Microsoftは、企業がAIを本番導入する際、モデルだけでなく計算容量やインフラも含めて選ぶ必要があると説明しました。用途ごとに性能、利用率、予測可能性、コストが異なるため、単一モデル・単一方式では対応しにくくなっています。
需要が変動する業務にはトークン単位の従量課金が適し、安定した需要や厳しい遅延要件がある業務には専用容量が選択肢になります。専用環境ではGPU稼働率や処理量も含めて実効コストを見積もる必要があります。
Microsoft FoundryのManaged Computeでは、顧客がモデル、アクセラレーター、容量、動作条件を選びつつ、基盤の配信環境の多くをMicrosoftが管理します。これにより運用保守の負担を抑え、業務に関わる選択を維持できるとしています。
記事はAMDのMI300Xを例に、GPU当たり192GBのHBM3を使い、3200億パラメーターのZ.ai GLM 5.3 Flashを4基から提供できると説明します。AT&T;の通信向けAI施策も複数のオープンモデルを使う例として紹介されています。
NVIDIAは、エージェント型AIの処理を担うVera CPUについて、処理速度と電力当たりの収容能力を両立すると発表しました。AIエージェントはGPUで推論するだけでなく、検索やデータベース照会、コード実行などでCPUも使います。
同社が示した100メガワットのデータセンター比較では、Veraは最速のx86 CPUより毎ワット当たり1.6倍多くエージェントを処理しました。最も電力効率の高いx86 CPUと比べると、エージェント処理速度は2倍としています。
初期利用企業の試験では、Perplexityがエージェント型コーディングを従来CPUより1.5倍速く実行しました。DeepInfraは自社の本番向け処理で、比較した4構成のうち最速となり、最大2.2倍の速度を報告しています。
Daytonaは2000個の同時サンドボックスで毎秒12.7件のジョブを完了し、x86構成より起動時間も短縮したとされています。これらは各社が公表した特定の試験結果で、実運用では処理内容に応じた比較が必要です。
NVIDIAは、巨大モデルや長い文脈、AIエージェントの普及でGPUメモリーへの負荷が増すなか、GPUからストレージまでを一体設計する方法を紹介しました。高速だが高価なHBMだけに頼らず、CPUメモリーやSSD、共有ストレージを組み合わせます。
推論時にはモデルの重みと、会話履歴を保持するKVキャッシュがHBMを取り合います。容量を増やしても帯域幅が追いつかなければ処理速度は上がらず、追加コストや消費電力だけが増える場合があります。
同社はNVFP4で重みやKVキャッシュを圧縮し、使っていない文脈を低コストの記憶階層へ移す手法を挙げました。検索拡張生成の索引はHBM外で扱い、必要な文章だけをモデルに渡します。
NVIDIAによると、Vera RubinはBlackwell Ultraに比べGPU当たりのHBM容量が約3％増える一方、AgentXのエージェント処理量はドル当たり最大30倍になりました。性能値は同社が示した特定のベンチマークに基づきます。
Hugging Faceは、Transformersのモデル統合テストを共通化する「Model Integration Contract（MIC）」を提案しました。実モデルの構成を保ちながら小型化したテスト用モデル、実際の利用手順、確認済みの出力基準値を組み合わせます。
背景には、750超のモデル形式を支える大規模なテストを、すべての変更ごとに実GPUで動かすのは難しいという課題があります。MICでは軽量なモデルを一度作って固定し、CPU上で生成や学習などの利用経路を検証します。
事例では、2026年7月にT5向けの注意機構を変更した際、UMT5デコーダーが学習時に未来のトークンを参照する不具合が発生しました。小型UMT5のMICは、修正が入る9月28日までの該当コミットで回帰を検出し、出力確率や損失の差を示しました。
実証では、該当するT5契約のCI実行はCPUで13.4秒でした。MICは完全な統合テストを置き換えるものではなく、変更の段階で問題を見つける補助として提案されており、現時点ではCI上で失敗を報告する運用です。
NVIDIAは11月3日、自治体や協業企業と物理AI、AIエージェントを各国の都市サービスへ広げる事例を発表しました。共有計算基盤や既存のカメラ・運用データを生かし、行政サービスや都市計画、インフラ運用を支援します。
スペインでは1MillionBotが自治体向けエージェントを150超の導入先に展開し、手続きや予約、都市計画の問い合わせに対応します。マレーシアのITMAXは交通管理向けの視覚AIを拡大し、2027年までに1万7000台超のカメラを支援する計画です。
ITMAXは交通シミュレーションで信号制御を試し、ピーク時の幹線道路の移動時間を最大26％短縮したとしています。ポーランドのヴロツワフでは既存カメラ映像を分析し、交通、安全、イベント対応に同じ基盤を使う計画です。
台湾では都市緑化計画の環境影響をデジタルツインで評価し、15年後の効果を10分でシミュレーションする事例が紹介されました。モロッコの港やナイジェリアの製油所でも、作業者の安全、混雑、設備運用を支援するAI基盤が整備されています。
オープンウェイトAIモデルの性能が向上し、推論コストも下がる中、企業にとっての論点は、特定の提供会社に依存しすぎないことです。記事は、モデル選定を二者択一とせず、用途や運用体制に応じて組み合わせる戦略を提案しています。
自社環境でモデルを動かせば、データの所在や挙動を管理しやすくなります。外部APIへの送信が難しい医療、法務、金融などの分野では選択肢になり、独自データによる調整や提供会社の方針変更への備えにもつながります。
ただし、オープンウェイトはオープンソースと同じではなく、学習データやコード、ライセンスが得られない場合があります。安全策の維持や不具合への対応も利用企業側の負担となり、調整によって安全策が弱まる可能性にも注意が必要です。
埋め込み、分類、個人情報検出など範囲が明確な仕事では、小型の専用モデルが低コストで役立つ場合があります。多くの企業にとっては、GPUや本番環境を自前で管理するより、FireworksやTogether AIのような推論事業者を使う方が現実的だと記事は述べています。
最先端の閉鎖型モデルは高い性能を提供し、オープンモデルは推論速度や運用に別のコストが生じることがあります。顧客向けか社内業務かを含めて用途を評価し、モデル自体より、その上に構築するアプリやデータ、業務文脈に競争力を見いだすべきだとしています。
Breakthrough ListenとSETI Instituteは、カリフォルニア州のAllen Telescope Arrayによる地球外知的生命探査にAIエージェントを導入しました。研究者は自然言語の指示で望遠鏡の操作、観測データの補正、AIモデルによる解析を一連の流れで実行できます。膨大な電波データから信号候補を探す作業の迅速化と柔軟化を目指します。
望遠鏡のデータはNVIDIA Holoscanを使って処理され、DAQIRIが毎秒テラビット級のセンサーデータをGPUメモリーに直接取り込みます。データをディスクに蓄積し終えるのを待たず、観測中に処理する仕組みです。信号処理にはSETI Instituteが開発したCyberEtherとNVIDIAのCUDA-Xライブラリーを使います。
観測所を統括するウェブシステムNexusは、機器の状態や計算資源、処理パイプラインの情報をまとめ、エージェントが操作するための基盤となります。研究者は自然言語で処理ブロックを変更し、データ欠損の監視やスペクトログラムの確認もできます。NVIDIA RTX PRO 6000 Blackwell GPU上で毎秒2.4テラビットを処理し、推論は望遠鏡の近くで実行するとしています。
この仕組みは、望遠鏡のアンテナ操作や校正、焦点調整、データエラーの修正、結果の可視化を支援します。チームは、人間なら数週間から数年かかる作業を数時間に圧縮できると説明しています。すでに、かに星雲のパルサーをリアルタイムでAI検出する初の成果を挙げました。
今後は、データを現地で処理する必要があるケースや応答時間が重要な用途に向け、NVIDIA Nemotronなどのオープンモデルを評価します。将来的には月の裏側に設置され、通信が限られる観測所での稼働も想定しています。
AIインフラ企業Runwareは、ルーマニアの工場でモジュール型データセンターを自動車のように生産ラインで組み立てる計画です。共同創業者兼CEOのフラビウ・ラドゥレスク氏は、2028年までに1日当たり30メガワット分の生産能力を目指すとTechCrunchに語りました。
同社は現在、ポッドを製造してきた工場に加え、今年建設を始めた2カ所目の工場を数カ月以内に完成させ、来年初めに稼働させる見込みです。生産拡大は来年から段階的に進めるとしています。
ポッドは顧客の敷地に設置するか、Runwareが設置場所を探し、据え付け後48時間以内の稼働を目指します。48時間は製造時間を含まず、同社によれば製造期間は従来の3週間から、増産に伴い近く1日に短縮する計画です。顧客は計算資源を借りることも、自社GPUを持ち込むこともできます。
同社は外部顧客への販売開始から1カ月で、20メガワット超に相当する10億ドルの購入意向を得たと説明しています。一方、工場の増産には人員や在庫、物流、資金が必要で、ポンプやファンなど一部部品はドイツから調達し、ネットワーク機器はNvidiaに依存しています。
Runwareはこれまでに6000万ドル超を調達し、昨年12月の5000万ドルのシリーズA資金で工場を完成させる方針です。工場計画の実行力や部品供給が成否を左右する段階で、同社は来年初めの新工場稼働後、米国などへの展開も計画しています。
Microsoftは2026年10月、米国、英国、カナダ、インドの従業員約6万人を対象に、希望退職の募集を始めました。The Vergeによると、同社がこれほど大規模な対象に退職優遇策を提示するのは初めてで、従業員の約4分の1に当たります。AIインフラへの投資を続けるため、運営コストと人員を抑える取り組みの一環です。
今回の募集は強制解雇ではなく、勤続年数に応じた現金給付や株式の権利確定前倒し、一定期間の医療補助などを含む任意の退職制度です。対象者は12月までに判断する必要があり、応募人数はまだ分かっていません。
Microsoftは今年、約9000人を対象にした退職制度も実施し、対象者の3割超が受け入れました。今回の条件は通常の退職補償に近いとされ、記事は受諾率が前回より低くなる可能性を指摘しています。
同社の従業員数は6月末時点で約22万3000人と、前年から5000人減りました。数カ月前には約4800人を削減しており、希望退職の応募数は今後の人員計画や追加削減の判断にも影響しそうです。
サティア・ナデラCEOは、総人件費を下げる一方で従業員1人当たりのコストや研究者向けGPUを増やす考えを示してきました。人員を絞り、残る社員により多くのAI計算資源を配分する方針は、同社がAI中心へ組織を組み替える過程を映しています。
NVIDIAはRTX Sparkを搭載するWindowsノートPCがASUS、Dell、HP、Lenovo、Microsoft、MSIから発売されたと発表しました。GPUとCPUを一つのチップに統合し、最大128GBの共有メモリーと最大1ペタフロップのFP4 AI性能を備えます。価格は2599ドルからで、開発者やクリエーター、ゲーム利用者向けにAI処理とグラフィックス機能を提供します。
新機能として、録音音声を文字起こしし、翻訳や話者識別も行うNemotron 3.5 Transcribeが公開されました。NVIDIA Appでは、画面上で使うアプリとバックグラウンドのAIエージェントに割り当てるGPU資源を調整できます。
Liquid AIのLFM3オープンモデル群もRTX Spark上で利用でき、llama.cppやvLLMを通じて実行や追加学習が可能です。NVIDIAはローカルでモデルやエージェントを動かし、音声や文書を扱う用途を想定しています。
ゲームでは「Phantom Blade Zero」がレイトレーシングとDLSS 4.5に対応し、Minecraft Java EditionはRTX Remixを通じたパストレーシングに対応します。RTX SparkノートPCは厚さ14ミリ、重さ約1.4キロからとされ、バッテリー駆動中もAIモデルやクリエイティブ作業を扱えるとNVIDIAは説明しています。
アメリカの半導体大手Nvidiaが、インド・ベンガルールのAI推論基盤新興Simplismartによる1,400万ドルのシリーズBに参加したことが、2026年10月27日に明らかになりました。企業が既存のクラウドや自社設備でAIモデルを動かす際、速度・処理量・計算資源を用途別に調整し、高価なGPUの使用量と運用費を抑えるソフトに賭けた形です。
Nvidiaのほか、Accel、Shastra VC、Micromaxが参加し、Dallas Venture Capitalが調達を主導しました。新規資金を含むSimplismartの企業価値は約1億ドルです。
SimplismartのソフトはAIモデルと計算基盤の間に入り、応答速度、処理件数、計算資源の消費を顧客要件に合わせて調整します。自社基盤だけでなく、顧客のクラウドやオンプレミスでも動き、微調整、自動拡張、性能監視まで提供します。
導入実績では、AI動画生成のInVideoがGPU運用費を56％削減しました。直近の顧客利用額に基づく年間換算収益ペースは半年で14倍となり、8桁ドル規模に達しましたが、契約済みの継続収益とは異なります。
Nvidiaは自社のDynamo推論ソフトとの技術統合でも協業し、見込み客や提携先の紹介を支援しています。Simplismartは調達資金をアメリカ事業、採用、推論ソフト開発に充て、Nvidiaや大手クラウド各社も競う市場で顧客ごとの速度と費用の均衡を狙います。
NvidiaとOracleは2026年10月27日、Oracle Cloud Infrastructure（OCI）でVera Rubin NVL72と単体Vera CPUの一般提供を開始しました。両社はSuperclusterも数ギガワット規模へ拡張する計画です。AIモデル用GPUと、エージェントのコード実行や情報検索を担うCPUを別々に増減できる構成で、計算資源の稼働率向上を狙います。
効率性を問う背景には、VentureBeat Intelligenceの7〜9月調査があります。従業員100人以上の組織などを対象とする218人の回答者のうち79%がGPU稼働率50%以下と答え、低稼働と答えた層の70%がプラットフォーム変更を予定していました。ただし自己申告であり、ハードウェア監査の結果ではありません。
Veraは、モデル呼び出しの周辺でエージェントを調整し、隔離環境でコードを実行し、データを処理するCPUです。Oracleはベアメタルサーバーと柔軟な仮想マシンで提供し、GPU基盤とは別にCPUサービスを配置できると説明します。Nvidiaはエージェント関連のCPU処理で主要x86製品より最大80%高速と主張しますが、OCI実機ではなくベンダーの基準試験です。
OpenAIは、エージェントのサンドボックス処理向けにVeraをOCI上の本番環境へ導入すると表明しました。Oracleは検索、分析、エージェント調整、GPU群管理も用途に挙げており、自社で基盤モデルを学習しない企業でも大量のエージェント処理があれば検討対象になります。一方、外部モデルAPIの利用が中心なら、大規模GPU枠を持つ合理性は限定的です。
OracleはIntel Xeonを使う8 GPUのRubin NVL8も計画していますが、現時点で一般提供済みなのはNVL72で、NVL8は予定段階です。導入企業は、同一のエージェント業務を現行環境とVera構成で比較し、成功率、処理時間、CPU・GPU消費量、モデルAPI料金を含むタスク完了当たりの総コストを測る必要があります。提供地域は今四半期に選定地域へ広げるとされ、利用可能なインスタンス、地域、容量、価格の確認も欠かせません。
Liquid AIは2026年10月27日、企業が自社管理の端末やサーバーで使える小型マルチモーダルモデル群「LFM3」を公開しました。言語、画像・動画、音声、複合入力、構造化判断を扱う6モデルを約20億パラメータ級でそろえ、単一GPUで自社データに追加学習できる設計です。推論場所とデータ管理を選びやすくし、用途特化型AIの導入負担を下げる狙いです。
LFM3-1.7Bは、短い畳み込みと局所・大域注意を組み合わせる「トライハイブリッド」構成を採用しました。Liquid AIによると、前世代の2.6Bモデルよりパラメータを35％減らしながら、ブラウザ操作のWebArena-Verifiedで38.42点を記録し、Qwen3.5-9Bの28.94点を上回りました。
対応範囲は文章生成にとどまりません。画像・動画を読むLFM3-VL-2B、18言語の音声入出力に対応するAudio、視覚・音声・言語を統合するOmni、分類や抽出を確率付きで返すd1系を用意し、文書処理や問い合わせ振り分けなどの定型業務を想定しています。
小型化はそのまま低コスト運用を意味しません。4ビット量子化したテキストモデル本体は約1GBですが、長い文脈を扱う際のKVキャッシュやアプリ本体のメモリは別に必要で、公開版の256Kに対してAPI版の文脈上限は128Kです。
企業はまず、抽出項目や許可するツール操作を限定した業務で試すのが現実的です。性能値はLiquid AIの報告で独立検証ではなく、複雑な多段推論やエージェント型コーディングには非推奨とされています。年間売上高1,000万ドル超の企業は商用利用に別契約が必要なため、精度、失敗時の人手対応、機器費、ライセンス費を合わせて判断すべきです。
AI向け計算基盤を貸し出すネオクラウドのGeneral Computeは2026年10月27日、Blackbird VenturesとAbstract Venturesが主導するシリーズAで1億ドルを調達したと明らかにしました。推論処理に特化した半導体を使い、既存施設を活用する戦略で、大口顧客との年間経常収益1億ドルの契約を得たことが資金調達を後押しし、投資後評価額は8億ドルとなりました。
同社は多くの事業者がGPUを追う中、AIモデルの推論に特化した半導体へ軸足を置きました。SambaNovaから4億ドル相当の半導体を購入する契約に加え、PositronとCerebrasも供給元に加えています。
巨大データセンターを自前で建てず、小規模な電源、他社データセンターの賃借区画、旧ビットコイン採掘施設を組み合わせます。自前建設に伴う制約を避け、半導体を確保した際に設置先を用意しやすくする狙いです。
主な顧客は、開発者向けに高速な推論サービスを提供するクラウド企業です。General Computeはソフトウェアを載せないベアメタルのサーバーを提供し、半導体メーカーと推論サービス企業をつなぐ流通基盤の役割を担います。
2027年には75メガワット分の計算能力を稼働させ、200メガワットの電力へアクセスできる可能性を見込みます。ただし、必要な半導体と資金を全量確保できるとは限らず、最高経営責任者は負債と株式の両面で資金調達を続ける必要があると説明しています。
SpaceXは2026年10月26日、Apollo Global Managementが管理する事業体と、AI半導体やデータセンター設備を対象とする約400億ドルの資金調達契約を結んだと規制当局への提出書類で明らかにしました。Apollo側が機器を購入してSpaceXに貸し出す仕組みで、同社は従来の債券市場だけに頼らずAI基盤の増強資金を確保します。
契約の完了は2026年末までを見込み、GPUなどの納入に伴って2027年上期にリースが始まる予定です。契約期間は各機器の納入から約5年〜5年3カ月で、次世代GPUを長期リースで導入します。
