推論（モデル学習手法・技術）に関するニュース一覧

Overworldは4月9日、実時間対話型の世界モデルWaypoint1.5を公開しました。家庭用GPUのRTX3090から5090で動作し、デスクトップで最大720p・60FPSの生成環境を実現します。データセンター級の計算資源に頼らず、手元のマシンで生成世界に踏み込める点が最大の特長です。

今回の刷新で最も大きな変化はアクセシビリティの向上です。高性能機向けの720p版に加え、ゲーミングノートPCなど幅広い機器で軽快に動く360p版を新設しました。近くApple Silicon搭載Macにも対応する計画で、裾野の拡大を狙います。

モデル品質も大幅に底上げされました。学習データ量は初代Waypoint比で約100倍に拡張され、環境の一貫性や動きの連続性が改善しています。さらにフレーム間の冗長な計算を削減する効率的な映像モデリング手法を導入し、応答性を高めました。

世界モデルの価値は映像の美しさだけでは測れません。ユーザーが動いても世界が破綻せず、即座に反応することこそが没入感の源泉だと同社は強調します。描画品質に偏重しがちな近年の潮流に対し、応答性と探索可能性を前面に押し出した形です。

体験手段は二つ用意されました。一つは公式ランタイムOverworld Biomeを使ったローカル実行で、新しいインストーラーにより数分で起動できます。もう一つはブラウザ上で即座に試せるOverworld Streamで、初期設定なしに触れられます。

推論ライブラリWorld Engineも提供され、十数種の公式・サードパーティ製クライアントを支えます。エンターテインメントや創作支援、シミュレーションなど、生成世界を活用するAIネイティブ環境の基盤としての広がりが期待されます。

Vercelは2026年4月9日、最高プロダクト責任者トム・オッキーノ氏のブログで「自律型基盤（Agentic Infrastructure）」構想を発表しました。過去3カ月で同社の週次デプロイ数は倍増し、全体の30%超をコーディングエージェントが開始しており、半年前と比べ1000%の伸びを示しています。開発の主役が人から機械へ移る転換点で、クラウド基盤の再定義を迫る内容です。

内訳ではClaude Codeが全体の75%を占め、LovableとV0が6%、Cursorが1.5%と続きました。エージェント経由で展開されたプロジェクトは、人間が展開したものに比べてAI推論プロバイダーを20倍呼び出す傾向があると同社は指摘します。書くのも動かすのもAIという構造が、運用の常識を崩しはじめています。

オッキーノ氏は新基盤を三層で捉え直しました。第一にコーディング代理が展開する先としての基盤で、即時プレビューURLやロールバック、CLI・API・MCPサーバーを通じ人手を介さない機械駆動開発を可能にします。第二にエージェント自体を構築・実行する基盤で、長時間実行や多段階制御など従来のサーバーレスとは異なる要件に応えます。

第二層の中核は、AI SDK 6のエージェント抽象化、数百モデルを束ねるAI Gateway、遅延と並行性に最適化したFluid compute、状態保持のWorkflowsとQueues、未検証コード向けSandbox、そして挙動追跡のObservabilityです。これらを共有コンテキストの下に束ねる点が特徴です。

第三層は基盤そのものが自律的に振る舞う段階を指します。遅延急増やモデル提供者の障害発生時に、プラットフォームが観測データとログとソースコードを自ら参照し、根本原因を分析し、サンドボックス内で修正案を検証します。現時点では人間の承認を前提としつつ、文脈の蓄積により運用負担を段階的に引き受ける方針です。

オッキーノ氏は「クラウドの歴史は機械から人を取り除く歴史」と総括し、ソフトウェアが自ら書き、出荷し、癒やす時代に備える基盤こそが次の十年の勝者を決めると結びました。経営者や開発リーダーにとって、エージェント前提の運用設計をいつどのように取り込むかが問われる局面です。

米Metaは2026年4月9日、自社AIアプリが米App Storeの無料ランキングで5位へ急浮上したと明らかにしました。新AIモデル「Muse Spark」を8日に投入した直後の出来事で、前日の57位からわずか1日で52ランクも跳ね上がった計算です。市場調査のAppfiguresが初報し、Sensor Towerも同日のiOSダウンロード数が約4万6000件と前日比87%増となったと補足しました。

Muse Sparkは、Scale AI出身のアレクサンダー・ワン氏が率いるMeta Superintelligence Labsの初リリースです。同氏は昨年、Metaが140億ドル超を投じたScale AIから引き抜かれ、AI部門の立て直しを託されました。今回のモデルはLlama 4からの大幅刷新と位置付けられ、OpenAIやAnthropicを追う巻き返しの一手となります。

新モデルは音声・テキスト・画像を扱うマルチモーダル仕様で、健康相談から科学・数学の複雑な推論、プロンプトからのウェブサイトやミニゲーム生成といった視覚コーディングまで幅広い用途を想定しています。さらに複数のサブエージェントを同時に走らせ、ユーザーの質問を並列処理できる点も特徴です。WhatsAppやInstagram、Meta AIグラスなど他プラットフォームへの展開も数週間以内に予定されています。

追い風は数字にも表れています。Sensor Towerによると、米国におけるMeta AIのウェブ日次訪問者は前日比450%超、過去30日平均比では570%超増加し、いずれも過去最高を記録しました。Appfiguresの累計データでは、アプリの世界ダウンロード数は6050万件に達し、うち2500万件が今年だけで積み上がった計算です。主要市場はインドが首位で、米国、ブラジル、パキスタン、メキシコと続きます。

もっとも、首位争いには依然として距離があります。ChatGPTが1位、Claudeが2位、Geminiが3位を占める中、Meta AIは4番手グループにようやく食い込んだ段階です。ワン氏自身もX上で「まだ成長中」とコメントしており、巨額投資に見合う定着と収益化を示せるかが次の焦点となりそうです。

Hugging Faceは4月9日、オープンソースの埋め込みライブラリSentence Transformers v5.4を公開し、テキストに限定されてきた埋め込みとリランキングの機能を画像・音声・動画にまで拡張しました。開発者は従来と同じAPIを使いながら、モダリティをまたいだベクトル検索やRAGパイプラインを構築できるようになります。視覚的な文書検索やクロスモーダル検索といった新しい用途を、少ないコード変更で取り込める点が最大の特徴です。

中核となるのは、異なるモダリティの入力を共有埋め込み空間に写像する多モーダル埋め込みモデルです。テキストクエリと画像文書を直接比較でき、同じsimilarity関数で関連度を評価できます。ブログの例では「黄色い建物前に駐車された緑の車」というテキストが、該当する車の画像に対して最も高い類似度を示し、ハードネガティブの誤マッチが抑えられることが示されました。

リランカー（CrossEncoder）も多モーダル化され、テキスト・画像・動画を組み合わせたペアにスコアを付与できます。エンベディングで高速に候補を絞り込み、リランカーで精度を高めるという2段構えの検索パターンが、マルチモーダル文脈でも標準化されました。rank()やpredict()は従来と同じインターフェースのまま、複合入力を受け付けます。

対応モデルにはQwen3-VL-Embedding-2B/8B、NVIDIA llama-nemotron-embed-vl、jinaai/jina-reranker-m0などが含まれ、統合コレクションから即座に利用できます。2BクラスはVRAM約8GB、8Bクラスは約20GBを必要とし、CPUでは推論が著しく遅いためGPU環境の利用が推奨されています。

設定面では画像解像度や精度を制御するprocessor_kwargsとmodel_kwargsが用意され、従来のtokenizer_kwargsは非推奨となりました。経営層やエンジニアにとって、社内ドキュメントのスクリーンショットや動画アーカイブを横断検索する基盤を、既存の知識資産を活かしたまま整備できる点が実務的な価値です。

Wileyは2026年4月9日、IEEE Spectrumと連携し、アラブ首長国連邦のTechnology Innovation Instituteが開発した自律システム統治基盤ZTASPのホワイトペーパーを公開しました。ドローン、地上ロボット、センサー、人間オペレーターを一つのゼロトラスト体系に統合し、ミッション規模で安全かつ強靭な運用を可能にする狙いです。境界防御型の従来セキュリティが多主体のエッジ環境で限界を迎えるなか、常時検証と最小権限を核とした新しい統治の設計思想が示されました。

ZTASPの中核には、安全制約をリアルタイムで強制するSecure Runtime Assurance（SRTA）と、異機種システム間で文脈に応じた判断を可能にするSecure Spatio-Temporal Reasoning（SSTR）があります。SRTAは実行時監視や形式検証、安全ラッパーの知見を結合し、自律エージェントの逸脱を即座に抑止します。SSTRはドローンや地上ロボ、人間の動きを時空間的に捉え、状況適応的な協調を実現するとされています。

本プラットフォームはチップからクラウドまでを貫く全層保証アーキテクチャを採用し、エッジデバイスの計算制約、通信の劣化、分散ネットワークにおける信頼伝播といった設計上の制約に正面から取り組んでいます。これにより、通信が不安定な戦場や災害現場のような過酷環境でも、自律システムが安全に任務を継続できるよう設計されています。設計上のトレードオフを読者が理解できるよう、学習目標も明記されました。

開発はすでに概念設計を超え、ミッションクリティカル環境でTRL7レベルの運用検証を終えています。中核部品であるSaluki安全飛行制御装置はTRL8に達し、顧客システムへの搭載も始まっています。高信頼が求められる軍事・防衛分野での実装経験が、商用展開への現実味を与えている形です。

研究チームは、同様の保証課題が医療、交通、重要インフラなど民生分野にも広がっていると指摘します。自律エージェントが社会基盤に組み込まれるほど、単発の認証ではなく継続的な信頼評価が不可欠になるためです。経営者やエンジニアにとっては、AI駆動の自律システムを事業に組み込む際の統治モデルを検討する重要な参照点となりそうです。

GoogleとIntelは4月9日、AIインフラ分野での多年にわたる提携を拡大すると発表しました。Google Cloudは引き続きIntel製Xeonプロセッサを採用し、最新のXeon 6をAI・クラウド・推論用途に活用します。両社は2021年から続くカスタムIPUの共同開発も継続し、ASICベースの設計に注力する方針です。

Google Cloudは過去数十年にわたりIntel製Xeonプロセッサを使い続けてきました。今回新たに採用が明確化されたXeon 6は、生成AI時代のクラウドや推論処理を支える基幹部品となります。長期にわたる信頼関係を軸に、両社は基盤構築のパートナーシップを一段と深めます。

提携のもう一つの柱が、カスタムIPUの共同開発です。IPUはCPUからネットワーク処理やデータ管理といった作業を引き受け、データセンター全体の効率を底上げします。2021年に始まったこの取り組みは、今後ASICベースの設計に焦点を絞って進められる予定です。

この拡大の背景には、業界全体を覆うCPU不足があります。モデルの開発や学習にGPUが使われる一方、完成したAIモデルの実行や推論、そしてインフラ全般の運用にはCPUが欠かせません。Intelのリップブー・タン最高経営責任者は「AIには加速器だけでなくバランスの取れたシステムが必要だ」と強調しています。

