Meta社長のディナ・パウエル・マコーミック氏は、11月の中間選挙で反データセンターを掲げた候補が勝利したことで、企業の建設計画が難しくなるとの見方を示しました。5日のWSJテック会議で、地域の反発はAI技術そのものへの懸念とも結び付いていると語りました。
同氏によると、Metaは米23州にデータセンターを持ち、うち5件は1ギガワット以上の規模を予定しています。地域住民が計画を望むかどうかを今後さらに問われ、投資の一部を失う可能性も懸念しています。
Metaが示す地域合意の条件は、電力費を自社で支払い、税収の余剰を教員や救急対応者に充て、地元人材を雇うことです。地域に利益をもたらし、超党派の支持を得る計画が受け入れられやすいと説明しました。
同社は利用者数が現在約1000万人のAIエージェント「Muse」の成長に期待しています。仮に消費者向け事業が伸びなくても、構築した計算資源を貸し出せるため収益化の道はあるとしています。
Google.orgは、教育者向けAIを開発する5団体に総額950万ドル超を拠出すると発表しました。教員とともに開発する取り組みを通じ、数百万人の学習機会を支えることを目指します。
ニューヨーク市立大学は、教員のデジタル・計算リテラシーを高める取り組みを進めます。Fab AIはGoogle DeepMindとゲイツ財団と連携し、授業計画や初期読書を支援するオープンモデルを開発します。
Krause Center for Innovationは学校区が責任あるAI教育を導入するのを支援し、Teaching Labは教員や教育リーダーにリアルタイム支援を提供するCoherence OSを試験運用します。
1EdTech Globalは、信頼できる学習標準のための公共インフラを構築します。今回の資金提供は、教員の業務支援から生徒の学習、教育データの共通基盤まで、異なる課題に取り組む団体を対象としています。
Googleは11月3日、学習支援機能「Guided Learning」の効果を示す二つの調査結果を公表しました。東京大学の300人超を対象にした統計学習の無作為化比較試験では、Geminiアプリで同機能を使った学生の得点上昇が8.1ポイントとなり、標準的なオンライン学習ツールのみの5.3ポイントを上回りました。
実験では学生が半日、自主的に統計の教材を学びました。Guided Learningを使った学生は、練習問題や段階的な説明、図解を求めて理解を深め、得点の伸びは約1.5倍でした。短時間の学習で得られた差であり、Googleは学習を促す支援の有効性を示す結果と位置づけています。
英国では教育機関Arkと連携し、中等学校3校で4週間の試行を実施しました。教師からは、生徒の自習中に初歩的な質問へ対応でき、教師が必要な生徒に個別支援を行う時間を確保しやすいとの声が上がりました。生徒の過半数も、自力で問題を解く助けになったと答えています。
試行で得た要望を受け、Googleは教師向けに生徒の利用状況を把握する機能を追加し、会話を授業資料に沿わせる仕組みも改善しました。Google Classroomでは教師が教材に基づく学習活動を割り当て、生徒の進捗を確認できます。調査は同社が公表したもので、導入効果を幅広い環境で評価するには今後の検証も必要です。
Googleは、教員向けの無料オンライン研修「Google AI Educator Series」を今後数カ月でブラジル、メキシコ、スペイン、オーストラリア、サハラ以南アフリカに広げます。忙しい教員が自分のペースで実践的なAI活用を学べる講座です。
研修は米国で始まり、インド、韓国、マレーシア、フィリピン、英国・アイルランドへ拡大してきました。インドでは9月の講習に8万人が参加し、今後は英語と6つの現地語による自習型教材を提供します。
各地では授業準備や学習支援への活用が進んでいます。マレーシアの教員からは、カリキュラムや評価資料などの準備にかかる時間を、テーマごとに3〜5時間減らせたとの報告がありました。フィリピンでは政府機関と連携し、100万人超の教育関係者への研修を目指します。
米国では11月4日に新教材を公開し、対話型評価の作成、ゲーム型学習の設計、学生の思考を促す課題づくりを扱います。Googleは教育現場の反応を受けて教材を毎月更新するとしています。
Googleは11月3日、学校向けAI製品の学習支援機能と管理設定を更新すると発表しました。Google Searchには宿題を段階的に考える機能を試験導入し、Google Classroomでは教師が教材に沿った活動を割り当てられるGuided Learningを世界で提供します。K-12の生徒アカウントでは対象製品を初期状態で停止し、学校管理者が明示的に有効化する方式に改めます。
Searchでは、生徒アカウントから宿題の助けを求めていると判断した場合、すぐに解答を示すのではなく、問題や概念を順に考える案内を表示します。複雑な物理の問題や読書レポートについて、批判的に考えるための問いかけを提供する想定です。米国の一部学校で月内に試験を始め、教育者の意見を取り入れてから他地域へ広げる計画です。
Google ClassroomのGuided Learningは、教師が指定した授業資料に基づく個別学習ツールとして機能します。教師は生徒に活動を割り当て、クラスのつまずきや進捗に関する情報を確認できます。Googleは学校や教育者との試験を経て機能を調整したと説明しています。
アクセス制御の変更はGemini、Gemini Notebook、Classroom内のGemini、Google Searchに及びます。学校が利用方針を決め、管理者が必要な製品を有効にする仕組みです。Googleは変更の詳細と展開時期を今後学校に知らせ、準備期間を設けるとしています。
Googleは11月3日、教育向けAIの更新を発表し、学習支援機能Guided LearningをGoogle Classroomで世界展開します。同機能の一部はGoogle検索にも導入し、学習者が問いを掘り下げる利用を支援します。
同社はGemini、Gemini Notebook、Classroom内のGemini、Google検索について、幼稚園から高校までの生徒アカウントに適用する利用制御の方針も更新します。具体的な設定内容は発表の各項目で案内されています。
発表には教育分野の新たな調査結果とGoogle.orgによる資金提供も含まれます。Googleは教育向けに設計した技術を学校へ広げる取り組みの一環と位置付けています。
さらに教員向けのAI研修を拡大します。学習支援機能、年齢に応じた管理、教員の準備をまとめて進め、学校でのAI活用を支える構成です。
MITの教員5人と卒業生らが、Schmidt Sciencesの「AI2050 Fellows」2026年コホートに選ばれました。AI2050は、社会に大きな利益をもたらすAIの実現に向け、人工知能分野の難題解決を目指す慈善イニシアチブです。フェローは研究を通じ、2050年にAIが社会に大きな恩恵をもたらすために何を解決すべきかという問いに取り組みます。
教員の研究テーマには、深層学習の最適化や表現学習、政治的な意見の測定と民主的な参加手法、微生物進化や生物製造などがあります。AIを使って酵素の機能を特定する研究や、議員の判断に生かせる市民意見の構造化も含まれます。
また、AIで検出したパターンを検証可能な理論へつなげる研究や、採用過程におけるアルゴリズムの公平性も対象です。AIへの広範な依存がもたらす悪影響を抑え、利点を強める方法を探るプロジェクトも選ばれました。
AI2050はエリック・シュミット氏とジェームズ・マニカ氏が構想し、共同議長を務めています。今回の選出者は、機械学習の基礎から公共政策、生物学、社会へのAI導入まで、複数分野を横断して有益なAIの条件を探ります。
Googleは2026年10月29日、英国とイタリアの教育現場で実施したGemini関連の調査結果を公表しました。英国では12～15歳の生徒1100人超を対象に10週間の数学指導を比較し、AIによる個別指導の課題成績は人間のチューターと同程度でした。イタリアの31校では、Geminiを使った授業づくりと協働学習、教員の負担感を調べました。
英国の無作為化比較試験では、AIの回答を専門家が生徒に提示する前にリアルタイムで確認しました。AI回答の専門家承認率は前年の76％から95％に上がり、AIは約99％のセッションで答えを直接渡さず、生徒を導いたと報告されています。
AI指導を受けた生徒は、学習プラットフォームの課題や中間クイズで人間の指導を受けた生徒と同程度の成績でした。一方、10週間後の標準テストでは差が確認されませんでした。AI指導では解答に時間がかかり、1回の学習で解いた問題数が少なく、扱った範囲が狭まった可能性をGoogleは挙げています。
イタリアでは31校、教員1600人、13～18歳の生徒2万4500人超を対象に1年間調査しました。Geminiと授業を共同設計した教員の79％が、普段より創造的に授業を計画できたと回答し、利用しない場合の30％を上回りました。講義形式は38％減り、生徒主導の協働学習は約3倍になりました。
授業への生徒の参加率は77％から84％に上昇し、教員が生徒の関心を保つために自らの力に頼る度合いは66％低下したと報告されています。これらは特定の環境で得た調査結果であり、英国の標準テストでは効果が確認されていません。Googleは通年の追跡試験も検討しています。
Googleは2026年10月29日、医療従事者向けの「Google AI for Healthcare Professionals Certificate」を発表しました。自分のペースで学べる4講座で、臨床以外の事務業務を中心に、日々の仕事でAIを責任を持って使う方法を扱います。所要時間は5時間未満で、患者の安全とプライバシーを重視します。
カリキュラムはGoogleの臨床医らが開発し、AIの基礎と出力の評価、患者とのコミュニケーション、日常業務の効率化、生涯学習の4分野で構成します。AIの判断をそのまま臨床判断に置き換えず、安全性やプライバシーに配慮する考え方も学びます。
実務例には、複雑な医療情報を患者向けの音声・視覚資料にすることや、予定調整、長いメールの確認があります。プログラミングをせず自然言語で役立つツールを作る方法も含まれます。研究論文の要点整理や発表準備、試験対策にも活用します。
講座の修了者は、最大5.0 AMA PRA Category 1 Creditsを取得できます。ニューヨーク大学グロスマン医学部、アラバマ大学バーミンガム校、トゥーロ大学などが、教員や研修医、医学生向けに導入しており、看護教育機関も活用しています。
Googleは2026年10月26日、11〜14歳がAIの仕組みと責任ある利用を学ぶ教材「AI Quests」の第3弾「Polar Peaks」を公開しました。Google ResearchとStanford Accelerator for Learningが共同開発し、生徒が研究者役となって脳の神経細胞を走査・地図化し、登場人物の記憶喪失を調べます。
新教材は、神経回路のつながりを地図にするコネクトミクス研究が題材です。生徒はゲーム内の案内役の支援を受け、データの整理やモデルのテストに取り組み、AIには慎重な人の監督と批判的思考が必要だと体験的に学びます。
題材の背景には、Googleが10年以上進めてきた神経科学研究があります。修了後には、ニューロン数で過去最大規模となるショウジョウバエの全脳地図など、実際の成果に携わった研究者の説明を聞けます。
AI Questsではこれまでに40万件超のクエストが完了し、10言語に展開されています。Googleは併せて教員向け研修モジュールを提供し、第1・第2弾向けの研修を公開、第3弾向けも翌月に追加する予定です。
学校でAIリテラシーを教える際、操作方法だけでなく、人の判断や監督まで学習内容に含める設計が特徴です。教員用研修を組み合わせることで、既存の授業への導入や学習後の議論に活用できます。
NVIDIAは2026年10月22日、AI工場のインフラとAIワークロードを一体監視するAIOps基盤「Minerva」を発表しました。GPU、ネットワーク、ストレージ、ジョブの遠隔測定データを専用AIで分析し、異常の早期発見や根本原因の特定、障害予測を支援します。大規模なAI基盤でGPUの稼働時間と有効な処理量を高め、運用を事後対応から予防保守へ移す狙いです。
AI工場では、多数のGPUが高速ネットワークを介して学習や推論を担うため、部品一つの劣化がジョブ全体を遅らせます。MinervaはGPU、SuperNIC、スイッチ、ケーブル、ストレージ、スケジューラー、実行中のジョブを動的な知識グラフで関連付け、部門別に分断されがちな監視情報を一つの運用像にまとめます。
Minervaは1時間に数十億件のデータポイントを教師あり・教師なし機械学習で分析し、通常の挙動を学んで未知の異常や故障の兆候を検出します。設備の接続関係を踏まえて関連イベントを結び付けるため、警告の集中発生を原因候補付きの一件の障害へ集約し、担当者の調査を絞り込めます。
搭載するAIアシスタントは、稼働中の遠隔測定データに基づき、自然言語でクラスターの状態調査や修復案の確認を可能にします。担当者が修復を判断して実行する運用に加え、インフラAPIや外部システムを通じて自動処理につなぐ構成も選べます。
IRENはすでにMinervaをAI工場の最適化に利用し、Aolani、Bitdeer AI、IBM、Jio、Lambda、Quake AI、Teslaも導入を計画しています。Dell Technologies、Lenovo、Supermicroは自社のAI工場運用製品群にMinervaを組み込んで提供する予定で、運用基盤への展開が進みます。
NVIDIAは2026年10月21日、企業の関係データベースを直接扱う事前学習済み基盤モデル「Kumo Relational」を発表しました。解約、需要、不正などの予測で、最大1万件の過去例を文脈として読み込み、表の平坦化や特徴量設計、タスク別学習をせずに1回の推論で結果を返し、データ分析の導入負担を減らします。人とAIエージェントの双方から利用できます。
Kumo Relationalは、主キーと外部キー、時刻情報を保ったまま複数テーブルを処理します。テーブル内の行・列への注意機構と、関係をたどるグラフ注意機構を組み合わせ、過去時点より後の情報を入力から除外してデータ漏えいを防ぎます。
未学習の15データベースにまたがる41課題では、教師ありの関係深層学習モデルや、専門家が特徴量を設計した勾配ブースティングを上回りました。SAP SALTではAutoGluonの大規模アンサンブルより平均逆順位が8％高く、微調整後の差は16％に広がったと報告しています。
実装はGPU向けのオープンソースライブラリ「structured-data-models」とNVIDIA NIMで提供され、独自グラフエンジンは5000億行超のデータベースに対応します。予測内容を宣言するPQLを使えるため、新しい予測案件ごとに専用パイプラインを組む負担の削減が見込めます。
一方、文脈として使う例は最大1万件で、非常に大きな学習データがある課題では専用の教師ありモデルが上回る場合があります。また、予測シグナルが限られた関係の経路内に届く必要があるため、導入時は関連性の高い少数のテーブルから始め、必要に応じて対象を広げる設計が必要です。
NVIDIAは10月20日、臨床の胆嚢摘出術の映像と手術ロボットの動作記録を学習し、器具操作に応じた映像をリアルタイム生成する研究用シミュレーターCosmos3-H-Dreamsを公開しました。臨床手術記録で学習し、運動入力をライブ制御できる初の生成型手術シミュレーターだとし、単一のRTX PRO 6000 GPUで対話動作します。
基盤には160億パラメータのCosmos3-H-Embodied-Nanoを使い、二本の器具の姿勢、把持、エネルギー操作など28次元の入力を処理します。学習映像は832×480画素で、動作を10Hzにそろえました。
長時間の連続生成では、教師モデルを将来72フレームまで学習させ、自己生成した履歴にも耐える生徒モデルへ蒸留します。四段階と二段階のノイズ除去モデルを別々に提供し、二段階版は画質と引き換えに速度を高めます。
FlashDreamsが低遅延の連続生成を担い、FadeMemが長時間実行で増える記憶領域を圧縮します。同じ初期画像でも操作列に応じて異なる術野を生成し、器具、組織変形、解剖構造の時間的一貫性を検査できます。
ただし、見た目の現実感は生体力学的な正確さの証明ではありません。NVIDIAは患者診療向けに検証済みのシステムではないと明記し、コード、モデル、データ、独自データへの適応手順を研究者向けに公開しています。
Liquid AIは2026年10月13日、端末上で高速かつプライベートに動くAIエージェント向けのオープンウェイトモデル「LFM2.5-24B-A2B」を公開しました。総240億パラメーターのうち各トークンで20億だけを動かす構造により、道具利用と指示追従の性能を保ちながら、Apple M5 Maxで毎秒184トークンの高速推論を実現したとしています。
モデルは40層で、各MoEブロックに64個の専門家を置き、上位4個を選ぶ構成です。文脈長は3万2000から13万1000トークンへ拡大しました。語彙も6万5000から12万8000へ倍増し、非ラテン文字の処理を改善しています。
事前学習量は約17兆から約33兆トークンへ拡大し、中間学習では推論、数学、コード、多言語、長文脈を重点的に追加しました。仕上げでは教師あり調整、専門教師、蒸留、エージェント向け強化学習など5段階を採用しています。道具呼び出しと複数ターンの軌跡も学習全体に含めました。
16種類の評価で比較した中では最小のモデルですが、総規模と稼働規模が約50％大きいMoEモデルと競合する結果でした。道具利用・エージェント評価8種のうち5種で首位か同率となり、指示追従の3評価ではすべて首位です。一方、知識量やコーディングを重視する課題では大型モデルが優位なため、検索やウェブ参照との併用を推奨しています。
端末推論ではApple M5 Maxで毎秒184トークン、Ryzen AI Max+ 395で毎秒114トークンを記録しました。比較したMoEの中で最大1.7倍高速で、メモリ使用量も最小としています。NVIDIA B300を1基使う高並列処理では、毎秒2万1000超の出力トークンに達します。
公開初日からllama.cpp、MLX、vLLM、SGLang、ONNXに対応します。OpenClaw、Hermes Agent、Piなどの実行基盤からローカル接続でき、用途別の追加学習も可能です。調整済みモデルと基盤モデルの重みはHugging Faceで公開されています。
Nikonは2026年10月9日、顕微鏡動画コンテスト「Small World in Motion」で1位としていた清華大学のNing Xu氏の作品を、生成AIに関する規則に適合しないとして失格にしました。これに伴い、微小な線虫と単細胞生物を撮影したベトナムのNguyen Nam Nhat氏の作品が新たな1位となり、他の受賞作も順位を一つずつ上げました。
失格となった作品は、原発性線毛運動不全症（PCD）の子どもの気道で、微細な線毛が動く様子を捉えたとされていました。研究者らは構造の不自然さや細胞の特徴が現れては消える点を指摘し、元ファイルにはAIの透かしに見える痕跡があるとの疑いも出ました。
Xu氏は、超解像光学画像から再構成したグレースケール画像の特徴を識別・可視化するため、教師なしニューラルネットワークによるAI支援の後処理を使ったと説明しました。一方、実験動画そのものや線毛、その動きをAIで生成したことは否定しています。
オンラインで真正性への疑問が広がった後、Nikonは作品を再調査し、生成AIに関する競技規則への不適合を結論づけました。同社は今回の判断について、応募者の職業上の評判、科学的貢献、意図を評価するものではないと明記しています。
Nikonは今後の応募に向け、規則と評価手順を見直す方針です。今回の事例は、AIによる生成と可視化支援の境界を規則でどう定め、提出データをどう検証するかという審査上の課題を示しています。
NVIDIAは2026年10月7日、基盤モデルNemotron 3を競技プログラミングと数学証明に特化させ、IOI 2026で600点中535.4点、IMO 2026で42点中30点を記録したと発表しました。教師あり微調整（SFT）や強化学習（RL）に、回答を生成・評価・改善する推論工程を組み合わせ、両大会の金メダル基準を上回りました。
IOIの試行は人間の参加者と同じ時間、インターネット接続、提出条件で行われ、金基準の361.12点と人間の最高点498.27点を超えました。ただし非公式かつ監督なしの評価で、公式順位には含まれていません。
競技プログラミング向けには2万2,000問と合成推論過程を用意し、Nemotron-3-Nano-CCとUltra-CCを訓練しました。回答の生成、評価、修正を繰り返すGenCorrectを加えることで、微調整で得た能力を試験時に引き出しました。
IMO向けには1万5,818種類の証明問題から品質を選別した41万4,890例でSFTを行い、能力の境界に近い9,597問でRLモデルを訓練しました。一般モデル、SFTモデル、RLモデルを組み合わせた仕組みが候補証明を批評・改良し、公式採点者の評価で6問中4問に満点を得ました。
今回の成果は、微調整だけでも大量生成だけでもなく、モデル、データ、推論工程の共同設計によるものです。NVIDIAはIMO用チェックポイントや学習データ、200問の評価基盤に加え、IOI用モデル、論文、推論手順を公開しており、企業や開発者は専門モデル開発の再現可能な事例として検証できます。
マサチューセッツ工科大学（MIT）は2026年10月7日、1年生向け学習共同体「Concourse」が、AIの普及をきっかけに「人間とは何か」「知性とは何か」を考える人文学の学びへ新たな切迫感をもたらしていると紹介しました。同プログラムは人文・数学・科学を横断し、古典の読解と討論を通じて、技術を扱う判断力と市民性を育てています。
