推論（モデル学習手法・技術）に関するニュース一覧

エヌビディアは7月14日、AIインフラの効率を測る究極の指標は「電力あたり性能（パフォーマンス・パー・ワット）」だとする見解を公式ブログで示しました。同社の最新のGB300 NVL72は、従来のHopper世代と比べて電力あたり性能を最大25倍に高めたとしています。電力が事実上の制約となるなか、限られた電力枠でどれだけトークンを生み出せるかが収益と利益を決めるという主張です。

背景には、エージェントAIの普及によるトークン需要の急拡大があります。現在の最先端モデルはほぼ全てがMixture-of-Experts（MoE）構造を採用しており、これを効率よく動かすにはGPUを高速接続する「ドメイン」の規模が重要になります。Hopper世代の8GPUに対し、Blackwell世代は72GPUへと拡大し、大規模モデルの処理効率を引き上げました。

電力あたり性能の高さは、シリコンからソフトウェアまでを一体で設計する「コーデザイン」の成果だと同社は説明します。NVLink SwitchやDynamo、TensorRT LLMといった推論ソフト群がNVFP4量子化や分散処理を束ね、GPU一台あたりの性能を積み上げます。電力管理ソフトのDSX MaxLPSを使えば、同じ電力枠内で最大40%多くのGPUを稼働できるとしています。

実運用での実績も強調しました。AnthropicやOpenAIといった主要なAI企業が、推論処理にBlackwell NVL72を採用していると明かしています。加えてCoreWeaveやPerplexity、Fireworks AIなどの事業者も同基盤でオープンモデルを提供しており、こうした運用経験が次世代のVera Rubin基盤の優位につながると位置づけました。

AIの競争軸が、最先端モデルからオープンモデルへと移りつつあります。2026年春、Hugging Faceでのモデルダウンロードのうち中国製オープンウェイトモデルが41%を占め、米国製を上回りました。OpenRouterでは人気上位6モデルすべてをTencentやDeepSeekなど中国企業のオープンモデルが占め、AnthropicのClaude Opus 4.7は7位にとどまります。安価で改変しやすいオープンモデルへ本番環境の推論需要が流れ、フロンティアモデルの存在意義が問われ始めています。

Vercelのデータによると、6月にはオープンウェイトモデルが同基盤のAIリクエストの約3割を処理しました。クローズドなモデルは高価格な上位層として残る一方、大量の処理をさばくインフラ部分はオープンモデルが吸収しつつあります。Hugging FaceのClem Delangue最高経営責任者は、数年後にはフロンティアモデルは実験や高付加価値な用途に限られ、本番作業の多くは企業内の私有モデルやオープンモデルが担うと予測します。

背景には、クローズドモデルを借りるよりも自社モデルを所有する利点への評価があります。Hugging Faceでは7秒に1件の割合で新規リポジトリが作られ、約300万の公開モデルと100万の公開データセットを抱えます。Fortune500企業の半数が同社を使って私有モデルやオープンモデルを展開しており、最近ではZ.aiがコーディングやセキュリティ脆弱性の特定でAnthropic最新モデルに迫るGLM-5.2を公開しました。

この流れは経営層の発言にも表れています。MicrosoftのSatya Nadella最高経営責任者は単一プロバイダーへの依存に警鐘を鳴らし、企業にとってデータの管理権が最優先事項だと主張しました。学習が一方向にしか流れなければ、経済的価値は知識の作り手ではなく学習基盤の所有者に集中すると指摘します。

一方で、高性能なオープンモデルを広く公開すべきかを巡る論争も激化しています。AnthropicのDario Amodei最高経営責任者は、強力なモデルの重みは一度公開すると制御が難しく危険になり得ると警告します。これに対しDelangue氏は権力の集中こそ最大のリスクだと反論し、透明性を高め競争条件を平準化することが世界をより安全にすると訴えています。

NVIDIAは7月14日、オープンモデル「Nemotron」を活用し、企業や国家が信頼・制御・カスタマイズできるAIを構築する方法を公開しました。同社は、競争優位はどのモデルを選ぶかよりも、利用可能なモデルをいかに作り込むかで決まると指摘します。クローズドモデルが検査や改良の範囲に上限を設けるのに対し、オープンモデルは完全な所有と制御を提供すると強調しています。

オープンモデルの強みは、業務固有の基準で自由に検証・改良できる点にあります。医療や法務のように誤答のコストが高い分野では、学習過程や性能を可視化し、必要に応じて改善できることが不可欠です。企業は自社データで非公開評価を行い、独自ワークフローに合わせた強化学習環境を構築でき、機密データを第三者に渡す必要もありません。

導入は各業界で進んでいます。法務AIのHarveyは「Nemotron 3 Ultra」を追加学習させ、複雑な法務タスクでクローズドモデルと同等の精度を1回あたり10分の1以下のコストで達成しました。H Companyはコンピューター操作ベンチマークOSWorld-Verifiedで76%超を記録し、AbridgeやGlean、Heidi Health、YTL AI Labsも自社領域向けにNemotronを特化させています。

コスト効率も大きな訴求点です。Arcee AIはNVIDIA Blackwell上での追加学習により、出力100万トークンあたり約90セントと、クローズドの先端モデルの約20分の1の推論コストを実現しました。NVIDIAは「Nemotron Coalition」を通じてデータや評価を共有するエコシステムづくりを進めており、AIの利用から所有への移行が始まっていると位置づけています。

中国の身体性AI企業X Square Robotが、家庭用ロボットの実用化に向けて独自の統合スタックを打ち出しました。同社は、ロボットが学ぶデータ、物理世界の変化を予測する世界モデル、実行可能な行動を生む行動モデルを一体で設計し、これらをオープンソースで公開する方針を示しています。汎用ロボットには大規模言語モデルのような確立した「レシピ」がまだなく、その答えを統合スタックに求めた点が特徴です。

同社が最も重視するのは、パラメータ数ではなく相互作用データの質とコストです。装着型のリグで人の作業を記録する独自の収集システムを構築し、記録した軌跡を実機で再生して、実際に課題を達成したものだけを有効とする物理再生の検証工程を取り入れました。ロボット不要のデータで事前学習し、少量の実機データで補うことで、すべて実機で集める場合の約20分の1のコストで同等性能に達すると報告しています。

世界モデルWALL-WMは、固定長の時間窓ではなく、把持や配置といった意味を持つ行動事象を単位に据えた点が独自です。長期的な推論に向く可変長の「事象モード」と、制御に必要な定常出力を返す「固定長モード」を併せ持ちます。既存の大規模動画モデルの知識を壊さずに行動ネットワークを重ねる設計により、予測性と実行可能な制御を両立させています。

行動モデルWall-OSS-0.5には、事前学習した時点で微調整前でも実機で動くべきだという要件を課しています。離散的な行動トークン、言語との対応付け、連続的な行動生成という3つの目標を同時に学習させる方式です。さらに、動作の意図を上位コードが表すX-Tokenizerにより、再調整なしで複数のロボット間へ転用できる行動表現を実現しています。

投資家の期待も高まっており、同社の評価額は200億元（約29億ドル）を超えました。データ基盤や基盤モデル、拡張可能な学習システムを長期的な差別化要因とみる見方が広がっています。ただし現在の成果の多くは自社のロボットとベンチマークで測ったもので、コード公開後に外部で再現・検証されて初めて真価が問われます。

OpenAIのSam Altman氏とSpaceXのElon Musk氏が週末、SNS上で激しい言葉を応酬しました。Musk氏がAltman氏を「詐欺師」と非難したのに対し、Altman氏は「短期の宇宙データセンターを株式市場の投資家に売り込んでいるのはあなただ」と切り返しました。この応酬は、宇宙コンピューティング事業の理想と現実の隔たりに改めて注目を集めました。

SpaceXは、AI推論処理を担う軌道上データセンター群の打ち上げ構想を掲げ、これが2兆ドルの企業価値を支える主要な原動力となっています。強気の分析筋は、その処理能力がSpaceXAIのモデルを動かし、軌道上のクラウド基盤になり得ると期待を寄せています。しかしAltman氏の指摘は、多くの専門家が結論づけながらも投資家が見落としている点を突いたものです。

他の宇宙データセンター新興企業の起業家、GoogleのOrbital Compute開発チーム、そして採算を試算した技術者。いずれに聞いても答えは同じです。大幅に安価なロケットと、高性能な衛星を大量かつ低コストで量産する体制が整うまで、この事業が大きな成果を上げることはないという見解です。

Musk氏の切り札は巨大ロケット「Starship」で、13回目の試験飛行が7月16日にも予定されています。ただ両段の回収に成功しても、実用的な再使用飛行の実現にはなお数年を要する見通しです。しかもSpaceXはNASA向けの契約や自社のStarlink網構築を優先するため、データセンター向けの打ち上げは後回しになる公算が大きいのです。

SpaceXはIPOの説明会で、Starshipが近い将来には完全再使用に至らず、打ち上げごとに第2段を使い捨てる必要があると認めました。これは経済的な宇宙データセンターの前提を崩す要因です。Musk氏は「来年から飛ばし始める」と反論しますが、大量に打ち上げ製造できる時期という本質的な問いは、2030年代まで残るとみられます。

ソフトウェア技術者の採用面接が、AIをめぐる攻防の場になっています。IEEE Spectrumが2026年7月13日に報じたところによると、リモート技術面接で一部の候補者が回答をリアルタイム提案する面接支援AIを使い、企業側はAI利用を検知するツールで対抗しています。専門家はこの構図を、勝者なき「いたちごっこ」と表現します。

背景にはAIによるテック業界の大量レイオフと、求人数を上回る応募者があります。採用戦略家のタチアナ・テッポエワ氏は、パターンに合わないと落とされ続けた候補者が、システムを出し抜くためにAIを使わざるを得なくなると指摘します。企業がAI履歴書スクリーナーで応募を大量選別し、候補者がその対抗策としてAIを使う流れも生まれています。

面接支援AIのFinal Round AIやInterview Coderは、音声を処理して回答やコードを瞬時に生成し、画面上に検知されない形で重ねられると称します。一方でMetaのエンジニアらが創業したGingerは、視線の動きや応答の遅延、タブの切り替え、AIらしい話し方といった兆候を検知し、AI利用者を洗い出します。まさにAI対AIの応酬です。

しかし検知の精度は完璧ではありません。CalTek Staffingのアーチー・ペイン氏は、優秀な候補者が誤検知で不合格になる事例を挙げます。スタンフォード大の研究では、340万人の応募者を追跡した結果、AI採用ツールがアジア系と黒人の応募者に不利な影響を与える証拠が見つかりました。

そこで検知ではなく、面接でのAI利用を容認する企業も現れています。MetaやFactoryは、候補者が1時間でAIコーディングエージェントを使い実務同様の課題に取り組む形式を採り、結果ではなく戦略や計画、AIへの指示、デバッグの説明力で評価します。テストの合格数や完成度は採点しないといいます。

共通するのは、AIに頼り切る弱い候補者と、AIで速度を上げつつ設計判断を自ら担う強い候補者を見分ける狙いです。「AIは使う人の判断力次第」とFactoryのバリン・ネア氏は語ります。専門家は、コードのウォークスルーや設計議論を交えた協働型の評価こそ真の思考力を映すとし、最終的な解に責任を持てる人材が問われる時代を示唆します。

AI開発企業のDeepSeekが主力モデルV4-Proの利用料金を75%引き下げましたが、企業向けAIベンダーの採算は改善していません。米メディアVentureBeatが2026年7月12日に報じました。原因は、AIエージェントがチャットボットの数百倍のトークンを消費し、値下げのペースを上回って処理量が膨張しているためです。1つの利用者リクエストが数十回の課金処理に化ける「100倍問題」が、AI事業の収益構造を揺さぶっています。

トークン増幅とは何でしょうか。単発のチャットボットでは1つの質問がほぼ1回のモデル呼び出しで済み、入力対課金の比率はおよそ1対5です。一方、計画・検索・ツール実行・検証・要約を繰り返す多段階エージェントでは比率が1対700以上に達します。各処理が会話やツール出力を蓄積し続けるため、単純な問い合わせでも約35,000トークンが課金され、1件あたり0.1〜0.4ドルに膨らみます。

この構造は既存のビジネスモデルを直撃します。従来の主流は1席あたり月額いくらのSaaS課金でしたが、ヘビーユーザー1人の推論コストが月額料金を超える逆転が起きています。複数のベンダーが熱心な利用者ほど粗利がマイナスになると内々に報告しており、SalesforceのAgentforceでも宣伝と実際の提供機能の差が表面化しました。

