LinkedIn、Walmart、Zendeskのインフラ責任者3人は、AIイベント「VB Transform 2026」のパネルで、AIエージェントの本番展開を阻むのはモデルではなくレガシー基盤だとの共通見解を示しました。3社はそれぞれ異なる起点から検証しましたが、直面した障害はいずれもモデルの問題ではなく、人間の働き方に合わせて作られた既存インフラが、桁違いに速いエージェントの動作速度に追いつけない点にあったと説明します。

LinkedInが最初にぶつかった壁は、コンテナを必要時に起動する前提のKubernetesの遅さでした。同社はこれを事前確保したコンテナプールへ切り替え、エージェントの処理を実時間で入れ替える方式に改めました。さらにLLMが別のLLMの出力を評価する構造では幻覚が残るため、独自の制御フローを構築し、約8割の工程を決定論的なコードで固め、推論が要る箇所だけLLMを使う設計にしたといいます。

Walmartの課題は成功から生まれました。社員に配ったエージェント基盤が社内で急速に広まり、「市民開発者」が独自のエージェントを次々に作った結果、調整のない重複したエージェントが乱立したのです。同社は基盤の利用を制限するのではなく、重複を検知して最良版を本番へ引き上げるガバナンスの構築で対応しました。

Zendeskはデータ側で壁に直面しました。同社は約200億件の顧客対話を抱えますが、それを大きな文脈窓を持つLLMにそのまま渡してもうまくいかないため、基盤となるデータパイプラインへの投資が不可欠だと説明します。

3社に共通したのは、可能な範囲は自前で持ち、フロンティアの研究所には明確な優位がある領域だけ頼るという姿勢です。LinkedInは全モデル呼び出しを統一するAIゲートウェイとモデル非依存のメモリ基盤を構築し、Walmartも社内ゲートウェイでベンダー中立を保ちます。3人が助言として挙げたのは、まず評価基盤に投資すること、エージェント基盤を初日から自社で持つこと、そして将来のモデル移行に備えて独立性を前提に設計することでした。

会計ソフト大手のIntuitが、AIエージェントの基盤を約4カ月の間に2度も作り直していたことが明らかになりました。同社AI担当VPのNhung Ho氏がイベント「VB Transform 2026」で語ったもので、専門特化型エージェント群から中央集権的なオーケストレーション層へ、さらにそれを捨ててスキルとツール中心の構成へと移行しました。2度目の再構築には60日を要し、最初の稼働版は20日足らずで完成したといいます。

オーケストレーション層が破綻した原因は明確でした。各エージェントが処理結果を自然言語で次のエージェントへ受け渡す仕組みだったため、受け取った側は前段の判断過程を推測せざるを得ず、その推測が受け渡しのたびに劣化していったのです。Ho氏は「10個のエージェントが互いに渡し合えば、その都度エラーが複利的に膨らむ」と述べ、10段のチェーンは設計上必然的に誤差を増幅させたと説明します。

再構築で難しかったのは技術的判断そのものより社内の説得でした。経営層には実際の顧客クエリを使った新旧比較デモを示して証拠で納得させ、専門エージェントを作った数百人のエンジニアには、自作のエージェントを個別のスキルとツールへ分解するよう求めました。標準的なエージェントが一つの課題しか解けないのに対し、共有されるスキルやツールは同じ機能に触れる全顧客に役立つという規模の論理が説得材料になったといいます。

顧客から見て最も分かりやすい成果は、AIとの会話の途中で人間を呼び込める機能です。ユーザーはIntuitのサポート担当や自分の会計士、同社の簿記担当者を、エージェントがそれまでに行った文脈ごと会話に招き入れられます。現在は顧客の約1%への早期テスト段階ですが、数週間のうちに拡大する予定とのことです。

再構築はフィードバックの集め方も変えました。従来は明示的な意見を寄せる顧客が全体の0.3%程度にとどまり内容も好悪に二極化しがちでしたが、チャット型では一つ一つの会話がそのままフィードバックとなり、その割合はほぼ100%に近づいたといいます。Ho氏はこの膨大な声を体系的に分析するモデルを作るため、自らコードを書く作業に戻ったと明かしました。