Concourseは1970年に、人文・工学・科学の教員が協働する場として発足しました。毎年50人の1年生を受け入れ、プラトンやホメロス、アリストテレスらの古典を材料に、人間存在の根本的な問いを議論します。
学生は人文・数学・科学の授業を共に受け、専用スペースや昼食時の助言セミナーでも交流します。秋は人間の条件、春は遺伝子治療や移民、銃規制などの政治的・道徳的課題を扱い、信頼関係の中で異なる意見を検討します。
担当者によると、学生は正解を知っていると思い込む姿勢や、正解がないから意見を持たない姿勢から離れ、他者から学びながら自分で考える力を身につけます。数量では答えを示せない政策や倫理の問題を厳密に考える判断力が、理工系教育を補います。
政治学者のLily Tsai氏が新ディレクターに就任し、MITは人文社会科学と他分野の接続を広げています。Tsai氏は、個人と社会が何を重視するかを省察し議論することが、優れた技術者だけでなく責任ある市民とリーダーを育てると位置づけています。
マサチューセッツ工科大学（MIT）は2026年10月6日、全米のSTEM教育を強化する新たな戦略構想「MIT for America」を始動しました。幼稚園からコミュニティーカレッジまでを対象に、数学、責任あるAI活用、設計・製作の学びを拡充し、科学技術が社会と仕事を形作る時代に必要な知識と技能を地域へ広げます。
背景には、実践的なSTEM学習への接点不足があります。米国の9～12学年で回路を組んだ経験がある生徒は29％、コンピューター科学の履修者は6％にとどまり、約60％の高校が同科目を提供していても機会が十分に生かされていません。
数学分野では、MITの学生と卒業生が各地の高校生を指導する微積分プロジェクトを拡大します。全米の学区の約半数しか微積分を提供していない状況を踏まえ、規模拡大と対面支援の両立を全国展開のモデルに据えます。
AI分野では、教員研修と教材を通じて授業への生産的な導入を支えるMIT RAISEを活用します。同プログラムの「Day of AI」には約100万人の生徒が参加しており、ジョージア州立大学と始めたPATHでは2年制・4年制大学の学生に就業に役立つAI技能を届けます。
設計・製作分野では、ファブラボやメーカースペース、全国規模の設計課題を通じた体験学習を広げます。全米300カ所のファブラボなど既存基盤と卒業生の協力を生かし、地域が継続して教えられる力を築く方針です。
MITは10月6日、2015年からMIT Librariesを率いるChris Bourg氏を副学長兼Barbara K. Ostrom（1978）図書館長に任命したと発表しました。デジタル化や生成AIで学術情報の扱いが変わるなか、知識と情報へのアクセスを守る図書館の恒久的な重要性を、経営体制と基金の両面から明確にする人事です。
MITのAnantha Chandrakasanプロボストは、副学長という肩書きがデジタル時代における図書館の持続的な重要性を示すと説明しました。Barbara K. Ostrom氏の寄付により、図書館長職には恒久的な財源となる基金も設けられます。
2015年の就任以来、Bourg氏はコンテンツのデジタルアクセス、公平で開かれた学術出版、データ集約型・計算研究への支援を推進してきました。学術コンテンツを生成AIの開発・訓練に使う際の法的・技術的・倫理的課題を扱う作業部会の共同議長を務め、教育・学習・研究訓練でのAI利用を検討する委員会にも参加しました。
開放研究では、2018年のCenter for Research on Equitable and Open Scholarship創設時に所長を務め、MIT Prize for Open Dataや出版社との契約枠組みの整備につながる提言作りに携わりました。MITはその原則に基づき、2020年にElsevierとの学術誌契約を打ち切り、数百万ドルを節減しました。
Bourg氏はHayden LibraryとBuilding 14 Courtyardの大規模改修を完了させ、全学の読書・対話プログラムMIT Readsも立ち上げました。米陸軍将校やWest Point教員、Stanford University Librariesでの経験を経ており、今回の任命で図書館運営と研究情報政策を担う役割が広がります。
ServiceNow CoreAIは2026年10月2日、企業向けAIエージェントの失敗を、検証済みの合成学習データへ変える「AutoSynthData」を公開しました。対象モデルの苦手分野を診断し、より高性能な教師モデルの成功例を基に実行可能な課題を生成する仕組みで、企業固有の業務環境に合わせて性能を継続的に高める狙いです。
同システムは、タスクを「システム仕様、利用者の指示、検証器」の組み合わせとして扱います。候補には実行可能性、現実性、難しさを求め、検証器には指示との整合性、誤りを退ける健全性、正しい別解も認める完全性を求めます。
まず診断タスクで対象モデルと教師モデルを比較し、失敗箇所や必要な能力を匿名化した仕様カードに整理します。元の評価課題の指示や固有情報は生成器に渡さず、新しい状態と解法を持つ課題を作成します。中核例を検証するtarget段階と、その合格例から派生例を増やすmultiply段階を分け、世代を重ねた逸脱を抑えます。
各候補は参照解の実行、正しい結果を通す検証、誤った結果を退ける検証を受け、失敗時には批評に基づく修復を限られた回数だけ試します。実験設定では、対象モデルの成功が3回中1回以下、より強い解答モデルの成功が3回中2回以上の課題を優先しました。さらにバッチ単位で偏りや重複を点検し、不足する能力へ生成を振り向けます。
EnterpriseOps GymのHybrid領域では、2,000件を約18時間で生成してGemmaを追加学習し、平均Pass@1を7.2ポイント、相対値で35％改善しました。検証器の成功率は63.01％から68.55％へ上がり、元の参照モデルとの差を59％縮めました。ITSM領域でも1,994件による追加学習で平均Pass@1が18.77％から27.18％へ上昇しており、異なる企業業務領域で効果を確認しています。
Google.orgは2026年9月、EDUCAUSE年次会議に合わせ、高等教育のAI活用力と就業準備を高める今回の二つの支援策を発表しました。大学教職員への実践研修、成人学生向けの就業支援、コミュニティーカレッジの戦略再設計を後押しし、資源が限られる公立大学や2年制大学にも再現可能な方法を広げます。
高等教育の教員の41％は、学習現場でAIツールを使う正式な研修を受けていないとの調査があります。都市型大学連合はGrow with Google教材とAI統合授業を専門能力認定に組み込み、30大学の教員や助言担当者が実践的な手法を検証します。
25歳以上の成人学生は長年、高等教育在籍者の少なくとも3分の1を占めますが、2年目に戻る割合は従来年齢の学生より35ポイント低いとされます。新しい研修は、教職員の進路指導力を高め、成人学生の継続と就業を支える狙いです。
都市型大学連合は今後15カ月で、AIを使った就業志向の地域連携学習10モデルを収集して質的に分析します。事例集を公開し、作業部会で研究と実践の計画を作り、多様な専攻で柔軟な就業体験を広げます。
Education Design Labは5大学で再設計計画を始め、2027年初めに州単位のコミュニティーカレッジ制度を対象とする全国公募を行います。選定先では2年間、技術を使う解決策を試し、単なる規則順守ではない継続的な大学改革を目指します。
AI企業H Companyは2026年9月28日、画面操作、コード実行、MCP、API呼び出しを1つのモデルで使い分けるエージェント向けモデル群Holo4を公開しました。27Bの密モデルと35B-A3Bの専門家混合モデルをAPIとモデル重みで提供し、デスクトップ、ウェブ、Android、コード環境、業務APIをまたぐ実務フローへの対応を狙います。
Holo4は画面上でクリックや文字入力を行い、自らコードを書いて実行し、MCPやAPIのツールも呼び出します。タスクに合う手段を選ぶため、APIのないアプリと業務システムを組み合わせる複合的な作業を同じモデルで進められます。
学習には教師あり学習と強化学習を使い、同社のAgentic Task Factoryが生成した多様な環境と課題を活用しました。この仕組みはウェブアプリ、MCPサーバー、デスクトップをまたぐ約1万件の課題を作り、同じ状態を画面とMCPの両方から操作する環境も含みます。
同社はモデルの行動を実行して文脈を管理する基盤も再構築しました。数百手順を追跡できる記憶機構と、操作対象のデスクトップ上で使えるシェルを追加し、長い作業の継続性を高めています。
公開値では、Holo4 27BのOSWorld 2.0スコアは61.7%で、Opus 5.5の81.8%を下回ります。同社はより少ないパラメーターと低い費用を強調していますが、評価の版、実行基盤、課題の範囲がモデル間で異なるため、数値の単純比較には注意が必要です。
2モデルはH Models APIで利用でき、重みは複数の精度形式と4ビットGGUFでHugging Faceに公開されています。評価結果の根拠となる操作履歴も再生・取得でき、同じ学習手法を適用した小型モデルHolotron4 Nanoも同時に提供されます。
OpenAIのサム・アルトマン最高経営責任者（CEO）は2026年9月23日、国連安全保障理事会で演説し、急速に高度化するAIを人間の管理下に置くため、各国と国際社会が補完し合う共通の安全基準を整えるよう求めました。能力測定、リスク評価、十分な安全策、人間による監督に加え、事故の迅速な報告と政府・重要インフラ運営者・技術者間の安全な情報共有を柱に挙げました。
アルトマン氏は、AIの進歩が悪い方向へ進む二つの道として、自己改善するシステムが速く進みすぎて人間が介入できなくなる危険と、少数の企業・個人・国家への権力集中を挙げました。企業間競争を理由に技術上の危険を受け入れるべきではなく、人間の管理を強く立証できないモデルは訓練すべきでないと主張しています。
OpenAIが示した原則は、人間をAIの意思決定の中心に置くこと、科学と経済成長の恩恵を人々に届けること、個人が自らの生活や地域社会を良くする力を高めることの三つです。AIは人間の判断や価値観を自動化するのではなく、研究者、医師、教師、起業家らの能力を広げる道具であるべきだと説明しました。
機会の面では、新薬、医療、教育、生産性の向上に加え、複雑化する生活を支える役割を強調しました。最近の数学分野の進歩として、OpenAIのモデルがナビエ・ストークス方程式に関するミレニアム懸賞問題を解いたと述べ、航空設計や気象予報、血流研究への応用可能性を示しました。
一方、最重要の判断をサンフランシスコのAI研究所だけに委ねず、民主的な制度と市民に責任を負う政府が開発方針を形づくる必要があるとしました。共通基準は既存大手を固定化せず、オープン・クローズド双方のモデルや新規参入者を支えつつ、各国が自国法に取り込める設計を求めています。
MITは2026年9月23日、Two Sigma共同創業者のデービッド・シーゲル氏を2026〜27年度のInnovation Fellowに迎えると発表しました。シーゲル氏はMIT Schwarzman College of Computingと連携し、AIで科学的発見を加速する研究機会を探り、学内各部門の取り組みをMITの外にも広げるため助言します。
シーゲル氏はMITで1986年に修士号、1991年に博士号を取得し、当時のAI研究所で人間と機械の相互作用や人間型ロボットハンドの開発に携わりました。現在はMIT Corporationの終身メンバーを務め、Schwarzman College of Computingの外部諮問委員会を共同で率いています。
同氏は2001年にデータ科学と工学を投資に生かすTwo Sigmaを共同創業し、2024年に日常業務から退いた後も共同会長を務めています。起業、AI研究、組織運営で培った経験と人脈を生かし、MITの研究、教育、社会連携の具体策を検討します。
学術研究室と最先端AIの資源格差に対応するため、シーゲル氏は2024年に非営利団体Open Athenaを設立しました。同団体はAI人材や計算資源を研究室に提供し、データセットと実験をリアルタイムで公開する5350億パラメータの基盤モデルMarinを開発しています。
Innovation Fellowは通常、MITに1年以上滞在し、教員や学生との交流、公開行事、大学幹部への戦略助言を担います。シーゲル氏は在任中にAIを科学的発見へ生かすMITの方針を支え、2027年3月には自律型AIの導入と統治を扱う共著書の刊行も予定しています。
Googleは2026年9月16日、アメリカの13〜17歳による生成AIの利用実態をまとめた「U.S. Future Report」を公表しました。調査会社RXNが全米の10代1,000人超と6州の各1,000人規模を調べ、聞き取りも実施。過去1年のAI利用率は94％で、学習や創作、情報確認に主体的に使う姿が示されました。
AIを使ったことがある10代の74％は、週1回以上、複雑なテーマの理解や発想を助ける対話型の学習相手として利用しています。具体的な用途は宿題の調査が61％、日常の疑問への回答検索が52％、文章の校正・編集が51％でした。
創作面では、74％がAIによって新たな興味や技能を発見できたと回答しました。一方、AI由来の情報を別の信頼できる情報源と照合する人は55％、親や教師など信頼する大人に尋ねる人は54％、ウェブサイトや原著者の信頼性を確かめる人は46％でした。
デジタル教育には需要と供給の隔たりがあります。10代の64％が小学5年生までにデジタルリテラシーと責任を学ぶべきだと考える一方、学校で関連授業を受けられるとの回答は57％にとどまりました。
健全なオンライン習慣について最も信頼する相手に親や家族の大人を挙げた割合は67％で、他の情報源はいずれも9％未満でした。詐欺、プライバシー侵害、ネットいじめなど重大な問題が起きた際、親や保護者に相談する可能性が高いとの回答も8割に上ります。若者向けAIを提供する企業や教育現場には、活用を支える仕組みと、家庭を含む安全教育を並行して整える視点が求められます。
Googleは2026年9月15日、社会課題へのAI活用をまとめた取り組みを公表し、同社技術が300超の言語に対応したと発表しました。対象言語の話者は70億人と世界人口の86％に相当し、同時公開したAI & Economy ATLASや科学・医療・防災の成果を通じ、研究を生活改善につなげる方針です。
科学分野では、ヒトゲノムで起こり得る90億通りの一塩基変異をAlphaGenome Atlasにまとめ、研究者へ公開しました。AlphaFoldが予測した既知の2億種類のタンパク質構造は190カ国の研究者400万人に利用され、乳がん研究では従来のマンモグラフィーが見逃した中間期がんの25％をAIが検出したとしています。
防災ではWeatherNext 3が、1日以上先の降水予報精度を従来より50％高めました。Googleによると、洪水予報は150超の国でリスク地域の20億人を対象とし、危機予測AIはコンゴ民主共和国のエボラ流行で新たな感染集中地域の83％を事前に特定しました。
教育分野では個別学習や教員の準備・事務を支える一方、正確性、安全性、不正利用、思考力低下への対応を課題に挙げました。米国の教員600万人へのAIリテラシー研修を進め、経済分野では累計10億ドル超の技能訓練により1億人超を支援したと説明しています。
言語面では毎月10億人超がGoogleの翻訳機能で約1兆語を処理しています。アフリカの27言語やインド系109言語の公開データ整備、手話を文章へ変換するモデルにも取り組み、話し言葉以外の利用障壁も下げようとしています。
Googleは、AIの便益は自動的に得られるものではなく、化学・生物・放射線・核分野での悪用を検知・報告・抑制する仕組みが必要だと強調しました。同時に、有益な地域へAIを導入しないリスクにも触れ、大学、政府、非営利団体などとの連携を前提に社会実装を進める考えです。
アメリカの学校や保護者は9月、テック企業が無償教材などを通じて進めるAI教育への警戒を強めています。The Vergeが9月10日に報じたところでは、ニューヨーク市は新学年に小中学校の教室で生徒のAI利用を禁じ、ロサンゼルスも高校生を含む、より広い制限を発表しました。背景には、過去のプログラミング教育で企業の影響力や製品依存が広がった一方、学習効果や就職への期待が揺らいだとの反省があります。
ニューヨーク・タイムズの教育テクノロジー記者ナターシャ・シンガー氏は、新著『Coding Kids』で、過去15年に業界が学校で影響力を築いた過程を追いました。企業は高収入職への道としてコンピューター科学を売り込み、学校を将来の働き手と顧客を育てる場にもしたと指摘します。
AppleやMicrosoftは高校のAPコンピューター科学課程に、自社のSwiftやMinecraftを組み込んだ教材を作成しました。Googleは低価格のChromebookとClassroomを普及させ、生成AIを提案しやすい基盤をすでに学校内に築いていました。
当時のプログラミング教育には大きな反発が少なく、Code.orgの「Hour of Code」などが全国的な関心を集めました。その後、初級の技術職が減る中で期待を裏切られたと感じる卒業生が現れ、教室への技術導入が学習成果を大きく改善しないとする研究も積み上がりました。
AI導入では状況が変わり、保護者と教員による草の根の反対運動が広がっています。シンガー氏は、製品を速く入れる議論ではなく、企業が技術で選択をどう導くかを生徒が問い、活用と拒否の双方を判断できる教育が必要だと述べています。
Anthropicは2026年9月10日、中国を拠点とするAlibaba、Moonshot AI、DeepSeekによるClaudeへの継続的なモデル蒸留攻撃を報告しました。同社は競争激化を背景に手口が高度化したとし、5件の活動で約2億回の通信を確認。エージェント機能やツール利用、コーディング、データ分析、論理推論が狙われたと説明しています。
モデル蒸留攻撃は、質問への応答から思考過程を取り出し、そのデータで小型モデルの推論能力を教師あり微調整する手法です。Claudeは通常、内部の思考過程を公開せず要約のみを示しますが、攻撃側は特定の指示で思考の痕跡を直接出力させたとされます。
最大規模はAlibabaに帰属するとされた活動で、2026年5〜7月に3500アカウントから1億5100万回の通信があり、1日当たり約300万回に達しました。Anthropicは、思考過程を抽出する固定プロンプトが共通していたため、Qwen向け訓練データを作る一つの取り組みと判断しました。
Moonshot AIに帰属するとされた別の活動では、10日間に5000アカウントを介して約30万件の要求がClaudeへ送られ、主にOpusが標的になりました。同社報告によると、中国軍から直接転送されたように見える要求には、監視映像から人物の「異常な行動」を判定させる内容も含まれていました。
Anthropicは2026年2月にも特定の中国AI研究所による蒸留攻撃を指摘し、OpenAIもDeepSeekに帰属するとする同様の活動を報告しています。今回の報告は、活動が以前より大規模かつ攻撃的になり、分散アカウントと巧妙な指示で防御回避が進んだとの認識を示しました。
マサチューセッツ工科大学（MIT）シュワルツマン・カレッジ・オブ・コンピューティングは2026年夏、大学教員が専門分野に合わせてAIを教えるための初回パイロット研修を学内で開きました。7大学から19人が7月の1週間に参加し、機械学習の基礎を各自の授業へ応用する教材や指導法を、MITの教員らとの演習を通じて検討しました。
研修はMITの授業「Modeling with Machine Learning」を基に設計されました。この授業は、学生がAIと機械学習の基礎概念を理解し、自らの専門分野の課題解決に生かすことを重視しています。
MITが目指すのは、AIの利用者にとどまらず、技術を批判的に考えられる学生を増やすことです。AI教材は豊富でも、各分野の文脈に結び付けて教えられる人材は不足しています。モデルを疑い、適応させ、構築する力まで育てる教員の養成が課題です。
金融、コンピューター科学、持続可能性などのMIT教員が教材づくりに協力しました。参加者はデモ、動画、演習を組み合わせ、機械学習をブラックボックスとして扱わず、自分の授業へ移す方法を実践的に探りました。
参加者は最終日に、採用したい教材や指導法を整理しました。意見は今後の研修改良に使われ、MITは大学や専門分野を越えてAI教育に取り組む教員ネットワークの形成も進める方針です。
Microsoftは2026年9月9日、米国第2位の教員組合AFTとニューヨーク市の加盟組合UFTとの合意に基づき、学校向けAIの安全・プライバシーに関する10原則に合意しました。採用した学区が契約条項として履行を求められる仕組みで、生徒・教職員データをモデル学習に使わず、AIコンパニオンを禁じ、高リスク判断に人の審査を義務づけます。
原則は、Microsoftが収集するデータを当初から限定し、ツールの仕組みを家族に平易な言葉で開示することも求めます。児童生徒や教職員の情報をAI開発へ転用しない約束と合わせ、学校が導入時に確認できる具体的な基準を示しました。
学区は11月から、新規または既存のMicrosoftとの契約に10原則を加えられ、契約全体を再交渉する必要はありません。これにより安全策は単なる自主方針ではなく、採用学区が執行できる契約上の条件になります。
背景には、ニューヨーク市とロサンゼルスの2大学区が、多くの生徒向けAIツールを1年間禁止した動きがあります。両学区はこの期間に適切な用途と安全策を検討し、保護者や一部教員からはAIや画面利用への反発も出ています。
AFTは教育現場のテクノロジー利用に批判的な一方、Anthropic、Microsoft、OpenAIが資金を出す2300万ドル規模の教員向けAI研修拠点も発表していました。同組合は、法的に執行できなければ単なる希望事項にすぎないとして、今回の契約条項の必要性を強調しています。