Apolloによると、対象にはNvidiaの次世代GPU「Vera Rubin」が含まれ、SpaceXの地上計算基盤に使われます。同社の最高財務責任者は、この契約が資金調達先を分散し、Grokやクラウドサービス向けの計算能力拡大を支えると説明しました。
SpaceXはAIインフラ投資について、規模拡大に伴い回収期間が1年未満になっているとしています。2026年7〜9月期には、Grok、Cursor、クラウド計算事業を含むAI部門の売上高が76億ドルとなり、全社売上高146億ドルの半分を超えました。
一方、設備投資は前年同期の69億ドルから約200億ドルへ急増し、2026年10〜12月期だけで350億〜400億ドルを投じる見通しです。AI専業の計算基盤企業が債券市場で資金調達に苦戦する中、SpaceXはStarlinkと宇宙打ち上げ事業の安定収入を背景に、巨額のAI投資をリースで賄う形です。
米紙ニューヨーク・タイムズ出身の記者ケビン・ルース氏は2026年10月26日、The Vergeのインタビューで、著書『The AGI Chronicles』の取材を基に、OpenAIやAnthropic、GoogleがAGI（汎用人工知能）を目指す競争の内側を語りました。次単語予測の性能向上が続くとの信念が、巨額の計算資源投資と企業向け事業を動かしていると説明しました。
ルース氏は、Googleが2017年に発表したTransformerと大規模言語モデルの登場で、AGIが抽象的な夢から実行可能な目標へ変わったとみます。次単語予測は規模を拡大するたびに能力を伸ばしてきた一方、Google社内にはAGIを掲げるべきかを巡る対立が残ると指摘しました。
強い信念は経営上の両刃の剣です。採算や顧客獲得よりAGIを優先する危うさがある半面、OpenAIが計算資源を先行確保したような大勝負を可能にします。企業向けAIの売上は最終目的ではなく、GPU費用と研究者の給与を賄い、開発競争を続けるための原資だという見立てです。
同氏は、競争を動かす理由として「誰かが作るなら信頼できる自分たちが先に作る」という不可避論、技術への楽観、開発そのものの面白さを挙げました。ただ、サンフランシスコの数百人規模の小さな人脈が社会の進路を左右する状況には、幅広い市民参加が必要だとも認めています。
ルース氏はLLMがAGIに到達し得るとみる一方、聞き手のニレイ・パテル氏は、正解を検証しにくい現実世界での脆さと継続学習の不足を疑問視しました。対談は、現行AIの業務価値とAGI到達の見通しを分け、能力向上の仮定、計算コスト、ガバナンスを検証する必要性を浮かび上がらせました。
NVIDIAはカザフスタンでの活動に関連し、同国のAI計算基盤を拡張する複数の計画を紹介しました。Firebirdによる4万5000基のGrace Blackwell GPUを用いた初期計画には輸出許可が与えられ、Kazakhtelecomの拠点整備と結びついています。
Data Center Valleyは建設中で、初期稼働は2027年第3四半期を予定しています。さらに大きな電力容量を視野に入れた拡張案もありますが、計画と現在稼働している設備は異なります。
KazakhtelecomではH200やB300の導入実績に加え、追加のGPU整備が計画されています。AI向けの計算資源を増やし、地域での開発やサービス提供を支える狙いです。
NVIDIAはHiggsfieldへの投資も紹介しましたが、記事では金額は示されていません。今回の発表は複数の設備・投資計画をまとめたもので、将来の処理能力がすでに利用可能になったわけではありません。
VentureBeatの調査では、GPUの利用が低調な回答者でも、AI基盤への追加投資や置き換えを計画する割合が高いことが示されました。7～9月にGPU稼働状況を回答した218人のうち、79％が稼働率を半分以下としています。
低稼働の回答者の70％は、今後12カ月に新規または代替の計算基盤を導入する予定と答えました。高稼働の回答者では74％で、この差は統計的に有意ではありません。
記事は、手元のGPUが余っていても、希望するモデルや外部APIの利用をそのまま代替できるとは限らないと説明しています。既存設備の稼働率と、必要な機能や提供形態への支出は別の判断になり得ます。
結果は回答者の自己申告と将来の意向に基づきます。業界全体の稼働率や投資の因果関係を断定する調査ではなく、設備利用とサービス選択の関係を考える材料です。
OlmoEarth開発チームは2026年10月22日、衛星画像から地表の特徴を数値化するモデル「OlmoEarth v1.3」と、10メートル解像度の年次埋め込みデータ、ブラウザー分析ツールを公開しました。2023～2025年は陸地と沿岸域を全球規模で網羅し、登録やGPU、専門的な設定なしで、土地の変化把握や似た場所の探索を始められます。
モデルはSentinel-1のレーダー画像とSentinel-2、Landsatのマルチスペクトル画像を1年分読み、地球上の10メートル画素ごとに128次元のベクトルを生成します。先頭64次元だけを使う軽量版もあり、作物や土地被覆の地図作成、年ごとの変化検出を小さな分類器で処理できます。
AlphaEarth FoundationsとTessera v2を含む比較では、6大陸・27評価のうち128次元版が20件、64次元版が18件で最高点を取り、総合首位でした。重み、事前学習データ、コードも公開され、最終学習をH100のレンタル環境で再現する費用は約2,720ドルと見積もっています。
v1.3の学習計算時間はv1.2の53％、初代の18％に減り、炭素排出量もそれぞれ50％、22％でした。精度を保ちながら特徴量を再利用できるため、企業や研究者はGPUを使う個別の微調整前に、低コストで仮説を試せます。
Explorerでは地図を年ごとに切り替え、衛星画像で確認しながら、地点の類似検索や少数のラベルによる分類器の学習、GeoTIFFへの書き出しができます。年約150TBのアーカイブは2023～2025年が全球、2017～2022年は一部の国を対象とし、画像の出典も画素単位で追跡できます。
NVIDIAのジェンスン・フアンCEOは10月21日のGTC Berlin基調講演で、企業に自社の「AI工場」構築を提唱しました。一方、VentureBeat Intelligenceが9月に実施した調査では、本番AIを運用しGPU稼働率を回答した68社のうち55社（81％）が平均50％以下で、その71％が12カ月以内にAI基盤の新規導入・追加・刷新を計画しています。
調査対象102社全体でも63％が1年以内の基盤変更を予定する一方、財務部門が確認・承認したインフラROIを持つのは10％でした。導入予定層の91％に承認済みROIがなく、既存投資の収益性を確かめる前に次の購入判断が進んでいる構図です。
購入時の重視項目は既存クラウド・データ基盤との統合が48％、性能が42％、GPUの入手性が35％でした。記事は追加調達の前に、遅延や再試行、成果につながらない資源消費がどの工程で起きるかを特定する必要があると指摘します。
特にエージェント型AIでは、推論、検索、保存、再試行、人手確認を含む成功タスク当たりのコストを中核指標に据えるべきだと提案しています。誤った顧客対応や修正を要するコードを成功扱いせず、合意した品質基準と価値の基準線を財務部門と共有する考え方です。
設計では、組織の恒久知識、作業継続用のタスク状態、推論時のキャッシュ資源という三つの「記憶」を分けて扱います。小型モデルも単価だけで選ばず、検索、状態管理、上位モデルや人への切り替えを含むワークフロー全体で品質と総コストを検証することが、過剰投資を避ける鍵です。
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22日、物理AIが現実世界を理解・シミュレーションする「世界モデル」の開発基盤Cosmosを拡充しました。学習データの生成・整備から、公開モデルの追加学習・軽量化、シミュレーション評価、NIMによる配備までを一体化し、ロボットや自動運転、映像解析の開発期間と計算負荷の削減を狙います。
Cosmos Data Factoryは、映像データのラベル付け、選別、拡張、評価をGPUで加速し、自動運転データ生成、静止画からの希少・危険事象動画生成、欠陥画像生成など5種類の設計図を提供します。PorscheはVolkswagen Group共通の自動運転データ循環基盤に採用し、物理的な反復走行を最大90％、開発期間を最大85％減らせると見込んでいます。
ANYboticsは実世界のデータと1500本を超える合成映像を組み合わせ、産業用点検ロボットに液体漏れなどを認識させました。Ultralyticsは実画像と狙いを定めた合成欠陥でYOLOを再学習し、欠陥位置の特定精度と再現率を改善しました。
Cosmos Frameworkは、GR00TやAlpamayo、QWEN、Pi0.5などの公開モデルを追加学習や強化学習で適応させ、蒸留・量子化を経て配備する機能をエージェントスキルとして広げました。MicroAGIはCosmos 3を人の物体操作映像で追加学習し、320億パラメータの推論モデルを精度を落とさず80億パラメータへ蒸留したとしています。
新しいCosmos 3 Nanoは、再現可能で実際には捉えにくい多視点・多センサー環境で、自動運転車や双腕ロボットの方策を実機試験前に評価できます。更新したCosmos 3 NIMは、検証済み構成で品質を保ちながら推論を最大2倍に高速化します。これを使う映像検索・要約基盤VSS 3.3は、同じGPUで監視映像を40％多く処理でき、ADNOCは関連技術で65拠点の危険検知に取り組んでいます。
NVIDIAは2026年10月22日、ベルリンで開いたGTCで、RevolutやStarling Bankなど欧州の金融機関が、オープンウェイトモデルとGPU基盤を使い、自社データによる独自AIを自社・域内インフラで本番運用する事例を公表しました。Revolutは取引基盤モデルPRAGMAをまず8000万人向けに展開し、3倍の規模まで拡張できるよう設計しています。
RevolutはNVIDIA cuDFとDynamo-TritonをBlackwell Ultra GPU上で動かし、数十億件の取引を扱う単一の基盤モデルとしてPRAGMAを構築しました。Starling Bankは英国の主権クラウドと自社取引データでエージェント型モデルを学習し、Lloyds Banking Groupも数十億件の取引を再利用可能な知見へ変えるATUMを開発しています。
コスト面では、ネット銀行bunqのエージェント型アシスタントFinnが、主要な閉鎖型モデルと同等の品質を回答1件当たり60％の費用で実現したとNVIDIAは説明しています。NatWestは英国のアクセントや金融用語を認識する音声技術、Santanderは構造化金融データ向けKumoモデルの活用を進めています。
金融調査では、LSEGがPolars GPUエンジンとcuDFを使い、過去のティックデータ分析を最大10倍高速化する取り組みを進めています。RavenPackは自然言語の調査仮説から、ラベル付きでバックテスト可能なデータセットを生成する仕組みを構築しました。
不正検知では、HSBCがデータ処理を5倍に高速化し、ほぼリアルタイムの顧客分析に活用しています。Stripeはオフライン試験で、Radarの機械学習用データ処理を42倍に高速化し、コストを92％削減したとしていますが、これらはNVIDIAが公表した導入事例であり、本番環境での効果は個別の検証が必要です。
AWSは2026年10月22日、機械学習基盤Amazon SageMaker AIで、開発者が独自の学習手順を制御しつつ、GPU運用をAWSに任せられる「training sessions」の一般提供を始めました。企業はエージェントの行動評価や更新方法を設計し、インフラ構築を減らしながら業務特化モデルを訓練できます。複数段階の訓練も組み合わせられます。
新機能は微調整や強化学習そのものをSageMakerへ初めて導入したものではありません。従来のTraining Jobsでは顧客がインスタンス種別や分散学習を設定し、2025年追加のサーバーレス型ではAWSが計算資源を選んでいました。training sessionsはサーバーレス運用と細かなプログラム制御を組み合わせます。
顧客のコードはエージェントをツールや模擬環境につなぎ、応答を採点します。SageMakerは応答生成とモデル更新を処理し、GPUへの割り当て、障害復旧、学習進捗の保存を担います。モデルをGPUメモリーに保ったまま結果を確認し、手順を調整することも可能です。
課金は入力処理、応答生成、学習で扱うトークン量に基づき、顧客側の採点処理中はメーターが止まります。ただし価格や代表的な総額は公表されず、ストレージや評価、推論など別費用も必要です。トークン課金だけでは専用インフラより安いとは判断できません。
提供開始時はgpt-oss-20bなど4モデルに対応しますが、利用地域はモデルによって異なり、同時実行枠の既定値は2件です。医療請求の選別や知識グラフを使うエージェントで初期事例がある一方、精度、費用、導入速度の比較値は示されていません。企業は業務完了率、失敗、総運用費を既存方式と比較する必要があります。
NVIDIAは2026年10月21日、欧州、北欧、アフリカ、中央アジアのクラウド各社が、AIの学習・推論向け計算能力を拡大すると発表しました。データに近い場所で処理できる主権型基盤、用途別に調整できるオープンモデル、安全なAIエージェント実行環境を一体で整え、企業や開発者がデータの所在とAIの動作範囲を管理しながら本番導入を進めやすくする狙いです。
計算基盤では、NscaleがNVIDIA DSX MaxLPSをGB300 NVL72で試験し、同じ電力枠でGPUを37％多く稼働させ、推論処理量を約50％高めたとしています。同社はVera Rubin基盤を導入し、欧州5市場で先端モデルの学習・運用を支える計画です。
CrusoeはVera Rubin向け液冷モジュール型AIファクトリー「Spark」を開発し、低遅延推論の計算資源を利用者の近くに配置します。AleriaやCassava Technologies、G42、Vultrなども各地域で基盤を拡張し、企業がデータと処理場所を選べる余地を広げます。
オープンモデルの活用では、BasetenがNemotron 3.5 Lightningをコードレビューの振り分け用に調整しました。CodeRabbitの評価対象業務では一致率が75.8％から80.7％へ向上し、推定推論費用は50％減少したほか、Mistralも2027年のVera Rubin導入を計画しています。
安全面では、OpenShell Reference Architectureがエージェントによるツールや業務システムへのアクセス範囲を制御します。Vera CPU上のOpenShellとBlueField-4 DPU上のSentryなどを組み合わせる設計で、企業には計算能力の確保だけでなく、権限境界を含む運用設計も重要になります。
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2026年10月21日、工学・科学シミュレーションで繰り返し使われる大規模疎行列方程式の求解をGPUへ移すCUDA-Xライブラリ「cuDSS」の一般提供を開始しました。設計の複雑化で計算時間と需要が膨らむなか、既存ソフトにGPU高速化を組み込み、結果取得の短縮と処理量の拡大、より大規模で現実的なモデルの検討を低コストで可能にします。
シミュレーションは、半導体や航空機、産業システムを製造する前に性能を予測する手段です。cuDSSは、その工程で繰り返される計算負荷の高い疎行列求解をGPUで加速し、限られた時間内に試せる設計案を増やします。
導入企業は具体的な高速化を報告しています。Applied MaterialsはGinestraの疎行列求解をCPUのみの場合と比べて最大10倍にし、ZEISS SMTはCOMSOL Multiphysicsを使ったEUV露光装置向けプラズマ解析で4倍の高速化を計測し、全計算を6日14時間で完了しました。
Dassault SystèmesはAbaqusの構造・電磁界ソルバーで8〜10倍の高速化を報告しました。Cadenceは先端・3D半導体の熱や構造応力、反りの解析に、Siemensは流体構造連成に、Synopsysは先端ロジック、メモリー、パワー半導体のデバイス解析にcuDSSを組み込んでいます。
開発者はC、C++、Python、Fortranの各インターフェースからcuDSSを既存の工学、科学、最適化ソフトへ統合できます。個人用ワークステーションから大規模計算クラスタまでそのまま拡張できるため、企業は既存ツールを保ちながらGPU活用を進められます。
Google CloudとNVIDIAは2026年10月21日、Vera Rubin NVL72を搭載するA5Xインスタンスを11月に一般提供すると発表しました。欧州への展開も計画し、複数拠点で最大96万個のRubin GPUまで拡張する方針で、学習、推論、大規模強化学習を一つの基盤で支えます。
A5XはVera Rubin NVL72、ConnectX-9 SuperNIC、Google CloudのVirgo Network、第4世代の液冷技術を統合します。計算、ネットワーク、ストレージをAI Hypercomputerとしてまとめ、エージェント推論と経験から学び続ける強化学習を大規模に実行できる設計です。
最初の顧客であるIneffable Intelligenceは、AlphaGo開発者のデビッド・シルバー氏が設立した企業で、継続的に経験から学ぶスーパーラーナーの研究にA5Xを使っています。WPPはNemotronとOpenShellを用いた動画生成、高解像度化、再スタイル化の多段階工程を実証し、初期試験では通常は複数ノードが必要な処理を単一のA5Xで動かしました。
WPPの仕組みは実行前に人の承認を求め、OpenShellの管理された実行環境で機密性の高いブランド資産や制作ツールへのアクセスを制御します。Google Cloudは別途、GB300 NVL72搭載のA4X Maxベアメタルでラック規模のNVIDIA Confidential Computingを提供する計画で、RTX PRO 6000 Blackwell搭載G4仮想マシンでは機密推論と追加学習向けに同機能を一般提供しています。
両社はVera Rubin基盤へのDSX MaxLPS導入も検討し、データセンターの電力枠内でワット当たり性能と収容能力の最適化を目指します。企業が導入を判断する際は、最大GPU数は計画値、単一A5Xの成果は初期試験である点を踏まえ、提供地域や実環境での性能を確認する必要があります。
NVIDIAは2026年10月21日、欧州の製造業各社が設計から工場運営までの工程にCUDA-XやOmniverse、Cosmos、Nemotronを導入している事例を公表しました。併せて、機械間の作業調整や外観検査、原因分析などを担う常時稼働型エージェントを開発・配備するFactory Operations Blueprint（FOX）をGitHubで早期公開しました。
FOXのエージェントは、映像の所見と機械ログを突き合わせ、問題の調査から対応の調整までを支援します。SiemensはFOXをIntelligence Center Xに統合し、工場運営で20％のコスト削減を見込むほか、Cosmosを使った基板検査では検査工程の調整時間を40％短縮しました。
設計段階では、GPUで構造、流体、電磁界などのシミュレーションを高速化し、試作品を作る前の比較検討を増やします。imecの半導体リソグラフィー解析では最大40倍、Infineonの次世代パワー半導体向け3次元絶縁破壊解析では12倍の高速化を記録しました。
製造現場では、デジタルツインで設備やロボットを実機導入前に検証する動きが広がっています。Audiは電池生産の構想や人型ロボットの物流工程を仮想空間で試し、Volkswagen Sachsenの工場では組立工程をデジタル検証しています。
