▼ もうちょっと詳しく

ペットのしつけと同じです。「お座り」できたらおやつ、できなかったらスルー。これを延々と繰り返すうちに、ペットは「お座りするとおやつが出る」を学習します。AIにも同じことをやらせます。

将棋AIとか囲碁AIが急に強くなったのは、これのおかげです。自分同士で何百万回も対戦させて、勝った手を褒める、というのを延々と続けます。人間の棋士が一生かけて指す対局数を、半日で経験する勢いです。

▼ ちょっとだけ深い話

最近のLLMの「人間っぽい返答」を仕上げる工程でも使われています。RLHF(人間のフィードバックによる強化学習)と呼ばれるやつ。要は「いい返答をしたら褒める係」を人間がやります。AIから見ると、ご褒美くれるバイトのお姉さんが急に増えた感じです。