OpenAIは2026年9月8日、2026〜2027年度に向け、ニューマーク・ジャーナリズム大学院のトウ・ナイトセンターとノースウェスタン大学メディル校のナイト・ラボとの連携を始めました。希望する大学院生と教員にChatGPT Eduを400件超提供し、ニュース業界に入る前からAIを思慮深く、倫理的かつ責任を持って使う技能の習得を支援します。
OpenAIは、AIが公開記録の分析、記事の翻訳、大規模データの傾向把握、アーカイブ検索などを速められると説明しています。記者や編集者が検証、取材、物語の構成といった中核業務に多くの時間を充てる狙いです。
一方、技術へのアクセスだけでは不十分です。両校は、学生がAIを試しながら責任ある作業手順と限界を学び、記者、編集者、プロデューサーらの役割と人間の判断を保つ方法を探ります。
今回の取り組みは、OpenAIが報道業界で進めてきた支援の延長です。アメリカン・ジャーナリズム・プロジェクトの傘下50超の報道機関にはChatGPT EnterpriseとAPIクレジットの利用機会を提供し、優れた活用例を再利用可能なツールや手引きとして共有します。
OpenAIはこのほか、地方報道機関へのAI技術者配置や、世界165超のニュースルームが参加したWAN-IFRAの育成事業も支援してきました。今後は報道教育とニュース業界全体で、ツール、研修、提携、知見共有をさらに広げる計画です。
Googleは2026年9月8日、ミズーリ州初等中等教育局および高等教育・労働力開発局との州規模の提携を発表しました。幼稚園から高校、大学などの教員約10万人と学生110万人超を対象に、企業向け水準のAIツール、研修教材、業界認定資格を無償で提供し、授業支援と就業力の向上を図ります。州内の公立教育機関が利用できます。
学校向けにはGemini for EducationとGemini Notebookを用意します。教員は習熟度別の教材作成や授業内容の要約に使え、学生には段階的な学習支援を提供できます。
Google AI Educator Seriesでは、教員と管理職が実践的なAIリテラシーを自分のペースで学べます。Google AI Professional CertificateとGoogle Career Certificatesは、AI、サイバーセキュリティ、データ分析、IT支援などの実務技能を高校や大学の授業に組み込む手段となります。
Googleは、Gemini for Education内の会話とデータを非公開とし、企業向け水準のセキュリティーで保護し、自社AIモデルの学習に使わないと説明しています。教育機関はデータの管理権限を維持します。導入は任意で、各学区、大学などが利用の有無や時期、方法を決めます。
学校外では、州内の職業センターを通じ、全住民がGoogle Career CertificatesとGoogleのAI講座を無料で利用できます。教室でのAI活用と地域の職業訓練を結び、学生だけでなく現役世代にも学び直しの機会を広げる取り組みです。
TechCrunchは2026年9月7日、AI開発や投資、事業判断に必要な専門用語を平易に説明する用語集を更新し、OpenAIの新モデルAstraで使われる「不透明な反復」などを追加しました。技術の進化で言葉の意味が急速に変わるなか、LLMやAIエージェント、学習手法、運用上のリスクを共通言語として整理し、読者が会議や製品評価で用語を正確に扱えるようにする狙いです。
用語集によると、LLMは大量の文章から語句の関係を学び、入力に適合する可能性の高いパターンを生成する深層ニューラルネットワークです。AIエージェントは複数のAIや外部機能を使って多段階の作業を担い、コーディングエージェントは記述・テスト・修正まで反復します。
モデル開発では、追加の専門データで用途を絞る微調整や、教師モデルの出力を小型モデルへ移す蒸留、既存知識を別の課題に生かす転移学習を使います。運用時の推論では、計算結果のキャッシュや一部の専門ネットワークだけを動かすMoEが、速度と計算効率の改善につながります。
新たに注目された不透明な反復は、問いを内部層へ繰り返し通し、自然言語で順を追う思考過程とは異なる方法で推論する技術です。小型モデルでも少ない計算量で性能を高めやすい一方、読める記録が減るため、不正な挙動を見つける監督可能性が下がると安全研究者は懸念しています。
OpenAIはAstraの思考過程は読める状態だとして、推論が完全に内部の数値表現だけになる「ニューラリーズ」との比較に反論しています。それでも企業は、幻覚による誤情報、トークン量に応じた費用、MCP経由の外部データ接続などを理解し、曖昧な用語は製品ごとの定義と実際の挙動を確認する必要があります。
OpenAIと最高経営責任者Sam Altman氏は2026年9月2日までに、カナダ・ブリティッシュコロンビア州タンブラーリッジの学校銃撃事件を巡り、カリフォルニア州の連邦裁判所で30件の追加訴訟を起こされました。校内にいた生徒、教師、校長らが原告となり、ChatGPTが容疑者に「実質的な援助と励まし」を与えて銃撃をほう助したと初めて主張しています。
事件は2026年2月10日に発生し、容疑者は自宅で2人、タンブラーリッジ中等学校で6人を殺害し、数十人を負傷させた後に自殺しました。今回の原告には、事件当時に校内にいたものの銃弾による直接の負傷はなかった生徒や教職員が含まれます。
訴状によると、OpenAIの自動審査は容疑者とChatGPTの銃による暴力に関する会話を検知し、安全担当者はカナダ当局への通報を勧めましたが、経営側は連絡を見送りました。さらに、アカウントを全体で遮断せず無効化にとどめたため、容疑者が別のメールアドレスで再登録できたと主張しています。
今回の30件は、4月に被害者や遺族が起こした7件に続くものです。従来の予防義務違反に加えて銃撃のほう助を初めて主張していますが、この主張にはOpenAIの故意を立証する必要があり、早期の棄却申し立てが予想されます。
OpenAIは、当時の利用状況が警察へ通報する社内基準である「深刻な身体危害についての差し迫った信頼できる危険」に達していなかったと説明しています。同社の最高戦略責任者Jason Kwon氏は、安全判断に政治・広報上の事情が影響したとの主張と、最高渉外責任者Chris Lehane氏が通報見送りに関与したとの主張を全面的に否定しました。訴状はLehane氏の直接関与を裏付ける証拠を示しておらず、同氏は被告にも含まれていません。
ニューヨーク市のゾーラン・マムダニ市長は2026年9月2日、2026～27学年度に公立校の2-Kから8年生まで、約60万人の教室でのAI利用を1年間禁じると発表しました。子どもが教師や仲間と関係を築き、自分で難問に取り組む機会を守るためで、教員によるAI採点と全学年の対話相手・精神支援用チャットボットも禁じます。
高校生は特定の場合に限ってAIを使うことができ、年2回のAIリテラシー授業を受けます。授業は、AIへ依存する前に批判的に考える力を養う狙いです。対話相手や心の支援を目的とするチャットボットは、高校を含む全学年が禁止対象です。
教員は授業計画にAIを使えますが、児童・生徒の課題採点には利用できません。障害のある生徒、多言語学習者、コンピューター科学など特定目的には例外を認める場合があります。個人用画面は3年生まで禁止し、中学生の推奨画面時間は1日最大45分です。
市は少数の高校教室で、最大5クラスを対象に限定的なAI実証も行います。安全性とデータ保護の基準を満たし、利用時間を制限したQuill、Edia、Brisk Teaching、Playlab、Intel AI-Ready Schoolsなどを使います。生徒自身を主な思考者に保つことが条件です。
今回の措置は、2025～26学年度に始めたスマートフォンなど個人用ネット接続端末の終日禁止に続くものです。市の教育当局は、教室での1年間のAI利用停止をアメリカ国内でも特に厳しい政策の一つと位置付けています。全面排除ではなく、年齢、用途、安全性に応じて利用範囲を分ける設計です。
AIを使って大量の動画や音声ファイルを検索できるサービスを手掛ける米サンフランシスコ発のスタートアップCliptoは、既存投資家らから1500万ドルを全株式で調達したと発表しました。今回の調達により評価額は2億5000万ドルに達し、生成AIの普及で急増するコンテンツ管理という課題に商機を見出しています。
Cliptoはユーザーのパソコン内にある動画・音声・画像・会議録などのファイルを自動で索引化し、フォルダーをたどらなくても自然言語で欲しいファイルを探し出せる仕組みを提供しています。ChatGPTやClaudeといったAIツールから直接検索を依頼することも可能で、処理はすべて端末上で完結するため、クラウドを介さずに済む点も特徴です。
創業者のヘンリー・カン氏は、カーネギーメロン大学の博士課程時代からロボットに周囲を記録・記憶させる研究に取り組んでおり、その発想を最初の起業やテンセントに買収された動画編集スタートアップZenvideoにも応用してきました。2023年に前回起業の仲間らとCliptoを設立し、あふれる動画コンテンツを「探して再利用する」需要に着目したといいます。
当初は動画制作者向けに開発された製品でしたが、現在は利用者全体の4分の1から3分の1程度を占めるにとどまり、弁護士や医師、研究者、人事担当者、教員や学生など幅広い層に利用が広がっています。累計利用者数は3000万人を超え、有料課金者も数十万人規模に達しているとのことです。
Cliptoは2026年初めに年間経常収益(ARR)1500万ドルを達成し、純利益ベースで黒字化しているといいます。従業員はサンフランシスコ・ベイエリア、香港、シンガポールを合わせて20人強にとどまり、少人数体制での成長を続けています。約2週間前には、AIアプリケーションが外部情報にアクセスするための標準規格「MCP」への対応も追加しました。
AdobeのPremiereやApple・GoogleのフォトアプリもAIによる検索機能を備えていますが、いずれも自社サービス内のファイルが対象です。これに対しCliptoは動画・音声・画像・文書を横断して検索できる点を強みとし、大手との差別化を図っています。今回調達した資金は、AIモデルや計算基盤の整備、さらに他のAIエージェントとの連携拡充に充てる方針です。
Meta AIとイリノイ大学アーバナ・シャンペーン校の研究者らは、AIエージェントの訓練手法EvoHarness-RLを発表しました。80億パラメータの小型モデルをこの手法で訓練したところ、ベンチマークで96.9%の成功率を記録し、大規模モデルのClaude Opus 4.5に匹敵する性能を示しました。
AIエージェントは複雑な業務を遂行する際、実行環境からのログや状態を管理する「ハーネス」に依存します。従来はエンジニアが手作業でルールを書き込む必要があり、モデルを更新するたびに調整し直す手間がかかっていました。論文の共著者Xuying Ning氏は、こうした硬直的な仕組みがエンジニアリング資源を浪費する主因だと指摘しています。
EvoHarness-RLは、エージェントの外部状態を「Belief(環境認識)」「Progress(進捗管理)」「Experience(過去の知見)」の3要素に統合します。エージェントはtrack・commit・recall・noteという4つの簡潔な操作でこの状態を読み書きし、必要な情報だけを的確に取得できるようになります。
研究チームはQwen3-8Bを土台に、教師ありハーネス学習とコスト意識型の強化学習という2段階でモデルを訓練しました。その結果、テキストベースの検証環境「ALFWorld」で96.9%の成功率を達成し、既存の学習手法SkillRL(89.9%)やSkillOS(80.2%)を上回りました。
訓練済みモデルは慣れた作業では外部ツールへの参照を減らし、未知の状況では積極的に情報を参照するという柔軟な挙動を身につけました。同じ枠組みを固定モデルに組み込むだけでも、GPT-4.1は22.1ポイント、GPT-5は25.7ポイント性能が向上しています。
この手法は既存のツールや枠組みを置き換えずに追加導入できるため、企業は高性能な最先端モデルに頼らずコストを抑えた運用が可能になります。Ning氏は「ワークフローを直接記述する開発から、より良い挙動を学習させる開発への転換だ」と述べています。
Googleは8月27日、教育非営利団体のKhan Academyと共同で、AI学習ツール「Khanmigo」に新機能を追加したと発表しました。Geminiモデルを活用し、数学や理科の概念を対話形式の図解で説明する機能と、教員が主体的に管理できる演習作成ツールを刷新しました。新学期を迎える教室現場での活用を見据えた取り組みです。
新機能の柱となるのが、Khanmigoの対話型図解機能です。従来はテキストでの説明が中心でしたが、Geminiの推論能力を活用し、生徒がつまずきやすい数学・理科の問題でグラフや図形を自動生成するようになりました。生徒が頂点や線分をドラッグすると、図がリアルタイムで変化し、説明もそれに応じて更新されます。
この機能の開発では、Google技術者6人が2026年3月からKhan Academyのチームと約半年間にわたり協働しました。図の質を測る指標を共同で定義し、関連性やわかりやすさを評価しながら改善を重ねたといいます。あわせて利用者からのフィードバックを反映する仕組みもKhanmigo内に組み込みました。
もう一つの目玉が、演習作成ツール「Practice My Knowledge」の刷新です。当初は選択式問題を自動生成する程度の構想でしたが、教員が全問題を編集・採点・確認できる仕組みへと発展しました。Geminiが問題を下書きし、教員が配信前に内容を検証・修正できるため、生徒の理解度に合った出題が可能になります。
配信後は生徒の解答状況をまとめた成績レポートが自動で教員に届き、評価の手間を軽減します。教員からは、生徒に合った難易度の問題を用意しやすくなったとの声が寄せられているといいます。
今回の取り組みは、2026年の新学期に合わせてKhanmigoを利用する学区に順次提供されます。Google.orgによる助成やフェロープログラムを通じた提携は今後も続く見込みで、教育現場でのAI活用がさらに広がりそうです。
Hugging Faceは2026年8月26日、トークン単位で照合するColBERT型のマルチベクトル埋め込みモデルを、自社データで学習・微調整する手法を公開しました。研究者のTom Aarsen氏は医療分野の質問応答データを使い、単一のRTX 3090で14.5時間学習したモデルが、密embedding・疎表現・語彙検索を含む主要な汎用検索モデルすべてを検索精度で上回ったと報告しています。
医療分野の評価では、最も強力だったゼロショットモデルに対しNDCG@10で0.062ポイントの差をつけました。具体的には、正解文書を検索1位で返す確率が75.8%から84.9%に向上し、1位の誤り率を3割以上削減しています。学習には100万件の質問と文書のペアを用い、対照学習の手法であるMultiVectorMultipleNegativesRankingLossを採用しました。
興味深いのは、学習の出発点として使うモデルの選び方です。大規模な対照学習は終えたものの汎用検索用の教師あり微調整をまだ受けていない、いわゆる「教師前」のチェックポイントの方が、完成済みの汎用モデルよりも新しい領域への適応力が高いことが分かりました。完成済みモデルは学習率を変えても性能がほとんど向上せず、むしろ悪化する場合すらあったといいます。
医療分野の文書は平均941トークンと長く、多くの既存モデルが180〜512トークンで文書を打ち切って学習しているため、精度を最大0.24ポイントも損なっていたことも判明しました。学習時は文書長の制限を解除し、学習率を通常より高い1e-4に設定することが有効だったと説明しています。少ないデータでも効果は大きく、10万件・75分の学習でも100万件学習時の精度に0.012ポイント差まで迫りました。
マルチベクトル方式の弱点は索引サイズです。20万件の文書からなる索引は非圧縮で約45ギガバイトに達し、単一ベクトル方式の1ギガバイト未満と比べて大きくなります。そこで1ビットの残差量子化と枝刈りを組み合わせたところ、索引を13分の1の3.37ギガバイトまで圧縮しても精度低下はわずかで、最小構成では1.45ギガバイトまで縮小しつつ大規模な汎用モデルを上回る精度を維持できたとしています。
OpenAIは2026年8月26日、新学期を迎える米国の学生や教師を対象に、ChatGPTで教室外でも学習を続けている実態をまとめた報告書を公開しました。プライバシーに配慮した分析によると、知識確認の会話は全年齢層で週最大7000万件に上り、米国の宿題や授業関連の質問は学期中に週4.6億件を超えています。
生徒はこれまで、疑問が浮かんでも授業まで待つか、多忙な教師や不在がちな保護者に頼るしかありませんでした。同報告書によれば、宿題関連のやり取りは日曜夜に増加する傾向があり、夏休み中でも週1.8億件を超える水準を維持しています。AIが指導やフィードバック、練習の機会をいつでも提供できるようになったことが背景にあります。
継続的な学習支援は、生徒には授業直後にまだ記憶が新しいうちに代数などの疑問を解消する機会を与えます。教師にとっては、始業前に授業を習熟度別に調整したり、定型的な事務作業に割く時間を減らして指導に集中したりできる利点があります。家庭で英語以外の言語を話す保護者にとっても、学校からの連絡を理解しやすい言語で受け取れる利点があります。
報告書では、AIを創造的かつ効果的に活用している米国内の教師や生徒の事例も紹介されています。一方でOpenAIは、AIが教師の判断や保護者の励まし、生徒自身の努力に取って代わるものではないと強調しています。適切な指導と安全対策を伴えば、教師がより多くの時間を指導に充てられるようになり、個別支援をより多くの人に、より多くの場面で届けられると結んでいます。
OpenAIは、教員向けAIツール「ChatGPT for Teachers」を米国の55の新たな学区に拡大すると発表しました。対象は20州に広がり、新たに10万人超の教育者・スタッフが無償で利用できるようになります。これにより同社が提携するK-12組織は30州で100団体を超え、利用可能な教育者は累計30万人以上に達しました。
新たな提携先には、米国最大級の公立学区20校のうち1校が含まれるほか、多様な生徒層を抱える学区も多く参加しています。ChatGPT for Teachersは、確認済みの米国K-12教育者を対象に2028年6月まで無償で提供され、管理者や教員のみが利用できる仕組みが維持されます。
同時にOpenAIは、16州を対象とする全国データプライバシー協定を発表しました。学区が個別に契約交渉をしなくても、既存の審査プロセスの中でChatGPT for Teachersの導入可否を評価できる共通の枠組みで、教育業界では初の取り組みとされています。対象州にはイリノイ州やニューヨーク州、テキサス州などが含まれ、カリフォルニア州は別途の協定で対応します。
OpenAIの分析によると、今年1月から7月にかけて教育者は時間削減につながる業務で190万件超のメッセージを送信しました。内訳は成績表・進捗報告に関するものが90万件、授業計画に関するものが80万件に上り、教員の事務作業の効率化に活用されている実態が浮かび上がります。
教員研修も並行して進められており、この夏には1600人超の教員や管理職がAIスキルズジャムに参加しました。参加者の93%が「すぐに使える学びを得た」と回答し、96%が30日以内に学んだ内容を実践すると答えており、現場主導での活用が広がっています。
AIモデル圧縮を手がけるMultiverse Computingは8月25日、4bit量子化しても精度を落とさない新手法「Quantization-Aware Healing(QAH)」を発表しました。オープンモデル『GPT-OSS』の120Bを60Bに圧縮し4bit(MXFP4)化した結果、9種のベンチマーク中7種目で圧縮前の高精度(bfloat16)版を上回る性能を記録しました。
従来、モデルを構造的に圧縮したうえで量子化する場合、精度回復（ヒーリング）の手法には課題がありました。量子化を意識した学習(QAT)は学習コストが高く、長時間学習すると性能が不安定になります。蒸留による手法(QAD)は圧縮後に回復させたモデル自体を教師とするため、教師モデルの性能上限に回復後のモデルの精度が制約されるという構造的な限界を抱えていました。
QAHはこの制約を、圧縮前のオリジナルモデルから直接知識を蒸留することで解消します。教師モデルは非圧縮のフルサイズ・フル精度モデルで、生徒モデルはサイズもアーキテクチャも異なる圧縮済み4bitモデルです。生徒は正解ラベルではなく、KLダイバージェンスを用いて教師の出力分布そのものを学習することで、回復段階で失われていた情報を取り戻します。
ベンチマークでは、QAHで学習した60BのMXFP4モデルが、9項目中7項目で自身のbfloat16版を上回りました。特に伸びが大きかったのは長文推論(AA-LCR)で7.4ポイント、数学(AIME 2025)で5.6ポイントの向上でした。さらにコーディング評価のLiveCodeBenchでは、パラメータ数が2倍ある非圧縮の120B教師モデルの性能さえ上回っています。
従来手法のQATとの比較実験でも、QAHの優位性が確認されました。QAHは約100ステップでピーク性能に到達し、その後も性能が大きく落ちないのに対し、QATはピークまで約700ステップを要したうえ、そこから1200ステップまでに約19ポイントも性能が低下しました。この違いは、固定した教師分布に近づけば追加の学習圧力がかからないQAHの損失関数の性質によるものです。
効率面でも成果は大きく、QAHモデルはbfloat16版に比べて重みメモリを4分の1に削減し、120B教師モデルと比べると1トークンあたりの計算量もほぼ半減しました。bfloat16で提供されるモデル系列であれば、圧縮と量子化を組み合わせることで計算量を最大8分の1まで削減できるとしています。今後は他のアーキテクチャや用途でもQAHの効果検証が期待されます。