対策の技術は出そろっています。問い合わせごとに適切なモデル階層を選ぶコスト意識型ルーティングは、品質を落とさず推論費を約60%削減します。AnthropicやOpenAIなどが提供するプロンプトキャッシュは、再利用部分を75〜90%割り引きます。ツール出力の切り詰めや投機的デコードも有効な手段です。

重要なのは「AIは高い」という話ではありません。フロンティアモデルの単価は年3倍のペースで下がり続けていますが、消費量の増加が値下げを追い抜いている点が本質です。今後24カ月を生き残るのは最安モデルを使う企業ではなく、エージェントの思考コストを把握し統制できる企業だと筆者らは指摘します。

OpenAIは、家族や介護者、高齢者に向けた製品体験を開発する専任のプロダクトマネージャーをサンフランシスコで採用し始めました。求人票では、親や家族向け製品、信頼が求められる消費者向け体験の開発経験が条件とされています。ChatGPTの利用者が個人から家庭全体へと広がるなか、製品の位置づけを見直す動きです。

背景には、利用者層の明確な変化があります。Sensor Towerの推計では、世界全体で35歳以上の割合が前年同期の26%から2026年4〜6月期に31%へ上昇した一方、18〜24歳は34%から29%へ低下しました。米国では親のスマートフォン利用者の約4人に1人がChatGPTを使い、前年の16%から大きく増えています。

技術コンサルのクリエイティブ・ストラテジーズのベン・バハリンCEOは、家族向けの専任職の新設について、製品を個人の生産性向上の道具ではなく家庭向けの技術として捉え始めた表れだと指摘します。グーグルやアップル、メタがたどった道筋に似ているものの、AIはアシスタントが単に情報や機器を仲介するだけではないため、より難しい課題を伴うといいます。

利用層の広がりは、信頼と安全の新たな課題も生みます。Family Online Safety Instituteのスティーブン・バルカムCEOは今回の採用を「再設計による安全確保」と表現し、子どもや10代には大人とは異なる保護策が必要だと述べました。同団体の調査では、過去1週間に子どもが生成AIを使ったと答えた親は27%にとどまる一方、子ども自身は38%が使ったと回答し、親が実態を過小評価している状況も判明しています。

背景には、若年利用者の保護をめぐる監視の高まりもあります。OpenAIはChatGPTが子どもに害を与えたとする訴訟に複数直面しており、これに応じて10代向けの保護者管理機能や、深刻な会話を推論モデルへ振り向ける仕組み、自傷の恐れがある際に家族へ知らせる機能などを導入してきました。

親への浸透では、Sensor Towerの推計でGeminiが32%と最も広く、ChatGPTは24%、Claudeは4%、Copilotは2%と続きます。一方でChatGPTは高齢層の取り込みが競合より速く、今後は家族向けプランや子ども・10代向けプロフィール、共有メモリー、AIによる学習支援などの展開が見込まれます。

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。

OpenAIは7月9日、業務を自律的にこなすAIエージェントChatGPT Workを発表しました。アプリやファイルを横断して情報を集め、シートやスライド、文書、Webアプリといった成果物を作成し、必要なら数時間にわたり複雑なプロジェクトに取り組み続けます。同時に最新フロンティアモデルGPT-5.6も公開され、多段階の推論やテンプレートに沿った資料作成を支えます。

中核には、コーディング支援ツールCodexの技術が組み込まれています。Codexは週に500万人以上が利用し、うち100万人超がソフトウェア開発以外の業務で使うなど、用途は開発の枠を超えて広がっています。ChatGPT Workはこの流れを引き継ぎ、質問への回答にとどまらず実際の作業を完結させる方向へと進化しました。

使い方としては、月次予算の差異分析や営業会議の準備など、利用者がすでに熟知した業務を任せることが推奨されています。進捗を確認しながら質問に答えたり方向性を変えたりでき、重要な操作はユーザーの承認を経て実行される仕組みです。顧客調査からキャンペーン資料の作成、市場別の調整まで、一連のワークフローを一度の指示で任せることもできます。

機能面では、決まった作業を定期的または特定イベントの発生時に実行するScheduled Tasks、デスクトップ版の内蔵ブラウザやローカルファイル操作、画面を直接操作するComputer Useが加わりました。さらにWebアプリを作って共有できるSitesが公開ベータとして登場し、Codexアプリは新しいChatGPTデスクトップアプリへと統合されます。

提供は同日から始まり、Web・モバイルではまずPro、Enterprise、Eduの各プランで、数日以内にPlusとBusinessにも広がります。刷新されたデスクトップアプリはMacとWindows向けに世界展開され、Chat・Work・CodexがFreeを含む全プランで使えます。

一方でOpenAIは、9カ月足らず前に投入した専用ブラウザAtlasの提供を終了すると明らかにしました。ChatGPTのChrome拡張機能を更新し、そこで得た知見をChatGPT Workに取り込む方針です。企業向けにはCompliance APIや重要操作を事前点検する自動レビュー機能を用意し、レッドチーム演習では保護データの抽出を100%阻止したとしています。

米メタ（Meta）は2026年9月から、自社開発のAI専用半導体「MTIA」の最新版の量産を始める見通しです。ロイターが社内メモを基に報じたもので、深刻な部材不足が続くなか、割高なGPUの調達コストを抑える狙いがあります。少なくとも1種類のチップは約6週間で試験工程を通過したとされ、開発は着実に進んでいます。

製造体制も明らかになっています。チップの設計はBroadcomと共同で進める一方、実際の生産は台湾のTSMCに委託します。加えてメモリはSamsung、ストレージはSandisk、光ファイバー機器は住友電気工業から調達すると報じられており、複数の主要サプライヤーを束ねた体制です。

今回のチップは、メタが推進する「Meta Training and Inference Accelerator（MTIA）」計画に基づくものです。同社は3月に4種類の新チップを公開しており、モジュール式のチップレットを組み合わせる設計で、進化の速いAIの需要変化に対応します。メタは2023年から自社AIチップの開発を続けてきました。

狙いは、NvidiaやAMDからのGPU購入への依存を減らすことです。ただしメタは両社への支出も引き続き見込んでおり、今年の設備投資額は1250億〜1450億ドルに達する見通しです。自社チップは主に推薦・ランキングアルゴリズムの学習や、アプリ向けの推論処理に使う計画です。

同社は今年7ギガワット、来年はその倍の計算基盤を展開し、AIモデル「Muse Spark」の学習・運用を支える構えです。こうした内製化の動きはメタに限りません。OpenAIはBroadcomと推論用チップを発表し、AnthropicはSamsungとの独自チップ開発を検討中と報じられるなど、Nvidia一極集中を崩す競争が広がっています。

米メタは7月9日、エージェント型のコーディングに特化した多機能AIモデル「Muse Spark 1.1」を正式に公開しました。OpenAIやAnthropicが先行するAIコーディング市場への本格参入で、米国の開発者向けに公開APIプレビューとして提供を始めます。多段階の推論や複雑な作業の自動化を強みとし、先行勢との競争に挑みます。

同社によると、1.1は初代からの大幅な進化を遂げ、複雑なバグの検出と修正、複数のアプリをまたぐエンドツーエンドのエージェント作業に対応します。画像・動画・文書を理解するネイティブなマルチモーダル機能も備え、大規模なコード移行の支援にも使えます。

利用料金は競争力のある水準です。ロイターによると、入力100万トークンあたり1.25ドル、出力は4.25ドルで、AnthropicのClaude Haiku 4.5やOpenAIのGPT-5.6 Lunaとほぼ同等の価格帯となります。企業が求める大規模な自動処理を、低コストで提供する狙いです。

提供形態も広げます。1.1はMeta AIのアプリとウェブで「Thinkingモード」として利用できるほか、新設のMeta Model APIを通じて即日使えます。新規アカウントには20ドル分の無料クレジットが付き、開発者の取り込みを図ります。

注目を集めたのが、ザッカーバーグCEOの動きです。同氏はこの発表に合わせ、約3年ぶりにX(旧Twitter)へ投稿し、Sparkを「非常に低価格で強力なエージェント・コーディングモデル」と評しました。今週は画像生成AIのMuse Imageも公表しており、巨額投資に見合う成果を急いでいます。

米ベンチャーキャピタル、Sequoiaのパートナーであるデビッド・カーン氏はこのほど、2026年のAI基盤への投資額が1.5兆ドルに達するとの試算を公表しました。チップやデータセンターへの巨額支出を正当化するには、AI業界全体で3兆ドルの収益を稼ぐ必要があると指摘しています。同氏は、メモリ価格の高騰や推論特化型チップの利用増により、この必要額はさらに膨らむ可能性があるとみています。

カーン氏が最初にこの計算を示したのは2023年でした。当時はNvidiaのGPU年間売上高500億ドルを起点に、投資回収には2000億ドルの収益が必要だと結論づけていました。それから3年間の急速な設備拡張を経て、必要額は一気に3兆ドル規模へと膨れ上がった形です。

一方で足元の収益はどうでしょうか。Anthropicの年間経常収益（ARR）は600億ドルに達したとされ、OpenAIも2025年に130億ドルを稼いだと報じられています。両社は成長を続けているものの、必要とされる回収額との間には依然として大きな隔たりがあります。

この差を懸念するのが、資産運用大手Apolloのチーフエコノミスト、トルステン・スロック氏です。GoogleやMeta、Microsoft、Amazonといった大手4社は、2028年にフリーキャッシュフローが大きく改善すると見込んでいます。つまり、購入した大量のチップからの投資回収を期待しているのです。

しかしスロック氏は、企業がより安価な中国製のオープンウェイトモデルへ移る動きや、トークン価格の下落をリスクとして挙げます。OpenAIの最新モデルはコーディング作業で54%効率化したとされ、利用者には朗報ですが、収益を見込む企業には逆風になりかねません。同氏は、各社が資金収支の目標を達成できなければ、景気後退やS&P500;の調整を招く恐れがあると警告しています。

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。

米AIチップ企業SambaNovaは7月8日、General Atlantic主導のシリーズF資金調達の初回クローズで10億ドルを調達したと発表しました。企業価値評価額は110億ドルに達し、今後数週間で追加投資家が加わる第2クローズも見込まれています。2017年設立の同社にとって、2026年2月のシリーズE（3億5000万ドル）からわずか5カ月での大型調達となります。

同時に明らかになったのが、金融大手JPMorgan Chaseが同社を「推論インフラのパートナー」に選定したことです。SN40LとSN50システムを用い、行内で安全なオンプレミス型のAI推論を稼働させます。ロドリゴ・リアン最高経営責任者（CEO）は「銀行業界に対し、クラウドサービスに完全依存しない時代が来たというメッセージだ」と述べました。

リアン氏はこの受注を市場全体へのシグナルと位置づけます。JPMorgan級の銀行が最も機密性の高いモデルの推論を自前の安全な基盤で動かし始めており、その流れは銀行業界を超えて広がるとみています。企業や政府の多くは「AI活用に踏み出したばかり」で、大きな収益機会がなお残されていると指摘しました。

出資元でもあるIntelとの関係も深まっています。5カ月前には、IntelのXeonチップを基盤としたAI推論開発を支える複数年契約を締結し、両社は製品を共同開発・共同販売する体制へ移行しました。かつて約16億ドルでのIntelによる買収交渉も報じられましたが、リアン氏は独立維持について明言を避け、「いずれ株式を公開する」方向に傾く可能性を示唆しました。

技術面での強みは、最大級のモデルを高速に動かす「プレミアム推論」にあります。数兆パラメータに及ぶ最新の基盤モデルを単一ラックに収め、素早く処理する設計が特徴です。次世代チップSN50は2026年後半に出荷を始め、SoftBankが初の導入パートナーとなります。

調達資金は事業拡大と供給網の強化に充てる方針です。リアン氏は「桁外れの需要の波」に対応するため供給網を確保すると説明し、今後12カ月の受注をこなすうえで不可欠だと強調しました。顧客にはJPMorganのほか、サウジアラムコや日本企業も名を連ねています。

中国の浙江大学とアリババの研究チームは、今週ソウルで開かれた機械学習の国際会議ICML 2026で、最新の推論AIを意図的に「過剰思考」へ追い込む攻撃手法を発表しました。論理的に矛盾したプロンプトを与えることで、モデルが答えの出ない問題を延々と考え続け、応答が最大26倍まで長くなることを実証しています。大量に仕掛ければ正規利用者のサービス品質を著しく下げる、事実上のサービス妨害（DoS）攻撃になり得ます。

