MIT（大学・研究機関）に関するニュース一覧

マサチューセッツ工科大学（MIT）のエネルギーイニシアティブ（MITEI）が9月、AIの急拡大で急増するデータセンターの電力需要に対応するため、産学連携の「データセンター・パワー・フォーラム」を設立しました。このフォーラムは、研究者と産業界の専門家を集め、持続可能なデータ駆動型の未来に向けた革新的な電力ソリューションを探求することを目的としています。

AIの利用拡大は、電力インフラに前例のない負荷をかけています。調査機関によれば、世界のデータセンターの電力需要は2030年までに倍以上に増加する見通しです。米国だけでも、全電力消費に占めるデータセンターの割合は2023年の4%から、2030年には9%に達すると予測されており、エネルギー業界にとって喫緊の課題となっています。

この課題に対し、MITEIが設立したフォーラムは、AIの持続可能な成長と電力インフラの強化という二つの目標を追求します。MITEIのディレクターは「AIと送電網のバリューチェーン全体から利害関係者を集め、非商業的かつ協力的な環境で解決策を議論する場を提供する」と述べ、産学連携の重要性を強調しています。

フォーラムの研究対象は多岐にわたります。具体的には、低炭素・ゼロカーボンのエネルギー供給、送電網の負荷運用と管理、電力市場の設計や規制政策などが含まれます。さらに、省電力プロセッサや効率的なアルゴリズム、データセンターの冷却技術といった、エネルギー効率を高めるための技術開発も重要なテーマです。

MITEIはこれまでも、AIを活用した配電の最適化やデータセンターの立地に関する経済性分析など、関連プロジェクトを多数支援してきました。新設されたフォーラムは、これらの既存研究の知見を統合し、より包括的で実用的な解決策を生み出すためのハブとしての役割を担うことが期待されています。

AI技術の発展は、ビジネスの生産性や競争力を飛躍的に高める可能性を秘めています。しかし、その裏側にあるエネルギー問題から目を背けることはできません。今回のMITの取り組みは、技術革新と持続可能性の両立を目指す上で、重要な一歩となるでしょう。

マサチューセッツ工科大学(MIT)の研究者チームが、AIによるコード生成時代を見据えたソフトウェア開発の新たなモデルを発表しました。この「コンセプトと同期」と呼ばれる手法は、複雑なソフトウェアを理解しやすい部品に分割し、その連携ルールを明確化します。これにより、コードの可読性とモジュール性を高め、大規模言語モデル(LLM)による安全で信頼性の高いコード生成を促進することが期待されます。

現代のソフトウェア開発では、一つの機能が複数の箇所に分散する「機能の断片化」が大きな課題でした。例えばSNSの「共有」機能は、投稿や通知、認証など様々なコードに跨がって実装されています。このため、コードの全体像を把握しにくく、一部分の変更が予期せぬ副作用を生むリスクを抱えていました。

新モデルはこの課題を解決します。まず、共有や「いいね」といった機能を独立した部品「コンセプト」として定義します。そして、コンセプト間の相互作用を「同期」という明確なルールで記述します。これにより、開発者は低レベルな連携コードに煩わされることなく、システム全体の動きを直感的に把握できるようになります。

このアプローチの最大の利点は、AIとの親和性にあります。連携ルールを記述する専用言語はシンプルで、LLMが正確にコードを生成しやすくなっています。これにより、AIアシスタントが副作用のリスクを抑えながら新機能を追加するなど、より安全で自動化されたソフトウェア開発への道が開かれるのです。

研究チームは将来的に、検証済みの部品を集めた「コンセプトカタログ」の構築も視野に入れています。開発者はカタログから部品を選び、組み合わせることで開発効率を飛躍的に高められます。ソフトウェアの意図を透明化するこの手法は、AI時代の開発文化を大きく変える可能性を秘めています。

マサチューセッツ工科大学（MIT）とIBMの研究者らが、AIの信頼性、効率性、知識に基づいた推論能力を向上させる複数の研究プロジェクトを推進しています。博士課程の学生が中心となり、LLMの回答の不確実性を評価する新手法や、計算コストを削減する次世代アーキテクチャなどを開発。これらの成果は、より実用的で価値の高いAIモデルを様々な分野へ展開することを目的としています。

企業のAI活用における最大の課題は、その回答が信頼できるかという点です。これに対し、研究チームはLLMの回答の不確実性を評価する新たな手法を開発しました。これは評価用モデル（プローブ）自体の信頼性を測り、誤った警告を防ぎます。さらに、外部のナレッジグラフと連携させ、AIの「幻覚」を抑制する強化学習フレームワークも構築しています。

大規模モデルの運用には膨大な計算コストが伴います。特にTransformerモデルは、入力データが長くなるほど計算量が爆発的に増加する課題を抱えていました。研究チームは線形アテンションなどの技術を採用することでこの問題を解決。より少ない計算資源で、より長いシーケンスを高速に処理できる次世代アーキテクチャの開発を進めています。

人間のように視覚情報を深く理解するAIも研究対象です。あるチームは、グラフやチャートを読み解き、それを生成するPythonコードを出力する合成データセット「ChartGen」を開発。これにより、財務・科学レポートの自動分析が期待できます。また、デザイン画像を基に質感を再現するプログラムを自己改良しながら生成するシステムも構築しています。

これらの研究は、それぞれがAIの核心的な課題に取り組んでいます。信頼性の確保、効率性の向上、そしてマルチモーダルな推論能力の強化は、AIが実験段階を終え、現実世界のビジネスや科学の現場で不可欠なツールとなるための重要な布石です。個々の技術革新が連携し、より強力で費用対効果の高いAIシステムの実現を加速させるでしょう。

マサチューセッツ工科大学（MIT）の研究チームが、ロボット向けに大規模環境の3D地図を高速かつ高精度に作成する新しいAIシステムを開発しました。このシステムは、最新の機械学習と古典的なコンピュータービジョン技術を融合。災害救助や倉庫の自動化など、ロボットが複雑なタスクを遂行する上での大きな障壁を取り除く画期的な成果として注目されます。

従来、ロボットの自己位置推定と地図作製を同時に行う「SLAM」技術は、課題を抱えていました。古典的な手法は複雑な環境で失敗しやすく、最新の機械学習モデルは一度に扱える画像数に限りがあり、大規模な空間の迅速なマッピングには不向きでした。いずれも、専門家による調整や特殊なカメラが必要となる場合が多くありました。

MITの新システムは、AIを用いて環境を小さな「部分地図」に分割して生成し、それらを古典的な手法で結合するアプローチを採用します。最大の革新は、AIが生成する地図の僅かな歪みを、柔軟な数学的変換を用いて補正する点にあります。これにより、大規模な地図でも矛盾なく正確に再構築することが可能になりました。

この手法の性能は目覚ましく、スマートフォンの動画からでも数秒で複雑な空間の3D地図を生成できます。MITの礼拝堂内部を撮影した実験では、再構築された地図の平均誤差は5cm未満という高い精度を達成しました。特殊なカメラや事前の較正が不要で、すぐに利用できる手軽さも大きな利点です。

この技術は、災害現場での救助ロボットのナビゲーション、倉庫内での自律的な物品管理、さらにはVR/ARといった拡張現実アプリケーションの品質向上にも貢献すると期待されています。研究者は、伝統的な幾何学の知見と最新AIの融合が、技術をよりスケーラブルにする鍵だと強調しています。

マサチューセッツ工科大学（MIT）の研究チームが、実世界の課題解決を加速する2つの画期的なAI手法を発表しました。最適なAIモデルを効率的に選ぶ「CODA」と、複雑な問題を高速かつ確実に解く「FSNet」です。これらの技術は、AI導入のボトルネックを解消し、企業の生産性や収益性向上に直結する可能性を秘めています。

AI活用が進む一方、膨大な公開モデルから自社の課題に最適なものを選ぶ作業は大きな壁でした。有名なリポジトリには190万ものモデルが存在し、その評価だけでプロジェクトが停滞することも。この「モデル選択のジレンマ」が、AI実用化の足かせとなっていました。

MITが開発した「CODA」は、この問題を解決します。対話形式で最も情報価値の高いデータへのラベル付けを促すことで、評価作業を劇的に効率化。研究では、わずか25個のサンプルで最適なモデルを特定できたケースもあります。これにより、迅速かつ的確なモデル選択が可能になります。

一方、電力網管理などの最適化問題では、速度と信頼性の両立が課題です。従来の数学的ソルバーは正確ですが時間がかかり、AI予測は高速でも物理制約を破る「実行不可能な解」を出すリスクを抱えていました。失敗が許されない領域では、AIの導入は困難視されてきたのです。

新手法「FSNet」は、AIの速度と従来手法の信頼性を融合させました。まずAIが最適解を高速に予測し、次にその予測値を基に従来のソルバーが制約条件を100%満たすように解を微調整します。この2段階アプローチにより、従来比で数倍の速度向上と、実行可能性の完全な保証を両立させました。

これらの手法は具体的な成果を上げています。「CODA」は野生動物の画像分類で有効性を実証し、「FSNet」は電力網最適化で従来手法を凌駕する性能を示しました。応用範囲は生態系保護から金融、製造業まで、あらゆる産業の意思決定を変革する可能性を秘めています。

「CODA」と「FSNet」は、AIを単なる予測ツールから、現実世界の複雑なオペレーションを支える信頼性の高いパートナーへと引き上げるものです。AI導入の障壁を下げ、その価値を最大化するこれらの研究は、企業の競争力を左右する重要な鍵となるでしょう。今後のビジネス実装への展開が期待されます。

マサチューセッツ工科大学（MIT）の研究室が、生成AIの急速な普及に直面する米国のK-12（幼稚園から高校まで）教育機関向けに、AI導入の指針となるガイドブックを公開しました。この手引書は、教育者がAIを授業に統合する際の複雑な課題に対応し、拙速な結論を避け、建設的な議論を促すことを目的としています。

ガイドブック「学校におけるAIへのガイド」は、100人以上の教員や生徒からの意見を基に作成されました。研究を主導したジャスティン・ライク準教授は、AI導入において「謙虚な精神」を提唱しており、本書が唯一の正解を示すものではないと強調しています。

教育現場では、AIの利用に伴う学問的誠実性の確保やデータプライバシーの維持といった課題が山積しています。特に、生徒がAIを使って「生産的な思考」を省略し、本来の学習機会が失われることへの懸念が強く示されています。

ライク氏は、過去の教育テクノロジー導入の失敗を教訓にすべきだと指摘します。例えば、スマートボードは学習効果が証明されず、ウェブサイトの信頼性に関する初期の指導は誤っていたことが判明しました。AIに関しても性急なルール作りを避けるべきだと警鐘を鳴らします。

AIが過去の技術と異なるのは、学校の正式な導入プロセスを経ず、「子供たちのスマートフォンに突然現れた」点です。このため教育モデルは急速な変革を迫られており、現場の教師の不安は従来技術の比ではないとされています。