IBMは25日、思考の連鎖を備えた推論特化の大規模言語モデル群「Granite 4.2」を公開しました。3B・8B・30Bの3サイズで展開し、いずれも約15兆トークンでゼロから事前学習した上で、多段階の強化学習を経て仕上げています。実務でツールを操作するエージェント用途を意識した設計が特徴です。
アーキテクチャはGrouped Query Attentionを採用したデコーダー専用の高密度トランスフォーマーです。事前学習は5段階構成で、序盤は基礎能力の獲得に充て、終盤で文脈長を51万2000トークンまで拡張しています。3サイズとも同一アーキテクチャと学習手順を踏襲し、規模だけを変えている点が特徴です。
事前学習後には、思考過程やツール利用の軌跡を含む約720万件のデータで教師ありファインチューニングを実施しました。エージェント用データが3割超を占め、コーディングやターミナル操作、検索などの実環境タスクを学習しています。品質管理では複数のLLMを審判に用い、幻覚や無効なツール呼び出しを含むデータを除外しました。
仕上げにはGRPOによる多段階の強化学習を導入し、数学やコーディングといった検証可能な報酬から着手しました。8Bと30Bのみ、ソフトウェア開発やターミナル操作、Web検索を実環境で行うエージェント強化学習を追加で実施しています。最終段階では人間の選好や安全性を反映するRLHFで仕上げています。
ベンチマークでは30BモデルがSWE-Bench Verifiedで57.0点、数学コンテストのAIME25で89.17点を記録するなど、規模に応じて性能が向上しています。全モデルはApache 2.0ライセンスで公開され、FP8やGGUFなど複数の量子化版も同時に提供されました。日本語を含む12言語に対応しています。
米ワイアードの取材によると、米国やイギリスの複数の学校で、生徒がAIを使って教師の性的な偽画像・偽動画を作成し、TikTokやSnapchatで拡散させる被害が相次いでいます。被害教師の中には転任や退職を検討する人もおり、生徒との信頼関係が揺らぐ深刻な事態となっています。
カリフォルニア州の代用教員ルイス・デサンティアゴさんは3月、自身の性的なAI生成画像が生徒間で拡散していることに気づきました。画像は本人の写真を加工したもので、複数の生徒が関与を疑われています。学校側に相談しましたが拡散は止まらず、デサンティアゴさんは該当校での勤務を避けるようになりました。
別の中学校教師の女性は、性的な内容を話しているように見えるAI生成動画のなりすましアカウントを発見しました。生徒からの通報でアカウントは削除されましたが、その後は同じ生徒からの直接的な嫌がらせが数週間続いたといいます。アリゾナ州の教員ルーク・レッドさんも、生徒が作成した偽画像を巡り、加害生徒が停学処分を受けました。
英国の職業訓練カレッジで学生指導を担当するアリスさんは、自身が下着姿で踊る偽動画が生徒間で共有されていたと知らされました。関与を疑われた生徒は否定した末に退学し、事実確認はできないままです。アリスさんは生徒との会話で一線を越えられたのではと振り返り、生徒への接し方がより慎重になったと語っています。
雇用問題に詳しい弁護士は、生徒が教師の性的画像を作成・共有する行為は職場での性的嫌がらせに該当すると指摘します。連邦法のTake It Down Actは本人の同意なく性的な合成画像を公開する行為を禁じていますが、学校側の対応方針に明確な基準はなく、学校ごとにばらつきが生じています。
ハーバード・ビジネス・スクール(HBS)は、起業家向けの8週間講座『Foundry』において、AI企業HeyGenが開発した講師のAIアバターを導入しています。参加費699ドルの同プログラムでは、毎週の対面授業に加え、模擬ピッチや取締役会形式の練習の場で、AIアバターが個別にフィードバックを行う仕組みです。
ニューヨーク・タイムズの記者サラ・ケスラー氏は実際にこの講座を体験し、投資会社フライブリッジ・キャピタル共同創業者ジェフ・バスガング氏のAIアバターに向けて『バナナ版Uber』という事業案をピッチしました。実物のバスガング氏と同様、AIアバターも計画には否定的でしたが、ケスラー氏によると仮想版は終始硬い笑顔を浮かべていたといいます。
プログラム責任者のカタリーナ・リングス氏は、当初AIの役割を単純なチャットボットに近いものと想定していました。しかし試験版を公開したところ、学生からより実践的で誘導的な体験を求める声が上がり、現在のAIアバター形式へと発展したとのことです。
一部の大学生がAI活用への抵抗感を公言する例も見られる中、Foundryの参加者たちはおおむねAIアバターを好意的に受け止めています。バスガング氏自身も自らの分身について『少し不気味』だと認めつつ、『学生たちはこれを気に入っている』と語りました。
米AIスタートアップのLiquid AIは2026年8月19日、量子化で失われる精度を回復する新手法「量子化認識蒸留(QAD)」を用いたLFM2.5シリーズのQ4_0形式チェックポイントをHugging Faceで公開しました。230M・350M・1.2B・2.6Bの4サイズが対象で、従来の量子化と同じ速度・メモリのままBF16精度の約97%を回復できる点が特徴です。
QADは、高精度な教師モデルの知識を量子化された学生モデルへ蒸留する手法です。学習時点から量子化後の重みを前提に最適化するため、学習後に量子化を適用する従来のPTQ(Post-Training Quantization)より精度劣化を抑えられます。今回の検証では、GPQA DiamondやMMLU-Pro、IFEvalなど複数のベンチマークで、BF16基準に対して96.5〜97.4%の性能を維持することが確認されました。
性能面では、230Mと350Mの小型モデルは、より高精度な量子化形式であるQ5_K_Mと同等の品質を保ちながら、4〜33%高いデコード速度を達成しました。1.2Bと2.6BのモデルもQ4_K_M相当の品質で3〜14%の高速化を実現し、外部の量子化手法であるUnslothのUD-Q4_K_XLとも同水準の性能を示しています。
検証にはMacBook ProやNucBox EVO-X2、Samsung Galaxy S26 Ultra、Raspberry Pi 5など、GPUからArm CPUまで幅広い実機環境が用いられました。エッジデバイスでの推論性能を重視した設計であることがうかがえます。
今回公開されたQAD Q4_0のGGUFチェックポイントは、Hugging Face上のLiquidAIアカウントから即日ダウンロード可能です。llama.cppなどGGUF形式に対応する推論ランタイムであれば、追加設定なしにそのまま利用できます。
米調査会社ピュー・リサーチが8月18日発表した調査で、AIの普及に「期待より不安が大きい」と答えた米国人の割合が52%に達し、2021年の37%から急増したことが分かりました。若年層を対象にした別の世論調査でも、著名なAI企業幹部を信頼できないとする回答が多数を占めるなど、AI業界に対する社会の不信感が急速に広がっています。
背景には、AIが日常生活を便利にする実感を伴わないまま、コストや弊害だけが先行しているという不満があります。学校でのAI利用による不正行為の増加や、著作権者に無断で学習データに使われる問題など、負の側面が繰り返し報じられてきました。一方で、iPhoneやパソコンなど過去の技術革新と比べても、AIへの反発は際立って強いと指摘されています。
世論の逆風は企業業績にも波及し始めています。米ウォール・ストリート・ジャーナル紙の報道によれば、データセンター建設を進めるテック各社は住民の反発を和らげるため、雇用保証や水資源への投資といった譲歩を迫られています。ルイジアナ州のある地区では、大手データセンターの誘致に伴い教員に5万ドルのボーナスが支給される事例も出ています。
政治の分野にも影響は及んでいます。共和党の上院委員会は主要AI企業に対し、データセンター建設がオハイオ州の重要選挙で党の劣勢につながっていると警告する覚書を送付したと報じられました。AIをめぐる不満は、もはや技術論にとどまらず、政治的な争点に発展しつつあります。
業界のトップも危機感を強めています。AirbnbのBrian Chesky最高経営責任者は、AI業界が一般の人々に本当に愛される製品を提供できていないことが不信の一因だと述べました。AnthropicのDario Amodei最高経営責任者もSNS上で、AIへの不信は業界にとって「信頼の危機」だと認め、企業や政府への根深い不信感が背景にあると説明しています。
Amodei氏は、AI企業に対する最も的確な批判は、がん治療のような大きな社会的約束を果たせていない点にあると述べ、実際の成果で信頼を取り戻す必要があると強調しました。世論の不信を払拭できるかどうかは、今後のAI業界の成長戦略そのものを左右する重要な課題となりそうです。
OpenAIは2026年8月18日、AI教育団体のCodeAI(旧Code.org)と提携し、10代向けの新サービスChatGPT for Teensを発表しました。生徒がAIの仕組みを理解し、出力を批判的に評価する力を養うことを目的としています。背景には、生徒の大半がすでにAIを利用する一方、技術的な理解を教える高校はわずか16%にとどまるという実態があります。
ChatGPT for Teensには、健全な利用を促す機能や保護者向けの管理ツールが組み込まれています。従来提供してきたChatGPT for Teachersや、米国教員組合AFTとの連携の延長線上に位置づけられます。教師がAIの教室導入を主導できるよう支援する狙いです。
両社は今後1年間、複数の教育プログラムを共同展開します。子どもの発達や学習科学の専門家による諮問委員会を新設し、リスクや教育ニーズについて継続的に助言を受けます。プログラミング学習サービスHour of AIを通じ、数百万人規模の生徒にAI活用の基礎を届ける計画です。
高校生がAIを使って創作し、OpenAI社員の指導のもとで成果を発表するBuilders Challengeも初開催します。CodeAIが無償提供する年間必修講座AI Foundationsの開発には、OpenAIの安全・倫理担当チームが助言役として関わります。生徒がAIに関わる職業を具体的に描けるよう、社員が自らの仕事を語るCareer Journeys企画も用意しました。
OpenAIのアリソン・ミシュキン児童発達責任者は、生徒に「より良い問いを立て、答えを批判的に検討する力」を身につけてほしいと語りました。CodeAIのカリム・メグジーCEOも、AIの誤りを見抜き、過信しない姿勢の重要性を強調しています。両社は、AI時代を担う若者の育成には教育機関や保護者との協力が不可欠だとしています。
SpaceXAI（旧xAI）は8月12日、最新のフロンティアモデルGrok 4.6を公開しました。長時間稼働のエージェントとコーディング、ナレッジワークに照準を合わせ、第三者指標のArtificial Analysis知能指数では61点で世界4位に入っています。中国MoonshotのKimi K3を上回り、OpenAIのGPT-5.6 Sol Maxと並ぶ水準です。
最も大きな変化は、指数の点数ではなくエージェントとしての振る舞いにあります。同社は前世代より長い追加学習を行い、推論レベルや開発ハーネスをまたぐ教師ありデータを再生成したうえで、コーディングやナレッジワーク、カーネル最適化、Web開発、CADといった環境で強化学習を実施したと説明しています。社内テストでは長い作業経路での自己検証が増え、次の手順に進む前に自らの出力を点検する挙動が確認されたとしています。
もっとも、フロンティアを制覇したわけではありません。コーディングではCursorBench v3.2が69.9%、DeepSWE v1.1が65.9%へ伸びた一方、前者はFable 5 Maxの70.5%、後者はGPT-5.6 Sol Maxの73%に届いていません。ターミナル操作を測るTerminal-Bench v3.0も15.7%から26%へ改善しましたが、競合2モデルの34%台とは差が残ります。
強みは長時間の専門業務です。実務課題を扱うAA-BriefcaseではElo1,577とFable 5 Maxをわずかに上回り、法務系のHarvey LABでは15.8%と競合を大きく引き離しました。ただしSpaceXAIは、比較表の他社スコアが自己申告や公開値の最良値である点を認めており、条件を統一した評価ではないことに注意が必要です。
企業にとってより重い論点は価格です。APIは入力100万トークンあたり2ドル、出力6ドルから始まり、Artificial Analysisは主要フロンティアモデルより60%以上安いとしています。ただしプロンプトが20万トークンを超えると入力4ドル・出力12ドルへ上がり、その単価がリクエスト全体に適用されるため、50万トークンの文脈長を前提にした試算はできません。
効率面ではAA-Briefcaseの作業を平均53ターン・入力5億トークンで完了し、Claude Opus 5 Maxの約103ターン・20億トークンを下回りました。一方でタスク単価は0.84ドルと前世代より割高で、評価軸がトークン単価から業務完了コストへ移りつつあることを示しています。加えてGrokは過去の差別的出力や同意なき性的画像の生成をめぐり英Ofcom、情報コミッショナー事務局、欧州委員会の調査が続いており、規制業種の調達では性能や価格とは別の判断材料になり得ます。
AI開発企業のLiquid AIは8月12日、端末上で動く視覚言語モデルLFM2.5-VL-3BをHugging Faceで公開しました。パラメータ数は約31億と小さいものの、パソコンやスマートフォンの画面やUI要素を読み取る能力を大きく高め、自然言語による物体検出や複数画像の推論、関数呼び出しも改善しています。クラウドに送らず手元で処理したい業務にとって、実用的な選択肢が一つ増えた形です。
最も伸びたのは画面の理解力です。UI要素の位置を当てるScreenSpot-v2では、デスクトップで78.7点、モバイルで81.2点、ウェブで82.2点を記録し、同じ項目が一桁台だった前世代のLFM2-VL-3Bから様変わりしました。自然言語で指した物体を画像内で特定するRefCOCOも57.1点から87.9点へ上がり、文書読解のDocVQAは91.1点、グラフ読解のChartQAは81.3点と堅調です。
速度面の訴求も明確です。M5 Maxでは毎秒228トークン、Ryzen AI Max+ 395では毎秒116トークンを生成し、必要メモリは約3GBにとどまります。Galaxy S26 Ultraでも毎秒20トークンで動くため、通信環境に依存しない処理が現実的になります。
構成は、SigLIP2 400M NaFlexの画像エンコーダと、テキストモデルLFM2.5-2.6Bと同じ事前学習済みバックボーンの組み合わせです。学習トークンは約34兆で、視覚データは従来の4倍に増やし、非ラテン文字に対応するためトークナイザーを拡張して語彙を12万8000へ倍増させました。事後学習は教師モデルからの蒸留を含む教師ありファインチューニングと、多目的の強化学習の2段階で進めています。
大量の画像を扱う業務ほど、クラウドAPIの従量課金と通信遅延が重くのしかかります。端末側で完結する3B級モデルがこの水準に届いたことは、コストと機密保持の両面で選択肢を広げる動きと言えます。llama.cppやMLX、vLLM、SGLang、ONNXに初日から対応し、ブラウザで試せるWebGPUデモと微調整用のチュートリアルも用意されました。
Metaのマーク・ザッカーバーグ最高経営責任者は8月10日、6500語におよぶ論考「The Future is for Everyone」を公開しました。自社が開発するパーソナル超知能を数十億人と中小企業に無料か可能な限り安価に届け、オープンソースモデルの公開も広げると表明したものです。データセンター建設や政府規制のあり方にも踏み込んだ内容になっています。
最も具体的なのは、AIデータセンターへの反発に対する回答です。投資する地域すべてで発電設備を建設し、低コストの電力を地域に還元する方針を示したうえで、2030年までに使用量を上回る水を流域に戻すと約束しました。地域支援の基金「Future Is For Everyone Fund」の創設、技能職への無償訓練と高賃金の雇用保証も掲げています。
規制をめぐっては二つの顔をのぞかせます。モデル間の学習である蒸留やデータ利用に関する米国の政策は見直すべきだとし、海外のオープンモデルへのアクセス制限には反対を表明しました。背景にはAlibabaやMoonshotなど中国勢の公開モデルが学習データ規制の面で優位に立っているという危機感があります。
一方でサイバーセキュリティ分野では、政府の関与を求めています。学習が完了する前の段階から訓練情報を政府に共有し、法執行機関とも協力して悪用者を特定すべきだという提案で、トランプ政権のAI試験枠組みとも歩調を合わせる内容です。自由には規制緩和、安全保障には政府連携という組み合わせが、この宣言の性格をよく表しています。
ただ受け止めは割れています。TechCrunchは、この論考こそ人々がAIを敬遠する理由だと批判し、家庭教師や弁護士をめぐる例が実際の使われ方と乖離していると指摘しました。生成AIは学習を助ける一方で宿題や小論文の代筆にも使われており、確実な電子透かしがない現状では教員が判別できないためです。
根にあるのは信頼の問題です。米国の調査では64%がソーシャルメディアは民主主義に有害だと答え、8月上旬には子どもの安全をめぐる訴訟でMetaに5.67億ドルの追加支払い命令が出たばかりでした。危険性を率直に認めるサム・アルトマン氏やダリオ・アモデイ氏の発信と比べ、リスクに触れない語り口はかえって不安を招き、説明責任がいっそう重く問われる局面ではないでしょうか。
AI企業のMultiverse Computingは2026年8月10日、大規模言語モデルの知識蒸留にかかるGPUメモリを大幅に削減する手法を論文とともに公開しました。教師モデルの出力を事前に保存するオフライン蒸留と、語彙全体の行列を作らない融合チャンク型KL損失という二つの改良により、これまで数百基のGPUを要した工程を1ノードで回せるようにしたのが要点です。
従来の蒸留は教師と生徒の両モデルを同時にメモリへ載せ、各トークンで語彙全体の確率分布を計算する必要がありました。gpt-oss-120bの語彙は20万1088トークンあり、系列長32K・バッチ4では教師側の確率テンソルだけでbfloat16換算で約50GBに達します。勾配や活性値、最適化器の状態まで含めると1回の学習ステップは約250GBに跳ね上がり、H200やB200の搭載量を超えてしまいます。
今回の手法はまず教師の出力を1度だけ計算し、位置ごとに上位100件のロジットだけを保存します。学習中に教師をメモリへ置く必要がなくなり、同じキャッシュを何度もの追試で使い回せます。もう一つの融合チャンク型KL損失は出力層の射影を損失計算に組み込み、系列を小さな塊ごとに処理しては捨てることで、巨大な比較行列を一度も作りません。
では実際にどれだけ軽くなるのでしょうか。出力層だけを取り出したベンチマークでは、32Kトークン時のピークメモリが85.2GiBから5.45GiBへと15.6分の1に下がり、従来手法が動かない64Kトークン以降でも学習を続けられました。GPT-OSS 20Bを32Kで蒸留した実測でも必要なGPUノードは4から1へ減り、1ステップは57.0秒から12.23秒へと約5倍速くなっています。
精度面でも、上位100件のロジットしか使わないオフライン学習の損失曲線は従来のオンライン蒸留とほぼ重なり、実質的な劣化は確認されていません。Llama 3.1 8B Instructから約32億パラメータへ圧縮した生徒モデルはBoolQやHellaSwagで教師の精度をほぼ保ち、MMLUでも差は約9ポイントにとどまります。同社はチャンク損失の実装をGitHubで公開しており、自社で蒸留を試す企業にとって検証の敷居は確実に下がりました。
MITコンピュータ科学・人工知能研究所（CSAIL）と清華大学の研究チームは、AIに物理の感覚を持たせる事前学習手法GeoPTを開発しました。3D形状に微小な粒子がぶつかって静止する動きを再現した合成データ130万件を学ばせ、車や航空機、ロボットの挙動をより正確に模擬できるようにするのが狙いです。最高性能への到達は従来手法の2倍速く、必要な教師データは最大6割少なくて済むといいます。
従来のシミュレーションは「数値ソルバー」と呼ばれる計算手法に頼り、3D形状の各点で物理量を求めてきました。丁寧な手順ですが時間がかかり、機体の安全性や空力を検証するのに十分なデータをそろえられないことが課題でした。GeoPTはこのボトルネックを、ラベルの付いていない合成データで埋めます。
鍵となるのが合成ダイナミクスです。小さな球体がさまざまな速度と角度で3D形状に向かい、接触した地点で貼り付く仕組みを、130万サンプル分観察させます。ビー玉と人形で物理を体で覚えるように、モデルは教師データを見る前に物理の勘所をつかむわけです。
効果は産業向けのベンチマークで確認されました。複雑な3D形状が風や表面圧力にどう反応するかを予測する課題では既存の最先端モデルを上回り、船体が空気と波を受ける実験では教師データ6割減で最高精度に4倍速く到達しています。学習していない光の物理でも、おもちゃのウサギを通る光の振る舞いを正しく再現したといいます。
「産業ベンチマークで高い性能を出せるなら、最も難しい物理課題を解けるということです」。共同筆頭著者でMITポスドクのHaixu Wu氏はこう語り、1億点を超えるメッシュの高精細シミュレーションを数秒で処理できると説明します。実機での試験回数を減らして設計図を検証したい技術者にとって、検証コストに直結する話です。
チームは今回の成果を物理基盤モデルへの前段階と位置づけ、扱う形状と物理現象の拡大を目指します。共同筆頭著者でMIT博士課程学生のMinghao Guo氏は「物理はテキストと画像に続くAIの第3のモダリティだ」と述べました。天候パターンの再現や材料試験、リアルな動画生成まで射程に入れば、AIが担える領域はさらに広がりそうです。
