UniK: デジタルAIとフィジカルAIのための普遍的知識知覚

- デジタルAIとフィジカルAIの両方に共通する知識基盤のボトルネックを解消する共通プラットフォーム「Universal Knowledge Perception (UniK)」を提案。 - 知識ライフサイクル全体（ingestion, enrichment, indexing, retrieval, continuous evaluation）をカバーし、テキスト・動画・分子データ・センサーテレメトリなど異種モダリティを扱う。 - Polymath Retrieval（自動的にenrichされたインデックス上でのmulti-index fusion）を基盤とし、タスク特化のfine-tuningを不要とする。

- 従来のAIインフラは大規模で異種モダリティのプライベートコーパスに信頼性高く効率的にアクセスできず、デジタルAIとフィジカルAIの両方で知識問題がボトルネックだった。 - UniKはfine-tuningなしで、オープンソースの70Bモデルと組み合わせて、桁違いに大規模なfrontier proprietary LLMに匹敵または凌駕する性能を達成。 - 例：government dataでRAG accuracy 76%（GPT-5は47%）、medical QAで77.9%、chemistry pipelinesで全オープンソース中トップ。

- Polymath Retrieval：自動的にenrichされたインデックスに対するmulti-index fusionを採用。 - 知識ライフサイクル（ingestion, enrichment, indexing, retrieval, continuous evaluation）を統合的に扱う。 - タスク特化のfine-tuningを一切行わず、異種モダリティ（rich text, video, molecular data, sensor telemetry）に対応。

- 5つのデジタルAIドメイン（medical literature, open-domain QA, chemistry, legal video proceedings, government open data）で評価。 - オープンソースの70Bモデルと組み合わせ、frontier proprietary LLMと比較。 - 具体的成果：government dataでRAG accuracy 76% vs GPT-5 47%、medical QAで77.9%（fine-tuningなし）、chemistry pipelinesで全オープンソース中トップ。

- 同じインフラがフィジカルAIのworld model trainingにおけるデータキュレーション、インデキシング、検索の課題に直接対応可能と主張。 - フィジカルAIでは知識問題はより難しいが構造的には同一であると述べる。 - 具体的な限界や議論の詳細は要旨からは不明。

- 要旨で参照/比較されている研究：GPT-5、frontier proprietary LLMs、オープンソース70Bモデル、Polymath Retrieval。 - 関連手法：RAG (Retrieval-Augmented Generation)、multi-index fusion、world model training。 - 同分野の定番：Retrieval-Augmented Generation、knowledge graph、multimodal learning。