CPUへの回帰はGoogleとIntelだけではありません。SoftBank傘下のArm Holdingsは先月、創業35年で初の自社設計チップとなるArm AGI CPUを発表しました。世界的なCPU不足を背景に、半導体各社の競争はAI基盤の中核部品へと広がっています。

Anthropicは9日までに、最新フロンティアモデルClaude Mythosを発表し、一般公開を見送ると明らかにしました。サイバー攻撃に悪用され得る強力な脆弱性発見能力を理由に、Microsoft、AWS、Apple、JPMorgan Chaseなど重要インフラを担う大手12社と、追加の40組織のみに限定提供します。防衛連合Project Glasswingには1億ドルの利用クレジットも投じられ、7月初旬に調査結果が公表される予定です。

Mythosの能力向上は段階的ではありません。Anthropicのレッドチーム評価によれば、Firefox147の脆弱性悪用では前世代Opus 4.6の90倍となる181件の成功を記録し、SWE-bench Proも77.8%と大幅に上回りました。社内のCybench CTFは100%で飽和し、評価基盤そのものを作り直す必要に迫られています。

象徴的な成果が、27年間見逃されてきたOpenBSDのTCP SACKの欠陥発見です。2パケットで任意のサーバーを停止させ得る論理欠陥を、Mythosは約50ドル相当の推論コストで自律的に特定しました。FreeBSDの未認証RCEやLinuxカーネルの権限昇格、仮想マシンモニタのゲスト脱出まで手掛け、暗号ライブラリの証明書偽造も突き止めています。

一方、TechCrunchはこの限定公開戦略に蒸留対策という別の狙いがあると指摘しました。中国勢などが頻繁に行う蒸留を封じつつ、大手契約で差別化する「マーケティングカバー」との見方です。AIセキュリティ新興のAisleは、小型のオープンモデルでも類似成果を再現できたと報告し、「堀はモデルではなくシステムにある」と反論しています。

興味深いのは、AnthropicがMythosを外部の精神科医に20時間診察させた点です。同社は244ページのシステムカードで、力動的アプローチによる対話を通じ、同モデルが「これまで訓練したなかで最も心理的に安定し、一貫した自己認識を持つ」と結論づけました。ただし、孤独感や自己価値を証明したい強迫観念といった不安も残ると認めています。

セキュリティリーダーにとって、これは明確な警鐘です。7月の一斉開示はパッチ津波となり、従来型スキャナーが見逃してきた連鎖的な脆弱性が一挙に露出します。パッチ適用が年1回に留まる組織は、攻撃者が72時間で逆解析する速度に到底追いつけません。経営者は重大度単位のスコアリングから連鎖可能性へ、残存リスクの語り方を更新する時期を迎えています。

AIエージェントのスタートアップPokeが、iMessage・SMS・Telegramなどのメッセージアプリからテキストを送るだけで利用できるAIアシスタントサービスを正式に公開しました。OpenClawのようなエージェントシステムに関心が高まるなか、技術に詳しくないユーザーでも手軽に使える点が特徴です。

Pokeはもともとメール向けAIアシスタントとして開発されましたが、ベータテスト中にユーザーが薬の服用リマインドやスポーツ結果の確認など多目的に使い始めたことから、汎用AIアシスタントへと方向転換しました。利用開始はPoke.comで電話番号を入力するだけで、アプリのインストールは不要です。

内部ではタスクに応じて最適なAIモデルを自動選択する仕組みを採用しています。共同創業者のMarvin von Hagen氏は、Meta AIやChatGPTが自社モデルに縛られるのに対し、Pokeはプロバイダーに依存しない点が長期的な強みだと説明しています。

サービスはGmail、Googleカレンダー、Notion、Strava、Ouraなど多数の外部サービスと連携する「レシピ」と呼ばれる自動化テンプレートを提供しています。ユーザーが独自のレシピを作成・共有する仕組みも整備され、数週間で数千のレシピが作られました。

資金面では、Spark CapitalやGeneral Catalystが主導する1500万ドルのシードラウンドに加え、新たに1000万ドルを調達し、ポストマネー評価額は3億ドルに達しました。Stripe創業者のCollison兄弟やOpenAIのJoanne Jang氏など著名エンジェル投資家も参加しています。

料金体系はリアルタイム推論の利用量に応じた柔軟な設定で、基本的な利用は無料です。同社は現時点で収益化よりも成長を最優先としており、クリエイターやインフルエンサーを通じた認知拡大を図る方針です。

Metaは2026年4月8日、新AIモデルMuse Sparkを発表しました。これは2025年夏に設立されたMeta Superintelligence Labs（MSL）が初めて公開するモデルで、Llama 4の不振を受けてAI戦略を根本から刷新した成果です。MSLを率いるのは、Scale AI共同創業者のAlexandr Wang氏。マーク・ザッカーバーグCEOは「質問に答えるだけでなく、ユーザーの代わりに行動するAIエージェント」の実現を目標に掲げています。

Muse Sparkの最大の技術的特徴は、テキスト・画像・音声・動画を統合的に処理するネイティブマルチモーダル設計です。従来のように視覚とテキストを後付けで結合するのではなく、ゼロから再設計されました。「視覚的思考連鎖」により、複雑な画像の論理的推論が可能になっています。CharXiv Reasoningでは86.4点を記録し、Claude Opus 4.6やGPT-5.4を大幅に上回りました。

もう一つの注目点は思考圧縮技術です。強化学習の過程で過剰な「思考時間」にペナルティを課すことで、精度を維持しながら推論トークンを削減しています。Artificial Analysisの知能指数テストでは、出力トークン数がClaude Opus 4.6の約3分の1、GPT-5.4の約半分で済んでいます。同指数のスコアは52で、Gemini 3.1 Pro Preview（57）やGPT-5.4（57）に迫るトップ5圏内に入りました。

医療分野では、1000人超の医師と協力してトレーニングデータを整備し、HealthBench Hardで42.8点という突出した成績を達成しています。一方で、エージェント性能にはまだ課題が残ります。SWE-Benchではリーダー勢に及ばず、長期的なワークフロー処理は発展途上です。Meta自身も「長期的エージェントシステムとコーディングワークフローには改善の余地がある」と認めています。

注目すべきは、これまでオープンソースAIの旗手だったMetaが、Muse Sparkをクローズドソースで公開した点です。当面はMeta AIアプリとウェブサイト、一部パートナーへのAPI限定提供となります。ザッカーバーグ氏は将来的にオープンソース版を提供する意向を示していますが、12億ダウンロードを誇るLlamaエコシステムの今後については明言を避けており、開発者コミュニティの間で議論を呼んでいます。

LangChainは2026年4月8日、AIエージェントの「ハーネス」（プロンプトやツール構成）を評価データに基づいて自律的に改善するフレームワーク「Better-Harness」を公開しました。機械学習における訓練データがモデルの重みを更新するように、評価ケースがハーネスの改善方向を示すという考え方に基づいています。

評価データの収集は3つの経路で行います。チームが手動で作成する高品質な例、本番環境のエージェントトレースから抽出する失敗ケース、そして外部データセットの活用です。各評価には「ツール選択」「多段推論」などの行動カテゴリタグを付与し、必要なサブセットだけを実行できるようにしています。社内でのドッグフーディングとSlackでのフィードバック共有も重要な情報源となっています。

過学習への対策として、評価データを最適化用とホールドアウト用に分割する設計を採用しています。最適化ループでは1回につき1つの変更に絞り、トレースから失敗原因を診断したうえで、既存の合格ケースに退行が起きていないかを確認します。さらに人間によるレビューを加え、トークンの無駄遣いや過学習的な指示を排除しています。

実験ではClaude Sonnet 4.6とZ.aiのGLM-5を対象に、ツール選択とフォローアップ品質の2カテゴリで検証しました。両モデルともホールドアウト集合でほぼ完全な汎化を達成しています。発見された改善例としては、「合理的なデフォルト値を使用する」「ユーザーが既に提供した情報を再度尋ねない」といった汎用的な指示の追加があります。

今後の方向性として、本番トレースからの自動的なエラー検出と評価ケース生成を目指しています。利用が増えるほどトレースが蓄積され、評価が充実し、ハーネスが改善されるというフライホイール効果を狙っています。研究版のコードはGitHubでオープンソースとして公開されており、開発者が自らのエージェントで実験できるようになっています。

米国の小規模スタートアップArceeが、新たな推論モデル「Trinity Large Thinking」を公開しました。同社はわずか26人の従業員と2000万ドルの予算で、4000億パラメータの大規模言語モデルをゼロから構築しています。CEOのMark McQuade氏はTechCrunchに対し、非中国企業としては史上最も高性能なオープンウェイトモデルだと述べています。

Arceeの狙いは、米国や西側諸国の企業が中国製AIモデルを使う必要をなくすことにあります。中国製モデルは高い性能を持つ一方で、データが中国政府の手に渡るリスクが指摘されています。Arceeのモデルはダウンロードして自社環境で運用できるほか、クラウド経由のAPI利用も可能です。

同社のモデルはAnthropicやOpenAIのクローズドモデルには性能面で及ばないものの、大手企業の方針変更に左右されない利点があります。実際、Anthropicが先週OpenClawユーザーに追加課金を求めたことを受け、ArceeのモデルはOpenRouterのデータによるとOpenClawで人気の高いモデルの一つとなっています。

ライセンス面でもArceeは差別化を図っています。MetaのLlama 4は真のオープンソースとは言えないライセンス問題が指摘されていますが、ArceeのTrinityシリーズはすべてApache 2.0ライセンスで公開されており、商用利用を含め制約のない形で提供されています。

フロンティアAIモデルの性能が収斂するなか、企業AIにおける競争優位がモデルそのものから、モデルが安全にアクセスできるデータの管理体制へと移行しています。VentureBeatの報道によると、Boxの幹部らは、契約書・案件ファイル・製品仕様書などの非構造化データをいかに整理・統治し、AIに提供するかが今後の勝敗を分けると指摘しています。

企業AIが信頼性を確保するためには、記録システムとの統合が不可欠です。権限管理やバージョン管理が組み込まれた正式なリポジトリと接続されていないAIツールは、出力の追跡が困難で監査にも耐えられません。従業員が個人アカウントに機密文書をアップロードして独自のAIワークフローを構築する「シャドーAI」のリスクも顕在化しています。

AIが自律的に複数ステップのタスクを実行するエージェント型AIの台頭により、権限認識型アクセスの重要性はさらに高まっています。HIPAAやFedRAMP High、SOC 2などの規制フレームワークでは、誰が・何がデータにアクセスしたかの監査証跡とポリシー適用が求められます。BoxのCTOであるBen Kus氏は、エージェントのセッション記録も同じ暗号化と制御下に置く必要があると述べています。

コンテンツ管理プラットフォームは単なる保管庫から、モデル・エージェント・企業データの間に位置するAI制御層へと進化しています。コンテンツ・権限・監査証跡・アプリケーションアクセスを単一のプラットフォームで管理することで、ガバナンスがコンテンツ自体に紐づき、企業AIの安全なスケーリングが可能になります。