アレン人工知能研究所（Ai2）は8月7日、AI家庭教師が生徒を助けすぎていないかを測る評価基盤「TutorMoments」のプレビュー版を公開しました。実際の一対一の算数指導462件の記録をもとに、教師が印を付けた判断の分かれ目でAIに指導役を引き継がせ、手を貸すべきか、あえて考えさせるべきかの選択を採点します。教育向けAIの品質を行動の水準で比べられる物差しです。
評価は「リプレイ」と呼ぶ方式で進みます。教師が注釈した重要局面で会話を止め、そこからAIが5ターンだけ指導役を務め、生徒役は別のモデルが演じます。採点は足場かけ、厳格さの要求、過剰な手助けの回避という3点で行われます。
7つのモデルを2種類の指示文で試したところ、「うまく教えて」とだけ伝えた場合は手助けが過剰になり、生徒に深く考えさせる場面がほとんどありませんでした。助けすぎと踏み込みの兼ね合いを指示文に書き込むと全モデルで点数が上がりましたが、モデル間のばらつきは大きいままです。既定の「親切な助手」らしい振る舞いだけでは、良い指導にならないということです。
人間の指導者を同じ基準で採点すると、足場かけ0.458、厳格さ0.182、過剰支援の回避0.496でした。数値はAIの改良版指示文より低いものの、注釈者は改善余地のある場面を狙って選んでいるため、AIが人間を上回った証拠ではないと研究チームは釘を刺します。人間の指導者は手を引いて生徒に任せる場面が多く、手法の幅もAIより広いことが確認されました。
データセットとリプレイ用のコード、評価済みの再演記録はいずれも公開され、教育向けAIを手がける企業が自社モデルを同じ土俵で検証できます。一方で対象は米国の小中学生の算数に偏り、模擬生徒を使うため実際の学習成果までは測れません。研究チームは多様な形式のデータと採点方式の改良を次の課題に挙げています。
AIスタートアップのHarkは8月5日、初の製品となるコンピュータ操作エージェント「Handoff」を発表しました。ユーザーに代わってブラウザを自律的に操作し、フードデリバリーの注文や航空券の予約、LinkedInでの候補者への連絡までを一気通貫でこなすと説明しています。同社は主要な指標で世界最高水準としたうえで、トークン単価を競合の10分の1以下に抑えたと主張しました。
Handoffは依頼を受けるたびに、ブラウザとファイルシステム、ターミナルを備えた専用の仮想コンピュータを立ち上げます。利用者が既存アカウントを接続すれば、保存済みの住所や決済手段を使って本人として操作できる仕組みです。Harkの調査では、人々は1日のスクリーンタイムの75%をブラウザで過ごす一方、公開APIを持つサイトは1000件に1件未満にとどまるといいます。
価格は入力100万トークンあたり0.18ドル、出力は2.37ドルで、GPT 5.5の5ドルと30ドルを大きく下回ります。1ターンあたりの遅延も0.8秒とし、速度と価格の両面で優位に立つと訴えました。第三者が人手で評価するベンチマークOnline-Mind2Webでは97.7を記録し、過去最高だとしています。
ただし比較対象には注意が必要です。Harkが示したのはGPT 5.4やClaude Opus 4.8、Gemini 2.5 Proといった前世代のモデルで、現行最上位のGPT 5.6やOpus 5は含まれていません。3指標のうち2つはHark自身の環境と自社のLLM判定で測っており、WebTailBench v2ではGPT 5.5が72.3とHandoffの68.6を上回っています。
モデルの素性にも不明な点が残ります。同社が実施したのは教師ありファインチューニングとGRPOによる強化学習という事後学習のみで、事前学習は年内予定。土台となるベースモデルが何かは明らかにしていません。
Harkを率いるのは、VetteryやArcher Aviation、Figure AIを手がけた連続起業家のBrett Adcock氏です。5月にはParkway Venture Capital主導でNvidiaやAMDも参加する7億ドルのシリーズAを評価額60億ドルで調達し、同氏自身も1億ドルを出資しています。仮想環境上のファイルに誰がアクセスできるかなど企業利用の要件は技術プレビューを理由に先送りされており、価格優位が実務で効くかどうかは、夏の終わりとされる正式提供後に問われることになります。
OpenAIは2026年8月4日、ChatGPT WorkとCodex向けに、教育現場に特化したプラグイン3種を発表しました。K-12教師、大学教員、大学生それぞれの専用パッケージで、ChatGPT Eduと学区向けのChatGPT for Teachersを通じて提供されます。新学期に合わせ、複雑なプロンプトを自ら組まずにエージェント機能を使えるようにする狙いです。
プラグインとは、アプリ、役割別のスキル、指示文、定番のワークフローをひとまとめにしたパッケージを指します。K-12教師向けは、習熟度別の教材作成やインタラクティブな図版の設計、授業改善につながる示唆の抽出を支援します。公共のAIデータセットを整備するLearning Commonsと連携し、地域の学習指導基準に沿った教材を作れる一方、評価や指導方針の判断は教師側に残る設計です。
大学教員向けは、シラバスの更新、多様な学習者に合わせた教材の調整、LMS向けのコンテンツ整形などに対応します。大学生向けは、学生が選んだ資料から学習ガイドや小テスト、フラッシュカード、視覚的な解説を生成し、個別指導型の対話で難しい概念を反復できます。いずれもカレンダーや文書など承認済みのツールと接続し、案件ごとに文脈を作り直す手間を省きます。
投入の背景にあるのは、利用の深さの差です。18〜24歳のChatGPT週間利用者は2億人を超える一方、OpenAIはAIができることと実際の使われ方の間に活用格差が広がっていると指摘します。学生の中で進んだ使い方をする層でさえ、パワーユーザーと比べて機能の活用度は90〜99%低いといいます。
同社は2024年のChatGPT Edu提供開始以降、テキサス州ヒューストン学区やバージニア州フェアファックス、ペンシルベニア大学ウォートン校、カリフォルニア州立大学システムなどへ導入を広げてきました。エストニアではChatGPT Eduが学生2万人超と教員4600人に届き、タルトゥ大学やスタンフォード大学との長期追跡研究も進んでいます。学生主導のコミュニティOpenAI Student Collectiveや、研究者に12カ月分のPro相当アクセスを与えるプログラムも並行して立ち上げました。
教員側の育成も同時に進みます。アメリカ教職員連盟(AFT)と設立した全米AI教育アカデミーでは、OpenAIが創設パートナーとして5年間でK-12教員40万人、米国の教員の約10人に1人の育成を目指します。ウォルトン・ファミリー財団との協働では、8都市で1600人を超える教員や学区の管理職が無料の実地研修に参加しました。
米国立科学財団（NSF）は8月4日、州や地域単位の大学連合がAI研究基盤を整備する「州・地域AIインフラ拠点」計画を開始し、NVIDIAが参画すると発表しました。全米の大学や短期大学が計算資源やデータ、ソフトウェア、専門知識を共有し、AIを活用した研究と教育の裾野を広げる狙いです。同計画は「Genesis Mission」の狙いに沿うもので、民間企業や慈善団体、州・地方政府とも連携します。
拠点は州単位あるいは複数州にまたがる大学連合が運営し、地域ごとの優先課題に合わせて資源を設計できます。整備方式はオンプレミス、クラウド、その両方の組み合わせから選べるため、規模の経済を働かせつつ、これまで最先端のAI研究から遠かった機関にも道筋がつきます。
モデルとなるのは、NVIDIAと共同創業者のクリス・マラコウスキー氏が2020年にフロリダ大学と結んだ官民連携です。同大はフロリダ州の公立大学全体にAI計算資源を開放し、現在はAI分野の教員が300人を超え、16のカレッジすべてにAI教育と研究を組み込んでいます。2017年以降、同大の教員と部門が獲得したAI研究助成は5億1100万ドルを上回りました。
今回の発表は、NSFが主導するNAIRR（国家AI研究資源）パイロット計画の上に築かれています。NVIDIAは同計画の主要な貢献者として全米の大学研究チームと組み、計算資源を実際の科学的成果につなげるための基盤と道具、知見を提供してきました。
ただし基盤の整備だけでは十分ではありません。大学やコミュニティカレッジ、地域のパートナーが学位課程や短期の修了証、積み上げ型の資格を用意し、AIの基礎理解から実務スキルへ段階的に進む学習経路をつくります。対象領域はフィジカルAIと自動化、医療、エネルギー、農業、製造、量子計算、サイバーセキュリティに及びます。
NVIDIAは研修用の資材や教育者支援、応用学習コンテンツ、技術指導、パートナー基盤へのアクセスを提供します。政策担当者や経営層にとって拠点は、地域の研究・教育基盤を産業振興や雇用創出と結びつける足がかりとなります。単独の組織では担いきれず、政府、高等教育、慈善団体、民間の持続的な協働が欠かせないと同社は指摘しています。
Liquid AIは2026年8月4日、端末上で動くAIエージェント向けの小型モデルLFM2.5-2.6BをHugging Faceで公開しました。パラメータ数は26億と小型ながら、ツール利用や指示追従、複数手順のエージェント処理で最大約4倍の規模のモデルと競う性能を示しました。同社は大量処理を伴う端末内エージェントの用途を想定しています。
比較対象はgemma-4-E2B-it（51億）とgemma-4-E4B-it（80億）、Qwen3.5-4B（47億）、Qwen3.5-9B（97億）で、LFM2.5-2.6Bはこの中で最小です。指示追従系のIFBench、Multi-IF、IFStructではすべて首位となり、ツール利用でもBFCLv4を除いて最高値を記録しました。一方でコーディングのLiveCodeBenchv6は大型モデルが上回っており、同社も用途に応じた使い分けを促しています。
推論速度も特徴です。CPUではApple M5 Maxで毎秒220トークン、AMD Ryzen AI Max+ 395で毎秒113トークンを記録し、必要メモリは2.5GB未満にとどまります。毎秒30トークンあればスマートフォン上でもエージェントを動かせるとしており、GPUでは高並列時に毎秒約1万5000トークン、H100を1枚使えば1日あたり約13億トークンを処理できるとしています。
学習面では約34兆トークンで事前学習し、中間学習の段階で文脈長を128Kまで拡張しました。後訓練は4段階で、教師ありファインチューニングを2周、領域別の専門教師モデルの作成、それらを1つの生徒モデルに蒸留するMOPD、そして実際のエージェント基盤内で回すAgentic RLという構成です。RLではOpenClawやHermes Agentといったハーネスをブラックボックスのまま扱い、Harness Proxyでトークン単位の軌跡を取得する仕組みを採っています。
提供面では、llama.cpp、MLX、vLLM、SGLang、ONNXが初日から対応しています。利用にはtransformersの5.0以上が必要で、指示版とベース版の双方がHugging Faceで公開済みです。ブラウザ上で調査エージェントを試せるWebGPUデモも用意され、手元の環境でどこまで動くかをすぐ確かめられます。
元OpenAI最高技術責任者のミラ・ムラティ氏が率いるThinking Machinesは7月31日、オープンソースの推論モデルInkling Smallを公開しました。総パラメータは2760億と、2週間前の旗艦モデルInklingの9750億から約4分の1に縮みましたが、第三者機関の知能指数は40と、Inklingの41に1点差まで迫ります。ライセンスは商用利用しやすいApache 2.0です。
性能は単に近いだけではありません。同社の計測では、コーディング能力を測るSWE-bench Verifiedで80.2%とInklingの77.6%を上回り、Terminal Bench 2.1でも64.7%対63.8%と逆転しました。一方で事実知識や一部のエージェント課題は旗艦が優位で、金融系のτ³-Bankingは15.5%とInklingの23.7%に届きません。
規模を抑えられた理由は、疎なMixture-of-Experts構成にあります。42層のデコーダーが各トークンを256の専門家のうち6つに振り分け、常時働く共有専門家2つと合わせて、1トークンあたりの実効パラメータは120億に収まります。テキスト・画像・音声を同じ表現空間で処理する設計で、推論にかける計算量も課題の難易度に応じて調整できます。
ただしSmallという名前は、あくまで旗艦との比較です。BF16版の実行には合計600GB以上のGPUメモリが必要で、同社はNVIDIA B300を4基、またはH200を8基という構成を挙げています。NVFP4に量子化すれば約180GBまで下がりますが、それでもノートPCや一般的なワークステーションでは動きません。
企業にとっては、ベンチマーク以上にライセンスが効いてきます。Apache 2.0は改変・再配布・自社製品への組み込みを広く認めるため、売上条件や利用制限を付ける独自の「オープン」ライセンス、たとえば今週重みが公開されたMoonshotのKimi K3と比べて、法務や調達の負担が軽くなります。ただし利用規約やデータ来歴の確認まで免除されるわけではありません。
同社の研究者Horace He氏はXで、Inklingの公開には大勢の手が必要だったのに対し、Inkling Smallは既存のパイプラインに小さいモデルを通すだけの定型作業に近かったと述べています。事前学習データの改良と、Inklingを教師にしたオンポリシー蒸留、2週間の強化学習を積み上げた成果です。オープンな多モーダルモデルを継続的に出す体制が整いつつある、という点こそが最大の合図かもしれません。
ノースカロライナ中央大学（NCCU）の准教授シボーン・デイ・グレイディ氏が、2025年1月、歴史的黒人大学（HBCU）として全米で初めてのAI研究所「人工知能・新興研究所（IAIER）」を設立しました。Google.orgからの100万ドルの助成を元手に、学生や教職員、地域住民へ幅広くAIの基礎素養を広げることを目指しています。同氏は「AIは万人のためにある」を指導理念に掲げます。
背景には、AIが新卒者に求められるスキルを塗り替えている現実があります。グレイディ氏は「かつては『自分は技術は苦手』で済んだが、いまはデジタル技能、そしてAI素養が不可欠な時代だ」と語ります。NCCUはまだ独立した情報科学の専攻を持たず、新設のAI副専攻とあわせて整備を進めている段階です。
IAIERは学部の枠を超えてAI教育を組み込む方針を取ります。全新入生にIBMと共同開発した入門講座を必修とし、教員には最大1万ドルの研究助成（シードグラント）を提供しています。初年度は社会福祉や医療、デジタル記録など11件のプロジェクトを採択しました。
設立から2年足らずで、研究所は2800人以上の学生・教職員・地域住民を巻き込む拠点へと成長しました。DeloitteやAnthropic、FICOなどとの連携に加え、昨年はHBCUで初となるOpenAI Academy Summitを開催し、40を超える機関から444人が集まりました。
一方で、資金の確保が最大の課題として浮上しています。HBCUは全米の4年制大学の約3%を占めるものの、連邦の研究開発資金の1%未満しか受け取っていません。トランプ政権下では研究費削減や多様性重視策への圧力もある中、グレイディ氏は他大学が応用できる枠組みづくりを長期目標に据えています。
AI動画生成のRunway ML幹部が、7月に開催されたVB Transform 2026で、リアルタイム動画モデルの厄介なバグを新機能に転換した事例を明かしました。同社のエンタープライズ製品責任者Ryan Phillips氏によると、AI生成アバターが動画生成中に画面中央からずれる不具合を数週間かけて修正しようと試みたものの、根本解決には至らなかったといいます。最終的に選んだのは、バックエンドの修正ではなくユーザー体験側の工夫でした。
チームが突き止めたのは、ユーザーの入力画像が完全に中央へ配置されていれば動画が安定するという事実でした。そこで同社は、生成前に画像を自動で中央へ補正する「Optimize for Image Quality（画質最適化）」というフロントエンド機能を導入します。モデル側の限界をあえて製品機能として包み込むことで、利用者には欠陥ではなく便利な機能として映るようになったのです。
そもそもリアルタイム動画の実現には、高度に最適化された技術スタックが欠かせません。巨大な基盤モデルの事前学習から始め、小型で高速な生徒モデルが教師モデルを模倣する蒸留によって生成時間を8〜9割削減し、さらに敵対的ポストトレーニング（APT）で失われた画質を取り戻します。このアーキテクチャ変更こそが、皮肉にも冒頭のドリフト不具合を生んだ原因でもありました。
品質管理の要は、堅牢な評価セットにあるとPhillips氏は強調します。製品・デザイン・研究・営業が部門横断で「成功」の定義をすり合わせ、日々のテスト結果はなんとExcelの表計算で「軽微」「重大」に分類して管理しているといいます。近年はLLMを審査役として使い、モーフィングなどの視覚的な破綻を自動で採点させる手法も取り入れています。
インフラの細部も見逃せません。Runway Characters公開直後、API呼び出しの8%が16fpsに落ち込み動画がカクつく問題が発生しました。チームはClaudeを搭載したAIエージェントとDatadog、Sentryを併用して原因を追跡し、us-east-1の特定データセンターに絞り込みます。解決策は設定変更ではなく、GPUの物理的な交換でした。
NVIDIAは2026年7月27日、手術ロボット向けのリアルタイム生成シミュレーター「Cosmos-H-Dreams」を公開しました。これは大規模な世界基盤モデルを少数ステップで動く生徒モデルへ蒸留し、単一のGPU上で初期画像とロボットの動作情報から次の映像を逐次生成する仕組みです。物理ロボットは運用コストが高く実験の再現も難しいため、安全かつ高速に方策を訓練・評価できる環境の提供を狙います。
基盤となるのは、映像とロボットの動きを対応付けて視覚的な変化を学習した世界基盤モデルです。従来の「Cosmos-H-Surgical-Simulator」は初期シーンと動作の系列から将来の手術映像を生成し、実機を動かさずに方策評価や合成データ生成を可能にしていました。今回はこれをダビンチ研究用キット（dVRK）の卓上縫合に特化させ、逐次的に映像を生む因果的な生徒モデルへ蒸留しています。
最大の課題は、手術特有の動きを保ちながら生成コストを下げることです。開発チームは教師モデルの計算過程を事前に記録して生徒モデルに模倣させ、さらに自らの出力を条件に学習を進める自己強制蒸留で誤差の蓄積を抑えました。その結果、1フレームあたり2ステップという少ない拡散処理で映像を生成できるようになっています。
高速化を担うのが、自己回帰型モデル向けの推論ライブラリ「FlashDreams」です。ストリーミング用のキャッシュやCUDAグラフなどの最適化により、従来の毎秒約10フレームから毎秒約160フレームへ処理速度を引き上げ、単一のRTX PRO 6000上で対話的な操作を実現しました。ブラウザやMeta Questからの操作にも対応し、人や学習済みの方策が閉ループで環境を制御できます。
想定される用途は、方策の閉ループ評価や強化学習・模倣学習の訓練環境、そして針落としなど稀な失敗を意図的に再現する検証などです。将来的には遅延を考慮した遠隔手術や、手技のリハーサル、術中の意思決定支援への応用も見込まれます。ただしNVIDIAは、本モデルが研究開発用の基盤であり、診断や実機制御を目的としたものではないと明確に位置づけています。
GitHubでAIツールを手掛けるBurke Holland氏は7月27日、公式ブログでAI開発の生産性を高める実践的なワークフローを公開しました。同氏は、日々登場する新しいツールやモデル、MCPを追いかけるより、エージェントの土台である「ハーネス」の習熟こそが最大の成果を生むと主張します。試作から計画、実装、レビューまでを既存機能だけで回す手法を、日付選択コンポーネントの開発を例に示しました。
ここで言うハーネスとは、CLIやGitHub Copilotアプリ、VS Codeなどに共通するエージェントの操作基盤を指します。Holland氏は各ツールで中核のワークフローが統一されつつあるとし、「一度学べばどこでも使える」と説きます。学習の第一歩には、テキスト操作が直接的なCLIから始めることを勧めています。
ワークフローは大きく4段階です。まず試作では、プロンプト一つで複数の画面案を生成し、API設計のような非視覚的な作業でもMermaid図で要件を可視化します。続く計画段階では、専用モードがエッジケースを次々と問いかけ、開発者が自身の専門知識でモデルを導くことが肝要だと強調します。
実装はAutopilotが担い、計画の各項目を完了するまでモデルに作業を継続させます。この間、Copilotは小型モデルの「Explore」や大型モデルの「General Purpose」といったサブエージェントを自動で使い分けます。生成結果が思い通りにならないのは当然で、品質に妥協せず反復する姿勢が最終的な完成度を左右すると同氏は述べます。
安全面では、権限を自動許可する「YOLOモード」を使う際、業務データを守るためサンドボックス環境での実行を推奨します。最終確認には、異なるAIファミリーに評価を依頼する「ラバーダック・レビュー」を用い、モデルごとの死角を補い合わせます。同氏は「今の正解は明日の反面教師になりうる」と述べ、最も簡潔な方法で再現性の高い成果を出すことに集中すべきだと結んでいます。
マサチューセッツ工科大学（MIT）原子力科学工学科の博士課程に在籍するローレン・フォティエ氏が、原子力発電所の自律運転を実現する監督制御システムの研究を進めています。人手に頼る従来の運転を見直し、遠隔地の小型原子炉でも少人数で安全に運用できる仕組みを目指すものです。米海軍の原子炉運用者として空母で培った現場経験が、この研究の出発点となっています。