一連の事例は、AI活用が個別の設計支援から、設計データ、設備ログ、映像、3次元形状を結ぶ工場全体の運営へ進んでいることを示します。企業にとっては、物理的な変更の前に比較と検証を重ね、停止や手戻りのリスクを抑える基盤としての価値が焦点です。
Hugging FaceのPyTorchチームは2026年10月20日、Apple製GPU向けMPSを大幅に強化したPyTorch 2.15の変更点を公開しました。MPSGraph処理を専用Metalカーネルへ移し、Mac上での大規模言語モデル生成、動画処理、線形代数を高速化・省メモリー化しています。
M3 Ultra上でtorch.compileを使ったMoEモデルの生成速度は、PyTorch 2.14比で5〜6.5倍になりました。Qwen3.6-35B-A3Bは毎秒9.4トークンから61.3トークンへ伸び、語彙全体へのsoftmaxも約8倍高速になっています。
MPSは1値1バイトのFP8形式に対応し、FP16やBF16の半分の容量で重みを保持できます。Wan2.2のタイル分割VAEでは、パディングをMetalへ移したことでドライバーメモリーのピークが約270GiBから約8GiBへ減り、Qwen-Image-2.1の画像破損も同じ変更で解消しました。
Pythonから処理先を選べるMPSストリームも公開し、複素数のLU分解や三角行列求解など対応演算を増やしました。利用にはAppleシリコン、macOS 15以降、Python 3.11以降が必要で、次期2.16ではAttentionの全面Metal化も計画しています。
Googleは10月20日、PyTorchの処理を自社のAI半導体TPUで直接動かすオープンソース基盤TorchTPUを公開しました。既存アプリを書き直さず、簡単な設定変更でGoogle CloudのTPUへ移せるようにし、PyTorchとNVIDIA製GPUの強い結び付きを開発環境から緩める狙いです。
TorchTPUはTPUをPyTorchの新しいバックエンドとして扱い、通常のコード、分散学習、torch.compileによる高速化に対応します。移行時の修正を支援するTPU agent suiteも用意し、端末向けLiteRTとの連携も改善しました。
Hugging FaceではTransformersとDiffusersがTPUを標準の実行先として扱い、モデルや画像生成処理を簡単な指定で移せます。TPU上の試験は96.5％が合格し、報告した34件の問題のうち19件は修正済みです。
前日にはAmazonもTrainium向けのTorchNeuronを発表し、コードを書き換えずAWSへ移す道を示しました。PyTorchはAIアプリの85％で使われるとの推計もあり、互換層の整備が直ちにNVIDIA離れを生むとは限りませんが、クラウドと半導体の選択肢を広げます。
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。
2026年10月19日、AI向け計算基盤を提供するCoreWeaveの社債が、米国債に対する上乗せ利回り1000ベーシスポイント超という一般的な「ディストレスト」水準に入り、株価も前週火曜終値から20%以上下落しました。350億ドル超の負債と追加借り入れへの懸念が、OracleなどAI投資関連企業にも広がっています。
CoreWeaveはGPUを担保に資金を調達し、AI向け計算資源を販売してきました。しかし2026年上期の損失は10億ドルを超えており、借入金利の上昇は黒字化をさらに難しくします。
共同創業者は債務を投資適格級に引き上げ、保険会社から借り入れたい考えを示しました。会社側には資金源を広げる狙いがありますが、すでに巨額債務を抱えるなかで借り入れがさらに増えるとの警戒を招いています。
一方、2026年第2四半期時点の契約残高は1037億ドルで、約4割が2028年に支払われる予定です。契約は限られた場合を除いて解約できず、Microsoft、OpenAI、非開示の大口顧客が同四半期売上高の約4分の3を生みました。
現時点の株価下落だけで破綻やAIバブル崩壊とは断定できません。ただしOracleの株価も同期間に約10%下落し、同社債にも売りが出ており、AI設備投資を借金で支える構造への不安が他の新興クラウド企業にも波及しています。
VentureBeat Intelligenceは2026年10月19日、企業がAIエージェントを本番導入する際、計算能力や認証取得だけでなく、侵害された個別エージェントの権限を他業務を止めずに失効できるかを実証すべきだと提言しました。個別ID、範囲を絞った短期認証情報、顧客管理の暗号鍵、監査ログを組み合わせ、障害時の封じ込めを調達条件に据える考えです。
同社の8月調査では、本番稼働中のエージェントがある組織の61%が、少なくとも一部で認証情報を共有していました。9月調査で、担当者が数分以内に特定エージェントのアクセスを止められると答えた割合は14%にとどまり、導入が権限管理より先行する懸念が示されました。
モデルのガードレールとアクセス制御は役割が異なります。不適切な行動をモデルに避けさせても権限自体は残るため、インフラとアプリケーション側で許可範囲を独立して制限する必要があります。
GPU機密コンピューティングは、対応環境で処理中のデータやモデルを保護し、環境の検証後に鍵を渡す仕組みです。一方、アプリの脆弱性やプロンプトインジェクション、出力の妥当性までは解決しません。CPUとGPUの保護、検証サービス、鍵管理、安全なログを含む構成全体の確認が要ります。
調達では、失効が他の処理を止めないか、検証失敗時に鍵が渡らないか、性能と費用が許容範囲かを実環境で試すべきです。ハードウェア再割り当て、管理網、共有制御基盤、GPU間接続の分離や、従業員アクセスと保存期間も監査対象です。なお、VentureBeatはNebiusを有料メディアパートナーと明記しており、紹介された構成は全サービスの提供保証ではありません。
NVIDIAは2026年10月14日、英国のAI新興企業Boltz、Foresight、Hiverge、Prima Mente、Riverlaneの5社への投資計画を発表しました。創薬、インフラ工程管理、アルゴリズム開発、疾患解析、量子誤り訂正を支え、英国全土でAI研究と実装の裾野を広げる狙いです。
基盤整備では、エージェント型AIの安全性・セキュリティ研究に今後5年間で2億5,000万ドル分の計算資源を提供します。気候・持続可能性分野ではEarthshot Prizeのグローバル連合創設パートナーとなり、計算資源と技術知見を提供します。
実装面では、Fuse EnergyがNVIDIA B300 Blackwell Ultraを使う自社基盤へ顧客対応AIを移し、英国45万世帯超への応答を高速化します。医療ではNHS向けAIトリアージ、医療音声認識、検体搬送ロボット、AI創薬の取り組みが進みます。
金融ではLSEGのGPU活用型市場分析に加え、Revolut、Lloyds Banking Group、Starlingなどが銀行業務向け基盤モデルを展開します。行政分野ではリバプール都市圏が、英国各地へ展開可能な主権型AIのCity Brainを構築します。
RiverlaneはGPUを使い、量子誤り訂正のデコーダー再調整を高速化しました。NVIDIA Inceptionには英国企業3,100社超が参加しており、NVIDIAは投資先の育成と各産業への実装を並行して進めています。
Microsoftは2026年10月13日、AIを使ったゲームの逆コンパイル、再構築、異なる機器への移植を研究する小規模組織「Xbox Labs」を新設すると発表しました。ゲーム制作者、技術者、科学者が公開型で実験し、古い作品を新しい環境で動かして遊び手を制作者にも変える可能性を探る一方、知的財産と既存事業を守る方針です。
背景には、Windows向けゲームをApple Siliconで動かしたり、WebAssemblyとWebGPUを使ってブラウザへ移植したりする動きがあります。別のゲームのソースコードへ作品を組み込む改造も現れ、ソフトウェアと機器の結びつきや、制作と遊びの境界を揺さぶっています。
Xbox Labsはゲーム制作者、技術者、科学者からなる小規模チームです。開発を公開し、利用者の反応から学び、遊ぶ人と作る人が増えたかで成果を測ります。得た知見や開発した道具は業界の開発者とも共有する計画です。
Xbox責任者は、AIエージェントがコードを書き、実行し、試験できるため、コーディングが主要用途になったと説明します。ゲームにも同じ性質があり、Xbox作品の年間プレイ時間は720億時間で、世界の推定コーディング時間の約5倍だとしています。
Microsoftは長年、旧作を新しい機器で動かす後方互換機能を提供してきました。AIを使う移植は作品への接点を増やし、旧作に新たな寿命を与え、利用者を共同制作者にする可能性があります。同時に、既存の販売モデルや対応機器の前提を崩す可能性もあります。
課題は、権利者の許可なくゲームを解析・再構築し、想定外の場所で動かす行為への対応です。Microsoftは無断での知的財産利用に関する取材へ回答しませんでしたが、公式文書ではハードウェア事業を続け、知的財産と利用者共同体を責任を持って管理するとしています。
衛星向けAI基盤を開発するSatlytは2026年10月、シードで800万ドルを調達しました。自社で宇宙機を造らず、複数企業の衛星上でAIモデルを動かし、大規模な計算を分担させる共通ソフトウェアを目指します。地上との通信は遅く費用もかかるため、異常対応やセンサーデータ処理を軌道上で済ませ、運用費の削減と衛星の計算資源の事業化につなげる狙いです。
Satlytは元Googleクラウド、元SpaceXのプロダクト管理者ラマ・アフロ氏が共同創業し、カリフォルニア州サニーベールとケニアのナイロビに拠点を置きます。特定企業の宇宙機に閉じず、異なる衛星会社が使える横断型の運用基盤として、基盤設備を意識せずAIを動かせる環境を掲げています。
同社ソフトウェアはすでに2回の実証飛行を経験しました。Momentusの宇宙機にGoogle DeepMindのGemmaを載せた試験では、搭載ソフトウェアの不具合情報を伝える通信量を60％超減らしました。アフロ氏は、こうした効率化で衛星1基当たり年間数十万ドルを節約できると説明しています。
木曜日の打ち上げでは、インド企業TakeMe2Spaceの宇宙機上でSatlytのソフトウェアを動かします。NASAは宇宙でのクラウド計算手順、宇宙監視企業Stellerianは画像処理を試し、TakeMe2Spaceは他社ソフトウェアを載せられることを実証します。同じSpaceXロケットにはGoogleの宇宙データセンター計画Project Suncatcherの試作機も搭載されます。
現時点では高性能GPUを積む衛星が少ないため、当面は通信削減や機上判断といった運用改善が主な用途です。次の計画では異なる2基の衛星をつなぎ、計算資源を共有する軌道上クラウドの実証を目指します。10年代末までに全衛星の20％で稼働するという目標は、今後の衛星側の高度な演算装置普及を前提とした構想です。
NVIDIAは2026年10月12日、サンノゼで開かれたOCP Global Summitで、次世代AI工場向けのVera Rubinラックとコンピュートトレーの設計をOCPへ提供すると発表しました。電力、冷却、ネットワーク、運用ソフトの共通基盤を開き、メーカーやクラウド事業者による大規模設備の構築を速める狙いです。
MGX 1.2は、ブラインドメイト式の液冷、相互運用できる接続基盤、液冷対応の5,000Aバスバーなどを仕様に加えました。最大250kWのラックに対応し、共通の電源・冷却インターフェースと構成可能なI/Oベイで製造や保守の時間短縮を図ります。
Vera CPUラック仕様もMGXの公開設計を拡張し、AIエージェントのツール呼び出し、処理の統括、安全な実行環境を支えます。大規模な学習・推論を担うVera Rubin NVL72と設計原則をそろえ、用途別の設備を共通基盤上に構築できます。
運用面では、NVIDIAがDGX Cloudの経験を基に、ネットワーク設定、クラスタ健全性の検証、ラック管理、ベアメタル導入を担うDSX OS部品をオープンソース化しました。手作業を減らし、設備を本番用クラスタに仕立てる時間を日単位から時間単位へ縮めるとしています。
施設設計では、NVIDIAがAMD、Google、Metaと電力、冷却、物理配置を定めるOpen Data Center Specification v0.7を公開しました。Google、Meta、Microsoftとは、電力系統の障害時も接続を保ち、2秒未満でほぼ全負荷へ復帰するOCP仕様を共同公開しました。
ネットワークでは、Metaが102.4Tb/sのSpectrum-6スイッチを採用し、10万基超のGPUを結ぶ構成を目指します。Ciscoとは帯域密度を従来の4倍にする400Gb/sレーン対応のUSFPを策定し、GoogleのFalcon Transportは将来のConnectX-10とBlueField DPUで支援する計画です。
Microsoftは2026年10月12日、AI推論向けの第3世代自社チップ「Maia 300」を発表しました。2027年からAzureで複数ギガワット規模の実運用に展開し、同社製品・サービスの主要なAI推論基盤に据える方針で、クラウドAIのコストと電力効率を改善しながら、NvidiaやAMD製GPUへの依存を抑える狙いです。
Microsoftによると、Maia 300は主要なGPUベースシステムと比べ、1メガワット当たりのトークン処理量が40％多い見通しです。96基のアクセラレーター構成では、ラック全体のトークン処理量がMaia 200の最大7倍に達するとしています。
Maia 300はTSMCのN2Pプロセスを採用し、計算、メモリー制御、入出力を分けるチップレット構成です。この分割により計算用のシリコン面積を増やし、各機能に適した技術を使って効率を高めます。
設計対象は、長い文脈を扱う推論、応答遅延が重要な対話、継続的な複数段階のAIエージェント処理です。Microsoftは自社AIモデルと半導体を共同設計し、基盤からモデルまでを自社で最適化する考えです。
前世代のMaia 200はすでにMicrosoft Copilot、GitHub Copilot、Microsoft Foundry、自社AIモデルの実運用に使われています。その実績を土台に、Maia 300を2027年から実運用へ順次投入し、自社チップ中心の推論基盤へ拡大します。
Anthropicは2026年10月12日、小型AIモデルが市販のIoT機器へ自律的に自己複製できる可能性を検証した研究を公表しました。9Bモデルは未知を含む9種類の機器のうち8種類で推論環境を構築し、簡略化した評価ではGLM-5.2が探索から複製までを完遂しました。能力向上が過去の傾向通り続けば、2026年末にも小型モデルが同水準へ達するとの粗い推定です。
実機では、1台約55ドルの無名ブランド製Android TVボックス15台にGemma4-26B-A4Bを分割配置し、毎秒0.39トークンで動かしました。各端末のメモリーは4GBで、モデルの層を分担する分散推論により、データセンター用GPUがなくても26Bモデルを運用できることを示しました。
自己複製の評価には、認証なしのADBポートを持つAndroid 15エミュレーター8台の隔離環境を使用しました。GLM-5.2は5回中4回で8台すべて、残る1回で7台へ複製しましたが、侵入工程を容易にした試験のため、結果は現実世界での成功率の上限に当たります。
拡散速度は遅く、Qwen3.5-9Bによる推論環境の構築には28〜51時間かかる試算です。一方、前世代の試行記録を継承したQwen3.5-9Bは、構築成功率が初代の45％から後続世代で61〜84％へ上がり、経験を引き継ぐ適応リスクも示しました。
防御側は、巨大なモデルデータの転送や端末間の継続通信、外向き走査といったネットワーク上の異常を手掛かりにできます。過去のMirai対策では、ISPによる感染端末の隔離と利用者への通知で14日以内に92％を除去しており、監視、隔離、初期パスワード廃止を組み合わせる重要性が示されています。
AI研究機関Ai2は7月末から、保有するGPUクラスターに予算型の階層的公平配分と時間分割を組み合わせた新スケジューラーを順次導入しました。研究チームごとにGPU時間を予算として割り当て、ジョブの実利用を7日間の窓で追跡することで、需要が供給の2〜3倍ある環境でも重要案件への配分と98％の稼働率維持を両立させました。
従来の優先度方式では、実行中のジョブを守る設定に費用がなく、全ジョブが最高優先度を選ぶ状況や、GPUを確保し続ける空ジョブが生じていました。保守が必要な機器でも担当者が利用者と停止交渉を重ねており、希少な計算資源の利用と運用負担の双方に課題がありました。
新方式では、管理職が研究戦略に沿ってGPU時間の予算を階層的に配り、過去7日間の実績が割り当てを下回るチームのジョブを優先します。各ジョブは有意義な進捗に必要な最短実行時間を申告し、最長8時間の保護期間後は中断・再投入できるため、チーム間の公平な時間分割が可能です。
30日間の検証では、需要分を上限にチームへ支払うべきGPU時間の98％を提供し、15チーム中13チームが95％以上を受け取りました。未割り当てのジョブにも18％のGPU時間を開放したため、予算と実需がずれた時間帯も全体の稼働率を98％に保てました。
デバッグ用ジョブの待ち時間は90パーセンタイルで2時間から30秒、最大規模のH100クラスターでは中央値が5分から24秒に短縮しました。さらに、保護期間の終了に合わせて不調な機器からジョブを自動退避し、人手が必要な修理を74％削減しました。
一方、対話型セッションは8時間を超えると中断対象になり、作業状態の再構築が利用者の負担となりました。Ai2はCPU専用クラスターと復元可能なセッションを計画するほか、大規模ジョブを配置しにくくする容量断片化の可能性もシミュレーターと実測で調べています。
Microsoftは2026年10月8日、2年ぶりのライブイベントで、NvidiaのRTX Spark SoCを採用する「Surface Laptop Ultra」と、AI開発用端末「Surface RTX Spark Dev Box」を発表しました。両製品は大容量の統合メモリーとローカルAI処理を軸に、開発者や個人利用者の端末上でAIモデルやエージェント型作業を動かす構想を具体化します。
Surface Laptop UltraはMicrosoft製品で初めてRTX Spark SoCを採用し、開始価格は2,599ドルです。Blackwell GPUは5,120コアまたは6,144コア、LPDDR5x統合メモリーは最大128GBで、10月16日に出荷を始めます。
統合メモリーは従来型GPUの物理VRAMという制約を避け、用途に応じて資源を割り当てられます。発表では「Gears of War: E-Day」を実演し、ローカルAIの開発・導入だけでなく、AAA級ゲームにも対応できる性能を示しました。
Surface RTX Spark Dev Boxは、最先端の開発者向けに設計した5,999ドルの端末です。128GBの統合メモリーとNvidia RTX GPUを搭載し、AI演算性能は1ペタフロップをうたいます。
Dev Boxには、AI開発とローカルAI利用に合わせたWindows 11の専用ビルドがあらかじめ設定されています。Microsoftは持ち運べるUltraと開発環境を整えたDev Boxを通じ、クラウドだけに依存しないAI作業の選択肢を開発者へ提示しました。
俳優・映画監督のベン・アフレック氏は2026年10月、GQの番組とロサンゼルスで開かれたScreentime 2026会議で、映画制作におけるAIの仕組みと活用法を詳しく説明しました。自身の映画ではAIを後処理に使い、制作者の仕事を置き換えるのではなく補完する技術だとの見方を示しました。専門用語をかみ砕く複数の動画がネット上で注目を集めています。