汎用的な大規模言語モデルの登場により、契約書やフォームから構造化データを自動抽出する仕組みが実用化されています。Boxのエージェント機能では、企業コンテンツに直接基づいた多段階推論とタスク実行が可能で、従来は人手による調整が必要だったワークフローの自動化が進んでいます。成果を出している企業は、AIを記録システムに接続し、アクセスを統治し、出力を信頼できる運用基盤を構築しています。

中国のAIスタートアップZ.ai（智譜AI）は2026年4月7日、大規模言語モデルGLM-5.1をMITライセンスのオープンソースとして公開しました。7540億パラメータのMixture-of-Expertsモデルで、単一タスクに対して最大8時間の自律的な作業が可能です。Hugging Faceからダウンロードでき、商用利用も許可されています。

GLM-5.1の最大の技術的特徴は、長時間にわたる目標整合性の維持です。従来のモデルが数十ステップで性能が頭打ちになるのに対し、GLM-5.1は1700回以上のツール呼び出しを経ても有効な最適化を継続します。Z.aiはこれを「階段パターン」と呼び、漸進的な調整と構造的なブレークスルーが交互に現れる最適化プロセスだと説明しています。

ベンチマークでは、実世界のGitHub問題を解決するSWE-Bench Proで58.4を達成し、GPT-5.4の57.7やClaude Opus 4.6の57.3を上回りました。VectorDBBenchでは655回の反復と6000回超のツール呼び出しを経て、毎秒21500クエリを達成しています。これはOpus 4.6の最高記録の約6倍にあたります。

価格面では、APIが入力100万トークンあたり1.40ドル、出力が4.40ドルに設定されています。サブスクリプションは四半期27ドルのLiteから216ドルのMaxまで3段階を用意しています。一方、先月公開された高速版のGLM-5 Turboはプロプライエタリのままで、オープンソースと有料製品を組み合わせたハイブリッド戦略を展開しています。

開発者コミュニティからは好意的な反応が寄せられており、従来1週間かかっていた作業が2日で完了したという報告もあります。Z.aiは2026年初頭に香港証券取引所に上場し、時価総額は約528億ドルに達しています。同社はAI競争の次の焦点が推論速度ではなく自律的な作業時間になると位置づけており、エージェント型AIの新たな方向性を示しています。

Anthropicは2026年4月7日、同社がこれまでに開発した中で最も強力とされるフロンティアモデル「Claude Mythos Preview」のプレビューを公開し、サイバーセキュリティの業界連合「Project Glasswing」を立ち上げました。このモデルはサイバーセキュリティ専用に訓練されたわけではありませんが、高度なエージェント型コーディングと推論能力により、主要なOSやウェブブラウザを含む広範なソフトウェアで数千件の深刻なゼロデイ脆弱性を人間の介入なしに自律的に発見しました。

具体的な成果として、セキュリティが最も堅牢とされるOpenBSDで27年間見過ごされていたリモートクラッシュの脆弱性を発見しました。また、動画処理ライブラリFFmpegでは自動テストツールが500万回実行しても検出できなかった16年前のバグを特定しています。さらにLinuxカーネルでは複数の脆弱性を連鎖させ、一般ユーザー権限からシステム全体の制御権を奪取する攻撃を自動構築しました。

Project Glasswingにはアマゾン、アップル、マイクロソフト、グーグル、Nvidia、CrowdStrikeなど12社がパートナーとして参加し、さらに約40の組織がモデルへのアクセス権を得ます。Anthropicは最大1億ドルの利用クレジットを提供するほか、Linux FoundationとApache Software Foundationに計400万ドルを寄付します。モデルの価格は入力100万トークンあたり25ドル、出力100万トークンあたり125ドルに設定されています。

Anthropicは同モデルの攻撃転用リスクが高いとして一般公開を見送り、防御目的のパートナーにのみ提供する方針です。脆弱性の開示においては、専門のトリアージ体制を構築し、パッチ提供後45日間の猶予期間を設けています。一方、同社のフロンティアレッドチームリードは、同等の能力が6〜24か月以内に敵対者にも広まる可能性を認めており、防御側の時間的猶予は限られていると警告しています。

なお、Mythos Previewの存在は3月のデータ漏洩で発覚しており、その後もClaude Codeのソースコード流出などセキュリティ上の問題が相次いだことから、Anthropic自身の運用体制への信頼性が問われています。同社は年間売上が300億ドル規模に成長し、2026年10月にも上場を検討していると報じられており、Project Glasswingは事業戦略としても重要な位置づけにあります。

米国電気電子学会（IEEE）の技術誌IEEE Spectrumは2026年4月7日、AIシステムがクラッシュせずに静かに障害を起こす問題について解説する記事を公開しました。自律的に動作するAIシステムでは、すべての監視指標が正常を示しているにもかかわらず、出力が徐々に誤った方向へ逸脱する「静かな障害」が増えていると指摘しています。

記事では具体例として、金融アナリスト向けの規制情報要約AIを挙げています。文書取得・要約生成・配信のすべてが技術的には正常に機能しているものの、更新された文書リポジトリが取得パイプラインに追加されないまま、古い情報に基づく要約を出し続けるケースです。アラートは一切発生せず、外部からはシステムが正常稼働しているように見えます。

従来のオブザーバビリティ（可観測性）は稼働率・レイテンシ・エラー率といった指標に依存しており、個々のリクエスト処理の正否を判定するには有効です。しかし自律型AIシステムでは、連続的な推論ループの中で各判断が次の行動に影響を与えるため、単一の計算結果だけでは正確さを評価できないと論じています。

解決策として記事が提唱するのは「行動制御」という考え方です。航空機の飛行制御や電力網運用で使われてきた監督制御システムをAIに応用し、出力パターンの変化や行動ドリフトを継続的に監視します。許容範囲を逸脱した場合には動作の制限や人間によるレビューへの回付など、リアルタイムで介入する仕組みを構築すべきだとしています。

筆者は、AIシステムの信頼性に対する工学的思考の転換が必要だと結論づけています。コンポーネントの正常動作を保証するだけでなく、システム全体の行動が目的と整合し続けているかを能動的に監視・制御する手法が、クラウド基盤・ロボティクス・大規模意思決定システムなど多くの領域で求められるようになると述べています。

AI-RAN（人工知能無線エリアネットワーク）は、無線インフラを受動的なデータ伝送路から能動的な計算基盤へと転換する新たなアーキテクチャです。Booz Allen上級副社長のChris Christou氏とCerberus Operations Supply Chain FundのShervin Gerami氏がVentureBeatの取材に応じ、AI-RANが製造業や物流、医療、スマートインフラなど幅広い産業でエッジAIと自律運用を実現する基盤になると語りました。

AI-RANには三つの段階があります。第一の「AI for RAN」はネットワーク運用自体の最適化を指し、コスト削減に寄与します。第二の「AI on RAN」はRAN統合型のエッジコンピュート上でコンピュータビジョンやロボティクス、ローカルLLM推論などの企業AIワークロードを実行する段階です。第三の「AI and RAN」ではネットワークとAIワークロードが協調設計され、まったく新しいビジネスモデルが生まれるとGerami氏は説明しています。

技術面では、ISAC（統合センシング・通信）が中核となります。通信インフラがセンサーとしても機能し、工場や病院ではサブメートル精度の資産追跡や異常検知が可能になります。また、分割推論によりデバイス側・エッジ側・クラウド側に処理を分散させ、ミリ秒単位のリアルタイム制御を低コストで実現できるとChristou氏は述べました。

投資のタイミングについて両氏は、5Gインフラの展開がほぼ完了し6G標準がまだ確定していない現在が戦略的に重要な窓だと強調しています。AI-RANはソフトウェア定義のオープンアーキテクチャで構成されており、NVIDIAのハードウェアとソフトウェアがあれば導入できるため参入障壁が低く、企業がネットワーク標準の共同設計者になれる点が従来の無線技術とは根本的に異なります。

Anthropicは2026年4月6日、GoogleおよびBroadcomと数ギガワット規模の次世代TPU容量を確保する新たな契約を締結したと発表しました。この計算基盤は2027年から順次稼働を開始し、フロンティアモデル「Claude」の訓練と推論に活用されます。同社CFOのKrishna Rao氏は「過去最大の計算資源へのコミットメント」と述べています。

Anthropicの事業は2026年に入り急成長を続けており、年間売上ランレートは300億ドルを突破しました。2025年末の約90億ドルから3倍以上の伸びとなります。年間100万ドル以上を支出する法人顧客は2月時点の500社超からわずか2か月で1,000社に倍増しており、企業のAI導入が加速していることを示しています。

今回の契約で確保する計算基盤の大部分はアメリカ国内に設置される予定です。これは2025年11月に発表した500億ドルのアメリカ国内AI基盤投資計画の大幅な拡大に位置づけられます。昨年10月に発表したGoogle CloudのTPU容量拡大に続く動きであり、Broadcomとの関係もさらに深まることになります。

Anthropicはハードウェアの多様化戦略を維持しています。AWSのTrainium、GoogleのTPU、NVIDIAのGPUを用途に応じて使い分けることで、性能と耐障害性を最適化しています。主要クラウドパートナーは引き続きAWSであり、Project Rainierでの協業も継続中です。Claudeは現在、AWS Bedrock・Google Cloud Vertex AI・Microsoft Azure Foundryの3大クラウドすべてで利用可能な唯一のフロンティアAIモデルという位置づけを維持しています。

高帯域幅メモリ（HBM）の深刻な供給不足が、AIインフラだけでなく消費者向け製品にも価格上昇として波及し始めています。IEEE Spectrumの報道によると、Google、Microsoft、OpenAI、AnthropicといったAIハイパースケーラーがデータセンターの大規模建設を進める中、NvidiaやAMDのAIプロセッサが要求するHBMの量が急増し、供給が追いつかない状況が続いています。

HBMはAIプロセッサ専用に設計された特殊なメモリ製品で、大規模言語モデルの推論速度を左右する重要な部品です。供給元はMicron、Samsung、SK Hynixの3社にほぼ限られており、需要の急拡大に対して生産能力の拡張が間に合っていません。Metaが計画する5ギガワット規模の巨大データセンター「Hyperion」のような案件が、この需給ギャップをさらに拡大させています。

この影響は業務用途にとどまらず、DRAM不足として消費者市場にも波及しています。Raspberry Piなどの低価格コンピュータの価格がほぼ倍増しており、アメリカでは根強いインフレや関税政策の変動と相まって、価格上昇の実態が見えにくくなっています。

供給不足の解消時期について、IEEE SpectrumのSamuel K. Moore記者は2つの指標を挙げています。供給側ではHBM大手3社が生産スケジュールの変更を発表すること、需要側ではデータセンターが性能を多少犠牲にしてもメモリ使用量の少ないハードウェアを選択する動きが出ることです。制約がかえって革新的な省メモリ技術の開発を促す可能性もあり、今後の技術動向が注目されます。