研究室ではガイドブックに加え、ポッドキャストシリーズも制作。学術出版の長いサイクルを待たずに、現場の課題に即応した情報共有を目指しています。これにより、教育者間で解決策を迅速に共有・評価することが可能になります。

最終的な目標は「最初」の答えではなく「正しい」答えを見つけることです。ライク氏は、教師や生徒、保護者など多様な関係者が協力し、時間をかけて解決策を練り上げる重要性を訴えています。「AIが何であるか、まだ誰も分かっていないのです」と。

Googleは2025年10月28日、同社の生成AI「Gemini for Education」が、米国の1000以上の高等教育機関で導入され、1000万人以上の学生に利用されていると発表しました。学習支援から就職活動まで幅広く活用されており、教育現場におけるAIの浸透が急速に進んでいます。

導入機関にはマサチューセッツ工科大学（MIT）やブラウン大学といった名門校も含まれます。Googleは、教育機関向けにデータ保護を強化したAIツールを無償で提供しており、これが急速な普及を後押ししていると考えられます。

学生や教員は、Geminiを用いて試験対策用の小テストを作成したり、研究プロジェクトで必要な情報を要約・分析したりしています。また、寮の部屋のデザイン案や就職活動用の証明写真を生成するなど、学業以外でのクリエイティブな活用も広がっています。

今後は、簡単な指示（プロンプト）だけでプレゼンテーション資料を自動で作成し、Googleスライドにエクスポートする機能などが追加される予定です。これにより、学生や教員の生産性はさらに向上すると期待されます。

「Gemini for Education」と研究ノートツール「NotebookLM」は、教育機関が利用する生産性向上スイートの種類を問わず、無償で導入可能です。GoogleはAI人材育成も視野に入れ、教育分野でのエコシステム構築を急いでいます。

中国のAIスタートアップMiniMaxが27日、最新の大規模言語モデル（LLM）「MiniMax-M2」を公開しました。第三者機関の評価でオープンソースLLMの首位に立ち、特に自律的に外部ツールを操作する「エージェント性能」で独自モデルに匹敵する能力を示します。商用利用可能なライセンスと高い電力効率を両立し、企業のAI活用を加速させるモデルとして注目されます。

第三者評価機関Artificial Analysisの総合指標で、MiniMax-M2はオープンソースLLMとして世界1位を獲得しました。特に、自律的な計画・実行能力を測るエージェント関連のベンチマークでは、GPT-5やClaude Sonnet 4.5といった最先端の独自モデルと肩を並べるスコアを記録。コーディングやタスク実行能力でも高い性能が確認されています。

M2の最大の特長は、企業での導入しやすさです。専門家の知識を組み合わせる「MoE」アーキテクチャを採用し、総パラメータ2300億に対し、有効パラメータを100億に抑制。これにより、わずか4基のNVIDIA H100 GPUでの運用を可能にし、インフラコストを大幅に削減します。さらに、商用利用を認めるMITライセンスは、企業が独自に改良・展開する際の障壁を取り払います。

高いエージェント性能を支えるのが、独自の「インターリーブ思考」形式です。モデルの思考プロセスがタグで明示されるため、論理の追跡と検証が容易になります。これは、複雑なワークフローを自動化する上で極めて重要な機能です。開発者は構造化された形式で外部ツールやAPIを連携させ、M2を中核とした高度な自律エージェントシステムを構築できます。

M2の登場は、オープンソースAI開発における中国勢の台頭を象徴しています。DeepSeekやアリババのQwenに続き、MiniMaxもまた、単なるモデルサイズではなく、実用的なエージェント能力やコスト効率を重視する潮流を加速させています。監査や自社でのチューニングが可能なオープンモデルの選択肢が広がることは、企業のAI戦略に大きな影響を与えるでしょう。

マサチューセッツ工科大学（MIT）の研究チームが、人工知能（AI）の膨大なエネルギー消費問題を解決する新技術を開発しています。人間の脳の情報処理メカニズムを模倣した「ニューロモーフィックコンピューティング」に基づき、消費電力を大幅に削減するデバイスを研究。この成果は、AIの持続可能性を高め、計算コストという産業界の大きな課題に光明を投じるものとして注目されます。

なぜ脳の仕組みが重要なのでしょうか。現在のコンピュータは、情報を処理する場所と記憶する場所が分かれているため、データのやり取りに多くのエネルギーを消費します。一方、人間の脳ではニューロン間の接続部「シナプス」で情報処理と記憶が同時に行われます。この圧倒的な効率性を再現することが、省エネAI実現の鍵となります。

研究の中心は「電気化学的イオンシナプス」と呼ばれる微小デバイスです。研究チームは、タングステン酸化物にマグネシウムイオンを出し入れすることで、電気の通りやすさ（抵抗）を精密に制御。これにより、脳のシナプスが信号の強弱を調整するように、デバイスの特性を自在に「チューニング」できるといいます。

この脳型コンピューティング技術は、AIの運用コストを劇的に下げる可能性を秘めています。特に大規模言語モデルの学習や運用にかかる電力は、企業の収益性を圧迫する要因となりつつあります。MITの研究は、エネルギーという制約からAIを解放し、より広範な社会実装を後押しする画期的な一歩と言えるでしょう。

20歳の大学中退者2人が創業したAIノートアプリ「Turbo AI」が、ローンチから1年足らずでユーザー数500万人、年間経常収益8桁ドル（数千万ドル規模）を達成し、急成長を遂げています。もともとは創業者が自身の「講義を聞きながらメモが取れない」という課題を解決するために開発。学生間の口コミで広がり、現在では毎日2万人の新規ユーザーを獲得する人気サービスとなっています。

Turbo AIの強みは、単なる文字起こしに留まらないインタラクティブ性にあります。講義の録音はもちろん、PDFやYouTube動画からもノートやフラッシュカード、クイズを自動生成。内蔵のチャットアシスタントが専門用語を解説するなど、能動的な学習を支援する機能が学生の心を掴みました。

この成功の裏には、創業者らの巧みな戦略があります。友人間の共有から始まり、デューク大学やノースウェスタン大学、さらにはハーバード大学やMITといった名門校へ口コミで自然に拡大。創業者の1人であるArora氏が持つ、SNSを活用したバイラル成長のノウハウが、この急拡大を後押ししたと言えるでしょう。

ユーザー層は学生だけではありません。「Turbolearn」から「Turbo AI」へとサービス名を変更したことにも表れているように、現在ではコンサルタントや弁護士、医師などの専門職にも利用が拡大しています。報告書をアップロードして要約を作成したり、通勤中に聞くためのポッドキャストに変換したりと、ビジネスシーンでの活用も進んでいます。

多くのAIスタートアップが大規模な資金調達を行う中、同社は堅実な経営を貫いています。これまでの資金調達は75万ドルのみ。にもかかわらず、創業以来キャッシュフローは黒字を維持し、利益を出し続けています。ロサンゼルスに拠点を置く15人の少数精鋭チームで、顧客のニーズに密着した開発を進めています。

競合がひしめく市場で、Turbo AIは手動のメモツールと完全自動のツールとの中間的な立ち位置で差別化を図ります。AIに任せるだけでなく、ユーザーがAIと共同でノートを作成できる点が特徴です。今後も学生の価格感度を考慮した料金体系を模索しつつ、さらなる成長を目指しています。

マサチューセッツ工科大学（MIT）は10月22日、同大学の教員2名と卒業生3名の計5名が、米国医学アカデミー（NAM）の新会員に選出されたと発表しました。NAM会員への選出は健康と医学の分野で最高の栄誉の一つとされ、卓越した専門的業績と貢献が認められた形です。特にAIを活用した医療技術や免疫学研究での功績が高く評価されました。

選出されたディナ・カタビ教授は、AIと無線信号を用いて身体に触れることなく健康状態を遠隔監視する画期的なデジタルヘルス技術を開発しました。この技術はパーキンソン病の進行検知などに応用され、臨床試験における客観的で高感度なデータ測定を可能にした点が評価されています。

同じく選出されたファクンド・バティスタ教授は、抗体を産生するB細胞の生物学を解明し、免疫システムが感染症にどう反応するかについての理解を深めました。その研究は、HIV、マラリア、インフルエンザといった世界的に重要な疾患に対するワクチンや治療法の開発を大きく前進させています。

このほか、MITの卒業生であるクリストファー・S・チェン氏、マイケル・E・マセニー氏、レベッカ・R・リチャーズ-コータム氏の3名も会員に選ばれました。いずれもハーバードMIT健康科学技術プログラムの出身者で、各分野での顕著な貢献が認められています。

米国医学アカデミーは1970年に設立され、健康、科学、医療に関する重要課題に取り組んでいます。NAMのビクター・ザウ会長は「彼らの卓越した功績は、我々が直面する最も差し迫った健康課題に取り組む能力を決定的に強化するだろう」と、新会員への期待を表明しました。

AIユニコーン企業Cohereの元AI研究責任者サラ・フッカー氏が、新会社「Adaption Labs」を設立しました。同社は、計算資源を大量に投下する巨大AIモデル開発競争に異議を唱え、実世界の経験から継続的に学習する、より効率的な「適応型AI」の開発を目指します。この動きは、業界で主流となっているスケーリング一辺倒の方針に一石を投じるものとして注目されています。

フッカー氏は、現在のAI開発を「魅力的だが退屈」と指摘。計算能力を増強するだけでは、世界と対話できる真の知能は生まれないとの考えです。性能向上のためのコストが非効率なレベルに達し、限界が近いと警鐘を鳴らしています。

Adaption Labsが目指すのは、導入後もリアルタイムで間違いから学ぶAIです。現在のAIは本番環境での自己改善が難しく、高額な再調整が必須でした。同社はAIが環境から効率的に学習できることを証明し、この課題を解決します。具体的な技術は非公開です。

業界全体でも、スケーリング信仰は揺らぎ始めています。MITの研究では巨大AIモデルの「収穫逓減」が指摘され、著名研究者からもLLMの限界を問う声が上がっています。AI開発は新たなブレークスルーを模索する時期に差し掛かっているのかもしれません。

Adaption Labsは、最大4000万ドルのシードラウンドを完了したと報じられています。フッカー氏はCohere在籍時、特定用途向けの小型モデルで高い性能を出す実績があります。サンフランシスコを拠点に、世界中から人材を集める方針です。

フッカー氏の挑戦が成功すれば、AI開発の主導権が巨大企業から分散するかもしれません。誰もがAIを安価に、そして継続的に賢くできる時代の到来です。Adaption Labsは、AIが誰のために存在するのかという根源的な問いを投げかけています。

生成AIの急速な普及に伴い、その利用が人間の認知能力、特に批判的思考に与える影響について懸念が高まっています。米マサチューセッツ工科大学（MIT）やマイクロソフトの最新研究では、知識労働者がAIに頼ることで認知的な努力を減らす傾向が報告されました。これは生産性向上の一方で、思考力低下という新たなリスクを示唆しており、ビジネスリーダーや技術者にとって見過ごせない課題となっています。

