機械学習（モデル学習手法・技術）に関するニュース一覧

MITの研究チームは、分子の性質を示すデータが少ない場合でも候補を絞り込める機械学習手法CheMeleonを開発しました。創薬や電子材料、エネルギー分野で、合成・試験に進む分子を選ぶ初期判断を支援します。

分子が標的に結合する強さなどの性質は、化合物ごとに実験して確かめる必要があり、探索には時間がかかります。研究チームによると、CheMeleonは特定の性質に関するデータが乏しい条件で、既存手法より候補を効率よく選べます。

モデルはMITのオープンソース機械学習パッケージChemPropを基盤に構築され、利用者はダウンロードして用途に合わせて調整できます。すでに複数の製薬企業が利用しているといいます。

未合成分子の性質予測コンテストでは、上位20件のうち9件がCheMeleonを活用しました。少量データでの予測が研究初期の選別を助ければ、限られた実験資源を有望な候補に振り向けやすくなります。

Googleは11月3日、シンガポール国立大学（NUS）と南洋理工大学（NTU）に600万ドル超を投じ、AIや科学研究の助成と研究基盤づくりを進めると発表しました。新設した研究拠点や既存の医療研究に続き、大学との連携を深めます。

NUSには、アルツハイマー病研究向けに150万ドル、機械学習の計算効率や地域言語処理に50万ドルを支援します。NTUでは34万ドルを投じ、安全性評価、マルチエージェントの信頼性、プライバシー保護型の電子透かしなど4研究を助成します。

NTUにはさらに75万ドルのAI for Science助成を提供し、東南アジアの研究設備や研究者の能力を長期的に整える計画です。研究エージェントや倫理的なAIの枠組みづくりも対象に含まれます。

Google.orgとGoogle DeepMindは、シンガポールのINSEAD Thrive Labにも300万ドルを拠出します。同研究所は、技術変化の中で教育、職場、地域社会が人々の技能形成や目的意識をどう支えられるかを調べます。

MITの教員5人と卒業生らが、Schmidt Sciencesの「AI2050 Fellows」2026年コホートに選ばれました。AI2050は、社会に大きな利益をもたらすAIの実現に向け、人工知能分野の難題解決を目指す慈善イニシアチブです。フェローは研究を通じ、2050年にAIが社会に大きな恩恵をもたらすために何を解決すべきかという問いに取り組みます。

教員の研究テーマには、深層学習の最適化や表現学習、政治的な意見の測定と民主的な参加手法、微生物進化や生物製造などがあります。AIを使って酵素の機能を特定する研究や、議員の判断に生かせる市民意見の構造化も含まれます。

また、AIで検出したパターンを検証可能な理論へつなげる研究や、採用過程におけるアルゴリズムの公平性も対象です。AIへの広範な依存がもたらす悪影響を抑え、利点を強める方法を探るプロジェクトも選ばれました。

AI2050はエリック・シュミット氏とジェームズ・マニカ氏が構想し、共同議長を務めています。今回の選出者は、機械学習の基礎から公共政策、生物学、社会へのAI導入まで、複数分野を横断して有益なAIの条件を探ります。

MITのパリス・スマラグディス教授は、機械が音を聞き分け、意味を理解する技術の研究を進めています。機械学習による音源分離や音声認識、音質改善を通じ、音楽制作の支援から事故や機器故障の検知まで幅広い応用を目指します。教授は、AIで音楽家を置き換えるのではなく、演奏や制作の道具を広げたいと話しています。

スマラグディス教授の研究室は、混ざった録音から個々の音を分離するニューラルネットワーク技術を開発しました。この技術はドキュメンタリー「The Beatles: Get Back」のアーカイブ音源の整理にも使われ、制作チームは2022年にエミー賞を受賞しました。

現在はMITで、音楽家に演奏への建設的な助言を返すシステムと、音を処理・分析する基礎技術の両方に取り組んでいます。サンプリングレートや処理区間を固定しない信号処理の手法を探り、より柔軟で効率的な仕組みを目指しています。

音を手掛かりにすれば、車の衝突音から事故の場所を推定したり、掘削機の異常音から故障を予測したりできる可能性があります。研究室は大規模言語モデルを音声認識や音質改善に取り込む方法も探っていますが、教授は音や音楽でのAI活用には、まだ最適な形が見つかっていないと述べています。

Anthropicは10月28日、科学研究者にClaudeの利用クレジットを無償提供する「AI for Science」プログラムを拡大し、財団、研究機関、研究プロジェクトなど20団体との連携を発表しました。各団体を通じて研究者の利用を支援し、AIを仮説づくりや実験設計、データ分析に役立ててもらう狙いです。

新たな連携先には、米国科学財団やシモンズ財団などの資金提供団体のほか、宇宙望遠鏡科学研究所、ウェルカム・サンガー研究所、欧州分子生物学研究所などが含まれます。対象分野は生命科学、医学、物理、化学、気候科学、数学などに広がります。

個別プロジェクトでは、ショウジョウバエの脳神経回路図を活用するFlyWire、機械学習と物理学で気候モデルを改善するLEAP、希少疾患研究に使うゲノム変異データベースgnomADなどを支援します。数学の証明をコンピューターで検証できる形式にするTau Cetiも対象です。

Anthropicは、連携の成果として公開データセット、オープンソースソフトウェア、共通規格、共有ライブラリーなどを挙げています。研究者が主導する取り組みを支え、科学コミュニティ全体が活用できる資源を増やす考えです。

同社は2025年5月に同プログラムを始め、これまで個々の科学者への支援を進めてきました。今回の発表は機関や財団との協力を広げるもので、多くの連携はまだ初期段階にあり、研究への影響は今後明らかになるとしています。

NVIDIAは2026年10月22日、AI工場のインフラとAIワークロードを一体監視するAIOps基盤「Minerva」を発表しました。GPU、ネットワーク、ストレージ、ジョブの遠隔測定データを専用AIで分析し、異常の早期発見や根本原因の特定、障害予測を支援します。大規模なAI基盤でGPUの稼働時間と有効な処理量を高め、運用を事後対応から予防保守へ移す狙いです。

AI工場では、多数のGPUが高速ネットワークを介して学習や推論を担うため、部品一つの劣化がジョブ全体を遅らせます。MinervaはGPU、SuperNIC、スイッチ、ケーブル、ストレージ、スケジューラー、実行中のジョブを動的な知識グラフで関連付け、部門別に分断されがちな監視情報を一つの運用像にまとめます。

Minervaは1時間に数十億件のデータポイントを教師あり・教師なし機械学習で分析し、通常の挙動を学んで未知の異常や故障の兆候を検出します。設備の接続関係を踏まえて関連イベントを結び付けるため、警告の集中発生を原因候補付きの一件の障害へ集約し、担当者の調査を絞り込めます。

搭載するAIアシスタントは、稼働中の遠隔測定データに基づき、自然言語でクラスターの状態調査や修復案の確認を可能にします。担当者が修復を判断して実行する運用に加え、インフラAPIや外部システムを通じて自動処理につなぐ構成も選べます。

IRENはすでにMinervaをAI工場の最適化に利用し、Aolani、Bitdeer AI、IBM、Jio、Lambda、Quake AI、Teslaも導入を計画しています。Dell Technologies、Lenovo、Supermicroは自社のAI工場運用製品群にMinervaを組み込んで提供する予定で、運用基盤への展開が進みます。

NVIDIAは2026年10月22日、ベルリンで開いたGTCで、RevolutやStarling Bankなど欧州の金融機関が、オープンウェイトモデルとGPU基盤を使い、自社データによる独自AIを自社・域内インフラで本番運用する事例を公表しました。Revolutは取引基盤モデルPRAGMAをまず8000万人向けに展開し、3倍の規模まで拡張できるよう設計しています。

RevolutはNVIDIA cuDFとDynamo-TritonをBlackwell Ultra GPU上で動かし、数十億件の取引を扱う単一の基盤モデルとしてPRAGMAを構築しました。Starling Bankは英国の主権クラウドと自社取引データでエージェント型モデルを学習し、Lloyds Banking Groupも数十億件の取引を再利用可能な知見へ変えるATUMを開発しています。

コスト面では、ネット銀行bunqのエージェント型アシスタントFinnが、主要な閉鎖型モデルと同等の品質を回答1件当たり60％の費用で実現したとNVIDIAは説明しています。NatWestは英国のアクセントや金融用語を認識する音声技術、Santanderは構造化金融データ向けKumoモデルの活用を進めています。

金融調査では、LSEGがPolars GPUエンジンとcuDFを使い、過去のティックデータ分析を最大10倍高速化する取り組みを進めています。RavenPackは自然言語の調査仮説から、ラベル付きでバックテスト可能なデータセットを生成する仕組みを構築しました。

不正検知では、HSBCがデータ処理を5倍に高速化し、ほぼリアルタイムの顧客分析に活用しています。Stripeはオフライン試験で、Radarの機械学習用データ処理を42倍に高速化し、コストを92％削減したとしていますが、これらはNVIDIAが公表した導入事例であり、本番環境での効果は個別の検証が必要です。

AWSは2026年10月22日、機械学習基盤Amazon SageMaker AIで、開発者が独自の学習手順を制御しつつ、GPU運用をAWSに任せられる「training sessions」の一般提供を始めました。企業はエージェントの行動評価や更新方法を設計し、インフラ構築を減らしながら業務特化モデルを訓練できます。複数段階の訓練も組み合わせられます。

新機能は微調整や強化学習そのものをSageMakerへ初めて導入したものではありません。従来のTraining Jobsでは顧客がインスタンス種別や分散学習を設定し、2025年追加のサーバーレス型ではAWSが計算資源を選んでいました。training sessionsはサーバーレス運用と細かなプログラム制御を組み合わせます。

顧客のコードはエージェントをツールや模擬環境につなぎ、応答を採点します。SageMakerは応答生成とモデル更新を処理し、GPUへの割り当て、障害復旧、学習進捗の保存を担います。モデルをGPUメモリーに保ったまま結果を確認し、手順を調整することも可能です。

課金は入力処理、応答生成、学習で扱うトークン量に基づき、顧客側の採点処理中はメーターが止まります。ただし価格や代表的な総額は公表されず、ストレージや評価、推論など別費用も必要です。トークン課金だけでは専用インフラより安いとは判断できません。

提供開始時はgpt-oss-20bなど4モデルに対応しますが、利用地域はモデルによって異なり、同時実行枠の既定値は2件です。医療請求の選別や知識グラフを使うエージェントで初期事例がある一方、精度、費用、導入速度の比較値は示されていません。企業は業務完了率、失敗、総運用費を既存方式と比較する必要があります。

NVIDIAは2026年10月21日、欧州の開発者・研究者・企業が地域の言語や産業に合わせたAIを構築できるよう、言語、ロボティクス、生物学、量子コンピューティング向けのオープンモデル群を拡充しました。各組織はモデルを自社データで調整し、自ら管理するインフラに展開でき、地域固有の知識や業務要件を反映した主権型AIの基盤として活用できます。

言語モデル群のNemotronはテキストと画像を扱い、複雑な問題の推論や業務フローの実行、専門タスクを支援します。Mistralなど欧州企業も開発連合に参加し、SAPやDassault Systèmesを含む企業が業界特化型エージェントの構築に取り組んでいます。

Kumoは表やリレーショナルデータなどの構造化された企業データから、需要予測、不正リスク評価、行動提案を行うための基盤です。事前学習済みモデルを導入し、精度が重要な用途では独自データで追加学習できるため、タスクごとに別個の機械学習基盤を作る負担を抑えます。

Cosmosはロボット、自動運転車、視覚エージェント向けの世界モデルで、実環境で試す前に運転やロボット操作をシミュレーションできます。Cosmosを基盤とするAlpamayo 2 Edgeは、車載環境でリアルタイムの状況理解と経路計画を低い計算要件で実行します。

BioNeMoのRFD4-Proteinaは蛋白質の配列と立体構造を生成し、200アミノ酸の基準試験ではRFdiffusion3より約13倍速く設計案を作りました。量子向けIsingはハードウェア校正から誤り訂正までを支え、IQM Quantum Computersがプロセッサー校正に利用し、AWSも研究者向け計算サービスへ統合しています。

TypeSafe AIが2026年9月15日に公開したJevを契機に、Databricks、Snowflake、MotherDuckなどが、文章を返す汎用LLMとは異なる「判断モデル」の対応を相次いで進めています。固定選択肢・点数・はい／いいえを信頼度付きで返し、数千〜数百万行の曖昧な判定を列データとして処理できるため、データ基盤の新たな選択肢として注目されています。

役割分担の基準は、求める答えの形式です。SQLは閾値判定など決定的な処理、判断モデルは大量の分類・採点・照合、汎用LLMは要約や自由形式の抽出、多段階の推論を担い、難しい案件だけを大きなモデルへ送る構成が想定されています。