段階的に思考する推論モデルは、コーディングや数学など複雑な課題を解けるようになりました。一方で、成果につながらない無駄な推論を延々と続ける「過剰思考」という弱点が以前から指摘されていました。研究チームはこの弱点を突き、前提の一部を欠いた解けない問題を作ることで過剰思考を強制的に引き起こします。

具体的には、3つの数学ベンチマークから集めた940問をLLMで前提と設問に分解し、進化的アルゴリズムで前提の入れ替えや削除、追加といった「変異」を加えます。各世代で出力語数や「but」「wait」など過剰思考特有の語の頻度を評価し、高スコアの問題を残して5世代繰り返します。モデル内部を見る必要がなく、外部から問い合わせるだけで攻撃用プロンプトを作れる点が大きな特徴です。

攻撃はDeepSeek-R1、アリババのQwen3-Thinking、OpenAIのGPT-o3、GoogleのGemini 2.5 Flashといった主要モデルに対して有効でした。最大の増加はMATHデータセットでのDeepSeek-R1で、通常時の最長応答の26.1倍に達しました。数学だけでなくコーディングや科学的推論、対話でも同様に出力が大きく伸びたといいます。

課題は、攻撃用プロンプトの作成に高価な推論モデルへの反復的な問い合わせが要る点です。ただし研究チームは、より安価な小型モデルで生成したプロンプトでも標的モデルを数倍長く応答させられることを示しました。この転用可能性が攻撃の現実味を高めます。

研究の目的は実用的な攻撃の開発ではなく、こうした脆弱性の存在を明らかにし、提供各社に対策を促すことにあります。料金体系やレート制限、既存の防御策によって影響度は変わるものの、論理矛盾に弱いという性質は現実的なセキュリティ上の懸念だと研究者は指摘します。推論AIの普及が進むいま、見過ごせない課題と言えるでしょう。

OpenAIは7月8日、人間との会話に近い音声モデルGPT-Liveを世界で公開しました。従来のAdvanced Voice Modeを置き換える新世代で、聞くと話すを同時に行う全二重（フルデュプレックス）方式を採用します。iOS、Android、ウェブで提供が始まり、有料利用者にはGPT-Live-1、無料利用者には軽量なGPT-Live-1 miniが標準となります。

最大の技術的前進は、入力音声を処理しながら同時に応答を生成できる点です。会話中に「うん」「なるほど」といった相槌を打ち、こちらが考えて言葉を止めても割り込まず、必要なときは静かに待つことができます。沈黙を区切りと誤認して不自然に話し出す旧方式の弱点を解消し、より滑らかなやり取りを実現します。

もう一つの変更は、会話を担う層と深い処理を担う層を切り離したことです。単純な質問はGPT-Liveが直接答え、Web検索や高度な推論、エージェント的な作業が必要な場面では、裏側で最新のGPT-5.5に処理を委ねます。計算を待つ間も会話を止めずに続けられるため、応答の自然さと知性を両立させています。

この仕組みは新しい機能も生み出します。話し終わるのを待たずに発話しながら翻訳するリアルタイム翻訳や、天気やスポーツの結果を視覚情報で補足する表示が可能になりました。指示すれば呼ばれるまで黙って会話の文脈を吸収し続けることもできます。

一方でOpenAIは、これをAIの話し相手（コンパニオン）にする狙いはないと強調します。自傷などの話題では専門家が監修した相談窓口を案内し、10代には年齢に応じた応答を返す安全機構を組み込みました。ChatGPTが利用者の妄想を助長したとする一連の訴訟を抱える中での配慮とみられます。

同社によれば、すでに1億5000万人以上が音声や口述機能でChatGPTと対話しています。AppleやAmazon、Sesameなど競合も会話性の強化を進めており、音声を複雑な業務の主要インターフェースへ育てる競争が加速しています。APIでの提供も近く予定されています。

NVIDIAは7月8日、AIエージェント開発基盤大手のLangChainと共同で、開放型モデル「Nemotron 3 Ultra」がLangChainのベンチマーク「Deep Agents」で開放モデル中最高の精度を達成したと発表しました。より多くのタスクを高い処理速度で完了しつつ、主要な閉鎖モデルと比べて1回あたりの推論コストを10分の1に抑えた点が特徴です。企業が自社で所有・運用できる完全な開放スタックを実現する狙いがあります。

注目すべきは、この成果がモデルの再学習を一切伴わずに得られた点です。LangChainはNemotron 3 Ultraを公開ベンチマークで走らせ、実行トレースを分析して失点箇所を特定しました。そのうえでモデル本体ではなく、システムプロンプトやツールの記述、ミドルウェアといった周辺環境（ハーネス）を調整することで性能を引き上げています。

コストを10分の1に抑えられることで、開発チームは評価を継続的に回し、より速く実験し、業務のより広い範囲に専門エージェントを展開できます。LangChainの共同創業者兼CEOのハリソン・チェイス氏は「より良いエージェントを作る方法は、モデルの周囲のシステムを改善し続けることだ」と述べ、開放スタックでも強力な性能を得られると強調しました。

NVIDIAは、この成果を企業向けにまとめた開放リファレンス設計図「NemoClaw for LangChain Deep Agents」も提供します。Nemotron 3 Ultra向けに調整したDeep Agentsのコードと、エージェントの動作を安全に実行する「NVIDIA OpenShell」ランタイムを組み合わせた構成です。開放モデル・開放ハーネス・開放ランタイムがそろい、企業が全体を自社インフラやクラウド上で管理できます。

すでにAbridgeやAmdocs、Boxが自社プラットフォームに専門エージェントを組み込んでおり、大手システムインテグレーターのEYもNemoClawを軸に導入支援を拡大しています。Nemotron 3 UltraはBasetenやFireworks、Together AIなど複数のホスティング基盤経由で利用でき、開発者は調整済みのハーネスを本番環境ですぐに使えます。

Hugging Faceは2026年7月8日、機械学習ライブラリtransformersを推論エンジンvLLMのモデル実装として使う際、自作の専用実装と同等かそれ以上の速度を出せるようになったと発表しました。モデル作者はコードを移植することなく、既存のtransformers実装のまま超高速なvLLM推論を無料で得られます。対応アーキテクチャであれば、追加の最適化コードは一切不要です。

従来この連携は、推論のボトルネックとなるアテンション処理をvLLM側の実装に差し替えることが中心でした。しかしGPU間の並列化やカーネル融合など、専用移植でしか引き出せない性能領域が残っていたのです。最高性能を求める作者は、結局vLLM向けの独自実装を書き続ける必要がありました。

今回の刷新では、torch.fxでモデルの計算グラフを静的解析し、最適化可能な既知パターンを検出します。その上でAST（抽象構文木）を使ってソースコードを書き換え、Mixture-of-Expertsの専門家並列や、テンソル並列を担うvLLMの融合演算へと実行時に置き換えます。結果として、コードを1行も書かずにネイティブ相当の推論速度が得られる仕組みです。

性能はQwen3系の3つのモデルで検証されました。単一GPU上の4B密モデル、テンソル並列の32B密モデル、そして8基のH100ノード上でデータ並列・専門家並列を使う235BパラメータのFP8 MoEです。いずれの構成でも、vLLMの手書き実装によるスループットに到達または上回ったと報告されています。

利用は`vllm serve`コマンドに`--model-impl transformers`を付けるだけで、テンソル並列などの既存オプションとそのまま併用できます。さらにvLLM専用実装と異なり、transformers実装は学習や評価、RLロールアウトにも同じコードを使える利点があります。なお線形アテンションを使うモデルは現時点で非対応ですが、近く対応予定とのことです。

フランスのAIスタートアップZMLは7月8日、オープンソースの大規模言語モデルをNvidiaやAMD、GoogleのTPU、Apple、Intelなど多様なチップ上で高速に動かせる推論サーバー「ZML/LLMD」を無償公開しました。特定メーカーへの依存（ベンダーロックイン）を打破し、企業やクラウドが安価で省電力なチップを自由に組み合わせられるようにする狙いです。チューリング賞受賞者のヤン・ルカン氏も同社を支持しています。

AIが業務や生活に浸透するにつれ、プロンプトを処理する推論の最適化はモデル学習を上回る重要性を持ち始めました。しかし創業者のスティーブ・モリン氏によれば、その内部はソフトやアーキテクチャの壁で継ぎはぎ状態にあり、ベンダーロックインを招いています。LLMDはこの壁を取り払い、多様なチップで最大速度を引き出すことを目指します。

この構想は市場の破壊要因にもなり得ます。ZMLは企業やクラウドに対し、より安価で省電力なチップを混在させる選択肢を提供し、AI関連コストへの懸念に応えたい考えです。「人々が自分のシステムを設計し、本当の効率化を実現する力を取り戻すのが狙いだ」とモリン氏は語ります。

モリン氏はSnapchatが2017年に買収した位置情報アプリZenlyのエンジニアリング担当VPを務めた実績を持ちます。その信用を背景に、20VCやグザビエ・ニール氏のKima Venturesなどから総額2000万ドルを調達しました。パリを拠点とするわずか20人のチームが素早い開発を支えています。

推論分野は「推論ゴールドラッシュ」と呼ばれるほど投資が過熱しており、評価額130億ドルのBasetenやvLLM開発陣のInferact、SGLang商用化のRadixArkが競合します。一方でLLMDはオープンソースではなく、まず無償で提供して利用実態を学ぶ方針です。株主にはDocker創業者のソロモン・ハイクス氏やHugging Faceの創業者らも名を連ね、欧州のAIスタートアップが地元から世界を狙える証しとなっています。

米Hugging Faceは7月7日、オープンソースのロボット学習ライブラリ「LeRobot」の最新版v0.6.0を公開しました。今回の更新はロボット学習のループを閉じることに主眼を置き、行動前に未来を想像する世界モデル型ポリシー、成功可否を判定する報酬モデル、失敗を学習データに変える配備用CLI、6種の新しいシミュレーション評価基準を一挙に導入しました。同日、半導体大手NVIDIAとの協業拡大も発表され、両社の開発者基盤が結び付きます。

目玉は未来を想像する3つの世界モデル型ポリシー（VLA-JEPA、FastWAM、LingBot-VA）です。いずれも学習時に未来フレームを予測しますが、推論時には想像の処理を省くため、追加コストなしで恩恵を得られる設計が特徴です。さらにGR00T N1.7やMolmoAct2など新たなVLAが加わり、モデルの選択肢が一段と広がりました。

新設された報酬モデルAPIには、100万を超える軌跡で学習した汎用モデル「Robometer」と、学習不要でVLMを流用する「TOPReward」が並びます。配備用の新CLI「lerobot-rollout」はDAgger方式の人手介入に対応し、ロボットが失敗した瞬間に操作を引き継いで修正データを記録できます。収集・微調整・再配備という改善の循環が、コマンド一つで回せるようになりました。

NVIDIAとの協業では、商用利用が可能な初のオープンなロボット基盤モデルIsaac GR00T 1.7と、データ収集基盤Isaac TeleopがLeRobotに統合されました。物理AI向けの世界基盤モデル「Cosmos 3」も近日中に加わる予定です。NVIDIAの300万人のロボット開発者とHugging Faceの1600万人のAI開発者が結び付き、物理AIの開発が加速します。

基盤となる依存関係は約40%削減され、pip installが軽量になりました。加えてFSDPによる複数GPU学習やHF Jobs上のクラウド学習にも対応し、単一GPUに収まらない大規模モデルの訓練も容易になっています。オープンソースの協調がロボット開発の民主化をどこまで押し進めるのか、次の展開が注目されます。

Hugging FaceとAmazon SageMaker AIは2026年7月7日、Hugging Faceで見つけたモデルをワンクリックでSageMaker Studioに取り込める連携機能を発表しました。開発者はモデル選択から実験開始までを一続きで行え、選んだモデルは環境に事前ロードされた状態で立ち上がります。基盤モデルのファインチューニングでも推論エンドポイント展開でも、該当ワークフローへ直接着地できる仕組みです。

従来はモデル発見後にAWSコンソールを開き、ドメイン作成、IAM権限の設定、時にはGPUクォータ申請と、複数の手順を踏む必要がありました。この摩擦が着想から実験までの速度を落としていた点が課題でした。今回の連携は発見からエンタープライズ展開までを一直線につなぎます。

新機能は3つあります。1つ目はHugging Faceのモデルページに表示される「Customize」「Deploy」ボタンからStudioへ飛ぶディープリンクで、モデルの文脈をそのまま引き継ぎます。2つ目はSFT・DPO・RLVR・RLAIFに対応した新管理ポリシーを自動付与する事前構成済み権限で、IAMロールの手動設定が不要になります。