新技術の登場は、常に人間の能力を衰えさせるという不安を伴ってきました。かつて新聞やテレビが思考力を奪うと危惧されたように、AIに対しても同様の「モラルパニック」ではないかという見方もあります。しかし、今回のAIがもたらす変化は、単なる情報伝達手段の変革とは質が異なる可能性も指摘されており、慎重な検証が求められます。

マイクロソフトなどの研究が示すのは、AIを頻繁に利用する人々が、自ら深く考えることを意識的に避けるようになる可能性です。タスクをAIに「丸投げ」することで、短期的な効率は上がるかもしれません。しかしその代償として、問題の本質を見抜く力や、多角的な視点から判断する批判的思考力が鈍るリスクが懸念されています。

この現象は、特定の専門分野でも報告されています。例えば、AIによる画像診断支援システムに過度に依存した結果、一部の医師のがん検出能力がかえって低下したという事例もあります。これは、AIの回答を鵜呑みにし、自らの専門知識や直感を働かせなくなる「自動化バイアス」の一例と言えるでしょう。

もちろん、AIが人間の知性を拡張する強力なツールであることも事実です。重要なのは、AIを思考の「代替」ではなく、思考を深めるための「パートナー」として位置づけることです。経営者やリーダーは、AI導入による生産性向上と、従業員の思考力維持・向上のバランスをどう取るかという、新たな経営課題に直面しています。

この分野の研究はまだ始まったばかりであり、長期的な影響については未知数です。AIとの共存が常識となる社会で、私たちはどのように自らの思考力を鍛え、維持していくべきか。技術の進化と並行して、人間側のリテラシー教育や利用ガイドラインの策定が急務となるでしょう。

マサチューセッツ工科大学（MIT）とIBMが共同で運営する「MIT-IBM Watson AI Lab」は、AI開発の新たな方向性を示しています。設立8周年を迎えた同ラボは、巨大な基盤モデルから、より小さく効率的でタスクに特化したモデルの開発に注力。研究と実用化のギャップを埋め、産業界でのAI活用を加速させることを目指します。これは、AIプロジェクトの多くが概念実証（PoC）で頓挫する現状への明確な回答と言えるでしょう。

この産学連携は目覚ましい成果を上げています。これまでに特許54件を出願し、論文の引用数は12万8000件を超えました。さらに、ヘルスケアや金融、化学など多岐にわたる分野で50件以上の産業ユースケースを創出。AI画像技術によるステント留置の改善や、計算コストの大幅な削減など、具体的なイノベーションを生み出し続けています。

なぜ今、「小型・効率化」が重要なのでしょうか。調査会社ガートナーによると、生成AIプロジェクトの少なくとも30%が2025年末までに概念実証（PoC）の段階で中止されると予測されています。多くの企業がAIへの期待を抱きつつも、価値ある成果に繋げられていないのです。同ラボは、この研究と実用の間の「死の谷」を埋める役割を担っています。

小型化の鍵を握るのが、`once-for-all`や`AWQ`といった革新的な技術です。これらの手法は、モデルのアーキテクチャを最適化し、性能を維持したままサイズを圧縮します。これにより、スマートフォンなどのエッジデバイス上でもAIを高速に実行できるようになります。遅延を減らし、リアルタイムでの応用範囲を大きく広げる可能性を秘めています。

さらに、少ないデータで賢く学習する技術も進化しています。例えば`COAT`（Chain-of-Action-Thought）と呼ばれる手法は、AIが自らの推論プロセスを反復的に自己修正することで、より正確な答えを導き出します。これは、限られた計算資源とデータで、現実世界の複雑な課題を解決するための重要なアプローチです。

これらの研究成果は、IBMのプラットフォーム`watsonx`などを通じて実用化されています。一例が、コンパクトながら高精度な文書理解能力を持つ`Granite Vision`モデルです。企業が保有する膨大な文書から、信頼性の高い情報を抽出し、要約するニーズに応えます。

MIT-IBM Watson AI Labが目指すのは「有用で効率的な知能」の創出です。巨大モデルの開発競争から一歩進み、目的に合わせて最適化されたAIこそが、真の経済的・社会的価値を生み出すと彼らは考えています。この産学連携の取り組みは、AIの実用化を目指す全ての企業にとって、重要な指針となるでしょう。

AI PCの登場が、ビジネスにおける「生産性」の定義を根底から変えようとしています。マサチューセッツ工科大学（MIT）の研究で生成AIが人間の創造性を高めることが示される中、NPU（Neural Processing Unit）を搭載した次世代PCがその能力を最大限に引き出します。デバイス上でAI処理を完結させることで、低遅延、高セキュリティ、省エネを実現し、単なる効率化ツールを超えた価値を提供し始めています。

企業のIT意思決定者の45%が、すでにAI PCを創造的な業務支援に活用しています。しかし、一般の知識労働者における同目的での利用率は29%にとどまり、組織内で「クリエイティブ格差」が生じているのが現状です。この格差を埋めることが、AI PCのポテンシャルを全社的に引き出す鍵となります。

AI PCは、従業員が創造的な作業に集中できる環境を整えます。専用のNPUがAI関連の負荷を担うため、ユーザーは思考を中断されることなく、アイデア創出に没頭できます。これにより、バッテリー寿命が延び、待ち時間が減少。デザイン、動画制作、資料作成など、あらゆる業務でリアルタイムの試行錯誤が可能になります。

この創造性の向上は、具体的な事業成果に直結します。マーケティング部門では、数週間かかっていたキャンペーン素材を数時間で生成。技術部門では、設計や試作品開発のサイクルを大幅に短縮しています。営業担当者は、オフラインの顧客先でもパーソナライズされた提案書を即座に作成でき、案件化のスピードを高めています。

最終的に、AI PCは従業員の働きがいをも向上させます。HPの調査では、従業員が仕事に健全な関係を築く上で最も重要な要素は「充実感」であることが示されています。単なるタスク処理ではなく、創造性を発揮できるツールを与えることは、生産性、満足度、定着率の向上につながるのです。

CIO（最高情報責任者）にとって、AI PCの導入は単なる機器の高速化ではありません。その真価は、従業員の創造性を解放し、新たなアイデアや協業、競争力を生み出す企業文化を醸成することにあります。AI PCをいかに活用し、組織全体の創造性を高めるかが、今後の成長を左右するでしょう。

マサチューセッツ工科大学（MIT）とアドビの研究チームが、衣服を自在に組み替えられる革新的なデザインソフトウェア「Refashion」を発表しました。このツールは、デザインを小さなモジュールに分解し、ズボンをドレスに変えるといった再構成を可能にします。ファッション業界が抱える年間9200万トンもの繊維廃棄物問題に、テクノロジーで挑む画期的な試みです。

「Refashion」の最大の特徴は、デザインのモジュール化です。ユーザーは専用の描画ツールでパーツを描き、それらをパズルのように組み合わせるだけで設計図が完成します。テンプレートも用意されており、Tシャツやパンツなどの基本的なアイテムを元に、直感的なカスタマイズが可能です。

このシステムでは、プリーツやダーツといった専門的なデザイン技法も簡単に取り入れられます。これにより、体にフィットするシャツや、ふんわりとしたスカートなど、デザインの幅が大きく広がります。単なる機能性だけでなく、創造性を刺激するツールとしての側面も持ち合わせています。

パーツの接合には、縫製だけでなく金属スナップやベルクロといった再利用可能な方法を推奨しています。これにより、誰でも簡単にパーツの付け外しや交換ができます。ダメージを受けた部分だけを修理したり、気分に合わせてスタイルを変えたりすることが、手軽に行えるようになります。

デザインした衣服は、2Dのマネキン上でレイアウトを確認後、様々な体型の3Dモデルで着用シミュレーションが可能です。これにより、実際に制作する前にフィット感や見た目を正確に把握できます。初心者でもわずか30分で試作品を完成させられる手軽さも実証されています。

この取り組みは、服のライフサイクルを根本から変える可能性を秘めています。トレンドの移り変わりや体型の変化に合わせて服を買い替えるのではなく、手持ちの服を再構成する文化を創造します。サステナビリティが経営の重要課題となる中、廃棄を前提としない新しいものづくりの形を示しています。

チームは今後、より丈夫な生地への対応や曲線パネルなどの新機能追加、さらには古着を「リミックス」する機能も検討しています。コンピューター支援設計が持続可能なファッション業界の実現を後押しする、先進的な事例として注目されます。

マサチューセッツ工科大学(MIT)の研究チームが、生成AIが特定の「個人化された物体」を正確に識別する新しい学習手法を開発しました。ビデオ映像の連続フレームから文脈を学習させ、物体の特定精度を最大21%向上させることに成功。既存AIの汎用能力を損なうことなく、特定のペットや持ち物の追跡、さらには視覚障害者向け支援技術など、幅広い分野への応用が期待されます。

GPT-5のような最新の視覚言語モデル(VLM)は、「犬」のような一般的な物体は高精度で認識できます。しかし、多くの犬の中から特定の飼い犬「ポチ」だけを見つけ出すような、個体を識別するタスクは苦手としていました。これは、AIが一般的な知識に頼りがちで、提示された文脈から個別の特徴を捉える能力が不足していたためです。

この課題を克服するため、研究チームは新しいデータセットを構築しました。同じ物体が様々な状況で映っているビデオ追跡データを活用。これにより、AIは単一の画像ではなく、連続した文脈の中から対象物を一貫して特定する能力を学びます。これは、人間が状況から物事を判断するプロセスに似たアプローチです。

さらに研究チームは、AIが既存知識に頼って「ずる」をするのを防ぐための工夫を凝らしました。例えば、トラの映像を学習させる際に「トラ」というラベルを使わず、「チャーリー」といった偽名を割り当てました。これにより、AIは名前から推測できなくなり、純粋に映像の文脈情報だけに集中して個体を識別せざるを得なくなります。

この手法で再学習させたモデルは、個人化された物体の位置特定タスクにおいて、最先端システムを上回る性能を示しました。精度は平均で約12%、偽名を用いたデータセットでは最大21%も向上。特に、モデルの規模が大きくなるほど性能向上の幅も広がる傾向が確認されており、今後のAI開発に大きな影響を与えそうです。

この技術は、実社会の様々な場面で役立つ可能性があります。例えば、子どもがなくしやすい持ち物を追跡するシステムや、生態系調査で特定の動物を監視するツール、あるいは視覚障害者が室内で特定の物を見つけるのを助ける支援技術などです。AIがより人間のように文脈を理解する、重要な一歩と言えるでしょう。

マサチューセッツ工科大学（MIT）の研究チームが、AI業界の主流であるモデルの巨大化戦略が近く「収益逓減の壁」に直面する可能性を指摘する研究を発表しました。計算資源の拡大による性能向上と、アルゴリズムの効率化による性能向上を比較分析したもので、現在の巨大なインフラ投資ブームに一石を投じる内容となっています。

