何が起きたか
Googleの研究者が、AIエージェントに過去の失敗や成功した戦略を永続的に記憶させるフレームワーク「WikiSkill」を発表した。エージェントの作業領域を3層に整理する。実行トレースを保存する「Raw Layer」、リセットされない蒸留知識を保持する「Wiki Layer」、パフォーマンスを損ねた場合にロールバック可能な手順命令を格納する「Skill Layer」で構成される。
なぜ重要か
研究ではWikiSkillが他のスキル進化手法を一貫して上回った。5つのベンチマークで平均して、Gemini-3.5-Flashは49.5%から68.1%、Qwen-3.6-27Bは39.4%から63.3%に向上した。大規模モデルほど恩恵が大きかったが、WikiSkillを使う小規模モデルは、使わない大規模モデルの性能に匹敵できた。日本国内のAI開発企業は、過去の失敗を記憶する手法で小規模モデルの性能向上を実現できる可能性がある。
注目点
フレームワークの効果はタスクの種類によって異なり、数学や表計算タスクで最も大きな改善が見られた。あるモデルが開発したスキルは別のモデルにも転用でき、受け取る側のモデル自身のスキルより優れる場合もあったが、転用の可否はケースバイケースで確認すべきだ。
こういう要約が、毎朝あなたのメールに届きます。
WikiSkillはAIエージェントの中核的な制約——各実行から真に継続的に学習しない——に取り組む。このフレームワークでは、エージェントがタスクごとに自分自身へのより良い指示を書き出し、永続的なWikiに保存することで、知識を蓄積していく。洗練された方法ではないが、研究のテストでは効果が実証された。
アーキテクチャは経験（生のトレース）、知識（Wiki）、行動（スキル）を分離する。Wiki Maintainerが実行トレースからパターンを蒸留し、Skill Proposerが変更を提案し、ゲーティング機構が別のセットで検証してから展開する。変更が失敗すればロールバックされるが、Wikiには失敗した試みも将来の参照用に残る。
特筆すべきは、スキルがモデル間で転用でき、受け取る側のモデル自身のスキルを上回る場合もあったことだ。ただし研究者らは、常に有益とは限らないため、転用の可否はケースバイケースで確認するよう助言している。このアプローチはAndrej Karpathyの「LLM Wiki」概念に着想を得て、自動スキル開発に応用したものだ。
業界と使っているAIツールを選ぶと、仕事に関係するニュースが毎朝届きます。
登録無料・Googleアカウントなら30秒・いつでも解除できますAITodayについて →
この記事についてわからないことをAIに質問できます。AIはこの記事・AIToday の過去記事・Wikipedia を読み、出典を付けて答えます。Q&Aはこのページに公開され、他の読者も読めます。
CircliaがTASTE SIGNALの実証実験を開始した
フランス数学会会長イザベル・ガラガー主催のウェビナーで、フィールズ賞受賞者のユーゴ・デュミニル＝コパンは、OpenAIが350の主要未解決問題の解答を一夜で公開したと述べた
NVIDIAは1200億パラメーターのオープンウェイトモデルNemotron 3.5 Super VLを公開
NVIDIAがNemotron 3.5 Bolt 74B-A9B 24GBを公開
Anthropicは10月15日、METRの6人のスタッフに社用端末、オフィススペース、社内ツールやシステムへのアクセスを付与し始めたと発表した
NVIDIAは2026年9月21日、「AIセキュリティは工学の問題――エージェントスタックの全層で解決する方法」と題したブログ記事を公開し、判断を誤ったエージェントでも行動を止められる理由を説明した