3つ目はインスタンス選択時にG5・G6などのGPUクォータの空きをUI上で直接確認できる機能です。Service Quotasへ別途移動する必要がなく、上限緩和が必要な場合も該当ページへ直接誘導されます。経営者やエンジニアにとって、オープンモデルを自社のAWS環境で素早く試し、展開までの時間を縮められる意義は大きいと言えるでしょう。

中国のAIスタートアップDeepSeekが、データセンター向けの自社AIチップの開発に乗り出す計画であることが、2026年7月7日にロイターの報道で明らかになりました。関係者3人の話として、同社は約1年前からシリコン事業への参入に取り組み、ハードウェア分野の提携先と協議を重ね、専門エンジニアの採用も進めているといいます。狙いは、米国の輸出規制下で強まる外部依存を減らすことにあります。

開発の焦点は、AIモデルの学習ではなく推論に使うデータセンター用チップに置かれています。これは、NvidiaとHuaweiという2社への依存を同時に減らす狙いがあるとみられます。

背景にあるのは、米国によるチップ輸出規制です。Nvidiaは北米や欧州のAI企業向け半導体で圧倒的な存在ですが、輸出禁止措置により中国市場では同様の地位を築けていません。中国ではHuaweiがデータセンター向けチップ市場の約半分を握っており、AlibabaやBaiduなど他の大手も自社開発の動きを見せています。

同様のチップ内製化は、米国のAI企業でも進んでいます。数週間前にはOpenAIがBroadcomと共同で、推論に特化した初の自社チップJalapeñoを発表し、Anthropicも独自チップの設計を模索しています。

こうした動きには、Nvidiaへの依存低減に加え、Appleのように技術スタック全体を管理したいという思惑もあります。データセンターの確保が今後も制約されると見込まれるなか、計算資源を巡る競争で優位に立つ狙いもうかがえます。

旅行予約大手のExpediaは、AIおよび機械学習システムを安全かつ大規模に運用するための社内原則を策定しました。同社の最高AI・データ責任者Xavi Amatriain氏が2026年7月6日に公開したもので、パーソナライズや不正防止から生成AI・エージェントAIまで数十年にわたる実運用の知見を体系化しています。狙いは、一度動くだけのAIではなく持続的に価値を生むシステムの構築です。

同氏は、規律なき開発速度は資産ではなく負債だと指摘します。AIが会話し推論し、旅行者に代わって自律的に意思決定を行う時代には、信頼性や説明責任への期待が根本的に変わるためです。原則は「成果」「設計」「信頼」の三本柱で構成され、測定・設計・統治・運用の各段階を規定します。

「成果」では、技術指標の改善ではなくビジネス成果への貢献を第一の基準とします。開発・運用コストに見合う投資対効果を求め、強力なベースラインに対して複雑さを正当化できる場合のみ高度な手法を採用します。全モデルはオフラインとオンラインの両評価を通過しなければ本番展開できません。

「設計」では、個別チームを超えて価値が波及する仕組みを重視します。共有基盤の上に構築し、データを第一級のプロダクトとして扱い、再現性と追跡可能性を既定とします。手動ルールは最小化し、定期的に見直す方針です。

「信頼」では、各モデルにビジネス・プロダクト・AI・運用の明確な所有者を割り当てます。統治はリスクに比例させ、価格や在庫に影響する高リスク領域では人間による確認を最初から組み込みます。段階的な展開とロールバック、サーキットブレーカーを launch 前に準備し、稼働後も継続監視します。

同社はこれらを実務に落とすため、エージェント機能の公開前チェック群「Agentic Release」関門を導入し、一部を開発工程に自動組み込みし始めています。Amatriain氏は7月14日のVB Transformで、高リスクな取引システム向け自律エージェントの設計を詳しく語る予定です。

NVIDIAは7月6日、機械学習の国際会議ICML 2026で自社のオープンモデルとオープン基盤がAI研究の土台になったと発表しました。同社の論文は74本が採択され、採択論文のうち約2000本がNVIDIA製GPUを、145本がオープンモデル群Nemotronを研究基盤として引用しました。open weightsと公開データセットの提供が、研究のあり方を変えつつあります。

今年の研究テーマでは、視覚・動画生成やLLM向けの強化学習、エージェント訓練、AI推論が引き続き中心となりました。加えてロボットのworld modelsが注目を集め、論文「DreamDojo」はNVIDIA Cosmosを基に、訓練外の環境で物体を扱うロボットの挙動を予測します。物理環境での試験コストやリスクを避けつつ、方策評価や行動計画を進められる点が特徴です。

ライフサイエンス分野ではBioNeMoのオープンモデルが研究を後押ししました。タンパク質変異の影響予測を検証する公開ベンチマーク「FLIP2」や、創薬に重要な分子物性を予測する新モデル「KERMT」が発表されました。合成データ生成もNemotronや物理AI向けデータセットとともに関心を集め、人手ラベルに頼らない大規模学習への転換を映しています。

動きはNVIDIA社内にとどまりません。Sakana AIはNemotron 3 Ultraを基にFuguとFugu-Ultraを構築し、AI研究の自動化を進めています。KiloCodeはNemotronをコード処理基盤に組み込み、トークンコストを最大90%削減したと報告しました。NAVERはNemotronのアーキテクチャで韓国語向けモデルを開発し、Together AIは同モデルを自社基盤で提供しています。

産業界の採用も拡大しています。Merckは創薬でKERMTを使い、薬剤候補の有効性や安全性を予測します。LG電子やNEURA Roboticsはヒューマノイド量産にIsaac GR00Tを採用し、Boston DynamicsなどはCosmos world modelsで次世代ロボットの開発と検証を加速しています。オープンな研究基盤が、業界横断で成果創出を支える構図が鮮明になりました。

建設プロジェクト管理を手がける米Trunk Toolsが、汎用大規模言語モデル（LLM）を捨て、業界特化型の3層アーキテクチャを構築しました。同社は独自データを基に「知覚」「意味」「エージェント」の各層を設計し、数百万ページに及ぶ建設文書を高精度で処理できるようにしています。この専用スタックにより、書類審査の期間を数カ月から数日へと大幅に短縮したと説明しています。

背景には、汎用LLMが持つ構造的な弱点があります。ファウンデーションモデルは幅広さに最適化されており、専門分野の深い知識や暗黙の文脈には対応しきれません。さらに企業にとって最も価値あるデータは事前学習に含まれておらず、社内システムや独自形式の中に眠っているのが実情です。

こうした課題に対し、Trunkは知覚・意味・エージェントという3層構造で応えます。知覚層はPDFや図面など雑然とした文書からデータを抽出し、意味層はそれらの関係性を理解します。建設図面では、ドアが必ずしも「ドア」と記されず、壁の弧として描かれることもあり、この層が記号を読み解く役割を担うのです。

成果は具体的な数字に表れています。提出書類を審査するエージェントは、従来50〜60日かかっていた工程を10日に短縮しました。ある事例では構造梁が8.5インチ移動していたのを検知し、見過ごせば1万ドル超の手戻り費用が発生するところを防いだといいます。同社はエージェントの精度を約95%に保ち、LLMを評価者とする仕組みで品質を継続的に検証しています。

Trunkは、このアプローチが建設に限らず法務や医療など高リスクで文書形式が標準化された業界にも応用できると指摘します。創業者でCEOのサラ・ブフナー氏は、非構造化データをLLMが辿れる形に変換し、汎用モデルが投資しない領域にこそ技術的な優位性を築くべきだと助言しています。

AIインフラの拡大が、消費電力量だけでなく電力需要の性質そのものを変えつつあると、技術誌IEEE Spectrumが2026年7月3日に報じました。国際エネルギー機関はデータセンターが今後10年で世界の総電力消費の3〜4%を占めると試算しますが、記事が指摘するのは規模ではなく、需要が時間と場所の両面で急激に変動する「振る舞い」の問題です。送電網の運用者にとって、これは新たな課題を生んでいます。

従来の送電網計画は、産業・商業・家庭の需要が比較的予測可能なプロファイルに従うことを前提としてきました。しかしAIの計算負荷はこれと質的に異なります。モデルを作る学習はGPUやTPUのクラスタ全体で高度に同期し集中する一方、モデルを使う推論は分散的でユーザー主導のため、需要の予測がいっそう難しくなります。

送電網から見ると、これは単なる需要増ではなく、より急峻な需要です。高密度な計算負荷はミリ秒単位で電力消費が段階的に跳ね上がり、予備電源や周波数制御機構、局所的な送電インフラに追加的な応力をかけます。事業者はすでに蓄電池やスーパーキャパシタなどの緩和技術を導入していますが、需要側から生じるこの変動は、風力や太陽光の供給側の変動とは異なる性質を持ちます。

問題は計算活動が地理的に集中するとさらに深刻になります。データセンターは光ファイバー接続や税制優遇、低い電気料金を求めて特定地域に集まり、「データセンター街」と呼ばれる米バージニア州北部が代表例です。同州の電力会社Dominion Energyはハイパースケール需要の急増を計画文書で繰り返し指摘しており、狭い地域での急激な消費増が変電所や送電回廊、局所的な需給調整に応力をかけます。

根本的な課題は、既存の規制・運用の枠組みが安定した産業需要を前提に設計されている点です。テキサス州のERCOTなどはデータセンターを含む大規模柔軟負荷の影響を公に認めていますが、送電網の拡張は四半期ではなく年単位で進みます。計算インフラは急速に拡張できても電力インフラはできないという構造的なずれが、規制の再評価と需要応答など運用面の適応を迫っています。記事は、AI開発を減速させるのではなく、ハイパースケール計算を新たな電力需要のカテゴリーとして認識する必要があると結んでいます。

米メディアTechCrunchは2026年7月3日、AI業界で頻出する専門用語を平易な言葉でまとめた用語集を公開しました。対象読者は、AIを使いこなして生産性や市場価値を高めたい経営者やエンジニアで、会議や商談で飛び交うLLMやRAG、RLHFといった略語に戸惑う人々を想定しています。同社はこの用語集を分野の進化に合わせて更新し続ける「生きた文書」と位置づけています。

収録された基礎概念のうち中心となるのが、人間を多くのタスクで上回るとされるAGI（汎用人工知能）です。ただしOpenAIのアルトマンCEO、同社の憲章、Google DeepMindで定義が微妙に異なり、専門家の間でも見解が割れていると指摘します。関連してAIが人間の介入なしに自らを改良し続ける再帰的自己改善にも触れ、これを次の研究フロンティアと捉える新興企業が相次いでいると説明しています。

実務に直結する概念として、経費精算や予約、コード保守などを自律的にこなすAIエージェントや、開発作業を代行するコーディングエージェントが挙げられています。回答精度を高める思考の連鎖、大規模モデルから小型モデルへ知識を移す蒸留、特定用途に最適化するファインチューニングなど、モデルを鍛える手法も網羅されています。さらにAIを外部のファイルやアプリに接続する標準規格MCPが、Anthropicの提唱後にOpenAIやGoogle、Microsoftへ急速に広がった点も強調されました。

経営層が押さえるべき経済・インフラの論点も豊富です。ネットワークを小さな専門家に分割して一部だけを動かす混合専門家（MoE）は、巨大モデルを比較的安価に運用する鍵とされます。多くのAI企業が課金単位とするトークンや、処理量を示すトークンスループットは、そのままコストと収益性に直結します。加えて、AI各社の旺盛な需要でメモリー不足が広がるRAMageddonが、ゲーム機やスマートフォンの値上げにまで波及している現状を伝えています。

一方で品質面の課題も明記されています。AIが誤った情報を生成するハルシネーションは学習データの欠落から生じるとされ、医療のような場面では実害につながる恐れがあると警告します。TechCrunchは、こうした基礎概念を共有することで、開発者だけでなく投資家や意思決定者が業界の動向を的確に読み解けるようになると位置づけています。

半導体大手のNVIDIAは2026年7月2日、AIクラウド事業者と収益を分配する新たな事業モデルを発表しました。資本集約的な計算基盤に手が届きにくかった新興企業やモデル開発者に、大規模な高速計算資源を素早く提供する狙いです。AIが開発段階から本番の推論運用へ移り、トークンを大量生成する「AIファクトリー」への需要が急拡大している状況に対応します。

新モデルでは、AIクラウド事業者がNVIDIA製の基盤を調達し、AIネイティブ企業や事業会社、ISV向けにクラウドサービスとして販売します。NVIDIAは通常の製品収益に加え、対象容量のクラウド収益の一部を受け取る仕組みです。信用支援も組み合わせることで、長期契約でも資金調達が難しかった新興勢の計算アクセスを開きます。