研究によると、今後5年から10年の間に、アルゴリズムの効率化が進むことで、より少ない計算資源で動く小規模なモデルが、巨大モデルの性能に追いつき始めると予測されています。特に、推論能力を重視する最新モデルにおいて、この傾向は顕著になると分析。単純な規模拡大だけでは、競争優位性を保つのが難しくなるかもしれません。

この予測は、OpenAIなどが進める数千億ドル規模のAIインフラ投資とは対照的です。業界は計算能力のさらなる増強を目指していますが、専門家からはその持続可能性を疑問視する声も上がっています。特に、投資の大部分を占めるGPUは技術の進歩が速く、資産価値が急速に下落するリスクを抱えています。

もちろん、巨大テック企業の投資には、生成AIツールの需要爆発を見越した先行投資や、特定の半導体メーカーへの依存度を下げたいといった戦略的な狙いもあります。しかし、MITの研究は、業界がスケール一辺倒の戦略を見直す時期に来ていることを示唆しています。

これからのAI開発では、計算資源の拡大と並行して、より効率的なアルゴリズムを開発することの重要性が増すでしょう。ハードウェアへの投資だけでなく、ソフトウェアやアルゴリズムの革新にも目を向けることが、長期的なイノベーションの鍵を握ることになりそうです。

マサチューセッツ工科大学（MIT）は、音楽教育とテクノロジーの融合を切り拓いたジャンヌ・シャピロ・バンバーガー名誉教授が、2024年12月12日にカリフォルニア州バークレーの自宅で100歳で逝去したと発表しました。バンバーガー氏は、MITのAIラボで研究を行い、コンピュータ言語を用いて音楽学習の方法に革新をもたらしたことで知られています。その功績は現代のAIと教育の分野にも大きな示唆を与えています。

バンバーガー氏の最大の功績は、テクノロジーを音楽教育に応用した点にあります。1980年代には、当時最先端であったMITの人工知能（AI）ラボに所属し、子供たちが音楽を直感的に学べる独自のコンピュータ言語「MusicLogo」や「Impromptu」を開発。これは、人間がどのように音楽を学び、理解するのかという根源的な問いを探求する彼女の生涯の研究の中核をなすものでした。

彼女は学問の世界における真のパイオニアでした。MITの音楽・演劇芸術部門で初めてテニュア（終身在職権）を獲得した女性教員となり、後進の女性研究者に道を拓きました。また、その活動は学内に留まらず、ジャズ界の巨匠ハービー・ハンコック氏と共同研究を行うなど、分野の垣根を越えて音楽と知性の可能性を追求し続けました。

彼女の情熱と探究心は、多くの同僚や学生に深い影響を与えました。同僚のエヴァン・ジポリン教授は「彼女がいなければ今日のMIT音楽部門はなかった」と語ります。また、教え子の一人で現在はキングス・カレッジ・ロンドンの教授を務めるエレイン・チュー氏は「彼女は自分で考える力、主体性を育むよう導いてくれた」と振り返っており、その教育者としての姿勢が高く評価されています。

2002年にMITの名誉教授となった後も、カリフォルニア大学バークレー校で教鞭を執るなど、90代まで精力的に活動を続けました。彼女が長年提唱してきた新しい音楽棟の建設や大学院プログラムの設立は、近年ついに実現。バンバーガー氏が遺した先進的なビジョンは、今もなおMITで息づき、未来の音楽とテクノロジーの発展を支えています。

マサチューセッツ工科大学（MIT）の研究者が、AI、神経科学、音楽を融合させ、メンタルヘルス向上を目指す革新的な研究を進めています。自身の音楽家としての経験から着想を得て、音楽が心身に与える強力な影響を科学的に解明。非薬物的な治療法として、AIを活用した音楽ツールの臨床応用や実用化に挑んでいます。

研究の中心人物は、計算論的神経科学者で音楽家でもあるキマヤ・レカムワサム氏です。同氏は、音楽が不安などに与える生理的・心理的影響を研究する「ファーマミュージコロジー」という概念を提唱。自身の経験から音楽が自己表現や精神的安定にいかに重要かを実感し、その科学的根拠の解明を志しました。

研究の鍵を握るのがAI技術の活用です。レカムワサム氏は、AIが生成した音楽と人間が作曲した音楽が、人々の感情にどのような違いをもたらすかを比較分析しています。これにより、人間の創造性を尊重しつつ、個人の感情に寄り添う音楽を生成・推薦する倫理的なシステムの構築を目指します。

研究は学内にとどまりません。カーネギーホールと協力し、音楽がウェルビーイングに与える影響を評価するコンサートを実施。また、企業と連携し、スタジアム規模のライブ音楽体験が観客の感情に与える効果を、インタラクティブ照明などの技術を用いて測定するプロジェクトも進行中です。

この研究は、音楽を単なる娯楽から、科学的根拠に基づく「処方箋」へと昇華させる可能性を秘めています。将来的には、心理療法や薬物療法と組み合わせた新たな治療介入としての確立が期待されます。AIと音楽の融合が、私たちの心の健康を支える未来は、そう遠くないのかもしれません。

マサチューセッツ工科大学（MIT）発のスタートアップ「Watershed Bio」が、プログラミング不要で複雑な生命科学データを解析できるクラウド基盤を開発しました。ゲノム解析などが身近になる一方、膨大なデータを扱える専門家不足が課題でした。同社のノーコードプラットフォームは、生物学者が自らデータを扱い、新薬開発などの研究を加速させることを目指します。

近年、診断・シーケンシング技術のコストが劇的に低下し、研究現場では前例のない量の生物学データが蓄積されています。しかし、そのデータを新薬開発などに活かすには、ソフトウェア技術者の協力が不可欠で、研究のボトルネックとなっていました。

Watershedのプラットフォームは、専門家でなくとも直感的に操作できる点が強みです。ゲノムやタンパク質構造解析など、一般的なデータ種別に対応したワークフローのテンプレートを提供。これにより、研究者はコーディング作業から解放され、本来の科学的探究に集中できます。

さらに、AlphaFoldやGeneformerといった最新のAIツールもプラットフォーム上で手軽に利用できます。科学誌で発表された最先端の解析手法が即座にテンプレートとして追加されるため、研究者は常に業界の最前線で実験を進めることが可能です。

創業者のジョナサン・ワン氏は、かつて金融業界で同様の課題に直面しました。研究者とエンジニアの連携非効率を解決した経験が、この事業の着想に繋がっています。「生物学者をソフトウェアエンジニアにする必要はない」と同氏は語ります。

同社の目標は、科学的発見の速度を10倍から20倍に引き上げることです。すでに大手製薬会社から小規模な研究チームまで、学術界と産業界の双方で導入が進んでいます。研究の次のステップを迅速に判断するための、強力なツールとなっています。

マサチューセッツ工科大学（MIT）の研究チームが、材料の品質管理を革新する生成AI「SpectroGen」を開発しました。仮想の分光計として機能し、1種類のスキャンデータから別種のデータを99%の精度で生成。製造業の品質管理を劇的に高速化・低コスト化する可能性を秘めています。

SpectroGenは、例えば安価な赤外線カメラでスキャンした材料のスペクトルデータを入力するだけで、高価な装置が必要なX線回折のスペクトルデータをAIが自動生成します。これにより、企業は複数の高価な分析機器を揃えることなく、単一の装置で多角的な品質評価が可能になります。

従来、材料の特性を多角的に評価するには、それぞれ専用の高価な装置で測定する必要があり、数時間から数日を要していました。この時間とコストのボトルネックが、新材料や新技術の開発における大きな障壁となっていましたが、SpectroGenはこの課題を根本から解決します。

研究チームは6,000以上の鉱物サンプルデータセットでAIを訓練し、その性能を実証。AIが生成したデータは、物理的な測定器による実データと99%という高い相関性を示しました。さらに、分析時間は従来の数時間から数日かかっていたものが、1分未満にまで短縮されることも確認されています。

この技術は、半導体やバッテリー、医薬品などの製造ラインにおける品質管理はもちろん、病気の診断支援や持続可能な農業分野への応用も期待されています。研究チームはスタートアップを設立し、防衛分野まで含めた幅広い産業への技術展開を目指しています。

マサチューセッツ工科大学（MIT）の研究者が、デジタルプラットフォームと最適化アルゴリズムを用い、食糧補助金の栄養面での効果を最大化する新手法を開発しています。インドの小規模食料品店から得た購買データに基づき、個人の嗜好をモデル化。これまでの画一的な支援とは一線を画す、データ駆動型のアプローチで食糧安全保障という世界的課題に挑みます。

世界では6億7千万人以上が飢餓に苦しむ一方、肥満も深刻化しており、食糧支援のあり方が問われています。従来の補助金制度は、長期的な栄養改善への効果測定が難しく、特に低・中所得国ではデータ収集のインフラが未整備なため、低所得者層の真のニーズを把握しきれていないのが実情でした。

この課題に対し、研究チームはインドの小規模店舗にPOSスキャナーを導入して購買データを収集。その取引データを基に、個人の「隠れた好み」を解析する独自のアルゴリズムを開発しました。これにより、各個人の需要動向を予測し、提供する食料品の多様性や量、価格などを調整する最適化モデルを構築します。

この研究の最終目標は、最適化という新たな方法論を食糧支援政策に導入することです。これまで政策は、専門家の知見や政治的判断に大きく依存してきました。ここにデータに基づく厳密なエビデンスを加えることで、より効果的で効率的な政策立案が可能になると期待されています。

実用化には、大規模なデータ収集に伴うコストやインフラの壁といった課題も残ります。研究チームは、今回のパイロット研究で得られた知見を活かし、より費用対効果の高いデータ収集方法を模索する計画です。このアプローチが、食糧支援のあり方を根本から変革する一歩となるか、今後の展開が注目されます。

マサチューセッツ工科大学（MIT）の研究チームが、大規模言語モデル（LLM）が自らを改善する技術「SEAL」の改良版を公開し、AIの自律的な進化が現実味を帯びてきました。この技術は、LLMが自ら合成データを生成してファインチューニングを行うことで、外部からの継続的なデータ供給や人間の介入なしに性能を向上させることを可能にします。

SEALの核心は、モデルが「自己編集」と呼ばれる自然言語の指示を生成し、それに基づいて自らの重みを更新する点にあります。これは、人間が学習内容を再構成して理解を深めるプロセスに似ており、従来のモデルがデータをそのまま受け身で学習するのとは一線を画します。

性能評価では、SEALは目覚ましい成果を上げています。新たな事実知識を取り込むタスクでは、正答率を33.5%から47.0%へと向上させ、これはGPT-4.1が生成したデータを使った場合を上回りました。また、少数の例から学ぶフューショット学習でも、成功率を20%から72.5%に引き上げています。