各社の検証では、処理時間と費用の削減例も示されました。Astronomerは4,000件の役職名を66秒、16セントで分類したと報告し、MotherDuckは10万件の記事を40秒、50セント、精度89%で分類したとしています。

導入方法も広がっています。Databricksはベータ版のSQL関数ai_decideなどを提供し、Snowflakeは既存のガバナンス下で動くSnowflake Decisionを非公開プレビュー中とするほか、MotherDuck、DuckDB、PostgreSQLでも関数や拡張機能が用意されています。

ただし、ベンダーの試験データで高い信頼度が出ても、自社データで正しいとは限りません。精度、保守負担、総費用をルールや従来型機械学習とも比較し、信頼度の閾値を検証して低確度の行を人へ回す設計が必要です。選択肢や疑わしい判定の定義は事業判断であり、誰が責任を負うかも明確にする必要があります。

マサチューセッツ工科大学（MIT）やMicrosoftなどの研究チームは2026年10月14日、既存の気象予測モデルの系統的な偏りを機械学習で補正する手法「Probabilistic Bias Correction（PBC）」をNatureで発表しました。予測が難しい2〜6週先で精度を倍増させ、農業、エネルギー、防災の準備期間を広げる狙いです。

従来の物理モデルとAIモデルは、観測データの不足や大気現象の近似に伴う誤差が時間とともに蓄積します。PBCは過去の予測の誤りから系統的な偏りを学び、新しい予測とデータが増えるにつれて補正を適応させる後処理層です。

欧州中期予報センター（ECMWF）の主要な物理モデルに適用したところ、降水量の評価対象の98％、気温の92％で精度が向上しました。コンペで首位となった構成は2〜6週先の予測力を元モデルの2倍にし、長期の気候平均を使う基準を初めて上回り、極端気象の予測も統計的に改善しました。

開発時にはスーパーコンピューターを使いましたが、完成したPBCはCPUだけで実行可能です。既存モデルに追加できるオープンソースの低コスト手法であり、大規模な計算設備を持たない気象機関にも導入の道を開きます。

農家は施肥や凍結対策、電力事業者は燃料確保、行政は洪水や寒波への備えを早められる可能性があります。ケニアの気象当局も季節雨の予測への活用を検討していますが、ECMWFは研究成果を実際の運用工程へ移すことが最大の難所だと指摘しています。

MITの研究チームは2026年10月13日、開発者が学習手順を細かく設計しなくても、人工ニューラルネットワークが自ら学習機構を組み立てられることを示した研究を公表しました。無作為につないだ人工ニューロンへ、接続をいつどう変えるかという単純な共通規則だけを与えると、データから学ぶ情報処理網へ再編しました。脳の学習に近い計算モデルを探る足掛かりです。

現在のAIでは、訓練データと誤差を受けて接続をどう変えるかを技術者が設計します。一方、脳には外部の設計者がいないため、MITチームは接続だけでなく接続を調整する仕組み自体を組み上げられるかを、生物らしさの重要な指標と位置付けました。

実験した多層ネットワークは、無作為につないだニューロン状の部品から始まり、各層の部品へ同じ接続変更規則を適用します。同時に活動するニューロン間の結び付きを強めるといった単純な規則から、機能回路の部品となる構造が自発的に形成されました。その構造はデータと相互作用しながら組み替わります。

自己組織化したネットワークは模様を認識し、画像を分類できました。現代のAIで一般的な勾配降下に似た方法で接続を徐々に調整し、誤差逆伝播を使うよう設計されたネットワークと同程度の性能を示しました。ただし研究チームは、このモデルが脳と同じ方法で学ぶと証明したわけではないと説明しています。

脳内にも誤差逆伝播に相当する接続構造が見つかれば、人工ネットワークと脳を基本機構の水準で比較できる可能性があります。研究は老化や病気で学習規則がどう乱れるか、脳と機械をつなぐ装置をどう設計するかを考える土台にもなります。チームは自己組織化を出発点とし、将来はより高性能で人に近い機械学習への応用も見込みます。

GitHubは2026年10月13日、リポジトリ内の認証情報などを探す秘密情報スキャンに、文脈を読む小型分類モデルを導入したと発表しました。従来の大規模言語モデル方式に比べ、コード送信後のスキャン時間の中央値を86％、提供費用を98％超削減しました。速度向上により、汎用的な秘密情報の検出を送信後だけでなく送信前の保護にも広げ、開発者へ早く結果を返します。

汎用的な秘密情報は、実際の認証情報と文書内の例示、テスト用の値、チェックサムなどが似ており、文字列の形だけでは判別しにくい問題があります。新方式はまず正規表現で候補を広く拾い、微調整したModernBERTが値、ファイルの場所、変数名、周辺コードを読んで本物らしさを判定します。確度の高い候補だけを警告し、無害な類似文字列は開発者へ届く前に除外します。

学習にはGitHub上の製品由来データ、人が確認した正規表現の候補、検出が難しい事例を補う合成データを使いました。リポジトリや候補値を共有する近似例が学習用と評価用にまたがらないように分割し、本番に近い通信で判定基準を検証しました。モデルはONNX形式へ変換し、8ビット量子化で推論を高速化しています。

GitHubの同一公開データを使った評価では、従来方式より検出精度が13％、再現率が19％向上しました。顧客を対象にした比較実験でも、リポジトリ所有者ごとに重み付けした警告の受容率が11.5％向上し、誤検知の減少が利用者の判断にも表れました。

この仕組みは正規表現を置き換えず、候補を漏れなく探す処理と文脈で絞る機械学習を役割分担させます。狭く測定可能な課題では、汎用の大規模言語モデルより小型の専用モデルが、精度、速度、費用を両立できることを示す事例です。GitHubは今後、本番から誤検知と見逃しを学ぶ循環を整え、検出と抽出を一段階で行うモデルも検討します。

Googleは2026年10月12日、病気の解明から診断、創薬、公衆衛生までを支える医療AI研究の成果を公表しました。臨床機関や大学との連携を通じ、乳がん検診では過去に見逃された中間期がんの25％を検出し、全ゲノム解析では8時間未満の遺伝子診断を実現するなど、研究成果を患者支援へつなげています。放射線科医不足や感染症流行への対応にも活用します。

過去5年間に病気の理解と対策に関する査読論文90本を発表し、被引用数は9万件を超えました。研究者はAlphaFoldでシャーガス病向け化合物3万種を仮想選別し、転用候補となるFDA承認薬2種を特定しました。AlphaGenome Atlasは5万4000人超のゲノムから、老化に関連するタンパク質などに影響する変異の絞り込みに使われました。

スタンフォード大学医学部との臨床試験では、DeepVariantとDeepConsensusを用い、緊急性の高い症例で8時間未満の全ゲノム診断を達成しました。新たな機械学習基盤AlphaProtein Novoは、医薬品の重要構造を合成する酵素や、過酷な条件で有害プラスチックを分解する酵素をゼロから設計しました。

医療現場への効果はどこまで確認されたのでしょうか。インペリアル・カレッジ・ロンドンと英国の国民保健サービスとの研究では、女性12万5000人を対象に乳房X線画像のシステムを評価し、従来見逃された中間期がんの25％を検出、専門医の読影負担を最大40％減らせる可能性を示しました。DeepSomaticも小児白血病の既知変異をすべて確認し、見逃されていた10変異を追加検出しました。

インフルエンザによる入院を予測するGoogleのモデルは、2025～2026年シーズンに米疾病対策センターの評価で38システムを上回り首位となりました。エボラ対策では、対話型の地理空間モデルが従来は数週間かかった手作業のコーディングを代替し、曝露・伝播リスクの早期把握を支援しました。Google.orgは2026年、先端モデルで病気の解明と治療に取り組む世界の組織へ6000万ドル超を提供しています。

Amazonは2026年10月、世界で最多となる100万台超のロボットを倉庫で稼働させ、即日・翌日配送を支える体制を拡大しています。移動ロボットやAI搭載アームが棚の搬送、仕分け、商品の把持を担い、負担の大きい作業を人から切り離す一方、機械が決める速い作業ペースと雇用への影響が新たな論点になっています。

同社は2012年のKiva Systems買収後、移動ロボットを軸に自社開発を進めました。Sequoiaは商品の識別・保管を最大75％高速化し、基盤モデル群DeepFleetはロボットの渋滞を予測します。

ロボットアームRobinでは、39万4000回超の動作で学習した機械学習モデルが把持成功率93.73％を記録し、従来手法より100万回当たり約1万6500回の失敗を減らしました。多様な商品を扱うSparrowには基盤モデル、Vulcanには視覚と力覚センサーを採用し、Vulcanは2027年の拡大を見込みます。

安全面の評価は一様ではありません。Amazonは2019年以降、記録対象の事故率が43％、休業を伴う事故率が70％改善したと説明しますが、2025年公表の研究はロボット倉庫で重傷が40％減る一方、反復動作などに伴う軽傷が77％増えたと報告しました。

雇用では、高度なロボットを備える拠点は信頼性・保守・技術職を通常より30％多く必要とし、ロボット保守技術者も30％超増えたとAmazonは説明します。一方、社内資料は米国の採用需要を2027年までに16万人超、2033年までに60万人減らせる可能性を示したと報じられ、同社は一部部門の見解だと反論しました。企業には導入台数だけでなく、傷害の種類、作業ペース、技能移行を同時に測る視点が求められます。

MITは2026年10月、クリスティーナ・デリミトル准教授が、電力網への負荷と化石燃料依存を強めるデータセンターの環境負荷を抑える研究を進めていると紹介しました。機械学習でサーバー資源の配分やクラウド障害への対応を効率化し、既存機器からより多くの計算能力を引き出して、新設設備と余分な消費電力を減らす狙いです。

大学院時代の調査では、多くの大規模計算システムは需要が大きいのに稼働率が約15％でした。研究チームは、古いクラウド基盤を見直し、共有ハードウェアの資源管理とサーバー構成を簡素化することで、性能を落とさずソフトウェアの無駄を除こうとしています。

深層学習ツール「Seer」は、ウェブアプリの問題を発生前に予測し、手作業の修復で広がる遅延を防ぎます。音楽配信やビデオ会議などの停止時間を減らせば、利用者には安定した性能が届き、計算資源の浪費も抑えられます。

クラウドアプリは複数サーバーに小さな機能を分散する設計へ移りましたが、既存サーバーはその前提で造られていません。研究チームはAIでソフトウェアを既存機器に適合させる一方、判断根拠を開発者へ示す説明可能性を組み込み、答えの妥当性を確かめられるようにしています。

ただし、事業者固有のハードウェアと非公開ソフトウェアが増え、大学の実験結果が実環境で通用するかの検証は難しくなっています。そこで構造と性能特性を模倣する「Ditto」で検証環境を作り、AIの適用結果を監査して、人が設計上の洞察を失わない運用を重視しています。

MIT統計・データ科学センター所長のサーシャ・ラクーリン教授は、AIの能力が急速に高まる中、大学は研究成果の評価、大学院教育、研究基盤を早急に組み替える必要があると提言しました。特に数学・統計・機械学習・工学では、成果物だけで個人の専門性を測らず、AIを使った部分を含めて研究者の貢献と知的責任を明確にするよう求めています。

AIの進歩を左右するのは、候補となる答えを速く確実に検証できるかどうかです。形式化した証明を自動確認でき、プログラムを実行して試せる分野では、生成と検証、改善の循環が重なり、モデルの能力向上がさらに次の開発を速めます。

完成度の高い論文は、個人の力量を示す指標として弱まりつつあります。大学は良い問い、追試、知見の統合、有益な否定的結果、共有データセットも評価し、採用・昇進・研究資金の基準に研究者本人の貢献と責任を明記する必要があります。

教育では、計算やコーディング、失敗した試行までAIに任せると、直感や判断力を養う経験を失う恐れがあります。学生には問題設定、出力の監査、結果の再現、選択理由の説明を学ばせ、不要な手間と専門性を育てる訓練を分けることが重要です。

大学の強みは、論文に残らない失敗や断念した方針、その理由を含む研究室の暗黙知です。仮説・介入・結果・解釈を安全に蓄積し、権限管理の下でAIが研究室間の知見を結ぶには、計算資源、安全なデータ基盤、モデル適応の専門人材への公的・機関投資が欠かせません。

研究過程を追跡できれば、大学院生を含む着想や貢献の系譜も残せます。同意とクレジットのルールを整え、産業界と連携しつつ技術的な独立性を保つことが、長期課題を追い、主張を独立して検証する大学の役割を支えます。

Anthropicの研究者でジョンズ・ホプキンス大学の天体物理学者ブライス・メナード氏は2026年夏、Claude Scienceと共同で、紫外線で見た初の全天地図を数日かけて作成しました。複数の宇宙望遠鏡の公開データを統合し、未観測の約3分の1を機械学習で推定したもので、教育や銀河研究に使える地図として公開しています。