この構造はNVIDIAにとって、成長著しいAIネイティブ領域での基盤採用を加速させると同時に、利用量に連動した継続的な収益源を生み出します。利用者側は、用地選定や電力調達、建設、機材立ち上げを待たずに、フルスタックの高速計算へ早く到達できる利点があります。

取り組みはすでに動き出しており、Sharon AIとFirmusが初期の協業企業として名を連ねます。Sharon AIはNVIDIAのGrace Blackwell GB300を最大4万基導入し、大規模かつ主権的なAI計算基盤の構築を進める方針です。

FirmusはインドネシアのバタムでDSX準拠のAIファクトリー拠点を建設中で、最大360メガワット、17万基のGPU規模まで拡張する計画です。BasetenやFireworks AI、Together AIといったAIネイティブ企業も、モデル学習や大量のエージェント推論に向けたクラウド容量の即時利用を求めており、需要の広がりを示しています。

米AI大手のAnthropicが2026年7月、韓国Samsungと独自AIチップの共同開発に向けて協議していることが明らかになりました。米メディアThe Informationの報道を受けたもので、深刻化するチップ不足への対応策として、自社設計チップの実現を本格的に模索し始めた形です。4月にReutersが検討段階を報じて以来、構想が一段と具体化してきました。

ただし現時点では、チップの用途や性能、サーバーへの組み込み方法など基本仕様はいずれも未定です。AnthropicはTechCrunchの取材に対し、Google、Amazon、NVIDIAのチップを組み合わせた多様なハードウェア構成が引き続き計算戦略の要になると回答しました。Samsungとの提携そのものについては、コメントを控えています。

背景には、多くのAI企業が独自チップ開発を急ぐ動きがあります。特定の計算処理に最適化した独自ハードを得ると同時に、業界の圧倒的リーダーであるNVIDIAへの依存を和らげる狙いです。今回の動きは、先週に競合OpenAIがBroadcomと組み、推論用チップ「Jalapeño」を発表したことへの対抗策とも見られます。

提携先として名前が挙がるSamsungは、すでにAI業界に深く関与しています。NVIDIAの主要な製造パートナーとして同社のチップを手掛ける一方、韓国国内では両社でAIチップ工場の建設も進めています。さらにGoogleのチップ製造でも提携を協議しており、AnthropicがSamsungを選ぶ土壌は整っていると言えるでしょう。

Hugging FaceとCerebrasは2026年7月1日、リアルタイム音声AIの新たなデモを公開しました。両社は音声から音声へと応答するspeech-to-speechのパイプラインを構築し、Cerebrasの高速推論を組み合わせることで、従来課題だった応答遅延を大幅に短縮しました。人間同士の会話に近い、自然でよどみないやり取りを実現している点が特徴です。

音声AIでは、応答までの遅延が利用体験を左右する重要な要素です。モデルの品質は着実に向上してきた一方で、多くの実用システムでは中央値の応答速度は許容できても、P95のような一部の遅い応答が数秒に及び、会話の信頼性を損なっていました。両社はこのばらつきの大きい「ロングテール」の遅延こそが問題だと指摘します。

パイプラインは、音声認識にNvidiaのParakeet、言語モデルにGoogle DeepMindのGemma 4 31B、音声合成にAlibabaのQwen3TTSを用いる構成です。各層はいずれもオープンで、開発者が検査・改変・拡張できるモジュール式になっており、アシスタントやロボット、研究用途に合わせて自由に差し替えられます。

Cerebrasが担うのは、パイプライン最大のボトルネックである言語モデルの応答時間の解消です。推論を高速かつ安定させることで、他の構成要素の性能も引き出せると両社は説明します。採用の狙いはコスト削減ではなく、低遅延と予測可能な性能にあるといいます。

この音声パイプラインは、すでに9,000台超が稼働するReachy Miniロボットを支えています。ロボットや音声アシスタント、身体性を持つAIにとって、応答の速さは体験を「生きている」ように感じさせる核心的な要素です。両社はデモとコードを公開し、次世代の対話型AIに向けた開発者の参加を呼びかけています。

Googleは7月1日、2026年6月に発表したAI関連の新機能や研究成果をまとめた月次総括を公開しました。ノートPC上でローカル動作する新モデルや、Android 17の刷新、教育・防災分野への応用まで、幅広い領域での進展を一挙に振り返る内容です。経営者やエンジニアにとって、同社のAI戦略の全体像を把握できる資料といえます。

開発者向けでは、Gemma 4 12Bが注目されます。わずか16GBのメモリでノートPC上で動作し、視覚と音声処理を単一のアーキテクチャに統合したオープンモデルです。加えて、Gemini 3.5 Flashにはデスクトップやブラウザを横断して操作するコンピュータ操作機能が組み込まれ、企業向けの継続的なソフトテストなど長時間タスクの自動化を後押しします。画像生成では最速かつ最も費用効率の高いNano Banana 2 Liteも登場しました。

生活領域ではAndroid 17が中核です。フローティングウィンドウによる多重作業や、生体認証で紛失端末をロックする機能を搭載し、まずPixel端末から順次展開されます。さらにGemini 3.5 Live Translateは70を超える言語を自動検出し、話者の抑揚を保ったまま near-real-time の音声翻訳を実現します。多言語の会議や旅行での言語の壁を大きく下げる技術です。

教育分野では、NotebookLMが高度な推論やコード実行環境を備え、図表やスライドを生成できるように進化しました。Geminiアプリの学習ノートは、小テストで弱点を特定し、個人に合わせた教材を組み立てます。シエラレオネでの実証研究を通じて、AIが教育の実効的なパートナーになり得るかを検証している点も特徴です。

社会貢献の面では、防災と業務効率化が目立ちます。更新された予測モデルは河川洪水を7日前に予測し、山火事の境界を衛星で追跡します。英国では、AIを使った自治体の計画審査プロトタイプが住宅申請の処理を半減させる可能性を示しました。同社の調査によると、英国職場でのAI活用率は前年の34%から73%へと倍増し、深く使う層ほど昇進や昇給につながる傾向が見られました。

セキュリティ企業のSplunkは2026年7月1日、VentureBeatの寄稿記事で、エージェント型AIの普及がIT・セキュリティ現場の効率を高める一方、次世代の専門家を育てる訓練の場を奪っていると警鐘を鳴らしました。同社のカマル・ハティSVPは、若手が担ってきた定型業務の自動化が、熟練者を生み出してきた徒弟制の仕組みを静かに崩していると指摘します。

SecOpsアナリストやSRE、ネットワーク技術者は、誤検知の切り分けやログの精査といった地道な反復を通じて直感を養ってきました。こうした経験は研修や手順書では得られず、失敗と対処の積み重ねからしか身につきません。AIが負担の大きい作業を肩代わりすること自体は望ましいものの、代わりとなる育成の仕組みを用意しなければ、深く理解する人材が失われると同社は述べています。

もう一つの論点が、規制環境における説明責任です。SOXやPCI DSS、HIPAA、NIS2といった枠組みは、統制判断の背後に人間の判断の連鎖があることを前提としています。監査人はモデルではなく、なぜその判断が妥当だったかを説明できる人に問いかけるため、説明できる専門家が細ると、統制は形式的に通っても組織の記憶が空洞化すると警告しました。

解決策として同社は、人間の専門性を育てるシステム設計を提唱します。AIが推論の過程とデータの来歴を可視化し、信頼度と影響度に応じて権限を階層化すること。さらに、経験ある技術者がAIの判断を覆した際にはその理由を学習信号として取り込み、インシデントの解決策を領域を越えて共有する仕組みが欠かせないとしています。

同社はこれらを理念ではなく検証可能な製品機能だと位置づけ、リーダーは導入後に現場のスキルが向上するかを見極めるべきだと訴えます。人とAIが互いを犠牲にせず同時に成長する設計こそが、今後10年のデジタル耐性を組織が真に自分のものにできるかを左右すると結論づけました。

OpenAIは6月30日、計算生物学における研究水準の判断力を測る新ベンチマーク「GeneBench-Pro」を発表しました。ゲノミクス、定量生物学、トランスレーショナル医療にまたがる129問で構成され、曖昧で雑然としたデータからAIエージェントが適切な解析手法を選び、意思決定に直結する結論へ至れるかを問います。事実の暗記や定型作業ではなく、研究現場で求められる高次の判断を評価対象とした点が特徴です。

同社はこうした判断力を研究のセンスと定義します。どの問いをデータが支えられるか、初期の診断結果に応じて推定対象をどう変えるか、当初の計画をいつ修正すべきか、といった一連の判断の連鎖を指します。各問題は現実的で乱れたデータセットと簡潔な実験背景、そして下流の意思決定に結びついた推定対象を与え、モデルに探索と試行錯誤を求めます。

ベンチマークの信頼性を保つため、全問題が合成データで作られています。データ生成過程を完全に把握しているため、複雑さを調整でき、もっともらしいが誤った解析が確実に不正解となることを検証できます。さらにトレース分析で情報漏えいや抜け道を点検し、正解が正しい解析経路の選択に依存するよう設計しました。

評価では、同社最強のGPT-5.6 Solが最高推論レベルで28.7%、Proモードで31.5%の正答率を記録しました。初代GeneBench開発当初のGPT-5が5%未満だったことと比べ、大きな前進です。テスト時の計算量を増やすほど成績が伸び、最高レベルではGPT-5.2の約6倍の問題を3分の2のトークンで解いたといいます。

外部の専門家による評価では、1問あたり人間の専門家で20〜40時間を要すると見積もられました。時給200ドル換算で1問の人件費は数千ドルに達する一方、AIの推論コストは1問あたり数ドルにとどまります。現状のエージェントは専門家を置き換えるほど信頼できないものの、部分的な自動化でも経済的・科学的価値が生まれる可能性があります。

OpenAIは代表的な10問をHugging Faceで公開し、近く第三者評価向けに50問の部分セットも提供する予定です。シーケンスコストの低下で生物学の制約はデータ生成から解析へ移りつつあり、この種の解析を自動化できれば創薬の標的選定や仮説の絞り込みを加速し、科学的発見を後押しすると同社は見ています。

AIチップ新興企業のEtchedは6月30日、Nvidiaに対抗する推論特化型チップで契約受注額が10億ドルに達したと発表しました。同社は2024年にTSMCがチップ量産に成功し、現在は最初の製品を顧客とテスト中です。直近の資金調達では評価額が50億ドルに達し、累計調達額は8億ドルに上ります。

同社が提供するのは「フロンティア推論クラスター」と呼ぶシステムです。これはチップに加え、専用設計のラックとソフトウェアを束ねた製品で、最先端モデルの推論を競合より高速かつ低コストで動かすことを狙います。推論はユーザーがプロンプトを送った後の処理で、現在AIサービス提供の最大のボトルネックでありコスト要因となっています。

Etchedは2022年に設立され、5億ドルの調達ラウンドを昨年12月に完了しました。このラウンドはStripesが主導し、Jane StreetやHudson River Trading、Two Sigmaなどが参加しています。さらにエンジェル投資家としてAndrej Karpathy氏、Geoffrey Hinton氏、Fei-Fei Li氏ら著名人が名を連ね、資本構成にはPeter Thiel氏も含まれます。

創業者のCEOガビン・ウベルティ氏と社長ロバート・ワッヘン氏は、ともにハーバード大学を中退してThielフェローとなり同社を立ち上げました。2023年当時は専用チップの必要性を訴える30ページの提案書を用意しても投資家の関心を得られず、資金が尽きかける月次運営を強いられていたといいます。

現在の資金環境は当時と大きく異なります。推論を高速化するチップ技術に投資家の関心が集中し、競合のCerebrasは年内初の大型IPOを実現し、Groqも6.5億ドルを調達しました。Amazonやグーグル、マイクロソフトが自社チップを開発し、OpenAIもBroadcom製の初の独自チップを発表するなど、チップ開発競争が一段と激しくなっています。

MIT(マサチューセッツ工科大学)のニュース室は2026年6月30日、電気工学・計算機科学科准教授でCSAIL所属のPhillip Isola氏に、急速に普及するエージェントAIの本質と影響を聞きました。MIT Sloan校とBCGの2025年11月の調査では、調査対象企業の35%が既にAIエージェントを導入済みで、さらに44%が近く導入を計画していると判明しています。Isola氏はAIエージェントが持つ知能や、それを支える基盤モデルと仕組みを研究する立場から、現状と将来像を語りました。

Isola氏によると、エージェントAIとは世界に対して行動を起こすAIです。ロボットによる物理的操作や、航空券の予約といったデジタル上の操作がこれに当たり、物語や画像を生成する従来の生成AIとは性質が異なります。多くの企業は同じ少数のAIモデルを基盤に使い、Claudeのような生成AIを中核に据えたうえで、計算機やデータベースなどの道具を組み合わせる「ラッパー」を被せて製品化していると説明しました。

