SyntheticGestalt、 Gemini 活用で、新薬開発プロセスを劇的に加速 従来、膨大な時間と莫大なコストがかかる創薬プロセス。Gemini で研究論文を分析し、そのデータを独自の AI モデルに変換、モデルを微調整するなど、AI を活用することで、画期的な成果を上げています。

AIで「合成ユーザー」を作り出すSimileが、非公開の「ステルスモード」を解除してからわずか5か月で2億ドル超のシリーズBを調達し、評価額20億ドルに達した(https://techcrunch[.]com/2026/07/30/synthetic-user-startup-simile-raises-200m-at-2b-valuation-5-months-after-100m-series-a/)。Simile自身は「シミュレーション企業」を名乗り、人間の行動そのものを再現することを事業の軸に据えています。 今回のラウンドはGreenoaksとIndex Venturesが共同でリードし、Hanabi、Bain Capital Ventures、A*、Factory、CVS Health Ventures、Definitionが参加しました(同社発表による)。Index Venturesは前回のシリーズA(1億ドル)もリードした投資家です。 Simileによると、この5か月で売上は5倍に伸び、Fortune100企業(米フォーチュン誌が選ぶ売上上位100社)向けに数千万件規模のシミュレーションを実行できる基盤モデルを構築し、各シミュレーションの精度を予測する「confidence model」(同社いわく世界初)も訓練したといいます。本拠地だった米パロアルトの小さなオフィスから、従業員50人超のグローバルチームに拡大しました。CVS Health、Wealthfront、Deloitte、Gallupといった企業が、製品発表の戦略立案や顧客体験の最適化、新市場への参入にすでに活用しているそうです。 創業者のJoon Sung Park氏はスタンフォード大学で博士号を取得しており、在学中には、AIエージェントが人間のように暮らしパーティーまで開く「Smallville」という研究プロジェクトを手がけていました。Simileは「地球上の80億人全員を正確かつ誠実に再現する」ことを掲げていますが、TechCrunchはこのミッションを荒唐無稽だと評しつつ、人間は感情と理性の両方に左右され予測不能だからこそ市場調査が必要だという前提を踏まえてもなお、合成ユーザーによるリサーチ自体は有望な領域であり、プロダクトのモックアップ作りにおける「vibe coding」(直感を頼りにAIへコードを書かせる開発スタイル)のような立ち位置だと評しています。 同分野では2025年12月にシリーズAで巨額の評価額10億ドルを付けたAaruという競合も登場しており、投資熱の高さがうかがえます。

🎮 一度も学習していない商用ゲームでも、歩いて車に乗って運転できるゲームAIが登場しました。しかも学習に使ったのは実在のゲームではなく「合成環境」です。 タイトル: Player-1: Learning to Play from Synthetic Experience URL: 注目ポイントは3つです。 🕹️ ゲーム専用のアクション空間 相対的なポインタ移動でカメラ操作に対応し、キーを押し続ける「持続入力」、複数のキー入力を同時に行う「複合アクション」（走りながらジャンプなど）を導入し、ゲーム特有の操作を表現できるようにしました。 🏗️ 16個の合成環境でのRL学習 照準・戦闘・運転・ナビゲーション・UI操作をカバーする16の検証可能な合成2D/3D環境を用意し、見た目やカメラ、操作感度まで同時にランダム化することで、特定のゲームへの過学習を防いでいます。 🚀 学習していないゲームへの汎化 強化学習に使っていないMinecraft（MineDojo-300）で成功率9.21%→38.33%、ViZDoomでもスケーリング済みリターンが83.7%向上。未学習の商用ゲーム「Watch Dogs 2」でも歩行から運転まで一連の操作をやり遂げました。 合成環境の数を2から16に増やすほど未知環境への汎化が伸びるという知見も、今後のゲームエージェント開発にとって実用的です。 #ゲームAI# #強化学習#

🎮 一度も学習していない商用ゲームでも、歩いて車に乗って運転できるゲームAIが登場しました。しかも学習に使ったのは実在のゲームではなく「合成環境」です。 タイトル: Player-1: Learning to Play from Synthetic Experience URL: 注目ポイントは3つです。 🕹️ ゲーム専用のアクション空間 相対的なポインタ移動でカメラ操作に対応し、キーを押し続ける「持続入力」、複数のキー入力を同時に行う「複合アクション」（走りながらジャンプなど）を導入し、ゲーム特有の操作を表現できるようにしました。 🏗️ 16個の合成環境でのRL学習 照準・戦闘・運転・ナビゲーション・UI操作をカバーする16の検証可能な合成2D/3D環境を用意し、見た目やカメラ、操作感度まで同時にランダム化することで、特定のゲームへの過学習を防いでいます。 🚀 学習していないゲームへの汎化 強化学習に使っていないMinecraft（MineDojo-300）で成功率9.21%→38.33%、ViZDoomでもスケーリング済みリターンが83.7%向上。未学習の商用ゲーム「Watch Dogs 2」でも歩行から運転まで一連の操作をやり遂げました。 合成環境の数を2から16に増やすほど未知環境への汎化が伸びるという知見も、今後のゲームエージェント開発にとって実用的です。 #ゲームAI# #強化学習#

