基準日 2026-11-03
実行 2026-11-03 21:00:25
한국어 English Español 中文 Tiếng Việt ภาษาไทย 日本語
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

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
ヤン・ルカン
論文2026-10-29
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
Chelsea Finn
論文2026-10-29
異なる情報形態においてもAIモデルが同じ世界を学習することを証明
ヤン・ルカン
論文2026-10-29
仮想環境学習による精神科問診対話AIの性能向上
Mark Chen
人物 すべて フロンティア研究所新興研究所学界AIハードウェア韓国中国経営陣
分野 すべて HBM・メモリGPU・AIアクセラレータ推論効率・軽量化学習・スケーリングエージェント・コーディングロボット・フィジカルAIワールドモデル・マルチモーダルデータセンター・電力科学のためのAI安全・規制

人事異動 · 学習・スケーリング

条件に合う人事異動はまだありません。

論文 · 学習・スケーリング

論文2026-10-29 · arXiv (Cornell University)

異なる情報形態においてもAIモデルが同じ世界を学習することを証明

Proving and Improving the Platonic Representation Hypothesis with JEPAs
ヤン・ルカン ほか1名
何を
研究チームは、異なる入力形態を学習したAIモデルが同一の世界表現に収束するという仮説を数学的定理として証明し、それを改善する方法を提示した。
主な結果
優れた視点を使用するモデルは、次のトークン予測方式よりもはるかに少ないデータで効率的に表現を一致させられることを確認した。
意味
本研究は、AIがデータを効率的に理解し、異なる情報形態を結合する方式の改善に寄与し得る。AI要約
学習・スケーリング
要約を詳しく 原文を読む ↗ PDF ↗
論文2026-10-22

人工知能が生成した仮想データで性能を高める法則を発見しました

Rewriting Scaling Laws for Synthetic Data with Compute and Data Constraints
Percy Liang ほか6名
何を
言語モデルが自然言語の文書を別のスタイルに書き直した仮想データ（Synthetic rewrites）を事前学習に活用する際、計算量とデータの限界の中で最適な割合と性能を予測する法則を研究しました。
主な結果
コンピュータの計算量が増えるほど仮想データの最適比重が増加し、自分より大きなモデルや同じサイズのモデルが作成した仮想データで学習したモデルが、元のデータのみを使用したモデルよりも優れた性能を示しました。
意味
仮想データを活用した人工知能の学習方法が予測可能であり、これを通じてデータの限界を克服し効率的に性能を改善できることを示唆しています。AI要約
学習・スケーリング
要約を詳しく 原文を読む ↗ PDF ↗
論文2026-10-04 · arXiv (Cornell University)

複数の価値のバランスを1つのAIモデルで学習する新しい手法を提案

Which Preferences to Train On? End-to-End Multi-Objective Alignment with an Adversarial Preference Distribution
Cho Kyunghyun ほか2名
何を
研究チームは、AI言語モデルが有用性、無害性、ユーモアといった複数の価値の間のバランスを用者のリクエストに応じて調整できるようにするMAESTROという学習手法を提案しました。
主な結果
抄録によると、MAESTROは3つまでの目標を扱う実験において、ほとんどの課題で最も優れたバランス曲線（パレートフロント）を1回の学習で取得し、比較した手法の中で学習コストが最も低くなりました。
意味
1つのモデルで複数の価値の組み合わせを処理できるようになれば、企業がユーザーごとの設定に合わせたAIサービスをより効率的に構築できる可能性が示されますが、抄録だけでは実際の市場効果を判断することは困難です。AI要約
学習・スケーリング 安全・規制
要約を詳しく 原文を読む ↗ PDF ↗
論文2026-09-29 · arXiv (Cornell University)

実際の動画数件をAIで拡張し、ヒューマノイドの物資運搬学習を実現

Counterfactual Video Generation Enables Scalable Humanoid Loco-Manipulation
ピーター・アビール ほか8名
何を
人間が物を運ぶ実際の動画数件をベースに、AIが多様な仮想動画を作成し、それをロボットの学習に活用する手法（PRISM）を提案しました。
主な結果
このように学習した1つの制御ポリシーにより、実際のヒューマノイドロボットが現実世界での追加学習なしで、箱、ドラム缶、容器、ボールなどを掴んで運び、置くことに成功したと報告しています。
意味
大量の実際のロボットのデモデータを集めるのが難しい状況下で、少ない実際の動画から学習データを拡張できる可能性を示した点に意義があります。AI要約
学習・スケーリング ロボット・フィジカルAI
要約を詳しく 原文を読む ↗ PDF ↗
論文2026-09-28 · arXiv (Cornell University)

未来の文脈を反映してブロック拡散言語モデルの学習を改善した研究

d-OPD: Future-Aware On-Policy Distillation for Block Diffusion Language Models
Song Han ほか2名
何を
従来の自己回帰（一度に1トークンずつ生成する）言語模型を、複数のトークンをまとめて並列に生成するブロック拡散言語模型へと変換する蒸留学習手法である d-OPD を提案しました。
主な結果
Qwen3モデル（0.6B〜8B）を用いた実験において、従来手法である OPDLM と比較して6つのベンチマークの平均スコアを最大4.0点高め、学習時間を1.35〜1.58倍短縮したと報告しています。
意味
ブロック単位で複数のトークンを同時に生成する方式にはテキスト生成速度を向上させる余地があり、本研究はそのようなモデルを作る学習プロセスの効率を改善できることを示しているとアブストラクトは述べています。AI要約
推論効率・軽量化 学習・スケーリング
要約を詳しく 原文を読む ↗ PDF ↗
論文2026-09-10

