Falcon（基盤モデル）に関するニュース一覧

Robinhoodの共同創業者Baiju Bhatt氏が率いるCowboy Space Corporationは、宇宙データセンター向けロケットの自社開発を目的としたSeries Bラウンドで2億7500万ドルを調達しました。ポストマネー評価額は20億ドルで、Index Venturesがリードし、Breakthrough Energy VenturesやConstruct Capitalなどが参加しています。同社は以前Aetherfluxとして宇宙太陽光発電事業で創業しましたが、軌道上データセンターへとピボットしました。

自社ロケット開発に踏み切った理由は、既存の打上げサービスでは容量が圧倒的に不足しているためです。SpaceXのStarshipは開発段階にあり、商用利用可能になっても自社衛星事業が優先される見込みです。Blue OriginのNew Glennも4月の3回目の打上げで衛星投入に失敗しており、外部の打上げ手段に依存する限り、地上データセンターとコスト競争できる規模には到達できないとBhatt氏は判断しました。

技術面での最大の特徴は、ロケットの第2段にデータセンター衛星を直接組み込む設計です。通常のロケットがペイロードを分離して軌道投入するのに対し、第2段そのものが衛星として機能します。各衛星は質量2万〜2万5000kg、1MWの発電能力を持ち、約800基のGPUを搭載する計画です。ロケットの推力はSpaceXのFalcon 9をやや上回る規模を想定しています。

同社はBlue Origin出身の推進系エンジニアWarren Lamont氏やSpaceX出身の打上げディレクターTyler Grinnell氏など、宇宙産業の経験者を採用しています。ロケットエンジンも自社開発する方針で、試験・製造・打上げ施設の整備を進めている段階です。2028年末までの初打上げを目指しています。

宇宙データセンター市場では、GoogleのSuncatcherが2030年代半ばを目標としており、Starcloudはセンサー向けのエッジ処理から事業を開始する戦略をとっています。Cowboy Spaceはロケットからデータセンターまでを垂直統合する独自路線で、SpaceXやBlue Originと直接競合する構えです。AI計算需要の急増と地上のインフラ制約が強まる中、Bhatt氏は市場規模の大きさから複数プレイヤーが共存できると述べています。

ロサンゼルスのスタートアップOrbitalが、AI推論に特化した宇宙データセンターの構築計画を発表しました。Andreessen Horowitz(a16z)の支援を受け、太陽光発電で稼働するGPU搭載小型衛星を低軌道に打ち上げ、地上データセンターが直面する電力不足を回避する構想です。創業者のEuwyn Poon氏は「地上の電力容量では足りない。唯一の道は宇宙だ」と語っています。

計画では、テニスコート大のソーラーパネルと同等サイズの放熱パネルを備えた冷蔵庫サイズの衛星を最大1万基配備します。各衛星は約100キロワットの電力でGPUサーバーラックを駆動し、衛星間はレーザー光通信で接続されます。ユーザーのリクエストは地上局から衛星に転送され、処理結果が同じ経路で返される仕組みです。

推論に特化している点は技術的に合理的です。大規模モデルの学習にはGPUクラスタの密結合が必要ですが、推論は1リクエストあたりの計算負荷が小さく、独立したノードへの分散が容易です。衛星1基あたり100キロワットに抑えることで設計も大幅に簡素化されるとPoon氏は説明しています。成功すればOpenAIやAnthropicといった大手AIラボにAPI経由で推論能力を提供する計画です。

一方、宇宙ならではの課題は山積しています。放射線がGPUにビットフリップなどのエラーを引き起こすリスク、空気のない環境での放熱の難しさ、故障時の修理困難性が大きな壁です。テキサスA&M;大学のAmit Verma教授は、チャットボットやレコメンド機能には数十ミリ秒の遅延は許容できるものの、リアルタイム株式取引のような用途には不向きだと指摘しています。

Orbitalは2027年にSpaceXのFalcon 9で試験衛星を打ち上げ、軌道上でのGPU稼働と商用推論処理を検証する予定です。2028年にはロサンゼルスに製造施設を建設する計画ですが、工学物理学者のAndrew Côté氏は宇宙データセンターの実用化には少なくとも10〜20年かかると予測しており、Orbitalの工程表は野心的と言えるでしょう。

NeuBird AIは2026年4月6日、AIエージェントによるインフラ障害の予防・検知・修復を自動化する次世代プラットフォーム「Falcon」を発表しました。同時に1930万ドル（約29億円）の資金調達も公表しています。従来の「インシデント対応」から「インシデント回避」への転換を掲げ、SREやDevOpsチームの運用を事後対応型から予測型へ移行させることを目指します。