GitHubのエンジニア、Dalia Abuadas氏は2026年7月17日、同社ブログで、AIがコードを書くコストを急落させた一方、それを所有し保守するコストは変わっていないとする論考を公開しました。Copilotのエージェント統制基盤を手がける同氏は、小さな機能追加を巡る従来の意思決定が静かに崩れ始めていると指摘します。

従来、小さな依頼で最も高くついたのはコードを書く作業でした。テストや展開計画、出荷後の挙動を誰が担うかまで考える必要があり、2時間の変更が2週間の脱線に膨らむこともありました。だからこそエンジニアは範囲を守ろうと押し返してきた、と同氏は説明します。

しかしAIエージェントは、議論が温まる間に最初のパッチを生成できます。同氏はこの生成物を成果物ではなく「探針」と位置づけ、想定通りのファイルに収まるか、テストは容易か、既存の抽象を保つかを問うべきだと述べます。抽象的な範囲論争を、具体的な差分に対する検証へ置き換えられるためです。

ここに最大の落とし穴があります。コードの生成が安かったからといって、その変更が安いとは限りません。安いと言えるのは人間が自信を持ってレビューし所有できる場合だけで、通っても誰も持ちたがらない千行の差分は先送りされたコストにすぎない、と同氏は釘を刺します。

具体的には、既存フィールドの表示追加や十分にテストされた補助関数のリファクタリングは概ね安い一方、認可の挙動やデータ保持の意味を変える変更は、差分がどれほど綺麗でも安くないと整理します。実装前の範囲管理の一部をレビューへ移せるものの、課金やプライバシー、コンプライアンスに触れる依頼は明確に断るべきだとしています。

実務では、機能フラグの内側で公開契約を変えず、最小のパッチとテストを伴う制約付きの試行を求めよ、と提案します。クリーンなパッチが出れば費用を提示して採否を問い、出なければ依頼が見た目より大きいと分かります。優れたエンジニアとは不確実性の価格をすばやく見積もれる人だ、というのが同氏の結論です。

金融大手のCapital Oneは7月17日、ソースコードの脆弱性を検出するエージェント型AIツール「VulnHunter」をオープンソースとして公開しました。GitHub上でApache 2.0ライセンスの下、誰でも利用できます。攻撃者がコードを突く前に、悪用可能な欠陥を見つけ、到達経路を可視化し、修正案まで示す狙いです。

最大の特徴は攻撃者視点の「順方向解析」です。APIやファイルアップロードなど実際の侵入口から出発し、アプリの処理を順にたどって悪用経路が本当に成立するかを検証します。危険なコードパターンを起点に逆方向へ探る従来型スキャナと異なり、大量の誤検知を抑えられるといいます。

二つ目の柱が反証エンジンです。検出した脆弱性について、成立を妨げる前提や論理の穴を自ら探し、覆せなかったものだけを開発者に通知します。人手による選別作業の負担を減らし、修正コード案まで添えて提示する点が特徴で、同ツールは現在AnthropicのClaude Opus 4.8上で動作します。

今回の公開は、2019年の大規模情報漏洩を経た同社の姿勢転換を映します。当時、米国とカナダで約1億600万人分の個人情報が流出し、8000万ドルの制裁金を科されました。以後同社はソフトウェア供給網の安全対策への投資を強め、社内検証では数千のリポジトリにVulnHunterを適用したとしています。

NVIDIAは7月17日、AIエージェント時代の学習基盤としてVera Rubinプラットフォームを軸に、新指標「対コスト知能（intelligence per dollar）」を打ち出しました。エージェント型AIでは、モデルが一度の学習で完成せず、本番環境の変化に合わせて継続的にポストトレーニングを繰り返す必要があります。同社は、この絶え間ない学習ループをいかに低コストで回すかが、今後のAI投資の成否を分けると位置づけています。

ポストトレーニングは、事前学習を終えたモデルにコード生成や複数手順の計画、ツール利用や失敗からの復帰を教える工程です。エージェントが使うツールは週単位で変わり、想定外のエッジケースも本番で次々に現れます。そのため学習は一度きりではなく、本番から問題が戻るたびに繰り返され、計算負荷は個々の実行規模ではなく回数の多さによって膨らみます。