技術的には、SEALは「内側ループ」で自己編集による教師ありファインチューニングを行い、「外側ループ」で強化学習によってより有益な編集を生成する方策を学ぶ、という二重ループ構造を採用しています。計算効率を高めるため、効率的なファインチューニング手法であるLoRAが活用されています。

しかし、課題も残されています。新たな情報を学習する際に、以前に学習した能力が低下する「災害的忘却」のリスクや、一つの編集を評価するのに30～45秒かかる計算コストの高さが挙げられます。研究チームは、強化学習がこの忘却を緩和する可能性があると指摘しています。

それでも、この技術がもたらすインパクトは計り知れません。AIコミュニティからは「凍結された重みの時代の終わり」との声も上がっており、モデルが環境の変化に合わせて進化し続ける、より適応的でエージェント的なAIシステムへの道を開くものと期待されています。

発明家で未来学者のレイ・カーツワイル氏は10月9日、母校マサチューセッツ工科大学（MIT）での講演で、AIと人間の完全な融合が2045年までに実現し「シンギュラリティ（技術的特異点）」が到来するとの見通しを改めて強調しました。同氏は技術進歩の加速を指摘し、今後20年で驚異的な飛躍が起こると予測しています。

カーツワイル氏の予測の核心は、2045年までに人類がAIと完全に融合し、知能が現在の100万倍にまで拡大するというものです。このシンギュラリティにより、我々の知性は生物学的な制約から解放され、根本的に変容すると同氏は主張します。まさにSFのような未来図です。

シンギュラリティへの道筋として、同氏は2030年代には分子サイズのロボットが脳内に入り、脳をクラウドに直接接続すると述べました。これにより思考能力が飛躍的に向上し、脳内にスマートフォンを持つような状態が実現されるとしています。まさに思考がそのまま情報処理となるのです。

AIがもたらす最も大きな変革の一つは、健康と医療分野です。カーツワイル氏は、2032年頃には「長寿脱出速度」に達すると予測します。これは科学の進歩によって1年生きるごとに1年以上の寿命を得られる状態を指し、健康への意識が高い人々からその恩恵が始まるとの見解を示しました。

これらの予測の根底には、技術の進歩は直線的ではなく「指数関数的」に進むというカーツワイル氏の揺るぎない信念があります。多くの人々が直線的な変化しか想定していないため、技術がもたらす未来の変革の大きさと速さを過小評価している、と同氏は警鐘を鳴らします。

もちろん、技術には常に二面性があります。カーツワイル氏はAIがもたらす脅威は現実的であり、真剣に対処すべきだと認めます。しかし、その上で「我々には新しい技術の可能性を実現し、そのリスクを管理する道徳的義務がある」と述べ、未来への楽観的な姿勢を崩しませんでした。

韓国Samsung AI研究所の研究者が、新たな超小型AIモデル「TRM（Tiny Recursion Model）」を発表しました。わずか700万パラメーターのこのモデルは、特定の推論ベンチマークにおいて、OpenAIのo3-miniやGoogleのGemini 2.5 Proなど、1万倍以上巨大なLLMの性能を凌駕しています。AI開発における「スケールこそ全て」という従来のパラダイムに対し、低コストで高性能を実現する新たな道筋を示す画期的な成果です。

TRMの最大の特徴は、階層構造を持つ複雑なネットワークを排除し、単一の2層モデルを採用した点です。このモデルは、入力された質問と初期回答に対し、推論ステップを繰り返して自身の予測を再帰的に洗練させます。この反復的な自己修正プロセスにより、深いアーキテクチャをシミュレートし、巨大モデルに匹敵する推論能力を獲得しています。

TRMは、構造化され、視覚的なグリッドベースの問題に特化して設計されました。特にSudoku-Extremeで87.4%の精度を達成し、従来モデル（HRM）の55%から大幅に向上。また、人間の推論は容易だがAIには難解とされるARC-AGIベンチマークでも、数百万倍のパラメーターを持つ最上位LLMに匹敵する結果を出しています。

開発者は、高額なGPU投資と電力消費を伴う巨大な基盤モデルへの依存は「罠」だと指摘します。TRMの成功は、複雑性を減らすことで逆に汎化性能が向上するという「Less is More（少ない方が豊か）」の設計思想を裏付けました。この成果は、大規模な計算資源を持たない企業や研究者でも、高性能AIを開発できる可能性を示唆します。

TRMのコードは、商用利用も可能なMITライセンスのもとGitHubでオープンソース公開されています。これにより、企業は特定の推論タスク解決のために、巨大LLMのAPIを利用するのではなく、自社のサーバーで低コストの専用モデルを構築・運用できます。今後は、再帰的推論のスケーリング則や、生成タスクへの応用が焦点となる見込みです。

マサチューセッツ工科大学（MIT）とトヨタ研究所は、ロボットの訓練を革新する新しい生成AI技術「Steerable Scene Generation（ステアラブル・シーン生成）」を開発しました。このシステムは、キッチンやレストランなど、多様な実世界の仮想環境を、物理法則にのっとりながら、手作業の数倍の効率で自動生成します。これにより、時間とコストがかかる実機訓練や、不正確さが課題だった従来のシミュレーションの壁を破り、ロボット開発の生産性を飛躍的に高めることが期待されています。

ロボットが現実世界で有用なアシスタントとなるためには、膨大で多様なデモンストレーションデータが必要です。しかし、実際のロボットでデータ収集するのは非効率的です。従来のシミュレーション環境作成は、手作業でデジタル環境を設計するか、非現実的な物理現象（オブジェクトの貫通など）を含むAI生成に頼るしかありませんでした。「ステアラブル・シーン生成」は、この訓練データの多様性とリアリティの欠如という長年のボトルネックを解消することを目指しています。

本技術の中核は、生成AIの拡散モデルを「ステアリング」（誘導）することです。特に注目すべきは、ゲームAIとして有名な「モンテカルロ木探索（MCTS）」を3Dシーン生成タスクに初めて適用した点です。MCTSは、シーン生成を連続的な意思決定プロセスと捉え、部分的なシーンを段階的に改良します。これにより、モデルが学習したデータセットに含まれるよりもはるかに複雑で、多様性の高いシーンを自動で作り出します。

仮想環境のリアルさは、ロボットが実世界で動作するために不可欠です。このシステムは、物理的な正確性を徹底的に保証します。例えば、テーブル上のフォークが皿を突き抜ける「クリッピング」といった3Dグラフィックス特有の不具合を防ぎます。訓練では、4400万件以上の3Dルームデータを利用しており、これが実世界に近いインタラクションをシミュレートする基盤となっています。

本システムは、強化学習を用いた試行錯誤や、ユーザーが直接テキストプロンプトを入力することで、柔軟に利用できます。「キッチンにリンゴ4個とボウルを」といった具体的指示に対しても、パントリーの棚配置で98%、散らかった朝食テーブルで86%という高い精度でシーンを構築することに成功しています。これは既存の類似手法に比べ、10%以上の改善であり、ロボット工学者が真に利用可能なデータを提供します。

研究者らは今後、この技術をさらに進化させ、既存のライブラリに頼らず、AIが新しいオブジェクト自体を生み出すことや、キャビネットや瓶といった「開閉可能な関節オブジェクト」を組み込むことを計画しています。このインフラが普及すれば、多様でリアルな訓練データが大量に供給され、器用なロボットの実用化に向けた大きな一歩となるでしょう。ロボット開発の効率化と市場投入の加速に直結する重要な進展です。

マサチューセッツ工科大学（MIT）のシュワルツマン・コンピューティング・カレッジは、ムハンマド・ビン・ザーイド人工知能大学（MBZUAI、アラブ首長国連邦）との5年間にわたる共同研究プログラムを正式に開始しました。この連携は、AIの技術的基盤を強化するとともに、喫緊の科学的・社会的課題への応用を加速させることを目的としています。国際的なトップレベルの頭脳が結集し、次世代AIの方向性を定める動きとして注目されます。

本プログラムでは、教員や研究者、学生が連携し、主に三つの核となる領域で基礎研究を推進します。それは「科学的発見の加速」「人間の繁栄への貢献」、そして「地球の健康（環境問題や持続可能性）」です。MIT側は「AIが責任ある、包括的かつ世界的に影響力のある形で進化する」という共通のコミットメントを強調しています。

MBZUAIのエリック・シン学長は、この提携が「トランスコンチネンタル（大陸横断的）な発見の橋」を築くと述べています。AI専用の大学であるMBZUAIが持つ基盤モデルや実世界への展開力と、MITが誇る計算科学と学際的なイノベーションの深さを融合させます。これにより、ブレークスルーが人間の健康改善やインテリジェント・ロボティクスなどに直結することが期待されます。

このプログラムは、AI科学を通じた進歩を専門とするアブダビ拠点のMBZUAIからの資金支援を受けて運営されます。毎年多数の共同プロジェクトが資金提供を受け、両大学から選出された運営委員会が研究テーマを決定します。さらに重要な点として、研究成果は原則としてオープンに公開可能であり、広範な知識共有を促進する方針です。

米MITのエンジニアチームは、機械学習（ML）を活用し、従来の製法に比べ5倍の強度を持つ3Dプリント可能なアルミニウム合金を開発しました。この新合金は、航空機や高性能自動車部品の軽量化を加速させ、輸送産業における大幅なエネルギー節約に貢献すると期待されています。MLによる効率的な材料設計と積層造形（3Dプリント）技術の組み合わせが、高強度と耐熱性を両立させました。

従来、新しい合金を開発するには、100万通り以上の組成をシミュレーションする必要がありましたが、MLを導入することで、わずか40通りの組成評価で最適な配合を特定できました。複雑な要素が非線形に寄与する材料特性探索において、MLツールは設計空間の探索を劇的に効率化します。この手法は、今後の合金設計プロセス全体を変革する可能性を秘めています。

高強度を実現した鍵は、製造プロセスにあります。従来の鋳造では冷却に時間がかかり、合金の強度を左右する微細な析出物が大きく成長してしまいます。対照的に、チームが採用したレーザー粉末床溶融結合（LBPF）などの3Dプリント技術は、急速な冷却と凝固を可能にし、予測通りの高強度を持つ微細な析出物を安定的に生成しました。

新合金は、現行の最強の鋳造アルミニウム合金に匹敵する強度を持ち、さらにアルミニウム合金としては非常に高い400度Cまでの高温安定性を誇ります。これにより、ジェットエンジンのファンブレードなど、これまでチタンや複合材が使われていた部品への適用が可能になります。チタンより50%以上軽量かつ最大10分の1のコストで済むため、部品製造の収益性を高めます。

この3Dプリント可能な新合金は、複雑な形状の製造に適しており、航空機部品のほかにも、高性能自動車やデータセンターの冷却装置など、幅広い分野での利用が見込まれています。材料設計と積層造形の特性を組み合わせたこの新たな設計手法は、様々な産業における軽量化ニーズに対応し、革新的な製品開発の扉を開きます。

