BAIR 2026 卒業生ショーケース

バークレー人工知能研究所（BAIR）は、2026年度の博士課程修了生クラスを発表しました。このコホートの研究は、 Embodied Intelligence（身体的知能）、大規模言語モデル (LLM) の推論、生成モデリング、AI安全、およびヘルスケアと科学のためのAIなど、現代AIの重要なフロンティアにわたっています。

大規模言語モデルと推論

この分野の研究は、LLMのスケーリング法則、エージェントワークフローの信頼性、および人間の嗜好とモデルアラインメントの交差点に焦点を当てています。

• Scaling Paradigms: Charlie Snell は、テストタイムスケーリング（独立したプロンプト推論）とプリトレーニング（圧縮表現学習）の間のトレードオフを調査し、テストタイムの推論を学習された表現に変換する方法を探求しています。
• Reliability and Fairness: Eve Fleisig は、ユーザーの嗜好の不一致をトレーニングシグナルとして活用し、厳格な評価を開発して LLM の害を特定することで、多様なユーザーに対して信頼性高く動作する LLM を設計しています。
• Reasoning and Agents: Hanlin Zhu は LLM の推論能力の向上に焦点を当てています。Xiuyu Li は、スケーラブルで自己改善型の LLM エージェントを開発しており、特に複雑で長時間的なタスク向けのコーディングエージェントに焦点を当て、並列推論の研究を基盤としています。
• Post-Training and Infrastructure: Vinamra Benara は、LLM のポストトレーニングを専門とし、RLHF、VLM との RLVR、データキュレーション、および分散コンピューティングに必要なシステムインフラストラクチャを含みます。
• Human-AI Interaction: Josh Kang は、人間ユーザーのシミュレーションと会話的かつ協調的な AI エージェントの作成を研究しています。

ロボティクスと身体的知能

BAIR の卒業生は、AI が物理世界とどのように相互作用するかの最先端を進めており、マルチエージェント調整、器用な操作、および世界モデルに焦点を当てています。

• Generalist Models: Baifeng Shi は汎用ビジョンおよびロボットモデルの構築に取り組んでいます。Kevin Black は、実世界への応用のために模倣学習、強化学習 (RL)、および生成モデリングを活用した大規模ロボット学習に焦点を当てています。
• Manipulation and Control: Haozhi Qi は器用な操作とロボット学習に焦点を当てています。Qiyang Li は、RL を使用して行動チャンキングポリシーを最適化するために過去のデータをどのように活用するかを研究し、実際の適用性を向上させています。
• World Modeling: Neerja Thakkar は、自己回帰および拡散フレームワークを使用して、ワイルドな動きのための予測ワールドモデルをスケールアップしています。Yichen Xie は、空間、時間、ダイナミクスに関する推論を可能にするマルチモーダルファウンデーションモデルとワールドモデルを構築しています。
• Multi-Agent Systems: Maulik Bhatt は、ゲーム理論と拡散モデルを使用して、人間および他のロボットと安全に調整する自律ロボットを開発しています。Long (Tony) Lian は、エンドツーエンド RL を介してリアルタイムのマルチモーダルマルチエージェントシステムを開発しています。Vongani Maluleke は、Unitree G1 ヒューマノイドに現在導入されている統合マルチエージェントモーション生成フレームワーク MAGNet の開発を主導しました。
• Autonomous Systems: Wei-Jer Chang と Zhe Fu は安全な自律システムに焦点を当てています。Zhe Fu は特に、物理情報ニューラルネットワークを使用して交通ダイナミクスを予測し、自動車両を調整しています。

AI 安全、理論、および解釈可能性

この研究トラックは、AI の理論的基盤、リスクの軽減、および内部モデルメカニズムの理解を強調しています。

• AI Safety: Niklas Lauffer は AI 安全と RL に焦点を当てており、マルチエージェント設定における LM エージェントがもたらす安全リスクを評価し、長時間的タスクにおける共変量シフトを解決しています。
• Theoretical Foundations: Kunhe Yang は機械学習理論と計算経済学を使用し、人間のインセンティブと AI の能動性によって形作られた環境における AI アルゴリズムを研究しています。
• Interpretability and Control: Grace Luo は、LLM ステアリングのための言語活性化のメタモデリングを含む生成モデルの解釈と制御に取り組んでいます。Yigit Efe Erginbas はスケーラブルな帰属手法を開発し、モデルの自己説明の忠実性を評価しています。
• Safety Assurances: Sampada Deglurkar は、不確実性の定量化と確率的保証を通じて自律システムの安全保証を提供しています。

科学、ヘルスケア、およびマルチモーダルシステムのためのAI

この分野の研究は、AI を専門分野に適用し、複数の感覚モダリティを統合しています。

• Healthcare and Clinical Reasoning: Nikita Mehandru は、電子健康記録を使用して臨床的推論と疾患進行モデリングのための ML 手法を開発しています。Jiachen Lian は、音声とヘルスケア全般にわたる人間中心の AI に焦点を当てています。
• Biology and Proteins: Junhao (Bear) Xiong はタンパク質のための生成モデリングに焦点を当てています。Michael Psenka は、タンパク質の分子ダイナミクスに深層生成モデルを適用しています。
• Speech and Multimodal AI: Kaylo Littlejohn は、脳活動をテキストと audible speech に変換するマルチモーダル AI ツールの開発を共同でリードしました。Kent Chang は、対話とナラティブの理解のためのマルチモーダルシステムを構築し、AI における多様な声の表現に焦点を当てています。
• Computer Vision: Devin Guillory は、コンピュータビジョンモデルにおけるデータシフトを考慮に入れる方法を研究しています。