同社は、推論コストを示す「トークン単価」の一段上に対コスト知能を置きます。トークン単価が下がればモデルに組み込む知能1単位あたりのコストも下がり、逆に知能が高まれば提供する各トークンの価値も上がるという、入れ子の関係だと説明します。つまりトークン単価は運用効率を、対コスト知能は投資回収を測る指標になります。

新プラットフォームのVera Rubinは、Blackwell世代の4分の1のGPUで最大級のモデルを学習でき、1回あたりのロールアウト数や並列環境を増やせるよう設計されました。実例として、5500億パラメータのMoEモデルNemotron 3 Ultraは、実世界のコード修正を測るSWE-bench verifiedで71.7%を記録し、約10件中7件のバグを実際のテストに通る形で修正しました。

採用も広がっています。Prime Intellectは、Vera CPUが従来のx86構成に比べ平均30%高いスループットを示したとし、Perplexityは1兆パラメータ級モデルの重みを学習と推論のノード間で2秒未満で同期しています。Together AIも、教師ありファインチューニングや強化学習を含む学習サービスをVera Rubin上で提供する方針です。

決済スタートアップのBrexは、AIエージェントの挙動をネットワーク層で統制する社内基盤「CrabTrap」を開発し、オープンソースで公開しました。すべての通信を傍受するHTTP/HTTPSプロキシがポリシーを照合し、判断が難しい要求はLLMが審査して承認可否を決めます。従来のガードレールでは制御しきれなかったエージェントの権限行使に、新たな防御層を設ける狙いです。

同社が着目したのは、これまで手薄だった通信層です。APIトークンやSDK単位の権限は回避や設定負担が大きく、プロンプトインジェクションにも弱いとされてきました。Brexは全エージェントと全リクエストの間に立つ層こそ有効だと考え、環境変数でプロキシを通すフレームワーク非依存の仕組みを採用しました。

特徴は、ポリシーを白紙から書くのではなく実際の通信から学習する点です。エージェントをシャドーモードで動かして過去のトラフィックを分析し、実挙動に沿った自然言語のポリシーを自動生成します。CEOのペドロ・フランチェスキ氏は、この方式が白紙から始めるより劇的に効果的だったと語ります。

懸念された遅延は大きな問題にならなかったといいます。LLM審査が動くのは未知の要求など全体の約3%にとどまり、Claude Haikuのような小型高速モデルを使うことで追加の遅延はごくわずかでした。プロンプトインジェクション対策として、リクエストをJSON構造にして利用者由来の内容を無害化しています。

公開後の反響は想定を上回り、GitHubのスターは700を超えました。OpenAIやY Combinatorのギャリー・タン氏らも同様の基盤導入に関心を示しています。フランチェスキ氏はインフラの不足を待つ言い訳にせず課題は自分たちで引き受けられると、他社の開発者に助言しています。

Appleは7月13日、OpenAIを企業秘密の侵害で提訴しました。訴状は、OpenAIのハードウェア責任者にまで及ぶ組織的な不正行為を主張し、400人を超える元Apple社員が現在は同社で働いていると指摘しています。OpenAIが年内にも新規株式公開(IPO)を検討すると報じられるなか、この提訴のタイミングは同社にとって最も痛いものとなりました。

OpenAIの反応はこれまで慎重で、含みを持たせた反論にとどまっています。TechCrunchのポッドキャスト番組では、この訴訟がOpenAI自身のハードウェア構想とIPOのスケジュールにどう響くかが議論されました。端末事業を成長の柱に据える同社にとって、Appleとの法廷闘争は無視できない重荷になります。

一方で専門家の間では、訴状の主張の多くが業界では珍しくない慣行にすぎないとの見方も出ています。The Vergeの番組では、Appleが本当に競合を警戒しているのか、それともOpenAIの弱みにつけ込もうとしているのかが焦点となりました。Appleには過去にも話題性の高い訴訟を仕掛けてきた歴史があります。

訴訟の背景には、AI企業に自社データを預けることへの信頼という、より大きなテーマもあります。MicrosoftのSatya Nadella氏が企業に警鐘を鳴らすなど、AIラボと顧客の関係は揺れています。AppleはiOS 27の新しいSiriを公開ベータで投入しており、AIの主導権争いは新たな局面を迎えています。

