NVIDIA、AIエージェントによる強化学習研究を実演──精度25%から96.9%へ

何が発表されたか

NVIDIAは2026年7月14日、AIエージェントに強化学習の研究作業を進めさせる方法を、公式技術ブログで公開しました。使ったのは、NVIDIAのオープンソース基盤であるNeMo RLとNeMo Gym、そしてコーディングAIエージェントです。

AIエージェントは、研究者が決めた目標に沿って、ソフトウェアの準備、実験環境の作成、学習の実行、結果の比較までを進めました。NVIDIAは、長い時間がかかる機械学習研究で、AIが実務的な作業役になり始めている例として紹介しています。

どこまで自動で進めたのか

実演では、まずAIエージェントがNeMo RLとNeMo Gymの動作環境を整え、GPUメモリーや保存容量の問題を解決しながら、学習が最後まで動く状態を作りました。その後、さまざまな大きさの画面に表示された星を色別に数えるstar countという新しい課題を作りました。

対象モデルはQwen3-VL-2B-Instructです。学習前に固定の64問で測ると、完全に正解した割合は25.0%でした。LoRAを使った教師あり学習を重ねた結果、最良の実験では4096件の学習用データと512件の検証用データを使い、正解率は96.875%に達しました。公式発表では、この結果を丸めて96.9%と示しています。

AIエージェントは1回だけ学習を実行したのではありません。最初の成績を測り、実験案を立て、条件を変えて学習し、途中のモデルを比べ、残った間違いの傾向まで整理しました。さらに、研究論文を読んで新しい強化学習の方法をコードにする別の実演も行われました。

なぜ仕事や会社に重要なのか

これまでAI研究では、環境の準備やエラー対応、実験結果の記録などに多くの時間がかかっていました。今回の実演は、目標と評価方法を人が決めれば、繰り返し作業の大部分をAIエージェントに任せられる可能性を示しています。研究開発の担当者は、作業そのものよりも、どの実験を行うか、結果をどう判断するかに時間を使いやすくなります。

ただし、NVIDIAはAIに研究を丸投げする考えではないと明記しています。人は目標設定、節目での確認、研究方針の修正、最終判断を担当します。また、96.9%という数字は今回作った星の数を数える専用課題での結果です。ほかの業務やモデルでも同じ改善が出ることを意味しません。

会社で試す場合は、最初に小さな課題を選び、成功の基準、使える計算時間、停止条件、人が確認するタイミングを決めることが重要です。AIエージェントの速さだけでなく、実験の記録が残るか、社内データや知的財産を守れるかも確認する必要があります。