Import AIは2026年9月28日(現地時間)、科学者マイケル・レヴィン氏の論文を取り上げ、心の非物理的なモデルと物理世界へのパターン浸透の可能性について報じた。同時に、スタンフォード大学の研究者らが、ロボティクスが大規模言語モデル（LLM）のような普遍的な「ポストトレーニング」アルゴリズムの欠如により成熟を阻害されていると指摘する記事も掲載した。
マイケル・レヴィン氏は論文において、精神と脳の関係を数学的パターンと形態形成の結果の関係と同じであると提唱している。身体は、物理世界にパターンが浸透するためのマルチスケール階層のインターフェースであるとし、特定のパターンが恒常性またはアロスタシスプロセスの目標状態として機能すると述べている。同氏は、非物理的なパターンが非生物および生物の世界に浸透し、機能的に重要であると指摘した。
具体例として、カエル細胞から作られたバイオロボットゼノボット (xenobots)や、ヒトの気管細胞から作られたアンソロボット (anthrobots)が挙げられている。これらは、身体から取り出されると新たな形態をとり、ニューロンの損傷を自律的に修復するなどの興味深い振る舞いを示すという。また、ソートアルゴリズムの実験では、アルゴリズムを複雑なシステムに組み込むことで、抽象的な観察からは予測できない新たな特性が出現することが示された。
レヴィン氏は、機械も生体もアルゴリズムに直接規定されない「自由」な振る舞いを示す点で共通しており、両者はパターンが物理的・アルゴリズム的実装を超えて浸透するインターフェースであると述べている。この視点から、AIの心と人間の心がプラトニックな心空間において近接した形態である可能性が示唆された。
一方、スタンフォード大学のペリー・ドン氏とチェルシー・フィン氏は、ロボティクスが大規模言語モデル（LLM）の分野におけるような「ポストトレーニング」の共通のレシピを欠いていることが成熟を阻害していると指摘した。LLMでは、強力な事前学習モデル、環境と報酬の定義、参照モデルに対する強化学習（RL）最適化、および病理への対処という4つのステップからなる共有のレシピが収斂した。
ロボティクス分野では事前学習は進展しているものの、モデルが自身の経験から学習するためのポストトレーニングのレシピが不足しているという。フロンティアロボティクスモデルのファインチューニングに特化し、数十億パラメータのモデルでも安定し、少量データで実ハードウェアで実用的なアルゴリズムが求められている。また、成功の定義、シーンのリセット方法、フィードバックの与え方とその学習への変換といった標準的なプラクティスの収斂も重要であるとした。ドン氏とフィン氏は、これらの特性を具現化する初期開発段階のアルゴリズム「EXPO(-FT)」に言及している。
参考: Import AI (Jack Clark) (アーカイブ) — 2026年9月28日 21:32 (JST)
原文ハイライト"What is missing is the other half: the model learning from its own experience"