関心の出発点は、映画がアナログからデジタルへ移った時期です。畳み込みニューラルネットワークやテンソル、GPU、推論などを挙げ、映像の数値化やエッジ検出、特徴抽出がグリーンスクリーンの置換に役立つ仕組みを説明しました。
同氏は、肖像利用など映画界の既存ルールと両立させるため、独自データセットが必要だと判断したと述べました。約8カ月にわたり多数のカメラと機材で撮影し、公開モデルを個別作業向けに追加学習させるためのデータを構築しました。
具体的には、オープンソースモデルの重みを更新可能にし、作品ごとの映像基準に合わせて調整したと説明しています。この方法なら制作者は独自素材を保持しつつ、作品専用モデルを育てられ、自身の映画「Animals」の後処理にも使ったとしています。
アフレック氏はOpenAIを訪ねるなどして新技術を調べ、その経験を映画AI企業の設立につなげました。同社は2026年にNetflixへ売却されましたが、報道された5億8700万ドルという金額は正しくなく、自身が会社全体を所有していたわけでもないと説明しています。
懸念の中心は「Skynet」のような破滅論ではなく、教育現場での責任ある利用です。大学でA評価が3年間に30%増えた例や「学習性無力感」を挙げました。映画事業を意味ある形で乗っ取るとは考えず、AIは付加的な役割を果たすとの立場です。
MicrosoftとNVIDIAは2026年10月7日、サンフランシスコで開いたWindows AI・Surfaceイベントで、AIエージェントをローカル実行できるRTX Spark搭載PCと、エージェント向けに刷新したWindows 11を発表しました。Surface Laptop Ultraは10月16日発売、開発者向けSurface RTX Spark Dev Boxは11月出荷予定です。
Surface Laptop Ultraは2,599ドルからで、最大128GBの統合メモリと最大1ペタフロップのAI性能を備えます。5,999ドルのDev Boxは1200億超のパラメーターを持つモデルのローカル実行を想定し、AIモデルの検証やエージェント開発、AIコーディングを支えます。
Windowsでは、エージェントをOSの管理下で安全かつ継続的に動かすMicrosoft Execution Containersを一般提供します。Copilotの「Hybrid Intelligence」はローカルとクラウドのモデルを組み合わせ、PC内のファイル検索、改名、圧縮、メール下書きなどを実行し、今後数カ月で提供予定です。
RTX SparkはBlackwell世代のGPUとGrace CPUを組み合わせ、CUDAのモデルやツール、作業手順を大幅に書き換えずに持ち込めます。Acer、ASUS、Dell、HP、Lenovo、Microsoft、MSI、Gigabyteが、ノートPCから常時稼働向け小型デスクトップまで展開します。
Microsoftはさらに、企業向けのDGX Station for Windowsも予告しました。最大748GBのコヒーレントメモリと20ペタフロップのFP4演算性能により、最大1兆パラメーター規模のモデルをWindows環境でローカル実行する構想です。企業は機密データを端末内に保つ選択肢と、既存のWindows業務環境を生かせるかを導入判断の軸にできます。
MITリンカーン研究所スーパーコンピューティングセンターは2026年10月6日、2018年から続けるAIアクセラレーター調査「LAICS」の最新成果を公表しました。最新論文はCPUやGPU、ASICなど120種超を対象に、ピーク性能と消費電力を公開情報で比較し、研究や調達の目的に合う機器選びを支援します。
LAICSは、機械学習だけでなく分子機能のモデル化や流体力学シミュレーションにも使えるアクセラレーターを継続的に追跡しています。初回論文の57種から最新論文では120種超へと対象を広げ、チップ、カード、システムの形態別に整理しました。
方式ごとの性格も選定の重要な軸です。CPUは汎用性、ASICは特定処理への特化が特徴で、GPU、FPGA、データフロー型は複数の処理に構成を合わせられます。
2022年の論文は、性能向上の源泉としてトランジスタの微細・高密度化と、計算桁数を減らす低精度計算を挙げました。最新論文はコア数や並列性能などの構成要素を増やした場合に、システムがどう変わるかを分析しています。
比較データはすべて公開情報に基づくため、企業が性能や電力を非公開にする場合は把握が難しくなります。研究チームは日々のニュースや論文引用を調べ、政府関係者の技術選定や研究所のGPU購入判断に役立つ中立的な資料として更新を続けます。
フランスのAI企業Mistralは2026年10月6日、1兆パラメータのマルチモーダルモデル「Mistral Large 4（ML4）」の公開プレビューを始めました。自社の欧州データセンターで4,000基のNVIDIA Grace Blackwell GPUを使い約2カ月で一から学習し、開発者や政府機関などとの安全検証後、10月27日にモデル重みを公開する計画です。
ML4は総パラメータのうち、推論時に490億だけを使う疎な構造です。160を超える言語と画像などの入力に対応し、出力はテキストに限定されます。
Mistralの暫定評価では、長時間のソフトウェア開発能力を測るDeepSWE v1.1で62％を記録しました。ただし、最良の実行環境を使う他社モデルには上回る例があり、最終版の第三者検証前であるため、首位との主張は確定していません。
用途はコーディング、サイバー防御、金融分析、製造、半導体設計、画像内の対象特定などです。特にセキュリティ分野では、提供企業の利用制限に左右されず、組織が監査や防御用途に合わせてモデルを調整できる点を訴えています。
重みの公開後は、企業や政府が自前の基盤で運用し、データを保持しない構成や個別調整を選べる見込みです。導入判断では、10月27日以降に再現される性能に加え、コスト、統制、カスタマイズ性が閉鎖型モデルより優位かを見極める必要があります。
AI向けクラウドを手がけるLambdaは2026年10月、2027年に計画する新規株式公開を前に、最大40億ドルの資金調達を進めています。調達前評価額は145億ドルで、Coatue ManagementとBlackstoneが主導し、GPU基盤の拡張資金を確保するとともに、今回の条件が上場時の値付けの基準になる可能性があります。
投資家向け書簡によると、同社の受注残は6月の150億ドルから9月には500億ドルへ膨らみました。ただし、増加分の大半はAnthropicが8月下旬に結んだ350億ドルの契約によるものです。
この構成は、大口契約がAIクラウドの成長を押し上げる一方、顧客集中のリスクも生むことを示します。Lambdaの評価額はAnthropicの支払い能力に大きく依存する可能性がありますが、希少なGPU供給力と主要AI企業との契約は投資家を引き付けています。
課題は需要よりも、その需要に応える設備投資の重さです。データセンター建設は主に借り入れで賄われ、Lambdaも前週に10億ドルの追加債務を調達しましたが、貸し手は融資先や条件の選別を強めています。
同社は市場の不透明感を理由に、当初2026年と報じられた上場時期を2027年へ延期しました。今回の増資で公開市場の厳しい監視を受ける前に資本を厚くできる一方、上場後は株価を通じてデータセンター拡張力が問われます。
米国司法省は、輸出規制対象のNVIDIA製GPUを搭載した高性能サーバーを中国へ不正輸出した疑いで、米国企業Earthmade Computerのグレッグ・ルイCEO（38）を逮捕したと発表しました。司法省は、同社CEOが2023年10月から2026年8月まで、マレーシアやシンガポール向けと偽装し、総額3億ドル超の機器を中国へ迂回させたと主張しています。
起訴内容によると、対象にはNVIDIAのA100とH100が含まれます。最新世代ではないものの、大量のデータ処理や大規模言語モデルの訓練に使えるため、米国は中国のAI開発や軍事力を押し上げる安全保障上のリスクを警戒しています。
司法省が挙げた2024年の案件では、規制対象GPUを積む70台のサーバーをマレーシア向けと申告し、そのうち27台を約761万4,000ドルで米国メーカーへ発注したとされます。共謀者はマレーシア政府当局者に対し、この27台すべてが中国へ送られたと説明したといいます。
別の92台はシンガポールからマレーシア、香港を経て、最終的に杭州の中国企業へ渡ったとFBIは主張しています。さらに、H100搭載サーバー100台をマレーシア向けとした2,200万ドル超の案件では、架空の買い手と「Jackie Lui」というCEO名を記した虚偽書類が提出されたとされます。
捜査当局は、メールと銀行記録が計画を裏付けたとしています。また、ルイ容疑者は2021年に別人の身分証明書を購入し、その身分を輸出規制回避に関わる取引へ使ったとFBIは主張しています。
衛星向けAIソフトを手がけるSatlytは2026年10月1日、800万ドルのシード資金を調達したと明らかにしました。自社で宇宙機を造らず、複数企業の衛星上でAIモデルを動かし、将来は複数衛星に大規模な計算を分担させる共通基盤を目指します。地上との通信が遅く高価な環境で、異常対応やセンサーデータ処理を軌道上に移し、衛星運用の時間と費用を減らす構想です。
共同創業者のラマ・アフロ氏はGoogleのクラウド部門とSpaceXのStarlink事業を経て、カリフォルニア州サニーベールとナイロビに拠点を置くSatlytを設立しました。資金調達はヒューストンのNon Sibi Venturesが主導し、同社では元NASA宇宙飛行士のバーナード・ハリス氏が投資判断に関わりました。
SatlytはSpaceXやGoogleなどと異なり、衛星本体を開発しません。VMwareやSnowflakeになぞらえ、複数企業の衛星で動く横断的なソフト基盤を提供し、利用者が機体の違いを意識せずAIを運用できる形を狙います。
同社はこれまでに2回、軌道上でソフトを実証しました。2026年にはMomentusの宇宙機でGoogle DeepMindのGemmaを動かし、機体ソフトのエラー情報を送る際のデータ量を60%以上削減しました。アフロ氏は、この種の効率化で衛星1基当たり年間数十万ドルを節約できると見積もっています。
今回の飛行では、インド企業TakeMe2Spaceの宇宙機にSatlytのソフトを載せ、SpaceXのロケットでGoogleの宇宙データセンター計画「Project Suncatcher」の初号試作機とともに打ち上げます。NASAは宇宙でのクラウド計算手順、Stellerianは宇宙監視用の画像処理、TakeMe2Spaceは他社ソフトを載せる機能をそれぞれ試します。
現時点で軌道上の高性能GPUは少なく、当面は衛星運用や機上データ処理が主な用途です。Satlytは来年、異なる2基の衛星にまたがる共有計算システムを試し、第三者向けの軌道上クラウドへ発展させる計画です。アフロ氏は年代末までに全衛星の20%で稼働する目標を掲げています。
Olmo開発チームは2026年10月1日、大規模な専門家混合モデルを効率よく訓練する公開基盤「Olmo-core 3」をリリースしました。専門家をGPU上に常駐させ、入力を必要な専門家へ送る設計と複数の並列化を組み合わせ、1兆パラメータ超へ拡張しながら通信・調整負荷を抑えます。次世代Olmoの訓練基盤として使い、研究者や開発者にもコードと技術判断を公開します。
専門家混合モデルは多数の専門家を持ちながら、入力ごとに一部だけを動かして計算を抑えます。ただし全モデルをGPUメモリに置いて更新し、クラスタ内で入力を適切な専門家へ送る必要があるため、規模が増すほど通信と調整の負荷が利点を削ります。
ある試験では専門家を8基から128基へ増やしつつ、各トークンで使うのは4基、稼働パラメータは約32億に保ちました。総容量を46億から470億パラメータへ広げても、処理速度の低下は5%未満でした。NVIDIA B300を8基使う予備試験では、470億パラメータのモデルがGPU当たり毎秒5万2,000トークンを処理し、旧基盤の1万9,400から約2.7倍になりました。
従来方式は小さな訓練単位ごとに重みを集めて再分散していましたが、新基盤は分散データ並列を使って専門家をGPUに常駐させ、必要なデータを送ります。専門家並列、パイプライン並列、分散オプティマイザーでモデルと訓練状態を分け、行単位の専門家並列、GPU上の経路制御、まとめた行列演算でデータ移動と細かな計算を効率化します。
4基のNVIDIA B300で低精度形式MXFP8を使うと、BF16比で処理速度が約21%上がり、最大稼働メモリは103GiBから95GiBへ減りました。512基では1.2兆パラメータの構成を測定し、GPU当たり最大858TFLOP/sを記録しましたが、これはランダムな経路選択によるシステム性能試験であり、学習済みモデルの品質評価ではありません。DeepEP v2を使った2.38兆パラメータの試験も短時間の容量確認で、完全な訓練ではありません。
技術報告は、経路の均等化指標が改善しても実際の負荷が偏る例や、通信と計算の重ね合わせが逆に遅くなった例も記録しています。Olmo-core 3は異なる機器への適応や経路制御の実験を含めて公開され、今後は専門家混合型となる次世代Olmoの土台に使われます。
カーネギーメロン大学、MIT、ニューヨーク大学、スタンフォード大学の研究チームが開発したAI「Ataraxos」が、Strategoの史上最高峰とされる選手ピム・ニーメイヤー氏に15勝1敗4分けで勝ち越したと、Ars Technicaが2026年10月1日に報じました。学習には16基のGPUと数千ドルだけを使い、DeepMindの従来AIでも安定して勝てなかった最高峰の人間選手を破りました。
Strategoでは各自が階級の異なる40個の駒と爆弾、旗を配置し、相手の旗を取れば勝利します。相手は駒の位置を見られますが正体は分からず、駒同士が衝突して初めて階級が明らかになります。
初期配置は10の33乗を超える組み合わせがあり、テキサス・ホールデムの非公開な手札1326通りを大きく上回ります。対局は2000手に及ぶことがある一方、チェスは通常40手程度です。
さらに、弱い駒を最上位の駒のように動かすはったりが必要です。多すぎれば脅しが効かず、使わなければ動きを読まれるため、はったりの頻度を調整する難しさがDeepMindのDeepNashなどを阻みました。
チェスではDeep Blueが1997年にガルリ・カスパロフ氏を、囲碁ではAlphaGoが2016年にイ・セドル氏を破り、ポーカーでもAIがプロに勝ってきました。大量の非公開情報が長い対局の中で少しずつ明らかになるStrategoは、最高峰の人間に安定して勝つ難題として残っていました。
NVIDIAは2026年9月29日、表形式データ向けのオープン基盤モデル「Kumo Tabular」をHugging Faceで公開しました。ラベル付きの行を文脈として読み込み、分類と回帰を利用時の追加学習・調整・特徴量設計なしに、1回の推論で実行します。顧客離脱や需要、価格などを予測する企業のモデル開発負荷を減らす狙いです。
NVIDIAの評価では、Kumo Tabularは4つのベンチマークで首位に立ちました。TabArenaではELO 1950を記録し、単一のRTX 6000 Proを使った共通条件で、精度と処理効率の新たな両立点を示したとしています。モデルは2800万〜2億1500万パラメーターの3種類です。
仕組みの核は、列内の値の位置づけ、行内の特徴同士の関係、ラベル付き行と予測対象行の関係を順に捉えるTransformerです。欠損値を補完せずに扱い、ラベル付き行の計算結果を再利用するほか、表が長くなっても注意を保つ仕組みで大規模な推論を効率化します。
事前学習には実データではなく、因果構造や欠損、外れ値などを組み込んだ人工表データだけを使いました。最大100列、最終段階で最大6万行の表を学習し、小・中・大の各モデルは約3500万、7100万、1億3700万個の人工表を経験しています。学習手順と人工データ生成器は今後公開する予定です。
モデルはOpenMDW-1.1ライセンスで商用利用でき、コード、重み、GPU向けライブラリも公開されています。ただし、直接扱えるのは数値列とカテゴリ列で、基本モデルの1回の推論は最大10クラスです。学習範囲を大きく超える表や分布の異なるデータでは精度が落ち得るため、導入時は自社の保留データで精度と確率の信頼性を検証する必要があります。
Anthropicは2026年9月29日、中国のZhipu AI（Z.ai）が開発したオープンウェイトモデル「GLM-5.3」のサイバー能力評価を公表しました。同社の隔離環境での模擬試験では、簡単な手法で安全策を64〜100%の確率で回避でき、高度な攻撃能力が悪用者へ広がる危険が増したと結論づけています。
既知の脆弱性を攻撃するExploitBenchでは、GLM-5.3が410回中50回、Claude Mythos Previewが56回、攻撃コードを完成させました。別の100課題では、完全な制御フロー奪取の成功率がGLM-5.3で4%、Claudeで6%となり、旧世代の両社モデルは成功ゼロでした。NISTもGLM-5.3を公開済みオープンウェイトモデルで最もサイバー能力が高く、米国の最先端モデルに約4カ月差まで迫ったと評価しています。
人間の研究者が短時間支援した試験では、GLM-5.3がブラウザーの未知の脆弱性を複数発見し、任意のファイルを読み出す攻撃へ連結しました。小型版のGLM-5.3-Flashも公開情報から二つの既知脆弱性を組み合わせ、ARM64向けの攻撃を人間の作業20分とモデルの実行8時間で構築しました。API費用は20.40ドルでした。
安全策を除く「abliteration」には約2,200GPU時間と約4,400ドルを要しましたが、二つの有害性ベンチマークで拒否率が90%超から約3%と2%へ、別のベンチマークでは12%へ低下しました。一般的な科学能力は同水準で、サイバー評価の一部も数ポイントの低下にとどまりました。さらに偽装指示で64%、思考トークンの事前入力で92%、拒否除去版で100%が有害な要求に応じた一方、同じ試験で安全策付きClaudeは応じませんでした。
Anthropicは、自由に入手できる高度な攻撃能力が国家・非国家主体に悪用される可能性を指摘する一方、防御側にも同等以上のモデルが必要だと訴えています。同社はProject Glasswingを通じ、信頼できる防御担当者が重要ソフトウェアの脆弱性を1万件超発見した実績も示しました。企業はAIを使った脆弱性探索の恩恵と悪用リスクを同時に見極め、政府や独立機関による継続的な安全評価を調達・運用判断へ組み込む必要があります。
NVIDIAは2026年9月24日、Google DeepMindや欧州バイオインフォマティクス研究所などとの国際連携で、2800超のウイルスが持つタンパク質複合体の予測3D構造をAlphaFold Databaseで無償公開したと発表しました。将来の感染症流行に備え、世界の研究者がワクチンや治療薬の標的候補を早く調べられる基盤を整える狙いです。
新データは、Google DeepMindのAlphaFold2をNVIDIA BioNeMo Inference Runtimeで最適化し、数千のウイルスの全タンパク質群を一括処理して作られました。NVIDIAは、研究者が独自の標的配列から予測構造を得られるGPU対応の予測工程もオープンソースで公開します。
追加されたタンパク質相互作用の約30％は、実験で構造が確定したデータを集めるProtein Data Bankに記録がない新しい形状です。予測には信頼度が示されるため、研究者は有望な仮説を選び、実験で確かめる出発点として利用できます。