基礎データの中心は、NASAのGALEXが2003〜2013年に撮影した約3万8000件の観測です。GALEXは検出器の損傷を避けるため明るい恒星や銀河面を外しており、Swiftや韓国のFIMS/SPEARなどを加えても欠測が残っていました。

Claude Scienceは複数のAIエージェントを動かし、公開調査データの探索・取得から、恒星周辺の光のにじみ除去、機器間の相互較正、解像度と座標系の統一までを処理しました。人が大枠の手順を指示し、エージェントが空の領域ごとに並列作業する構成です。

未観測の約3分の1には、可視光・赤外線・電波と紫外線輝度の関係を、実測済みの約3分の2から学ぶインペインティングを適用しました。既知の紫外線データを意図的に隠す検証と改良を重ね、予測値は実測値との差を約10％に抑えました。

さらに、欧州宇宙機関のGaiaによる可視光観測から推定した1億個超の恒星の紫外線光を背景に重ねました。初期版で残ったGALEX画像ごとの円形のむらは、人が発見して大気光の残留を原因と特定し、全3万8000観測を再補正しています。

地図は各画素が「実測」か「予測」かを示し、不確実性も確認できます。AIが時間のかかる較正と反復計算を担う一方、人の目による品質管理が欠かせないことも示す事例です。

Googleは2026年10月6日、ケニア・ナイロビとアメリカ・シカゴで計2000人の妊婦を対象に行った、AI活用型の超音波検査研究を紹介しました。医療従事者が腹部を定型的になぞる「ブラインドスイープ」で動画を撮り、端末上の機械学習モデルが妊娠週数と胎児の向きを解析することで、専門技師が不足する地域でも出産準備に必要な情報を得やすくする狙いです。

研究では、妊娠週数と胎児の向きの判定精度が、訓練を受けた超音波検査技師と同等だったとしています。モデルは撮影動画を分析し、画像が不十分なら撮り直しも促します。

従来の超音波装置は大型で高価なうえ、安定した電力や修理体制が必要で、遠隔地での導入が難しいという課題があります。小型で電池駆動の装置と組み合わせ、解析を端末内で完結させるため、電力網やWi-Fi接続がない現場でも情報を提供できます。

操作方法も簡素化しました。専門技師の養成には約2年の実地訓練が必要なのに対し、超音波検査が未経験の医療従事者でも、定められた手順を8時間で習得できたとしています。

妊娠週数は検査や治療、分娩時期の判断を左右し、胎児の成熟度に応じた母子のケアにも欠かせません。Googleは今回の結果を、異なる患者集団と医療環境でAIによる超音波支援が機能する可能性を示す研究と位置づけ、外傷後の出血確認など他の用途への展開にも言及しています。

MITリンカーン研究所スーパーコンピューティングセンターは2026年10月6日、2018年から続けるAIアクセラレーター調査「LAICS」の最新成果を公表しました。最新論文はCPUやGPU、ASICなど120種超を対象に、ピーク性能と消費電力を公開情報で比較し、研究や調達の目的に合う機器選びを支援します。

LAICSは、機械学習だけでなく分子機能のモデル化や流体力学シミュレーションにも使えるアクセラレーターを継続的に追跡しています。初回論文の57種から最新論文では120種超へと対象を広げ、チップ、カード、システムの形態別に整理しました。

方式ごとの性格も選定の重要な軸です。CPUは汎用性、ASICは特定処理への特化が特徴で、GPU、FPGA、データフロー型は複数の処理に構成を合わせられます。

2022年の論文は、性能向上の源泉としてトランジスタの微細・高密度化と、計算桁数を減らす低精度計算を挙げました。最新論文はコア数や並列性能などの構成要素を増やした場合に、システムがどう変わるかを分析しています。

比較データはすべて公開情報に基づくため、企業が性能や電力を非公開にする場合は把握が難しくなります。研究チームは日々のニュースや論文引用を調べ、政府関係者の技術選定や研究所のGPU購入判断に役立つ中立的な資料として更新を続けます。

マサチューセッツ工科大学（MIT）の研究チームは2026年9月28日、AIを使ってmRNAワクチン用脂質ナノ粒子の配合を改良し、真空乾燥後に室温で最長1年、37度で2カ月安定して保存できる候補を開発したと発表しました。長期保存後の製剤を投与したマウスでは、モデルナ製に近い従来製剤と同等の免疫反応を確認しました。超低温保管への依存を減らし、輸送や新しい投与法を広げる可能性があります。

壊れやすいRNAは脂質ナノ粒子で保護して細胞へ届けますが、従来のRNAワクチンはマイナス20度からマイナス80度での保管が必要です。研究チームは、モデルナやファイザーの新型コロナワクチンに使われた承認済み製剤に近い構成を保ちながら、耐熱性を高める配合を探しました。

研究者は約50種類の承認済み添加剤を分析し、有望な5種類を選びました。少量の実験データでも働く機械学習アルゴリズムに配合比を予測させ、細胞試験の結果を戻す作業を数回繰り返し、従来なら長期化する探索から数週間で候補を絞りました。

新配合に新型コロナウイルスのmRNA抗原を封入し、真空乾燥して37度で2カ月または室温で1年保存した後、マウスへ投与しました。免疫反応はモデルナ製に近い脂質ナノ粒子を使った製剤と同等で、固体の微細針パッチでも注射型に近い反応を示しました。

同じ手法はファイザー製に近い脂質ナノ粒子でも安定化に使え、耐熱配合を確立すれば異なるmRNAを搭載できると研究チームは説明しています。医薬品や放出制御粒子への応用も見込みますが、記事で示された免疫評価はマウスを用いた前臨床試験です。

Hyring共同創業者兼CEOのAdithyan RK氏は2026年9月26日、VentureBeatへの寄稿で、企業がAIエージェントを実運用へ移す中、主な安全上の弱点はモデル自体より周辺の業務フローにあると指摘しました。外部データの読み込み、ツールやAPIの呼び出し、データベース更新、自動実行が攻撃面を広げるため、従来のチャットボット向け脅威モデルでは不十分だと論じています。

CRMの記録、メール、PDF、ウェブページなどに埋め込まれた指示は、エージェントの文脈に入り込み、次の動作を乗っ取る恐れがあります。攻撃者はモデルへ直接アクセスせずとも、モデルが後で読む情報を改変することでプロンプト注入を仕掛けられます。

開発時の利便性を優先した広範なAPIキーやサービスアカウントは、一度の誤判断をレコード削除、誤送信、決済などの実害へつなげます。さらに、未検証の文書を要約するエージェントの出力を、書き込み権限を持つ別のエージェントへそのまま渡せば、ツール間の信頼境界が崩れます。

エージェントは実行ごとに判断やツール呼び出しの順序が変わり得ますが、多くのチームは途中の判断を十分な粒度で記録できていないと同氏は述べています。何を読み、どのツールへ何の引数を渡し、なぜ実行したかを残さなければ、事故後の原因究明が難しくなります。

対策の軸は、タスクに必要な範囲だけを許す最小権限、隔離環境での検証、影響の大きい操作への人の承認、意思決定単位のログです。外部データを未信頼入力として検証し、レート制限、異常検知、手動停止を設ければ、一つの誤判断が大量の誤動作へ連鎖するのを抑えられます。

この問題は機械学習チームだけでなく、アクセス制御や監視、事故対応を担うセキュリティ部門と基盤部門を早期に巻き込むガバナンス課題です。高性能なモデルへの置換だけでは過大な権限や承認不足は解消しないため、AIエージェントを本番システムへ書き込む新たなサービスとして管理する必要があります。

MIT Senseable City Labの研究者4人は2026年9月、都市を画像データから分析する手法と課題をまとめた新著をRoutledgeから刊行しました。交通カメラや衛星、スマートフォンの画像を視覚AIで解析し、排出量、混雑、安全性、緑地利用を大規模に把握する一方、監視や学習データの偏りへの慎重な対応を求めています。

具体例では、ニューヨーク市の交通カメラ331台に映る車種を機械学習で識別し、車両ごとの排出量を推計しました。視覚AIは交通の滞留原因や危険な交差点、公園や広場で人が集まる場所の分析にも使えます。

研究者らは、視覚AIを都市観察の長い歴史を拡張する道具と位置づけます。衛星画像による緑地面積だけでなく、生活者の目に入る緑の量を捉え、街路や建物、公共空間の見え方を都市機能や人々の体験と結び付けられます。

一方、カメラの密集は個人の自由とプライバシーを損なうおそれがあります。学習データが多数派に偏れば、少数派や地域に対する既存の見方をAIが再生産するため、著者らはAIは中立ではないと指摘します。

都市計画や事業で活用する際は、分析精度だけでなく、撮影範囲、データの代表性、監視の便益と弊害をどう検証するかが問われます。著者らが示す結論は、視覚AIを賢く、批判的かつ創造的に探究する姿勢です。

Googleは2026年9月24日、学校での学習や調査を支えるChromeの5つの活用法を公式ブログで紹介しました。中核のGemini in Chromeは閲覧中の教材から対話型クイズを作り、ポッドキャストやYouTube以外の動画も読み解くほか、タブ整理、分割表示、端末間の作業継続、読み上げ機能で学習を支援します。

Gemini in Chromeは、引用する論文への質問、難しい概念の可視化、講義動画の該当箇所の探索に使えます。デスクトップでは対応範囲をポッドキャストやYouTube以外の動画へ広げ、一度再生した音声・動画から要点や特定情報を抽出し、分かりにくい部分を説明します。

新しい対話型クイズは、Google ドキュメントの物理学ノート、研究論文、機械学習のYouTube動画など、開いているタブの内容から重要概念を選び、理解度の確認を助けます。まず米国とインドのデスクトップ向け英語版で提供し、数カ月以内に対象地域とモバイルへ広げる予定です。

タブグループは、縦置きか横置きを選びながら、科目やプロジェクト別に資料をまとめられます。分割表示では参考資料と執筆画面を左右に並べ、組み合わせたタブを保ったまま別の作業へ移り、後から同じ環境へ戻れます。

端末へタブを送る機能は、スクロール位置や入力途中のフォームを含む状態を保存し、パソコンとスマートフォンの間で作業を引き継ぎます。没入型読書モードはフォント、文字間隔、コントラストを調整でき、読み上げにも対応し、Android版のAI再生は閲覧ページを基にポッドキャスト風の会話を生成します。

Hugging Faceは2026年9月22日、機械学習ライブラリTransformersで、llama.cpp向けの量子化モデル形式GGUFを直接読み込み、ローカル実行できる機能を発表しました。初期対応はApple Silicon上のQwen3.5系で、ggmlのMetalカーネルと生成処理の改善を組み合わせ、使い慣れたPythonとPyTorchの環境に高効率な推論を持ち込みます。

利用者はHub上のモデルIDとGGUFファイル名をfrom_pretrainedに渡すだけで、標準のTransformers APIから生成できます。対応する量子化カーネルがなければ重みを展開してメモリ使用量が増え、注意機構のカーネルを取得できない場合はSDPAへ切り替わります。

量子化は精度とメモリ使用量を交換する仕組みで、Qwen3.5-4BのQ4_K_M版は、BF16版の8.42GBから2.74GBまで縮小します。Hugging FaceはQ4_K_Mを出発点とし、余裕があればQ5_K_MやQ6_Kを試し、実際の業務で品質を評価するよう勧めています。

MacBook Pro M2 Maxでの測定では、Transformersは3種類のGGUFモデルでllama.cppに近い生成速度を示しました。ただしTransformers側は入力処理を含み、llama.cpp側は生成部分だけを測るため、同一条件の比較ではありません。効率を最優先するローカル推論には、引き続きllama.cppが推奨されています。

開発者は同じGGUFモデルをPythonで調査・改変し、既存の評価手順や独自の生成処理を使えるほか、OpenAI互換APIとして配信できます。一方、圧縮状態の高速実行は現時点でMPSに限られ、パディングやバッチ処理には課題があり、対応アーキテクチャもQwen3.5のDense版とMoE版などに限定されています。

MIT Newsは2026年9月16日、社会科学の測定精度を研究する政治学者Naoki Egami准教授を紹介しました。研究結果が別の国や選挙環境にも当てはまるかを問う「外的妥当性」を重視し、統計学と計算機科学で実証上の課題を解きます。AIが生成したデータの誤差を体系的に見つけ、分析の再現性を保つ統計手法の開発にも取り組んでいます。

Egami氏が重視する外的妥当性とは、特定の研究結果を別の集団や状況にも一般化できるかという問題です。例えば、勝利が確実な選挙区で許可された現地実験の結果は、接戦区では候補者や有権者の行動が異なるため、そのまま当てはまらない可能性があります。