同社の調査レポートによると、経営層の74%がAIによるインシデント管理を実施していると考える一方、現場エンジニアでそう認識しているのはわずか39%にとどまります。エンジニアリングチームは平均して業務時間の40%をインシデント管理に費やしており、83%の組織でアラートが無視される事態も発生しています。44%の企業が過去1年間に、抑制されたアラートに起因する障害を経験しました。

Falconは前世代の「Hawkeye」と比較して3倍の速度を実現し、信頼度スコアは平均92%に達しています。最大の特徴は72時間先までの障害予測機能で、24時間以内の予測精度はさらに高くなります。Advanced Context Mapと呼ばれるリアルタイムの依存関係可視化機能により、障害の影響範囲を即座に把握できます。また、CLIベースのデスクトップモードを搭載し、Claude Codeなどのコーディングエージェントとの連携も可能です。

セキュリティ面では、LLMがデータに直接アクセスしない「コンテキストエンジニアリング」方式を採用しています。NeuBird AIがデータアクセスのゲートウェイとなることで、モデル非依存のアーキテクチャを実現しました。さらに、熟練エンジニアの暗黙知をスキルとして体系化する「FalconClaw」も同時発表され、15のスキルを搭載したテクニカルプレビューが公開されています。

資金調達はTemasek傘下のXora Innovationが主導し、Mayfield、M12、StepStone Group、Prosperity7 Venturesが参加しました。累計調達額は約6400万ドルに達しています。創業者のGou RaoとVinod Jayaramanは、Pure Storageに買収されたPortworxやDellに買収されたOcarina Networksの共同創業者であり、その実績が投資家の信頼を集めています。

Open Cybersecurity Schema Framework（OCSF）は、セキュリティイベントデータの記述方法を統一するオープンソースフレームワークです。2022年にAWS・Splunkが発表し、現在は900人超の貢献者を擁する業界標準へと成長しています。

セキュリティ運用の現場では、異なるツールが同じ概念を別々のフィールド名や構造で表現するため、データの正規化に膨大な時間がかかります。OCSFはベンダー中立の共通データモデルを提供し、SIEM・データレイク・分析パイプライン間の変換コストを削減します。

AWS Security LakeやSplunk、CrowdStrike Falcon、Palo Alto Networksなど主要セキュリティ製品がOCSFに対応済みです。抽象的な標準規格から実運用のインフラへと移行した点が、従来の業界標準との大きな違いです。

AI基盤の普及により、LLMゲートウェイやエージェント実行環境、ベクトルストアなど新たなテレメトリ源が増加しています。AIアシスタントが誤ったツールを呼び出したり機密データにアクセスしたりするセキュリティイベントを、システム横断で把握する必要性が高まっています。

OCSFはバージョン1.5.0から1.7.0でAI関連の異常行動検知やツール呼び出しの追跡機能を追加しました。開発中の1.8.0では、トークン数の急増からプロンプトインジェクションや情報漏洩の兆候を検知する仕組みが計画されています。

UAE・技術革新研究所（TII）のFalconチームは2026年4月1日、画像認識・セグメンテーション・OCRを単一のTransformerで処理するオープンソースモデル「Falcon Perception」を公開しました。パラメータ数はわずか6億で、従来のパイプライン型システムに代わる統合的なアプローチを提案しています。

Falcon Perceptionの最大の特徴は、画像パッチとテキストトークンを最初の層から同一のパラメータ空間で処理する「早期融合」アーキテクチャです。画像トークンには双方向注意、テキストトークンには因果的注意を適用するハイブリッドマスクにより、1つのモデルで視覚エンコーダとテキストデコーダの両方の役割を果たします。

オープン語彙セグメンテーションベンチマークSA-Coでは、Macro-F1で68.0を達成し、Meta社のSAM 3の62.3を上回りました。特に属性認識で+8.2、食品・飲料カテゴリで+12.2と大きな差をつけています。一方、存在判定の精度（MCC 0.64対0.82）ではSAM 3に及ばず、今後の改善課題として示されています。

同時に発表されたFalcon OCRは0.3Bパラメータの文書認識モデルです。olmOCRベンチマークで80.3点、OmniDocBenchで88.6点を記録し、DeepSeek OCR v2やGPT 5.2を上回る性能を示しました。オープンソースOCRモデルとして最高のスループットを実現し、vLLM統合によりA100上で毎秒2.9画像を処理できます。