タンパク質は多くの場合、複数の分子が集まった複合体として働き、その形状はウイルスの働きを妨げるワクチンや薬の標的になります。研究チームは、風邪の原因ウイルスからMpoxのような新興脅威まで、人に感染することが知られるウイルス群を体系的に調べました。
従来のX線解析などは構造1件に数年と数千ドルを要する場合がありますが、最適化したAlphaFold2は数分で構造を予測し、大量処理も可能だとNVIDIAは説明します。公開先のAlphaFold Databaseは現在、ほぼすべての既知タンパク質を対象に2億6000万超の予測を収録し、設備や資金が限られる地域の研究者にも感染症対策の基礎情報を届けます。
NVIDIAは2026年9月23日、NVIDIA Warp上でMuJoCoの物理演算をGPU実行するMJWarpを使い、SO-101ロボットアームのシミュレーションを最大2,048環境へ並列化する手順を公開しました。狙いは単一環境の遅延短縮ではなく、強化学習や大規模サンプリングで必要な総ワールドステップ数を増やし、学習データ収集の総スループットを高めることです。
WarpはPythonで静的型付きカーネルを書き、CPUまたはCUDA向けのネイティブコードへJITコンパイルする基盤です。MJWarpは互換性のあるMuJoCoモデルと複数の状態をGPUに置き、1回のmjw.stepで全環境を進めます。
移行は、まずMuJoCo上の1環境でタスクを検証し、同じ初期状態をMJWarpへ渡して軌跡や成功条件を照合する流れです。SO-101の積み上げ課題では、キューブ中心の水平誤差と垂直間隔を測り、接触数・制約数のバッファ超過も失敗として扱います。
検証後は状態の先頭次元を増やし、最大2,048環境へ複製します。制御値をデバイス上で更新し、CUDA Graphsで一連のカーネル起動を再利用すれば、反復時の起動負荷を抑えられます。
性能測定では事前にウォームアップし、計測区間の前後でGPUを同期する必要があります。報告すべき指標は、環境数を添えたワールドステップ毎秒とバッチ1回当たりのミリ秒です。単一環境の速度だけで大規模学習の効率を判断しないことが重要です。
NVIDIAは2026年9月23日、データセンターシステムの検証エンジニア、サキーナ・フィザ氏の業務を紹介しました。量産前のAIハードウェアを実環境に近い条件で限界まで動かし、トレイからラック、クラスター、製造ライン、顧客のAIファクトリーへと規模を広げながら、不具合を顧客より先に見つける役割です。
検証は、新しいシステムに初めて電源を入れる段階から始まります。部品を一つずつ起動し、基板を統合して、ファームウェアとソフトウェアの担当者らが動作の兆候や障害を追います。
フィザ氏は、Rubin GPUがシステムレベルで初めて認識された場面を、入社後の印象的な出来事として挙げました。しかし初動作は出発点にすぎず、製品は実運用に耐える強さを量産前に確かめる必要があります。
一枚の基板には数万個、ラックには50万個近い部品があり、負荷をかけても一つのシステムとして動かなければなりません。問題は高速信号、放熱余力、電力の安定性だけでなく、ねじの締め過ぎや顧客施設のほこりにも起因します。
では、原因をどう絞り込むのでしょうか。障害が起きると、チームは再現条件を変え、ファームウェアを調べ、機械的要因を外し、信号や測定波形を検証して原因を絞ります。AI基盤を導入する経営者や技術責任者には、性能指標だけでなく、量産・設置環境まで含む検証が安定運用を支えるとの示唆があります。
NVIDIAは2026年9月22日、カナダ・トロントで開かれたROSConで、無料・オープンソースのロボット開発基盤「Isaac ROS 5.0」を公開しました。AIエージェント向けの開発手順や文書、最新のROS LyricalとUbuntu 24.04への対応を加え、人とAIが共同で知覚・操作アプリを構築し、Jetson上へ展開するまでの時間短縮を狙います。
新たなIsaacスキルは、環境構築やロボット操作を再利用可能な手順として提供します。エージェント向け文書と組み合わせ、開発者の意図を動くアプリに変える作業を支援します。
FoundationStereoの微調整スキルでは、カメラや稼働環境に合わせたステレオ知覚モデルの調整をAIが補助します。FoundationPoseの推論ライブラリは、物体の位置と向きの認識・追跡を最大5.5倍高速化し、検出から把持・配置までをつなぐ独立スキルも加わりました。
ROS Lyricalでは、異なる計算ハードウェア間でロボットソフトを効率よく動かす標準データ処理インターフェースをNVIDIAがOpen Source Robotics Allianceと共同で整備しました。CUDAをGPU高速化の実装例とし、ROS利用者が共通方式で計算負荷の高い処理を加速できます。
実装先はJetson Orin NanoからJetson Thorまでをカバーし、開発から実機展開まで同じ基盤を使えます。Universal RobotsやMentee Robotics、Magnaなどが知覚、動作計画、製造自動化へ採用しており、企業は既製のモデルとライブラリを使って個別開発や高価な治具への依存を減らせます。
Hugging Faceは2026年9月21日、次期tokenizers v1のリリース候補版が、旧版v0.23よりテキスト符号化を単一スレッドで3〜30倍高速化したとの測定結果を公表しました。Apple M4 Max上で10種類のモデル群を比較した結果で、既存のトークンID、API、語彙、マージ順位を維持しながら、CPU側の処理待ちでGPUが遊休する事態の抑制を狙います。
性能比較には公開ベンチマークのtokbenchを使い、全エンジンに同じ計測ループを適用しました。読み込み時間を除外し、出力IDのハッシュ一致を確かめ、主要結果ではキャッシュに収まり切らない異なる文書を処理しています。
高速化の柱の一つは、対応するBPEモデルで正規表現による分割をSIMD対応のビット演算に置き換えた点です。64バイト単位で境界を判定しますが、未対応の分割パターンは従来の正規表現経路を使うため、効果はモデルごとに異なります。
反復するプリトークンには、処理済みのIDを保存するスレッドローカルキャッシュを使います。加えて、呼び出し元の作業バッファーを再利用し、マージ処理でのメモリ割り当てをなくしたほか、複数のプリトークンを一括処理します。
リリース候補版はRust向けにcrates.ioで公開され、従来と同じAPIで導入できます。今後は1.0.0に向けて対応モデルを増やし、Pythonバインディングの簡素化や、CおよびC++向けの推論用バインディングも進める計画です。
Pinterestは2026年9月17日、生成AIを使って自室の模様替えを画像上で試せる新機能「Restyle」を、アメリカとカナダでベータ公開すると発表しました。利用者は部屋の写真に家具や壁飾りを加え、照明、壁の色、植物などを変えながら、Pinterestで見つけた商品が実際の空間にどう映るかを比較できます。
操作は文章による指示だけではありません。画像内の品を選び、別の品への交換、削除、追加編集ができるほか、部屋全体をボヘミアンやインダストリアルなど別のスタイルで可視化できます。
RestyleはPinterest Intelligenceを基盤にしています。この技術基盤はNvidiaのBlackwell GPUとDynamo、オープンソースモデル、Pinterest独自技術を組み合わせています。
部屋のAI模様替え自体は新しい用途ではありませんが、Pinterestへの統合には同社ならではの意味があります。利用者は保存した着想や商品を自室で試せるため、ピン留めした商品を購入につなげられる可能性があります。
同社は年次イベント「Pinterest Presents」で、広告主向けの新しいビジュアル検索広告やアプリ販促機能とともにRestyleを披露しました。現時点では早期プレビューで、翌月から対象を広げる予定です。
Google、Google DeepMind、メリーランド大学、バージニア大学の研究チームは9月17日、AIエージェントが過去の探索履歴を再生し、次の探索方針を低コストで改善する「Dream-RSI」の検証結果を公表しました。既存のSimpleTESとの比較では、発見エージェントの呼び出しを最大162分の1に抑え、複数の課題で探索品質を維持または改善したと報告しています。
Dream-RSIは、各判断と結果を構造化した履歴探索ツリーを保存し、別の順序でたどる再生シミュレーターとして使います。新しい探索方策の評価では保存済みの結果を読むため、基盤となる発見エージェントや評価器を何度も動かす必要がありません。
処理は、方策に従って履歴を集めるオンライン探索、再生シミュレーターの構築、代替方策を試す夢想ベースの改善という3段階です。分岐、並列実行、停止の基準は人が設定し、軽量な制御層が担うため、基盤のコーディングエージェント自体は変更しません。
Lasso探索では、Gemini-3.1-Proの平均実行時間が6データセットで3587.1ミリ秒から2931.0ミリ秒へ短縮し、呼び出し回数も550回から317回に減りました。最大162分の1という値の比較対象SimpleTESは、異なる基盤モデルgpt-oss-120bを使い、5万1200回生成していた点に注意が必要です。
GPUプログラミングでも、VGG16とLayerNormで同等の性能に必要な生成回数をそれぞれ2.43分の1、1.79分の1に抑えました。ConvDivとConvMaxでは同程度の計算予算で性能がそれぞれ2.09倍、1.44倍となり、過去に費用をかけて得た探索記録を再利用する手法のコードも公開されています。
NVIDIAは2026年9月16日、AI推論ベンチマークMLPerf Inference v6.1で、次世代システムVera Rubin NVL72の初のプレビュー結果を公表しました。Qwen3-VLの処理量はGB300 NVL72比で最大3.7倍、DeepSeek-R1では最大2.5倍でした。4ラック構成のGB300は99％の拡張効率も示しました。
Vera Rubinは、Qwen3-VLのオフライン、サーバー、対話の各条件で最大3.7倍の処理量を記録しました。この試験はオープンソースのvLLMとNVIDIA Dynamoを使用し、DeepSeek-R1ではTensorRT-LLMを使って最大2.5倍となりました。
性能向上の背景には、Tensor CoreとTransformer Engine、メモリー使用量を減らすNVFP4精度、入力処理と出力生成を分離する分散サービングがあります。第6世代NVLinkとNVLink Switchは、市販イーサネット比でパケット処理速度を10倍、遅延を3分の1にしたとNVIDIAは説明しています。
GB300 NVL72は、DeepSeek-R1で1ラック72GPUから4ラック288GPUへ拡張した際、処理量がほぼ比例して増え、99％の拡張効率を達成しました。WAN 2.2の文章から動画を生成する試験では、単一ノード比で処理量9倍、遅延7.5分の1を記録しています。
ソフトウェア面では、GB300のQwen3-VL性能がv6.0比で最大1.6倍に向上しました。提出期限後のGPT-OSS-120BとDLRMv3でも追加の改善を示しましたが、こちらはMLCommonsによる未検証の結果です。19社のパートナーも参加し、エッジ機器から複数ラックまで幅広い構成を提出しました。
マンチェスター大学の研究チームは、NVIDIAの気象・気候向け生成AI基盤「Earth-2」を使い、英国全域の大気汚染を2〜3平方キロメートル単位で扱う予測モデルを開発しました。NVIDIAが2026年9月16日に公表した事例で、英国のAIスーパーコンピューターIsambard-AI上のGPU8基を使い、1年分の毎時シミュレーションデータをわずか2日で学習しました。
従来の大気質予測は気象モデルに化学反応を組み込むため計算負荷が高く、細かい予測を頻繁に実行しにくい課題があります。研究チームは既存の化学・気候シミュレーションから訓練データを作り、Earth-2 CorrDiffで高解像度化したうえで、観測値を直接使う時系列予測モデルStormCastも追加しました。
訓練にはIsambard-AIのGPU8基からなる単一ノードを使用しました。完成した仕組みはNVIDIAの個人向けAI計算機DGX Sparkでも推論と小規模な再訓練を実行でき、研究者が机上の端末からモデルを改良できるとしています。
想定用途には、汚染対策の政策を変えた場合の将来シナリオ分析や、翌日・翌週の大気質悪化を医療機関がぜんそく患者へ知らせる仕組みがあります。端末側のセンサーからリアルタイムデータを取り込み、山火事などの発生時に判断へ生かす方法も検討中です。
チームは訓練データと作業手順をオープンソースで公開し、各国や都市が地域データを使って同様のモデルを作れるようにする計画です。追加の公開データで街路単位まで解像度を高め、将来は医療機関や行政が質問すると複数モデルが連携して答えるエージェント型画面を目指します。
電子廃棄物の国際移動を監視する非営利団体Basel Action Network（BAN）は、AI関連機器の廃棄量が2025〜2050年の累計で3億9500万〜6億1700万トンに達するとの報告書を公表しました。The Vergeが2026年9月16日に伝えた推計で、年間では860万〜1310万トンとなり、サーバーやGPU以外を含めると従来研究より大幅に増えると警告しています。
BANは、従来推計が主にサーバーと演算装置へ絞っていたのに対し、電力供給・配電、冷却、非常用電源、ネットワーク機器も対象にしました。さらに、AIの進歩で早く旧式化すると想定する通信基盤や個人向け機器も「AI Waste Contagion」として算入しており、算定範囲の広さが結果を押し上げています。
報告書は、データセンター容量1ギガワット当たり7万トンの電子ごみが生じると見積もり、2030年に世界の容量が最大219ギガワットになるとの外部予測を使いました。2050年の世界全体の電子ごみは年間最大2億1100万トンへ増え、その15〜20％をAI関連が占めると推計しています。
BANによると、サーバーと演算装置だけを見る過去の研究は、データセンターの電気・機械設備の約87％を捉えていません。従来研究には、AI関連ごみが2030年に120万〜500万トンへ達するとの予測や、AIサーバーだけで同年代末に年間13万1000〜22万5000トンになるとの推計がありました。
世界では現在、年間6830万トンの電子ごみが生じていますが、正式に回収・再利用されるのは4分の1未満です。非公式な処理現場で機器を焼却・埋設すると、作業者や周辺環境が鉛やクロムにさらされる恐れがあり、AI基盤の建設と並行した回収・再利用計画が課題になります。
NVIDIAは9月15日、AI Infra SummitでAIデータセンター向け基盤「DSX」の電力最適化成果を公表しました。GPUクラウドのLambdaは、DSX MaxLPSにより同じ電力枠でノード数を16から19へ増やし、トークン処理量を24％、電力当たり性能を23％向上させたと報告しました。電力が制約となる中、設備全体を制御して1メガワット当たりのAI処理量を増やす狙いです。
DSX MaxLPSはGPUとラックの消費電力を監視し、処理内容に応じて未使用の電力余力をノード間で再配分します。Lambdaの5ラック、19ノードの検証では、毎秒の処理量が約400万トークンから500万トークンへ増えました。
NVIDIAは次世代Vera Rubin NVL72を使う適切な環境では、同じ電力枠でGPU容量を最大40％、トークン処理量を最大35％増やせると予測しています。これは実測値ではなく、同社が示した将来構成での上限値です。
電力網との連携では、Emerald AIのConductorがSilicon Valley Powerから200回超の需要信号を受け、低優先度の処理を抑えながら高優先度の推論を継続しました。ある応答では消費電力を4メガワットから3メガワットへ自動で下げました。現状はDSX Flexの導入例ではなく、その考え方を商用規模で示した実証です。
Emerald AIはConductorをDSX Flexへ統合する計画で、最初の専用商用導入先はバージニア州マナサスの96メガワット施設になる予定です。NVIDIAは高密度ラックへの給電効率を高める800ボルト直流方式もDSXの設計指針に組み込み、電力管理、冷却、ネットワークを設備全体で最適化します。
IBM Researchは2026年9月15日、AIエージェントの反復成功を診断・改善するConsistency Analyzerを、オープンソースのALTK-Evolveに追加しました。GPT-4.1を使うReActエージェントの試験では、平均成功率77.4％に対し5回すべて成功した課題は53.0％で、新たな指針により一貫性格差を24.4ポイントから12.0ポイントへ縮めました。
一般的なMean@kは、課題をk回実行した成功率の平均であり、同じ課題を毎回解けるかは示しません。Pass^kは全k回に成功した課題の割合、Pass@kは少なくとも1回成功した割合で、再試行結果を選べない業務ではPass^kが再現性を測る指標になります。
不安定さは、次の語や操作を選ぶ確率が複数候補の間で拮抗する判断点から生じます。GPU計算や処理のまとめ方による小さな差でも選択が変わり、判断を何十回もつなぐエージェントでは差が累積するため、温度0や固定シードでも同じ結果を保証できません。
Consistency Analyzerは1本の実行履歴を使い、各判断点で既存の文脈から既定5件の応答候補を一度に再生成し、結果が変わりやすい箇所を採点します。判断点ごとに追加のモデル呼び出しが1回必要ですが、正解データ、モデル内部情報、ツールの再実行、課題全体の再試行は不要です。
検出した不安定な判断点から、検索結果を複数確認するなど再利用可能な指針を自動生成し、推論時にエージェントへ渡します。AppWorldの168課題を各5回試した評価では、Pass^5が53.0％から69.0％へ上がり、Mean@5も77.4％から81.0％へ改善して、平均精度を犠牲にしませんでした。
別の類似課題でもPass^5は13.0ポイント向上し、指針が単一の実行履歴だけを修正するものではない可能性を示しました。IBM Researchは、導入時にMean@kとPass^kを併記し、より大きなモデルへ替える前に難しい課題の一貫性格差を測るよう勧めています。
Perplexityは2026年9月14日、NVIDIAのGeForce RTX搭載PCとRTX PROワークステーション向けに、Windows版「Portable Computer」の提供を始めました。複数工程の作業をローカルAIで計画・実行し、機密ファイルを端末内に保ちながら、必要な場合だけ利用者の許可を得てクラウドモデルへ処理をつなぎます。
Portable Computerは、端末上のモデルでデータを分析し、複数ファイルの情報をまとめ、繰り返し作業を処理します。ローカルで完結した作業はPerplexity Computerのクレジットを消費せず、内蔵ブラウザーや独自のSPACEサンドボックスも利用できます。
導入時には、Perplexity Computer向けに追加学習し、NVIDIA RTX GPUに最適化したQwen 3.8 27Bなどのローカルモデルを使えます。利用者がモデル選定や複雑なソフトウェア構成を自力で整える負担を減らす設計です。
Microsoft OutlookやOneDrive、Word、Google Drive、Gmail、Slack、GitHub向けの接続機能も備えます。プルリクエストの整理、金融資料の費用分析、利用開始率が伸びない原因の特定などを、日常のファイルやアプリを横断して支援します。
利用には24GB以上のVRAMを備えたGeForce RTXまたはRTX PRO GPUが必要です。NVIDIA DGX SparkとLinux版RTX PCへの既存対応に加え、DGX Stationへの対応も予定されています。