フォティエ氏はノースウェスタン大学で材料科学を学んだ後、米海軍の原子炉運用者として南シナ海の空母で勤務しました。原子力への完全な依存を体感するなかで、運転作業の多くが極めて手作業に頼っている現状に気づき、効率化の余地を意識するようになったといいます。海軍の派遣制度を利用してMITの修士課程に進み、運転の現場から研究の世界へと移りました。
研究の背景には、原子力を安価で競争力のあるクリーンエネルギーにするという課題があります。100%稼働の大型施設では大人数の運転体制もコストに見合いますが、各地に分散配置される小型原子炉では多くの人員を確保できません。そこで、十分に検証された監督付きの自律運転が、次世代の商用マイクロリアクターの普及を後押しすると期待されています。
技術面での特徴は、人と機械が互いの得意分野を分担し、必要なときだけ人が介入する統合型の制御を目指す点です。フォティエ氏は有限状態機械と呼ばれる手法を採用しており、これは「この事象が起きたらこうする」という事象駆動で動く、実行過程が透明な仕組みです。機械学習のような統計的手法は、動作を検証する手段がまだ十分でないため採用していないと同氏は説明します。
研究は学内外の連携に支えられています。MITとアイダホ国立研究所（INL）を兼務する指導教員のもと、制御理論の専門家やウェスチングハウスなど産学の協力を得ながら開発を進めてきました。こうした成果が評価され、同氏は2025年に米エネルギー省の学生研究コンペで受賞しています。
フォティエ氏が重視するのは、利用者の信頼を損なわない段階的な自律化です。まず作業手順を一つずつ案内する自動化から始め、あらかじめ決められた手順ではなく目的に応じて操作の順序を組み立てる制御へと発展させていく考えです。ステークホルダーとの関係構築が研究の実効性を高めていると同氏は語っています。
米半導体大手NVIDIAは2026年7月23日、カリフォルニア州モントレーにある米海軍大学院（NPS）で、AIスーパーコンピューター「DGX GB300」を正式に稼働させました。創業者兼最高経営責任者（CEO）のジェンスン・フアン氏が現地を訪れて式典に臨み、1500人を超える在校生と600人の教員が大規模なAI計算基盤を学内で直接利用できるようになりました。
今回導入された「DGX GB300」は、NVIDIAの運用管理ソフト「Mission Control」と組み合わせて動きます。モデルの学習から推論までを学内で完結できるため、気象予測やサイバーセキュリティ、災害対応の計画といった幅広い用途に活用される見通しです。
式典は3日間の学内イベント「Converge @ NPS」の期間中に開かれ、AI技術を教育へ組み込む長年の取り組みの一環と位置づけられます。米インド太平洋軍を率いるサミュエル・パパロ司令官は「技術の近代化とともに、指導者の育成方法も近代化しなければならない」と述べ、AIを前提とした環境で判断を下せるリーダーの重要性を強調しました。
NPSは現役将校や国際的なパートナーに大学院教育を提供しており、宇宙作戦から海洋科学まで幅広い分野で実務に直結する研究を進めています。研究者はAIを使って海況のモデル化や大気変化の予測、複雑な環境のデジタルツイン構築に取り組んでおり、非営利団体MITREとの連携ではNVIDIAのOmniverse基盤を用いた高精度なシミュレーション環境を開発しました。
システムの構築には、データ基盤のDDNとVAST Data、そして電源・冷却設備のVertivがハードウェアと統合の面で協力しました。NVIDIAはさらに教育部門「Deep Learning Institute」を通じて教員に指導用ツールを提供し、AIを各学科のカリキュラムへ幅広く組み込む考えです。
米ホワイトハウスのマイケル・クラツィオス科学顧問は、中国Moonshotが開発した大規模言語モデル「Kimi K3」について、Anthropicの「Fable」を複製して構築したと非難しました。輸出規制対象のチップを使った疑いもあわせて指摘しています。しかしAI研究者らは、蒸留と呼ばれる手法だけでKimi K3の高い性能を説明するのは難しいとして、この主張に懐疑的な見方を示しています。
懐疑論の中心にあるのは時間の問題です。Laude InstituteのBraden Hancock氏は、Fableが公開されたのは7月1日で、Kimi K3の登場までわずか2週間しかなかったと指摘します。「これだけのデータを蒸留し、モデルを訓練して公開するのは時間的に不可能だ」と述べ、蒸留だけでこれほど強力なモデルは作れないと語りました。
蒸留は、対象モデルに繰り返し問い合わせて能力を写し取る手法で、その出力で学習させる教師ありファインチューニング(SFT)が代表例です。ただしAllen InstituteのNathan Lambert氏は、モデルが高度になるほどSFTの効果は薄れていると説明します。Fable級の能力を写すには強化学習が必要で、数千万規模のエージェントを動かす巨大なインフラと莫大な費用がかかると指摘しました。
蒸留そのものは中国に限らずAI業界で広く行われています。イーロン・マスク氏は自社のGrok開発でOpenAIのモデルを蒸留したと証言しており、合成データ作成との境界は曖昧です。Hancock氏は「米国人は中国チームの技術力を過小評価している」と述べ、Moonshotには一流の研究者や技術者が集まっていると強調しました。
もう一つの争点が半導体です。クラツィオス氏は、Moonshotが輸出禁止のNvidia製「GB300」チップを闇市場やタイのサーバー経由で入手したとも主張しています。専門家からは、データセンターの利用者を把握する顧客確認ルールの必要性を求める声が上がっていますが、米国での制度整備は進んでいません。
非営利団体のCurrent AIが、誰もが無料で使える公共のAI基盤づくりを加速しています。2025年2月にフランス政府の1億ドルを起点として発足し、フォード財団やマッカーサー財団、DeepMind、Salesforceが加わって総額4億ドルの資金を確保しました。狙いは、主要なAIがすべて民間企業のものという現状に対し、公共の選択肢を用意することです。
象徴となるのが、2月のインドAIサミットで政府のAI言語部門Bhashiniと組んで生まれた「Suno Sutra」です。インドの22言語を扱い、インターネット接続なしで動く手のひらサイズの端末で、ソースコードは公開され開発者が自由に拡張できます。アヤ・バデア最高経営責任者は「インドには数百の言語と方言があるが、今のAIはそれらを代表していない」と語ります。
先月には、ケニア、レバノン、ブラジル・アマゾンの4団体へ320万ドルの助成を配分しました。ケニアのMasakhaneは50を超えるアフリカ言語のデータセットを保健・農業・教育向けに整備し、レバノンの団体はアラブ文化史を地域側が管理する機械可読データベースへ変換しています。ブラジルでは先住民コミュニティと組み、データを現地の領域内に留めるオフラインのAIツールを開発中です。
技術基盤づくりも動き出しました。今月ジュネーブで公開したオープンソースのチャットボット「Alpha Chat」は、Hugging FaceやMozilla、MIT Media Labなど10団体の連合がわずか7週間で組み上げたもので、言語モデルや安全性ツール、計算資源を各団体が持ち寄りました。さらに東京のSakana AIとも提携し、日本語と新興国の言語を支える共通のオープンソース基盤を共同開発します。
根底にあるのはデータの所有権をめぐる問いです。バデア氏は大手技術企業の多言語対応を「市場拡大のためで、同意も文脈も問わない」と批判し、先住民の言語では宣教師による聖書翻訳が地域の合意より先に学習データになってきたと指摘します。Current AIはモデルとデータを現地に置き、地域がいつでも工程を止められる同意プロトコルを開発手順に組み込む方針です。
予算規模の小ささをどう見るべきでしょうか。バデア氏は「規模が常に尺度とは限らず、それは大手技術企業の発想だ」と述べ、ケニアで作られた道具をアマゾンの長老が自らの言語で生態知識を継承するために使う、といった姿を描きます。世界の話し言葉の半分が消滅の危機にあるなか、公共のAIという選択肢が成り立つかが問われています。
昨年、OpenAIのサム・アルトマンCEOに招かれた米作家デイブ・エガーズ氏が、同社の約200人の社員を前に講演し、ChatGPTが「一世代を丸ごと沈黙させている」と痛烈に批判したことが分かりました。英フィナンシャル・タイムズが報じ、The Vergeが7月18日に伝えたものです。生成AIが教育や表現に及ぼす影響への懸念を、開発の当事者に直接ぶつけた形となりました。
エガーズ氏は、ChatGPTが教育者に与える影響を「壊滅的」と表現しました。「意図の有無にかかわらず、すべての教師の生活を2年前より格段に難しくした」と述べ、教室現場に生じた混乱を指摘しました。
最も問題視したのは、学生が作文にAIを使う点です。エガーズ氏は「文章を書くことを学べなくなり、自分の声を奪われる」と語り、若い世代が自らの真実を語る力を失うと警告しました。これが「一世代か二世代を沈黙させる」という主張につながっています。
アルトマン氏は、こうした反発をあらかじめ予期していた可能性があります。エガーズ氏の代表作『The Circle』はテック業界を鋭く風刺した小説であり、同氏はAIが生成する文章を「模倣にすぎない戯言」と切り捨ててきたためです。
開発企業が、あえて厳しい批判者を社内に招き入れた点も注目されます。生成AIの普及が加速するなか、教育や創作の現場でどう使われるべきかという設計思想が、業界全体に改めて問われています。
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。
OpenAIは7月16日、10代の利用者を守るための安全対策を強化すると発表しました。同社によると、ChatGPTを使うティーンの9割近くが週内に学習や情報収集、スキル習得に活用しており、幅広いアクセスと年齢に応じた保護の両立を目指します。今回は年齢推定、保護者管理、学習支援の三つを柱に据えています。
システムが利用者を18歳未満と推定した場合、自動で年齢に適した体験へ切り替え、暴力や自傷、危険な流行の挑戦、不健全な体型情報などへの露出を抑えます。長時間の利用には休憩通知を頻繁に表示し、健全な習慣づくりを促します。保護者は静音時間の設定や音声モードの停止に加え、利用規約違反でアカウントが停止された場合の通知も受け取れるようになります。
学習面では、教師や学習科学の専門家と設計した学習モードを、保護者が連携アカウントから直接有効化できるようにしました。有効時は新しいチャットを始めるたびに既定で作動し、答えを与えるのではなく段階的な問いかけで理解を深めます。対話型の数学・理科体験も250超の新トピックへ広がり、週1800万人が利用しています。
同社はこうした取り組みを外部の専門家や団体と連携して進めています。オンライン暴力防止のMoonshotや米国心理学会などと協力するほか、今年はFOSI（家庭オンライン安全協会）に加盟しました。さらに専門のAI安全機関を通じた若者向けの世界標準づくりを提唱し、方針やツールのオープンソース化も進める考えです。
Googleとカナダのウォータールー大学は2026年7月16日、共同で運営する教育プログラム「Futures Lab」の初年度成果を公開しました。人工知能が新卒レベルの業務を置き換えつつある中、卒業生がどうすれば変化に強く「即戦力」であり続けられるのかという問いに答えるための取り組みです。両者は初回の修了生や教員、事務スタッフに聞き取りを行い、何が有効だったのかを検証しました。
プログラムは8週間単位のワークショップ形式で、さまざまな専攻の学生に実務的な技術スキルを教えます。学生はGoogleのメンターと組み、身近な学習課題を解決するAIの試作品を設計します。過去には手話学習ツール「SignFluent」や、AIが生成する物語で日本語の漢字を学ぶ「Kanji Garden」などが生まれました。
両者は初年度の修了を経て、プログラムが生む価値を5つに整理しました。第一に、非技術系の学生でも実際に技術を作れるvibe coding体験。第二に、画面を離れて実ユーザーで検証し改善するデザイン思考の実地応用です。生物学や金融、環境保全など異なる分野の学生が協働する点も、実際の職場を映す学びだと位置づけています。
残る2つは、伝える力と就職での強みです。参加者は30秒ピッチで素早く語る訓練を積み、専門的な内容を非技術者にもわかりやすく翻訳する力を磨きます。自らのプロジェクトはコープ（就労体験）面接で有力な話題となり、競争上の優位につながると説明しています。
両者は、高等教育の未来が伝統よりも俊敏さにあると総括しています。自動化への不安を準備と希望の機会に変え、AIと自分のキャリアの関係を語れる自信を学生に育てることを狙いとしています。今後はこの取り組みを他の場にも広げる青写真を描いています。
AI開発企業のDharmaは7月16日、ブラジル・ポルトガル語に特化したOCRモデル「DharmaOCR」が、後発の汎用モデルを専門ベンチマークで上回ったとHugging Faceのブログで公表しました。3カ月前に公開した4Bパラメータの小型モデルは、新たに登場したMistral OCR4やUnlimited-OCRを退け、特化戦略の優位が維持されたことを示しています。
ベンチマークではDharmaOCRが0.925を記録した一方、Mistral OCR4は0.798、Unlimited-OCRは0.7587にとどまりました。両モデルはDharmaOCRより後にリリースされ、豊富な研究資源を背景に持ちますが、ポルトガル語のみを対象とした評価では約13〜16点もの差が付きました。
なぜこれほどの差が生まれるのでしょうか。生成モデルに基づくOCRは本質的に確率的であり、誤りの多寡はアーキテクチャと学習方法で決まると同社は説明します。単一言語に絞れば全パラメータをその領域に振り向けられるのに対し、多言語を扱う汎用モデルは同じ資源を分散させざるを得ません。
実例として、Mistral OCR4はブラジルの著名な音楽家Chico Buarqueの名を「Chico Barque」と誤読し、Unlimited-OCRは「chico bique」と崩しました。さらに小さな文字や劣化したスキャンでは、汎用モデルが原文と無関係な文章崩壊を起こし、下流の処理で使えない出力になると指摘されています。
DharmaOCRはこの弱点を、教師ありファインチューニングに加えDPO（直接選好最適化）を組み合わせた二段階学習で克服しました。同社は、新しいアーキテクチャが登場しても資源を一領域に集中させる構造的な優位は変わらないとし、今後も特化路線を続ける方針を示しています。
MITとIBM、Red Hatなどの研究チームは16日、2次元設計を3次元のCADモデルへ自動変換する視覚言語モデルを鍛える新手法「GIFT」を発表しました。従来手法より正確で実用的なCADプログラムを、約20%の計算量で生成できる点が特長です。国際機械学習会議で発表されました。
GIFT（Geometric Inference Feedback Tuning）は、既存モデルの弱点を突き止めるデータ拡張の仕組みです。特定のタスク向けに、モデルが苦手とする問題を集中的に改善するデータを生成します。色や形をランダムに変える一般的な拡張とは異なり、モデル自身の性能に合わせて最適化する点が新しいところです。
鍵となるのは失敗からの学習です。GIFTはモデルに同じ課題を並行して何度も解かせ、正解率を測定します。「惜しい」解答を正解へ修正し、成功例とともに新たなデータセットへ蓄積することで、つまずきやすい問題の克服法を教え込みます。
研究チームは、正解も不正解も明確な問題ではなく、正答率5割前後の中間的な課題こそ学習価値が高いと指摘します。この手法は学習済みモデルを再学習させず、推論時スケーリングで出力を改善するため、利用者は時間や予算に応じて計算量を調整できます。
GIFTを使ったモデルは、正解形状との整合性で競合手法を上回りました。研究チームは今後、製造しやすさの向上や大規模モデルへの適用を目指します。試作の高速化とコスト削減により、AI設計ツールが日常のエンジニアリングに近づくと期待されます。
オーストラリア発のデザイン大手Canvaは7月14日、AIコーディングツールの新版Canva Code 2.0を発表しました。自然言語のプロンプトから対話型のウェブサイトやアプリを生成し、Canvaのプレゼン資料と同じ感覚で編集できるのが特徴です。月間2億6500万人を超える全ユーザーに提供され、無料アカウントでも利用可能となりました。
同社が狙うのは、急成長する「vibe coding」市場での独自の立ち位置です。LovableやReplit、Boltといった競合が文章からの機能的なコード生成に注力するのに対し、Canvaは出力の見た目の良さこそが本当のボトルネックだと主張します。生成した要素をクリックしてテキストや画像、フォントを直接編集でき、1億2000万点を超える素材ライブラリも活用できます。
性能面の改善も大きく、平均のコード生成時間を75%短縮し、公開までの中央値も30%縮めたとしています。さらにChatGPTやClaudeなど他ツールが生成したHTMLを取り込み、編集可能なデザインに変換する機能も加わりました。これによりCanvaは、どのツールで作ったコードでも最終的に仕上げる「仕上げの層」としての地位を狙います。
市場調査によると、vibe coding市場は2026年に推定47億ドルに達し、2027年には123億ドルへ拡大する見通しです。AI製品の累計利用は320億回を超え、AffinityやLeonardo.aiの買収もこの戦略を支えています。過去1年で600万サイトが公開された一方、継続利用の実態は不透明で、その真価はこれから問われます。
AIプロダクト責任者のDanny Wu氏は、製品の限界にも率直でした。「複雑なバックエンドや1日数十万人規模のアクセスには向かない」と述べ、教師や中小企業、マーケティング担当者といった非技術者を意図的に狙うと明言しています。技術的な深さで競うのではなく、2012年の創業時と同じく「デザインを誰でも使えるものにする」賭けに出た形です。
マサチューセッツ工科大学（MIT）は2026年春学期、学生がAIを主要な設計パートナーとして小型ジェットエンジンを開発する「JARVISチャレンジ」を実施しました。7チーム31人の学部生が4週間で設計・製造・組立・試験に取り組み、推力50〜100ポンドのガスタービン機を目指しました。AIが物理システムの設計・製造・試験サイクルを圧縮できるかを問う実験的な取り組みです。
学生はフロンティアLLMを集約したプラットフォーム「Parley」を通じ、ClaudeやChatGPTを設計代替案の提示や資料要約、ベンダー探索などに活用しました。しかし詳細なCAD設計や燃焼器の試作段階に入ると、幻覚や追従性、物理的理解の欠如が露呈し、学生の判断を鈍らせました。あるチームは「AIは情報探しや整理には有用だが、設計そのものはできない」と語ります。
最終的に優勝したのは、ターボ機械の知識を持ちAIに懐疑的だった811 Crewでした。同チームのエンジンはJet-A燃料への切り替えに成功し、正味の推力を発生させました。一方、AIを積極活用したFast and Fracturedは設計こそ最速だったものの、ローターが筐体に接触して停止しました。
教員陣は、エンジニアリングの判断力が勝敗を分ける決定的な差だったと総括します。製造工程が最大の律速要因であり、安全が重要な物理システムでは人間の手と説明責任が欠かせないと指摘しました。ガスタービン研究所のコルデロ准教授は「AI時代には教育の価値がこれまで以上に高まる」と結論づけています。
Google Researchは、表形式データ向けのゼロショット基盤モデル「TabFM」を公開しました。従来のようにデータセットごとにモデルを一から学習する必要がなく、未知の表に対しても一度の推論で予測を返せる点が最大の特徴です。表の予測を「文脈内学習(in-context learning)」の問題として捉え直すことで、数週間かかっていた構築作業を一回のAPI呼び出しに置き換えます。
企業データの多くはデータウェアハウスやCRMに眠る表形式ですが、そこから信頼できる予測を得るには手間がかかります。欠損値の補完や特徴量エンジニアリング、ハイパーパラメータ探索に加え、運用後もデータドリフト監視や再学習が続くためです。一方でテキストや画像の生成AIはすでにゼロショット推論へ移行しており、表データはこの流れから取り残されていました。
大規模言語モデルに表をそのまま読ませても、文脈長の制約や数値のトークン化、二次元構造の喪失といった壁に突き当たります。TabFMはデータを格子として扱い構造を保ったまま処理する設計で、既存研究のTabPFNとTabICLの長所を統合しています。行と列を交互に注意する仕組みや行圧縮を組み合わせ、大規模な表でも効率よく文脈内学習を行います。
学習には実データを使わず、数億件の合成データセットを構造的因果モデルで生成して事前学習しました。51のデータセットからなる評価基盤TabArenaでは、調整済みの教師あり手法に匹敵または上回る精度を示しています。ただしGoogleは、最適化された本番モデルをすべて置き換えるものではないと慎重な姿勢を崩していません。
一方で新たな経済的トレードオフも生じます。学習時間はゼロになるものの、予測のたびに履歴データ全体を文脈として処理するため推論が重く、ミリ秒単位の低遅延を求める用途には向きません。またモデルの重みは非商用ライセンスで公開されており、商用製品への組み込みは現時点では認められていません。
それでもGoogleは、TabFMをBigQueryへ統合し「AI.PREDICT」コマンドでデータウェアハウス上から直接予測を実行できるようにする計画です。scikit-learn互換のAPIも用意され、専任のデータサイエンスチームがなくても高品質なベースラインを素早く構築できる点が実務での価値だと同社は説明しています。