OpenAIは7月17日、AI投資の価値を測る新たな指標として有用な知性/ドル（Useful Intelligence per Dollar）を提唱する記事を公開しました。従来のソフトウェア評価で使われてきた利用者数やライセンス数ではなく、AIが実際に完了した仕事量で価値を測るべきだと主張しています。CFOやビジネスリーダーが直面する「AI支出からより多くの価値をどう引き出すか」という問いに答える狙いです。

同社は、トークン単価の安さだけを見る評価を退けます。低価格のモデルでも良い結果を得るには試行回数や人手の確認が増える場合があり、成功した成果1件あたりの総コストこそが重要だと説きます。高性能なモデルが一度で正解を出せば、再試行やレビューが減り、結果的に割安になることもあります。

新指標は4つの問いで構成されます。AIは価値ある仕事を完了しているか、成功したタスク1件あたりのコストはいくらか、結果を信頼できるか、利用拡大に伴い1ドルあたりの価値が高まるか、という点です。特に信頼性は経済価値に直結し、結果が正確であればレビューや修正の手間が減ると指摘します。

記事は自社モデルの優位性もアピールしています。先週公開したGPT-5.6は、旗艦のSol、性能とコストを両立するTerra、最速で低価格のLunaという3階層を用意しました。長期的なエンジニアリング課題のベンチマークDeepSWEでは、GPT-5.6 SolがClaude Fable 5を上回る72.7%を記録し、API推定コストは36.2%低いとしています。

最後に同社は、こうした改善を支える中核にコンピュート（計算資源）を据えます。優れたモデルが製品を改善し、それが普及と収益を生み、次世代への投資につながる好循環を描いています。世代交代のたびに「より多くの価値ある仕事を、より低いコストで」という方程式を改善することが自社の使命だと結んでいます。

AI推論クラウドのスタートアップGeneral Computeは、テック投資会社Upper90から4億ドルのローンを調達しました。学習済みモデルを高速に動かす推論専用チップを担保に差し出す、業界初とみられる融資契約です。AIツールやトークンの価格高騰への懸念が広がるなか、オープンソースモデルを安価に動かすインフラへ資金が向かい始めた最新の兆候といえます。

同社が採用するのは、Intelが出資するSambaNovaのSN50チップです。推論に特化して設計され、消費電力が低く高価な水冷システムを必要としないため、GPUよりも多様なデータセンターへ素早く配備できます。General ComputeはGPUベースのクラウドと比べ16倍高速な推論を実現できると主張しています。

担保融資の下地を作ったのは、Upper90の共同創業者でCEOのBilly Libby氏です。元Goldman Sachsのクオンツトレーダーである同氏は、2021年にデータセンター新興企業Crusoeによるチップ担保のGPU購入を融資し、これが先端チップの価値を担保にした初のローンだと自負しています。その後CoreWeaveがチップ担保融資をビジネスモデル化し株式公開の柱に据えたことで、この手法は一般的になりました。

背景にはオープンモデルへの需要拡大があります。OpenRouterやFireworksといったオープンモデル提供企業が高い評価額で資金を調達し、MoonshotのKimi K3のような新モデルがコーディングのベンチマークでAnthropicやOpenAIの最新版に匹敵し始めています。GroqやCerebrasなど新興チップメーカーも、買収や公開市場から注目を集めています。

General ComputeがNvidia圏外のチップにアクセスできる点も重要です。同業のTensorWaveもAMDとの提携で同様の賭けに出ており、Nvidia依存から自由な事業者は割安な推論で優位に立てる可能性があります。CEOのPuklowski氏は今回の契約を、資本が組織化しNvidiaの独占的支配が断片化する最初の兆しだと位置づけています。

NVIDIAとHugging Faceは2026年7月17日、Hugging Face Hub上のあらゆるDiffusers形式モデルを対象に、本番品質の分散型ファインチューニングを可能にする統合を発表しました。オープンソースライブラリ「NeMo Automodel」を通じて、チェックポイント変換やモデルの書き換えなしに学習を実行できます。ライセンスはApache 2.0で提供されます。