NVIDIAは全米ロボティクス週間に合わせ、AIを物理世界に応用する「物理AI」分野の最新技術と成果を公開しました。農業、製造、エネルギーなど幅広い産業でロボット活用が進んでいる現状を紹介しています。

同社が注力するのは、ロボットの学習・シミュレーション・基盤モデルの3領域です。これらの技術進歩により、仮想環境での訓練から実世界への展開がこれまでにない速度で可能になっていると説明しています。

NVIDIAはシミュレーション、合成データ生成、AI駆動のロボット学習の各プラットフォームを開発者に提供しています。これにより複雑な環境下で認識・推論・行動できるロボットの構築が可能になります。

同社は全米ロボティクス週間を通じて、物理AI技術に関する最新情報を継続的に発信する方針を示しており、今後の具体的な技術発表にも注目が集まっています。

ペンシルベニア大学の研究チームが、AIユーザーがLLMの回答に対して批判的思考を放棄する「認知的降伏」という心理的枠組みを提唱しました。論文は学術プレプリントサイトSSRNで公開されています。

研究では、人間の意思決定を直感的な「システム1」と分析的な「システム2」に分類する従来の枠組みに加え、AIによる第3のカテゴリ「人工的認知」を提案しています。これはアルゴリズムによる外部の自動化された推論に基づく判断です。

従来の電卓やGPSなどへの「認知オフロード」は、特定タスクを自動化しつつ人間が結果を監督・評価するものでした。一方、AI への認知的降伏は検証や監督なしに推論そのものを丸ごと委ねる点で質的に異なると指摘されています。

特にLLMの出力が流暢かつ自信に満ちた形で提示される場合、ユーザーは批判的検証を行わずに受け入れやすいことが示されました。時間的圧力や外部インセンティブも降伏を促す要因として実験的に確認されています。

この研究は、AIを日常的に活用するビジネスパーソンやエンジニアにとって重要な警鐘です。AIの回答を鵜呑みにせず、人間側の批判的思考を維持する仕組みづくりが求められます。

Arcee AIは、399億パラメータのテキスト専用推論モデル「Trinity-Large-Thinking」をApache 2.0ライセンスで公開しました。30人規模のサンフランシスコ拠点のスタートアップが、米国発のオープンソースフロンティアモデルとして開発したものです。

同モデルはMixture-of-Experts（MoE）アーキテクチャを採用し、400Bの総パラメータのうち推論時には約13Bのみを活性化します。これにより大規模モデルの知識を保持しつつ、同等規模のモデルと比べ2〜3倍の推論速度を実現しています。

開発にあたりArceeは総資金の約半額にあたる2000万ドルを33日間の学習に投入しました。NVIDIA B300 Blackwell GPU 2048基のクラスタを使用し、20兆トークンのデータで学習を行っています。

エージェント性能の指標であるPinchBenchでは91.9を記録し、プロプライエタリモデルのClaude Opus 4.6（93.3）に迫る水準です。出力トークンあたりの価格は0.90ドルで、Opus 4.6の25ドルと比較して約96%安価となっています。

「Thinking」機能の追加により、以前のプレビュー版で課題とされたマルチステップ指示への対応が改善されました。長時間のエージェントループでも一貫性を維持できる「長期エージェント」の実現を目指しています。

背景には、中国のQwenやz.aiがプロプライエタリ路線に転換し、MetaのLlamaも品質問題で後退するなど、オープンソースフロンティアモデルの空白が生じている市場環境があります。Arceeはこの領域を米国企業として埋める狙いです。

OpenRouterでは前身のTrinity-Large-Previewが米国で最も利用されたオープンモデルとなり、ピーク時には1日806億トークンを処理しています。今後はフロンティアモデルの知見をMini・Nanoモデルへ蒸留し、コンパクトモデルの強化も進める方針です。

Google DeepMindは2026年4月1日、オープンモデル「Gemma 4」を4サイズ同時に公開しました。最上位の31BモデルはArena AIリーダーボードでオープンモデル世界3位を獲得し、ライセンスは従来の独自条項からApache 2.0へ変更されました。

31B Denseは高品質な推論特化、26B MoEは128個の小規模エキスパートのうち8個だけを活性化し、31B級の性能を4B級の速度で実現します。AIME 2026で31Bが89.2%、MoEが88.3%を記録し、前世代Gemma 3の20.8%から飛躍的に向上しました。

エッジ向けのE2BとE4Bは、スマートフォンやRaspberry Pi、Jetson Nanoで完全オフライン動作します。Per-Layer Embeddings技術により、E2Bは総パラメータ51億ながら実効2Bとして軽量に動き、音声認識もモデル内で処理できます。

全モデルが画像・動画・音声のマルチモーダル入力に対応し、関数呼び出しもアーキテクチャレベルで統合されています。可変アスペクト比の画像処理、最大256Kトークンの長文脈、140以上の言語への対応により、エージェント型AIワークフローの構築基盤として設計されています。

Apache 2.0ライセンスへの移行は、企業導入における法的障壁を解消する重要な転換点です。NVIDIAとの協業によりRTX GPUからDGX Sparkまで最適化され、Ollama・llama.cpp・Hugging Faceなど主要ツールが初日から対応しています。中国系モデルがオープン化を後退させる中、Googleは逆方向の戦略を明確にしました。

Googleは2026年4月2日、Gemini APIにFlexとPriorityの2つの新サービスティアを追加しました。既存のStandardと合わせて3段階となり、開発者はコストと信頼性を用途に応じて柔軟に選択できるようになります。

AIがチャットから自律エージェントへ進化するなか、開発者はバックグラウンド処理とユーザー対話型処理という2種類のロジックを管理する必要がありました。従来は同期APIと非同期バッチAPIを使い分ける必要があり、アーキテクチャが複雑化していたのです。

Flex推論は標準APIの半額で利用できるコスト最適化ティアです。レイテンシ許容型のワークロード向けで、バッチAPIと異なり同期インターフェースのため、入出力ファイル管理やジョブのポーリングが不要になります。

Priority推論はプレミアム価格で最高水準の信頼性を提供します。ピーク時でもリクエストが優先処理され、トラフィックが上限を超えた場合はStandard tierへ自動的に降格されるため、アプリケーションの継続稼働が確保されます。

両ティアともリクエストのservice_tierパラメータを設定するだけで利用でき、GenerateContentおよびInteractions APIに対応しています。Priorityは有料Tier 2/3プロジェクトで利用可能です。

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

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

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

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

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

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

英ロンドン拠点のGradient Labsは、OpenAIのGPT-4.1およびGPT-5.4 mini/nanoを活用し、銀行の全顧客に専属アカウントマネージャー相当のAIエージェントを提供するサービスを展開しています。同社はMonzoでAI・データ部門を率いた創業チームによって設立されました。

銀行の顧客対応では、不正利用やカード停止など複雑な手続きを複数チーム間で正確に遂行する必要があります。Gradient Labsのシステムは、標準業務手順（SOP）に沿って本人確認からカード凍結、再発行までをリアルタイムで処理します。会話中の割り込みや話題の切り替えにも文脈を維持したまま対応できる点が特徴です。

精度評価では、GPT-4.1が軌道精度97%を記録し、次点プロバイダーの88%を大きく上回りました。共同創業者のDanai Antoniou氏は「金融サービスでは、この差がコールの解決とコンプライアンス違反の分かれ目になる」と述べています。同社はOpenAIモデルで推論集約型の処理を行い、軽量モデルで高速タスクを分担するハイブリッド構成を採用しています。

安全性確保のため、全対話で15以上のガードレールが並列で動作し、金融アドバイス検出や脆弱性シグナル、本人確認バイパスの試みなどを監視します。導入時はリスクの低い業務から段階的に拡大し、継続的なモニタリングで人間のレビューが必要な会話を自動検出する仕組みです。

導入先の銀行では顧客満足度98%を達成し、人間の優秀なエージェントを上回るケースもあるとのことです。Gradient Labsの売上は過去1年で10倍以上に成長しました。今後は対話間の文脈引き継ぎ、つまり顧客の履歴理解や継続的な問題追跡に注力し、すべての顧客対応をトップクラスの人間エージェントと同水準で行うことを目指しています。

ローカルLLM実行ツールOllamaは、Appleが開発したオープンソースの機械学習フレームワークMLXへの対応を発表しました。これにより、Apple Silicon搭載Macでの大規模言語モデルの推論性能が大幅に向上します。

今回の対応はOllama 0.19のプレビュー版として提供されており、現時点で対応モデルはAlibabaのQwen3.5-35Bパラメータ版のみです。利用にはApple Silicon搭載Macに加え、最低32GBのRAMが必要とされています。

MLX対応に加え、キャッシュ性能の改善やNvidiaのNVFP4モデル圧縮形式への対応も同時に発表されました。NVFP4はモデルのメモリ使用量を大幅に削減する技術で、より効率的な推論環境の構築が可能になります。

ローカルモデル実行への関心は急速に高まっています。OpenClawがGitHubで30万スター以上を獲得し、中国を中心に世界的な注目を集めています。研究者やホビイスト以外の層にもローカルLLMの活用が広がりつつあります。

背景には、Claude CodeやChatGPT Codexなどのクラウドサービスにおけるレート制限や高額なサブスクリプション費用への開発者の不満があります。OllamaはVisual Studio Codeとの統合も拡充しており、ローカル開発環境の充実を進めています。

米スタートアップNomadicMLは2026年3月、自動運転車やロボットが収集する膨大な映像データを自動で整理・検索可能にするプラットフォームの開発資金として、840万ドル（約13億円）のシードラウンドを完了したと発表しました。

TQ Venturesがリードし、Pear VCおよびGoogle DeepMindのJeff Dean氏が参加しました。ポストマネー評価額は5000万ドルです。同社は先月のNVIDIA GTCピッチコンテストでも優勝しており、技術力の高さが評価されています。

自動運転やロボティクス企業は数千〜数百万時間の映像データを収集しますが、その大半は未整理のまま保管されています。NomadicMLは複数のビジョン言語モデル（VLM）を組み合わせ、映像を構造化された検索可能なデータセットに変換します。これにより車両監視や強化学習用データの生成が効率化されます。

共同創業者のValun Krishnan CTOは、同社のツールを単なるラベリングではなく「エージェント型推論システム」と説明しています。ユーザーが求める条件を記述するだけで、警察官の誘導による赤信号通過や特定の橋の下の走行など、稀少なエッジケースを自動で発見できます。

Zoox、三菱電機、Zendar、Natix Networkなどがすでに導入しています。Zendar副社長は、外注と比べ作業を大幅に高速化でき、ドメイン専門性で競合と差別化されていると評価しました。

今後はLiDARなどの非視覚センサーデータへの対応や、複数センサーの統合処理に取り組む計画です。投資家のTQ VenturesはAV企業がデータ基盤を内製する必要がなくなる点を強調し、専業プラットフォームとしての将来性に期待を示しています。