マサチューセッツ工科大学（MIT）の研究チームは、核融合炉の安定稼働に不可欠なプラズマ挙動の予測モデルを開発しました。機械学習（ML）と物理ベースのシミュレーションを組み合わせることで、運転終了時の「ランプダウン」におけるプラズマの不安定化を正確に予測します。この技術は、炉の損傷を防ぎ、将来的な核融合発電プラントの信頼性と安全性を飛躍的に向上させると期待されています。

核融合炉の心臓部であるトカマク型装置は、太陽の核よりも高温のプラズマを強力な磁場で封じ込めます。プラズマ電流が不安定になると、炉内壁を損傷するリスクがあり、特に高速で循環する電流を停止させるランプダウン時に問題が発生しやすいです。損傷が発生すると、修理に時間と多大な資源が必要となります。

MITが開発したのは、ニューラルネットワークと既存のプラズマダイナミクス物理モデルを組み合わせたハイブリッド手法です。超高温・高エネルギーのプラズマはデータ収集が難しく高コストですが、この複合モデルを採用することで、非常に少ない実験データで高い精度を実現しました。これにより、トレーニング効率が大幅に改善されます。

この予測モデルに基づき、プラズマを安定的に停止させるための具体的な制御指令（トラジェクトリ）を自動生成するアルゴリズムも開発されました。スイスの実験用トカマク（TCV）での検証では、従来手法に比べて迅速かつ安全にランプダウンを完了できることが統計的に証明されています。実用化に向けた大きな一歩です。

この技術は、MITのスピンアウト企業であり、世界初の商用規模の核融合炉開発を目指すコモンウェルス・フュージョン・システムズ（CFS）社と共同で進められています。CFSが開発中の実証炉「SPARC」に本モデルを適用し、高エネルギーなプラズマの安定制御を実現することで、安全かつ信頼性の高い核融合発電の実現を加速させます。

マサチューセッツ工科大学（MIT）とマクマスター大学の研究チームが、生成AIを活用し、クローン病に関連する特定の腸内細菌のみを標的とする新しい抗生物質の作用機序を解明しました。このAI技術により、通常は数年を要する研究がわずか数ヶ月に短縮され、精密な創薬開発の新たな可能性が示されています。

従来の広域抗生物質は、善玉菌まで殺してしまい、かえって症状を悪化させる課題がありました。原因菌だけを叩く「精密抗生物質」が求められていましたが、その薬が体内でどう働くか、作用機序の解明が開発の大きな障壁となっていました。

そこで研究チームは、MITが開発した生成AIモデル「DiffDock」を使用。このAIは、新化合物「enterololin」が細菌内の特定のタンパク質複合体に結合することをわずか数分で予測しました。この正確な予測が、その後の実験の「GPS」となり、研究を大幅に加速させました。

AIによる予測と実験室での検証を組み合わせることで、作用機序の解明にかかる期間を数年からわずか6ヶ月へと劇的に短縮。コストも大幅に削減できたといいます。これは、AIが単に候補物質を見つけるだけでなく、その働きを説明する段階にまで進化したことを示しています。

今回の成功は、クローン病治療に光明を灯すだけでなく、創薬プロセス全体の変革を予感させます。AIによる作用機序の迅速な解明は、治療が難しい他の病気や、深刻化する薬剤耐性菌問題に対する新たな武器となり得ます。臨床試験は数年以内に開始される見込みです。

マサチューセッツ工科大学（MIT）は、マーティン・トラスト・センターの新エグゼクティブ・ディレクターにアナ・バクシ氏を任命しました。バクシ氏はAIスタートアップのCOO経験と、英国名門大学での起業家教育センター設立の実績を持ち、AI時代の教育革新を牽引します。

バクシ氏はオックスフォード大学やキングス・カレッジ・ロンドンで、ゼロから世界トップクラスの起業家センターを設立した実績を持ちます。彼女が支援したスタートアップは、5億ドル以上の資金調達と約3,000人の雇用を創出しました。

AIの進化は社会の変化を加速させています。気候変動やヘルスケアなど、山積する課題の解決には、より優秀な起業家が不可欠です。MITはバクシ氏のリーダーシップの下、時代が求める人材育成を強化する構えです。

バクシ氏は学術界だけでなく、AIスタートアップ「Quench.ai」で最高執行責任者（COO）を務めた経験も持ちます。急成長する民間企業での実務経験は、研究成果の社会実装を加速させる上で大きな強みとなるでしょう。

今後の焦点は、AIが学習や事業構築の方法を変える中で、学生や教員が知識を社会的なインパクトに変えるための支援を拡大することです。MITが開発したAI搭載ツールなども活用し、起業家教育の実践と理論を進化させます。

MITの経営陣も、バクシ氏の就任に大きな期待を寄せています。AIが主導する新時代の企業創出において、彼女の経験がMITの世界的なリーダーシップをさらに強固なものにすると確信しているのです。

マサチューセッツ工科大学（MIT）リンカーン研究所は2025年10月2日、米国の大学で最も強力なAIスーパーコンピュータ「TX-GAIN」を公開したと発表しました。このシステムは、生成AIや物理シミュレーション、データ分析といった最先端分野の研究を加速させ、科学技術におけるブレークスルー創出を目的としています。研究者はこの圧倒的な計算能力を活用し、新たなイノベーションを追求します。

TX-GAINの性能は、ピーク時で2 AIエクサフロップス（毎秒200京回のAI向け演算）に達します。AI処理に特化した600基以上のNVIDIA製GPUがこの計算能力を支え、米国の大学でトップ、北東部地域全体でも最強のAIシステムと評価されています。今夏オンライン化されて以来、研究者の注目を集めています。

TX-GAINの名称が示す通り、特に生成AIの開発と応用に力が注がれています。大規模言語モデルだけでなく、レーダー署名の評価、気象データの補完、ネットワークの異常検知、さらには新薬や新素材の設計といった多様な領域で活用が進みます。これまで不可能だった規模のシミュレーションやモデル訓練が可能になります。

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（LLSC）は、これまでも国の重要課題解決に貢献してきました。連邦航空局向けの航空機衝突回避システムや、国防総省向けの自律航法モデルの訓練など、社会の安全保障に直結する研究で数々の実績を上げています。TX-GAINはこれらの取り組みをさらに加速させる強力な基盤となります。

LLSCは、専門家でなくてもスパコンを利用できる「インタラクティブ性」を重視し、ラップトップPCのような手軽な操作性を実現。同時に、AIの膨大な電力消費という課題にも向き合い、エネルギー効率の高い運用と省電力化技術の研究にも取り組むなど、持続可能な研究環境の構築を目指しています。

Googleは2025年10月2日、同社の量子AI部門にマサチューセッツ工科大学（MIT）発のスタートアップ、Atlantic Quantumのチームが加わると発表しました。同社の持つ独自のハードウェア技術を取り込むことで、大規模な誤り耐性量子コンピュータの開発を加速させる狙いです。この動きは、実社会の課題解決に向けた量子コンピューティング開発競争が新たな段階に入ったことを示唆しています。

今回のチーム合流の決め手は、Atlantic Quantumが持つ「モジュラーチップスタック」技術です。これは、量子コンピュータの心臓部である量子ビットと、それを制御する電子回路を極低温環境下で高密度に統合する革新的なアプローチであり、これまで技術的課題とされてきたハードウェアの拡張性（スケーラビリティ）を大幅に向上させることが可能になります。

この技術統合により、Googleの量子プロセッサ開発は一層加速することが期待されます。チップの設計・製造が効率化され、より多くの量子ビットを安定して搭載できるようになるためです。実用的な量子コンピュータの実現にはハードウェアの規模拡大が不可欠であり、今回のチーム合流はその重要な一歩と言えるでしょう。

Googleが目指す最終目標は、計算エラーを自動訂正する「誤り耐性」を持つ大規模量子コンピュータの構築です。これが実現すれば、創薬や材料開発、金融モデル最適化など、従来手法では解決不可能だった問題に取り組めるようになります。社会に大きな利益をもたらす技術への投資を、同社は今後も続ける方針です。

量子コンピューティング分野では、巨大IT企業間の開発競争が激化しています。今回の発表は、Googleがハードウェアのスケーリングという核心的課題に対し、外部の優れた知見を取り込んででも解決を急ぐという強い意志の表れです。今後の技術開発の進展から目が離せません。

マサチューセッツ工科大学（MIT）の研究者らが、急速に拡大する生成AIの環境負荷に対する具体的な解決策を提示しています。国際エネルギー機関（IEA）によると、データセンターの電力需要は2030年までに倍増し、日本の総消費電力を上回る見込みです。この課題に対し、研究者らはハードウェアの効率運用、アルゴリズムの改善、AI自身を活用した気候変動対策など、多角的なアプローチを提唱しています。

AIの電力消費は、もはや看過できないレベルに達しつつあります。ゴールドマン・サックスの分析によれば、データセンターの電力需要増の約60%が化石燃料で賄われ、世界の炭素排出量を約2.2億トン増加させると予測されています。これは、運用時の電力だけでなく、データセンター建設時に排出される「体現炭素」も考慮に入れる必要がある、と専門家は警鐘を鳴らします。

対策の第一歩は、ハードウェアの運用効率化です。MITの研究では、データセンターのGPU（画像処理半導体）の出力を通常の3割程度に抑えても、AIモデルの性能への影響は最小限であることが示されました。これにより消費電力を大幅に削減できます。また、モデルの学習精度が一定水準に達した時点で処理を停止するなど、運用の工夫が排出量削減に直結します。

ハードウェア以上に大きな効果が期待されるのが、アルゴリズムの改善です。MITのニール・トンプソン氏は、アルゴリズムの効率改善により、同じタスクをより少ない計算量で実行できる「Negaflop（ネガフロップ）」という概念を提唱。モデル構造の最適化により、計算効率は8～9ヶ月で倍増しており、これが最も重要な環境負荷削減策だと指摘しています。

エネルギー利用の最適化も鍵となります。太陽光や風力など、再生可能エネルギーの供給量が多い時間帯に計算処理を分散させることで、データセンターのカーボンフットプリントを削減できます。また、AIワークロードを柔軟に調整する「スマートデータセンター」構想や、余剰電力を蓄える長時間エネルギー貯蔵ユニットの活用も有効な戦略です。

興味深いことに、AI自身がこの問題の解決策となり得ます。例えば、AIを用いて再生可能エネルギー発電所の送電網への接続プロセスを高速化したり、太陽光・風力発電量を高精度に予測したりすることが可能です。AIは複雑なシステムの最適化を得意としており、クリーンエネルギー技術の開発・導入を加速させる強力なツールとなるでしょう。

生成AIの持続可能な発展のためには、こうした技術的対策に加え、企業、規制当局、研究機関が連携し、包括的に取り組むことが不可欠です。MITの研究者らは、AIプロジェクトの気候への影響を総合的に評価するフレームワークも開発しており、産官学の協力を通じて、技術革新と環境保全の両立を目指す必要があると結論付けています。