NeMo AutomodelはPyTorchのDTensorを基盤とする学習ライブラリで、NeMoフレームワークの一部です。設計上の要点は二つあり、一つはHugging Faceネイティブで、Hub上のモデルIDを指定するだけで学習を始められる点です。もう一つは並列化を設定で切り替える思想で、FSDP2やテンソル並列、パイプライン並列をコードの書き換えなしに選べます。

対応するのはフローマッチングを学習目的とするモデルで、Wan 2.1や2.2、FLUX.1-devとFLUX.2-dev、HunyuanVideo 1.5、Qwen-Imageなどが用意されています。事前にVAE出力を符号化する潜在空間学習と、多解像度のバケット処理でスループットを高めます。全体のファインチューニングとLoRA方式のPEFTの両方に対応します。

実務上の利点は、事前学習済みの重みをそのまま使える点にあります。学習用フォーマットへの変換が不要で、微調整後のチェックポイントはDiffusionPipelineにそのまま読み込めます。量子化やコンパイル、LoRAアダプターなど下流のツールも引き続き動作します。

スケール性能も公開されています。8基のNVIDIA H100を接続した1ノード環境で、FLUX.1-devやWan、HunyuanVideoの学習速度を計測し、ステップ時間やGPUあたりの処理量を示しました。マルチノード対応は現状SLURMで、Kubernetes対応も予定されており、今後はYAMLに加えて型付きのPython APIも提供される計画です。

AIデータセンター向けのメモリ需要が消費者向け電子機器に波及し、インドのスマートフォン市場が失速しています。市場調査会社Counterpointによると、2026年4〜6月期のインドのスマホ出荷台数は前年同期比で10%減となり、6月期としては6年ぶりの大幅な落ち込みを記録しました。メモリ価格の上昇が端末価格を押し上げ、世界第2位のスマホ市場を直撃した形です。

価格高騰の背景には、AIアクセラレータ向けの高帯域メモリ（HBM）を優先するメモリ大手の動きがあります。SamsungやSK Hynix、Micronは、ウエハーあたりの収益性が高いHBMへ生産能力を振り向けており、スマホやノートPCに使う汎用メモリの供給が逼迫しています。その結果、日用的な電子機器のコストが押し上げられているのです。

インドが中国以上に打撃を受けたのは、市場の約6割が2万ルピー（約210ドル）未満の低価格帯に集中しているためです。とりわけ1.5万ルピー未満の出荷は前年から45%減と急落し、モデルによって端末価格は4〜68%上昇しました。同時期の中国の出荷減は2%にとどまり、インドの落ち込みの深刻さが際立ちます。

価格上昇は競争構図も塗り替えています。主要ブランドで唯一出荷を伸ばしたのはSamsungで前年比2%増、一方でAppleは供給制約から3%減となり、中国勢の合計シェアは2020年以来の低水準に落ち込みました。OnePlusが欧州と北米での新製品投入を停止しインド事業に集中するなど、低価格帯ブランドの撤退も相次いでいます。

IDCは、メモリ不足と価格高騰が少なくとも2027年末まで続くとみています。消費者は買い替え周期を従来の約3.5年から4年程度へ延長する動きを見せており、分割払いが購入の鍵となっています。インド市場は数量重視から単価重視へと構造転換が進みつつあります。

クリエイター向け会員制プラットフォームのPatreonは7月17日、インフラ大手のCloudflareと連携し、クリエイターの作品を無断で学習するAIボットへのアクセスを直接遮断すると発表しました。これまではrobots.txtでクロールしないよう「お願い」するにとどめていましたが、今後はCloudflareのAI Crawl Control技術を用いて学習用ボットを実力で締め出します。同意はスクレイパーの善意に依存すべきではない、という考え方が背景にあります。

対策を強化する理由は、AIスクレイピングが2023年に初期対策を講じた当時よりも巧妙になったためです。Patreonのペイウォールは長らく多くの有料コンテンツをクローラーから守ってきましたが、刷新したホームフィードやツイート風機能「Quips」など新たな発見機能の導入で、露出するコンテンツが増える懸念が生じていました。

今回の措置の効果は明確です。新機能をテストしたところ、個別のAI学習クローラーによる週あたりのアクセス試行は数千回からゼロへと激減しました。これは、スクレイパーがPatreonのrobots.txtを無視して無断で収集を続けていた実態を示しています。

