# David SilverとLasse Espeholt（Ineffable Intelligence）：経験の時代の「スーパーラーナー」を目指して

- 番組: [Training Data](https://ai-curator.jp/podcasts/shows/cmv40atyh00065j0z837xzcey)（Sequoia Capital）
- 元のタイトル: David Silver and Lasse Espeholt of Ineffable Intelligence: A Superlearner for the Age of Experience
- 配信日: 2026年10月13日
- 長さ: 1時間8分
- 要約作成日: 2026年10月13日
- トピック: [#強化学習](https://ai-curator.jp/topics/%E5%BC%B7%E5%8C%96%E5%AD%A6%E7%BF%92) [#スーパーラーナー](https://ai-curator.jp/topics/%E3%82%B9%E3%83%BC%E3%83%91%E3%83%BC%E3%83%A9%E3%83%BC%E3%83%8A%E3%83%BC) [#AlphaZero](https://ai-curator.jp/topics/AlphaZero) [#アラインメント](https://ai-curator.jp/topics/%E3%82%A2%E3%83%A9%E3%82%A4%E3%83%B3%E3%83%A1%E3%83%B3%E3%83%88) [#シミュレーション](https://ai-curator.jp/topics/%E3%82%B7%E3%83%9F%E3%83%A5%E3%83%AC%E3%83%BC%E3%82%B7%E3%83%A7%E3%83%B3) [#スケーリング](https://ai-curator.jp/topics/%E3%82%B9%E3%82%B1%E3%83%BC%E3%83%AA%E3%83%B3%E3%82%B0)
- URL: https://ai-curator.jp/podcasts/cmv6gujkt000070107e5vq76u

## 要約

AlphaGoを手がけたDavid Silverと、スケールするRLの先駆者Lasse Espeholtが、新ラボIneffable Intelligenceの構想を語った回。人間のデータに頼らず、経験から科学・数学・言語まで自ら発見する「スーパーラーナー」を作るという賭けを説明する。シミュレーション（crucible）内で安全に超知能の科学を進める方針や、GPUクラスタ、IMPALA・SEED RLの系譜も紹介された。Silverは1年以内に強い証拠、3年で超知能という予測を示した。

## ポイント

- スーパーラーナーとは、何も知らない状態から人類が築いた知識を自力で発見し続け、物理・デジタル・シミュレーションなど任意の経験ストリームで学べるエージェントだと定義される。
- Silverは人間の言語による推論は天井であり、人間データへの依存は発見を妨げ、バイアスも持ち込むと主張。AlphaGoは約2年かけたが、人間データを外したAlphaZeroは数時間から数日でそれを上回ったと述べた。
- 報酬は科学や言語を直接指定せず、単純な目的を複雑なcrucible（環境）で最適化させ、複雑さが創発するのを待つ方針。Goでは1人なら退屈だが2人目のエージェントで複雑性が無限に広がると例示した。
- シミュレーションで超知能が作れるなら10〜100倍速く安全に進むと主張。現実世界への展開は、シミュレーションでの「超知能の科学」による十分な証拠が得られるまで段階的に制限すると表明した。
- 言語ベースのアラインメントや思考連鎖の監視は限界に近づいているとの見方を示し、shadow actionsや別の超知能による監視など、言語に依存しない監視手法を提案した。
- 計算資源はGCP上のNVIDIA GPUクラスタ（Vera Rubin）を確保。チームは20人と少数精鋭で、一人あたりの計算量を高く保つ研究主導の文化を掲げる。

## 章立て

- [01:00] **導入とGo以来の信念** — Silverが経験から学ぶことへの一貫した確信と、LLM時代に得た教訓（少量データで挙動が変わる点）を語る。
- [03:15] **なぜDeepMindを離れ新ラボを作ったか** — LLM一色の研究潮流と別の道に全力を注ぐ意義、社名Ineffableの由来、Lasseの経歴を紹介。
- [09:34] **スーパーラーナーの定義** — 深さと広さの両面から定義し、LLMによる発見との違いを人間の関与や身体性の観点から説明する。
- [13:53] **crucibleと創発する複雑性** — 報酬を細かく設計せず、単純な目的と複雑な環境から進化のように複雑性が生まれるという方針を説明。
- [27:22] **人間の事前知識を外す賭け** — 言語推論の限界、AlphaGoからAlphaZeroへの経験、環境非依存の弱い事前知識のみを許す実用的立場。
- [33:33] **タイミングと計算資源、シミュレーションの限界** — 予測の実績、計算量が主要因である点、Rich Suttonの懸念への応答とシミュレーションの安全性。
- [43:52] **アラインメントと超知能の科学** — 言語監視の限界、シミュレーションでの超知能共存の研究、現実展開の段階的制限、ペース調整への賛同。
- [53:12] **計算基盤・チーム・予測** — Rubin GPUクラスタ、IMPALAとSEED RL、20人の研究主導チーム、1年と3年の予測。

