AIの新しい学習方法に課題

AI研究機関は、検証可能な報酬からの強化学習（RLVR）を数百万もの多様なタスクにわたってスケールさせることで、汎用人工知能を達成できると賭けています。しかし、この手法は決定論的なシミュレーターがない領域では限界に直面します。真の継続学習には、一時的なin-context memoryを超えて、モデルの重み自体に学習を戻すことが必要です。