# すべての企業に継続学習を：Trajectory 共同創業者 Ronak Malde 氏

- 番組: [Training Data](https://ai-curator.jp/podcasts/shows/cmv40atyh00065j0z837xzcey)（Sequoia Capital）
- 元のタイトル: Bringing Continual Learning to Every Company: Trajectory’s Ronak Malde
- 配信日: 2026年11月5日
- 長さ: 32分
- 要約作成日: 2026年11月5日
- トピック: [#継続学習](https://ai-curator.jp/topics/%E7%B6%99%E7%B6%9A%E5%AD%A6%E7%BF%92) [#強化学習](https://ai-curator.jp/topics/%E5%BC%B7%E5%8C%96%E5%AD%A6%E7%BF%92) [#GRPO](https://ai-curator.jp/topics/GRPO) [#AIエージェント](https://ai-curator.jp/topics/AI%E3%82%A8%E3%83%BC%E3%82%B8%E3%82%A7%E3%83%B3%E3%83%88) [#モデルのカスタマイズ](https://ai-curator.jp/topics/%E3%83%A2%E3%83%87%E3%83%AB%E3%81%AE%E3%82%AB%E3%82%B9%E3%82%BF%E3%83%9E%E3%82%A4%E3%82%BA) [#RSI](https://ai-curator.jp/topics/RSI)
- URL: https://ai-curator.jp/podcasts/cmw3g9eti00025l1143ohuuee

## 要約

Trajectory 共同創業者の Ronak Malde 氏が、現在のエージェントは「疑似的な継続学習」にとどまり、オフラインの一括更新に頼っていると述べる回。トレース、再生可能な環境、報酬という要素を整理し、Group Size 1 の GRPO やメタグレーダーといった研究上の取り組みを紹介した。Harvey の事例、継続学習と再帰的自己改善（RSI）の違い、プロダクト開発者が庭師になるという展望も語られた。

## ポイント

- Malde 氏は現状を、紙の地図のようにオフラインでしか更新できない「疑似継続学習」と呼ぶ。目指すのは走るたびにルートが更新される Google Maps のような状態だという。
- 自社モデルの学習は、Windsurf や Cursor のように数億ドル規模の計算資源、大きな研究チーム、6〜9か月を要していた。Trajectory はそれを簡単なインターフェースにまとめようとしている。
- 必要な要素はトレース、再生可能な環境、学習アルゴリズムの3つ。人手がかかる環境構築と報酬設計を、研究で自動化しようとしている。
- GRPO を Group Size 1 に改良し、同一タスクを16回再生せず1回の実運用ロールアウトから学べるようにした。メタグレーダーは代表的な100件のトレースから1万件へ報酬を広げる。
- Harvey はオープンソースモデルを自社の法務ベンチマークで4%から18%に引き上げ、フロンティアモデルより6倍安いモデルを得たという。
- 継続学習は人間を関与させたまま経験から学ぶ点で、モデルを閉じた箱で自己改善させる RSI とは異なると位置づけている。

## 章立て

- [01:03] **疑似継続学習とは何か** — 道路地図の比喩で、現在のエージェントがオフラインの一括更新に頼る状態を説明。目指す姿は Google Maps のように常時更新される学習だと述べる。
- [03:05] **アーキテクチャと現実世界の接続** — Sutton 氏らの懐疑論に触れつつ、基盤モデル側のアーキテクチャ変化は進んでいると指摘する。自分たちは現実世界での利用を改善に結びつける層を担うと説明。
- [04:30] **Harvey の事例と社名の由来** — Windsurf での経験と、Harvey が6倍安価で精度を4%から18%に上げたモデルを得た経緯。仕事の単位をトークンではなくトラジェクトリとする考え方も紹介。
- [10:40] **継続学習の3要素と研究課題** — トレース、再生可能な環境、アルゴリズムの3要素を整理。環境不要にする Group Size 1 と、報酬を伝播させるメタグレーダーを解説。
- [16:10] **製品と顧客、ハーネスへの拡張** — 学習・評価・デプロイを一箇所にまとめた製品を Apple の発想になぞらえて説明。Harvey、Rogo、NVIDIA などの利用や、モデルとハーネスのルーティングにも触れる。
- [20:18] **好奇心と RSI との違い** — マルコフ決定過程の遷移関数から好奇心の定量化を論じ、人間を関与させる継続学習と RSI の違いを述べる。
- [24:30] **チーム作りとプロダクト開発者の未来** — 研究と製品の融合、学習コードの本番運用化、コーディングエージェント活用を紹介。開発者は庭師になるという展望を語る。
- [27:44] **楽観的な未来像** — 継続学習は次の学習パラダイムであり、Adam Smith の分業になぞらえた専門化で企業のAI導入率を1%から99%へ高めたいと述べる。