## 解説記事

AlphaGoやAlphaZeroを率いたDavid Silverと、大規模強化学習の基盤技術IMPALAやSEED RLを開発したLasse Espeholtが、共同創業したIneffable Intelligenceの構想を語った。人間のデータに頼らず、経験だけで学び続ける「スーパーラーナー」の実現を目指すという。

#### 「人間データなし」への賭け

SilverはPhD以来、経験から学ぶ強化学習こそ超知能への道だと確信してきたと述べる。DeepMindに残る選択肢もあったが、LLMの事前学習・後学習に何万人もの研究者が集中する中で、自分が10万1人目になるより、誰も目を向けていない道に全力を注ぐ方が影響が大きいと判断したという。社名のIneffable（言葉にできない）は、超知能が発見する知識が人間の言語では表現できないほど深いかもしれない、という発想に由来する。

スーパーラーナーは、何も知らない状態から人類の知識に匹敵し、それを超える発見を行う「深さ」と、物理世界やデジタル世界などどんな経験ストリームでも学べる「広さ」を併せ持つ存在と定義される。Silverは、LLMによる科学的成果にも敬意を示しつつ、現状は人間が介在する部分が大きく、身体性を伴う領域に言語ベースの手法が適しているかも不明だと指摘した。

#### crucibleと創発する複雑性

同社は、エージェントが学ぶ環境を「crucible（るつぼ）」と呼ぶ。特徴は、科学や言語といった目標を報酬で細かく指定しない点だ。Silverは、進化が単純な適応度の追求から生命の複雑さを生んだように、単純な目的を複雑な環境で最適化させれば、協調、通信、取引、算術、道具、科学へと複雑性が創発すると考えている。

Goは好例とされる。1人用なら退屈な盤面ゲームも、2人目のエージェントが入ると相手の行動すべてを推論する必要が生じ、学習曲線に終わりがなくなるという。crucibleでは物理エンジンや数百万のエージェントの相互作用で複雑さを作り、軽量な環境から高コストな環境まで幅広く用意する方針だ。

#### 人間の言語は天井か

Silverは、人間の言語を推論の終着点とみなす見方は素朴だと述べる。言語から始めると、たとえば2000年前の言語だけで学んだエージェントが地球は平らだと信じるように、人間の偏りを取り込み、除去が難しくなるという。AlphaGoは約2年かけて人間データと人手の改良で作ったが、AlphaZeroは人間データを外して数時間（チェス）から数日（囲碁）でそれを超えたと説明した。

これは短期的に性能を犠牲にする賭けだが、深さと広さの両面で発見を可能にするために必要だとする。ただし教条的ではなく、環境に依存しない弱い事前知識は許容する実用的な立場だという。

#### シミュレーションと安全性

Rich Suttonがシミュレーションに懐疑的だった点について、Silverはシミュレーションで学んだ内容がそのまま現実に転移するとは期待しないと認める。一方で、スーパーラーナーを発見する科学はシミュレーションで進められ、得られたアルゴリズムを現実に適用すればよいと答えた。シミュレーションなら並列化と再現性に優れ、10〜100倍速く、最も安全だという。チューリング完全なシミュレーションなら計算を、通信路があれば言語を、貨幣があれば経済を表現できるとも論じた。

アラインメントについては、言語や人間データに依存した手法は限界に近づき、エージェントが言うことと行うことを乖離させる恐れがあるとの見方を示した。代替として、実行せずに行動を確認するshadow actionsや、別の超知能による監視を挙げる。さらに、複数の超知能が平和的に共存する条件を「超知能の科学」としてシミュレーションで解明し、現実世界での展開はその証拠が得られるまで制限するとの方針を明らかにした。現実のフロンティアのペース調整には賛同する一方、シミュレーション内では最速で進めるべきだと述べている。

#### 計算基盤とチーム

Lasseは、GCP上の大規模な開放型GPUクラスタ（Vera Rubin）を最初の顧客として確保したと説明する。ラック全体を1台の機械として扱え、高速な反復が必要なRLに向くという。かつてGoogleにあった大量のCPUはもう当てにできないため、シミュレーションもGPU上で動かす設計を重視する。GPUは訓練や推論に比べシミュレーションには最適化されていないため、モデルベースRLやリプレイバッファの再利用などで補う。RLのスケーリング則は、データ分布が変化する非定常性のため通常と異なり、研究課題だとした。

チームは20人で、才能に加え、親切さ、協調性、ミッションへの共感を重視する。一人あたりの計算量を高く保つ研究主導の文化で、製品の圧力には抵抗するという。

#### まとめ

Ineffableの主張は、LLM全盛の中で人間データを手放す大胆な賭けであり、成否は創発を生むcrucibleの設計と計算規模にかかる。Silverは1年以内に強い証拠、3年で超知能と予測するが、これは本人の見通しであり、実証は今後だ。安全面でシミュレーション先行と現実展開の段階的制限を掲げる点も注目に値する。日本の読者にとっては、RLをスケールさせる基盤技術や、言語に依存しない監視・アラインメント研究の動向を追う契機となるだろう。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: Training Data「David Silver and Lasse Espeholt of Ineffable Intelligence: A Superlearner for the Age of Experience」