開発上の最大の課題は学習データの不足だといいます。航空券を予約する一見単純な作業でも、どこをクリックし、不具合時にどう対処するかを示すデータはほとんど存在しません。そのためエージェントは実際にサイトを訪れ、試行錯誤を通じて何が機能するかを学ぶ必要があり、こうした環境のモデル化が難しい点が普及の壁になっています。

最も成果が出ている分野としてIsola氏が挙げたのはコーディング支援です。コードで訓練された言語モデルが人間の解法を予測し、答えの正誤を確認できる限り、試行錯誤を繰り返して良い戦略を見つけられるためだといいます。一方で医療や安全保障、重要な経営判断のように高リスクで安全性が問われる領域では、技術が完全自動化に追いついておらず、人間の判断を補助する役割にとどめるべきだと述べました。

リスク面では、容易に任せられるがゆえの検証不足を警告しました。「バイブコーディング」のように手軽に依頼できる結果、人々が動作確認を怠り、バグの混入や私的データの漏洩が既に起きていると指摘します。さらに、宿題やコーディング、計算をエージェントに頼り続けることで人間自身の能力が失われる脱スキル化の危険にも触れ、技術が未成熟なまま能力を手放す事態を懸念しました。

将来像についてIsola氏は、現在のエージェントAIが言語モデルに道具を持たせた構成にとどまる点を限界として挙げました。より強力にするには映像や物理的な力、時系列データなど多様な様式を扱う新しいアーキテクチャが必要かもしれないと述べます。その一方で、数学や言語、コードを理解する高度な推論システムにカメラやキーボードを与えれば空間領域でも機能する可能性もあり、次の波が既存モデルの拡張か全く新しい設計かは、いま多くの研究者が向き合う大きな問いだと締めくくりました。

中国の生活サービス大手Meituanは6月30日、巨大なAIコーディングモデル「LongCat-2.0」をGitHubやHugging Face上で公開しました。1.6兆パラメータのMixture-of-Experts（MoE）構成で、100万トークンの文脈を扱え、商用利用に寛容なMITライセンスで提供されます。同社はこのモデルが、過去2カ月にわたりOpenRouterの開発者ランキング上位を占めてきた匿名モデル「Owl Alpha」の正体だと明かしました。

最大の注目点は、訓練を米Nvidia製GPUに頼らず、5万基を超える中国国産ASICで完結させた点です。near-frontier級のモデルを国産シリコンだけで構築できることを示し、Nvidia優位の構造に変化を迫る出来事だと位置づけられています。米国が自国の主要モデルへのアクセスを制限する動きを強める中で、安価で高性能な中国製オープンモデルが世界の開発者の選択肢として浮上しています。

性能面では、ソフトウェア工学のベンチマークSWE-bench Proで59.5を記録し、OpenAIのGPT-5.5の58.6をわずかに上回りました。Terminal-Benchで70.8、SWE-bench Multilingualで77.3を示すなど、対話よりも自律的な開発タスクに特化した設計です。汎用性ではClaude Opus 4.8など最上位モデルに及ばないものの、コーディング領域では競争力を持つとされています。

技術的には、合計1.6兆パラメータのうち1トークンあたり平均480億パラメータのみを動かす積極的なスパース化を採用しました。100万トークンの文脈を支えるため、DeepSeek Sparse Attentionを発展させた独自の「LongCat Sparse Attention」を導入し、ハードウェアに沿った効率的なメモリアクセスを実現しています。後処理では、Agent・Reasoning・Interactionの3つの専門家群に最適化を分離する「MOPD」と呼ぶ枠組みを使い、推論・ツール実行・安全性を両立させています。

商用面では、通常の従量課金APIに加え、北京時間の決まった時刻に1日4回の数量限定セールで提供する「Token Pack」を用意しました。最大の特徴は文脈キャッシュの再利用が完全無料になる点で、同じ巨大なコードベースを繰り返し読み込む自律エージェントのコスト構造を大きく変えるとしています。Meituanは2010年創業の出前・生活サービス大手で、利益率低下を背景にAIと国産チップへ多額の投資を進めてきました。

NVIDIAは6月30日、自社の推論ソフトウェアスタックがBlackwellプラットフォーム上でDeepSeek V4のトークンコストを約1カ月で最大5倍引き下げたと発表しました。AI factoryの普及で企業の関心が、チップの最大性能から1ドルあたりに供給できるトークン数へと移るなか、ソフトウェア最適化を競争力の中核に据える狙いです。

背景にあるのは、AIワークロードの質的な変化です。従来のWebや検索は処理経路が似通い、サーバーを増やせば対応できました。一方でagentic AIは推論や計画、ツール呼び出しを伴い、1つの要求が数百のサブエージェントと複数のモデルにまたがる分散コンピューティングへと変わります。

NVIDIAはこの複雑さを無駄ではなく低コストに変えるため、ソフトを3層で連携させています。分散配信やオートスケールを担う運用層、カーネル融合などのランタイム最適化を行うアプリ高速化層、GPUやネットワークの能力を引き出すインフラアクセス層です。これらが一体で動くと個々の最適化が積み重なり、処理量は最大20倍に高まると説明します。

具体的な手法として、分散サービングやNVLinkを介した大規模なエキスパート並列、NVFP4精度、マルチトークン予測を挙げています。各技術は単体でも効果がありますが、組み合わせることで効果が掛け算的に増幅すると同社は強調します。

オープンソースもこの優位を後押しします。多くの主要フレームワークがCUDAを前提に作られており、PyTorchやvLLM、SGLangは新モデル公開と同時にBlackwell向けの最適化を実装できます。DeepSeek V4も公開直後から各フレームワークで性能が改善し、トークンコストが従来の約5分の1まで下がりました。

採用企業も広がっています。BasetenはTensorRT-LLMで毎秒トークン数を最大50%増やし、CognitionはDynamoで強化学習の基盤を簡素化しました。経営者にとっては、推論の経済性がハードだけでなくソフトウェアの成熟度で決まる段階に入ったことを示す動きと言えます。

Anthropicは6月30日、計算科学の研究を一つの環境で完結できるAIワークベンチClaude Scienceを発表しました。データベースやパイプライン、各種ツールを行き来する手間を省き、自然言語で研究を進められる点が特徴です。同社は新しいAIモデルではなく、Claude Opus 4.8を含む既存のClaudeをそのまま使うと明言しています。

仕組みは、主担当のAIが研究のプロジェクトマネージャーとして動き、60を超える科学データベースに接続します。ゲノミクスやタンパク質構造、化学向けの専用ツールキットを備え、必要に応じて作業を分担するサブアシスタントを作り出します。さらに別の検証用AIが、出版前に引用や計算を二重チェックする仕組みです。

再現性を高める工夫も盛り込まれています。3Dタンパク質構造などの図を、それを生成したコードや作成手順、メッセージ履歴とともに保存できます。研究データを自社サーバーへ送らず、ラボ自身のインフラ上で動かせる点も、データ管理を重視する現場には利点となります。

今回の発表でもう一つ重要なのが、NVIDIA BioNeMo Agent Toolkitとの統合です。NVIDIAの高速化された計算機能が呼び出し可能なスキルとしてまとまり、Claude Scienceが適切なツールを選んで実行します。Parabricksはゲノム解析を時間単位から分単位へ、RAPIDS-singlecellは130万細胞の処理を52分から25秒へと短縮します。

競合との違いも鮮明です。OpenAIは4月、生物学推論に特化したGPT-Rosalindを、米国の認定企業に限定した研究プレビューとして公開しました。Google DeepMindはAlphaFoldやAlphaGenomeといった自社の基盤モデルを強みに、Gemini for Scienceで30以上のデータベースを束ねています。Anthropicは広い購読層への開放、OpenAIは企業限定、Googleは独自モデルという三者三様の戦略です。

Claude ScienceはPro、Max、Team、Enterpriseの各プランでベータ提供され、Novo NordiskやAllen Instituteが事例に挙がっています。Anthropicは最大50件のプロジェクトに合計3万ドル分のクレジットを提供する計画で、応募は7月15日まで受け付けます。法務や金融、エンジニアリングなど他の専門領域でAIベンダーがどう競うかを占う、早期のシグナルになりそうです。

宇宙開発企業の米Fireflyは2026年後半に打ち上げ予定の月探査ミッション「Blue Ghost Mission 2」で、NVIDIAのエッジAIプラットフォーム「Jetson」を月周回軌道上で初めて稼働させます。同社の月面撮像サービス「Ocula」に組み込まれ、月を周回するElytra衛星上でAI処理を担います。

従来の宇宙センシングは、センサーが集めたデータを限られた無線帯域で地上に送り、CPUベースの処理に数日から数週間かける流れでした。これに対しOculaは軌道上でAI推論を直接実行し、必要な情報だけを地球へ送ることで遅延と高コストな通信を大幅に削減します。

Oculaは紫外線と可視光の帯域で画像を取得し、Elytra上で処理した結果を太陽光発電を電源とするJetsonモジュールで自律送信します。用途は将来の有人・無人ミッション向けの着陸地点の地図作成や、エネルギー応用が期待されるイルメナイトなど鉱物組成の検出に及びます。

顧客にはNASAや米宇宙軍に加え、月からの資源・電力供給を狙う鉱業・エネルギー企業が含まれます。NASAが今後数年で約30件のロボット着陸ミッションを計画する中、軌道上AIを前進させる機会は加速しているとFireflyのジェイソン・キムCEOは説明します。

高解像度望遠鏡は米ローレンス・リバモア国立研究所が製造し、Jetsonモジュールを搭載した状態で4月にElytra衛星への適合確認を終えました。Fireflyは後続ミッションでもOculaセンサーを飛ばし、Vera Rubinモジュールなど新型基盤を取り入れながら技術を改良していく方針です。

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。

中国のDeepSeekが2026年6月の週末に、大規模言語モデル（LLM）の推論を高速化する新フレームワークDSparkをオープンソース公開しました。商用利用も認める寛容なMITライセンスで、GitHubとHugging Faceから入手できます。出力内容を変えずに応答速度を高める点が特徴で、開発者や企業が自由に研究・転用できます。

DSparkが採用するのは投機的デコードと呼ばれる手法です。LLMは通常、文章を1トークンずつ順番に生成するため処理が遅くなりますが、軽量な「ドラフト」が次の数トークンを先読みして提案し、本体モデルがまとめて検証します。推測が当たれば一気に複数トークン進み、外れた部分だけ破棄して作り直す仕組みです。

今回の核心は2つの工夫にあります。1つは半自己回帰生成で、並列処理の速さと逐次処理の一貫性を両立させ、不自然な語のつながりを抑えます。もう1つは確信度に応じた検証で、ハードウェアを意識したスケジューラーがサーバー負荷に合わせて検証するトークン量を柔軟に変え、無駄な計算を減らします。

DeepSeekの本番環境テストでは、自社モデルのV4-Flashで最大85%、V4-Proで最大78%のユーザー体感速度向上を記録しました。さらに厳しい速度目標下では総処理量が661%増えたとも報告しています。前者は「乗り心地の速さ」、後者は「道路がさばける交通量」を測った指標だと同社は説明します。

重要なのは、この技術がDeepSeek専用ではない点です。同社の検証ではアリババのQwenやグーグルのGemmaでも受理長が改善し、自社でモデルの重みとサーバー基盤を管理する企業なら、独自のドラフトモジュールを学習させて適用できます。ただしAPI経由の利用者は外部から後付けできず、自己ホスト型インフラの優位性を裏付ける結果となりました。

DSparkは、モデル本体の構造を変えなくても推論層に大きな性能の余地が残ることを示しました。AI各社がモデル品質や価格で競う中、デコード効率は新たな主戦場になりつつあります。今後の性能向上は巨大モデルだけでなく、手元のモデルをいかに賢く動かすかにかかっていると言えるでしょう。

OpenAIは6月26日、次世代AIモデル群GPT-5.6を限定プレビューとして発表しました。最上位のSol、日常業務向けのTerra、低コストのLunaの3種で構成され、コーディングやサイバーセキュリティ、生物分野で性能を高めています。ただし米トランプ政権の要請により、当初は政府が事前承認した約20の組織のみが利用できます。

今回の措置は、6月2日にトランプ大統領が署名した大統領令に基づくものです。同令は新モデルの能力評価と安全性確認のため、各連邦機関が公開前の審査プロセスを整える内容で、期間は30日とされています。OpenAIは政府にモデルと公開計画を共有したうえで、まず信頼できるパートナーへの限定公開から始めると説明しました。