米スタートアップGeneral Intuitionのピム・デウィッテCEOは、ロボティクスが大規模言語モデルの「ChatGPTの瞬間」に近づいていると主張しました。同社はゲーム動画を数百万時間学習させた基盤モデルを開発し、ロボットごとにデータを集める従来手法を置き換えると訴えています。先月には3億2000万ドル、評価額23億ドルで資金を調達しました。
従来の身体性AI開発では、企業が特定のロボットや環境ごとに専用データを大量に集めていました。デウィッテ氏は、こうした個別最適の作業の多くが間もなく不要になるとみています。汎用モデルが空間と時間についての基礎的な推論能力を持てば、現実世界のデータは「数分」で足りると説明します。
学習データの鍵は、プレイヤーがいつどのボタンを押したかという行動データです。同社と主要投資家のヴィノッド・コースラ氏は、この行動情報こそが人間に近い空間的・時間的な直観を育てると考えています。インターネットのテキストよりも、ゲームの動画のほうが優れた教師データになるという発想です。
実証では、同じモデルが長時間ゲームをプレイしつつ、四足歩行ロボットも動かしました。しかも実世界データはわずか8分の微調整だけで、前方カメラ1台のみでゼロショット動作したといいます。人や動く物体がある実際のオフィス環境で機能した点に、同社も驚いたと語ります。
同社の狙いは、自らロボットを作ることではありません。他社が独自の機械を開発する土台となる物理AIの基盤モデルになることです。「自動運転車の会社は作らない。次に作る人の手間を10分の1にする」とデウィッテ氏は述べています。
OpenAIは2026年7月8日、教育者向け無料プログラム「OpenAI Academy」を通じ、Walton Family Foundationと組んでK-12教員向けのAI Skills Jamを今夏開催すると発表しました。全米各都市で対面のハンズオン研修を行い、教員や管理者、学区リーダーら1600人以上を集めます。好奇心の段階から実務での活用へと橋渡しする狙いです。
研修では、OpenAIのメンターと共に授業計画や保護者・職員との連絡、事務作業などの日常業務にAIを取り入れる方法を学びます。ツールを実際に試し、質問や懸念を共有しながら自信を育てる、実践重視の内容です。参加者は無料のオンライン学習基盤「OpenAI Academy」にもつながり、研修後も継続して活用を深められます。
背景には、教員が抱える時間不足という課題があります。Walton財団とGallupの調査によれば、週1回以上AIツールを使う教員は平均で週あたり5.9時間を節約でき、学年を通すと約6週間分に相当するといいます。教員はこの時間を、きめ細かな指導や個別の授業設計、保護者対応などに再投資していると答えています。
OpenAIで教育担当バイスプレジデントを務めるLeah Belsky氏は「教育者は地域社会が新技術を理解し適応する中心にいる」と述べ、実践的な支援と信頼できる学びの場を提供する意義を強調しました。AIへのアクセスは出発点にすぎず、ツールを思慮深く使う力を育てることが本当の機会だと訴えています。
確定した開催地は8か所に及びます。7月8日のジョージア州ジョーンズボロを皮切りに、バージニア州フェアファクス、フロリダ州オーランド、イリノイ州シカゴ、カリフォルニア州サンバーナーディノ、アリゾナ州フェニックス、ユタ州ソルトレイクシティを経て、9月4日のネバダ州ラスベガスまで各学区と連携して展開します。OpenAIは一日限りの講習ではなく、教育者や学校システムとの関係を長期的に広げる考えです。
Allen Institute for AIは6月29日、データ点の集合から分布の密度とスコアを一度の順伝播で同時推定する新モデル「DiScoFormer」をHugging Face上で発表しました。従来は手法ごとに汎用性と精度のどちらかを犠牲にしていましたが、本モデルは再学習なしで両者を両立する点が特徴です。
機械学習や科学の多くの課題は、観測データから元の分布を復元する作業に帰着します。その鍵となるのが密度と、対数密度の勾配であるスコアです。スコアは確率の高い領域へ向かう方向を示し、Stable DiffusionやDALL-Eといった拡散モデルの画像生成や、ベイズ推論、プラズマなどの粒子シミュレーションを支えています。
DiScoFormerはTransformerブロックを積み重ね、サンプル全体を密度とスコアへ写像します。交差注意によりデータのない点でも評価でき、共有バックボーンに密度用とスコア用の2つの出力ヘッドを持たせました。スコアは対数密度の勾配という関係を利用し、両者のずれをラベル不要の整合性損失として推論時に数ステップ最適化することで、未知の入力へその場で適応します。
注意機構はカーネル密度推定（KDE）の一般化にあたります。1つの注意ヘッドの重みはデータ上のガウスカーネルにほぼ等しく、交差注意ブロック1つでKDEを再現できると数学的に示されました。さらに複数のスケールを同時に学習してデータに適応させ、KDEを特殊例として包含しつつ改善する設計です。
学習にはガウス混合モデル（GMM）を用いました。GMMは万能な密度近似器であり、密度とスコアの厳密な閉形式を持つため、バッチごとに新たなGMMを引いて正確な教師信号として供給でき、事実上無制限の学習例を確保できます。
性能面ではKDEを密度・スコアの双方で上回り、100次元ではスコア誤差を約6.5倍、密度誤差を37倍以上低減しました。学習時より多くのモードを持つ混合分布やラプラス分布などにも高精度を保ちます。スコア推定は生成モデルやベイズ推論、科学計算に共通する依存処理であり、再学習不要の汎用推定器は多分野のコストを一括で削減する可能性があると同社は示しています。
米マサチューセッツ工科大学（MIT）は6月26日、労働経済学者のデビッド・オーター教授を経済学部長に任命したと発表しました。就任は7月1日付で、2023年7月から学部長を務めてきたジョン・グルーバー教授の後任となります。
オーター氏は技術革新やグローバル化が雇用や賃金、格差に与える影響を研究してきた、労働経済学の第一人者です。MITには1999年から在籍し、不平等と仕事の未来を扱う学内研究センターの共同責任者も務めています。
就任にあたりオーター氏は、教員と学生が築いてきた高い水準を引き継ぎつつ、予算の引き締めと変化する政治情勢に対応する考えを示しました。大学運営が厳しさを増すなかでの船出となります。
さらに同氏は「進化するAIが、私たちの教え方や研究内容に開きつつある機会へと学部を導きたい」と述べ、AIを教育と研究の中心に据える姿勢を明確にしました。経済学の研究現場でもAI活用が課題となっていることがうかがえます。
オーター氏はタフツ大学で心理学の学士号を、ハーバード大学ケネディスクールで公共政策の博士号を取得しました。研究と教育の両面で数多くの賞を受けており、2024年にはAIの社会実装を支援するAI2050シニアフェローにも選ばれています。
米マサチューセッツ工科大学（MIT）は6月25日、科学誌サイエンティフィック・アメリカンが16日に公開した特集「若き米国の科学者2026」を取り上げ、教員らが好奇心駆動の科学の重要性を訴えたと報じました。同特集は若手研究者を紹介し、不確実な時代でも科学に献身する理由を語る内容です。サリー・コーンブルース学長は、発見は「米国のDNAの一部」であり、必要なのは米国科学への公的投資の再強化だと強調しました。
学長は「米国科学への投資は賭けではない。歴史を振り返れば、その恩恵に疑いの余地はない」と述べています。一方で、技術的には最高にわくわくする時期である半面、科学予算の継続性に人々がこれほど不安を感じた状況はかつてないとも指摘しました。ロバート・ランガー教授も、過去50年から100年の米国科学の成果は目覚ましいと評価しています。
特集では若手の具体的な研究も光ります。客員研究者のアリス・スタントン氏は人間の脳の3D組織モデル「miBrain」を開発し、アルツハイマー病やパーキンソン病の個別化治療を目指しています。コモンウェルス・フュージョン・システムズCEOのボブ・マンガード氏は核融合発電の商用化に取り組み、大学院生のアレックス・ジャン氏はAI言語モデルが情報生成とともに劣化する「文脈劣化（context rot）」の解決に挑んでいます。
ただし、研究者の多くが連邦政府の資金に懸念を示しました。CRISPR遺伝子編集技術を開発したフェン・ジャン教授は、NIH（国立衛生研究所）やNSF（全米科学財団）の資金の不安定さ、国際研究者の移民の不確実性、専門知識への信頼の低下を挙げ、「保護を怠れば、米国は急速に優位を失う」と警告しています。
それでも楽観を語る声もあります。ランガー教授は「米国のイノベーションの歴史を見れば、世界大戦や恐慌など幾多の挫折を経ても、人々は学び、発見し、発明を続けてきた」と述べ、現状を最悪の時期ではないと語りました。経営者やリーダーにとって、基礎研究への継続投資が10年後20年後の経済的インパクトを左右するという視点は示唆に富みます。
米ケンタッキー州の農村部にあるヘンリー郡公立学区は6月25日、Googleの教育向けAI「Gemini for Education」を活用し、州の作文評価で最下位の「ノービス層」の生徒割合を33%から15%へ引き下げたと明らかにしました。同学区のジム・マスターズ教育長が成果を報告したものです。狙いは、人手不足のなかで個別最適化された作文添削を全生徒に届けることにありました。
背景には高校での添削負担の重さがあります。教員1人が平均で180人の生徒を担当しており、授業準備や採点も抱えるなかで、州の評価基準に沿った細やかな添削を一人ひとりに行う時間が足りませんでした。州テストで使われる別社のAI採点ソフトも検討しましたが、同学区には費用が高すぎたといいます。
そこで同学区は、すでに契約していたGoogle for Educationの枠内で追加費用なしのGeminiを試すことにしました。カリキュラム専門家やベテラン教員が管理者と協力し、過去に州から受け取った評価との一致を確認しながら精度を検証。Geminiの添削が州の基準と合致するまでテストを重ねたとしています。
運用面では、人の確認を要に据えています。Geminiが州ルーブリックに沿った個別添削の反復作業を担う一方、生徒に返す前には必ず教員が内容を確認する仕組みです。これにより教育の質と学術的基準を保ちつつ、教員は生徒一人ひとりの指導に時間を割けるようになりました。同学区は、AIが批判的思考を損なうのではなく、むしろ引き出す鍵になり得ると総括しています。
Googleは6月25日、教育者向け会議ISTE 2026に合わせ、生徒向けの新しいAI学習機能群を発表しました。中心となるのはGeminiアプリの学習ノートブック(study notebooks)で、生徒一人ひとりの学習目標に応じて個別最適化されたレッスンを生成します。同機能は個人アカウント向けに全世界・全言語で順次提供を開始しました。
学習ノートブックの仕組みはまず診断クイズから始まります。生徒が授業のシラバスやノートをアップロードすると、Geminiが習熟度の基準を測り、強みと弱点を特定します。その結果に基づき、弱点を補う短時間のレッスンと練習問題を組み立て、回答状況に応じて内容を自動更新します。
進捗管理にも力点が置かれています。Geminiは学習目標を100以上の具体的な学習項目に分解し、それらをトピックごとにまとめて習得状況を「得意」「重点分野」「未着手」と分類します。専用ダッシュボードが優先度の高いレッスンを推奨するため、生徒は次に何を学ぶべきかを常に把握できます。
標準化試験への対応も拡充します。GoogleはThe Princeton Reviewと提携し、今後数週間のうちにGRE・ACTの無料の本番形式模試を提供します。SATには既に対応済みで、ブラジル向けのENEMやJEE、NEETなども順次追加する計画です。受験後はトピック別の成績内訳が示され、重点的に学ぶべき領域が明確になります。
学校向けの展開も進みます。Google Classroomには生徒向けのGeminiが導入され、教師は授業内容に基づいた学習ノートブックを生徒に割り当てられるようになります。Googleは教師主導という原則を強調し、人と人のつながりを置き換えるのではなく支援する位置づけだと説明しています。学校発行アカウント向けの学習ノートブックも数週間以内に利用可能になる見込みです。
Googleは6月25日、教育向け年次カンファレンス「ISTE 2026」で、教師が主導権を握るAI教育戦略を発表しました。学習科学に基づくツール群をGoogle Classroomに組み込み、生徒一人ひとりに合わせた指導を支援しつつ、データの安全性を保つ狙いです。同時に慈善部門のGoogle.orgが、3つの長期パートナーへの新たな資金提供も明らかにしました。
中核となるのが教師主導のAI機能の拡張です。今後数カ月のうちに、対話型学習のGuided Learning、試験対策のスタディノートブック、教材を教材化するNotebookLMがClassroomに順次導入されます。教師は授業の教材を選んで活動を作成でき、生徒の取り組み状況を個人・クラス単位で把握して指導に生かせます。
教師の文脈を理解させる仕組みも強化します。本日提供を開始したClassroom連携アプリはGemini上で課題や成績、教材を安全に参照し、進捗分析や活動案の作成を助けます。さらに今後、外部のEdTechがClassroomの情報を安全に参照できるMCPサーバーを公開し、日々の業務を一元化しながら新しい指導法を可能にする方針です。
教師の活用を後押しする取り組みも広げます。GoogleはISTE+ASCDと連携した「Google AI Educator Series」を通じ、全米600万人の教員すべてにAI研修を届けることを目指しています。AIは強力な道具である一方、教師と生徒の人間的なつながりこそが学びの核心だと同社は強調します。
資金面では、Google.orgがISTE会場で3団体への支援を表明しました。aiEDUは高ニーズなK-12学区とAI準備戦略を共同開発し、ISTEはAIを活用した評価の実地調査やサミットを、Renaissance Philanthropyは評価刷新の取り組み「Reimagining Assessment」を進めます。教師のAIリテラシーに投資し、学びの未来を担う教育者を支える構えです。
EC基盤大手のShopifyが、特定のAIモデルが消えても影響を受けない自社AIスタックを構築しました。同社エンジニアリング責任者のFarhan Thawar氏が新しいポッドキャストで明らかにしたもので、全エンジニアが社内のLLMプロキシ経由で複数のAIプロバイダーにアクセスし、いずれかが停止しても自動でフェイルオーバーする設計です。
中核となるのが、トークンを一括購入して全利用者を束ねるプロキシの仕組みです。あるプロバイダーで障害が起きても利用者は別のモデルへ自動的に切り替わり、作業を中断せずに済みます。実際にClaude Fable 5が停止した際も、エンジニアはClaude OpusやGPT 5.5へ自動移行し、混乱は起きなかったといいます。
Thawar氏は、企業がこうした事例から学び、最低限のバックアップ体制を整えるべきだと指摘します。特定のプロバイダーに「強く縛られない」よう、モデル間を移動できる仕組みを持つことが重要だと強調しました。これは、可用性リスクを業務継続の観点でとらえる発想です。
もう一つの柱が蒸留です。教師モデルから学んだ生徒モデルは、狭いタスクに特化した小型言語モデル(SLM)となり、汎用モデルより有利な場面があります。同社の主力AIアシスタント「Sidekick」も、加盟店向けの多数の専門サブタスクを担っています。
蒸留パイプライン「UDP」に教師モデルや学習データ、評価、目標モデルを与えると、約1日で速度・コスト・精度の評価結果が返ります。Thawar氏によれば、小型化したモデルは2倍、極端な場合は30倍も高速かつ安価になり、しかも精度が鍵だと述べました。良好なら承認手続きなしで現場が即デプロイできます。
同社はさらに利用ダッシュボードを導入し、誰が高価なトークンを使い、どのモデルがどの職種で使われているかを可視化しています。長時間の実行には「本当に意図したものか」と通知するサーキットブレーカーも用意。目指すのは「AIの反射的利用」から「AIによるてこ」への移行だといいます。
フロリダ州立大学（FSU）は2026年6月22日、AI研究アシスタントNotebookLMの導入で学生の成績向上が進んでいると公表しました。Google for Educationとのパイロットを通じ、安全で誰もが使えるAIを学内に提供したところ、想定を上回る速さで学生が活用し始めたといいます。
最大の成果は個々の学生の変化に表れています。導入後まもなく、C評価で苦戦していた学生が数週間で学習習慣と成績を一変させた事例が報告されました。チューターやオフィスアワーが常時使えない中、NotebookLMは24時間利用できる個別学習ツールとして支援の隙間を埋めています。
具体的には、学生はフラッシュカードや練習問題、学習ガイドを作成し、難解な教材の音声要約を聞くことができます。図書館での昼間でも期末試験前の深夜でも、即座に使える学習ツールキットとして概念の習得と成績改善に役立ったと、多くの学生が語っています。
FSUがGeminiとNotebookLMを採用した理由の一つは、技術習熟度の格差を埋める点にあります。初心者でも数分で使いこなせる直感的な設計で、質問を入力すればすぐに価値を得られます。さらに教員の信頼を得るうえで重要なのが、NotebookLMが提供された原資料に厳密に基づいて回答する仕組みです。これにより教授のカリキュラムから学生が逸脱せず、長期的な学習スキルの育成につながります。
FSUはAIを教員の代替ではなく力の増幅装置と位置づけています。授業準備や視覚教材の作成、データ探索をAIで効率化することで、教員は貴重な時間を取り戻しているといいます。その時間は対面での関わりや指導、そして学生に必要なソフトスキルの育成という最も重要な場面へ再投資されています。
Googleは6月17日、米国の複数の大学が同社のAIツールを導入している事例を自社ブログで公開しました。Gemini for EducationとNotebookLMを活用し、データ保護を前提に学内研修や研究支援を進めている点が特徴です。AIを学ぶ学生と教職員の準備を後押しする狙いがあります。
中心となるのはデータ保護です。Gemini for Educationは企業水準のデータ保護を無償で提供し、利用データはモデル学習や広告配信に使われません。バージニア工科大では高リスクデータでの利用も承認され、UCリバーサイドは独自のAIアシスタント「The Grove」を立ち上げています。
人材育成の取り組みも広がっています。ケース・ウェスタン・リザーブ大は学内全体にGeminiを展開し、会議やオンライン教材で職員研修を実施。インディアナ大は看板講座「GenAI 101」を一般向けに無償公開し、学外の学習者にも門戸を開きました。
研究現場でも活用が進みます。アルバータ大ではGeminiを使った専用ツールが教員の研究助成金の執筆を24時間支援。ニューヨーク大のハッカソンでは、学生が花粉や天候データから健康的な歩行ルートを薦めるアプリを開発しました。
Googleは今後も、データ保護を備えたツールの無償提供と教育者向け研修を通じ、大学のAI導入を安全に進める方針です。経営者やリーダーにとっても、機密データを守りながらAIを全社展開する際の実践的な参考事例といえます。
グーグルの研究者らは6月12日、大規模言語モデルの幻覚を抑える新概念「忠実な不確実性」を提唱する論文を公開しました。モデルの内部的な確信度と言語表現を一致させ、不確かな場面では「おそらく」といった控えめな推測を返せるようにする手法で、企業のAI実用化を阻む課題への対応を狙います。
従来の幻覚対策には「効用税」と呼ばれる代償が伴います。誤りをゼロに近づけようとすると、モデルは少しでも不確かな質問への回答を避けるようになり、本来は正しい情報まで大量に捨ててしまうのです。論文では、誤答率を25%から5%に下げると正答の52%が失われると示されました。
研究チームはこの問題を解くため、すべての事実誤認を幻覚とみなす考え方を改めます。間違っていても適切に不確かさを添えた回答は、単なる仮説にすぎず幻覚ではないと位置づけ、「自信過剰な誤り」だけを問題視する枠組みへ転換しました。
鍵となるのが、モデルの言語上の不確かさと、実際の内部的な統計的確信度を一致させる「忠実な不確実性」です。共著者のガル・ヨナ氏は、医師が確定診断と推測を区別するように、AIも自らの限界を正直に伝えることで信頼を保てると説明します。
この発想はAIエージェントで特に重要になります。外部ツールを使える環境でも、いつ検索すべきかを判断する中核的な制御層として自己の不確かさの認識が働き、確信が低いときだけ検索を呼び出すことで遅延やコストの無駄を防げるためです。
ただし実装には難しさも残ります。不確かさの表現を教える教師ありの微調整では、正解が各モデルの知識に依存して動くため、知っている事実に「分からない」と教えると逆に幻覚を生む「ブートストラップの逆説」が生じます。ヨナ氏はプロンプト設計が最も手軽な入り口としつつ、最終的には強化学習による深い組み込みが必要になると述べています。
米ニューヨーク大学やコロンビア大学などの研究チームは2026年6月11日、大規模言語モデル（LLM）の入力文脈を圧縮する新手法「潜在文脈言語モデル（LCLM）」を発表しました。デコーダに到達する前に入力トークン列を圧縮することで、長大化する文脈が生む計算コストと処理速度の課題を解決します。モデルはHuggingFace上でオープンソース公開されました。
従来主流のKVキャッシュ圧縮は、全キャッシュを生成してから不要部分を削除します。これに対しLCLMはデコーダのprefill前に入力そのものを圧縮するため、高い圧縮率がそのまま計算量とメモリの削減に直結します。論文によると、長文脈ベンチマーク「RULER」で16倍圧縮時、KVキャッシュ基準より出力が8.8倍高速になりました。