同氏はChatGPT登場以前から、社会科学に機械学習やAIを導入した際の精度を研究してきました。従来は時間をかけて収集・検証していたデータをAIで大量生成すると誤差も入り得るため、誤差を考慮する統計手法がなければ分析の再現が難しくなると指摘します。

研究姿勢は、政治学の問いを立て、応用統計学者や応用計算機科学者のように数学的な問題へ落とし込むというものです。技術理論だけでは重要な実証課題を見失い、課題意識だけでは解法が場当たり的になるため、二つの視点を両立させています。

Egami氏は東京大学を卒業後、プリンストン大学で2020年に博士号を取得し、コロンビア大学を経て2025年に終身在職権付き准教授としてMITへ移りました。政治方法論学会のEmerging Scholar Awardに加え、政治方法論、実験研究、政治ネットワークの3分野でアメリカ政治学会の論文賞を受けています。

データベース新興企業Keewanoは2026年9月15日、AIエージェント向けの「KeewanoDB」を一般提供し、Hetz Ventures主導で1,200万ドルのシード資金を調達したと発表しました。利用者・端末・エージェントごとに出来事の順序と文脈を保持し、SDKとMCPを通じて履歴を直接読める設計です。現在はGoogle Cloud上の完全管理サービスとして提供します。

従来型のデータ基盤は、イベントを行や事前集計に変える過程で順序と文脈を失いがちです。その場合、AIエージェントは問い合わせ時にデータウェアハウスや検索インデックスから履歴を組み直す必要があります。KeewanoDBは出来事の並びを保存時から維持し、「何が起きたか」だけでなく「なぜ起きたか」を追いやすくする狙いです。

KeewanoDBは利用者、端末、エージェントなどの主体を主キーとし、各主体に起きたイベントを順番に結び付けます。会社はこれを主体ごとの大きな表と説明し、複数の表をまたぐ結合をクエリーで使いません。イベントはディスク上に4バイト単位で保存されるとしています。

取り込み時の意味付け層では、LLMが各イベントに追加の文脈を付与します。主体の状態が変わっても過去のラベルを置き換えず、活動中、非活動、不正疑いといった変化を順番に残します。加速エンジンを通じてエージェントがMCP経由でDB内のスクリプトを実行でき、外部処理へデータを移す工程を省きます。

開発者はSDKとMCPでデータベースへ接続でき、必要なチームは別層の分析機能も利用できます。自然言語クエリー用エージェントに加え、「Signal」が約1時間ごとに異常検知と因果推論を実行すると会社は説明しています。他のクラウドと自己管理型の配備は2027年初めを予定しています。

VentureBeatが2026年7月に101社を対象に実施した調査では、68％が直近半年にAIエージェントの確信を伴う誤回答を経験し、原因をモデルではなく業務文脈の欠落や不整合としました。外部アナリストは機械学習を後付けせず内蔵する点を差別化要因と見る一方、既存分類には収まりにくいと評価しています。導入判断では、現在の仕組みが履歴の順序を落とし、問い合わせ時に再構成していないかを確認する必要があります。

Google Researchは2026年9月15日、Muon Spaceと連携して支援するEarth Fire Allianceの衛星群「FireSat」による山火事検知の仕組みと配備計画を公表しました。AIと専用カメラを組み合わせ、完成時には地球上のどこでも5メートル四方の火災を捉える計画です。約50基で20分ごとに全球を観測し、消防当局の初動時間を確保します。

山火事の衛星検知では、雲の反射や煙突、家庭用グリルなどを火災と誤認する問題があります。既存の衛星画像は約11時間前のデータだったり、解像度が低かったりするため、急速に広がる小さな火災への対応には不十分です。FireSatは多数の小型・低コスト衛星を使い、精度差を機械学習とAIで補います。

消防機関によると、鎮火の可能性を確保するには火災が50〜100平方メートルの段階で捉える必要があります。開発チームは検知目標をさらに小さい25平方メートルに設定し、山火事向けに最適化したカメラを開発しました。計画燃焼の上空で撮った画像を初期学習に使い、カリフォルニア州で火災に似た対象の変化も追跡しています。

農業用の計画燃焼など、消防へ通知すべきでない火もあります。衛星群の完成後は地球を20分ごとに撮影し、火が時間とともにどう変化するかをほぼリアルタイムで追います。蓄積した記録から大規模な山火事に発展する条件を学び、検知アルゴリズムを調整する方針です。

初回の運用衛星群はすでに配備され、次の一群は2027年に加わる予定です。今後2年以内に地表全体を1時間ごとに撮影し、2030年ごろには約50基による20分間隔の観測を目指します。完全運用までには数年かかる見通しです。

初期の衛星は、開発側の予想を上回る数の火災をすでに捉えています。研究者とデータを分析し、危険度が高まる前に当局へ知見を共有すれば、延焼予測や防火帯の配置判断に活用できます。FireSatが生む時系列データは、消防隊の対応時間を増やし、地域ごとの火災変化を理解する基盤になります。

2026年9月13日、VentureBeatへの寄稿で技術者のShashank Akinapalli氏は、企業データ基盤の異常修復をAIの推測に任せず、宣言的契約と決定論的な統治を実行層に組み込むべきだと論じました。上流APIの型変更やETL処理の一部欠落は停止を伴わず進み、売上指標や規制報告、意思決定を誤らせるためです。

大規模なデータ移行では、処理速度が上がっても旧来の前提がそのまま複製されがちです。その結果、形式の変化を捉えられないスキーマドリフト、形式は正しくても業務上の意味がずれる意味的な破損、影響先を追えない来歴の不透明化が静かに進みます。

第一の対策は、取り込み時点でスキーマと業務規則を検証する宣言的データ契約です。違反データだけを隔離領域へ移し、正常なデータは止めずに下流へ流します。異常検知には機械学習を使えても、金融や医療など監査対象の修復は、推測ではなく事前定義した規則で実行します。

第二の対策は、各変換段階で出所、品質スコア、機密区分を確認するゼロトラスト型のデータ来歴です。品質が基準を下回れば、推薦モデルやコンプライアンス画面の更新を止め、解決まで検証済みのキャッシュへ切り替えます。これにより、誤ったデータの連鎖を下流で遮断します。

経営層には、パイプラインを分散ソフトウェア製品として扱い、モジュール化、自動テスト、CI/CD、構成の版管理を徹底する姿勢が求められます。構築数や保存量ではなく、検知時間、復旧時間、データ品質指数を追えているでしょうか。AIが業務判断を担うほど、データ信頼性はIT保守ではなく事業リスク管理になります。

マサチューセッツ工科大学（MIT）シュワルツマン・カレッジ・オブ・コンピューティングは2026年夏、大学教員が専門分野に合わせてAIを教えるための初回パイロット研修を学内で開きました。7大学から19人が7月の1週間に参加し、機械学習の基礎を各自の授業へ応用する教材や指導法を、MITの教員らとの演習を通じて検討しました。

研修はMITの授業「Modeling with Machine Learning」を基に設計されました。この授業は、学生がAIと機械学習の基礎概念を理解し、自らの専門分野の課題解決に生かすことを重視しています。

MITが目指すのは、AIの利用者にとどまらず、技術を批判的に考えられる学生を増やすことです。AI教材は豊富でも、各分野の文脈に結び付けて教えられる人材は不足しています。モデルを疑い、適応させ、構築する力まで育てる教員の養成が課題です。

金融、コンピューター科学、持続可能性などのMIT教員が教材づくりに協力しました。参加者はデモ、動画、演習を組み合わせ、機械学習をブラックボックスとして扱わず、自分の授業へ移す方法を実践的に探りました。

参加者は最終日に、採用したい教材や指導法を整理しました。意見は今後の研修改良に使われ、MITは大学や専門分野を越えてAI教育に取り組む教員ネットワークの形成も進める方針です。

Googleは2026年9月、機械学習型の気象予測モデル「WeatherNext 3」を公開しました。最大の変更点は、従来の再解析データに加えて気象衛星データを取り込み、現在の大気状態を予報に反映するまでの遅れを縮めたことです。これにより予報を1時間ごとに生成でき、従来型モデルに近い性能を少ない計算資源で実現するAI予報の利点を広げます。

再解析は、多様な観測データを統合し、観測のない地点も推定して大気の全球像を作る仕組みです。多くのAI気象モデルはこれに全面的に依存してきましたが、元データの情報が統合過程で失われる可能性があり、全球スナップショットも通常は6時間ごとの作成でした。

従来型の気象予測モデルは、再解析に加えて生の観測データも取り込み、現在の大気状態をできるだけ正確に再現します。WeatherNext 3も衛星データを直接加えることでこの手法を一部採用し、予報生成を毎時化しました。

Googleは空間解像度を高め、機械学習モデル自体も大型化しました。一方、計算需要の増加を抑えるために処理工程を調整し、AI予報の計算効率を保つ設計を採っています。

さらに、衛星由来の降水量推定データで学習した別の機械学習モデルを追加しました。これにより複数の降水予測を提供でき、衛星観測の活用範囲が予報の初期状態から降水量の推定まで広がっています。

マサチューセッツ工科大学は2026年9月2日、同大学院・博士研究員を経てIBMに移った3人が、AIと量子研究を実用システムへつなぐ取り組みを紹介しました。MIT・IBM共同研究所で培った産学連携を土台に、企業向けAIエージェント、信頼できるAI推論、量子機械学習を現実の制約下で前進させています。理論と配備の隔たりを縮め、研究成果を事業価値へ移す人材育成の事例です。

3人は、強化学習のZhang-Wei Hong氏、信頼性・公平性AIのIrene Ko氏、量子機械学習のSrinivasan Arunachalam氏です。分野は異なりますが、MIT・IBM共同研究所が大学での理論研究とIBMでの応用をつなぎ、現実の制約を持つシステムへの移行を支えました。

Zhang-Wei Hong氏は、好奇心駆動型の探索を使い、大規模言語モデルの負荷テストや未知環境の探索に取り組みます。現在は、チャート読解やデータベース照会のツール呼び出しに対応するIBMの企業向けエージェント基盤を開発し、配備時にモデルが重みを自己更新する枠組みも研究しています。

Irene Ko氏のvLLM Hookは、隠れ状態や活性化などモデル内部の信号にアクセスし、プロンプト注入や幻覚の可能性を安全性スコアとして分析します。低ランクアダプターのような追加工程を避ける軽量プラグインで、他の手法よりコストを大幅に削減できる可能性があります。

Srinivasan Arunachalam氏は、近接結合構造、ノイズ、観測の単純さといった近未来の量子機器の制約を研究に取り込みました。量子系の動きを学習する際に厳密な保証を与えるハミルトニアン学習と、広く信じられる計算困難性の仮定の下で古典カーネルに対する量子特徴空間の優位性を示す量子カーネルの論文につながりました。

3人の共通点は、原理上可能なことを実務で役立つ形へ移す姿勢です。共同研究所は、研究課題を企業の要件に合わせるだけでなく、学生が研究初期から産業側の研究者と関係を築く経路になりました。企業にとっては、共同研究の段階から配備の制約を共有する人材戦略として参考になります。

IBMとConfluentは2026年9月2日、IBM Graniteの時系列基盤モデルをConfluent Cloud上のApache Flinkから直接使える早期アクセスとして提供開始しました。企業は流れているデータを別の機械学習基盤へ移さず、SQLで予測と異常検知を呼び出し、結果をKafkaの配信先を通じて警告、画面、データ基盤、AIエージェントへ渡せます。

時系列基盤モデルは、個別に学習していない系列にも適用し、予測、異常検知、類似検索、分類、欠損補完、最適化を共通機能として提供します。早期アクセスでは「AI_FORECAST」と「AI_DETECT_ANOMALIES」という2つのFlink SQL関数から呼び出し、引数を変えてモデルを選べます。

Flinkは系列ごとの直近の状態を障害に耐えられる形で保持し、モデルが必要な履歴を別のデータベースなしで渡します。Confluentがモデル配信、拡張、実行環境を管理し、データは同社のクラウド内に保ったまま既存の形式定義、来歴、権限管理を推論処理にも適用できます。

製品群は4モデルで、PatchTST-FMは予測値の分布、FlowStateは間隔の異なる連続データ、TTMはCPUでの大量処理を重視します。TSPulseは時間と周波数の特徴を組み合わせ、異常検知、分類、欠損補完、過去の類似事例検索を担います。

IBMは自社業務に加え、セメント、鉄鋼、製紙、食品、通信分野の協力企業でモデルを試したとしています。同社によると、生産性は5～10倍に向上し、専門のデータ科学者を待っていた分析を需要計画や不正対策、工程管理の担当者が扱えるようになりました。

早期アクセスはAWS上のConfluent Cloudで利用でき、期間中は無料です。次にConfluent Platformへ広げ、社内設置型と複数環境を組み合わせた運用にも同じモデルと機能を提供する計画です。