OpenAIはこの政府承認プロセスに明確な不満を示しています。ブログで「この種の政府アクセス手続きが恒久的な標準になるべきではない」と述べ、最良のツールが利用者や開発者、企業、サイバー防御の現場から遠ざかると指摘しました。同社は数週間以内の一般公開を見込み、これを短期的な措置と位置づけています。

背景には、競合Anthropicへの政府対応があります。同社の最強モデルClaude Fable 5に脱獄(ジェイルブレイク)が見つかったことを受け、米政府は輸出規制命令を発し、Anthropicはこのモデルとサイバー特化のMythos 5を全面的に取り下げました。OpenAIとAnthropicは今や同じ規制環境に置かれています。

性能面では、Solが入力100万トークンあたり5ドル、出力30ドルで、AnthropicのClaude Fable 5のほぼ半額です。新たに深い推論を行う「max」モードと、サブエージェントを活用する「ultra」モードを導入しました。一方で元ホワイトハウス顧問のディーン・ボール氏は、安全基準が不明確なまま審査が続けば公開遅延が常態化し、AI競争やインフラ投資に悪影響が及ぶと警鐘を鳴らしています。

AI半導体市場を長年支配してきたNvidiaへの一極依存が、転機を迎えつつあります。OpenAIは半導体大手Broadcomと共同開発した独自の推論用チップ「Jalapeño」を発表し、自社シリコンを持つ大手の一角に加わりました。

今回の動きは、Nvidiaとの完全な決別ではなく、供給リスクを抑えるヘッジの側面が強いといえます。Google、Apple、SpaceXもすでに自前のチップ開発を進めており、単一供給元に頼る構図から各社が距離を置き始めています。

自社チップの利点は、ハードウェアを自社の用途に合わせて細かく調整できる点にあります。これにより制御の自由度が高まり、AppleがIntel製プロセッサから自社設計に切り替えた際に得たような性能向上が期待されます。

TechCrunchのポッドキャスト番組Equityでは、ホスト陣がこの自社チップ化の流れが業界に与える影響を議論しています。AI半導体スタートアップの資金調達や、AIエージェントの進化など、関連する話題も取り上げられました。

経営者やエンジニアにとって、半導体の調達戦略はAI事業の競争力を左右する重要な論点です。大手各社が自社チップへと舵を切る今、自社のAI基盤をどの供給網に委ねるかを改めて見直す時期に来ているのではないでしょうか。

Googleは6月26日、同社の対話型AI「Gemini」アプリが、海外旅行時の時差ぼけを防ぐ旅程作成を支援する機能を紹介しました。利用者がGmailとカレンダーへのアクセスを許可すると、Geminiが予約済みのフライト情報を見つけ、時差に合わせた行動計画を組み立てます。

この機能の特徴は、提案にとどまらず実行まで担う点にあります。作成した旅程は利用者のカレンダーに自動で追加されるため、出発前の準備にかかる手間を減らせます。遠方への移動が多いビジネスパーソンにとって、滞在中の生産性を保つ助けになりそうです。

基盤となるのは、Googleが提供するGemini 3.5 Flashモデルです。同社は、高度な推論能力と具体的な行動を組み合わせたモデルだと説明しています。

今回の発表は、AIが単なる情報提供から、利用者に代わって作業をこなす実務支援へと役割を広げている流れを示しています。個人の予定データと連携することで、日常的な準備作業を任せられる範囲が広がっていくと考えられます。

AIが数学研究の中核領域へ急速に進出し、数学者という職業の存在意義が問われています。IEEE Spectrumは2026年6月25日、ハイデルベルク受賞者フォーラムなどでの議論を基に、研究者たちがAIによる証明や発見をどう受け止めているかを報じました。かつて「確率的オウム」と揶揄された大規模言語モデルが、今や高度な数学的推論を担う存在へと変貌しています。

AIの実績は急速に積み上がっています。昨夏にはGoogle DeepMindとOpenAIのシステムが国際数学オリンピックで金メダル相当の成績を収め、今年に入るとDeepMindの実験的システムが博士級の研究成果を自律的に生み出しました。OpenAIの汎用システムは組合せ幾何学の重要な予想を反証し、トップ数学者が画期的成果と評価しています。

もう一つの転換は、証明支援系との連携です。Lean、Isabelle、Rocqといった証明検証ツールは、これまで人手で行う「形式化」という手間が壁でした。LLMがこの翻訳作業を自動化しつつあり、Math, Inc.の推論エージェントGaussは、フィールズ賞級の球充填問題を24次元のより複雑なケースまでわずか2週間で独力で形式化しました。

一方、数学者の間には存在不安が広がっています。フォーラムに集った若手研究者は「自分たちが置き換えられる可能性」を実感したといいます。プリンストン大学のVenkatesh氏やオタワ大学のFraser氏は、問題を理解しようともがく過程こそ数学の喜びであり、人間固有のものだと主張します。

対照的にUCLAのTerence Tao氏は、AIを脅威ではなく「大きな数学」への触媒と捉えます。創造的な部分を人間が担い、技術的な作業の大半をAIが引き受ける、人機協働の大規模分散型研究を構想しています。鍵となるのは形式化で、形式証明があれば無名の研究者の貢献も信頼できると説きます。

ただし懸念も残ります。高価な専有AIモデルへの依存が数学をエリートの活動に変える恐れや、困難な問題に深く取り組む動機の低下、そして答えに飛びつく若い世代の知的萎縮です。数学界はエッセイやワークショップ、利用指針の策定で対応を進めており、AIの時代に学問の方向性を保とうとしています。

Vercelは2026年6月25日、TypeScript製AI開発キットAI SDK 7を公開しました。週間1600万ダウンロードを超える同SDKは、あらゆるモデルプロバイダーに対応するエージェント構築の基盤です。今回はエージェント業務の本番運用を見据え、開発・実行・連携・観測・拡張の5領域を強化しました。

開発面では、プロバイダーごとに異なる推論設定をreasoningオプション一行で統一指定できるようになりました。ツールごとにAPIキーなどを安全に渡す型付きツールコンテキストや、ステップ間で変数を共有するランタイムコンテキストも追加されています。これにより、エージェントの細かな制御と再利用が容易になります。

大容量入力の扱いも改善しました。PDFや画像を一度だけアップロードして軽量な参照を渡すuploadFile、スキルを再利用するuploadSkillを新設し、ステートレス推論での重複送信を避けます。さらにツールとUIを分離して描画できるMCP Appsや、ターミナル上でエージェントを試せるTUIパッケージも加わりました。

実行・連携面では、ツール承認やWorkflowAgentによる耐久性、タイムアウト、サンドボックス対応が入りました。Codex、Claude Code、OpenCodeなど外部のエージェントハーネスとも統合できます。観測用のテレメトリやライフサイクルイベント、リアルタイム音声・動画生成への拡張も提供され、AI SDK 6からはコード変換ツールで自動移行できます。

AI新興企業General Intuitionは6月25日、評価額23億ドルで3億2000万ドルを調達したと発表しました。今回のラウンドはKhosla Venturesが主導し、ジェフ・ベゾス氏やエリック・シュミット氏、Google DeepMindやMITの研究者らも参加しています。累計の開示資金は4億5400万ドルに達しました。

同社の強みは、ゲーム映像に埋め込まれた操作ログです。どのボタンをいつ押したかという行動データを使い、空間と時間を移動する推論能力をモデルに学習させています。映像だけから行動を推測する競合に対し、共同創業者のde Witte氏はこのアプローチが優位だと主張します。

学習基盤となるのが、フレームごとに生成される世界モデルです。社内で「ジム」と呼ばれるこの環境を通じ、エージェントは壁やはしご、影の動きといった現実の物理法則を自ら習得します。同社はこの世界モデルではなく、汎用的なエージェントモデル自体を製品として販売する方針です。

実機への応用も進んでいます。ゲームを100時間連続でプレイするエージェントと同じ「脳」が四足歩行ロボットを動かし、わずか8分の実機データで微調整できたといいます。一方で、こうしたモデルを物理世界で大規模に通用させた例はまだなく、ゲーム映像が安価な近道になるかは賭けの段階です。

調達資金の大半は計算資源の拡充に充てられ、CoreWeaveとの契約のもとで次世代モデルの事前学習に集中します。APIは夏の終わりまでに広く公開する計画です。de Witte氏は人道支援の経験から、AIを人間への危害に使わない方針も明確にしています。

元Databricks AI責任者のNaveen Rao氏が率いる新興企業Unconventional AIが6月25日、初のAIモデル「Un-0」を公開しました。振動子（オシレーター）ベースの新しい計算アーキテクチャを用い、AI推論にかかる電力を最大で1000分の1に削減できると主張しています。同社は技術詳細をまとめた論文も同時に発表しました。

Un-0は画像生成システムで、Stable DiffusionやOpenAIのGPT Image 1に並ぶ品質の画像を生成できるといいます。注目点は、従来のチップやLLMを支える計算基盤とはまったく異なる振動子ベースの設計で同等の性能を実現したことです。Rao氏はこれを「新しい種類のコンピュータのhello world」と表現しました。

ただし現行のUn-0は、同社の振動子チップをソフトウェアで模擬したシミュレーション上で動作しています。同社は実チップの設計図を近く公開し、その後はチップを組み込んだ推論基盤を一から構築して、最終的には他事業者と同様に計算資源を提供することを目指します。「プロンプトを受け取り推論を返す処理を、1000分の1の電力で行う」とRao氏は語りました。

従業員50人未満の企業には野心的すぎる目標にも見えますが、AIインフラ投資の規模と推論需要の拡大を踏まえれば課題に見合う数少ない取り組みだとRao氏は考えます。「AIのスケーリングが難しいのはエネルギーが原因で、今後数年で根本的な限界になる」と述べ、電力こそがAIの最大の制約になるとの見方を示しました。

米AI企業のAnthropicは6月25日、中国Alibabaが同社の主力モデルClaudeの能力を不正に複製しようとする過去最大規模の攻撃を仕掛けたと非難しました。Ars Technicaが入手した上院議員宛の6月10日付書簡で、同社は「これまで測定した中で最大のClaude能力の不正抽出キャンペーン」の機密証拠を共有したと明らかにしています。

攻撃は4月22日から6月5日にかけて発生したとされます。Anthropicによると、AlibabaとそのAI研究所Alibaba Qwenに関係する事業者が、約2万5000の不正アカウントを通じて2880万件超の対話をClaudeと生成したといいます。標的となったのは、エージェント推論やソフトウェア開発、長期タスクといったClaudeの最も価値ある機能でした。

Alibabaは難読化技術とプロキシネットワークを使って検知を回避したと、Anthropicは指摘しています。中国側で信頼できる難読化技術への需要が高まる中、同社は将来の蒸留攻撃を支える「回避経済」が既に拡大していると警告しました。狙いは、自社で巨額の訓練・研究開発費を負担せずに最先端モデルの能力を得ることだとされます。

今回のキャンペーンが、Trump大統領が違法な蒸留攻撃を抑え込む措置を取った後に起きた点も重視されています。Trumpは4月、中国による「産業規模」のAI窃盗を非難しており、これはAnthropicがDeepSeekやMoonshot、MiniMaxを同様の手口で告発した直後のことでした。OpenAIやGoogleも自社モデルへの類似攻撃に関する調査結果を公表しています。

OpenAIは2026年6月24日、半導体大手Broadcomと共同開発した初の自社AIチップ「Jalapeño（ハラペーニョ）」を公開しました。同チップはAIの推論処理に特化したASIC（特定用途向け集積回路）で、ChatGPTやCodexなどのサービスを動かすサーバー向けに設計されています。早期テストでは、電力当たりの性能が現行の最高水準を大幅に上回る見込みだと説明しました。

Jalapeñoは、汎用チップを転用したものではなく、LLMの推論に最適化してゼロから設計された点が特徴です。OpenAIがモデルやサービング系の知見をもとにチップアーキテクチャを設計し、Broadcomがシリコン実装やネットワーク技術、Celesticaが基板やラックなどのシステム統合を担いました。試作チップはすでに研究室で量産想定の周波数と電力でMLワークロードを実行しており、コーディング向けの「GPT-5.3-Codex-Spark」も動作しているといいます。

今回の最大の狙いは、Nvidia製GPUへの依存を減らすことにあります。Nvidiaのチップは供給が限られており、OpenAIは自社設計によって推論コストの引き下げと安定供給を目指します。BroadcomのHock Tan最高経営責任者（CEO）はReutersのインタビューで、JalapeñoはNvidiaの「Blackwell」やGoogleのTPUに匹敵する性能だと述べました。

