【RL環境】AIに仕事を練習させる「模擬の作業場」の仕組みと、高値で売り買いされる理由

The Decoderは11/11、中国のテックと政策を扱うニュースレターChinaTalkの調査を紹介しました。Mercor、Surge AI、AfterQuery、Turingなど少なくとも9社の米データ会社が、中国のAI研究所へ約$5億分の学習データを売っており、その一部が強化学習の訓練環境だという内容です。中国側は、AnthropicやOpenAIに売られたのと同じ製品をあえて買っているとされます。

「環境」と聞いても、データの一種なのか、ソフトウェアなのか、なぜそれほどの値段がつくのかは見えにくいところです。この記事では、RL環境の中身と、それが高値で売り買いされる理由を整理します。