TL;DR: 実カルテは公開できずラベルも不完全という臨床AIベンチマークの根本問題を、完全合成データで解決した研究です。フロンティアモデルでもトップ医師の性能には届きませんでした。 タイトル: Synthetic Hospital: An Open, Verifiable, Physician-Validated Longitudinal EHR Benchmark URL: ポイント 🏥 医学教育教材から1,268人・5,602受診分の完全合成カルテを構築し、個人情報ゼロで公開可能に 🔗 診断・所見・時間関係をICD-10-CM/SNOMED CT/LOINCへ決定的に紐づけ、ラベルは知識グラフから機械的に導出 👨‍⚕️ 医師によるリアリズム検証で、実カルテとの識別精度はほぼチャンスレベルの53% 📊 10モデルを5タスクで評価。患者診断の最高スコアはKimi 2.5-thinkingの重症度加重F1 0.732で医師平均と同水準 ⚠️ トップ医師(0.89)には未到達。要約タスクではどのモデルも所見の約半分を見落とし 🔁 生成モデルを変えても性能変化は0.05以下、臨床状態そのものを測るベンチマークであることを確認 臨床LLMの実力を偽りなく測れる基盤が整った意義は大きいと感じます。 #医療AI# #LLMベンチマーク#

UPBIT LISTING:[거래] 신세틱스(SNX) 거래 유의 종목 지정 안내 UPBIT LISTING:【交易】关于将 Synthetix (SNX) 指定为交易警示项目的通知 ———————————— 2026-08-07 15:30:06

7/30、Memory Archiveに新曲登場！ 【"Synthesis." by tn-shi】 変遷めくるめく、未来からの艶響。 背理を経て、やがて次元を超越しゆく。 #arcaea#

🛠️ 「成功した軌跡」を集めるだけでは、ツール利用エージェントは強くならないかもしれません。 タイトル: Trajectory2Gym: Decision-Grounded Compositional Interaction Synthesis for Tool-Use Agents URL: 成功軌跡ではなく「学習できる経験」を意図的に作ってSFTする、ツール利用エージェントの学習データ合成手法です。注目ポイントは3つです。 🧩 注目ポイント1: 依存関係を狙って合成する 検索・エラー・リトライ・確認・更新といった依存連鎖が、データに繰り返し含まれているかを重視します。足りないパスを次の合成ラウンドで補います。実際、既存の候補プールでは、本物のエラーの後の意思決定を含む軌跡は10.0%しかありませんでした。 🎯 注目ポイント2: エージェントに見える根拠のある行動だけを学習 教師ポリシーしか知らないIDのような「見えない情報」に頼った行動は学習から外します。失敗した呼び出しやエラーはコンテキストに残しつつ、模倣はしません。 ⚖️ 注目ポイント3: 軌跡単位で重みを揃えるSFT 長い軌跡ほど学習例が増えて重みが偏るのを避けるため、軌跡内で平均してから軌跡間で平均します。アブレーションでは+8.04ポイントと最大の単独効果でした。 📊 Qwen3の5規模で、Tau1・Tau2・BFCLの平均が16.9〜29.8ポイント向上しました。学習後の4BがTau2で69.17と、30B-A3B初期モデルの28.33を上回っています。 💡 データの量より、依存関係と根拠の質を管理する発想が重要だと示しています。 #AIエージェント# #LLM#

プログラムの形式検証に使う仕様、一度書いたら直せないのが当たり前でした。それがカスケード的な失敗の元凶になっていたという指摘です。 タイトル: SpecAgent: Empowering Program Verification with Agentic Synthesis of Formal Program Specifications URL: 📝 概要 C言語プログラムの検証に使うACSL仕様（事前条件・事後条件・ループ不変条件）を、複数の専門エージェントが協調して合成するSpecAgentです。計画立案・検索拡張生成・検証・修復・批評を反復するエージェント的プロセスとして仕様合成を再定式化しています。 ❓ 解決する課題 既存手法は一度生成した仕様を不変として扱う「前進のみ」のワークフローのため、下流の関数で検証が失敗しても上流の根本原因である仕様に戻れず、効果のない局所修復を繰り返してしまいます。 💡 方法論と提案手法 計画立案エージェントが対象と依存関係を特定し、検索拡張型の生成エージェントが184件の知識ベースから類似例を注入してACSLを生成。Frama-C/WPによる検証ゲートを通し、修復エージェントが根本原因を診断、批評エージェントがACCEPT・IMPROVE・REPLANの3択で仕様の強度を判定します。 📊 実験結果 DeepSeek-V4で精度96.82%・再現率88.95%を達成し、全ベースラインを上回りました。アブレーションでは修復機能の追加が精度を大きく改善し、完全な構成では生成のみに比べ再現率が8.02ポイント向上。811件の実世界検証対象のうち604件（74.5%）を解決し、コストもPregussやCodexより低く抑えました。 #プログラム検証# #AIエージェント#

ターミナルエージェントの訓練データ、実は「指示・環境・解答・検証器」がバラバラで解けないタスクが量産されがち——その根本を絶つ合成フレームワークが登場しました。 タイトル: FACET: Preserving Source Intent and Executable State in Terminal Task Synthesis URL: 📌 概要 関連スキルを情報豊かなシナリオへ再構成し、環境を先に構築してその実行状態を共有の土台に。指示・解答・検証器を同じ状態に接地して生成します。 🧩 解決する課題 ・多段生成で元素材の依存や中間状態が失われる ・指示/環境/解答/検証器が食い違い、解けない・評価できないタスクになる ⚙️ 提案手法 ・7万件超のスキルを収集し5次元シナリオへ再構成 ・Dockerで環境をビルドし実状態を共有チャネルに ・指示→解答→検証器を順次生成し、失敗箇所だけをルーターが特定して修復 📊 実験結果 ・平均22.77テスト/タスクの検証済み6,078件を合成 ・Qwen3.5を微調整し4B +40.5%、9B +30.1%、27B +16.5% ・27B(47.57)が約15倍大の397B(49.06)に肉薄 ・エンドツーエンド歩留まり70%で競合の15〜28%を圧倒 質の高い実行可能タスクは、量産ではなく丁寧な状態接地から生まれる、と示す一本です。 #LLMAgents# #TerminalBench#