米Metaは、ヒューマノイドロボット開発を拡張現実（AR）に次ぐ大規模な投資対象と位置付けていることを明らかにしました。同社のアンドリュー・ボスワースCTOによると、数十億ドル規模を投じ、ハードウェアではなくソフトウェア開発に注力します。開発したプラットフォームを他社にライセンス供与する「ロボット版Android」とも言える戦略で、急成長する市場の主導権を握る構えです。

なぜソフトウェアが重要なのでしょうか。ボスワース氏は「ハードウェアは難しくない。ボトルネックはソフトウェアだ」と断言します。ロボットがコップを絶妙な力加減で掴むといった器用な操作は極めて困難であり、この課題を解決するため、AIが現実世界をシミュレーションする「ワールドモデル」の構築が不可欠だと説明しています。

Metaの戦略は、自社でハードウェアを製造し販売することではありません。社内で「Metabot」と呼ばれるロボットを開発しつつも、その核心技術であるソフトウェアを他社ロボットメーカーに広くライセンス供与する計画です。これはGoogleがAndroid OSでスマートフォン市場のエコシステムを築いた戦略と類似しており、オープンなプラットフォームで業界標準となることを目指します。

この野心的な計画を支えるのが、Metaが新設した「Superintelligence AI lab」です。このAI専門組織がロボティクスチームと緊密に連携し、ロボットの知能を司るAIモデルを開発します。ボスワース氏は「このAIラボがなければ、このプロジェクトは実行しなかった」と述べ、AI開発能力が自社の最大の強みであるとの認識を示しました。

このアプローチは、テスラが開発する「Optimus」とは一線を画します。ボスワース氏は、人間の視覚を模倣してデータを集めるテスラの手法について「ロボット用のデータをどうやって十分に集めるのか疑問だ」と指摘。Metaはシミュレーションとワールドモデルを駆使して、このデータ問題を解決しようとしています。

Metaの本気度は、集結した人材からも伺えます。自動運転企業Cruiseの元CEOであるマーク・ウィッテン氏がチームを率い、MITから「現代最高の戦術ロボット工学者」と評されるキム・サンベ氏を招聘。社内のトップエンジニアも結集させ、盤石な体制でこの巨大プロジェクトに挑みます。

マサチューセッツ工科大学（MIT）の研究者が、医療画像のセグメンテーション（領域分割）作業を劇的に効率化する新しい対話型AIシステム「MultiverSeg」を開発しました。このシステムは、ユーザーが画像上で行うクリックや走り書きなどの簡単な操作から学習します。作業を繰り返すほどAIの精度が向上し、最終的にはユーザーの操作なしで高精度なセグメンテーションが可能になり、臨床研究の加速やコスト削減が期待されます。 MultiverSegの最大の特徴は、ユーザーの操作を学習し続ける点にあります。従来の対話型ツールでは画像ごとに同じ操作を繰り返す必要がありましたが、本システムは過去の作業結果を「コンテキストセット」として記憶・参照します。これにより、新しい画像を処理する際のユーザーの負担が徐々に軽減され、作業効率が飛躍的に向上します。この仕組みは、これまでのアプローチの長所を組み合わせたものです。 性能比較実験では、他の最先端ツールを上回る結果を示しました。例えば、9枚目の画像を処理する頃には、わずか2回のクリックでタスク特化型モデルより高い精度を達成しました。X線画像のような特定のケースでは、1〜2枚の画像を手動で処理するだけで、AIが自律的に高精度な予測を行えるようになります。これは、手作業に比べ圧倒的な時間短縮です。 このツールのもう一つの利点は、機械学習の専門知識や事前のデータセット準備が不要なことです。研究者や医師は、セグメンテーションしたい新しい画像をアップロードし、直感的に操作を始めるだけですぐに利用できます。AIモデルの再トレーニングも不要なため、導入のハードルが低く、幅広い臨床現場や研究での活用が見込まれます。 研究チームは今後、臨床現場での実証実験を通じてフィードバックを収集し、システムの改善を進める計画です。また、現在は2D画像のみに対応していますが、将来的には3D医用画像への応用も目指しています。この技術が普及すれば、新しい治療法の研究が加速し、臨床試験や医療研究全体のコスト削減に大きく貢献する可能性があります。

マサチューセッツ工科大学（MIT）が、新素材発見のプロセスを根本から変える可能性を秘めたAIプラットフォーム「CRESt」を開発しました。このシステムは、科学論文から実験データ、画像まで多様な情報を統合し、ロボットと連携して自律的に実験を進めます。研究開発のあり方を大きく変革する一歩となるでしょうか。 CREStはすでに具体的な成果を上げています。研究チームはCREStを用いて900以上の化学組成を探索し、3500回の電気化学試験を実施。その結果、ギ酸塩燃料電池において記録的な出力密度を達成する触媒材料を発見しました。高価な貴金属の使用量を4分の1に抑えつつ、性能を大幅に向上させることに成功しています。 CREStの最大の特徴は、多様な情報源（マルチモーダル）を扱える点です。従来のAIが特定のデータのみに依存していたのに対し、CREStは論文のテキスト、化学組成、顕微鏡画像などを統合的に学習します。これにより、人間の科学者が持つような幅広い知見に基づいた、より高度な判断を可能にしました。 研究者はコーディング不要で、自然言語（チャット）を使ってCREStに指示を出せます。指示を受けたCREStは、液体処理ロボットや材料合成装置、自動試験装置などを駆使して実験を遂行。実験結果は再びAIにフィードバックされ、次の実験計画が最適化されるというサイクルが自動で構築されます。 材料科学の実験では、再現性の確保が大きな課題でした。CREStはカメラと画像認識モデルを用いて実験プロセスを常時監視します。ピペットの位置ずれやサンプルの形状異常といった問題を検知し、人間に対して修正案を提案することで、実験の品質と一貫性を高めることにも貢献します。 研究チームは、CREStを「人間の研究者に取って代わるものではなく、アシスタントである」と位置づけています。AIが仮説立案や実験の自動化を担う一方で、最終的な判断やデバッグは人間が主導します。人間とAIの協働による、より柔軟で効率的な「自律駆動型ラボ」の実現に向けた大きな一歩と言えるでしょう。

スタンフォード大学とマサチューセッツ工科大学（MIT）の研究者が、生成AIが労働市場に与える影響について新たな研究結果を明らかにしました。2022年後半以降、AIに代替されやすい職種では若手技術者の雇用が減少する一方、既存労働者の生産性は大幅に向上することが判明。AIは単純作業を自動化し、経験豊富な人材の業務を支援するため、企業は採用・育成戦略の見直しを迫られそうです。 スタンフォード大学デジタルエコノミーラボの研究によると、2022年後半からAIの影響を受けやすい職種で、若手（22〜30歳）の雇用が明確に減少しています。米国最大の給与計算代行会社ADPの最新データ分析で判明したもので、特にソフトウェアエンジニアなどの職種でこの動きが顕著です。 興味深いことに、若手層の雇用が減少する一方で、同じ職種の中堅・シニア層の雇用は安定、もしくは増加傾向にあります。これは、AIが経験豊富な労働者の専門知識を代替するのではなく、業務を拡張するツールとして機能していることを示唆しています。経験値がAI活用の鍵となりそうです。 一方、マサチューセッツ工科大学（MIT）の研究では、AIの生産性向上効果が実証されています。2023年の研究では、ChatGPTがライティング業務の生産性を大幅に向上させると判明。特に、これまで成績が振るわなかった労働者ほど、その恩恵が大きかったといいます。 AIがもたらすこの二面性は、業務を「自動化」するか「拡張」するかの違いに起因します。エントリーレベルの定型的なタスクは自動化されやすく、若手の雇用機会を奪う可能性があります。一方、複雑な判断を伴う業務はAIで拡張され、シニア層の生産性をさらに高めるのです。 これらの研究結果は、経営者やリーダーに重要な問いを投げかけています。AIによる生産性向上は不可欠ですが、同時に若手人材の採用や育成戦略を根本から見直す必要がありそうです。人間とAIが協働する新たな組織モデルの構築が、今後の企業競争力を左右するでしょう。

マサチューセッツ工科大学（MIT）の学生起業家は、AIを事業開発の強力なツールとして活用しています。コーディングの高速化、プレゼンテーションの草案作成、新規市場のリサーチなど、日常業務にAIを組み込むことで、起業プロセスの効率と速度を大幅に向上させています。皆さんの会社では、どの業務にAIを応用できるでしょうか。 MITの起業家育成機関「マーティン・トラスト・センター」は、AIをあくまで「ツールキットの一つ」と位置づけています。AIによってタスクの実行方法は変わりましたが、起業の基本原則は不変だと強調します。AIは事業を加速させる「ジェットパック」のようなものですが、その操縦は起業家自身が行うべきだと指導しています。 AIの活用には注意も必要です。大規模言語モデルは平均的なデータに基づいており、特定の顧客層の深いニーズを捉えきれない場合があります。「平均的な顧客」向けの製品は、結果的に誰の心にも響かない可能性があるのです。AIの出力は鵜呑みにせず、必ず顧客の声で検証する姿勢が求められます。 学生の中には、事業の核にAIを据える「AIネイティブ」な企業も登場しています。例えば、ユーザー行動をAIでシミュレーションし、ウェブサイトなどの顧客体験を改善するツールを開発するCognify社。同社はアイデア出しから開発、市場投入戦略まで、あらゆるプロセスにAIを統合しています。 しかし、どれだけAIが進化しても、起業家が研究室や教室を飛び出し、顧客と直接対話する必要性は変わりません。顧客が誰で、何を求め、どうすればより良いサービスを提供できるか。この問いの答えは、AIだけでは見つけられないというのが、MITの一貫した考えです。 MITは学生支援のため、生成AIアプリ「Jetpack」も開発しました。これは、起業家精神の24のステップを対話形式で学べるツールです。顧客セグメントの提案や事業計画の立案を支援しますが、あくまで思考を助ける「初稿」を提供するものと位置づけられています。