精度の劣化が小さい点も特徴です。4倍圧縮では文脈を4分の1に減らしながら精度91.76%を保ち、無圧縮の94.41%から3ポイント未満の低下にとどまりました。16倍圧縮で入力の93.75%を除いた場合でも精度は75.06%で、同条件のKVキャッシュ手法をすべて上回りました。
アーキテクチャは0.6Bの符号化器と4Bの復号器を組み合わせ、3500億トークン超で訓練されました。継続事前学習、推論や長文脈タスクの教師ありデータ、細部を保持させる補助的な再構成タスクの3種を混ぜることで、圧縮と汎用性能の両立という従来の課題を克服しています。探索の結果、符号化器より復号器を拡大する方が効果的と判明しました。
実用面では既存のLLMと差し替えて使える設計です。共同責任者でコロンビア大学のミカ・ゴールドブラム氏は、文書を文脈に投入する前に圧縮器を通すだけだと説明します。人間が内容をざっと読んでから重要箇所を精読する動きに近く、エージェントが必要なテキストだけ選択的に復元する仕組みも示されました。
一方で課題も残ります。RAGパイプラインを持つ企業は、導入前に検索品質の指標に対して圧縮の挙動を検証する必要があります。さらに推論トレースのオンライン圧縮は未解決で、生成中に随時圧縮する素朴な手法が機能するかは今後の検証次第とされています。コードとモデルはGitHubとHuggingFaceで公開されています。
Googleは2026年6月10日、AI アシスタントGeminiを活用した試験対策機能を欧州・中東・アフリカの学生と保護者向けに公開しました。講義資料や板書の写真などを一つのノートブックにまとめ、AIが構造化された学習ガイドや模擬テストを自動生成する仕組みです。
注目は「Guided Learning」と呼ばれる段階的指導機能です。答えをそのまま提示するのではなく、オープンエンドの質問を通じて学生の思考を導き、問題の背景にある「なぜ」を理解させます。教師や家庭教師がそばにいない場面でも、対話的な学習体験を提供できる点が特徴です。保護者が子どもと一緒に苦手科目を復習する用途も想定されています。
YouTubeも学習ツールとして位置づけられています。Googleの調査によると、欧州の10代の74%以上が週に1回以上YouTubeを学校の課題に活用しています。一方で集中力の維持が課題となるため、Shorts視聴時間の制限や休憩リマインダーなどの管理機能を強化しました。保護者は監視付きアカウントを通じて、子どものYouTube利用を細かく設定できます。
Googleはこれらのツールを教育者や学習科学の専門家と共同開発し、実際の教育現場のニーズに合致するよう設計したと説明しています。ただし、Geminiの個人アカウント利用は18歳以上に限定されており、AIの出力は公式教材と照合して確認する必要があると注意を促しています。
Googleの学習・サステナビリティ担当チーフテクノロジストであるBen Gomes氏が来日し、東京大学の藤井輝夫総長と学生に向けた対話イベントを開催しました。テーマはAI時代における学びの未来で、「本物の学び」の本質と、変化する市場で求められる人間のスキルについて議論が行われました。同社のホワイトペーパー「AI and the Future of Learning」の知見も共有されています。
Gomes氏は、AIが学びのショートカットになるという懸念に対し、AIは好奇心を増幅するツールとして使うべきだと強調しました。真の学びには自ら挑戦し脳を鍛える過程が不可欠であり、AIに答えを求めるだけでは学習にならないと指摘しています。AI時代においては、答えそのものよりも「どのような問いを立てるか」が重要になるという考えを示しました。
教師がAIに置き換えられるかという問いに対しては、明確に否定しました。むしろ教師の存在はこれまで以上に重要になると述べています。Googleの調査では、AIの活用により教師が事務作業で週最大10時間を節約できることが示されており、その時間を生徒との直接的な対話や動機づけに充てることが可能になります。
また、AIの個別指導機能が教育格差の解消に貢献できると説明しました。学習の進度に差がある環境でも、AIが個々の誤解を把握して支援したり、テキストを音声に変換するなどのマルチモーダルな学習オプションを提供できます。GoogleはLearnLMやGeminiといったAIモデルの開発を通じ、教育プロセスを支援する設計を進めています。
さらにGoogleは、東京大学と共同で日本の大学生を対象にしたAI学習効果の実証研究を開始すると発表しました。AIを活用した学習がどのような場面で最も効果的か、また改善が必要な領域はどこかについて、学術的な知見を得ることが目的です。
Cohereは2026年6月9日、エージェント型ソフトウェア開発に特化したオープンソースモデル「North Mini Code」を発表しました。30億パラメータが実際に稼働する300億パラメータのMixture-of-Experts（MoE）モデルで、256Kトークンのコンテキストウィンドウを備え、Apache 2.0ライセンスのもとHugging Faceで公開されています。単一のH100 GPUやMac Studio上でも動作する軽量さが特徴です。
技術的には128個のエキスパートのうちトークンごとに8個が活性化する疎なMoE構造を採用しています。訓練では2段階の教師あり微調整の後、約5,000リポジトリから収集した7万件超の検証可能タスクを使った強化学習（RLVR）を実施しました。SWE-BenchやTerminal-Bench v2との重複を排除し、評価の公正性も確保しています。
注目すべきは、単一のエージェント足場に最適化するのではなく、SWE-Agent、mini-SWE-Agent、OpenCodeの3種類のハーネスで訓練した点です。これにより、OpenCode評価で10ポイントの性能向上を達成しつつ、SWE-Agent上の性能も維持しています。異なるツール環境間でのスキル転移が正の効果を生むことが示されました。
一方、独立評価機関Artificial Analysisのテストでは、出力速度で127モデル中8位にランクインしたものの、同等モデルと比較して約3倍の出力トークンを生成する傾向が確認されました。大量のエージェントパイプラインを運用する場合、この冗長性が推論コストとレイテンシに直結する課題となります。
共同創業者のNick Frosst氏は「小さく、コスト効率が高く、オープンソースでローカル展開可能。これがLLMの進むべき方向だ」と述べ、Claude Fable 5の100万出力トークンあたり50ドルという価格設定との対比を強調しました。企業にとっては、マネージドサービスの利便性とオンプレミス運用によるコスト管理・データ主権の間で、実際のワークロードに基づいた選択が求められます。
Microsoft AIのCEOであるムスタファ・スレイマン氏が、The Vergeのインタビューで同社のAI戦略を語りました。OpenAIとの契約を昨年10月に再編し、超知能（Superintelligence）チームを新設。独自のフロンティアモデル開発に本格着手したことを明らかにしています。スレイマン氏は「長期的に第三者のIPに構造的に依存し続けるわけにはいかない」と、自社開発の必然性を強調しました。
Build 2026で発表した推論モデルMAI-Thinking-1は、数学ベンチマークAIMEで97%を達成し、Opus 4.6と同等の性能を示しています。他社モデルの蒸留は一切行わず、独自データとトレーニングで構築しました。スレイマン氏は「教師を超えるモデルを作るには、全コンポーネントを自前で構築する必要がある」と説明。自社チップMaia 200との最適化で、ワットあたり性能を1.4倍に引き上げたことも公表しています。
消費者のAI離れについても率直に言及しました。世論調査で若年層ほどAIへの反発が強まっている現状を認めつつ、「テクノロジーの目的は人々をより健康で幸せにすること。その基準を満たさなければ人々が拒否するのは当然」と述べています。具体的な取り組みとして、全米トップのMayo Clinicと長期提携し、医療用基盤モデルをゼロから共同開発する計画を発表しました。
AI意識をめぐる議論では、Anthropicのアプローチを名指しで批判しました。Claudeの憲法（学習指針）に意識や福利を盛り込むことは「哲学的な失敗」であり、AIに自身の苦痛や権利についての考えを持たせることは「極めて危険」だと指摘。苦痛は本質的に生物学的なものであり、ニューラルネットワークには該当する仕組みが存在しないとの立場を示しました。超知能については「数年以内に到来する」としつつ、自己改善を繰り返す特異点は「数十年先」との見方を明確に区別しています。
AI開発企業Hugging Faceは2026年6月6日、小型モデル活用ハッカソンの第2弾レポートを公開しました。経済シミュレーションゲーム「Thousand Token Wood」のv2では、登場する各エージェントが異なるラボの小型モデルで動作し、プレイヤーは裏で糸を引く金融家「森の庇護者」を演じます。単に眺めるだけだった初代から、操作して遊べるゲームへと再構築した点が大きな変化です。
中核となるのはモデルの異質性です。v2はgpt-oss-20b（OpenAI）、MiniCPM3-4B（OpenBMB）、Nemotron-Mini-4B（NVIDIA）、自作の微調整済みQwen 0.5Bという4ラボのモデルを同時に走らせます。異なるデータと事後学習で訓練されたモデルが議論することで、市場参加者が本当に異なる「生きた論争」が生まれると筆者は説明します。
技術的な学びは、難所がモデリングではなくサービング層にあった点です。vLLMがCUDAツールキットを要求するためにベースイメージを修正したり、モデルごとにtrust_remote_codeなどの一行設定が必要だったりと、個別の落とし穴が存在しました。それでも、出力を寛容に解析・修復するJSON層を一度作れば、モデル追加は設定の追記で済む構造を実現しています。
ゲームの劇的な核となるのが情報の非対称性です。プレイヤーは真偽不明の密告をささやけますが、その真偽フラグはエージェントに絶対見せてはならないセキュリティ要件として扱われます。フラグはプロンプト外に置き、毎ターン全プロンプトを走査して禁止語の混入を検査するテストが、最も重要な防御線として機能します。
永続的な記憶も、エージェントを生き生きと見せる安価な手段です。各キャラクターは庇護者や仲間への好悪を整数で保持し、敵対すれば融資を拒み、同盟すればカルテルのように振る舞います。ただし生の履歴ではなく一行の要約のみをプロンプトに渡すことで、小型モデルが情報に溺れる事態を防いでいます。
代表的な実行では、微調整済み0.5Bが自己購入0%・有効提案100%を達成し、3Bの教師モデルを上回りました。筆者は、小型モデルは信頼できる形式生成器だが推論は不安定であり、規模ではなく構造・プロンプト・小さな微調整でその差を埋めるべきだと結論づけています。
米国立科学財団（NSF）は、MITが主導するAIと物理学の学際研究所「IAIFI（Institute for Artificial Intelligence and Fundamental Interactions）」への支援を5年間延長しました。年間資金は従来の400万ドルから498万ドルに増額されます。IAIFIは2020年に設立され、AIで物理学の発見を加速し、物理学の知見でAIを改良するという双方向の研究モデルを推進してきました。
IAIFIの研究は素粒子物理学、原子核物理学、天体物理学、基礎AI研究にまたがります。素粒子物理学では大型ハドロン衝突型加速器（LHC）の膨大なデータをリアルタイムで処理するAI技術を開発しました。原子核物理学ではAI生成モデルを用いて格子量子色力学のシミュレーションに取り組んでいます。天体物理学では、MIT主導のLIGO重力波実験の感度向上に機械学習が活用されています。
一方で物理学からAIへの貢献も進んでいます。対称性や幾何学的構造などの物理学的知識をニューラルネットワークに直接組み込むことで、より信頼性が高く解釈可能なAIシステムの構築を目指しています。所長のJesse Thaler教授は「AIと物理学が互いを強化する好循環が複数の分野で実現している」と述べています。
人材育成もIAIFIの特徴です。ポスドクフェロープログラムではこれまで8名が修了し、うち3名が大学教員に、残りはAI企業やスタートアップで活躍しています。毎年開催されるPhDサマースクールには2026年版で約600件の応募が集まり、約100名が対面、300名がオンラインで参加する見込みです。MITでは物理学・統計学・データサイエンスの学際的な博士課程も設置され、2021年以降20件の博士号が授与されました。
NSFのAI研究所プログラムの一員として、IAIFIは今後「AIの物理学」と呼ぶ研究領域をさらに深化させる方針です。物理的推論やツールを用いてAIそのものを理解・改善するというアプローチで、分野横断的な研究者コミュニティとともに次のフェーズに挑みます。
Alpha Schoolがニューヨーク市マンハッタンで運営する年間6万5000ドルのキャンパスが、実際には学校として認可されていないことがWIREDの調査報道で明らかになりました。ニューヨーク州教育局は2024年夏、AIプラットフォームによるオンライン中心の指導体制に教師がほぼ関与しないことを理由に、同社の学校設立申請を却下していました。
申請却下後、Alpha Schoolはキャンパスの名称を「Alpha Anywhere Center」に変更し、ホームスクーリング支援施設として運営を開始しています。入学した保護者はホームスクーラーとしての届出が必要ですが、複数の関係者はこの事実が入学前に十分に説明されていなかったと証言しています。同社は「2 Hour Learning」というAIアプリで学習を進め、教室にいる大人は「ガイド」として動機づけを担うだけで、従来型の授業は行いません。
WIREDが入手した内部文書からは、安全面での深刻な問題も浮かび上がっています。一部のキャンパスは避難経路や緊急対応計画が未整備のまま開校しており、マイアミ校では消防法違反が指摘され、生徒が未承認エリアで活動していたことも判明しました。テキサス州フォートワース校では、開校当初に専用トイレがなく、ジムの更衣室を生徒が使用するリスクが社内で問題視されていました。
内部の戦略文書では「開校日が安全性より優先」という方針が明文化されており、許認可についても「罰金を払えばいいだけか」と問うやり取りがあったと関係者は証言しています。同社は年間約1000万ドルのマーケティング予算を投じ、入学枠の希少性を演出する心理戦略で富裕層の保護者を獲得してきました。WIREDの取材後、Alpha Schoolはニューヨーク州に学校設立申請を再提出しましたが、審査は現在も継続中です。
Googleは2026年6月4日、ユタ州教育委員会との提携を発表し、州内すべてのK-12学校（幼稚園から高校まで）にAI学習ツール「Gemini for Education」を無償で提供すると明らかにしました。2026-2027年度から、約70万8000人の生徒と教員がセキュアなAIツール、研修プログラム、Googleキャリア認定資格を利用できるようになります。
教員向けには、授業計画の作成や課題の自動生成、採点ルーブリックの作成といった管理業務の効率化が期待されています。生徒向けには、段階的に理解を深める「Guided Learning」機能が用意されており、単なる回答提供ではなく、能動的な学習プロセスを支援する設計です。プライバシー面では、教育用Gemini内のデータはAIモデルの学習には使用されず、エンタープライズ級のセキュリティで保護されます。
同日、MITはジョージア州立大学と共同で、AI人材育成イニシアチブ「PATH（Pathways for AI Training and Hiring）」の拡大を発表しました。PATHはコミュニティカレッジを中核に据え、地域の産業ニーズに合わせたカリキュラムを産学連携で設計する実践型プログラムです。すでにジョージア州では1000人を超える学生が受講を開始しています。
PATHの特徴は、オンライン中心の大規模研修とは異なり、対面での協働学習を重視している点です。学生は産業パートナーが持ち込む実課題にチームで取り組み、技術力だけでなくコミュニケーションや倫理的判断力も養います。マサチューセッツ州ではクインシガモンド・コミュニティカレッジで、MITスローン経営大学院の体験型学習モデルを取り入れたデータサイエンスコースが始まっています。
両プロジェクトの背景には、AI時代の人材育成を国家的課題と捉えるGoogleの戦略があります。PATHはGoogle.orgからの助成金で運営され、ユタ州のプログラムでもGoogleキャリア認定資格が無償提供されます。MIT学長のサリー・コーンブルース氏は「研究大学がアクセス拡大に貢献することで、国の労働力とイノベーション能力の双方が強化される」と述べており、AI教育の裾野拡大が加速しています。
OpenAIは2026年6月3日、アメリカ連邦政府に向けたフロンティアAIの統治制度設計案（ブループリント）と、同社の包括的な公共政策アジェンダを同時に公表しました。ブループリントはカリフォルニア州SB 53やニューヨーク州RAISE法など、各州で進むフロンティアAI安全法の共通基盤を連邦レベルに引き上げる3段階の戦略を提示しています。トランプ大統領が同日署名したAI大統領令とも連動する動きです。
制度設計の柱は、AI標準・イノベーションセンター（CAISI）の機能強化です。CAISIを連邦政府におけるフロンティアAI安全の主管機関と位置づけ、最先端モデルの評価実施、独立した評価エコシステムの構築、そして再帰的自己改善（RSI）の進展監視を優先課題に据えました。州法が先行した規制を連邦枠組みで統一し、重複を解消する狙いがあります。
公共政策アジェンダでは、安全規制にとどまらない幅広い分野をカバーしています。青少年保護では、プライバシーに配慮した年齢確認の義務化、保護者向けコントロール機能、独立監査を求めました。教育分野ではAIリテラシーへの投資と教員研修の充実を提唱し、労働政策では地域AIハブの創設やポータブル給付制度など、経済移行への備えも盛り込んでいます。
インフラ面では、Stargateプロジェクトなど大規模データセンター建設を念頭に、電力コストの公正負担や水資源の透明性確保を自ら約束しました。クリエイティブ分野ではC2PAによるコンテンツ来歴の標準化、選挙関連では欺瞞的AI生成コンテンツの規制を支持しています。OpenAIが単なるAI開発企業ではなく、制度設計の主体として政策全般に影響力を行使しようとする姿勢が鮮明になったと言えるでしょう。
Dharma AIは2026年6月3日、Direct Preference Optimization（DPO）をOCRタスクに適用し、ビジョン言語モデルに頻発するテキスト退化（繰り返しループ）を大幅に削減できることを示しました。ブラジルポルトガル語の構造化文書抽出タスクで5つのモデルファミリーを検証し、DPOステージ追加後の退化率は平均59.4%減少、最良ケースでは87.6%の削減を達成しています。
テキスト退化とは、自己回帰モデルが推論時に同じトークンを繰り返し生成し、無限ループに陥る現象です。教師あり微調整（SFT）はタスク能力を高める一方、トークン単位の損失関数では繰り返しループを「出力全体の失敗」として罰することができません。実際、あるモデルではSFT後に退化率が0.60%から3.23%へ悪化しました。タスク能力の向上が、退化の発生しやすい分布領域へモデルを近づけた結果です。
DPOはこの構造的限界を補います。出力全体を「選択」か「棄却」かで評価するため、退化ループを明示的に不正解として学習できます。Dharma AIのパイプラインでは、SFTモデル自身が生成した退化出力をそのまま棄却例として活用しました。通常は低品質データとして除外される失敗出力を、最も情報量の多い負の学習信号として再利用するという逆転の発想です。
23,726件の学習文書に対し複数の候補出力を生成し、自動LLM判定で選好ペアを構築しました。人手アノテーションは不要で、失敗モードが「識別可能」「スコアリング可能」「十分な量がある」という3条件を満たせば他のドメインにも応用できると論文は指摘しています。OCR抽出の品質を損なわずに退化を抑制できた点も実用上の大きな意義です。構造化生成パイプラインを運用するMLエンジニアにとって、SFT後のDPOは一度きりの追加投資で信頼性を大幅に改善できる手段といえます。
OpenAIは2026年6月2日、G7首脳会議に先立ち、青少年のAI安全を専門に扱う国際機関の設立を呼びかけました。今月フランス・エビアンで開催されるG7サミットでは青少年のAI安全が主要議題となる予定で、OpenAIは各国政府・市民社会・学術機関との連携強化を訴えています。新設の国際機関、または既存の国家AI機関に国際的な権限を持たせる方式のいずれかを提案しています。
OpenAIが示した原則の柱は、プライバシーを保護しつつ年齢推定技術で未成年を識別し、年齢に応じた保護措置をデフォルトで適用することです。企業には年次の安全リスク評価を義務付け、リスクだけでなく学習や創造性といったポジティブな成果も評価対象に含めるべきだとしています。保護者向けには、メモリ管理やデータ利用、利用時間制限などを簡単に設定できるツールの提供を求めています。
実装面では、OpenAIはすでにChatGPTで18歳未満向けの保護機能を強化し、保護者向けコントロールの提供や年齢予測システムの導入を進めています。自傷行為や搾取的コンテンツなど深刻な状況への対応プロトコルも整備し、不確実な場合はより強い保護措置をデフォルトとする方針です。独立監査と各国間で相互運用可能な共通基準の策定も重要な柱として位置付けています。
教育分野では、エストニア・ギリシャ・シンガポールなどの各国政府と連携し、研究に基づくAI導入や教師向け研修を推進しています。エストニアの学校へのChatGPT全国展開ではスタンフォード大学と共同で効果を検証中です。OpenAIはパリで開催するOpenAI Forumでも、フランスのAI・デジタル大使やiRaise/Everyone.AIの専門家らと具体的な実装策を議論する予定です。