AI学習データの反復時におけるMixture-of-Expertsモデルの過学習現象の分析

Data Scarcity and Model Sparsity: Mixtures-of-Experts Overfit More to Repeated Data
Percy Liang ほか4名
何を
AI学習データが反復される際、近年広く使われている「Mixture-of-Experts」構造が従来のモデルよりもパフォーマンスがより急速に低下することを明らかにしました。
主な結果
データの反復時、Mixture-of-Expertsモデルは容易に過学習を起こし、従来の正則化手法で一部緩和することは可能ですが、独自データで学習したパフォーマンスには達しませんでした。
意味
データ不足により反復学習が必要な状況において、AIモデル構造別の特性を考慮した学習戦略策定の必要性を示しています。AI要約
学習・スケーリング
要約を詳しく 原文を読む ↗ PDF ↗
論文2026-08-12

人工知能の学習速度を最大6倍に高める新しい最適化技術「Dion3」を開発

Dion3: Full-Stack Orthogonal Updates
Tri Dao ほか7名
何を
既存の人工知能学習ツールであるMuonが抱える高い計算および通信コストの問題を解決するため、システム全体を改善した「Dion3」を開発しました。
主な結果
Dion3は、Muonと同等またはそれ以上の性能を維持しながら、最適化ステップに要する時間を最大6倍短縮しました。
意味
人工知能モデルの学習プロセスの効率を高め、関連する計算コストを削減することに寄与できます。AI要約
学習・スケーリング
要約を詳しく 原文を読む ↗ PDF ↗
論文2026-07-27

オープンソースAIモデル「Kimi K3」公開

Kimi K3: Open Frontier Intelligence
Yang Zhilin ほか399名
何を
研究チームは、2兆8000億個のパラメータを持つオープンAIモデル「Kimi K3」を開発し公開しました。
主な結果
このモデルは既存モデルと比較して約2.5倍向上したスケーリング効率を示し、様々な評価で優れた性能を記録しました。
意味
最先端のAI技術をオープンソース形式で公開することで、今後の関連研究や産業活用の促進が期待されます。AI要約
学習・スケーリング データセンター・電力
要約を詳しく 原文を読む ↗ PDF ↗
論文2026-07-02 · arXiv.org

グーグル、性能と効率を高めたオープンソースAI「Gemma 4」を発表

Gemma 4 Technical Report
デミス・ハサビス · Koray Kavukcuoglu ほか298名
何を
グーグルが演算効率と推論能力を強化した次世代オープンソースマルチモーダル言語モデル「Gemma 4」を開発しました。
主な結果
科学・技術・工学・数学（STEM）やマルチモーダルなど、様々な評価指標で性能が大幅に向上しました。
意味
より少ないリソースでも複雑な問題を解決できるオープンソースAIモデルの選択肢が広がったことを示唆しています。AI要約
推論効率・軽量化 学習・スケーリング
要約を詳しく 原文を読む ↗ PDF ↗
論文2026-05-27 · arXiv.org

人工知能の学習プロセスにおける暗記と汎化の移行を追跡する診断ツールの開発

A Training-Time Diagnostic for Generalization via the Log-Alignment Ratio
アシシュ・ヴァスワニ ほか1名
何を
パラメータと活性化を測定する「ログ整列比率（LAR）」を活用し、人工知能がデータを単に暗記しているのか、それとも実際に学習しているのかを追跡する診断法を研究しました。
主な結果
LARは、追加の検証データなしでも、人工知能の汎化能力の変化や過学習の兆候を効果的に捉えました。
意味
別途の検証データなしに学習過程でAIの性能を診断できるため、今後の効率的なモデル学習管理技術の発展に寄与し得ます。AI要約
学習・スケーリング
要約を詳しく 原文を読む ↗ PDF ↗

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
ビル・ダリーBill DallyNVIDIA チーフサイエンティストTri DaoTogether AI・プリンストン大学最近の活動 2026-08-12Song HanMIT・NVIDIA最近の活動 2026-10-07Andrew FeldmanCerebras CEOJonathan RossGroqジム・ケラーJim KellerTenstorrent CEOJim FanNVIDIA ロボティクス
韓国
Ha Jung-woo国家AI戦略委員会副委員長（2026年に大統領室AI首席を辞任）最近の活動 2026-04-22キム・ソンフンKim Sung HunUpstage CEO裵慶勳Bae Kyunghoon科学技術情報通信部長官（元LG AI研究院長）Oh Alice HaeyunKAISTLee Hae-min大統領室AI未来企画首席（2026年任命）Cho Kyunghyunニューヨーク大学・Genentech最近の活動 2026-10-04
中国
梁文鋒Liang WenfengDeepSeek 創業者最近の活動 2026-10-12Yang ZhilinMoonshot AI 創業者最近の活動 2026-07-27李開復Kai-Fu Lee01.AI
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。

🐩 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...