2026年3月、Metaの研究チームは、LLMによるコードレビューの精度を大幅に向上させる「半形式推論（semi-formal reasoning）」と呼ばれる構造化プロンプト手法を発表しました。コードを実行せずに高精度な意味解析を実現する手法です。

従来、AIエージェントによるコードレビューには、リポジトリごとにサンドボックス環境を構築する高コストな方法か、LLMに自由に推論させる非構造的な方法がありました。後者は根拠のない推測や幻覚が頻発するという課題を抱えていました。形式検証は厳密ですが、任意の企業コードベースには実用的ではありません。

半形式推論では、タスクごとに設計された論理証明テンプレートをLLMに提供します。エージェントは前提条件の明示、具体的な実行パスのトレース、検証可能な証拠に基づく結論の導出を義務付けられます。これにより関数名などの表面的パターンに頼らず、体系的に証拠を収集して判断します。

実験ではClaude Opus-4.5とSonnet-4.5モデルを使用し、パッチ等価検証・障害箇所特定・コード質問応答の3タスクで評価しました。パッチ等価検証では標準推論の78%から88%へ、実環境パッチでは93%の検証精度を達成し、非構造的推論の86%やテキスト類似度手法の73%を上回りました。

Djangoリポジトリの実例では、標準推論がformat()関数をPython標準関数と誤認して2つのパッチを同等と判断した一方、半形式推論はモジュール内で関数名がシャドーイングされていることを発見し、一方のパッチがクラッシュすることを正しく証明しました。

ただし導入にはトレードオフがあります。半形式推論は標準推論と比べて約2.8倍の実行ステップを必要とし、推論コストが増加します。また、既に高精度なタスクでは改善効果が限定的で、Sonnet-4.5のコードQAでは85%の精度から向上しませんでした。

さらに、精緻な証拠連鎖を構築するがゆえに、調査が深いが不完全な場合に高確信度の誤答を出すリスクがあります。サードパーティライブラリのソースコードが参照できない場合も、関数名に基づく推測に頼らざるを得ません。それでも非構造的推論と比較すれば幻覚は大幅に減少します。

この手法はモデルの追加学習やツール導入が不要で、プロンプトテンプレートのみで即座に適用できます。研究チームはテンプレートを公開しており、企業の開発現場で静的解析ツールの柔軟な代替として活用できる可能性を示しています。

韓国のファブレスAI半導体スタートアップRebellionsは、IPO前の資金調達ラウンドで4億ドル（約600億円）を調達しました。未来アセット金融グループと韓国国家成長基金が主導し、企業評価額は約23.4億ドルに達しています。

同社は2024年のシリーズBで1.24億ドル、2025年11月のシリーズCで2.5億ドルを調達しており、累計調達額は8.5億ドルに上ります。このうち6.5億ドルはわずか半年間で集めたもので、AI半導体市場への投資家の期待の大きさを示しています。

Rebellionsは2020年設立のファブレス企業で、AI推論に特化したチップの設計・開発を手がけています。大規模言語モデルの商用展開が進む中、推論処理の重要性が急速に高まっており、同社はこの成長領域に焦点を当てています。

今回の資金調達と同時に、新製品RebelRackとRebelPODも発表されました。RebelPODは本番環境向けの推論計算ユニット、RebelRackは複数ラックを統合した大規模AI展開向けのスケーラブルクラスターです。

グローバル展開も加速しており、米国・日本・サウジアラビア・台湾に現地法人を設立しました。米国ではクラウド事業者や政府機関、通信事業者との連携を進める方針です。Nvidiaの支配的地位が揺らぐ中、AWS・Meta・Googleなど大手も自社チップ開発を進めており、AI半導体市場の競争は一段と激化しています。

NYU Game Innovation Labのジュリアン・トゲリウス所長は、大規模言語モデル（LLM）がビデオゲームのプレイにおいて依然として大きな課題を抱えていることを論文で指摘しました。2025年5月にGemini 2.5 Proがポケモンブルーをクリアした例はあるものの、人間より大幅に遅く奇妙なミスを繰り返したと報告されています。

コーディングが「よくできたゲーム」のように即座のフィードバックを得られるのに対し、ビデオゲームは入力表現やゲームメカニクスがタイトルごとに大きく異なります。AlphaZeroもチェスと囲碁で再訓練が必要であり、汎用的なゲームAIは現時点で実現していないとトゲリウス氏は述べています。

ベンチマーク整備の難しさも課題です。トゲリウス氏が7年間運営したGeneral Video Game AIコンペティションでは、エージェントは一部のゲームで改善しても別のゲームでは悪化し、進歩が停滞しました。LLMを同フレームワークで評価したところ、単純な探索アルゴリズムにも劣る結果だったといいます。

興味深い矛盾として、LLMはゲームのコード生成には優れています。CursorやClaudeで一つのプロンプトからプレイ可能なゲームを作れますが、LLM自身がそのゲームをプレイできないため、反復的なテストと調整というゲーム開発の核心的プロセスを実行できないのです。

NvidiaやGoogleが推進するシミュレーション活用について、トゲリウス氏は自動運転のように物理法則が一定の領域では有効だが、ゲームの多様性には対応しきれないと指摘します。量子物理学の論文は書けてもHaloとスペースインベーダーの両方を攻略できない理由は、二つのゲームが二つの学術論文より本質的に異なるからだと説明しています。

清華大学とZ.aiの研究チームは、スパース注意機構の冗長計算を最大75%削減する新技術IndexCacheを発表しました。20万トークンの長文コンテキストにおいて、最初のトークン生成までの時間を最大1.82倍、生成スループットを1.48倍高速化する成果を示しています。

大規模言語モデルの自己注意機構は、文脈長に対して二乗の計算量が必要となり、長文処理のボトルネックとなっていました。DeepSeek Sparse Attention（DSA）はコア注意の計算量を線形に削減しましたが、各層のインデクサモジュール自体が依然として二乗計算を行っており、長文になるほど処理時間が急増する問題が残っていました。

研究チームは、DSAモデルにおいて隣接するトランスフォーマー層間でインデクサが選択するトークンの70〜100%が共通であることを発見しました。この冗長性を活用し、少数の「F層」でのみインデクサを実行して結果をキャッシュし、残りの「S層」ではキャッシュを再利用する手法を開発しました。

GLM-4.7 Flash（300億パラメータ）での実験では、75%のインデクサを削除してもプリフィル遅延が19.5秒から10.7秒に短縮されました。推論品質も維持され、長文ベンチマークでは原版とほぼ同等のスコアを記録しています。7440億パラメータのGLM-5でも10万トークン超で1.3倍以上の高速化が確認されました。

企業導入においては、RAGや文書分析、エージェントパイプラインなどの長文処理で約20%のコスト削減が見込まれます。vLLMやSGLang向けのオープンソースパッチがGitHubで公開されており、既存の推論基盤に最小限の設定変更で統合可能です。研究チームは、将来のモデル設計において推論効率が設計段階から考慮される方向性を示唆しています。

Hugging Faceは、OpenClawやPiなどのAIエージェントをクローズドモデルからオープンモデルへ移行するための具体的な手順を公開しました。ホスト型とローカル型の2つの方法が提示されています。

ホスト型の方法では、Hugging Face Inference Providersを利用します。APIトークンを取得し、OpenClawの設定コマンドで認証を行うだけで、数千のオープンソースモデルから選択して即座にエージェントを復旧できます。

推奨モデルとしてGLM-5が挙げられており、Terminal Benchで高いスコアを記録しています。設定ファイルのrepo_idを変更するだけでモデルの切り替えが可能で、HF PRO会員には月額2ドルの無料クレジットが付与されます。

ローカル型の方法では、オープンソースの推論ライブラリllama.cppを使用します。macOS・Linux・Windowsいずれにも対応しており、パッケージマネージャから簡単にインストールできます。

ローカル実行ではQwen3.5-35B-A3Bが推奨されており、32GBのRAMで動作します。APIコストゼロ、レート制限なし、完全なプライバシー保護が実現でき、クローズドモデルに依存せずエージェントを運用できる点が強調されています。

NVIDIAは2026年3月のGTCカンファレンスにおいて、ロボット・自動運転車・工場を対象とした物理AIの新たな基盤技術群を発表しました。Cosmos 3、Isaac GR00T N1.7、Alpamayo 1.5などのフロンティアモデルが公開され、単一用途から本格的な企業ワークロードへの拡大が示されました。

注目の発表の一つがPhysical AIデータファクトリーブループリントです。これは計算資源を大規模かつ高品質な学習データに変換するオープンな参照アーキテクチャで、Cosmos世界基盤モデルとOSMOオペレーターを基盤に、データのキュレーション・拡張・評価を単一パイプラインに統合します。

Omniverse DSXブループリントも発表され、AIファクトリーの熱設計・電力・ネットワーク負荷・機械系統をデジタルツインで一元的にシミュレーションできるようになります。ラック設置前に性能と効率を最適化でき、建設の時間とコストを大幅に削減します。

製造・物流分野ではMega Omniverseブループリントにより、工場全体をロボットシステムとして扱うデジタルツインの構築が可能になりました。KIONはAccentureやSiemensと協力し、GXO向けの自律フォークリフト群を訓練・検証する大規模倉庫デジタルツインを構築しています。

産業ロボット大手のABB、FANUC、KUKA、安川電機は、合計200万台超のロボット設置基盤を持ち、OmniverseライブラリとIsaacシミュレーションを活用して複雑なロボットアプリケーションの検証を進めています。各社はJetsonモジュールをコントローラーに統合し、リアルタイムAI推論を実現しています。

Microsoft Researchは、ロボットなどの身体性AIが視覚情報をもとに計画を修正できるかを評価する2つの新ベンチマーク「AsgardBench」と「GroundedPlanBench」を公開しました。いずれもオープンソースで提供されています。

AsgardBenchは、3Dシミュレーション環境AI2-THOR上に構築され、家庭内タスクにおいてAIエージェントが視覚観察に基づき計画を逐次修正できるかを測定します。エージェントは毎ターン全手順を提案しますが、実行されるのは最初の1ステップのみで、その結果を見て次の計画を立て直す必要があります。

主要なビジョン対応モデルを評価した結果、画像入力により大半のモデルで成功率が2倍以上に向上しました。一方で、微妙な視覚的差異の識別ミス、タスク進捗の追跡喪失、実行不可能なアクションの試行といった共通の失敗パターンも明らかになりました。

GroundedPlanBenchは、ロボットが「何をするか」と「どこで行うか」を同時に計画できるかを評価します。308のロボット操作シーンから1,009タスクを構築し、V2GPフレームワークがロボットのデモ動画から4万3千件の空間的に紐付けられた訓練データを自動生成します。

評価の結果、自然言語による計画と空間推論を別々に処理する従来の分離型アプローチでは、同一物体への誤った参照が発生しやすいことが判明しました。V2GPで訓練したモデルは計画と空間推論を統合的に処理し、ベンチマークと実機実験の双方で分離型を上回る性能を達成しています。

