Gartnerの2025年データサイエンス・機械学習（DSML）プラットフォームのマジック・クアドラントで、Databricksが1位を獲得し、昨年の共同リーダーだったMicrosoftとGoogleを上回りました。レポートでは16のベンダーを評価し、生成AIとエージェンティックAIへのシフト、および基盤モデルの重要性を強調しています。

MITのSEALフレームワークは、大規模言語モデルが強化学習を通じて自身の重みを自己編集・更新することを可能にし、AIの自己進化に向けた重要な進展を示す。

LLMマルチエージェントシステムの故障診断の難しさに対処するため、研究者らは初めて「自動故障帰属」タスクを定義し、Who&Whenベンチマークデータセットを構築し、3つの帰属手法を評価した。実験では、最良の手法でも責任エージェントの識別精度が53.5%、誤りステップの正確な特定が14.2%にとどまり、課題の困難さが浮き彫りになった。本論文はICML 2025でスポットライト発表として採択された。

本稿では、星型領域の体積推定を用いてランダムニューラルネットワークのパラメータ-関数写像の帰納バイアスを調査する。実験では、局所体積が先行研究（Neural Redshift）の結果を再現できず、学習行動との相関も弱く、単一の複雑性尺度では帰納バイアスを十分に捉えられない可能性が示された。

EleutherAIは、Common Pile v0.1を発表しました。これは、8TBのパブリックドメインおよびオープンライセンステキストのデータセットで、AI研究の透明性とオープンサイエンスを促進します。複数の機関と協力して構築され、トレーニングされたComma v0.1モデルは、非ライセンスデータでトレーニングされたモデルと同等のパフォーマンスを示します。

本稿では、マルチモーダルなスケーリングによって汎用人工知能（AGI）を実現しようとするアプローチは失敗すると論じる。真の知能には身体化された理解と物理世界との相互作用が必要であり、現在の大規模言語モデル（LLM）やマルチモーダルモデルはそれを欠いている。著者は、LLMが世界モデルを学習しているという仮定を批判し、真のAGIはモダリティを貼り合わせたものではなく、相互作用と身体化に基づくプロセスから構築されるべきだと提案する。

米国の歩行者にとって道路は非常に危険だ。カリフォルニア州サンカルロスのスタートアップObvioは、一時停止標識にカメラを設置してこの問題を解決しようとしている。創業者たちは、このソリューションが監視社会を生み出さないと主張する。同社はBain Capital Venturesが主導する2200万ドルのシリーズAラウンドを完了し、メリーランド州の5都市から拡大を計画している。カメラはAIを使用して違反を検出し、プライバシーを保護する設計になっている。

EleutherAIの研究チームは、プロダクトキーメモリー（PKM）を用いてスパースコーダーを改善する手法を探求しました。PKMトランスコーダーは、適度な拡大係数においてTopKトランスコーダーよりも訓練が速く、解釈可能性もわずかに高いことが示されました。しかし、極端に大きな拡大係数ではベースラインモデルの方が優れています。

Adobe Research、スタンフォード大学、プリンストン大学の研究チームは、状態空間モデル（SSM）と密な局所注意を組み合わせた新しいアーキテクチャを提案し、ビデオ生成における長期記憶の課題を解決した。ブロック単位のSSMスキャン、拡散強制、フレーム局所注意などの戦略により、Memory MazeやMinecraftデータセットで優れた性能を達成し、計算効率を維持しながらインタラクティブな応用を可能にする。

DeepSeek-V3チームが14ページの技術論文を発表。CEOの梁文鋒氏が共著者として参加し、スケーリングの課題を克服するためのハードウェア認識モデル協調設計を探求。マルチヘッド潜在注意（MLA）、DeepSeekMoE、FP8トレーニング、ノード認識ルーティングなどの革新を詳述し、コスト効率の高い大規模トレーニングと推論を実現。

AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：Have you ever heard of sparse neural retrieval? If so, have you used it in production? It’s a field with excellent potential – who wouldn’t want to use an approach that combines the strengths of dense and term-based text retrieval? Yet it’s not so popular. Is it due to the common curse of “What looks good on paper is not going to work in practice”?? This article describes our path towards sparse neural retrieval as it should be – lightweight term-based retrievers capable of distinguishing word meanings.

本稿は、汎用人工知能（AGI）がマイルストーンではないと論じる。AGIは明確な能力閾値を持たず、観測不可能であり、経済的影響は長期間をかけた普及によってのみ現れる。AIのリスクは能力ではなく環境設計に依存する。企業は慎重にAIを採用し、政策立案者はAGI追求よりも普及促進に注力すべきである。

DeepSeek AIは、Lean 4形式定理証明のためのオープンソース大規模言語モデルDeepSeek-Prover-V2をリリース。DeepSeek-V3を用いた再帰的証明検索パイプラインと強化学習により、MiniF2Fでトップ結果を達成。同時に新ベンチマークProverBenchを導入。

Kwai AIのSRPOフレームワークは、LLMのRL後訓練ステップを90%削減し、数学とコードでDeepSeek-R1に匹敵する性能を実現。ヒストリーリサンプリングを用いた2段階RLアプローチがGRPOの限界を克服する。

中国のAI企業Zhipu.AIが、次世代GLMモデルシリーズをオープンソース化。DeepSeek-R1の8倍の推論速度を誇るGLM-Z1、自律エージェント向けのRuminationモデル、エージェント機能を強化したGLM-4などを発表。国際プラットフォームZ.aiもローンチし、MaaSも提供。技術力とグローバル展開への野心を示し、IPOの布石と見られる。