ただしPatreonは、すべてのボットを一律に排除するわけではありません。ページを索引化し、ユーザーをPatreonへ送り返す情報整理を担うボットは、引き続き許可します。製品責任者のDrew Rowny氏は、クリエイターは自らの作品がAI企業にどう使われるかについて意味ある発言権を持つべきだと述べ、視聴者を増やしながら利用方法を自ら管理できる環境を目指すと強調しました。

米人型ロボット企業Agility Roboticsは7月17日、カリフォルニア州フリーモントに約6万平方フィートのロボット訓練施設を開設すると発表しました。同施設は、Teslaが人型ロボ「Optimus」の製造を今年始める工場のすぐ近くに位置します。狙いは、主力機「Digit」の企業導入を加速させることにあります。

Agilityの強みは、すでに現場で稼働する実機を持つ点です。同社のロボット「Digit」は、Amazonやトヨタのカナダ工場など複数の顧客の倉庫や製造現場で、荷物用のコンテナを運搬し収益を生んでいます。同社は受注済みの契約が3億ドルに達したとしています。

新施設は、身長約1.8メートルのDigitが実際の現場に近い環境で新しい作業を学ぶ場となります。ペギー・ジョンソンCEOによると、30社超が導入を協議中です。この秋には人を感知できるバージョン5が公開され、人と同じ空間での作業が可能になる見込みです。

AI活用について同社は慎重な姿勢を取ります。共同創業者は、安全に関わる制御は生成AIに任せず、別の経路を通すべきだと語ります。一方でAIは、ロボットに多様な作業を教えるスケールの実現に役立つとします。Agilityは家庭用ロボには当面参入せず、製造・物流に集中する方針です。

同社は現在、株式公開に向けた逆さ合併を進めており、年内にも人型ロボ専業として初の上場企業になる見通しです。2015年設立のAgilityは、FigureやTeslaなど後発勢に対する先行者としての優位を生かそうとしています。

米サンフランシスコ市のデービッド・チュー市法務官は今週、AppleとGoogleに対し、実在の人物を無断で裸に加工する「ヌード化」アプリ13本をアプリストアから削除するよう求める停止通告（cease-and-desist）を送りました。両社が非同意の性的ディープフェイク画像の売買を「幇助」しているとし、開発者との取引を断つよう要求しています。

チュー氏は、ディープフェイクポルノを作成するサービスの支援を禁じたカリフォルニア州法に両社が違反していると指摘しました。対象アプリはアプリ内課金を用いており、AppleとGoogleはその手数料として数百万ドルを得てきた可能性が高いといいます。

対象アプリは、顔の入れ替えや脱衣によって誰でも簡単に露骨な画像を生成できるものです。チュー氏は被害が主に女性や子どもに及ぶ現状に「心底ぞっとした」と述べ、いじめや脅迫、深刻な精神的被害につながっていると訴えました。ある対象アプリは100万回超ダウンロードされていたといいます。

これを受け、Googleの広報担当は、指摘された5本をポリシー違反で停止し、これまでに数百本の関連アプリを削除、「nudify」などの検索語も制限してきたと説明しました。Appleは指摘された8本のうち3本を削除し、該当する開発者アカウントの停止手続きを進めていると明らかにしています。

VCのJeremy Levine氏がZoomの表示名を「録音・文字起こしに同意しない」と変更し、AI議事録アプリによる常時録音への抵抗を示していることが、Wall Street Journalの報道で明らかになりました。GranolaやPlaudといったAIノートアプリやデバイスが急速に普及する中、あらゆる会議や会話が自動で記録される状況に、投資家から拒否反応が広がっています。

記事によると、AI文字起こしアプリの台頭で常時録音が当たり前になりつつあります。別のVCであるEric Bahn氏は、スタートアップ創業者との面談が録音されることを、机の上に携帯電話が置かれる前から当然の前提とみなすようになったと語っています。

用途はビジネスにとどまりません。ある創業者は初対面のデートの多くをGranolaアプリで録音し、後から文字起こしをClaudeに読み込ませ、自分がより魅力的で共感的に振る舞えたか、どちらが多く話したかを分析していると明かしました。録音は今や私生活にまで入り込んでいます。