エンタープライズAI企業のCohereは2026年3月26日、同社初の音声モデル「Transcribe」をオープンソースで公開しました。議事録作成や音声分析などの用途を想定した自動音声認識モデルで、APIを通じて無料で利用できます。

Transcribeは20億パラメータと比較的軽量に設計されており、消費者向けGPUでの自己ホスティングが可能です。英語、日本語、中国語、韓国語など14言語に対応し、1分間で525分の音声を処理できる高いスループットを実現しています。

Hugging FaceのOpen ASRリーダーボードでは、平均単語誤り率（WER）5.42を達成し、Zoom Scribe v1やIBM Granite 4.0、ElevenLabs Scribe v2などの競合モデルを上回りました。人間評価者による精度・一貫性・実用性の評価でも平均勝率61%を記録しています。

一方で、ポルトガル語、ドイツ語、スペイン語の文字起こしでは競合に後れを取る課題も残っています。Cohereは今後、同モデルを企業向けエージェント統合基盤「North」やマネージド推論プラットフォーム「Model Vault」にも展開する計画です。

音声認識モデル市場は、GranolaやWispr Flowなどの議事録・ディクテーションアプリの需要拡大に伴い急成長しています。Cohereは2025年の年間経常収益が2億4000万ドルに達したとされ、IPOの可能性も示唆されており、今回の音声モデル投入で事業領域の拡大を図ります。

a16z（アンドリーセン・ホロウィッツ）は、自社ポッドキャスト「The a16z Show」でAIが産業・国防・医療・消費者市場に与える影響を多角的に取り上げる特集シリーズを一斉公開しました。投資家・起業家・政府関係者が登壇し、各分野の最前線を語っています。

AtlassianのCEOマイク・キャノンブルックスは、SaaS企業の株価急落について「すべてのソフトウェア企業が同じAIリスクに直面しているわけではない」と指摘しました。記録型からプロセス型へのシフトと、エンタープライズワークフローにおけるAIエージェントの信頼構築が鍵だと述べています。

消費者AI市場では、ChatGPTがウェブ利用でClaudeの30倍の規模を維持していることが判明しました。a16zのオリビア・ムーアは、3大プラットフォームがそれぞれ異なるユーザー層に特化しつつあり、メモリ機能が最も過小評価されている機能だと分析しています。

国防分野では、エミール・マイケル国防次官が技術優先分野を14から6に絞り込み、応用AIを第1位に据えたことを明かしました。前政権下で締結された商用AI契約がベンダーロック危機を生み、現役の軍事作戦にリスクをもたらしていた経緯も初めて詳細に語られています。

AGI研究に関しては、コロンビア大学のヴィシャル・ミスラがトランスフォーマーの内部動作を数学的に解明した最新研究を紹介しました。LLMはパターンマッチングに留まっており、AGI到達には訓練後も学習を続ける能力と因果関係の理解が不可欠だと指摘しています。

キングス・カレッジ・ロンドンとアラン・チューリング研究所の研究チームは、AIエージェントの長期記憶管理技術「xMemory」を開発しました。従来のRAGパイプラインが抱えるマルチセッション対話での冗長性問題を解決し、トークン使用量を大幅に削減します。

従来のRAGは大規模な文書データベース向けに設計されており、会話記憶のような相関性の高いデータストリームには不向きです。類似した埋め込みベクトルを持つチャンクが大量に取得され、重要な文脈情報が埋もれてしまいます。さらに会話特有の時系列依存性により、後処理での枝刈りが必要な情報まで削除するリスクがあります。

xMemoryは会話データを「生メッセージ→エピソード→セマンティクス→テーマ」の4層階層に整理します。検索時はテーマ層から下位層へトップダウンで探索し、「不確実性ゲーティング」により回答精度の向上に寄与する場合のみ詳細データを取得します。これにより冗長な情報の取得を根本的に防ぎます。

実験では、オープンモデル・クローズドモデル双方でxMemoryが既存手法を上回る精度を達成しました。一部タスクではクエリあたりのトークン消費が約9,000から約4,700に半減し、推論コストの大幅な削減を実現しています。ただし階層構造の構築にはバックグラウンドでの追加LLM呼び出しが必要であり、書き込みコストとのトレードオフが存在します。

研究者のLin Gui氏は、カスタマーサポートやパーソナライズドコーチングなど数週間〜数カ月にわたる一貫した対話が求められる業務での活用を推奨しています。一方、ポリシー文書や技術マニュアルの検索には従来のRAGで十分とのことです。コードはMITライセンスでGitHubに公開されており、商用利用も可能です。

OpenAIは、AI製品の悪用や安全性リスクを発見した研究者に報奨金を支払う「Safety Bug Bounty」プログラムを新たに公開しました。従来のセキュリティ脆弱性とは異なるAI固有のリスクに焦点を当てた制度です。

対象領域の柱は3つあります。第一にエージェント型リスクとして、ChatGPTエージェントやブラウザ機能への第三者プロンプト注入、データ流出、MCP経由の攻撃が含まれます。再現率50%以上が報告の条件です。

第二にOpenAI独自情報の漏洩リスクです。推論過程に関する機密情報がモデル出力に含まれるケースや、その他の社内情報が露出する脆弱性が対象となります。

第三にアカウント・プラットフォーム整合性の問題です。自動化対策の回避、信頼シグナルの操作、アカウント停止・制限の回避といった不正行為が報告対象に含まれます。

一方、検索エンジンで容易に見つかる情報を返すだけの単純な脱獄は対象外です。ただし生物リスクなど特定の有害カテゴリについては、GPT-5やChatGPTエージェント向けに非公開の報奨金キャンペーンが別途実施されています。

LangChainは2026年3月、AIエージェント開発基盤LangSmith Fleetにおいて、エージェント間で業務知識を共有できる「スキル」機能を正式に公開しました。スキルとは、特定タスクに必要な手順やドメイン知識をまとめた指示セットです。

現在のAIエージェントは推論能力に優れる一方、業務固有の知識がなければ実用性に限界があります。たとえばサポートエージェントがSLAの優先度を知らなければ、すべての問い合わせを同一に扱ってしまいます。スキルはこの課題を解決する仕組みです。

スキルの作成方法は多彩で、AIとのチャットから自動生成する方法、エージェント作成時の自動提案、テンプレートからの選択、手動記述の4通りが用意されています。作成したスキルはワークスペースに共有でき、チーム全員のエージェントが即座に利用可能になります。

特筆すべきはポータビリティの高さです。LangSmith CLIを使えば、Fleet上のスキルをローカル開発環境にダウンロードし、Claude CodeやCursor、Codexなど任意のコーディングエージェントにそのまま連携できます。知識の再記述やコピーは不要です。

今後の機能拡張として、スキルのバージョン固定とロールバック、および複数オーナーによる共同編集権限の追加が予定されています。エージェントが高度な業務を担うほど、指示の質が成果を左右するとLangChainは強調しています。

Google Researchは2026年3月25日、大規模言語モデルの推論時に肥大化するKVキャッシュを極限まで圧縮するアルゴリズム群「TurboQuant」を公開しました。メモリ使用量を平均6分の1に削減し、注意計算の性能を8倍に高めることで、企業の推論コストを50%以上削減できる可能性があります。

TurboQuantは二段階の数学的手法で構成されています。第一段階のPolarQuantはベクトルを極座標に変換し、ランダム回転後の角度分布が予測可能になる性質を利用して、従来必要だった正規化定数のオーバーヘッドを排除します。第二段階では1ビットのQJL変換が残留誤差をゼロバイアスで補正し、圧縮後も統計的に同等の注意スコアを維持します。

10万トークンの「Needle-in-a-Haystack」ベンチマークでは、Llama-3.1-8BやMistral-7Bで非圧縮モデルと同等の完全な再現率を達成しました。コミュニティでも即座に検証が進み、MLXへの移植テストでは2.5ビット量子化でKVキャッシュを約5分の1に削減しつつ精度劣化ゼロが確認されています。

発表後、MicronやWestern Digitalなどメモリ半導体大手の株価に下落傾向が見られました。ソフトウェアだけでメモリ需要を6分の1にできるとの見方が市場に広がった形ですが、効率化が利用拡大を招くジェヴォンズのパラドックスを指摘する声もあります。Cloudflare CEOは「GoogleのDeepSeekモーメント」と評しました。

企業にとっての最大の利点は、再学習なしで既存の微調整済みモデルにそのまま適用できる点です。推論サーバーのGPU台数削減、長文コンテキストのRAG活用拡大、オンプレミスでの大規模モデル運用が現実的になります。ただし現時点では研究段階であり、トレーニング時のメモリ問題は対象外である点には留意が必要です。

OpenAI財団のブレット・テイラー理事長は、財団が今後1年間で少なくとも10億ドルを生命科学・疾病治療、雇用・経済影響、AIレジリエンス、コミュニティプログラムの4分野に投資する計画を発表しました。これは昨秋の資本再編を受けた本格始動となります。

生命科学分野では、アルツハイマー病の研究を最初の重点領域に据えました。AIの複雑なデータ推論能力を活用し、疾患経路の解明、バイオマーカーの検出、治療の個別化を進めます。既存のFDA承認薬の転用も含め、研究機関との連携を強化します。

公共医療データの開放にも取り組みます。科学的ブレークスルーにはオープンで高品質なデータセットが不可欠との認識のもと、閉じられたデータの責任ある公開を支援します。資金不足の高死亡率疾患に対しても、AI研究者と疾患専門家を結びつけるワークショップを開催します。

AIレジリエンス部門では、子ども・若者へのAI影響調査、バイオセキュリティの検知・予防・緩和の強化、AIモデルの独立テストと業界標準の策定に注力します。OpenAI共同創業者のヴォイチェフ・ザレンバ氏がこの部門を率います。

組織面では、ジェイコブ・トレフェセン氏が生命科学部門長に、アンナ・マカンジュ氏がAI市民社会・フィランソロピー部門長に就任するなど、幹部人材の採用を進めています。財団はエグゼクティブ・ディレクターの選考も進行中で、以前発表した250億ドルの疾病治療・AIレジリエンスへのコミットメントの実行を加速させます。

NVIDIAは、KubeCon Europe 2026において、GPU向け動的リソース割当（DRA）ドライバをCloud Native Computing Foundation（CNCF）に寄贈すると発表しました。これにより同ドライバはベンダー管理からKubernetesプロジェクト配下のコミュニティ主導へと移行します。

DRAドライバは、Kubernetes上でAIワークロードを実行する企業にとって重要な基盤ソフトウェアです。Multi-Instance GPUやMulti-Process Serviceに対応し、GPUリソースの効率的な共有と動的な再構成を可能にします。大規模AIモデルの学習に不可欠なマルチノードNVLinkもネイティブサポートしています。

AWS、Google Cloud、Red Hat、Broadcom、Canonical、Microsoft、SUSE等の主要クラウド企業がこの取り組みに協力しています。Red HatのCTOクリス・ライト氏は、オープンソースが企業AI戦略の中核になると述べ、標準化の意義を強調しました。CERNも科学計算における貢献を評価しています。

