強化学習

強化学習は環境との相互作用で機械に意思決定を学ばせる。エージェントは行動を試し、報酬やペナルティを受けて戦略を磨く。囲碁王者を破ったAlphaGo、トップ棋士を圧倒したAtaraxos、大規模言語モデルのアライメント学習はいずれもこの流れにある。新アルゴリズム、自己対戦の学習手法、報酬モデリング、ロボティクスやゲームでの実応用を追う。