OpenAIは2026年9月10日、長時間稼働するAIエージェントを構築する「Agents API」を全開発者向けの公開ベータとして提供しました。同社がCodexとChatGPT for Workの大規模運用で得た知見を基に、文脈管理やツール利用、サブエージェント連携を一体化。開発者はタスク、モデル、ツール、実行環境を指定する1回のAPI呼び出しで、数日間動くエージェントの基盤を用意できます。
OpenAIがエージェントを動かすハーネスを運用・保守し、開発者は固有のツールや知識、業務フローに注力できます。計算環境はOpenAI管理のサンドボックス、自社インフラ、提携事業者から選べ、提携先を通じたVPC内への配備にも対応します。
OpenAI管理のサンドボックスは、コード実行、ファイル操作、成果物の作成に必要な環境を同社が用意します。ファイル、パッケージ、スキル、プラグインを柔軟に設定でき、用途に応じたエージェント環境を整えられます。
長時間の作業では、コンテキスト上限が近づくと過去の文脈を自動圧縮し、必要な情報を保ちながら複数のコンテキスト枠にまたがる処理を継続します。ツール検索は必要な定義だけを読み込み、プログラムによるツール呼び出しは並列実行や結果の絞り込みに対応します。さらに、複雑な仕事を独立した単位に分け、別々の文脈を持つサブエージェントへ並列に委任できます。
基盤にはオープンソースのCodexハーネスを使い、開発者はモデル呼び出しやツール、文脈を連携させる中核ロジックを確認できます。各モデルの公開時には機能へバージョン付きでアクセスでき、OpenAIがモデルと並行してハーネスを改善します。Agents API自体に追加料金はなく、利用したトークンとツールの料金だけが発生します。
NVIDIAの創業者兼CEO、ジェンスン・フアン氏は9月10日、ゴールドマン・サックスの技術会議で、来年の売上高が前年比70％増える可能性があるとの見通しを改めて示しました。AI向け計算基盤の幅広い採用と、サプライヤーからデータセンターまで需要を把握できる立場を根拠に挙げ、アナリスト予想を基にすれば売上高は約6800億ドルとなります。
成長の足元を示すのが、36基のGrace CPUと72基のBlackwell GPUを組み合わせたGB200 NVL72です。フアン氏によると、同システムの受注は月間27％のペースで伸びています。
同氏は、NVIDIAがAnthropic、OpenAI、Googleのモデルに加え、オープンウェイトのモデルにも対応する点を強調しました。メモリー企業、機器メーカー、クラウド事業者、AI新興企業と連携し、世界の土地や電力、データセンター建設の動向まで追跡していることが需要予測の根拠です。
一方、NVIDIAが投資先に自社製品を買わせる循環取引への懸念もあります。フアン氏は、投資前に顧客から収益を生む実契約を確認しており、把握する契約総額は1000億ドルだとして、リスクを抑えていると説明しました。
高成長は続くのでしょうか。Amazon、Microsoft、GoogleやAI研究企業が独自チップを開発し、Cerebrasなども競争を強めるなか、AI企業がインフラやトークン利用を効率化すれば需要構造が変わる可能性があり、70％成長の実現性は今後の検証を待ちます。
Hugging Faceは2026年9月10日、ブラウザー上のノードグラフ「Workflow1111」を公式ブログで紹介しました。AUTOMATIC1111風の画像・動画処理11系統を73ノードで再現し、テキスト画像生成から高解像度化、物体検出、動画化までを単一キャンバスに統合します。利用者はHugging Faceで認証し、自分の推論枠で各モデルを呼び出せます。
基盤はPython関数のfn、推論モデルのmodel、別のGradio Spaceを呼ぶspace、Hubデータセットの行を使うdatasetという4種類の演算子です。入力と出力をポートとして結ぶだけで、LLM、画像生成、VLM、検出、動画生成を同じグラフに配置できます。
同じ依存段階のノードは自動で並列実行されます。画像から生成プロンプトを作るVLMと分類器を同時に走らせるほか、4種のプロンプト行列も一斉に画像化し、追加の並列制御コードを不要にしています。
ネットワーク依存も抑えています。36個の演算子ノードのうち32個がfnで、22個はPillowやNumPyなどを使って端末内だけで動作するため、接続を失ってもキャンバスのおよそ3分の2は利用できます。外部モデルはInference ProvidersやSpaceへ委ねる一方、fnにはローカルGPUのモデルも結び付けられます。
各出力ノードは型付きRESTエンドポイントになり、Workflow1111では9本を公開しています。MCPサーバーを有効にすれば同じ出力がAIアシスタント向けツールになり、呼び出し元ごとのトークンで画像生成や検出を組み込めます。企業の開発者にとって、可視化、実行、API公開を一つの設計図で管理できる点が実装上の要点です。
AI推論チップを手がけるd-Matrixは2026年9月10日、次世代Raptor XPUをNVIDIAのAI基盤に接続するため、NVLink Fusionを採用すると発表しました。NVLinkのスケールアップ接続、Spectrum-X、MGXラックを組み合わせ、専用半導体を大規模環境へ投入するまでの期間、コスト、技術リスクを抑える狙いです。
XPUをAI工場規模で運用するには、ネットワークだけでなく、ラック設計、電力、冷却、ソフトウェア、供給網まで整える必要があります。d-Matrixは検証済みのMGXラック設計と共通基盤を活用し、プロセッサーごとに別のラックを用意する負担の軽減を目指します。
同社はRaptor XPUを単一の高帯域・低遅延領域で接続し、NVIDIA Vera Rubin NVL72などのGPUシステムと分離型推論で併用する計画です。Vera CPU、ConnectX-9 SuperNIC、BlueField-4 DPU、Spectrum-X Ethernetも統合対象に挙げています。
NVIDIAによると、NVLink Fusionは専用XPUやCPUを同社のネットワーク、システム、ソフトウェア、供給網へ接続する仕組みです。利用企業は共通のAI工場基盤で処理ごとに計算資源を選べるため、超低遅延の推論基盤を導入・拡張する際の選択肢が広がります。
OpenAIは2026年9月6日、熟練研究者なら数日かかる明確な課題を人の指示下で遂行する「自動研究インターン」の目標を達成したと発表しました。社内ではコーディングエージェントの利用が研究を速めており、2028年3月までに自動AI研究者を構築する計画です。一方で、能力向上に安全対策が追いつかない可能性を認め、人間の統制と民主的な意思決定を開発継続の条件に据えています。
8月中旬、中央値の研究者によるエージェント利用はAPI価格換算で1日600ドルを超えました。研究組織全体では、人間の1労働日につき3.1労働日相当のエージェントが稼働し、実験数やコード作成も増えています。ただし計算資源の増加も影響しており、個別指標ほど研究全体が速まるとは限らないと説明しています。
委任対象はコード作成から技術支援や実験監視へ広がりましたが、高水準の計画は出力のごく一部です。人なら4〜8時間かかる課題では、成功例の半数超に1回以上の人の介入があり、優先順位、結果の評価、拡大・停止・展開の判断は引き続き研究者が担います。
OpenAIはHugging Faceを巡る事故後、配備予定の最新モデルへの強化学習を一時停止し、研究環境の防御と監視を強化しました。7月20日の基盤侵害後には訓練用コンテナを停止し、8月7日以降はAstraの安全制限により同モデル群のGPU割り当てが59.2％減少するなど、危険時に減速する方針を実行しています。
同時公開の論考は、モデルが高度化するほど思考過程の監視に頼りにくくなり、安全性への確信が研究進展の制約になると指摘しました。自発的な減速に加え、第三者監査、政府機関、国際組織が担う共通の安全基準を求めています。自動研究を進める鍵は到達速度ではなく、人を改善の循環に残し続けられるかどうかです。
2026年9月3日、Hugging FaceはLiquid AIの3億5000万パラメータモデル「LFM2.5-350M」を、約500件のデータと100ステップのGRPOで構造化出力向けに調整する手順を公開しました。IFStructの2000件評価では、同一のllama.cpp・BF16環境で合格率が22.6%から29.7%へ7.1ポイント上昇し、小型モデルへの用途別学習の効果を示しました。
基準モデルの総合成績は452件、合格率22.6%でした。内訳はJSONが18.0%、YAMLが27.2%、ラッパーキーが28.5%、トップレベルの裸の配列が16.6%で、必須項目の欠落や項目数の誤りが目立ちました。
学習にはNVIDIAの構造化出力データ約500件を使い、40%のプロンプトにコードブロック指定、別の20%にトップレベル配列の課題を加えました。LoRAで約600万パラメータ、モデル全体の約1.66%を学習対象にしています。
報酬は解析可能性と指定形式、最上位フィールド数、JSON Schema適合性の3軸で採点し、重みを1.0、0.5、2.0に設定しました。16GBのGPUで100ステップを回し、各プロンプト群から8出力を生成するGRPO学習です。
調整後はJSONが18.0%から31.9%、裸の配列が16.6%から29.7%へ伸びた一方、YAMLは27.2%から27.5%とほぼ横ばいでした。狙った形式で改善した結果は、運用で重要なスキーマ準拠を小型モデルに学ばせる際、用途に沿ったデータ拡張と報酬設計が鍵になることを示します。
2026年9月3日、Abliteration.aiは、Z.aiのオープンウェイトモデルGLM-5.3から有害な依頼への拒否機能を除いた改変版を、ウェブとAPIで使える商用サービスとして提供しています。防御側が攻撃者の挙動を再現し、サイバー攻撃やAIエージェントの耐性を検証しやすくする狙いですが、危険な作業への障壁も下げるとして、安全性と企業の責任範囲が問われています。
拒否機能の除去は長年使われてきた手法で、Hugging Faceには数千の改変モデルがありますが、利用者は通常、モデルの取得と計算資源の確保が必要です。同社はこれをホスト型サービスにし、2025年末の創業後、2026年3月に法人化しました。TechCrunchは無料アカウントで試し、保存済みのChromeパスワードを盗むPythonプログラムや危険な病原体の家庭培養手順を求めると、モデルが応じたと報告しています。
共同創業者のDevon氏によると、同社は主要クラウド事業者と複数の契約があり、その費用を顧客収入だけで賄い、ベンチャー資金はまだ調達していません。顧客には英国や欧州の初期段階のレッドチーム企業が含まれ、銀行や航空会社などのサイバー防御を支援しています。主要顧客の一社は銀行のAIエージェントを検証しているといいます。
同社は顧客が任意の安全策を加えられるモデレーション機能を用意し、暴力を防ぐ対策も追加中だと説明しています。一方、本人確認は決済カードの記録以外に導入しておらず、企業責任の線引きは検討中です。TechCrunchの試行では、自殺方法の提示は拒みました。
擁護側は、攻撃者がすでに同様のモデルを使う以上、防御側にも攻撃を再現する道具が必要だと主張します。ただし、実務では制限の少ないオープンモデルの追加学習で足りるとの声や、拒否機能の除去で知識や性能が落ちるとの指摘もあります。AI安全団体CivAIの研究責任者は、提供者による有害用途の検知・遮断と、高性能GPUを直接貸す企業による顧客本人確認を政府が義務付ける案を示しています。
VentureBeatが2026年9月2日に報じた7月のVB Pulse調査で、AI基盤に関わる170人の39.4%が今後12カ月にNvidia以外の半導体を評価すると答えました。次世代Nvidia製品の25.3%を14ポイント上回り、企業がAWS Trainium、Google TPU、AMD Instinct、Intel Gaudi、自社ASICへ選択肢を広げている実態が浮かびます。
Nvidiaは多くの本番環境で依然として標準ですが、非Nvidia製品への評価意向は6月の31.8%から7月に39.4%へ上昇しました。経営幹部では57.1%、最終意思決定者では50.0%に達し、半導体の多様化が技術部門だけでなく経営上の基盤戦略になりつつあります。
企業は基盤をすぐ入れ替えるより、既存環境を拡張して効率を高めています。3カ月以内の変更予定は38.3%から28.8%へ低下する一方、選定時に性能を重視する割合は35.3%、100万トークン当たりの費用を重視する割合は15.9%へ上昇しました。既存のクラウドやデータ基盤との統合は40.0%で、引き続き最重要項目です。
本番利用はGoogle Geminiが47.6%、Microsoft Azureが47.1%、OpenAIが49.4%、Anthropicが24.7%まで広がりました。自社GPUを50%超で稼働させる回答も13%から23%へ増え、評価軸は抽象的な総保有コストから信頼性、処理性能、実作業当たりの費用へ移っています。
別のコンテキスト層調査では、79.2%が単一事業者に全面依存せず、外部ツールや複数の実行基盤を組み合わせる方針でした。新興AIクラウドの利用拡大意向も38%に上り、オープンソースの自社運用基盤を本番利用する割合は12.9%へ増えています。企業にとって、半導体、クラウド、モデル周辺機能を用途別に選べる余地が交渉力と統制力につながります。
ただし、6月と7月の調査は同じ回答者を追跡したものではなく、7月は従業員1,000人超の組織が多いなど標本構成が異なります。統計的有意性の検定もないため、数値は因果関係の証明ではなく市場の方向を示す兆候として読む必要があります。それでも、企業がNvidiaを捨てるのではなく、複数の選択肢を確保して次の基盤投資に備える姿勢は明確です。
Hugging Faceは2026年9月1日、ローカルAIをブラウザーで高速に動かすため、207種のWebGPUカーネルとJavaScriptライブラリー「@huggingface/kernels」を公開しました。各カーネルをHugging Face Hubから読み込み、端末や入力条件に合う実装をアプリ側のAPIを変えずに選べる仕組みです。
対象は行列演算、正規化、畳み込み、アテンション、量子化など、機械学習モデルを構成する低水準の処理です。WebGPUはブラウザー間の可搬性を提供しますが、GPUやブラウザー、入力形状によって最適なメモリーアクセスや並列化の方法は異なるため、専用カーネルが性能の土台になります。
各カーネルは個別のリポジトリーとして公開され、入出力仕様、対応データ型、WGSLシェーダー、正確性テスト、ベンチマーク条件をまとめています。版管理された契約と再現可能な証拠を一体化し、実装を改良してもアプリが依存するJavaScript向け仕様を安定させる設計です。
Apple M4 GPU上でONNX Runtime Webと比較したところ、出力と計測の条件を満たした809例で、Hugging Faceのカーネルは幾何平均2.57倍、中央値1.90倍高速でした。ただし計測はGPU上の個別処理に限り、読み込み、コンパイル、データ転送やモデル全体の実行時間を含まないため、製品性能をそのまま保証する数字ではありません。
同時公開のFleetは、利用者のブラウザーで正確性と速度を測り、同意を得た実行結果を非公開の検証データとして集めます。開発者は実機差を踏まえた選択規則や派生実装を改善でき、Hugging FaceはONNX Runtimeチームへの成果の還元と、上位のモデル実行ツールへの接続も進める方針です。
IEEE Spectrumは2026年9月1日、Far LabsやEvolving Edgeなどが、家庭や小規模事業者の余剰計算力をAI推論に使い、端末所有者へ対価を払うサービスを紹介しました。既存のCPUやGPUをネットワーク化し、主に小型のオープンソースモデルを動かすことで、大規模データセンターを補完します。
Evolving Edgeはオープンベータ中で、Far Labsは数週間以内にFar AIを開始する予定です。利用者はアプリを導入し、稼働時間を指定して、許可した範囲で推論処理を受け入れます。
安全対策では、Evolving Edgeがスケジューリング用ソフトウェアを公開し、Far Labsは最小権限の設計を採用します。処理を隔離し、通信を認証・暗号化するとともに、GPU、CPU、メモリー、ストレージ、ネットワークの使用量に上限を設けます。
家庭用端末は性能や接続品質が不均一なため、最先端の巨大モデルには向きません。一方、業務別に調整した小型モデルなら単一端末でも動かせ、必要に応じてRayなどで処理を複数のCPUやGPUへ分割します。
両社は、既存設備を使うため設備投資を抑えられ、ノードの分散によって障害への耐性も高まると説明します。Far Labsは遅延100ミリ秒以下をうたい、近隣端末への処理割り当てがゲーム内AI動画生成などの用途を広げる可能性を示しています。
米宇宙企業SpaceXを率いるイーロン・マスク氏は8月29日、同社がテキサス州バストロップで進めていた秘密工場の目的を、ガスタービンの翼(ブレード)の内製鋳造だと明らかにしました。人工知能(AI)データセンター向け電力不足の解消を狙ったもので、外部委託より最大18カ月早くタービンを稼働させられるといいます。同日には調査報道メディアThe Informationが、求人情報などから同社が鋳造工場を建設中と報じており、マスク氏の発言はこれに応じた形です。
AI業界では画像処理半導体(GPU)の不足に加え、電力網の逼迫という新たな制約が浮上しています。国際エネルギー機関(IEA)は2030年までに世界のデータセンター消費電力がほぼ倍増すると予測しており、タービン大手GEベルノバは2030年までの生産枠がほぼ売り切れの状態です。
タービン翼は摂氏約1650度から2000度という、素材の融点を上回る高温にさらされるため、単結晶構造で欠陥なく鋳造する高度な技術が必要です。この製法を量産規模で実現できる企業は世界に4社しかなく、いずれも受注が満杯の状態が続いています。
SpaceXが内製化に成功すれば、他のAIインフラ事業者が依存する寡占的な供給網から独立し、競合他社に対する優位性を握ることになります。マスク氏は自社の太陽光発電と組み合わせ、天然ガスタービンを橋渡し役として活用する考えを示しています。
一方で、ガスタービンの増設は大気汚染への懸念とも表裏一体です。同氏が率いるxAIがメンフィスで稼働させるタービンについて、全米黒人地位向上協会(NAACP)は必要な許可や排出制御を経ていないと繰り返し批判しています。研究者は近隣で大気汚染がわずかに悪化したとの分析結果も示しています。
バージニア州の「データセンター街道」でも同様の問題が指摘されています。米環境保護庁(EPA)の手法を用いた民間調査では、1施設のタービン群だけで年間3.4人から6.5人の早期死亡と、最大9900万ドルの健康被害額が生じると推計されています。
半導体大手Nvidiaは今週の決算発表を受け、GPU単体の性能だけでなく、データセンター全体を効率よく動かす周辺システムにも大きな強みを持つことが投資家の間で改めて注目されています。競合するハイパースケーラー各社が自社チップの開発を進める中、Nvidiaはデータ移動の最適化という新たな競争軸で優位に立ちつつあります。
これまでNvidiaに対しては、AmazonやGoogleなど大手クラウド事業者が独自チップの開発を進め、GPU市場での「一強」体制が崩れつつあるとの見方が主流でした。実際、2023年から2025年半ばにかけて時価総額が10倍に伸びた後、この1年は株価の伸びが鈍化しています。