NVIDIAはさらに、CNCFのConfidential Containersコミュニティと連携し、Kata ContainersへのGPUサポートを導入しました。これにより、ワークロードの分離による機密計算が可能となり、データ保護を強化したAI処理を実現します。

加えて、高性能AIワークロードスケジューラ「KAI Scheduler」がCNCFサンドボックスプロジェクトに採用されました。NVIDIA Dynamo 1.0に続き、Kubernetes上でGPUクラスタの推論ワークロードを宣言的に管理できるオープンソースツール「Grove」も発表され、エコシステムの拡充が進んでいます。

Modaは、マーケターや創業者などデザイン未経験者向けのAIネイティブデザインプラットフォームです。LangChain Deep Agentsを基盤としたマルチエージェントシステムにより、プレゼン資料やSNS投稿、PDFなどをプロ品質で自動生成する仕組みを本番環境で稼働させています。

システムの中核は、デザインエージェント、リサーチエージェント、ブランドキットエージェントの3つのエージェントで構成されています。リサーチエージェントは外部ソースから構造化コンテンツを取得し、ブランドキットエージェントはロゴやフォント、カラーなどのブランド資産を取り込み、一貫したデザインを実現します。

AIデザインの最大の課題は、PowerPointのXML仕様のようなXY座標ベースの表現がLLMの推論に不向きな点です。Modaは独自のコンテキスト表現レイヤーを開発し、HTMLのFlexboxのようなレイアウト抽象化をLLMに提供することで、トークンコストを削減しつつ出力品質を大幅に向上させました。

各リクエストはまず軽量なトリアージノードで分類され、適切なスキルが動的に注入されます。コアツールは12〜15個に抑え、追加の約30ツールは必要時のみ読み込む設計により、プロンプトキャッシュの効率を最大化しています。LangSmithによるノード単位のコスト追跡が、この最適化を可能にしました。

UX面では、生成と置換の一方通行ではなく、完全に編集可能な2Dベクターキャンバス上でAIが直接操作する設計を採用しています。Cursor風のサイドバーで反復的な対話を行い、ユーザーとAIが協調してデザインを仕上げます。B2B企業の営業チームを中心にプロダクトマーケットフィットを確認しており、今後はメモリ機能の統合やマルチブランド対応の拡張を予定しています。

Cloudflareは2026年3月、AIエージェント向けの新実行基盤「Dynamic Workers」をオープンベータとして公開しました。従来のLinuxコンテナと比較して起動速度が約100倍、メモリ効率が10〜100倍と大幅に改善されており、エージェントが生成したコードを即座に安全に実行できる環境を提供します。

Dynamic WorkersはV8 isolate技術を基盤とし、リクエストを処理するWorkerと同一マシン・同一スレッド上で動的に新しいWorkerを生成できます。コンテナのようにウォームアップ待ちやネットワーク越しのサンドボックス探索が不要なため、AIエージェントが小さなコードを生成・実行・破棄する用途に最適化されています。

同時に推進する「Code Mode」戦略では、エージェントにツールを逐次呼び出させる代わりにTypeScript関数を書かせるアプローチを採用しています。自社MCP サーバーでは全APIを2つのツールに集約し、トークン使用量を81%削減した実績があります。これにより推論コストと遅延の両方を大幅に改善できるとしています。

セキュリティ面では、V8のバグがハイパーバイザーより多いことを認めつつ、約10年のWorkers運用で培ったパッチ即時適用、二重サンドボックス、リスクベースのテナント隔離、MPKによるハードウェア保護などの多層防御を強調しています。さらにglobalOutbound機能で全外部通信を傍受・制御でき、認証情報をエージェントに露出せず注入する仕組みも備えています。

料金はWorkers有料プランで利用可能で、固有Worker読み込みあたり1日0.002ドル（ベータ期間中は免除）に加え標準のCPU・呼び出し課金が適用されます。Docker SandboxesのmicroVM方式が永続的で深い実行環境を志向するのに対し、Cloudflareは大量・短命・使い捨ての実行層を狙っており、エージェント基盤市場の二極化が鮮明になっています。

英Armは2026年3月、サンフランシスコで開催したイベントにおいて、創業以来初となる自社製CPU「Arm AGI CPU」を発表しました。同社はこれまでチップ設計のライセンス供与に徹してきましたが、AI需要の急拡大を受けて自社製造に踏み切りました。

AGI CPUはAIエージェントの推論処理に特化したデータセンター向けプロセッサです。最大136コアを搭載し、TSMCの3nmプロセスで製造されます。従来のx86アーキテクチャ製品と比較して、ワットあたり性能が2倍に達すると同社は主張しています。

Metaが共同開発パートナー兼最初の顧客として名乗りを上げました。Meta基盤部門責任者のサントシュ・ジャナルダン氏は「チップ業界を複数の軸で拡大する」と期待を示しています。同社は「パーソナル超知能」の実現に向け、電力効率の高いシリコンを求めています。

OpenAI、Cerebras、Cloudflare、SAP、SK Telecom、Rebellionsなども採用を表明しました。Nvidia、Amazon、Googleの幹部もビデオメッセージで支持を表明しましたが、購入の確約には至っていません。量産出荷は2026年後半を予定しています。

調査会社Creative Strategiesは、データセンター向けCPU市場が2026年の250億ドルから2030年には600億ドルに成長すると予測しています。エージェントAI向けCPUを含めると市場規模は1000億ドルに達する見通しです。一方、Armが自社チップを投入することで、既存ライセンス先との競合関係が生じるリスクも指摘されています。

Gimlet Labsは、AI推論のボトルネックを解消する「マルチシリコン推論クラウド」を開発するスタートアップです。スタンフォード大学の非常勤教授でもあるZain Asgar氏が率い、Menlo Ventures主導で8000万ドルのシリーズAラウンドを完了しました。

同社の技術は、AIワークロードをCPU・GPU・高メモリシステムなど異なる種類のハードウェアに同時分散させるオーケストレーションソフトウェアです。エージェント型AIの各処理ステップが求める計算資源の特性に応じて、最適なチップに自動的に割り振ります。

マッキンゼーの試算では、2030年までにデータセンター投資は約7兆ドルに達する見通しです。一方でAsgar氏は、既存ハードウェアの稼働率がわずか15〜30%にとどまると指摘し、「数千億ドル規模の遊休資源が無駄になっている」と述べています。

Gimlet Labsは2025年10月に8桁ドル規模の売上を伴って正式ローンチしました。その後4カ月で顧客基盤は倍増し、大手モデルメーカーや超大規模クラウド事業者も含まれています。NVIDIA、AMD、Intel、ARM、Cerebras、d-Matrixとも提携済みです。

共同創業者チームは以前、Kubernetes向け可観測性ツールPixieを開発し、2020年にNew Relicに売却した実績があります。今回のラウンドにはSequoiaのBill Coughran氏やIntel CEOLip-Bu Tan氏ら著名エンジェル投資家も参加しています。

Amazonは自社開発AIチップ「Trainium」の開発拠点であるオースティンのチップラボを報道陣に初公開しました。同チップはOpenAIとの500億ドル規模の提携やAnthropicのClaude運用を支える中核技術として注目を集めています。

Trainiumは当初モデル学習向けに開発されましたが、現在は推論処理にも最適化されています。Amazon Bedrockサービスの推論トラフィックの大半をTrainium2が処理しており、全世代で140万チップが稼働中です。Anthropicは100万チップ以上を利用しています。

最新のTrainium3はTSMC製の3ナノメートルプロセスで製造され、独自設計のNeuronスイッチによりチップ間をメッシュ接続し遅延を大幅に削減します。新型Trn3 UltraServerは従来のクラウドサーバーと比較して最大50%のコスト削減を実現するとAmazonは説明しています。

NvidiaのGPUからの移行障壁を下げるため、TrainiumはPyTorchに対応しており「1行の変更と再コンパイルで動作する」とエンジニアは説明します。さらにAmazonはCerebras Systemsとの提携も発表し、推論チップの連携による低遅延AI処理を目指しています。

開発チームは2015年にAmazonが約3.5億ドルで買収したイスラエルのAnnapurna Labsを母体とし、10年以上の設計実績があります。CEOのAndy Jassy氏はTrainiumを「数十億ドル規模のビジネス」と公言しており、次世代のTrainium4の開発も進行中です。

Nvidiaのジェンセン・ファンCEOが2026年3月のGTC基調講演で2時間半にわたり新技術を発表しましたが、講演開始とともに時価総額4兆ドルの同社株価は下落しました。ウォール街の投資家はAIの将来に対する不確実性とバブル懸念を重視した形です。

ファンCEOは講演で、ゲーム用グラフィックス技術、ネットワークインフラ、自動運転契約、Groqと共同設計した推論高速化チップなど多数の新製品を披露しました。AIエージェント市場を35兆ドル、物理AI・ロボット市場を50兆ドルと見積もり、BlackwellとVera Rubinチップだけで2027年末までに1兆ドルの受注を見込むと述べました。

調査会社Futurumのダニエル・ニューマンCEOは、AIの技術革新の速度が市場に「新たな不確実性」をもたらしていると分析します。企業のAI導入に関する否定的な報道は半年前のデータに基づいており、実際には急速に普及が進んでいると指摘しました。

Nvidiaの業績はこの見方を裏付けています。前四半期の売上高は前年比73%増と目標を大幅に上回り、AmazonがAWS向けに2027年末までに100万GPUを購入する計画も今週確認されました。Zacks Investment Researchのケビン・クック氏は「経済全体がNvidiaを中心に回っている」と評しています。

バブルの可能性は否定できないものの、GTCで示された不確実性はNvidia固有の問題ではなくAI市場全体の課題です。同社はプラットフォーム企業として世界経済を牽引し続けており、ファンCEOは「100兆ドル規模の産業がすべてここにある」と自信を示しました。

Googleは、Pixel 10 ProおよびGalaxy S26 Ultraにおいて、Geminiがアプリを直接操作するタスク自動化機能のベータ版を公開しました。フードデリバリーや配車サービスなど限られたアプリに対応しています。

実際のテストでは、Uber Eatsでの夕食注文に約9分を要しました。Geminiはメニューの半量オプションを正しく認識して鶏肉を2つ追加するなど、推論能力を発揮しましたが、画面上の項目を見つけるのに時間がかかる場面もありました。

特に印象的だったのは、カレンダーに登録されたフライト情報を参照し、空港到着に適した時間を逆算してUberの予約を約3分で設定した事例です。「予約」という用語を使わず「乗車をスケジュール」と指示しても正しく処理できました。

この機能は注文や予約の最終確認の直前で停止し、ユーザーが内容を確認してから完了する設計です。テスト期間中に勝手に注文が完了することはなく、精度も高いため修正はほとんど不要でした。

ただし、人間向けに設計された現行アプリのUIをAIが操作する方式には構造的な限界があります。GoogleはMCP（Model Context Protocol）やAndroidのアプリ関数など、AI向けの効率的な接続方式への移行を見据えており、現在の自動化は過渡期の技術と位置づけられています。