MITは2026年7月1日付で、都市研究・計画学科とMIT Sloan School of Managementの上級講師Walter Torous氏を、MIT不動産センター（CRE）の執行責任者に任命しました。同氏は不動産開発学修士課程（MSRED）の責任者を続けながら、教育、企業連携、資金調達、主要行事、職員、予算、戦略を統括し、変化する不動産市場に対応できる次世代人材の育成を主導します。

Torous氏は、法学・都市計画学教授のJustin Steil氏とセンターの学術・戦略面を率います。Steil氏は学術カリキュラム評議会のファカルティーチェアとしてCREを代表し、両氏で教育課程と産業界との連携を発展させます。

不動産市場では、高齢化による住宅供給の不均衡や、技術革新と在宅勤務による商業用不動産への影響、小売りの変化が同時進行しています。Torous氏は、学生が市場の変動に左右されずキャリアを築けるよう、技術と金融市場に強い人材を育てる考えです。

そのためMSREDの教育内容を都市研究・計画学科の枠から広げ、建築、土木・環境工学、Media Lab、MIT Sloanなどの知見を取り込む方針です。すでにAIと不動産を扱う授業があり、Torous氏とSteil氏は同様の科目を増やす計画です。

研究面では、Torous氏は住宅ローンの債務不履行や、コロナ禍後の米国オフィス市場の変化を機械学習で分析しています。さらに、CREが43年間で育てた1200人超の同窓生との関係を深め、業界経験を次世代の教育に生かす意向です。

Perplexityは2026年9月1日、エージェント基盤「Computer」に、クラウドの高性能モデルとAppleシリコン搭載Mac上の小型モデルを使い分けるハイブリッド計算機能を導入しました。公開情報の調査や高度な推論はクラウド、機密ファイルに触れる処理は端末内に振り分け、文脈を保ったまま一つの作業を継続します。

中核となる「Privacy Gate」は、端末上で氏名、住所、口座番号、秘密情報などを検出する独自分類器です。機密情報を検知すると、該当部分をローカル処理するかクラウドに共有するかを利用者に確認し、ローカル処理のトークンは外部へ送りません。

法律事務では、Mac内の秘匿資料を使った準備書面の更新と、クラウドによる公開判例の調査を並行できます。投資業務では、非公開の経営予測を反映した財務モデルと公開比較データを組み合わせ、従来は手作業で数時間かかる作業を約40分で進めたと説明しています。

対象はmacOS 15以降のAppleシリコン搭載Macで、オプトインした法人顧客とPro、Max契約者です。端末で生成したトークンは課金されず、法人管理者は組織共通の機密度ポリシーと端末別の監査記録を利用できます。

一方、機密判定は機械学習分類器に依存するため、見逃しがあれば情報がクラウドへ渡る可能性があります。利用者は送信前の判定内容を確認できますが、実務導入では監査ログと人による確認を組み合わせることが重要です。高性能なローカルモデルには32GB以上のユニファイドメモリが推奨され、WindowsとLinuxへの対応は今後です。

Hugging Faceは2026年9月1日、ローカルAIをブラウザーで高速に動かすため、207種のWebGPUカーネルとJavaScriptライブラリー「@huggingface/kernels」を公開しました。各カーネルをHugging Face Hubから読み込み、端末や入力条件に合う実装をアプリ側のAPIを変えずに選べる仕組みです。

対象は行列演算、正規化、畳み込み、アテンション、量子化など、機械学習モデルを構成する低水準の処理です。WebGPUはブラウザー間の可搬性を提供しますが、GPUやブラウザー、入力形状によって最適なメモリーアクセスや並列化の方法は異なるため、専用カーネルが性能の土台になります。

各カーネルは個別のリポジトリーとして公開され、入出力仕様、対応データ型、WGSLシェーダー、正確性テスト、ベンチマーク条件をまとめています。版管理された契約と再現可能な証拠を一体化し、実装を改良してもアプリが依存するJavaScript向け仕様を安定させる設計です。

Apple M4 GPU上でONNX Runtime Webと比較したところ、出力と計測の条件を満たした809例で、Hugging Faceのカーネルは幾何平均2.57倍、中央値1.90倍高速でした。ただし計測はGPU上の個別処理に限り、読み込み、コンパイル、データ転送やモデル全体の実行時間を含まないため、製品性能をそのまま保証する数字ではありません。

同時公開のFleetは、利用者のブラウザーで正確性と速度を測り、同意を得た実行結果を非公開の検証データとして集めます。開発者は実機差を踏まえた選択規則や派生実装を改善でき、Hugging FaceはONNX Runtimeチームへの成果の還元と、上位のモデル実行ツールへの接続も進める方針です。

Anthropicは2026年9月1日、AIモデル「Claude Fable 5.1」と、同じ基盤を使う審査制の「Claude Mythos 5.1」を公開しました。FableはAPIと主要クラウドで一般提供し、キャッシュ入力の読み取り料金を100万トークン当たり1ドルから0.25ドルへ75%引き下げます。長時間動くAIエージェントの費用を抑え、企業向けの安全対策とデータ管理も強化する狙いです。

Fable 5.1の通常API料金は、入力100万トークン当たり10ドル、出力50ドルで据え置きです。一方、再利用する文脈の読み取りは0.25ドルとなり、Anthropicは一般的な処理で実効費用を約25%、キャッシュ比率の高いエージェント処理で最大約45%削減できると説明しています。

Anthropicの評価では、Fable 5.1は科学研究向けTerminal-Bench-Science 0.1で52.6%、業務自動化向けAutomationBenchで31.4%を記録し、旧Fableを上回りました。38時間の無人機械学習処理や長年原因不明だった障害の解析事例も示されましたが、数値と顧客事例はいずれも同社提供であり、独立検証の結果ではありません。

安全面では、Fable 5.1のサイバー保護がClaude Codeのセッション当たりの介入を旧版より約60%減らしたとAnthropicは説明しています。Mythos 5.1は同じ基盤モデルで制限が緩く、サイバー防御や生命科学に携わる審査済み組織だけが利用できます。

秋に段階導入するEnterprise Frontier Safeguardsでは、監視データを顧客のAWS、Azure、Google Cloud環境に置き、顧客側の暗号鍵やアクセス規則で管理できます。自律性の高いAIを導入する企業には、モデル性能だけでなく、権限の限定、ネットワーク分離、継続監視、人の承認を組み合わせる設計が求められます。

マサチューセッツ工科大学(MIT)の研究チームは、タンパク質設計向けの新しい機械学習モデルPottsMPNNを開発し、成果を学術誌PNASに発表しました。従来モデルの多くは自然界の配列を再現することを目指してきましたが、同モデルは構造の安定性を左右する物理的な原理を計算に組み込むことで、天然には存在しない新規配列でも狙った構造に折り畳まれるかを高精度に予測できる点が特徴です。

研究を主導したのは、生物学科長でもあるエイミー・キーティング教授と、大学院生で筆頭著者のフォスター・バーンバウム氏です。バーンバウム氏によれば、機械学習によるタンパク質設計の分野では、モデルが進化によって選ばれた配列をどれだけ正確に再現できるかが従来の評価基準とされてきましたが、この基準こそが最適とは限らないといいます。

PottsMPNNは、あるタンパク質のペア位置における20種類のアミノ酸間の相互作用を捉えるペアワイズ分布を採用しています。この仕組みにより、配列とエネルギーの関係をより正確にモデル化できるようになり、2022年に公開されて以来、機械学習によるタンパク質設計分野の代表的存在であり続けてきたモデルに匹敵する性能を示しました。

開発チームはさらに、進化的に関連する配列群を訓練データに取り入れることで、異なる配列が同じ立体構造に折り畳まれる仕組みをモデルに学習させました。バーンバウム氏は、天然配列への依存を減らすほど、構造の妥当性やエネルギー予測の精度が向上したと説明しています。

キーティング教授は、今回の手法が自然界には存在しない新規タンパク質を多様な用途向けに設計する道を開き、今後の研究の基盤になると述べています。バーンバウム氏も、モデルを特定の用途向けに調整することで、変異の影響予測などがさらに改善する可能性があるとして、今後の展開に期待を寄せています。

Appleは2026年8月25日、新型デスクトップ「Mac Studio」と「Mac mini」を発表しました。両モデルには新チップ「M6」と「M5 Ultra」を搭載し、ローカル環境でのAI推論やソフトウェア開発向けに処理性能を高めました。機能面での大きな刷新はなく、あくまでスペックアップが中心の位置付けです。

M6はApple M系チップとして初めて2ナノメートル(2nm)プロセスで製造された新型チップです。M5 Ultraは、AIワークロードをはじめとする多くの処理で現行ラインアップ中最も高性能なチップと位置付けられています。両機種とも高速なCPU・GPUと統合メモリアーキテクチャを備え、AI処理に強みを発揮します。

両製品の人気を後押ししてきたのが、2025年12月に配信されたmacOS 26.2です。Appleのリリースノートによれば、同アップデートはThunderbolt 5接続のホスト間で低遅延通信を可能にし、オープンソースの機械学習フレームワーク「MLX」を用いた分散AI推論に対応しました。

これを受けて、ホビイストから専門の開発者・研究者まで、複数のMac miniやMac Studioを連結させ、単体では動かせない大規模な言語モデルをローカルで推論させる動きが広がっています。Nvidia製の高価な専用GPUに頼らない選択肢として注目されています。

今回の刷新に目立った新機能はなく、実質的にはスペックアップが中心です。とはいえAppleの発表内容からは、当初は想定していなかったローカルAI用途を強く意識した製品展開へと軸足を移している姿勢がうかがえます。

2026年8月20日、MITのKai Chang氏とThemis Sapsis教授のチームが、学術誌Nature Communicationsで新たな機械学習手法を発表しました。「Extreme Event Aware」と呼ぶこの手法は、豪雨や熱波、山火事など前例のない極端現象が、どこでどれほどの規模と強度で起こり得るかを、過去の極端事象データなしで推定できる点が特徴です。

従来、想定される最悪シナリオを見積もる手法は、過去に発生した極端な事象そのものを学習データとして必要としてきました。しかし記録に残る極端事象は本来まれで、データが乏しいという根本的な課題を抱えていました。今回の手法は、通常の日々の気象データから統計的な関係性を学ぶことで、記録にない未知の極端現象も推定できるように設計されています。

具体的には、地点ごとの降水量の統計と、低解像度・高解像度に分けた空間地図のペアを組み合わせて学習します。米国本土の25年分の降水データのうち、極端な事例をほとんど含まない最初の6カ月分だけを使って学習させても、統計情報を手がかりに現実的な豪雨マップを生成できたといいます。例えばニューヨークで観測史上最大の降水量が200ミリだった場合、それを上回る300ミリ規模の豪雨がどこにどう降るかを予測できます。

この手法は気象分野にとどまらず、ロボットの経路計画や金融市場の暴落分析にも応用できるといいます。Chang氏は、複数の要因が絡み合って発生する市場暴落の分析にも、この統計的アプローチが役立つ可能性があると説明しています。

Sapsis教授は、効率化が進んだ現代社会ではリスクを吸収する余力が小さくなっており、一つの極端事象がサプライチェーンやエネルギー市場に数週間で波及すると指摘します。未経験の事象の発生確率を見積もる技術は、防災対策だけでなく経済的なレジリエンスを高める上でも重要になりそうです。

MITの研究チームは8月11日、電気化学的にアンモニアを合成する際の有望な触媒材料を予測する新手法を、学術誌EES Catalysisに発表しました。核科学工学科およびマテリアルサイエンス学科のビルゲ・ユルドゥズ教授らが、数百万通りの合金の組み合わせを試行錯誤で探す代わりに、反応を左右する物性を特定し候補材料を絞り込む方法を確立しました。

アンモニアは肥料生産に不可欠な化学品で、世界の年間生産量は約2億トンに上ります。その9割以上はハーバー・ボッシュ法という100年以上前に確立した製法で作られており、化石燃料由来の熱と水素を大量に使うため、世界のエネルギー消費の最大2%、温室効果ガス排出量の約1.5%を占めています。

熱や圧力の代わりに電気を使う電気化学的な合成法も存在しますが、生産速度と収率が低く、産業規模でのコスト競争力を欠いていました。研究チームは、この壁を破る鍵が反応表面で機能する金属触媒の性質にあると考え、最適な材料の探索に取り組みました。

研究チームは、遷移金属窒化物に着目し、密度汎関数理論による量子力学シミュレーションと機械学習を組み合わせて、窒素還元反応を左右する電子的・化学的性質を解析しました。この結果、触媒活性を左右する主要な物性を特定し、有望な合金の候補を、実験を重ねずに理論計算だけで絞り込めるようになりました。