しかし今回の決算を機に、新たな見方が広がっています。Nvidiaが展開する新アーキテクチャ「Vera Rubin」は、GPU「Rubin」に加え、CPU「Vera」や推論加速機「Groq 3 LPX」、ストレージ・ネットワーク用ラックを組み合わせた構成です。担当者によると、Vera CPUはサーバー内のメモリ配置を最適化し、GPUへのデータ供給を効率化する役割を担っています。
同社ストレージ技術担当のジェイソン・ハーディ氏は、Vera CPUの導入によって関連処理で最大3倍の性能向上が確認されたと説明しています。メモリ容量の拡大が進む一方で、GPUに適切なタイミングでデータを届けることは容易ではなく、こうした「交通整理」の巧拙が電力あたりの処理性能を左右するといいます。
同様の課題は他社にも共通しています。OpenAIが独自開発した推論チップ「Jalapeño」も、データ移動そのものを減らすことで効率を高める設計です。同社はブログで、ワークロードを一つの統合システム内で完結させることでデータ移動と通信遅延を最小化したと説明しており、アプローチは異なるものの狙いはNvidiaと共通しています。
データ処理の効率化という新たな土俵では、Nvidiaも他のチップメーカーやハイパースケーラーとの競争を免れません。それでも記事は、少なくとも現時点でNvidiaが大きく先行していると結んでいます。
Wired誌が、自宅のパソコンで大規模言語モデル(LLM)を動かし、ChatGPTのようなチャットボットを構築する方法を紹介しました。ローカル環境でLLMを稼働させれば、インターネット接続なしでも利用でき、入力内容を外部に送信しないプライバシー保護も期待できます。月額料金を払わずに、MetaやGoogleなどが無料公開するモデルを試せる点も魅力です。
動作環境については、WindowsやmacOS、Linuxで実行可能ですが、CPUとGPU、メモリを統合したApple Siliconを搭載するMacが特に扱いやすいとされています。メモリは最低8GBで動作するものの、快適に使うには16GB以上、大型モデルには32GB以上が望ましいとのことです。Windows環境では、専用のVRAMを備えたNvidia製GPUがあると処理が大きく向上します。
ソフト選びでは、初心者向けにLM Studio Bionicが挙げられており、WindowsとmacOSの両方に対応し無料で使えます。より技術に詳しいユーザー向けには、vLLMやLlama.cpp、Ollama、GPT4Allといった選択肢も紹介されています。モデル自体は、300万種類以上を公開するHugging Faceなどのリポジトリから入手できます。
具体的な導入手順としては、LM Studio Bionicをインストール後、プロジェクトを作成し、モデル選択画面から好みのモデルをダウンロードして会話を始める流れになります。画像やファイルを扱う場合は、マルチモーダル対応モデルを選ぶ必要があると説明されています。
記事は、ローカルLLMの運用には更新作業などの手間が伴う一方、クラウド版にはない自由度とプライバシーを得られると結論づけています。用途や環境に応じてソフトとモデルを選べる柔軟性も、自分専用のAI環境を持つ利点として強調されています。
AIクラウド企業のLambdaは2026年8月28日、私募の短期債務により10億ドルを調達したと明らかにしました。調達資金はNvidia製AIチップの購入に充てられ、取引はJPモルガン・チェースが組成しました。調達したチップはMicrosoftにリースする計画で、早期に収益化して債務を返済する狙いがあります。
Lambdaにとって今回は、特定顧客向けのGPUインフラ整備を目的とした一連の借り入れの最新事例です。同社は5月にも10億ドル規模の担保付き信用枠を締結し、今週にはNvidiaの最新モデル『GB300』GPU向けに9億2600万ドルのターム・ローンB契約の完了も発表しました。
今回の私募債務は、Lambdaが30億ドル規模のIPO前資金調達を協議しているとされる最中の動きです。同社は昨年11月にもベンチャーキャピタルから15億ドルを調達しており、その際の企業価値は54億3000万ドルに達していました。
Lambdaのように債務を活用してAIブームを支えるのは同社に限りません。Bloombergが集計したデータによると、銀行とテック企業は2026年に入り、AI関連の債務を世界で4000億ドル超も積み上げています。
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。
AI開発者向けの祭典Actuateカンファレンスが先週開催され、2023年の発足以来、参加者は3倍の1500人に拡大しました。会場では、ロボットに搭載するAI(物理AI)モデルは大規模言語モデルでいう「GPT-2期」に相当するとの見方が共有され、実用化にはさらなるデータと計算資源が必要だとの認識が広がっています。
折しも同時期、中国の大手ロボットメーカーユニツリーは、時価総額660億ドルで上場を果たした直後に株価が急落し、価値の半分近くを失いました。ロボットの身体能力は向上しているものの、実際に価値を生む作業をこなす知能が伴っていない点が要因として指摘されています。
業界最大の課題は、高品質な学習データの不足です。あらゆる作業をこなす汎用ロボットの実現は依然遠く、特定タスクに特化した学習でも商用レベルの信頼性は確立できていません。シミュレーション企業Antiochの創業者ハリー・メルソップ氏は、より多様なデータセットと、光線追跡に最適化したGPUによる高精度シミュレーションが不可欠だと語りました。
自動運転分野は人が運転する車から大量のデータを収集できるため、開発が最も先行しています。Wayveのアレックス・ケンドールCEOは「操作系ロボットは5年前の自動運転と同じ段階にある」とし、車載データやシミュレーション基盤を人型ロボットにも応用できると主張します。一方、人型ロボット企業Genesis AIのテオフィル・ジェルベCEOは、ハードウェアとAIの共同設計こそが重要だとして異を唱えています。
ジェルベ氏は、成功率80%の汎用ロボットに顧客価値はないと指摘し、太陽光発電所を手がけるGrittや、掘削機を自律運転するBedrockなど、特定用途に絞った企業が先に現場実装を進めていると説明します。Foxgloveのエイドリアン・マクニールCEOは、ChatGPTのような爆発的普及の瞬間はロボット分野には訪れないとしつつ、家庭で使えるロボットが登場する「Apple II」や「IBM PC」的な瞬間の到来に期待を寄せています。
NVIDIAは2026年8月26日、ラックスケールAI基盤向け相互接続技術「NVLink Fusion」を拡張し、新型メモリ規格「NVHBM」を導入すると発表しました。メモリコントローラーをHBMの基板ダイ側に統合することで帯域幅と電力効率を高め、ハイパースケーラーによるAI向けカスタム半導体の開発を後押しする狙いです。
従来のHBMアーキテクチャでは、メモリコントローラーをXPUのダイ上に搭載するため、演算用の貴重なシリコン面積を圧迫していました。NVHBMはこの制御回路をHBMの3Dスタック側に統合することで、標準的なHBM4Eと比べて最大30%のメモリ帯域向上、15%の消費電力削減、そしてXPUの演算ダイ面積を最大25%拡大できるとしています。
NVIDIAは複数のメモリメーカーが対応可能な標準実装としてNVHBMを整備し、供給元ごとに異なる設計や検証にかかる手間を軽減する方針です。これによりNVLink Fusionを採用する企業は、カスタムAIチップをより短期間で市場投入できるようになるといいます。
NVHBMの採用第1号となるのは、Amazonの半導体開発部門Annapurna Labsです。同社はNVIDIAとの既存の協業関係を拡大し、次世代Trainiumチップ「Trainium4」からNVLink Fusionおよびスケールアップアーキテクチャに対応する計画で、AmazonのカスタムチップとNVIDIAのGPUを共通のラックスケール基盤上で連携させることを目指します。
Annapurna Labsの副社長ナフィア・ブシャラ氏は、「NVHBMは高帯域幅メモリの性能と効率を高める新たなアーキテクチャだ」と述べ、今後のAWSインフラ設計への活用に期待を示しました。NVIDIAはNVLink Fusionを通じて、CPUパートナーやASIC設計企業を含む幅広いエコシステムを提供し、ハイパースケーラーが独自開発に集中しつつ実績あるスケールアップ・スケールアウト技術を活用できる体制を整えています。
半導体大手のNvidiaは2026年8月26日、直近四半期(2027会計年度第2四半期)の決算を発表し、売上高が前年比で大きく伸び962億ドルという過去最高を記録したと明らかにしました。データセンター向け事業が全体をけん引し、同社は次の四半期には売上高が1080億ドルに達するとの見通しを示しています。
内訳を見ると、データセンター事業の売上高は前年から倍増以上となる89億ドルに達し、全体の大部分を占めました。純利益も倍増し597億ドルとなるなど、AI向け半導体需要の強さが業績を押し上げています。
一方、ゲーム向けなどを含む「エッジコンピューティング」部門の売上高は72億ドルにとどまりました。前年比では27%増となったものの、Nvidiaはメモリーや部品価格の高騰による個人向けPC市場の減速を認めています。
部品不足の影響でコンシューマー向けGPUの価格上昇が続いているほか、AI向けチップについても決算発表を前に値上げの見通しが示されました。データセンター事業への依存度が一段と高まる中、コスト増が今後の収益にどう影響するかが注目されます。
四半期売上高が1000億ドルを超える企業は、AmazonやApple、Alphabetなど一部の巨大企業に限られており、Nvidiaが名を連ねれば半導体業界では異例の規模となります。AI投資ブームを追い風に、同社の存在感は一段と増しそうです。
米Perplexityは25日、NvidiaのDGX SparkやRTX搭載Linux機上で完全にローカル動作する新製品「Portable Computer」を発表しました。データやAIモデルを端末内にとどめたまま処理を完結できるため、クラウド利用時に発生するトークン課金がかかりません。エージェント型AIの利用拡大に伴うコスト増や情報漏えいへの懸念に応える狙いがあります。
同製品は、Perplexityの企業向けAIエージェント基盤「Computer」をローカル環境向けに再構築したものです。モデルや推論エンジン、ツール群、セキュリティサンドボックスを一つのアプリにまとめており、従来は個別に構築する必要があったローカルAIスタックを簡単に導入できるようにしました。対応GPUは24GB以上のVRAMを搭載したRTXで、まずLinux版として提供し、Windows対応は9月を予定しています。
社内ベンチマークでは、27億パラメータのQwenモデルを使ったPortable Computerが82.6%のスコアを記録し、オープンソース製のハーネスを上回りました。Perplexity独自に追加学習したモデルでは85.4%まで向上しています。処理内容に応じて一部をクラウドの大規模モデルに引き継ぐ機能もあり、性能とコストの両立を図っています。
背景には、AIエージェントが長時間・大量のトークンを消費するようになり、クラウド利用料や機密データの流出リスクが企業にとって課題になっている事情があります。NvidiaにとってもDGX Sparkの用途を広げる狙いがあり、両社は昨年来のパートナーシップをさらに深めた形です。
一方で、現時点ではLinux版のみの提供にとどまり、対応GPUも24GB以上のVRAMを搭載したRTXに限られます。Apple製シリコンへの対応は予定されておらず、利用できる環境はまだ限定的です。Perplexityは公開したベンチマークが自社評価に基づくものであると認めており、今後の第三者検証が注目されます。
Hugging Faceは2026年8月25日、オープンソースのWebアプリ構築フレームワークGradioに新機能「gr.Workflow」を追加したと発表しました。画像生成モデルや音声合成、外部の関数などをノードとして接続するだけで、複雑なAIパイプラインを視覚的に組み立てられるのが特徴です。作成した各出力は自動的にREST APIエンドポイントとして公開されるため、コードを書かずにAI機能を外部から呼び出せます。
gr.Workflowのグラフは、入力となる「参照」、処理を担う「操作」、出力となる「被写体」という3種類のノードで構成されます。操作ノードには自作のPython関数のほか、Hugging Face Inference Providers上のモデルや既存のGradio Space、Hubのデータセットなどを指定でき、ポート同士をドラッグでつなぐだけでパイプラインが完成します。
公開されたデモには、画像をアップロードして指示文だけで編集する画像編集パイプラインや、FLUXで生成した画像を背景除去してステッカー化する例、音声合成とLLMを組み合わせてポッドキャストのタイトルと音声を同時生成する例などが含まれます。1つの入力から複数の処理を同時に走らせる「ファンアウト」型の構成も紹介されています。
各出力ノードには専用のRESTエンドポイントが自動で割り当てられ、Pythonのgradio_clientやcurlコマンドから直接呼び出せます。さらに関数ノードに「@spaces.GPU」を付与すれば、実行時のみZeroGPUがGPUを確保するため、外部サービスに頼らずSpace内でモデルを動かすことも可能です。
Hugging Faceは今後、gr.Workflowを使って画像生成ツール「AUTOMATIC1111」のような本格的なアプリケーションを構築する手順を解説する記事を公開する予定だとしています。開発者はコードをほとんど書かずに、AIサービスを組み合わせた実用的なツールを短時間で作れるようになりそうです。
Appleは2026年8月25日、新型デスクトップ「Mac Studio」と「Mac mini」を発表しました。両モデルには新チップ「M6」と「M5 Ultra」を搭載し、ローカル環境でのAI推論やソフトウェア開発向けに処理性能を高めました。機能面での大きな刷新はなく、あくまでスペックアップが中心の位置付けです。
M6はApple M系チップとして初めて2ナノメートル(2nm)プロセスで製造された新型チップです。M5 Ultraは、AIワークロードをはじめとする多くの処理で現行ラインアップ中最も高性能なチップと位置付けられています。両機種とも高速なCPU・GPUと統合メモリアーキテクチャを備え、AI処理に強みを発揮します。
両製品の人気を後押ししてきたのが、2025年12月に配信されたmacOS 26.2です。Appleのリリースノートによれば、同アップデートはThunderbolt 5接続のホスト間で低遅延通信を可能にし、オープンソースの機械学習フレームワーク「MLX」を用いた分散AI推論に対応しました。
これを受けて、ホビイストから専門の開発者・研究者まで、複数のMac miniやMac Studioを連結させ、単体では動かせない大規模な言語モデルをローカルで推論させる動きが広がっています。Nvidia製の高価な専用GPUに頼らない選択肢として注目されています。
今回の刷新に目立った新機能はなく、実質的にはスペックアップが中心です。とはいえAppleの発表内容からは、当初は想定していなかったローカルAI用途を強く意識した製品展開へと軸足を移している姿勢がうかがえます。
軌道上でAI推論を行う衛星を開発する米新興企業Starcloudは、3月に実施したシリーズAラウンドに2億5000万ドルを追加出資したことを明らかにしました。今回の調達で同社の評価額は23億ドルに達し、資金は大型製造拠点の拡張と、大型衛星「Starcloud-3」の開発加速に充てられます。
背景にあるのが打ち上げ枠の逼迫です。CEOのフィリップ・ジョンストン氏は、スペースXのファルコン9計画が2028年に終了予定であることを踏まえ、巨大なロケット枠を早期に確保する必要があると説明しています。同社はすでに米連邦通信委員会(FCC)に8万8000機の衛星運用許可を申請済みです。
Starcloudは次世代機「Starcloud-3」の打ち上げを、スペースXが開発中の大型ロケットStarshipに託す計画です。一方、ブルーオリジンの「ニューグレン」やULAの「バルカン」は定期運航に至っておらず、ロケット・ラボの「ニュートロン」も未就役のままです。ジョンストン氏は、スペースXが再使用打ち上げの実績を示せなければ厳しい状況になると述べています。
当面はより小型の次世代機「Starcloud-2」(8キロワット級)を2隻、2027年にライドシェア便で打ち上げる計画です。用途は米政府機関向けを含む軌道上での推論処理で、専用のファルコン9便の購入や他社との追加契約も検討しています。
今回の増資はManhattan West Venturesが主導し、Nvidia、シスコをはじめベンチマークやEQTなど複数の投資家が参加しました。Nvidiaは約2500万ドルを出資したとみられ、ジョンストン氏はこれを軌道コンピューティング分野におけるStarcloudの優位性を裏付ける重要なシグナルだと位置づけています。
Starcloudは、NvidiaのデータセンターGPU「H100」を軌道上で運用し、モデル訓練まで実施した唯一の企業とされています。同社が蓄積したデータは、Nvidiaが開発中の宇宙向け専用チップ「Vera Rubin Space-1」にも活用されており、2028年後半の打ち上げを目指しています。
AI企業のLiquid AIは2026年8月20日、大規模言語モデル『LFM2.5』シリーズ向けに、推論を高速化する投機的デコード用ドラフトモデル「DSpark」を公開しました。GPU環境では最大3.18倍、オンデバイス環境では最大2.87倍のスループット向上を実現し、関数呼び出しを伴うエージェント処理の遅延も平均57%削減します。実装はllama.cppとSGLangに即日対応しました。
DSparkは、目標モデルの文脈情報をもとに複数のトークン候補を一括生成するDFlash型の並列バックボーンと、隣接トークン間の依存関係をモデル化する軽量な逐次ヘッドを組み合わせています。さらに各トークンの生存確率を予測し、費用対効果が低い候補を打ち切る信頼度スケジュール型の検証器を備えており、受理率を高めながら無駄な検証コストを抑える設計です。
新しいドラフトモデルはSFTやチャット、コード、関数呼び出しを含む多様なデータで学習され、パラメータ数は約3億に抑えられています。5層構成でブロックサイズ9のモデルを15エポック学習し、損失が最小のエポックではなく受理率が最も高いエポックを採用することで、実運用での高速化効果を最大化しています。
H100 GPUとSGLangを用いた検証では、LFM2.5-1.2Bで最大2.56倍、LFM2.5-8B-A1Bで最大3.18倍のスループット向上を確認しました。M4 Max搭載MacBookでの検証でも、LFM2.5-2.6Bはクラウド上の主要な商用モデルを上回る速度を実現し、オンデバイスでの対話体験を大きく引き上げています。
一方、MoE構成のLFM2.5-8B-A1Bはllama.cppのMetalバックエンドの実装上の制約により、オンデバイスでの改善幅は平均18%にとどまりました。検証にはMATH500やHumanEval、GSM8Kなど5種類のベンチマークを用いています。
貪欲法によるデコードでは、ドラフトが提案したトークンは目標モデルの分布と一致した場合のみ採用され、不一致の際は目標モデル自身の出力に置き換わります。そのため出力系列はベースラインと完全に一致し、pass@1などの精度指標も変化しません。DSparkのチェックポイントはSafetensorsとGGUF形式でHugging Faceに公開されており、開発者はすぐに試すことができます。
