験条件で得られたものであるため、実際の製品性能に直結するとは言えません。AI要約
論文2026-09-28 · arXiv (Cornell University)

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2026-06-10 · arXiv.org

AIエージェントの誤りを正確に特定する評価手法の開発

Layer-Isolated Evaluation: Gating the Deterministic Scaffold of a Production LLM Agent with a No-LLM, Regression-Locked Test Harness
何を
研究チームは、AIエージェントの構造を複数の層に分け、各層のエラーを独立して素早く検証する評価システムを開発しました。
主な結果
全体的な成功率はほとんど変わらない状況でも、問題が生じた特定の層のスコアが大きく低下し、正確な原因把握が可能であることを確認しました。
意味
AIシステムの安定性を高め、問題発生時に原因を迅速に特定することに貢献できます。AI要約
論文2026-06-09 · arXiv.org

人工知能審査官による対話型エージェント評価の限界分析

Catching One in Five: LLM-as-Judge Blind Spots in Production Multi-Turn Transaction Agents
何を
実際のサービスで稼働中のフード注文対話型エージェントを対象に、大規模言語モデルベースの審査官が実際の欠陥をどれだけ発見できるかを人間の全数調査と比較して測定しました。
主な結果
大規模言語モデル審査官は、人間が確認した体系的な問題の4分の1も発見できず、特定のバッチでは0件を記録することもありました。
意味
自動化された審査方式は最低限の基準線の役割にとどまり、人間のレビューを完全に代替することはできない事を示唆しています。AI要約
論文2026-05-06 · arXiv.org

AIエージェントのセキュリティリスクを評価するプラットフォームを開発

DecodingTrust-Agent Platform (DTap): A Controllable and Interactive Red-Teaming Platform for AI Agents
Percy Liang ほか16名
何を
様々な実際の環境においてAIエージェントのセキュリティリスクを評価できるプラットフォームと自動攻撃ツールを開発しました。
主な結果
これにより、様々なAIエージェントの体系的な脆弱性パターンを明らかにし、セキュリティに関する洞察を提供しました。
意味
次世代の安全なAIエージェントを開発する上で、有用な基礎資料として活用できます。AI要約

人物

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。

🐩 コボンおやつ代応援
코봉이
このページがお役に立ちましたら、コボンのおやつ代応援も歓迎です 🦴
💬 コミュニティコメント
IPベース匿名ニックネーム · 暴言/スパム時制裁の可能性
読み込み中...