研究に加わっていないウィスコンシン大学のデーン・モーガン教授は、この成果について、触媒の基礎的な電子特性と反応性の関係を明らかにし、計算スクリーニングを加速させる意義深い研究だと評価しています。一方で、実用的な触媒として社会実装するには、なお多くの検証段階が必要だとも指摘しています。

研究チームは現在、理論段階にとどまっている候補材料を実際に合成し、反応セルを使って性能を評価する実験に着手する計画です。研究者は、実験室での検証を経て初めて社会に影響を与えられると述べ、次の段階に意欲を示しています。

米金融大手キャピタル・ワンは、機械学習エンジニアリング責任者ケル・バニー氏が2026年のVBトランスフォームで、既製の最先端モデルに頼らず、独自データでオープンウェイトモデルを深く微調整したマルチエージェントAI基盤を構築してきたと明らかにしました。データ基盤とクラウド化への早期投資が、この取り組みを支える土台になったといいます。

バニー氏によると、自社データは他社が持ち得ない強みであり、汎用モデルでは代替できないといいます。ある用途向けにオープンソースモデルを微調整すると、キャピタル・ワン固有の業務知識やポリシーを学習した結果、他の用途でも性能が底上げされる「general lift」と呼ぶ効果が生まれると説明しました。リアルタイムデータを取り込むことも、顧客対応の精度を保つうえで欠かせないとしています。

具体例として挙げたのが、年間数百万件に上る不正関連の通話に対応する「MACAW」というマルチエージェント基盤です。まず理解エージェントが顧客の意図を把握し、推論エージェントが要約を作成、検証エージェントが正確性を確認したうえで、説明エージェントが担当者向けの文書に整えます。従来は担当者が手作業で再構成していた通話記録の要約作成を、大幅に効率化したとしています。

同様の仕組みは、MetaのLlamaモデルを独自データで調整した接客チャットボット「Chat Concierge」にも採用されています。さらに社内向けには、バックエンドインフラの最適化を自動で試行・検証するエージェントシステムも構築し、日々更新される最適化手法同士の組み合わせによる性能劣化を防いでいます。

今後の展望としてバニー氏が挙げたのは、複数モデルを横断的に使い分けるルーティングの高度化と、人の指示を待たずに動く能動型AIの台頭です。個々のモデルより高い精度をルーティングで引き出せるとしたうえで、不正検知などの監視業務を強化する能動型AIが今後重要なトレンドになるとの見方を示しました。

GitHubは2026年8月13日、傘下の「GitHub Secure Open Source Fund」第4期で、オープンソース50プロジェクトに総額50万ドル超を投じたと発表しました。GitHub Security Labの専門家とセキュリティツール、AI活用のワークフローを組み合わせ、メンテナーの脆弱性調査と優先順位付けを後押ししました。

参加プロジェクトの一つであるOpenClawは、GitHubにおいて成長速度が最も速いオープンソースプロジェクトとして今回招待されました。プログラムを通じてインシデント対応計画を策定し、GitHub Actionsのワークフローを監査したほか、セキュリティツールの活用範囲を広げました。メンテナーは「安全なプロジェクトづくりに向けたチームの勘と力を養う上で非常に有意義だった」と振り返っています。

今回の取り組みから浮かび上がった教訓は、AIが調査や優先順位付け、対応のスピードを高める一方で、最終的に何をリリースするかを判断する責任はメンテナー自身にあるという点です。GitHub Copilotなどのツールは脆弱性のトリアージや脅威モデリング、コードレビューの補助として活用されました。

Secure Open Source Fundは3週間の集中プログラムを軸に、12カ月にわたる伴走支援を行う仕組みです。各プロジェクトはGitHub Sponsors経由で1万ドルの資金提供を受けるほか、Azureのクラウドクレジットや、6カ月・12カ月時点でのセキュリティ確認の機会も得られます。

AI関連のセキュリティ課題は、機械学習基盤からエージェントフレームワーク、開発者ツール、インターネットインフラまで幅広い分野のプロジェクトで浮上しました。GitHubは第5期プログラムへの応募を8月24日まで受け付けており、AI時代における安全なソフトウェア開発の裾野をさらに広げる考えです。

Google DeepMindとGoogle Researchが開発した気象AI「WeatherNext」が、サイクロンをこれまでにない精度で予測できることが、英科学誌Natureに掲載された論文で示されました。平均で予報担当者に1日分の猶予をもたらし、3日先の予測が従来モデルの2日先と同じ精度になります。研究者によれば、予報を1日前倒しするには従来10年規模の取り組みが必要だったといいます。

その実力を示したのが、2025年10月にカリブ海で発生した熱帯低気圧でした。各モデルの見立ては割れ、勢力が弱いままハイチに向かうのか、発達してジャマイカを直撃するのかで判断が分かれます。WeatherNextは後者を採り、上陸5日前の時点でカテゴリー5でジャマイカに上陸すると80%の確信度で予測しました。

実際にハリケーン「メリッサ」はジャマイカ各地に洪水と地滑りを引き起こし、壊滅的な被害となりました。ただ、このAIモデルによって予報担当者は進路上の地域へより早い警告を出すことができ、住民は備えの時間を確保できました。

米国立ハリケーンセンターのマイク・ブレナン所長は「数時間でも違いが生まれる」と語ります。避難の調整、物資の配置、対応要員の移動はいずれも時間との勝負であり、判断を誤れば影響は大きくなります。所長は予測精度を1日先まで押し広げられることには非常に大きな価値がある、と評価しました。

課題は学習データの少なさでした。極端な現象はそもそもまれで、機械学習に必要な事例が十分に集まりません。論文の主著者の一人でGoogle DeepMindの研究員であるフェラン・アレット氏は「サイクロンのデータは多くないが、気象データは大量にある」と述べ、気象とサイクロンの両方に強いモデルとして訓練したと説明しています。

米電気電子学会（IEEE）の教育部門と電力エネルギー部会が、送電網の近代化を担う技術者向けの講座「AI for Power and Energy Systems」を開講しました。データセンターの急増と異常気象で米国の電力網が限界に近づくなか、AIを扱える人材の不足が壁になっているためです。講座は電力技術者や電力会社の管理職、データサイエンティストを対象に、五つのモジュールで構成されます。

背景にあるのは、需要と供給の両面で起きた構造変化です。テキサス州最大の送電事業者には、AIとクラウド設備の増加を主因に220ギガワットもの新規接続申請が寄せられたとCNBCは報じています。一方の発電側では風力や太陽光など天候に左右される電源が増え、停電を避けるために需給を秒単位で調整せざるを得ません。

設備そのものの弱さも重なります。テキサス州を襲った大寒波や記録的な熱波は変圧器に過大な負荷をかけ、高くつく障害を招いてきました。アナログ機器をスマートメーターや制御システムへ置き換える動きは、同時にサイバー攻撃の入口を増やしています。

こうした環境では、従来の系統計画の手法は速度が足りません。数千のセンサーや気象予報、過去の使用実績を機械学習で即座に解析すれば、障害の予兆を先回りしてつかめます。マッキンゼーの調査では、データと自動化の統合によって予知保全で設備の停止時間を最大50%削減し、機器の寿命を最大40%延ばせると示されました。

講座を設計したのは、テネシー大学ノックスビル校のFangxing（Fran）Li教授です。カリキュラムはAIを検証できないブラックボックスとして扱わず、安全性と設備保全、厳格な信頼性基準を軸に据えています。内容はAIの基礎、深層強化学習による系統制御の高速化、需要と市場価格の予測、物理法則を組み込んだ安全なAI、生成AIと次世代技術の五つです。

電力を大量に使う側であるAI業界にとっても、この人材論は他人事ではありません。電力網の余力が事業拡大の制約になりつつある今、電気を理解するデータサイエンティストと、データを扱える電力技術者をどう確保するかが問われています。

Google親会社Alphabetのスンダー・ピチャイCEOは8月5日、AI部門Google DeepMind（GDM）の首脳体制の刷新を発表しました。GDMを率いてきたデミス・ハサビス氏は運営を離れてGDM会長兼Alphabet最高科学責任者に就きます。27年在籍したジェフ・ディーン氏は同僚3人と退社し、新会社Discovery Loopを設立します。

GDMを新たに統括するのは、CTO兼Google最高AIアーキテクトのコーレイ・カヴクチュオール氏です。GDMのSVPとしてピチャイ氏に直接報告し、Geminiのモデル開発、フロンティアAI研究、Geminiアプリと開発者向けチームを見ます。ハサビス氏は創薬企業Isomorphic Labsの経営を続けながら、AGIと科学の長期戦略に専念します。

ディーン氏は1999年にGoogle30番目の社員として入社し、検索インフラからGoogle Brain、Geminiまで同社の技術転換を主導してきました。今回はサンジェイ・ゲマワット氏、Google Brain共同創業者のクォック・レ氏、DeepMind研究担当VPのオリオル・ヴィニャルス氏も同行します。4人そろっての離脱は、モデル競争の渦中にあるGoogleにとって痛手です。

新会社Discovery Loopは公益を目的に掲げる法人形態（PBC）で、ディーン氏がCEOを務めます。実験の立案・実装・評価という科学の反復作業をAIで全自動化し、数千の実験を同時に走らせる構想です。最初の顧客は自社で、まず機械学習アルゴリズムの改良に適用し、その後はチップ設計や創薬、材料開発へ広げる計画を掲げています。

資金調達はRadical VenturesとKhosla Venturesが共同で主導し、Kleiner PerkinsやLightspeed、Doerr Capitalも参加しました。Alphabetも創業投資家兼クラウドパートナーとして出資し、初年度の計算資源を提供します。ピチャイ氏は慰留を重ねたと伝えられますが、最終的には送り出す形になりました。

GeminiアプリはMAU9億5000万を超え、Gemmaの累計ダウンロードは9億件を突破しました。事業の勢いが続く一方で、抜けた頭脳をどう埋めるかが問われます。AIを研究の道具から研究者そのものへ変えるという新会社の賭けが実るかどうかも、次の焦点になりそうです。

Googleは8月4日、公式ブログで7月に発表したAI関連の取り組みをまとめて公開しました。開発者向けのGemini新モデル3種やロボット向けの推論モデル、音楽や動画の生成ツール、山火事を早期に検知する衛星まで、対象は開発基盤から日常のアプリ、防災まで幅広く並びます。同社は20年以上続けてきた機械学習への投資の成果を定期的に振り返る形で、AIの実用性を示しています。

最も実務に近いのはモデル群の更新です。Gemini 3.6 Flash、3.5 Flash-Lite、3.5 Flash Cyberの3モデルは、本番環境でAIエージェントを動かす際に求められるトークン効率と低遅延、安定した性能を狙って設計されました。ロボット向けには身体性を伴う推論を担うGemini Robotics ER 2を投入し、人との自然な対話や周囲の状況把握、複数手順の作業に対応させています。

企業向けでは、Geminiを基盤とするコード最適化エージェントAlphaEvolveが、Gemini Enterprise Agent Platform上で全てのGoogle Cloud顧客に一般提供されました。基準となるアルゴリズムと目標を渡すと、自動でより良い解を探索し、人が読める最適化済みのコードを返す仕組みです。

日常利用の面でも動きがありました。Samsungの新機種Galaxy Z Fold8 UltraやFold8、Flip8ではGemini Intelligenceの最初の機能が使えるようになり、Android 17にはiPhoneからデータを無線で移行する機能が組み込まれています。NotebookLMはGemini Notebookとして検索やGeminiアプリからも使えるようになり、Gemini Sparkは利用者の許可のもとログイン済みのアカウントを使って、内見予約や航空券の下調べといった手続きを代行します。

創作と社会課題への応用も並びました。動画作成のGoogle VidsはGemini Omniと個人アバターに対応し、音楽生成はLyria 3.5へ更新されています。防災分野では、NOAAがGoogle Cloudの高性能仮想マシンで気象モデルを動かし始めたほか、山火事の早期検知を担うFireSat衛星3基がカリフォルニア州のヴァンデンバーグ宇宙軍基地から打ち上げられました。

経営層向けの発信も目立ちます。Google DeepMindの共同創業者でCEOのデミス・ハサビス氏が現在を歴史的な転換点と位置づける見解を示したほか、AIの利用実態を大規模に調べる調査ATLASの第1弾も公開されました。同社はIsomorphic Labsと共同でバイオレジリエンスの方針も示し、モデルの悪用を防ぎつつ政府や科学者が技術を活用できる体制づくりを掲げています。

マサチューセッツ工科大学（MIT）は8月3日、機械学習理論を専門とするアレクサンダー・ラクリン教授を、統計・データサイエンスセンター（SDSC）の次期所長に指名したと発表しました。ラクリン氏はデータ・システム・社会研究所（IDSS）の冠教授で、脳・認知科学科も兼務します。2021年から所長を務めたアンクル・モイトラ教授の後任として、AIの基礎を支える統計学の研究拠点を率いることになります。