チームは性能評価のため、能力別に分類した診断ベンチマーク「PBench」も公開しました。単純な物体認識（L0）から関係推論（L4）まで5段階に分かれ、Falcon Perceptionは空間理解でSAM 3に+21.9点、OCR識別で+13.4点と、プロンプトが複雑になるほど差が拡大する結果となっています。

学習には5400万枚の画像と1億9500万の正例表現、4億8800万のハードネガティブを使用しました。3段階の学習レシピにより、シーン理解からタスク特化、高密度シーン対応へと段階的に能力を獲得させています。モデルとコードはHugging Faceで公開されており、Apple Silicon向けのMLX統合やDockerサーバーも提供されています。

RSAC 2026において、CrowdStrike CEOのジョージ・カーツ氏は攻撃者の最速突破時間が27秒に短縮したと発表しました。企業端末では1800種以上のAIアプリケーションが稼働し、約1億6000万のインスタンスが検出されています。AIエージェントの急増がSOC運用に深刻な影響を与えている実態が明らかになりました。

Ciscoの調査では企業の85%がAIエージェントの試験導入を進めている一方、本番運用に移行できたのはわずか5%にとどまります。この80ポイントの差は、どのエージェントが稼働しているか、何を許可されているか、問題発生時の責任者は誰かといった基本的な問いにセキュリティチームが答えられないことに起因しています。

深刻な事例として、英国企業CEOのOpenClawインスタンスがBreachForumsで2万5000ドルで売りに出されました。AIアシスタントとの全会話履歴、本番データベース、APIキーなどが暗号化されずに平文で保存されていたためです。Cato Networksの調査ではOpenClawのインターネット公開インスタンスが約50万件に達し、うち1万5200件が既知の脆弱性で攻撃可能な状態です。

各ベンダーはRSAC 2026で対策を発表しました。CiscoはSplunk ES向けの6種のAIエージェントとオープンソースの防御フレームワーク「DefenseClaw」を公開。CrowdStrikeは買収したOnumの技術をFalconに統合し、パイプライン段階でのリアルタイム検知を実現しました。Palo Alto NetworksはPrisma AIRS 3.0でエージェント専用のレジストリと実行時監視を導入しています。

しかし、いずれのベンダーもエージェントの正常行動の基準値を提供していません。人間とエージェントの活動をログ上で区別できない環境が多く、正規の認証情報を持つ侵害済みエージェントがアラートを発生させずに動作する危険があります。OWASP Agentic Skills Top 10がClawHavocを主要事例として公開され、業界標準の整備が始まっています。

企業が直ちに取るべき対策として、全端末のAIエージェント棚卸し、OpenClawのローカルホスト限定設定、既知CVE3件への対応、不要なゴーストエージェントの無効化、そしてエージェントの行動基準策定が挙げられます。エージェントが生成するアラートへの対応速度が、今後90日間のSOC運用の成否を分けることになります。

UAE・アブダビに拠点を置くTechnology Innovation Institute（TII）が発表したFalcon H1R 7Bは、わずか70億パラメータながら50B〜70Bクラスのモデルに匹敵する推論性能を達成した。この成果は「より大きなモデルがより賢い」という業界の常識を根本から覆す可能性を持つ。

性能の源泉はハイブリッドアーキテクチャにある。従来のTransformerとは異なる設計により、パラメータ当たりの情報密度が飛躍的に向上している。具体的な技術的詳細はまだ限定的に公開されているが、Mamba-Transformerの混合型に近い設計と見られている。

同時に発表されたFalcon-H1-Arabicは、アラビア語AIの能力向上に特化したモデルで、中東・北アフリカ地域での言語的AIアクセスの不均衡是正を目指している。英語中心のAI発展に対するバランスとして重要な取り組みだ。

実用上の意味は大きい。推論コストは概ねモデルサイズに比例するため、7Bモデルで70Bの性能が得られれば約10分の1のコストでサービスを運用できる。エッジデバイスへのデプロイも実用的な選択肢となり、オフラインAI処理の可能性が広がる。

小型高性能モデルの競争は、Microsoft Phi・Google Gemma・Meta Llama-3・Mistralなど複数の有力モデルが参戦しており、エッジAI時代の主役を巡る争いが激化している。Falcon H1Rの登場はこの競争にさらなる刺激を加えるものだ。