一方でLevine氏はこの流れを「社会的に受け入れがたい振る舞い」と呼び、自発的な会話を台無しにすると批判します。記事は法的なリスクにも触れています。そして最大の疑問は、すべての会議や雑談、外出までが記録・要約されたとして、誰がそれを実際に読むのかという点です。再生されない録音の山が積み上がるだけではないか、という問いが残ります。

動画共有アプリTikTokは2026年7月17日までに、AIによる本人そっくりの映像（なりすまし）を検出するツールの試験を始めたことを明らかにしました。まずは米国の一部クリエイターを対象に、希望者だけが使えるオプトイン方式で提供します。無断で作られたAIディープフェイクを見つけて運営に報告できる仕組みで、ソーシャルメディア専門家のマット・ナバラ氏が発見しました。

このツールを使うクリエイターは、まず本人確認サービスを手がけるJumioで身元を確認する必要があります。リアルタイムの自撮りスキャンと身分証の確認を求められますが、TikTok広報のザカリー・カイザー氏は「TikTokは身分証書類を保持せず、顔情報は本人性の照合と無断利用の特定にのみ使う」と説明しています。

本人確認が済むと、システムがそのクリエイターの容姿を使った可能性のあるAI生成コンテンツを自動で走査します。クリエイターは検出結果を確認したうえで、無断の投稿やアカウントを運営に報告できます。

背景には、生成AIの普及で本人になりすます偽動画が広がっている事情があります。競合のYouTubeも同様の検出ツールを開発しており、最近すべての成人ユーザーに開放したばかりで、プラットフォーム各社が対応を急いでいます。

米新興企業Foundation Future Industriesが、軍事用のヒト型ロボット開発を進めていることが、2026年7月17日に米誌WIREDの報道で明らかになりました。同社のサンカート・パタックCEOは、近く自社ロボットに殺傷能力を持たせる計画を認めており、戦闘のほか物流や偵察、点検への活用も想定しています。米大統領の息子であるエリック・トランプ氏が投資家兼最高戦略顧問として関与している点も注目を集めています。

同社は数百万ドル規模の政府契約を持ち、著名な支援者を通じて存在感を高めてきました。ただWIREDが契約内容を確認したところ、多くは買収した企業や提携先の研究機関から引き継いだもので、独自の新規契約を獲得した形跡は乏しいと指摘されています。フォックス・ビジネスで語られた2400万ドルのペンタゴン契約についても、実態はあいまいだといいます。

Foundationは2024年に設立され、その後ヒト型ロボットで知られる企業ボードウォーク・ロボティクスを買収しました。同社は主力機Phantom MK1をウクライナ軍とともに試験したとしており、実戦を意識した開発姿勢が特徴です。米軍も以前からヒト型ロボットに関心を寄せ、陸軍は軍事用途の技術開発を支援する計画を進めています。

一方で専門家の見方は慎重です。MITのロドニー・ブルックス氏は、複雑で未知の環境で確実に動くヒト型ロボットの実現には10年以上かかるとみています。銃を握るといった物理的な操作や、未知の地形での認識・移動は依然として難題であり、完全自律の戦闘ロボットは遠い夢だとの指摘もあります。

新たな軍事自律システムの配備は、信頼性や致死的判断に人間が関与しない点など、倫理的な課題も伴います。パタック氏は終末論的な懸念は誇張されているとし、戦争をより精密にし巻き添え被害を減らせると主張しています。次世代機Phantom MK2はまず防水・防塵性能の実現を目指す段階にあり、実戦投入までの道のりはなお長いと言えそうです。

米国とカナダで数百件の山火事の煙が広がるなか、Googleが支援する山火事検知衛星計画「FireSat」の最初の運用衛星3基が軌道に到達しました。これらの衛星は2026年7月7日、カリフォルニア州ヴァンデンバーグ宇宙軍基地からSpaceXのFalcon 9ロケットで打ち上げられ、非営利団体Earth Fire Allianceが運営します。3カ月の試験期間を経て、地球上の火災多発地域を1日2回以上カバーする本格運用へ移ります。

FireSatは山火事の検知に特化した初の衛星群で、他の衛星が見逃す小規模な火災も捉えます。各衛星は煙や雲を透過できるマルチスペクトル撮像を備え、5メートル四方ほどの小さな火災まで検知できます。この能力は2025年3月に打ち上げた試作衛星が100万枚超の画像を収集し、既存衛星では見えない低強度の火災を捉えられることで実証されました。