SDSCはIDSSが擁する研究センターで、統計と機械学習の理論を軸にMIT全体の研究を支えてきました。ラクリン氏は2016年から客員教授として関わり、2018年に正式着任しています。2025年に創設された「データ・システム・社会」の冠教授職では、初代の保持者でもあります。

特筆すべきは教育面の実績です。分野横断の統計学博士課程（IDPS）の初代責任者として、経済学や政治学から物理学、工学まで多様な学科にまたがる75人を超える博士の学位取得を見届けてきました。IDSS所長のフォティニ・クリスティア教授は、統計学と機械学習で最も鋭い理論家の一人であり、最も献身的な指導者だと評しています。

ラクリン氏が掲げるのは、AIそのものを厳密な科学として扱う姿勢です。AIが医療やエネルギー、公共の場に入り込むなかで、その安全性やセキュリティは本質的に統計学と数学の問題だと語り、不確実性の定量化、性能の保証、失敗の理解、操作への耐性を課題に挙げました。

経営やエンジニアリングの現場にとって、この人事は何を示すのでしょうか。AIの導入が広がるほど、モデルの精度をどう保証し、想定外の失敗をどう見積もるかという統計的な問いが避けられなくなります。ラクリン氏はSDSCをデータサイエンスとAIの厳密な基礎を担う拠点にすると述べ、分野横断の連携をさらに深める方針です。

欧州連合（EU）は8月2日、AI規制法（EU AI法）の透明性義務を施行しました。域内の市民は、AIと対話するときや、AIが生成・改変したコンテンツを見るときに、その事実を知らされる権利を得ます。広告や音楽レコメンド、苦情受付ホットラインまで一律の開示が必要となり、違反企業には最大1500万ユーロまたは全世界年間売上高の3%のいずれか高い方の制裁金が科されます。

対象は驚くほど広く、ディープフェイクを使った広告や企業のSNS投稿には、AI生成であることを示すラベルが付きます。苦情対応のチャットボットや電話窓口はAIベースだと明示する必要があり、機械学習で発信者の感情や不満を検知するコールセンターは、通話の冒頭でその旨を告げなければなりません。企業同士の商用利用も例外ではなく、予定調整や書簡対応、契約交渉に至るまで申告が求められます。

規制はモデル開発企業にも及び、欧州委員会が新設したAI事務局が監督にあたります。法律事務所Stibbeでテクノロジーとデータを専門とするデュカン弁護士は、OpenAIやAnthropic、Google DeepMindといった代表格にとどまらず、AIレコメンドを使うSpotifyや、Photoshopに生成編集機能を備えるAdobeも視野に入ると指摘します。「探し始めると、AIはあらゆる場所にあります」と同氏は語ります。

一方で、表示の乱発が情報過多を招くとの懸念も出ています。業界団体CCIAでAI政策を率いる担当者は昨年12月、過剰なラベル表示は終わりのない通知によるバナー・ブラインドネスを招くと警告し、スペルチェックした電子メールやフィルターをかけた写真まで対象になれば、AI表示は意味を失うと述べました。

今回の法律は、2018年に施行されクッキー疲れという言葉を生んだEUの個人データ保護規則（GDPR）を想起させます。EUはAIモデル提供者が合成音声や画像、動画、テキストを機械可読な形式で示すまでに12月までの移行期間を設けており、27の加盟国は監督体制の整備状況もまちまちです。ノートン・ローズ・フルブライトのロージー・ナンス弁護士は「初日から一律に執行されるとは限らない」と慎重に見ています。

それでも規制の射程の広さは、いずれ企業にとって大きな転換点になるとデュカン弁護士は見ています。AI活用を堂々と開示するのか、それとも表示を避けてAIを使わない仕組みや手作業に戻るのか。透明性のコストと利便性をどう天秤にかけるかが、欧州で事業を営むすべての企業に突きつけられます。

米マサチューセッツ工科大学（MIT）などの研究者が1975年に始めた心電図データの収集が、医療データ共有の世界標準へと発展しました。この取り組みは1999年にPhysioNetとして結実し、いまや数百のデータベースを抱える世界最大級の生体・臨床データ基盤となっています。その四半世紀の歩みをまとめた論文がNature Health誌に掲載され、改めて注目を集めています。

クラウドが普及する前、医療研究者はデータの入手や共有に大きな壁を抱えていました。データは分断されて配布も難しく、研究者は自らデータを集めるしかなく、費用も比較の難しさも課題だったのです。1975年、MITとボストンのベス・イスラエル病院で不整脈を研究するチームは、心電図記録をデジタル化して広く公開する構想を掲げ、自作の計算機で10万件を超える注釈を付けていきました。

当初は十数の研究機関に届けば十分と考えられていましたが、関心は集まり続けました。磁気テープはCD-ROMやFTPサーバーへと姿を変え、現在では180か国を超える利用者が登録し、昨年だけで1万5000本以上の論文に引用されるまでになっています。集中治療の電子カルテを匿名化したMIMICなど、公開データは研究の前提を大きく変えました。

転機となったのが人工知能（AI）の台頭です。ECGの信号処理が中心だった利用者層は広がり、いまでは医療分野の機械学習やAIの研究者が最大の層を占めます。Google DeepMindの研究者は、PhysioNetとMIMICが「標準を作り、今も標準であり続けている」と述べ、過去10年の医療AIの進歩を支えた基盤だと評価しています。

運営チームは、利用者が自らの専門知識を注釈として加えられる新システムの試験導入を準備しています。研究のあり方を変えたのは、アイデアや才能ではなく「摩擦」だと関係者は指摘します。データ共有のコストを下げることが、挑戦的な研究を可能にし、科学の到達点そのものを押し広げているのです。

ニューヨーク拠点のAI検出スタートアップPangramは7月29日、Menlo Venturesが主導する900万ドルの資金調達を発表しました。同社は、インターネット上に急増するAI生成コンテンツ、いわゆる『AIスロップ』を見分けるツールの需要が今後さらに高まると見込んでいます。あわせて次世代のテキスト検出モデル『Pangram 4』と、画像検出モデル『Pangram Image』も投入しました。

新しいテキスト検出モデルは、AIの支援を含む文章や人間とAIが混在した文章を99%超の精度で判別できるとしています。文章を人間らしく書き換える『ヒューマナイザー』も、より容易に見抜けるといいます。画像検出モデルは現在リサーチプレビュー段階で、数週間内に幅広く公開する予定です。

検出の仕組みは、数千万件の既知の人間文書で学習した大規模な機械学習モデルです。各文書について話題や長さ、口調を模した『合成ミラー』をフロンティアLLMに生成させ、両者の文体差を学ばせています。スタンフォード大出身で共同創業者のMax Spero氏は、透かしやメタデータに頼らず判定できる点を強調します。

利用は月額20ドルのサブスクリプションのほか、XやLinkedInなどの投稿をリアルタイムで判定するChrome拡張機能でも提供します。APIも用意し、Substackが著者のAI利用を読者に示す機能に採用したほか、Quoraや大学、出版社なども顧客に名を連ねます。競合にはGPTZeroやOriginality.aiなどがひしめきます。

背景には、AIの誤用に対する制度的な反発もあります。論文アーカイブのarXivは今年、LLMの出力を著者が確認しなかった証拠がある投稿に対し、1年間の投稿禁止を科す方針を導入しました。Spero氏は、人間が発する情報を積極的に選ばなければAIにかき消されると述べ、スロップに抗する仕組みの必要性を訴えています。

ソフトウェア大手のSAPは、企業向けAIエージェントがチャットボットの域を超えて自律的に業務を実行するには、知識グラフによる自社固有の文脈付与とガバナンスが欠かせないと主張しました。同社のマックス・マクフィー氏はイベント「VB Transform 2026」で、一般的な知識ではなく自社の文脈に根ざすことがエージェントを「同僚」のような存在へ高める鍵だと語りました。

マクフィー氏は、新しいエージェントの導入は新入社員のオンボーディングに近いと説明します。知識グラフやベクトル埋め込みデータを使えば、エージェントが情報を素早く見つけて取り出しやすくなるといいます。この基盤があれば、社内だけで通じる略語や暗黙知にもつまずかず、チャットボットのように「その略語は何ですか」と聞き返す事態を避けられます。

ガバナンスはSAPの強みが生きる領域です。創業50年のプロセス管理企業として、エージェントの柔軟な動作にも対応できるよう統制の仕組みを刷新しており、異常検知や機械学習による検証をガードレールとして組み込む顧客も出ています。さらに認証と権限の管理を実行段階まで及ぼし、生成AIアシスタント「Joule」自体にもアクセス権を付与しない限り、利用者がJoule経由で「S/4」などの基幹システムを操作できない仕組みにしています。

一方でマクフィー氏は、多くの顧客から「あなたは私の環境の10%にすぎない」と言われる現実にも触れました。SAPは把握しきれない非SAPシステムを地図化するため、アーキテクチャの「Google Maps」と評されるLeanIXや、プロセスマイニングのSignavioを買収しました。さらにベルリンの自動化企業n8nに投資し、エージェント開発環境「Joule Studio」へ統合を進めています。

最後に同氏は、古いオンプレミス型システムの近代化を怠れば、自律エージェントの利用拡大に伴いスループットの限界に直面すると警告しました。「未舗装のコースでフェラーリを走らせるようなもので、まずコースを整備すべきだ」との例えで、基盤の刷新が本格活用の前提になると訴えています。

マサチューセッツ工科大学（MIT）原子力科学工学科の博士課程に在籍するローレン・フォティエ氏が、原子力発電所の自律運転を実現する監督制御システムの研究を進めています。人手に頼る従来の運転を見直し、遠隔地の小型原子炉でも少人数で安全に運用できる仕組みを目指すものです。米海軍の原子炉運用者として空母で培った現場経験が、この研究の出発点となっています。

フォティエ氏はノースウェスタン大学で材料科学を学んだ後、米海軍の原子炉運用者として南シナ海の空母で勤務しました。原子力への完全な依存を体感するなかで、運転作業の多くが極めて手作業に頼っている現状に気づき、効率化の余地を意識するようになったといいます。海軍の派遣制度を利用してMITの修士課程に進み、運転の現場から研究の世界へと移りました。

研究の背景には、原子力を安価で競争力のあるクリーンエネルギーにするという課題があります。100%稼働の大型施設では大人数の運転体制もコストに見合いますが、各地に分散配置される小型原子炉では多くの人員を確保できません。そこで、十分に検証された監督付きの自律運転が、次世代の商用マイクロリアクターの普及を後押しすると期待されています。

技術面での特徴は、人と機械が互いの得意分野を分担し、必要なときだけ人が介入する統合型の制御を目指す点です。フォティエ氏は有限状態機械と呼ばれる手法を採用しており、これは「この事象が起きたらこうする」という事象駆動で動く、実行過程が透明な仕組みです。機械学習のような統計的手法は、動作を検証する手段がまだ十分でないため採用していないと同氏は説明します。

研究は学内外の連携に支えられています。MITとアイダホ国立研究所（INL）を兼務する指導教員のもと、制御理論の専門家やウェスチングハウスなど産学の協力を得ながら開発を進めてきました。こうした成果が評価され、同氏は2025年に米エネルギー省の学生研究コンペで受賞しています。

フォティエ氏が重視するのは、利用者の信頼を損なわない段階的な自律化です。まず作業手順を一つずつ案内する自動化から始め、あらかじめ決められた手順ではなく目的に応じて操作の順序を組み立てる制御へと発展させていく考えです。ステークホルダーとの関係構築が研究の実効性を高めていると同氏は語っています。

不動産テック大手のZillowは20日、AIカンファレンス「VB Transform 2026」で、同社エンジニアリング担当SVPのトビー・ロバーツ氏とGlean共同創業者兼CEOのアービンド・ジェイン氏が登壇し、顧客の長い取引体験全体で文脈を引き継ぐAIアーキテクチャの設計思想を語りました。Zillowは米国の不動産取引の約8割に関わり、ChatGPT登場以前からAIを活用してきた企業です。

ロバーツ氏によると、AIの取り組みは多くの企業と同様にデータ基盤の整備から始まりました。データメッシュの採用や明確なデータリネージ、権限とID管理を伴うガバナンス構造を整えたといいます。しかし本当の難所はデータではなく、顧客が取引のどの段階にいるかを記憶し、どの接点に現れても文脈を引き継ぐ仕組みの構築でした。

そのためZillowは、単一のモデルAPIに顧客を通すのではなく、自社独自のアーキテクチャを構築しました。Zestimateなど20年に及ぶ機械学習の蓄積を生かし、汎用の大規模モデル一つに頼るのではなく、タスクごとに微調整した小型モデルを組み合わせる方針を採用しています。この仕組みは社内でGleanと並行して稼働します。