マサチューセッツ工科大学（MIT）の研究チームは、生成AIによる新材料の設計を加速する新ツール「SCIGEN」を開発しました。このツールは、既存のAIモデルに特定の幾何学的構造ルールを課すことで、超伝導など特殊な量子特性を持つ材料の発見を促します。従来モデルが苦手とした希少な構造を持つ材料の設計が可能になり、量子コンピュータ開発などのボトルネック解消が期待されます。 近年、AIによる新材料設計は進んでいますが、その多くは安定性を重視したものでした。しかし、量子コンピュータ開発に不可欠な「量子スピン液体」のように特殊な構造を持つ材料の発見は遅れていました。世界を変えるには、安定した1000万の材料より、一つの画期的な材料が必要なのです。 SCIGENは、拡散モデルのような生成AIが材料構造を生成する各段階で介入します。ユーザーが「カゴメ格子」といった特定の幾何学的パターンをルールとして設定すると、そのルールに合致しない候補をAIが生成しないようブロックします。これにより、AIの生成プロセスを望ましい方向に誘導することが可能になります。 研究チームはSCIGENを既存AIに適用し、特殊な格子構造を持つ材料候補を1000万以上生成しました。安定性評価を経て、これまで未知だった2種類の新物質（TiPdBi、TiPbSb）の合成に成功。実験結果はAIの予測とほぼ一致し、その有効性を示しました。 量子コンピュータの実現には、安定した量子ビットの基盤となる材料が不可欠ですが、その発見は困難でした。SCIGENは、材料が持つべき幾何学的制約を満たす候補を大量に生成します。これにより実験研究者に新たな道筋を示し、開発を大幅に加速させると期待されています。 今後の研究では、幾何学的構造だけでなく、化学的・機能的な制約も設計ルールに組み込むことが計画されています。AIによる設計と、実際の合成・実験による検証のサイクルを回すことが、画期的な新材料の発見には不可欠です。AIが有望な候補を提示し、研究者がそれを検証する協力体制が重要になります。

マサチューセッツ工科大学（MIT）数学科の研究者らが、AIを活用して数学の発見を加速させるプロジェクトで、初回「AI for Math」助成金の受賞者に選ばれました。このプロジェクトは、大規模数学データベースと定理証明支援ライブラリを連携させるものです。これにより、AIが数学研究を支援する新たな基盤を構築し、研究開発の効率を飛躍的に高めることを目指します。 数学研究の自動化には、知識をAIが理解できる形に「形式化」するコストが高いという壁があります。このプロジェクトは、既存の膨大な数学データベースと、証明の正しさを検証するシステムを繋ぐことでこの課題を解決します。形式化の障壁を下げ、より多くの数学者がAIの恩恵を受けられるようにすることを目指します。 具体的には、数論データベース「LMFDB」と定理証明支援ライブラリ「mathlib」を連携させます。これにより、LMFDBが持つ膨大な未証明のデータを、mathlib内で証明のターゲットとして提示可能になります。これは人間とAI双方にとって、数学的発見のプロセスを大きく変える可能性を秘めています。 このアプローチの利点は、過去の計算資産を最大限に活用できる点にあります。LMFDBの構築に費やされた膨大な計算結果を再利用することで、コストを大幅に削減します。また、事前に計算された情報があるため、新たな定理の例や反例を探す探索作業も、より効率的に行えるようになります。 AIとデータベースの連携は、既に成果を生んでいます。機械学習で「マーマレーション」という数学現象が発見された際、LMFDBの整理されたデータが決定的な役割を果たしました。専門家によって整理された高品質なデータベースが、AIによる新たな発見を促す鍵となるのです。 研究チームは今後、コミュニティと連携しながらツールの開発を本格化させます。データベースの定義を形式化し、mathlib内からLMFDBの検索を実行できる機能などを実装する計画です。この取り組みは、数学だけでなくAIが専門知識を扱う他分野への応用も期待されます。

マサチューセッツ工科大学（MIT）は9月17日、初の「生成AIインパクトコンソーシアム（MGAIC）」シンポジウムを開催しました。研究者やビジネスリーダー数百人が集まり、急速に進化する生成AIの未来について議論しました。基調講演ではMeta社のヤン・ルカン氏が、現行の大規模言語モデル（LLM）の先にある「世界モデル」の重要性を強調。ロボット工学への応用や倫理的課題など、多岐にわたるテーマが話し合われました。 生成AIの次なる進化の鍵はどこにあるのでしょうか。Meta社のチーフAIサイエンティストであるヤン・ルカン氏は、LLMの継続的な改良ではないと指摘します。同氏は、乳児が五感を通して周囲の世界から学ぶように、AIが物理世界を理解する「世界モデル」の開発が不可欠だと主張しました。これにより、AIはより人間らしい知能を獲得できるとしています。 「世界モデル」を搭載したロボットは、事前の訓練なしに新しいタスクを自律的に学習できるようになると期待されています。ルカン氏は、このアプローチこそが、ロボットを現実世界で広く役立つ存在にするための最善策だと見ています。将来のAIシステムの中核を担う技術として、その開発に大きな期待が寄せられています。 AIがより賢くなることで、人間の制御を離れるリスクを懸念する声もあります。しかしルカン氏は、この点について楽観的です。人間社会が法や規範で秩序を保ってきたように、AIにも逸脱を防ぐための「ガードレール」を設計段階で組み込むことが可能だと説明。AIは設計上、その制約を超えることはできないと述べました。 Amazon Robotics社の最高技術責任者タイ・ブレイディ氏も、生成AIの可能性を強調しました。同社はすでに倉庫内で生成AIを活用し、ロボットの移動経路や荷物の処理を最適化しています。今後は、人間の作業効率を高める「協働ロボット」の分野で、生成AIが革新を牽引すると予測しています。 MITのサリー・コーンブルース学長は、生成AIの技術的・倫理的課題の解決には、大学と産業界の連携が不可欠だと述べました。今年2月に発足した同コンソーシアムがその役割を担います。シンポジウムでは、AIのバイアスや幻覚を軽減する新システムなど、MITの最新研究も紹介されました。 一日にわたる議論の締めくくりとして、コンソーシアムの共同リーダーであるヴィヴェック・ファリアス教授は、参加者が「可能性と、それを現実のものにするための緊急性」を感じることを期待すると語りました。生成AIの健全な発展に向け、産学連携の重要性が改めて示された形です。

医師が利用するAIツールが、女性やエスニックマイノリティの健康状態を悪化させるリスクが指摘されています。米英の複数の研究で、多くの大規模言語モデル（LLM）がこれらの患者の症状を軽視する傾向が示されたのです。これは、社会に存在する治療格差のパターンをAIが再生産・強化する可能性を示唆します。 マサチューセッツ工科大学（MIT）の研究によると、OpenAIのGPT-4やMetaのLlama 3などは、女性患者に対して明らかに低いレベルの治療を推奨しました。症状によっては、専門医の受診ではなく自宅での自己治療を提案するなど、診断の深刻さを過小評価する傾向が見られたといいます。 同大学の別の研究では、人種によるバイアスも明らかになりました。GPT-4などのモデルは、精神的な不調を訴える黒人やアジア系の人々に対し、他の人種に比べて「共感」の度合いが低い回答を生成。これにより、患者が受けるサポートの質が人種によって左右される危険性が懸念されます。 同様の傾向は、ロンドン・スクール・オブ・エコノミクスの研究でも確認されました。ソーシャルワーカーの支援に使われるGoogleのGemmaモデルは、男性と比較して女性の身体的・精神的な問題を軽視する形でケースノートを要約・生成する傾向があったと報告されています。 現在、MicrosoftやGoogleなどの巨大テック企業は、医師の負担軽減と治療の迅速化を目指し、医療AI製品の開発を急いでいます。しかし、これらのツールに潜むバイアスは、特定の患者層に不利益をもたらしかねません。AIの恩恵を公平に享受するため、開発と導入にはより慎重な検証と対策が不可欠です。

マサチューセッツ工科大学（MIT）の研究チームは、大規模言語モデル（LLM）の訓練コストを最適化するための「スケーリング則」構築ガイドを公開しました。これは、数百万ドルにも上る開発費を効率的に使い、大規模モデルの性能を高い信頼性で予測するための体系的な指針を提供します。AI開発における予算と性能のトレードオフを解消する画期的な分析です。

スケーリング則とは、小さなモデルの学習結果から、同じモデルファミリーのより大きなターゲットモデルの性能（特に損失）を推定する手法です。従来、この手法は開発者ごとに異なり、その有効性がブラックボックス化していました。今回の研究では、40種類のモデルファミリー、485の独自モデルを分析し、1,000以上のスケーリング則を検証しています。

最も重要な提言の一つは、予測の堅牢性を高めるために、多様なサイズのモデルを少数訓練することを優先すべき点です。単に非常に大規模なモデルを訓練するよりも、5つ程度の小規模モデルを分散して訓練することが、スケーリング則の精度向上に寄与すると結論付けています。

また、リソースを効率的に活用するため、ターゲットモデルをデータセットの約30%まで部分的に訓練し、そのデータを使って性能を外挿することで、大幅なコスト削減が可能となります。加えて、訓練過程の最終損失だけでなく中間チェックポイントのデータを利用することが予測信頼性を高める鍵です。

ただし、訓練開始直後（100億トークン以前）のデータはノイズが多く、予測精度を低下させるため破棄すべきだと研究者は推奨しています。開発者は、予測誤差率（ARE）が4%以内であれば最良、20%以内であっても意思決定に十分役立つ精度として目標設定が可能です。

興味深い発見として、完全に訓練されたモデルの「中間段階」のデータが、別のターゲットモデルの予測に再利用できることが判明しました。これは、追加コストなしに予測リソースを増強できることを意味します。また、小規模モデルと大規模モデルの挙動は予想以上に類似していることも確認されました。

研究チームは今後、モデルの訓練時間だけでなく、モデルの応答時間（推論時間）に関するスケーリング則へと分析を拡大する計画です。ユーザーの新しいクエリに対して「最適な思考量」を予測する技術は、リアルタイムでのAI活用においてさらに重要性を増すと期待されています。

マサチューセッツ工科大学（MIT）のコンピューター科学・人工知能研究所（CSAIL）などは、胎児の健康診断を革新する機械学習ツール「Fetal SMPL」を開発しました。これはMRIスキャンデータから、胎児の動きや体形を高精度に再現した詳細な3Dモデルを生成します。従来の3Dスキャン画像は医師にとって解釈が難しく、診断のボトルネックとなっていましたが、本ツールはその課題を解決します。

Fetal SMPLは、成人向けの人体モデリング技術「SMPL」を胎児用に適合させたものです。約2万件のMRIボリュームで訓練され、彫刻のような3D表現を生み出します。モデル内部には23の関節を持つ「キネマティックツリー」と呼ばれる骨格構造があり、これを利用して胎児のリアルなポーズと動きを再現できる点が大きな特長です。

このモデルは実証実験において、非常に高い精度を示しました。これまでに学習していないMRIフレームに対しても、胎児の位置とサイズを正確に予測し、平均誤差はわずか約3.1ミリメートルに留まっています。これにより、医師は胎児の頭部や腹部のサイズなどを正確に測定し、同年齢の健康な胎児のデータと比較した精密な診断が可能になります。

研究チームは現在、Fetal SMPLが表面的な分析に留まっている点を改善するため、内臓などの内部解剖学的な構造をモデル化する「容積（volumetric）」対応を目指しています。この進化により、肝臓や肺などの発達状況もモニタリングできるようになります。本技術は、ヒトの成長と運動が様々な条件でどのように影響を受けるかを長期的に研究する上でも画期的な一歩です。