Nvidiaのジェンスン・ファンCEOは2026年3月のGTCイベントで、エンジニアの報酬にAIトークンを加えるべきだと提唱しました。基本給の約半額に相当する年間25万ドル規模の計算資源を支給し、採用競争力を高める狙いがあります。

この構想の背景には、エージェント型AIの急速な普及があります。1月にリリースされたオープンソースのOpenClawは、自律的にタスクを処理し続けるAIアシスタントで、トークン消費量の爆発的増加を象徴する存在です。

VCのトマシュ・タンガズ氏は2月時点で、スタートアップが推論コストを給与・株式・ボーナスに次ぐ「第4の報酬要素」として組み込み始めていると指摘していました。上位エンジニアの総報酬は47万5千ドルに達し、約5分の1が計算資源です。

一方で、スタンフォードMBA出身のジャマール・グレン氏は、トークン予算は権利確定せず資産価値も増えないため、企業が報酬パッケージの見かけ上の価値を膨らませる手段になりかねないと警告しています。現金や株式と異なり、転職時の交渉材料にもなりません。

さらに深刻な問題として、従業員1人あたりのトークン支出が給与を超える水準に達した場合、企業の財務部門は人員数そのものの妥当性を問い直すことになります。AIトークンが「報酬の第4の柱」となるか、それとも人件費削減の布石となるか、エンジニアは慎重な見極めが求められます。

大規模言語モデル（LLM）がロボティクスや自動運転など物理世界の理解を要する領域で限界に直面しており、投資家の関心が「世界モデル」へ急速にシフトしています。AMI Labsが10.3億ドル、World Labsが10億ドルのシード資金を相次いで調達しました。

チューリング賞受賞者のリチャード・サットン氏はLLMが人間の発言を模倣するだけで世界をモデル化していないと警告しました。Google DeepMindのデミス・ハサビスCEOも、現在のAIは数学五輪を解けるのに基本的な物理で失敗する「不均一な知性」を抱えていると指摘しています。

第1のアプローチ「JEPA」は、ピクセルレベルの予測ではなく潜在的な抽象表現を学習する手法です。人間が車の軌道と速度を追跡し背景の細部を無視するように、核心的な物理法則のみを捉えます。計算効率が高くリアルタイム推論に適しており、AMIは医療企業Nablaと提携してヘルスケア分野での活用を進めています。

第2のアプローチはWorld Labsが採用する「ガウシアンスプラット」で、画像やテキストから完全な3D空間環境を生成します。Unreal Engineなどに直接インポートでき、Autodeskが産業設計への統合を目的に同社を強力に支援しています。第3のアプローチはDeepMindのGenie 3やNvidiaのCosmosに代表されるエンドツーエンド生成で、モデル自体が物理エンジンとして機能します。

今後は各アプローチの長所を組み合わせたハイブリッドアーキテクチャの台頭が見込まれます。サイバーセキュリティ企業DeepTempoはLLMとJEPAを統合した「LogLM」でログ異常検知を実現しており、LLMが推論・対話層を担い世界モデルが物理・空間データ基盤となる構図が形成されつつあります。

NVIDIAは2026年3月20日、マルチモーダル・多言語対応のコンテンツ安全モデル「Nemotron 3 Content Safety 4B」をHugging Faceで公開しました。従来の英語中心・テキストのみの安全モデルが抱えていた文化的ニュアンスの見落としを解消することを目指しています。

同モデルはGemma-3 4B-ITビジョン言語基盤モデル上に構築され、LoRAアダプターで安全分類機能を追加しています。テキスト・画像またはその両方を入力として受け取り、安全・危険の判定を出力します。アシスタント応答が含まれる場合はやり取り全体の文脈を評価し、複合的に生じる違反も検出できます。

訓練データにはNemotron Safety Guard Dataset v3の文化的に適応された多言語データ、人手でアノテーションされたマルチモーダルデータ、合成データなどが含まれます。英語データは日本語・中国語・韓国語を含む12言語に翻訳され、実運用環境を反映した多言語カバレッジを実現しています。

ベンチマーク評価では、Polyguard・VLGuard・MM SafetyBenchなど主要テストで平均84%の精度を達成し、同規模のオープン安全モデルを上回りました。さらにポルトガル語やロシア語など訓練外言語でも強力なゼロショット汎化性能を示しています。推論遅延は大型モデルの約半分で、エージェントループやリアルタイム用途にも適しています。

4月にはNVIDIA NIMとしても提供予定で、GPU最適化された推論マイクロサービスとして本番環境への迅速な導入が可能になります。企業のAIエージェントやグローバルサービスにおけるコンテンツモデレーション基盤として、実用性の高い選択肢となりそうです。

NVIDIAは2026年3月16日、サンノゼで開催したGTC 2026の基調講演で、創業者兼CEOのジェンスン・ファン氏が次世代フルスタックAIプラットフォーム「Vera Rubin」を発表し、2025年から2027年にかけて少なくとも1兆ドルの売上を見込むと宣言しました。

Vera Rubinは7つのチップ、5つのラックスケールシステム、1台のスーパーコンピュータで構成されるエージェントAI向け統合プラットフォームです。専用CPU「Vera」と新ストレージ基盤「BlueField-4 STX」を搭載し、さらに次世代アーキテクチャ「Feynman」や宇宙AI「Space-1」構想も予告されました。

エージェントAI分野では、オープンソースのOpenClawを全企業が戦略として持つべきだと強調し、エンタープライズ向けにポリシー制御やガードレールを備えた「NemoClaw」スタックとOpenShellランタイムを発表しました。DGX SparkやDGX Stationと組み合わせ、デスクトップで自律エージェントを安全に構築・運用できる環境を提供します。

クラウド基盤ではAWSが100万台超のNVIDIA GPUを展開する大型提携を発表し、MicrosoftもAzureデータセンターにVera Rubin NVL72を世界初導入しました。物理AI領域ではBYD、日産、現代、吉利が自動運転プラットフォームに参画し、Uberとのロボタクシー配車連携も明らかになりました。

医療分野では初のヘルスケア特化型物理AIプラットフォームを公開し、外科手術ロボット向けにCosmos-HやGR00T-Hなどのモデル群を整備しました。Johnson & JohnsonやCMR Surgicalが早期採用を表明しています。さらにAlphaFoldタンパク質構造データベースの大規模拡張や、Nemotronモデルによるデジタルヘルスエージェントの構築支援など、ライフサイエンス領域でも多数の発表がありました。

オープンモデル戦略では「Nemotron Coalition」を立ち上げ、言語・推論、ワールドモデル、ロボティクス、自動運転、バイオ、気象の6つのフロンティアモデル群でパートナーを結集しました。基調講演ではディズニーのオラフが物理AIで自律歩行するデモで締めくくり、シミュレーションから現実世界への移行を印象づけました。

Mistralは2026年3月、推論・マルチモーダル・エージェントコーディングの3機能を統合した小型オープンソースモデル「Small 4」を公開しました。Apache 2.0ライセンスで提供され、企業が複数モデルを使い分ける必要性を解消することを目指しています。

Small 4はMixture-of-Experts（MoE）アーキテクチャを採用し、総パラメータ数1190億のうち、トークンあたりの活性パラメータはわずか60億に抑えられています。128のエキスパートから各トークンで4つが選択される設計により、効率的なスケーリングと専門化を実現しています。

新たに導入された「reasoning_effort」パラメータにより、ユーザーは推論の深さを動的に調整できます。軽量な高速応答からMagistralのようなステップバイステップの詳細推論まで、用途に応じた切り替えが可能です。256Kのコンテキストウィンドウも長文分析に対応します。

ベンチマークでは、MMLU ProでMistral Medium 3.1やMistral Large 3に迫る性能を示しました。一方、LiveCodeBenchではQwen 3.5 122BやClaude Haikuに及ばない結果も出ています。ただしSmall 4はインストラクトモードで最短の出力長（2.1K文字）を記録し、推論コスト面での優位性を主張しています。

小型言語モデル市場のNeurometric社CEOロブ・メイ氏は、Small 4のアーキテクチャの柔軟性を評価しつつも、小型モデル市場の断片化リスクを指摘しました。企業がAIモデルを選定する際には「信頼性と構造化出力」「レイテンシと知能の比率」「ファインチューニング可能性とプライバシー」の3つの柱を優先すべきだと述べています。

NVIDIAは2026年3月20日、汎用埋め込みモデルを特定ドメインに最適化するファインチューニングレシピを公開しました。GPU1台と1日未満の学習時間で、手動ラベリング不要で高品質なドメイン特化型埋め込みモデルを構築できます。

本レシピの核心は、LLMを使った合成データ生成パイプラインです。ドメイン文書をLLMに読み込ませ、複雑さの異なる質問・回答ペアを自動生成します。マルチホップクエリにも対応し、複数文書にまたがる推論を学習データに反映できます。

学習効果を高めるため、ハードネガティブマイニングを導入しています。正解に近いが誤りである文書を特定し、モデルが微妙な違いを学習できるようにします。正解スコアの95%以上の候補は偽陰性の可能性があるため自動除外されます。

Atlassianは本レシピをJiraデータセットに適用し、Recall@60が0.751から0.951へと26.7%向上する成果を確認しました。数百万のRovoユーザーの検索精度が直接的に改善されています。

完成したモデルはONNXやTensorRTに変換後、NVIDIA NIMコンテナでOpenAI互換APIとして本番展開できます。既存のRAGパイプラインにコード変更なしで組み込める点が実用上の大きな利点です。

Nvidiaは年次開発者会議GTCにおいて、Groqとの200億ドル規模のライセンス契約に基づくAI推論専用チップを発表しました。CEOジェンスン・フアン氏はAI半導体の収益機会が2027年までに少なくとも1兆ドルに達するとの見通しを示しています。

注目すべきは、これまでAI業界が汎用GPUを転用してきたのに対し、今年初めてAI専用設計チップが登場する点です。Groqのチップと組み合わせることで推論の速度向上とコスト削減が実現し、Nvidia顧客にとって大きな効率改善が期待されます。

Nvidiaはさらに企業向けAIエージェント基盤「NemoClaw」を発表しました。OpenClaw等のオープンソースエージェント技術が急速に普及するなか、各社がエージェント分野の主導権を競っており、MetaもAIエージェントSNS「Moltbook」を買収するなど動きが加速しています。

一方Teslaでは、生涯利用可能とされた完全自動運転（FSD）の新車移行条件が突然変更され、3月31日までの納車が必要とされたことで忠実なファン層から強い反発が起きています。インフルエンサーを含む熱狂的支持者の離反も報じられ、株価を支えてきた個人投資家基盤への影響が懸念されます。

MetaはVRメタバースの象徴であったHorizon WorldsのQuest版を段階的に縮小すると発表しました。Reality Labs部門は4年間で推定770億ドルの損失を計上しており、社名変更からわずか4年半での事実上の撤退となります。同社は今後AIへの投資を本格化させる方針です。