開発スピードも注目点です。OpenAIとBroadcomの提携は2025年10月に発表されており、設計から製造のテープアウトまでわずか9カ月で到達しました。OpenAIは、これを高性能半導体で過去最速のASIC開発サイクルだと位置づけ、自社のAIモデルが設計や最適化の一部を支援したと説明しています。

Jalapeñoは複数世代にわたる計算基盤の第一歩にすぎません。Hock Tan CEOは、Microsoftをはじめとするパートナーと組み、2026年からギガワット規模のデータセンター展開を可能にすると述べました。初期配備は2026年末を見込み、以降数世代にわたって拡張していく計画です。

MicrosoftやMeta、Amazonなども自社向けAIチップを相次いで投入しており、推論の効率化はAIの経済性を左右する鍵になりつつあります。事前学習などの重い処理は引き続きNvidia製ハードに頼るとみられますが、推論コストのわずかな削減でもOpenAIの収益改善に大きく寄与する可能性があります。

NVIDIAは6月24日、HuggingFace Transformersの上に構築するオープンライブラリ「NeMo AutoModel」を公開しました。import文を1行変えるだけで、MoE（混合専門家）モデルのファインチューニングをTransformers v5比で3.4〜3.7倍高速化し、GPUメモリを29〜32%削減します。from_pretrained()など既存APIはそのまま使え、コード改変は不要です。

MoEモデルの学習には固有の難しさがあります。数百の専門家へトークンを振り分け、行列積を一つのカーネルに融合し、重みをGPU間で分割し、通信と計算を重ね合わせる処理が必要だからです。Transformers v5は専門家バックエンドや動的な重み読み込みでこれに対応しましたが、通信と計算を重ねるDeepEPは未実装でした。

NeMo AutoModelはこの欠けた部分を補います。AutoModelForCausalLMを継承し、Expert Parallelism（EP）、DeepEPによる全対全ディスパッチ、TransformerEngineカーネルを追加しました。EPは専門家の重みをGPU間で物理的に分割し、8GPUなら各GPUが専門家の8分の1だけを保持します。これにより、従来は約55GiB必要だった専門家の重みが1GPUあたり約6.8GiBに収まります。

性能評価は2つの規模で実施されました。8GPU単一ノードのQwen3-30B-A3Bでは、v5比でスループットが3.69倍、ピークメモリは29%減。Nemotron 3 Nano 30Bでも3.36倍、メモリ32%減を記録しました。高速化の源はEPによるメモリ削減、DeepEPの通信融合、TransformerEngineの最適化カーネルの3点です。

大規模側では、550BパラメータのNemotron 3 Ultraの全層ファインチューニングを16ノード128GPUで実行しました。Transformers v5はこの規模でメモリ不足になり動作しませんが、EPが専門家を分散することで学習が可能になります。EPが本領を発揮するのは、まさにこの大規模領域です。

NeMo AutoModelの出力は標準的なHF形式のsafetensorsであるため、save_pretrained()で保存した重みはvLLMやSGLangといった推論基盤にそのまま載せられます。NVIDIAは、Transformers v5を使うユーザーにとって本ライブラリが摩擦のない次の一歩になると位置づけています。

NVIDIAは6月24日、米AWSと連携し、本番規模のAI基盤を強化すると発表しました。両社はクラウド上の計算、検索、学習の各層を一体で改良し、企業が運用負担を抑えながらAIを実運用へ移せる環境を整えます。低遅延の推論や高速なベクトル検索、GPUの価格性能比といった課題に同時に対応する狙いです。

中核となるのが新インスタンス「Amazon EC2 G7」です。NVIDIAのRTX PRO 4500 Blackwell Server Edition GPUを搭載し、AI推論や映像処理、データ分析などの本番ワークロードに対応します。従来のG6と比べ、推論性能は最大4.6倍、グラフィックス性能は最大2.1倍に高まりました。

G7は最大8基のGPUと合計256GBのGPUメモリ、700Gbpsのネットワーク、最大7.6TBのローカルSSDを備えます。1基から8基までの構成に加え、ベアメタルも近く提供される予定です。利用者は過剰な設備投資を避け、用途に合わせて規模を最適化できる点が特徴です。

検索の層では、NVIDIAのライブラリ「cuVS」を使い、GPUによるベクトル索引をOpenSearch Serverlessの標準とします。これにより索引作成はCPU構成と比べて最大10倍速く、コストは4分の1に下がり、数十億規模のベクトルデータベースを1時間以内で構築できるとしています。検索拡張生成(RAG)や意味検索、エージェント型AIの基盤づくりが容易になります。

学習の層では、AWSがNVIDIA GB300向けに「Exemplar Cloud」認定を取得しました。NVIDIAが定める性能基準を満たしたことを示すもので、両社の協業による成果です。開発者は一貫した高性能基盤を前提に学習を進められ、クラウド選定や総保有コストの判断がしやすくなります。

今回の発表は、計算・検索・学習というAI基盤の全層を同時に底上げする内容です。共通する狙いは、運用チームの負担を増やさずに本番規模で性能を発揮できる環境を提供することにあります。企業がAIを計画段階から実運用へ移す動きが、さらに加速しそうです。

フランスのAI企業Mistralは2026年6月24日、文書知能モデル「OCR 4」を発表しました。単なる文字抽出にとどまらず、文書全体を構造化データとして返す点が特徴で、各ブロックに位置情報を示す枠、見出しや表といった種別、さらに単語ごとの信頼度スコアを付与します。15カ月でOCR技術の第4世代となり、即日でAPIやAmazon SageMaker、Microsoft Foundryなどから利用できます。

技術上の核心は構造化された出力にあります。従来のように平坦なテキストを並べるのではなく、各ブロックを枠で特定し、タイトルや表、署名などに分類したうえで信頼度を返します。これにより、抽出した事実を元の文書のどこに記載されていたかまで追跡でき、RAGや法令順守の業務で「この数値はどこから来たのか」という監査可能な答えを得られます。

Mistralは独立した評価者による比較で72%の勝率を得たと報告しています。ただし同社自身が採点上の誤差を公開し、集計値は確定的ではなく方向性を示すものだと注意を促しました。公開ベンチマークでは3位という指摘もあり、企業の導入担当者はベンダーの数値に頼らず、自社の文書と言語で独自に評価すべきだと記事は指摘します。

今回の発表は地政学的な追い風の中で行われました。6月12日、米商務省の輸出規制によりAnthropicは最新モデルへのアクセスを全面的に停止させられ、米国外の顧客が突然利用できなくなりました。Mistralが掲げる欧州AI主権の主張は、まさにこの事態で現実味を帯び、自社環境で完結する単一コンテナ提供が製品としての答えになっています。

価格は1000ページあたり4ドルからで、バッチ利用なら2ドルまで下がります。この水準なら10万ページの社内文書も200ドルで処理でき、大規模なデジタル化が現実的になります。一方で前日にはBaiduがMIT licenseの無償モデルを公開しており、自己ホスト型のオープンモデルと、企業向け機能を備えた商用サービスという二つの路線が鮮明になっています。

結局これはOCRの話ではなく、企業向けAI市場への入り口を巡る戦略だと記事は結論づけます。OCR 4はMistralの検索基盤や推論モデル、エージェント基盤へと連なる導線であり、同社は約200億ユーロの評価額での資金調達と2026年に10億ユーロの売上を目指しています。大手や急成長するオープンソース勢に対し、主権と構造化文書知能で欧州企業の予算を取り込めるかが焦点です。

米メモリ大手Micronは6月24日、AIブームによるメモリ半導体の供給逼迫を追い風に、過去最高の四半期決算を発表しました。第3四半期の売上高は前年同期比4倍の414億5000万ドルに達し、純利益は18億8000万ドルから282億ドルへと急拡大しました。決算発表を受け、株価は13%超上昇しています。

背景にあるのは、AIモデルの学習や推論に不可欠なメモリ半導体の世界的な不足です。記事は2027年まで品薄が続くとの予測に触れ、この需給逼迫を「RAMageddon」と表現しています。価格上昇は消費者にも波及しており、AppleのTim Cook最高経営責任者は1週間前、自社製品の値上げが避けられないと警告したばかりです。

Micronの株価は2024年初めには83ドル前後で時価総額は約910億ドルでしたが、本日の終値は1048.51ドルまで上昇し、時価総額は1兆2000億ドルに達しました。アイダホ州を拠点とする同社は投資家に強気の見通しを示し、第4四半期の売上高を490億〜510億ドルと予想しています。記録的な数字は、メモリ不足が一部企業には大きな収益機会となっている現状を映し出しています。

好決算と同じ週、MicronはAI研究機関のAnthropicにメモリとストレージのチップを供給する契約を結びました。同社はさらに、AnthropicのシリーズH資金調達ラウンドにも参加したことを明らかにしましたが、出資額は公表していません。経営者にとっては、AI需要が半導体サプライチェーンの勝者と敗者をどう分けるかを見極める材料となりそうです。

米グーグルは6月24日、エージェントが画面を見て操作するコンピュータ操作機能を、主力モデルGemini 3.5 Flashに標準ツールとして搭載したと発表しました。これまでGemini 2.5の単独モデルでのみ提供していた機能を本体に統合し、エージェント用途で同社最高の性能を実現したとしています。開発者はブラウザやモバイル、デスクトップ環境を横断して自律的に動くエージェントを構築できます。

今回の統合により、3.5 Flashは画面を認識し、推論し、実際に操作を実行できるようになりました。グーグルはこれにより、継続的なソフトウェアテストや専門アプリをまたぐ知識労働といった、長時間にわたる企業の自動化タスクで性能が向上すると説明しています。実例として、Geminiアプリを解析して機能一覧を分類したり、自社ドキュメントのアクセシビリティ問題を自ら監査したりするデモが示されました。

開発者と企業はGemini APIおよびGemini Enterprise Agent Platform経由で、この機能を直ちに利用できます。Geminiはもともと関数呼び出しや検索・地図との連携に強みを持っており、そこに画面操作能力が加わった形です。ブラウザ自動化を手がけるBrowserbaseやUIPathといった顧客が、すでに価値を生み出していると同社は紹介しています。

ライブ環境で動くエージェントには、外部から悪意ある指示を紛れ込ませるプロンプト注入のリスクが伴います。グーグルはこれに対し、コンピュータ操作向けに的を絞った敵対的訓練を施したほか、企業向けの安全装置を2種類オプションで提供します。具体的には、機微または取り消せない操作にユーザーの明示的な確認を求める仕組みと、間接的なプロンプト注入を検知した際に自動でタスクを停止する仕組みです。

同社は多層防御の考え方を掲げ、これらの機能を安全なサンドボックスや人間による検証、厳格なアクセス制御と組み合わせるよう開発者に促しています。エージェントが現実の業務を代行する時代に向け、性能だけでなく安全面の整備を同時に進める姿勢がうかがえます。利用を始めるためのリファレンス実装やデモ環境も公開されました。

AI開発企業のHugging Faceは2026年6月23日、Pythonクライアント「huggingface_hub」のリリース作業をAIで自動化し、配信頻度を従来の4〜6週ごとから週1回へ高めたと自社ブログで明らかにしました。単一のGitHub Actionsワークフローで処理し、オープンソースツールとオープンウェイトのモデルだけで構築した点が特徴です。

従来の作業は一部が自動化されていたものの、リリースノートの執筆や告知文の作成は毎回手作業でした。数十件のPRをテーマ別に整理して書く作業に数時間を要し、小規模な更新でも実質半日仕事になっていたといいます。

同社はまず作業を機械的な処理と判断を要する作業に分けました。バージョン更新やコミット、タグ付けなどは自動化し、文章作成や強調点の選定といった「頭を使う部分」の下書きをAIに担わせる設計です。

信頼性の核となるのが「モデルが下書きし、人間が決める」という原則です。リリース対象のPR番号を事前にスクリプトで抽出して正解リストとし、モデルの出力に欠落や混入がないか決定論的に照合します。不一致があれば該当PRだけを修正させる反復処理で、PRの取りこぼしや誤記載を防ぎます。

精度面では、各PRが変更したドキュメントの差分をモデルの文脈に渡すことで、実在しないコード例の生成を抑えています。公開後はAIの初稿のみが下書きとして残り、担当者が15分程度の編集で仕上げてから正式版を配信する流れです。

セキュリティ面ではPyPIのTrusted Publishingを採用し、長期保管するトークンを排除しました。1回のリリースにかかる推論費用は約0.25ドルにとどまります。同社はこの「信頼するが検証する」仕組みを汎用的な手法として公開し、他のPythonライブラリにも展開する考えです。