ジェイン氏によれば、Zillowでは現在数千のGleanエージェントが本番稼働し、社内で数万回の実行を通じて反復作業を処理しています。Gleanの価値は、財務・法務・マーケティングの各部門が同じシステムへの接続を個別に作り直す手間を、MCPゲートウェイで一度に集約する点にあります。これはコスト削減の手段でもあり、ほとんどのタスクを安価な小型モデルへ振り分けるモデルルーティングと、事前計算した文脈の活用によってトークン消費を最大で半減できるといいます。

セッションでは企業向けの実践的な示唆も示されました。ロバーツ氏は、AIによってコード出荷が40%増加したと信頼性をもって説明できるのは、数年前に整備したDORA指標のベースラインがあるからだと指摘し、測定基準はAI導入の後ではなく前に整えるべきだと強調しました。加えて、規制対象の機密データには権限の継承だけに頼らず、独自の厳格なルールと常設のコンプライアンスチェックを重ねる必要があるとしています。

ジェイン氏は「モデルだけでは企業内のAI自動化を実現できない。企業の文脈と結びつける必要がある」と語りました。文脈を単なる機能ではなくコストを左右する要素として捉える視点が、これからのエンタープライズAI構築の鍵になりそうです。

MITとIBM、Red Hatなどの研究チームは16日、2次元設計を3次元のCADモデルへ自動変換する視覚言語モデルを鍛える新手法「GIFT」を発表しました。従来手法より正確で実用的なCADプログラムを、約20%の計算量で生成できる点が特長です。国際機械学習会議で発表されました。

GIFT（Geometric Inference Feedback Tuning）は、既存モデルの弱点を突き止めるデータ拡張の仕組みです。特定のタスク向けに、モデルが苦手とする問題を集中的に改善するデータを生成します。色や形をランダムに変える一般的な拡張とは異なり、モデル自身の性能に合わせて最適化する点が新しいところです。

鍵となるのは失敗からの学習です。GIFTはモデルに同じ課題を並行して何度も解かせ、正解率を測定します。「惜しい」解答を正解へ修正し、成功例とともに新たなデータセットへ蓄積することで、つまずきやすい問題の克服法を教え込みます。

研究チームは、正解も不正解も明確な問題ではなく、正答率5割前後の中間的な課題こそ学習価値が高いと指摘します。この手法は学習済みモデルを再学習させず、推論時スケーリングで出力を改善するため、利用者は時間や予算に応じて計算量を調整できます。

GIFTを使ったモデルは、正解形状との整合性で競合手法を上回りました。研究チームは今後、製造しやすさの向上や大規模モデルへの適用を目指します。試作の高速化とコスト削減により、AI設計ツールが日常のエンジニアリングに近づくと期待されます。

Yann LeCun氏率いる世界モデル新興企業AMI LabsのCEO、Alexandre LeBrun氏は、業界が競って掲げる「AGI」や「超知能」という言葉を使わないとTechCrunchのインタビューで語りました。同氏は先週、機械学習の国際会議ICMLが開かれた韓国ソウルを訪れ、産業パートナーを探していました。「AGIという言葉は一度も使ったことがない」と述べ、超知能についても「良い定義がなく、あまり役に立つ言葉ではない」と距離を置いています。

世界モデルは、次の単語を予測するLLMとは異なり、物理法則を取り込んで世界の次の状態を予測する技術です。「テーブルからグラスを押せば傾いてこぼれると分かる。その直感を捉えるのが世界モデルだ」とLeBrun氏は説明します。両者は置き換えではなく補完関係にあり、言語処理はLLMが、現実世界の理解は世界モデルが担うといいます。

最も期待される応用先がロボティクスです。現在のロボットは決められた動作を繰り返すだけで、AIは物理世界では「本当に愚か」だと同氏は指摘します。ハードウェアの進歩は目覚ましいものの「頭脳がない」状態で、家庭や街中など開かれた環境では「今のロボットは安全ではない」と警鐘を鳴らしました。

AMI Labsはまだ製品を持たない段階ですが、ロボットや半導体、製造業が集まるアジアに照準を定めています。中でも韓国は先進的な産業基盤とAI導入の速さを兼ね備えており、6月には約8800億ドルをチップやAIデータセンター、物理AIに投じる計画を打ち出しました。「初日からここにいたい」と、LeBrun氏は韓国を重視する理由を語ります。

同社はTuring賞受賞者のYann LeCun氏がMetaを離れて共同創業し、3月に10.3億ドルをプレマネー35億ドルの評価額で調達しました。まだ製品も明確な時期も示していませんが、「準備ができたら驚かせる」と同氏は語り、現実世界へのアクセスを握るパートナー探しを急いでいます。

ライブ配信ショッピングのWhatnotは7月15日、リアルタイム推薦・検索技術を持つ機械学習企業のShapedを買収したと発表しました。刻々と在庫やオークションが変わるライブ商取引で、買い手が最適な商品を見つけられるようにする発見・パーソナライズ機能の強化が狙いです。

同社のデータ・AI担当VPであるEmmanuel Fuentes氏は、ライブ商取引を「独特に難しい推薦問題」と位置づけます。在庫が秒単位で変わり、番組が連続的に始まっては終わり、視聴中に買い手の意図も移ろうためです。

Whatnotは過去6年で推薦エンジンの速度を改善し、推薦の遅延をほぼ1日から数分にまで短縮してきました。Shapedの技術を組み込むことで、推薦をさらにリアルタイムへ近づける考えです。同社のシステムは週あたり50万時間超のライブ映像と数百万件の対話を処理しています。

Shapedは顧客データと大規模言語モデル、機械学習を組み合わせ、高度に個人化された検索・発見体験を提供する技術を開発してきました。OutdoorsyやQVCなどを顧客に持ち、創業者でCEOのTullie Murrell氏は約12人のエンジニアや研究者とともにWhatnotへ加わり、新設の応用AI研究グループを率います。

買収は同社の急成長を背景としています。2019年創業のWhatnotは販売者の累計注文が10億件を突破し、昨年はシリーズFで2億2500万ドルを調達、評価額は110億ドル超となりました。eBayやPoshmarkなど再販大手もAI統合を競っており、推薦技術の獲得競争が加速しています。

米新興企業Reelfulは2026年7月15日、カメラロールの写真や動画クリップをTikTokやInstagram Reels風の短尺動画へ自動変換するiOSアプリを公開しました。従来の動画編集ツールを複雑で時間がかかると感じる人に向けた設計で、編集作業を自動化する点が特徴です。創業者は元Snapchatの機械学習エンジニア、Kate Deyneka氏です。

利用の流れはまず、旅行の振り返りや商品デモといった伝えたい物語をプロンプトで入力します。続いて30秒の音声サンプルを録音して音声クローンを作成し、カメラロールから写真や動画を選ぶだけです。あとはReelfulが構成を練り、台本を書き、AIナレーションを付け、字幕や音楽、効果音まで含めた最終編集を組み立てます。

同アプリは静止画をAI生成の動画クリップに変換する機能も備えます。例えばマンゴーを切る人の写真を、実際に果実へ包丁を入れる短い動画へと動かせます。生成された動画にはAI制作であることを示すウォーターマークが付きます。

Deyneka氏は当面のターゲットを、オンライン上の存在感や個人・企業のブランドを継続的に築く必要がある起業家や事業者だと語ります。例えばサービスや顧客の変化に関する素材を多く持ちながら、編集の時間や人手がない店舗が想定顧客です。イベントで撮った短いインタビューを帰宅途中にアップすれば、家に着く頃には動画が完成しているという手軽さを目指しています。

料金は買い切りとサブスクの両方を用意します。動画クレジットは5本15ドルから購入でき、サブスクは月10本の「Creator」が25ドル、月25本の「Pro」が50ドル、月60本の「Studio」が100ドルです。Reelfulは現在a16zのSpeedrunプログラムに参加しており、今後はAndroid版やWeb版の投入も計画しています。

米MIT CSAILとトヨタ・リサーチ・インスティテュートの研究チームは、ロボット訓練用の仮想空間を自動生成するAIシステム「SceneSmith」を開発しました。三つのAIエージェントが連携し、レストランや寝室、ホテルといった3D空間を実物さながらに構築します。成果は先週開かれた機械学習の国際会議ICMLで発表されました。ロボット学習の最大の壁だったデータ不足を、シミュレーションで補う狙いです。

システムの核となるのは、役割の異なる三つのエージェントです。まず「デザイナー」が空間の要素を生成し、「クリティック」が現実的かどうかを助言、「オーケストレーター」が両者のやり取りを取り仕切って完成を判断します。各エージェントは最新の視覚言語モデル(VLM)GPT-5.2を呼び出し、空間の常識を踏まえて設計を進めます。

生成される空間は、従来手法より最大6倍の物体が置かれ、細部まで作り込まれます。研究チームは1,300を超えるシーンを作成し、事前の指示になかった創造的な配置も自動で生まれたといいます。開閉できるキャビネットなど、これまでの手法が苦手としていた可動物体も再現できる点が特徴です。

こうした豊富な仮想環境は、実機を動かす前にロボットの行動計画を検証する場になります。VLMエージェントが各試行を評価したところ、その判定は人間の評価と99%以上一致しました。200人を超えるユーザー調査でも、9割超が他手法より現実的だと答えています。

課題も残ります。各物体を丁寧に精査するため、一つの空間を作るのに数時間かかる点です。研究チームは計算資源を増やせば効率が大きく改善するとみており、スポンジのような変形する物体への対応も視野に入れています。

AIスタートアップのFundamentalは2026年2月、表形式データに特化した基盤モデル「NEXUS」を発表し、2億7500万ドルの資金を得てステルスを脱しました。同モデルは大規模表形式モデル（LTM）と呼ばれ、6月にはAWSがAmazon SageMakerへ組み込むなど採用が広がっています。表計算データを扱えなかった生成AIの弱点を埋める新技術として注目されます。

ChatGPTやClaude、Geminiの基盤であるLLMは、文章や画像の生成には長けるものの、行と列で構成される構造化データの分析を苦手としてきました。言語が語順という並びに意味を持つのに対し、表データは列や行の順序を入れ替えても意味が変わりません。この非連続な性質が、次の値を予測するLLMの仕組みと相性が悪いのです。

金融取引の不正判定などでは、入力がわずかに変わるたびに出力が揺れるLLMの特性が問題になります。Fundamentalのフレンケル最高経営責任者は、予測は常に決定論的であるべきだと指摘します。表データの世界では再現性が信頼の前提となるためです。

LTMは15年以上使われてきたXGBoostのような機械学習と異なり、多様なデータベースでの事前学習を生かして幅広い予測タスクに応用できます。各データの数値だけでなく、それが何を表し、他の項目とどう関係するかを同時に学ぶ点が特徴です。Fundamentalは数十億の表でNEXUSを学習させ、機密計算基盤により顧客データには一切触れない設計としました。

開発競争も熱を帯びています。3月には不正対策のFeedzaiとMastercardが金融特化モデルを、6月末にはGoogleが合成データで学習した「TabFM」を投入しました。研究者らもFlexTabやTabICLなど新モデルを相次ぎ発表しており、表データ分析の自動化が今後の主戦場になりそうです。

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。

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。

マサチューセッツ工科大学（MIT）は2026年7月7日、理論素粒子物理学者のJesse Thaler教授を核科学研究所（LNS）の新所長に任命したと発表しました。就任は8月1日付で、10年間所長を務めたBolek Wyslouch教授の後任となります。Thaler教授は量子場理論と機械学習を組み合わせ、基礎物理学の未解決問題に挑む研究で知られています。

理学部長のNergis Mavalvala氏は、Thaler教授が大型ハドロン衝突型加速器における粒子ジェット研究で先駆的な成果を上げ、AIと機械学習を素粒子物理学に融合する分野のリーダーだと評価しています。科学がAI駆動の発見という新時代に入るなか、その協調的な研究姿勢がLNSに貢献するとの期待を示しました。

Thaler教授は2020年から、全米科学財団（NSF）が支援するAI研究所IAIFIの初代所長を務めてきました。同研究所は先ごろ、さらに5年間の支援継続が決まったばかりです。IAIFI所長の後任には、物理学教授のMike Williams氏が就く予定です。

LNSは今後、エネルギー省（DOE）のGenesis Missionを通じた新規プロジェクトの推進も見込んでいます。同ミッションはAIを活用した科学的発見に重点を置いています。Thaler教授は、衝突実験の膨大なデータ処理や理論計算にAIアルゴリズムが不可欠になりつつあり、その技術は物理学の枠を超えて価値を持つと語ります。

1946年に設立されたLNSは、現在では宇宙論や重力、場の理論、量子情報科学まで研究領域を広げています。Thaler教授は、IAIFIで培った分野横断型の育成の枠組みをLNSにも持ち込みたいとしています。若手研究者に領域や大学、キャリア段階を超えたつながりを築く自由を与える取り組みです。

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。