## 解説記事

Sequoia Capital の Training Data に、Trajectory 共同創業者の Ronak Malde 氏が出演した。同氏は Windsurf や DeepMind の経験を踏まえ、エージェントを「疑似継続学習」から本物の継続学習へ進める構想と、その研究・製品戦略を語った。

#### 「疑似継続学習」という現状認識

Malde 氏は、現在のエージェントを紙の道路地図にたとえる。賢いが、ルートを変えたいときはオフラインで一括更新するしかない。Trajectory が目指す第一段階はモデルの学習とカスタマイズを誰でも使えるようにすること（MapQuest 的な段階）で、最終段階では利用のたびに学習が更新される Google Maps のような状態を想定している。

Sutton 氏や Silver 氏が「現行アーキテクチャでは継続学習は難しい」と述べたことについて、Malde 氏は、基盤モデル側では高速・低速のメモリやスキップ接続などの変化がすでに起きていると見る。同氏が担うのは、そうした技術を現実世界の利用と結びつけ、企業が考える「良い状態」をモデル改善に変換する層だという。

#### 3つの要素と2つの研究課題

Malde 氏によれば、継続学習に必要なのは次の3点である。

- 本番環境のトレース（サブエージェントやユーザーフィードバックを含む）の記録。LangChain、Braintrust、Raindrop などの製品が使われているという
- トレースを再生できる環境（Docker ファイルなどの要件）
- 損失関数や報酬関数を含む学習アルゴリズム

Trajectory は3つ目を抽象化し、環境と報酬を研究で解決しようとしている。環境については、同一タスクを8〜16回再生して比較する GRPO を、1回のロールアウトから学べる Group Size 1 に変えることで、環境構築を不要にすると説明した。報酬については、1万件のトレースから代表的な100件を選んで基準を与え、メタグレーダーに学習させて残りへ広げる。理想は、観測ツール上で「得意な5点・苦手な5点」を丸で囲み、学習ボタンを押すだけの体験だと語った。

#### Harvey などの顧客事例

Harvey は30年にわたる法務領域の知見を持ち、法務エージェントのベンチマークを構築した。Trajectory を使い、オープンソースモデルの精度を同ベンチマークで約4%から約18%へ引き上げ、フロンティアモデルより6倍安いモデルを得たという。Malde 氏は、まだ伸びしろは大きいと断っている。Rogo は、冗長でなく簡潔に動く金融エージェント、つまり「知能密度」を求めており、トークン効率が数倍高く、安く速いモデルを得たと紹介された。NVIDIA など大企業も利用しているという。将来はモデルだけでなくハーネスも最適化し、フロンティアモデルを約10%、自社学習モデルを約90%のタスクに使うルーティングを想定している。

#### 好奇心と RSI、継続学習の違い

Malde 氏は、エージェントが経験を蓄積しない点を課題に挙げる。マルコフ決定過程の観点では、LLM は状態0から状態1へ直接進むが、その間の遷移関数を捉えていない。人間は自分が知らない遷移関数を自覚して探索する。この「知らないことの定量化」が好奇心の問題だと述べた。

また、RSI（再帰的自己改善）はモデルをブラックボックスの中で自らを改善する AI 研究者にするもので、アラインメント上の懸念があると指摘する。これに対し継続学習は、人間との相互作用から学ぶため、人間を関与させ続けられる点が違いだという。

#### 庭師になるプロダクト開発者

Trajectory のチームは、研究と製品を同じ水準で扱う。学習コードもマイクロサービスやオートスケールで本番品質にし、デザインエンジニアも学習を回す。実装の多くはコーディングエージェントが担い、人間は設計の議論に時間を使うと語った。今後はモデルに加えハーネスも自己改善し、プロダクト開発者は植物が育つ方向に支柱（trellis）を立てる庭師のようになるという見方を示した。

#### まとめ

本エピソードは、独自モデルの学習が一部のラボや巨大企業のものから、一般企業にも手の届くものになりつつあるという主張を軸にしている。日本の読者にとっては、自社の業務データを活かすための要素（トレース記録、環境、報酬設計）を整理する手がかりになる。Group Size 1 やメタグレーダーといった手法は、環境構築と評価ラベル付けの負担を下げる試みとして注目に値する。ただし数値は番組内での発言であり、独立した検証は示されていない。企業の AI 導入率が1%にとどまるという Malde 氏の認識も、専門化による普及への期待として受け止めるのがよいだろう。

> 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「Bringing Continual Learning to Every Company: Trajectory’s Ronak Malde」