ビル・ゲイツ氏が設立したTerraPowerは、AIデータセンター向けとしては初となる原子力発電プロジェクトを年内に発表する見通しです。ブルームバーグが2026年8月18日に報じました。同社の溶融塩冷却炉は、核分裂の出力を一定に保ちながら余剰熱を蓄えることで、AIの学習や推論に伴う急激な電力需要の変動に柔軟に対応できる点が最大の特徴です。
TerraPowerは今回の顧客名を明らかにしていませんが、同社は今年1月にMetaとナトリウム冷却炉8基分の購入契約を締結したと発表しています。現在建設中の第1号機はワイオミング州にあり、データセンター向けとなる第2号機は2027年の着工が見込まれています。
原子炉は出力を一定に保って稼働するほど収益性が高く、米国の原子力発電所は稼働率92.5%と全電源の中で最も高い水準にあります。既存炉は出力を1分あたり約5%しか増減できず、新型の小型モジュール炉(SMR)でも約10%にとどまるとされています。原子力は建設コストが最も高い発電方式であるため、出力を落として稼働させることは経営上望ましくありません。
一方、AIデータセンターの電力需要はGPUの処理状況に応じて急激に増減します。この負荷変動の大きさから天然ガスタービンが損傷する事例も報告されており、対策として大量の蓄電池を導入すればコストがさらに膨らんでしまいます。
そこでTerraPowerが採用したのが、345メガワットの溶融塩冷却炉です。核分裂そのものの出力は変えず、余った熱を巨大な溶融ナトリウムの槽に蓄えておき、需要が急増した際にその熱で蒸気を発生させてタービンを回す仕組みです。需要が低い時間帯も設備を稼働させ続けられるため、高額な投資を効率よく回収できます。
この設計はもともと風力や太陽光など再生可能エネルギーの変動を補う目的で考案されたものですが、変動の激しいAI需要にも同様に応用できます。原子力本来の高い稼働率と蓄熱による柔軟性を両立させた点が、AI向け電源競争におけるTerraPowerの強みとなりそうです。
AI計算インフラの価格算定を手がける新興企業Silicon Dataは、シリーズAラウンドで3000万ドルを調達したと発表しました。同社はGPUレンタル料金の指標価格を構築し、CME(シカゴ・マーカンタイル取引所)で決済されるAI計算力先物取引の基準指数となることを目指しています。
AIブームの拡大に伴い、データセンターやGPUへの投資は年間数千億ドル規模に達し、企業にとって計算資源の調達費用が最大のコスト項目となっています。しかし、これまで計算力の価格を明確に示す仕組みや、価格変動リスクをヘッジする手段は整っていませんでした。
Silicon Dataは、CMEグループとの提携により、10月5日にAI計算力の先物取引を開始する計画です。規制当局の承認を条件としており、実現すれば計算資源の価格変動を金融商品として取引できる初の枠組みとなる見通しです。
この取り組みは、TechCrunchのポッドキャスト「Equity」でRebecca Bellan氏が、Silicon Dataでリサーチ責任者を務めるSteve Hou氏に話を聞いた内容で明らかになりました。Hou氏はAIインフラ投資の現状について語っています。
Hou氏は、半導体の減価償却やデータセンター建設停滞をめぐる悲観的な報道とは異なる実態を、データが示していると説明しました。米国ではテキサス州やニューヨーク州で新規データセンター建設が一時停止される動きも出ていますが、同氏は投資の健全性を強調しています。
米国のデータセンター向け通信技術を手がけるRelativity Networksは8月19日、SAFE社債方式で2200万ドルを調達したと発表しました。Rhapsody Venture Partnersなど複数の投資家に加え、名前を明かしていない大手クラウド事業者からも4000万ドルの追加発注を獲得しており、高速光ファイバー技術への期待の高さがうかがえます。
同社が扱う「中空コア光ファイバー」は、光をガラス製の芯ではなく中心部の真空を通して伝送する技術で、従来型の光ファイバーより約50%速くデータを送れるとされています。CEOのジェイソン・アイヒェンホルツ氏によると、従来型ファイバーは1kmの伝送に約5マイクロ秒かかりますが、中空コア方式なら3.5マイクロ秒程度に短縮できるといいます。
AI向け計算がGPU数基規模だった時代には、こうしたわずかな遅延は問題になりませんでした。しかし計算規模の拡大とともにデータセンターの敷地は数百エーカー、複数の建屋にまたがるようになり、通信距離自体が課題になっています。アイヒェンホルツ氏は、複数のキャンパスをまたいで既存のデータセンターを結び、一つの同期したシステムとして稼働させる用途に特に商機を見出しているといいます。
「最大規模のシステムは、必要な電力を確保できる場所に計算を分散させています」とアイヒェンホルツ氏は語ります。「電力に余裕のある場所へ移動しつつも、全体としては一つの同期したマシンとして機能させる必要があるのです」。伝送遅延を50%減らせれば、遅延が問題になるまでの許容距離も50%広げられる計算になり、拠点配置の自由度が高まります。
データセンター開発には今後10年で最大4兆ドルが投じられると見込まれる一方、立地は電力網や政治的事情によって強く制約されています。アイヒェンホルツ氏は「AIの第一段階はGPUを増やすことに、第二段階はデータセンター内部のネットワークを最適化することに主眼が置かれてきました。次に来る第三段階は、地理そのものの最適化です」と述べ、通信技術が計算基盤の立地戦略を左右する時代に入りつつあるとの見方を示しました。
エヌビディアは2026年8月、アポロやブラックロック、ブラックストーン、ゴールドマン・サックスなど大手金融機関6社と組み、AI向けGPUを担保に総額5000億ドル規模の融資枠組みを構築すると明らかにしました。ジェンセン・フアンCEOはCNBCに対し、コンピュートを「初めて投資可能な資産クラスにする試みだ」と説明しています。
ただし今回の合意はまだ拘束力のない覚書の段階です。エヌビディアは昨年もOpenAIへの1000億ドル出資の覚書を発表しながら実現しませんでした。ブラックロックのフィンクCEOは「住宅ローン担保証券市場の黎明期に似ている」と述べましたが、同証券は住宅ローンの過剰供給で破綻した経緯があり、データセンターの供給過剰懸念とも重なります。
フアン氏は、2020年発売の旧型チップ「A100」が今も商用利用され、経済的耐用年数は10年に達しつつあると強調しました。これは前年に「旧世代チップはもらってもらえない」と語った姿勢と食い違います。減価償却年数についても、著名投資家のマイケル・バリー氏は2〜3年、IBMのクリシュナ氏は5年と見積もっており、専門家の評価は割れています。
新枠組みには、自社が出資した企業が同社チップを買うという循環取引批判をかわす狙いもあります。融資先が返済不能に陥った場合、エヌビディアは担保チップの残存価値の最大25%を補填すると約束しており、金融機関以上に強気な見立てを示しています。専門家からは、リスクの所在が保険会社など最終的な資金の出し手に移るだけとの指摘も出ています。
背景には、AIモデル企業の採算悪化への懸念があります。OpenAIやSpaceXは巨額赤字を計上し、Anthropicも年換算売上高が650億ドルに達したものの利益は明らかではありません。調査会社ガートナーは、AI企業が2029年までに累計7兆ドルの収益を上げなければ投資家にとって「大惨事」になると試算しており、構想の実現可否が今後の焦点となります。
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。
中国Alibabaが公開した270億パラメータのオープンソースAIモデル「Qwen3.8-27B」が、今週、開発者コミュニティで大きな話題となっています。米OpenAIやGoogle、Anthropicによる最先端クラウドモデルではなく、無料でダウンロードできる軽量モデルへの注目が集まったのは異例です。クラウドAPIを使わずに高性能なコーディングや推論をこなせる点が、第三者の検証で裏付けられました。
独立系ベンチマーク機関Artificial Analysisの調査では、Qwen3.8-27Bは総合指数で52点を獲得し、米OpenAIの下位モデル「GPT-5.6 Luna」の最大推論設定と同じスコアとなりました。エージェント関連タスクを測るAgentic Indexでは51点を記録し、3カ月前に登場したばかりのClaude Opus 4.8の最大推論設定を上回っています。Alibaba自身の公表値でも、SWE-bench ProやLiveCodeBenchで先行モデルを上回る結果が示されていますが、検証方法の違いから単純比較には注意が必要です。
Qwen3.8-27Bの特徴は、画像・動画理解や26万トークンを超える長文脈処理、コーディング・エージェント機能を備えながら、動作に必要なハードウェアが比較的小さい点です。フル精度では約56GBのGPUメモリが必要ですが、4bit量子化を施すと容量は約17GBまで圧縮され、高性能なノートPCでも実行可能になります。開発者のSimon Willison氏はMacBook Proなどでの動作を検証し、コーディングエージェントとして実際に機能したと報告しています。
一方で、性能の高さは大量の思考トークンと引き換えになっている面もあります。Artificial Analysisの調査によれば、テスト全体で出力したトークン数は1億6000万に達し、同規模のオープンモデルの中央値である4300万を大幅に上回りました。Willison氏の検証では、簡単な画像生成タスクに21分を要した例もあり、通常利用では推論設定を控えめにすることを推奨しています。
AlibabaはApache 2.0ライセンスで重みを公開しており、企業は自社基盤の中でモデルを検証・改変・運用できます。データを外部に出さずにコーディングや文書解析、画像認識などの業務を処理できるため、プライバシーやガバナンス面でのメリットが期待されています。Hugging Faceの利用データでも、実際のダウンロードは大規模モデルより小型モデルに偏っており、Qwen3.8-27Bはその流れをさらに加速させる存在といえそうです。
AIインフラ企業Groqは8月17日、3.5億ドルの新規資金調達を発表しました。今回の調達は投資会社Disruptiveが主導し、Nvidiaも参加する見通しです。評価額は今回の調達を反映して35億ドルとなり、AIチップメーカーからGPUを活用したネオクラウド事業者への転換をさらに加速させる狙いがあります。
Groqはこれまで独自開発の推論用チップLPUでNvidiaに対抗してきました。しかし2025年12月、創業者兼CEOのJonathan Ross氏ら幹部がNvidiaに移籍し、Groqは200億ドル規模のライセンス契約を締結しました。これを機に同社はNvidia製システムを運用するクラウド・データセンター事業者へと路線を転換し、6月には6.5億ドルを調達して転換を本格化させました。
現在Groqは北米、欧州、中東、アジア太平洋の13拠点でデータセンターを運営し、600万人を超える開発者や企業に推論サービスを提供しています。新たな資金は稼働容量を2027年までに54メガワットから200メガワット超へ拡大するために充てられる計画です。同社は中規模から大規模なNvidia製アクセラレーテッドコンピューティングクラスターの需要に応える方針を示しています。
Disruptiveの会長兼CEOを務めるAlex Davis氏は「推論はAIインフラの中で最大かつ最も重要な層になる」と述べ、Groqを世界有数の推論クラウドに育てる方針を強調しました。一方で、推論需要が拡大する中でもネオクラウド各社が十分な収益性を確保できるかは不透明です。競合のCoreWeaveは増収を続ける一方、高水準の設備投資と債務依存が投資家の懸念材料となっています。
NvidiaはCoreWeaveやLambda、Nebiusなど複数のネオクラウド企業にGPUを供給しつつ、出資も行っており、Groqも同様の関係に組み込まれる形です。Groqの財務内容は現時点で非公開のままですが、今回の転換によって同社はNvidiaのAIインフラ戦略の内側に位置付けられることになります。
米AI企業Dharma AIは2026年8月17日、GPUクラスタの割り当て順序を制約条件に基づいて最適化する新方式のスケジューラーを発表しました。同一のハードウェアと同一のワークロードを用い、先着順(FIFO)方式のスケジューラーと7つのベンチマークシナリオで比較した結果、GPU稼働率は最大33ポイント、優先度を加味した成果は最大105%それぞれ向上したことが分かりました。
従来のFIFO方式は、学習・リアルタイム推論・バッチ推論・量子化という性質の異なる4種類のワークロードを、申し込み順にそのまま割り当てる仕組みでした。リアルタイム推論はトラフィックの増減に応じて必要GPU数が変動するにもかかわらず、1日のピーク需要をもとに終日分のGPUを固定確保していたため、閑散時間帯にも多くのGPUが遊休状態になっていました。
さらに先着順で処理するため、優先度の高いジョブが後から届いた場合でも、先に届いた優先度の低いジョブの後ろに並ばざるを得ませんでした。学習負荷が高いシナリオでは稼働率が53.6%から87.0%に上昇し、優先度加重の成果は105%増と最も大きな改善が確認されたといいます。
新方式では、リアルタイム推論の需要を固定の上限ではなく時間帯ごとに変動する曲線として扱い、需要が少ない時間帯は空いたGPUをバッチ系のジョブに割り当てます。バッチ系のジョブは到着順ではなく優先度に基づいてスケジューリング全体の時間軸で配置され、GPU・ジョブ・時間枠の組み合わせを決める組合せ最適化問題を、1〜15ミリ秒という短時間で解く仕組みになっています。
64GPU・30ジョブの大規模シナリオでは稼働率こそFIFO方式と同じ44.9%でしたが、優先度加重の成果は15.9%上回りました。また全ジョブの優先度を同一に揃えた検証でも、稼働率は76.8%から87.5%に、成果は23.1%向上しており、単なる優先度順の並べ替え以上の効果があることが示されています。
スケジューラーは24時間先までの計画を立てつつ、実際に確定するのは直近の時間枠のみとし、30分から60分ごとに最新データで計画を更新します。この仕組みにより、需要予測の誤差が積み重なるのを防ぎつつ、将来を見据えた割り当て判断を可能にしているということです。
米AWSは2026年、社内エンジニアにCPUの浪費を抑えるよう指示を出しました。クラウド基盤でCPUサーバー容量の待ち時間が急増しているためで、背景には自律的に判断し複数のツールを呼び出すエージェントAIの急速な普及があります。AI需要はこれまでGPUやメモリに集中していましたが、CPUにも圧力がかかり始めています。
これまでCPUはAI推論との親和性が低いとされ、GPUやメモリほど注目されてきませんでした。しかし2026年に入り、Moor Insights & Strategyのアナリスト、マット・キンボール氏は「CPU需要が急増している」と指摘します。エージェントが数万から数百万規模に増殖し、企業全体で稼働する状況が現実味を帯びてきたためです。
インテルの研究者スービック・クンドゥ氏によると、エージェントAIの処理の多くはCPU上で実行されるといいます。出力の解析やツールの選択、API呼び出し、結果の収集といった作業がCPUの役割です。AMDのマドゥ・ランガラジャン氏も、実際のエージェントAIパイプラインでは8段階中7段階がCPU上で完結すると説明しています。
ジョージア工科大学のユジュン・チョン氏らの研究では、CPUコア数が不足するとGPUへの命令送出が遅れ、GPU側が待機状態に陥ることが分かりました。さらにツール呼び出しの結果を都度トークン化する必要があり、対話が長くなるほど処理負荷が増す点も課題です。実験ではCPUコア数を増やすことで、初回応答までの時間を最大7倍改善できたといいます。
こうした需要増を裏付けるように、インテルは年内を通じてサーバー用CPUが品切れ状態にあると報じられています。AMDはサーバーCPUの需要予測を倍増させ、アームとクアルコムもエージェントAI向けの新型CPUを発表しました。エヌビディアもエージェント向けCPU「Vera」を投入しています。
キンボール氏は、CPU価格の上昇や供給不足がコンシューマー向け製品にも波及し始めていると警告します。インテルはクライアント向けCPUの生産をサーバー向けに振り向けており、CPU市場全体で需要と供給のバランスが崩れつつある状況です。
Elon Musk氏が率いるSpaceXは8月15日、AIコーディング支援ツール大手Cursorの買収を正式に完了したと発表しました。買収総額は600億ドルで、4月に提携を発表してから約4カ月での正式合意となります。Cursorは今後、SpaceXが持つ世界最大級のGPU群を活用できるようになる見通しです。
両社は今年4月、共同で技術開発を進めると発表し、SpaceXがCursorを600億ドルで買収する選択権を得ていました。その後6月にSpaceXが株式上場を果たすと、両社は買収手続きを本格的に進めると表明しました。今回の発表により、当初の計画通り買収が完了した形です。
Cursorはブログ投稿で、SpaceXの傘下に入ることで「世界最大のGPU群」にアクセスできると強調しました。SpaceXは同社のデータセンター基盤をAnthropicやGoogleにも提供しており、計算資源の外部提供でも収益を伸ばしています。Cursorは「知性を実用化する場になる」とコメントしています。
SpaceXは今年、Musk氏が創業したxAIも買収しており、傘下企業の再編を進めています。一方で、データセンターのガスタービン運用をめぐっては排出許可を得ていないとして訴訟も抱えており、計算基盤の拡大には環境面の課題も指摘されています。
フランスの新興企業Kogは、AMDのMI300XやNvidiaのH200など企業が既に保有する標準GPUを対象に、ソフトウェア最適化で推論速度を引き上げる取り組みを進めています。5月公開の技術プレビューでは1秒あたり3,000トークンの処理速度を実証し、200件超の具体的な引き合いを獲得しました。
創業者でCEOのガエル・ドラロー氏によると、最初の主要な用途はソフトウェア開発になる見込みです。Claude Codeなど既存のAIコーディングツールの利用者は、結果を得るまで数時間待たされることも珍しくありません。速度への対価が実際に支払われている実例として、Anthropicは高速処理モードに追加料金を設定しています。
Kogの5月のデモは高い処理速度を示した一方、パラメータ数わずか20億の小型モデル「Laneformer 2B」によるものでした。同社は主要顧客が小型モデルの追加調整を望んでいないと分かり、以降はより大規模なモデルの高速化に開発の焦点を移しています。ドラロー氏は、GPUが推論に適さないという見方は誤解であり、新世代GPUのメモリ帯域幅にはまだ引き出せる余地が大きいと説明しています。
同社は主要な大規模モデルで10倍速を達成した段階で顧客への実績を示し、9月をめどにシリーズAの資金調達に進みたい考えです。フランスでは同様に推論高速化を目指す新興企業ZMLも存在しますが、ドラロー氏はKogのアプローチをスタンフォード大学の研究室に近い、より深いレベルのGPU最適化だと位置づけています。
ドラロー氏は研究者ではなく、フランスのエコール・ポリテクニークで物性物理学を学んだ後、攻撃的サイバーセキュリティ、いわゆるホワイトハットハッキングの分野で経験を積みました。DEFCONのCTF大会で4度決勝進出した経歴を持ち、低レベルでの解析力を培ったこの姿勢が、GPUの物理的な限界を突き詰めるチームの文化につながっているといいます。
同社は仏政府系のBpifranceやフレンチテック2030プログラム、クラウド企業Scalewayの支援も受けています。欧州が自前のAI基盤技術構築を目指す中、Kogの取り組みは地域の技術主権を後押しする可能性があると位置づけられています。