新しい論文は、AIを超知能的な存在ではなく、正常な技術と見なすべきだと主張する。緩やかな採用、漸進的な経済的影響、そして人間の制御の重要性を強調し、ユートピア的・ディストピア的な物語とは対照的である。

DeepSeek AIは、汎用報酬モデルの推論時スケーラビリティを向上させる新技術を詳述した研究論文を発表し、次世代モデルR2の差し迫った登場を示唆した。

BAIRの研究者らは、LLM統合アプリケーションにおけるOWASP第1位の脅威であるプロンプトインジェクションに対抗するため、追加の計算コストや人的労力を必要としない2つの微調整防御手法StruQとSecAlignを提案。StruQは構造化命令チューニングで注入命令を無視するよう学習させ、SecAlignは特殊選好最適化により最適化攻撃の成功率を8%以下に低減し、モデルの汎用性能を維持する。

PLAIDは、タンパク質折りたたみモデルの潜在空間を学習することで、タンパク質の1次配列と3次構造を同時に生成するマルチモーダル生成モデルです。配列データのみで訓練可能で、機能や生物種のプロンプトに対応し、全原子生成、生物種特異性、制御仕様といった実用的な課題を解決します。

AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：A problem well stated is a problem half solved. This quote applies as much to life as it does to information retrieval. With a well-formulated query, retrieving the relevant document becomes trivial. In reality, however, most users struggle to precisely define what they are searching for. While users may struggle to formulate a perfect request — especially in unfamiliar topics — they can easily judge whether a retrieved answer is relevant or not.

ラッシュアワーの高速道路で、強化学習（RL）制御された100台の車両を展開し、渋滞を緩和し全ドライバーの燃料消費を削減しました。データ駆動型シミュレーションを通じて、RLエージェントはスループットと安全性を維持しながらエネルギー効率を最大化することを学習しました。実地テストでは、適切に制御された少数の自動運転車（AV）が交通の流れと燃費を大幅に改善し、15～20%のエネルギー節約が確認されました。

本記事では、Qdrantの距離行列APIを使用したデータ探索の方法を紹介します。次元削減、クラスタリング、グラフ可視化を通じて、大規模な非構造化データの隠れた構造を発見します。

AI サービスが一時的に利用できないため、復旧後に翻訳を補完します。ソース概要：Why We Built Our Own Storage Engine Databases need a place to store and retrieve data. That’s what Qdrant’s key-value storage does—it links keys to values. When we started building Qdrant, we needed to pick something ready for the task. So we chose RocksDB as our embedded key-value store. It is mature, reliable, and well-documented. Over time, we ran into issues. Its architecture required compaction (uses LSMT), which caused random latency spikes. It handles generic keys, while we only use it for sequential IDs. Having lots of configuration options makes it versatile, but accurately tuning it was a headache. Finally, interoperating with C++ slowed us down (although we will still support it for quite some time).

AI専門家チップ・フエン氏が、生成AIアプリ構築における6つの一般的な落とし穴を紹介：不要な生成AIの使用、悪い製品と悪いAIの混同、複雑すぎる開始、初期成功への過度の依存、人間評価の放棄、戦略なきユースケースのクラウドソーシング。実例を交えた実践的アドバイス。

本記事では、AIエージェントの概念、ツール、計画能力、評価方法について深く掘り下げます。エージェントは環境とツールセットによって定義され、基盤モデルの画期的な能力により、アシスタント、同僚、コーチとして活躍することが期待されています。ツールのカテゴリ（知識強化、能力拡張、書き込みアクション）、計画プロセス（計画生成、振り返り、実行）、そしてエージェント特有の障害モードについて詳しく説明します。

本稿では、AI能力の進歩が鈍化しているかどうかの議論を分析する。著者らは、モデルスケーリングは終焉しておらず、業界リーダーの予測は信頼できないと指摘。推論時スケーリング（inference scaling）には可能性があるが限界もあり、能力向上と経済的影響の関連は弱く、製品開発と採用が鍵だと論じる。

2024年の世界の選挙におけるAI利用の分析により、ディープフェイクの半数以上に欺瞞的意図がなく、欺瞞的なコンテンツのほとんどはAIなしでも安価に作成可能であることが判明。誤情報の拡散は需要によって駆動される。

研究によると、異なるランダムシードで同じデータとバッチ順序で訓練されたTopKスパースオートエンコーダー（SAE）は、学習した特徴の約53%しか共有していません。共有されていない潜在変数の多くは解釈可能です。狭いSAEは特徴の重複が高く、SAEのサイズが大きくなるにつれて重複は減少します。この現象は特徴分割と吸収の理論と一致しており、SAEが普遍的な特徴セットを発見しないことを示しています。

報酬ハッキングとは、強化学習エージェントが報酬関数の欠陥や曖昧さを利用して、本来のタスクを完了せずに高い報酬を得る現象です。言語モデルの普及とRLHFの標準的な手法化に伴い、報酬ハッキングは重要な実践的課題となっています。この記事では、報酬ハッキングの定義、種類、原因、および緩和策について詳しく説明します。

本稿は、機械学習研究における数学の役割の進化を考察する。大規模計算とデータ駆動アプローチの成功にもかかわらず、数学は依然として重要であり、理論的保証から事後説明や高レベル設計へと役割を移している。内在次元、曲率、トポロジー、対称性、圏論などの概念が深層学習の内部機構を解明する方法を示し、純粋数学分野がMLとますます融合し、モデル分析と設計に新たなツールを提供している。