衛星はカリフォルニア州の衛星メーカーMuon Spaceが設計し、初期展開に向けGoogleから1500万ドル超の資金を得ています。ほかにもBezos Earth Fundが2600万ドルを拠出するなど、著名な支援者が名を連ねています。

データを最初に活用する「早期導入」機関には、カリフォルニア州やコロラド州、オーストラリア、ポルトガルの消防当局が含まれます。FireSatは年内に米国・オーストラリア・欧州で検知を始め、2029年までに世界中の画像を1時間ごとに提供する計画です。50基を超える完全な衛星群が2030年代初頭に整えば、更新間隔は20分ごとまで短縮される見通しです。

米マサチューセッツ工科大学(MIT)は2025年秋、ベイリー・フラニガン氏を計算機科学と政治学を兼任する新任教授として迎えました。フラニガン氏は市民の政治参加を意味あるものにするため、計算・数理の道具を使って民主的な意思決定の質を高める研究に取り組んでいます。専門分野を横断する経歴が、その独自の視点を支えています。

中心となるのが、市民会議の参加者を無作為に選ぶアルゴリズムです。市民会議では、進んで参加する人が若く高学歴で技術に関心が高い層に偏りやすく、本来当事者であるはずの他の集団が過小代表になりがちです。フラニガン氏の手法は、個人の参加機会の平等、選考過程の操作への耐性、透明性といった要素を調整し、代表性の偏りを是正します。

これらの要素は、意思決定を担う集団が正当性を持つと世間に受け止められるかどうかを左右します。フラニガン氏は、政治的な解決策が実効性を持つには、市民が「正当な過程を経て導かれた」と感じることが不可欠だと考えています。開発したアルゴリズムは、市民会議の参加者抽選を支援する公開サイトpanelot.orgで実際に使われています。

同サイトは技術的なトレードオフを実務者にわかりやすく示し、優先順位に応じて最適化する仕組みです。フラニガン氏はウィスコンシン州の農場で育ち、医学やバイオ工学、公衆衛生、経済学と関心を移しながら、最終的にカーネギーメロン大で社会的選択と民主的意思決定の研究にたどり着きました。「誰が何をなぜ得るのか」という問いが、その一貫した動機となっています。

現在は市民会議にとどまらず、複雑な決定について公衆の意見をより体系的に集める方法や、質問の形式が回答の内容にどう影響するかへと研究を広げています。政治学とEECSの双方に身を置くことで、直接的な統治を支える道具の政治面と技術面を深く探究できる点に、大きな意義を見いだしています。

Googleは世界絵文字デーの7月17日、同社の絵文字全3,977種を刷新し、3Dモデルとして公開したと発表しました。新シリーズ「Noto Emoji 3D」は、平面のピクセルから立体へ移行した業界初の取り組みで、原データである.OBJファイルをオープンソースで提供します。開発者や利用者はこれを使い、VR空間やアプリ、独自のミームを自由に制作できます。

今回の刷新の背景には、絵文字の使われ方の変化があります。Gboardの分析によると、長年首位だった「うれし泣き」(😂)は2025年に順位を落とし、より強い感情を表す「大泣き」(😭)や「爆笑」(🤣)が上位に浮上しました。Googleは誇張やドラマ性を好む現代のネット文化を反映し、表現の幅を広げる必要があると判断しています。

設計にあたり、同社は大規模なユーザー調査を実施しました。その結果、利用者は浮いた頭部よりも全身の動物を好むこと、小道具を加えると理解度が下がること、ウインクの向きを変えるだけで意図が誤って伝わる恐れがあることなどが判明しました。立体化では「笑顔の裏側はどう見えるか」といった、これまで考える必要のなかった構造的な課題にも直面したといいます。

アクセシビリティ面では、ダークモードで見えにくい濃い肌色の絵文字が課題でした。同社はこれに対し、各絵文字をピクセル単位で解析するAI活用のコントラストツールを開発し、比率が低い箇所を検出して改善案を提示する仕組みを導入しています。言語は共有されて初めて生きるとして、Googleは利用者に自由な改変を呼びかけています。